The Necessity and Cost of Over-Simplification in Statistics
Idealization (deliberately simplifying what is known to be complex) and abstraction (deliberately ignoring some aspects of complexity) are necessary in order make scientific analyses of complex phenomena possible. Idealization and abstraction are also essential to the development of statistical techniques which are simple enough to be useful to scientific researchers. Different choices of what to idealize and abstract on the part of researchers and statisticians can result in conflicts and costs which are obscured by the absence of philosophical analyses of methodology in both science and statistics. Examples of these costs will be shown via discussion of recent controversies involving the proper use of p-values, the probabilistic modelling of spatial disorder, and the conflicts between scientific and non-scientific data science.
La nécessité et le coût de la simplification excessive en statistique
L'idéalisation (simplifier délibérément ce que l'on sait être complexe) et l'abstraction (ignorer délibérément certains aspects de la complexité) sont nécessaires pour rendre possible l'analyse scientifique de phénomènes complexes. L'idéalisation et l'abstraction sont également essentielles au développement de techniques statistiques suffisamment simples pour être utiles aux chercheurs scientifiques. Des choix différents d'idéalisation et d'abstraction de la part des chercheurs et des statisticiens peuvent entraîner des conflits et des coûts qui sont masqués par l'absence d'analyses philosophiques de la méthodologie dans les domaines de la science et de la statistique. Des exemples de ces coûts seront présentés dans le cadre d'une discussion sur des controverses récentes concernant l'utilisation correcte des valeurs p, la modélisation probabiliste des désordres spatiaux et les conflits entre la science des données scientifique et non scientifique.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais