Cómo utilizar adecuadamente en los supuestos de análisis predictivo
A pesar de todo lo que le han dicho acerca de las suposiciones que causan problemas, algunas suposiciones siguen siendo el núcleo de cualquier modelo de análisis predictivo. Estos supuestos se muestran en las variables seleccionadas y consideradas en el análisis - y aquellas variables afectan directamente a la exactitud de la producción del modelo final.
Video: Análisis de varianza de un factor (ANOVA) Parte 1/5
Por lo tanto su precaución sabia desde el principio es identificar qué supuestos importa más adaptado a su modelo - y para mantenerlos a un mínimo absoluto.
La creación de un modelo predictivo que funciona bien en el mundo real requiere un profundo conocimiento del negocio. Su modelo comienza conociendo sólo los datos de ejemplo - en términos prácticos, casi nada. Así que empezar poco a poco y seguir mejorando el modelo según sea necesario.
Video: Salud Dental : Cómo usar enjuague bucal
Sondeando posibles preguntas y escenarios puede conducir a descubrimientos clave y / o puede arrojar más luz sobre los factores en juego en el mundo real. Este proceso puede identificar las variables fundamentales que podrían afectar el resultado del análisis.
En un enfoque sistemático para el análisis predictivo, esta fase - la exploración de “qué pasaría si” los escenarios - es especialmente interesante y útil. Aquí es donde puede cambiar las entradas del modelo para medir los efectos de una variable u otra en la salida del modelo- lo que realmente está poniendo a prueba es su capacidad de pronóstico.
La mejora de los supuestos del modelo - probando cómo afectan el resultado del modelo, sondeando para ver qué tan sensible es el modelo para ellos, y recortar hacia abajo al mínimo - le ayudará a guiar el modelo hacia una capacidad de predicción más fiable. Antes de que pueda optimizar su modelo, usted tiene que saber la variables predictoras - características que tienen un impacto directo en su salida.
Puede derivar esas variables de decisión mediante la ejecución de múltiples simulaciones de su modelo - al cambiar algunos parámetros con cada carrera - y registro de los resultados, especialmente la exactitud de las predicciones del modelo. Por lo general, se puede rastrear variaciones en la precisión de nuevo a los parámetros específicos que haya modificado.
En este punto, el siglo XXI se puede convertir a la decimocuarta en busca de ayuda. Guillermo de Ockham, un fraile franciscano Inglés y filósofo escolástico que vivió en el año 1300, desarrolló el principio de la investigación conocida como la navaja de Occam: Usted debe cortar suposiciones innecesarias hasta que su teoría tiene el menor número posible de ellos. Entonces es más probable para ser verdad.
Demasiadas suposiciones pesan las previsiones de su modelo de incertidumbres e imprecisiones. La eliminación de las variables innecesarias conduce a un modelo más robusto, pero no es fácil decidir qué variables a incluir en el análisis - y esas decisiones afectan directamente al rendimiento del modelo.
Pero aquí es donde el analista puede ejecutar en un dilema: Incluyendo los factores innecesarios puede sesgar o distorsionar la salida del modelo, pero excluyendo una variable relevante deja el modelo incompleto.
Así que cuando llega el momento de seleccionar aquellas variables de decisión de suma importancia, llamar a sus expertos en el conocimiento del dominio. Cuando usted tiene una, juego basado en la realidad exacta de variables de decisión, usted no tiene que hacer demasiadas suposiciones - y el resultado puede ser un menor número de errores en el modelo predictivo.