¿Razones además de la predicción para construir modelos?

Joshua Epstein escribió un artículo titulado "¿Por qué modelar?" disponible en http://www.santafe.edu/media/workingpapers/08-09-040.pdf en el que da 16 razones:

1. Explicar (muy distinto de predecir)
2. Guía de recolección de datos
3. Ilumina la dinámica del núcleo
4. Sugerir analogías dinámicas
5. Descubre nuevas preguntas
6. Promover un hábito científico de la mente.
7. Resultados vinculados (paréntesis) a rangos plausibles
8. Ilumina las incertidumbres del núcleo.
9. Ofrecer opciones de crisis en tiempo casi real
10. Demostrar compensaciones / sugerir eficiencias
11. Desafíe la solidez de la teoría prevaleciente a través de perturbaciones
12. Exponer la sabiduría prevaleciente como incompatible con los datos disponibles.
13. Entrenar a los practicantes
14. Disciplinar el diálogo político.
15. Educar al público en general.
16. Revelar lo aparentemente simple (complejo) como complejo (simple)

(Epstein explica en detalle muchas de las razones en su artículo).

Me gustaría preguntarle a la comunidad:

• ¿hay razones adicionales que Epstein no enumeró?
• ¿Hay alguna forma más elegante de conceptualizar (quizás una agrupación diferente) estas razones?
• ¿Alguno de los motivos de Epstein es defectuoso o incompleto?
• ¿son sus elaboraciones más claras de estas razones?

Motivo 17. Escribe un artículo.

Una especie de broma, pero en realidad no. Parece haber una cierta superposición entre algunos de sus puntos (por ejemplo, 1, 5, 6, 12, 14).

Ahorrar dinero

Construyo matemática / estadística de mecanismos celulares. Por ejemplo, cómo una proteína particular afecta el envejecimiento celular. El papel del modelo es principalmente de predicción, pero también de ahorrar dinero. Es mucho más barato emplear un solo modelador que (por ejemplo) algunos biólogos de laboratorio húmedo con los costos de equipo asociados. Por supuesto, el modelado no reemplaza completamente el experimento, solo ayuda al proceso.

¡Por diversión!

Estoy seguro de que la mayoría de los estadísticos / modelistas hacen su trabajo porque lo disfrutan. ¡Que me paguen por hacer algo que disfrutas es bastante bueno!

reducción de dimensiones

A veces puede haber demasiados datos, por lo que formar un modelo inicial permite un análisis más detallado.

regulación

Las agencias gubernamentales requieren que las empresas presenten informes utilizando ciertos modelos. Esto proporciona un grado de estandarización en la supervisión. Un ejemplo es el uso de Value-at-Risk en el sector financiero.

Controlar

Un aspecto importante de la literatura de modelado dinámico está asociado con el control. Este tipo de trabajo abarca muchas disciplinas desde política / economía (véase, por ejemplo, Stafford Beer), biología (véase, por ejemplo, el trabajo de N Weiner de 1948 sobre cibernética) hasta la teoría contemporánea del control del espacio estatal (véase una introducción a Ljung 1999).

El control está relacionado con los 9 y 10 de Epstein, y las respuestas de Shane sobre el juicio / regulación humana, pero pensé que tenía sentido ser explícito. De hecho, al final de mi carrera universitaria de ingeniería, le habría dado una respuesta muy concisa a los usos del modelado: control, inferencia y predicción. Supongo que la inferencia, con lo que me refiero a filtrado / suavizado / reducción de dimensiones, etc., puede ser similar a los puntos 3 y 8 de Epstein.

Por supuesto, en mis últimos años no sería tan audaz como para limitar los propósitos del modelado al control, la inferencia y la predicción. Tal vez un cuarto, que cubre muchos de los puntos de Epsteins, debería ser "coerción": la única forma en que debe "educar al público" es alentarnos a crear nuestros propios modelos ...

Esto está estrechamente relacionado con algunos de los otros, pero:

Eliminar el juicio humano

La toma de decisiones humanas está sujeta a muchas fuerzas y prejuicios diferentes. Eso significa que no solo obtienes respuestas diferentes a la misma pregunta, sino que también puedes terminar con resultados realmente subóptimos. Los ejemplos serían el sesgo o el anclaje de exceso de confianza.

Para tomar medidas (útiles).

Estoy parafraseando a alguien más aquí, pero supongamos que construimos un sistema de salud pública en torno al modelo de que las enfermedades infecciosas se deben a espíritus malignos que se propagan a través del contacto. La ciencia de los microbios puede ser un modelo infinitamente mejor, pero de todos modos podría evitar un buen número de contagios. (Creo que esto fue leer una historia de cibernética, pero no recuerdo quién hizo el punto).

El punto es que, en la línea de "todos los modelos malos, algunos útiles", necesitamos formular modelos y refinarlos para emprender acciones útiles con consecuencias duraderas. De lo contrario, también podríamos lanzar monedas.

Problemas repetitivos que involucran alguna forma de beneficio / costo

En mi campo, modelamos el mismo conjunto de variables en diferentes ubicaciones, plazos y magnitudes.

En mi opinión, 16 son demasiadas razones, una especificación demasiado fina y una especie de superposición a veces. En lugar de eso, personalmente me racionalizaría en grupos amplios. Podemos clasificar los objetivos del estudio en 3 categorías principales: prueba de hipótesis única, estudio exploratorio y predicción.