1.4 Resumen
Capítulo 1 en revisión
Este capítulo introdujo la analogía del golem: los modelos estadísticos son herramientas poderosas pero irreflexivas que hacen exactamente lo que se les dice, pero no pueden juzgar si sus instrucciones son sabias. La responsabilidad de usar herramientas estadísticas sabiamente recae en el modelador, no en el modelo.
Vimos que la falsación es insuficiente porque nunca probamos hipótesis directamente — probamos modelos de hipótesis. Cuando un modelo falla, no podemos saber si la hipótesis es incorrecta o si el modelo es incorrecto. La solución es tratar la construcción de modelos como un proceso iterativo de ingeniería.
Introdujimos tres herramientas para la ingeniería de golems:
- Inferencia bayesiana — un marco para actualizar creencias bajo incertidumbre. La distribución a posteriori nos da la respuesta completa, con toda la incertidumbre.
-
Modelos multinivel — un marco para manejar datos estructurados mediante agrupamiento parcial. Los grupos toman prestada fuerza entre sí, mejorando las estimaciones para todos.
-
Criterios de información — un marco para comparar modelos y estimar la precisión predictiva fuera de muestra. Esto previene el sobreajuste al penalizar la complejidad.
Estas tres herramientas forman un flujo de trabajo coherente: especificar, ajustar, criticar, comparar. El resto del libro desarrolla cada herramienta en profundidad.
Vista previa del libro
- Capítulos 2-4: Inferencia bayesiana desde cero — aproximación por malla, aproximación cuadrática y el modelo lineal.
- Capítulos 5-7: Modelos multivariados, razonamiento causal e interacciones.
- Capítulo 8: Cadenas de Markov Monte Carlo — el motor computacional para modelos complejos.
- Capítulos 9-11: Modelos lineales generalizados — binomial, Poisson, ordenado y de mezcla.
- Capítulos 12-13: Modelos multinivel y aventuras en covarianza.
- Capítulo 14: Datos faltantes y error de medición.
- Capítulo 15: Horóscopos — una reflexión sobre el proceso de modelado.
Cada capítulo de este libro enseña tanto cómo hacer algo como por qué importa. El "por qué" es igual de importante que el "cómo", porque los modelos estadísticos son golems — hacen lo que se les dice, pero no pueden juzgar si sus instrucciones son sabias. El "por qué" es lo que le convierte en ingeniero de golems, no solo en operador de golems.
El enfoque del libro es deliberadamente constructivo en lugar de destructivo. En lugar de decirle qué no hacer (no use valores , no use regresión por pasos, no use pruebas de hipótesis nula), le enseña qué hacer en su lugar. El objetivo no es derribar los viejos golems, sino construir mejores.
Práctica
Los problemas de práctica del Capítulo 1 son conceptuales más que computacionales. Le piden reflexionar sobre la analogía del golem, las limitaciones de la falsación y las tres herramientas de la ingeniería de golems.
1E1. ¿Cuál es la diferencia entre una hipótesis y un modelo? Dé un ejemplo donde falsar un modelo no falsa la hipótesis.
1E2. ¿Por qué el valor no es la probabilidad de que la hipótesis nula sea verdadera? ¿Qué es en su lugar?
1E3. Nombre las tres herramientas de la ingeniería de golems y describa brevemente qué hace cada una.
1M1. Suponga que tiene datos sobre la relación entre temperatura y ventas de helados. Ajusta una regresión lineal y encuentra una asociación positiva significativa. Enumere al menos tres supuestos de este modelo que, si se violan, podrían hacer que la conclusión sea engañosa.
1M2. La analogía del golem sugiere que los modelos estadísticos no pueden juzgar si sus instrucciones son sabias. Dé un ejemplo de su propio campo donde un procedimiento estadístico estándar podría dar una respuesta "correcta" pero "poco sabia".