Video: Psychological Research: Crash Course Psychology #2 2024
Ondanks alles wat u is verteld over veronderstellingen die problemen veroorzaken, blijven enkele aannames de kern van elk voorspellend analytisch model. Deze veronderstellingen verschijnen in de variabelen die in de analyse zijn geselecteerd en overwogen - en die variabelen beïnvloeden rechtstreeks de nauwkeurigheid van de uitvoer van het definitieve model.
Daarom is het in het allereerste begin uw beste voorzorgsmaatregel om vast te stellen welke aannames het belangrijkst zijn voor uw model - en om ze tot een absoluut minimum te beperken.
Het creëren van een voorspellend model dat goed werkt in de echte wereld vereist een grondige kennis van het bedrijf. Uw model begint met alleen de voorbeeldgegevens te kennen - in praktische termen bijna niets. Dus begin klein en blijf het model zo nodig verbeteren.
Het onderzoeken van mogelijke vragen en scenario's kan leiden tot belangrijke ontdekkingen en / of kan meer licht werpen op de factoren die spelen in de echte wereld. Dit proces kan de kernvariabelen identificeren die van invloed kunnen zijn op de uitkomst van de analyse.
In een systematische benadering van voorspellende analyse, is deze fase-explorerende "what-if" -scenario's vooral interessant en nuttig. Hier wijzigt u de modelinvoer om de effecten van een variabele of een andere op de uitvoer van het model te meten; wat je echt aan het testen bent, is zijn voorspellingsvermogen.
De aannames van het model verbeteren - door te testen hoe deze de uitvoer van het model beïnvloeden, peilen hoe gevoelig het model voor hen is en ze tot een minimum te beperken - zullen u helpen het model naar een betrouwbaarder voorspellend vermogen te begeleiden. Voordat u uw model kunt optimaliseren, moet u de voorspellende variabelen kennen, functies die een directe invloed hebben op de uitvoer.
U kunt deze beslissingsvariabelen afleiden door meerdere simulaties van uw model uit te voeren - terwijl u enkele parameters bij elke run wijzigt - en de resultaten vast te leggen, vooral de nauwkeurigheid van de prognoses van het model. Meestal kunt u variaties in nauwkeurigheid terugvoeren tot de specifieke parameters die u hebt gewijzigd.
Op dit punt kan de eenentwintigste eeuw de hulp van de veertiende inroepen. William of Ockham, een Engelse franciscaner monnik en scholastische filosoof die in de jaren 1300 leefde, ontwikkelde het onderzoeksprincipe dat bekend staat als het scheermes van Occam: je moet onnodige veronderstellingen wegsnijden totdat je theorie er zo weinigen mogelijk van heeft. Dan is het waarschijnlijk dat het waar is.
Te veel aannames wegen de voorspellingen van uw model weg met onzekerheden en onnauwkeurigheden.Het elimineren van onnodige variabelen leidt tot een robuuster model, maar het is niet eenvoudig om te beslissen welke variabelen in de analyse moeten worden opgenomen - en die beslissingen zijn rechtstreeks van invloed op de prestaties van het model.
Maar hier kan de analist een dilemma tegenkomen: inclusief onnodige factoren kunnen de uitvoer van het model scheeftrekken of vervormen, maar met uitsluiting van een relevante variabele blijft het model onvolledig.
Dus als het tijd is om die belangrijke beslissingsvariabelen te selecteren, neem dan contact op met uw domeinkennisexperts. Als u een nauwkeurige, op realiteit gebaseerde reeks beslissingsvariabelen hebt, hoeft u niet te veel aannames te maken - en het resultaat kan zijn dat er minder fouten in uw voorspellende model zijn.
