Berasal dari latar belakang ilmu sosial dan epidemiologi, rekan kerja saya dilatih tentang regresi kuadrat terkecil, regresi logistik, dan analisis kelangsungan hidup. Mereka suka melihat interval kepercayaan 95% dan nilai-p dengan koefisien parameter, dan tidak mempercayai alat prediktif yang lebih terkini seperti jaringan saraf, CART, bagging & boosting, serta teknik regresi yang dihukum.
8
Jawaban:
Saya akan mempertimbangkan sebagai Epidemiologis.
Pertama, saya akan sangat menyarankan Anda untuk tidak menganggap ini hanya inersia, baik dalam bentuk disiplin yang tidak ingin mengadopsi teknik-teknik baru, atau rekan kerja Anda tidak terhubung dengan perkembangan baru dalam statistik. Anda dapat pergi ke konferensi epidemiologi akademik di mana pekerjaan baru dan sangat metodologis canggih sedang dilakukan, dan masih belum menemukan banyak tentang pemodelan prediktif.
Petunjuk ada di namanya. Pemodelan prediktif .
Epidemiologi, sebagai suatu bidang, tidak terlalu tertarik pada prediksi untuk kepentingannya sendiri. Sebaliknya, fokusnya adalah mengembangkan penjelasan etiologis untuk pola penyakit yang diamati dalam suatu populasi. Keduanya terkait, tetapi berbeda, dan ini sering mengarah pada sesuatu dari ketidakpercayaan filosofis klasifikasi yang lebih modern dan teknik prediksi yang murni berusaha untuk memaksimalkan dampak prediksi model. Pada ujung ekstrim ini adalah orang-orang yang berpendapat bahwa pemilihan variabel harus dilakukan terutama dengan menggunakan sesuatu seperti grafik asiklik terarah, yang dapat dianggap sebagai kebalikan dari arah pemodelan prediktif.
Ini menghasilkan tidak menjadi bagian dari latar belakang mereka, tidak menjadi sesuatu yang mereka temui banyak dalam literatur, dan sejujurnya, kemungkinan besar bahwa paparan mereka terhadap itu telah melalui orang-orang yang tidak benar-benar memahami masalah yang mereka coba menyelesaikan.
Ini, dalam komentar, adalah contoh sempurna:
Hampir setiap ahli epidemiologi yang saya tahu, jika Anda membuat mereka memilih, akan memilih pengurangan bias daripada peningkatan akurasi.
Itu tidak berarti bahwa itu tidak pernah dibesarkan. Ada saat-saat ketika model prediksi digunakan - sering dalam kasus-kasus klinis di mana prediksi hasil pasien ini sangat menarik, atau deteksi wabah, di mana teknik ini berguna karena kita tidak tahu apa yang akan terjadi dan tidak dapat membuat etiologis argumen. Atau ketika prediksi benar-benar merupakan tujuan - misalnya, dalam banyak model estimasi paparan. Mereka hanya ceruk di lapangan.
sumber