Tôi nghĩ rằng các câu trả lời trước làm tốt công việc đưa ra những điểm quan trọng:
- Các mô hình phân tích có xu hướng có đặc điểm khái quát tốt hơn.
- Parsimony không thực sự là một tiêu chuẩn vàng, mà chỉ là một sự cân nhắc.
Tôi muốn thêm một vài bình luận xuất phát từ kinh nghiệm làm việc hàng ngày của tôi.
Tất nhiên, khái quát của lập luận chính xác dự đoán là mạnh mẽ, nhưng thiên về học thuật trong trọng tâm của nó. Nói chung, khi sản xuất một mô hình thống kê, các nền kinh tế không vì thế mà hiệu suất dự đoán là một sự cân nhắc hoàn toàn chi phối. Rất thường có các ràng buộc bên ngoài lớn đối với mô hình hữu ích trông như thế nào đối với một ứng dụng nhất định:
- Mô hình phải được thực hiện trong khuôn khổ hoặc hệ thống hiện có.
- Mô hình phải được hiểu bởi một thực thể phi kỹ thuật.
- Mô hình phải được tính toán hiệu quả .
- Mô hình phải có tài liệu .
- Mô hình phải vượt qua các ràng buộc quy định .
Trong các lĩnh vực ứng dụng thực tế, nhiều người nếu không phải tất cả các cân nhắc này đến trước , không phải sau , hiệu suất dự đoán - và việc tối ưu hóa hình thức và tham số mô hình bị hạn chế bởi những mong muốn này. Mỗi trong số những ràng buộc này thiên vị nhà khoa học đối với sự kỳ thị.
Có thể đúng là trong nhiều lĩnh vực, những ràng buộc này đang dần được dỡ bỏ. Nhưng đó là nhà khoa học may mắn thực sự đã bỏ qua chúng đang tập trung hoàn toàn vào việc giảm thiểu lỗi tổng quát hóa.
Điều này có thể rất bực bội đối với nhà khoa học lần đầu tiên, mới ra trường (nó chắc chắn là dành cho tôi, và tiếp tục là khi tôi cảm thấy rằng những hạn chế đặt ra trong công việc của tôi là không chính đáng). Nhưng cuối cùng, làm việc chăm chỉ để tạo ra một sản phẩm không thể chấp nhận được là một sự lãng phí, và điều đó cảm thấy tồi tệ hơn sự tự hào về khoa học của bạn.