miércoles

Porqué Analytics no trabaja siempre para las compañías - aplicadas contra estadísticas teóricas

Hay muchos asuntos polémicos discutidos activamente entre los analistas del negocio que siguen las escuelas de pensamiento divergentes. Las escuelas de pensamiento mas comunes se pueden categorizar en dos grupos: el primer grupo que es los estadísticos teóricos, y el segundo que es representado por esos individuos que abrazan estadísticas “aplicadas”.

Generalmente, los estadísticos teóricos se aplican lo que han aprendido en un ajuste académico, y siguen las “leyes” dispuestas por sus instituciones. En el otro final del espectro, los estadísticos aplicados confían pesadamente en la prueba de mercado y los indicadores de funcionamiento dominante (e.g., impacto financiero) para determinar su propio sistema de métodos y de axiomas estadísticos experimental-basados.

Ninguna de las dos escuelas es intrínsecamente buenas o malas. Todos los encargados analíticos sazonados han encontrado a los nuevos analistas que vienen derecho extraescolar con las ideas falsas del valor y colocan para los varios procedimientos y reglas matemáticos. Tenemos todos los analistas también hechos frente con experiencia significativa de la carrera que han llevado su conocimiento estadístico teórico académico con ellos como decreto constante, a pesar de la aplicabilidad limitada (o perjudicial) de algunas de estas doctrinas en el mercado. Semejantemente, tenemos todos los “estadísticos aplicados negocio-enfocados también encontrados” cuya carencia de la adherencia a la teoría ha dado lugar a los productos analíticos estratégicos inestables que parecen grandes en el papel, pero falla en la práctica.

De todos los puntos del conflicto entre los estadísticos teóricos y aplicados, uno del más heated se relaciona con la utilidad de la medida de la colinealidad en el modelado profético. En el modelado profético, la colinealidad es la cantidad a la cual dos variables independientes corresponden a la misma variable dependiente. Puede también referir a la cantidad que una sola variable independiente corresponde a una variable dependiente.

El estadístico teórico sostendrá eso colinealidad intensivo de manejo es de gran importancia en la construcción de modelos proféticos. Algunas de las discusiones que citarán para apoyar esta posición incluyen eso si la colinealidad no se quita:

1. No podemos explicar claramente el valor de cada variable independiente en el algoritmo profético del modelo

2. Estamos endosando un producto final que pueda no conformar con parcialidad matemática estándar hacia una solución que sea parsimoniosa en naturaleza

3. Las estimaciones del parámetro pudieron ser inestables de muestra a la muestra (o de la validación a la ejecución del mercado)

El estadístico aplicado sostendrá que la colinealidad no es relevante como:

1. Estamos buscando la elevación, no explicación. Si el modelo nuevo hace más dinero en el mercado, la capacidad de explicar “porqué” llega a ser académico

2. La estabilidad de la estimación del parámetro se puede realzar con varios ejercicios durante la fase modelo de la estructura

La realidad es que ambos lados pueden estar correctos, en el uso específico señala, y en situaciones específicas. Apenas necesitamos moderar rigor académico con resultados del mundo real para destapar cuando aplicar una regla, cuando doblarla, y cuándo desecharla. Para tratar cada uno de los cinco puntos (arriba):

La explicación de la contribución de una variable individual a una predicción multivariante puede o no puede tener importancia.

el *If que usted está en una compañía del estudio de mercados, ésta es una preocupación dominante. Usted necesitará dejar a sus clientes saber no sólo “cuáles serán,” pero “porqué.”

el *If que usted está en una compañía de la comercialización directa, explicación puede no ser relevante. Como ejemplo, si usted trabaja para una compañía de catálogo, la elevación financiera incremental máxima es lejos más importante que explicando el “por ciento de valor profético” conducido por los componentes modelo individuales.

Idealmente, queremos una solución parsimoniosa mientras que tienden a ser más estables. ¿Pero, qué si usted encuentra que su opción menos parsimoniosa (que es probada en muestras múltiples de la validación del hacia fuera-de-tiempo) es casi idéntica en estabilidad? ¿Qué si, durante esas mismas pruebas usted encuentra que produce una predicción lejos más robusta? En cortocircuito:

1. Generalmente, usted querrá favorecer una solución más parsimoniosa

2. Pero, si usted tiene un modelo que sea relativamente menos parsimonioso, pero estable y robusto ya probada, allí pueden no ser cualquier valor adicional en volver a trabajar la solución por una preferencia matemática

Si usted está conduciendo una estrategia del edificio modelo que no maneje colinealidad, pero laser-se enfoca en la elevación, y usted encuentra que sus estimaciones del parámetro no son estables, una causa probable es tamaño de muestra inadecuado en el conjunto de datos de la estructura. Consecuentemente:

el *You puede aumentar su tamaño de muestra substancialmente (que elimine típicamente esta edición)

Para la mayoría de los usos de modelo profético en industria, la elevación es la meta. Pero usted necesita ser informado de la perspectiva de la administración superior y de los clientes. Hasta que sean cómoda con su historial, pueden requerirle explicar la naturaleza, fuente y la importancia cuantificada de cada variable individual en su modelo… y usted necesitará proporcionar esta explicación en términos del negocio que pueden entender

La inestabilidad de manejo de la estimación del parámetro no puede ser alcanzada siempre:

1. La manera más común de reducir la inestabilidad modelo (causada por variables colineales) es aumentar los tamaños de muestra de la estructura y de la validación. Pero, para muchas organizaciones, no hay simplemente bastantes datos para hacer esto eficazmente (especialmente para organizaciones más pequeñas que no se dedican a la comercialización directa).

2. Otra curación potencial de la inestabilidad de la estimación del parámetro es examinar cada variable y apropiadamente compartimiento ellos concerniente a la variable dependiente en la pregunta. Tenga presente, aunque, que más usted compartimiento, más usted también reducirá valor de información variable… y esto puede terminar para arriba la reducción de la energía profética total del modelo.

Totales, las posiciones se sostuvieron por el estadístico teórico “puro” y el “puro” aplicó al estadístico que ambos tienen las fuerzas y debilidades que se pueden demostrar en la prueba de mercado real. Para mejorar eficacia, cada grupo necesita moverse más allá de una maestría de una filosofía, y hacer un pragmático de ambos.


http://www.content4reprint.com/view/spanish-114602.htm