Sự khác biệt giữa phân tích độ nhạy và xác nhận mô hình là gì?

Tôi đã đọc cả hai trang wikipedia về phân tích độ nhạy và xác thực mô hình (ở đây, chỉ xác thực hồi quy tuyến tính) nhưng tôi không quản lý để tìm cách tách hai thuật ngữ này.

Tôi có ấn tượng rằng cái đầu tiên được sử dụng nhiều hơn trong học thuật và kỹ thuật nói chung và cái thứ hai trong "khoa học dữ liệu".

Một tùy chọn tôi thấy là sửa đổi mức độ mô tả của các thuật ngữ này: phân tích độ nhạy giống như một thuật ngữ chung để thiết kế một nhánh phương thức cấp cao và xác thực mô hình có thể cụ thể hơn và được đưa vào phân tích độ nhạy.

Bất cứ suy nghĩ nào?

Tôi quan tâm đến sự khác biệt hơn là sự tương đồng giữa hai khái niệm này.

Đây là một chút của sự đơn giản hóa, nhưng xác thực mô hình thường nói với người ta về việc mô hình hiện tại phù hợp với dữ liệu trong tay như thế nào.

Các phân tích độ nhạy cho biết khả năng kết quả của bạn dựa trên mô hình đó sẽ thay đổi như thế nào khi có thông tin mới hoặc thay đổi đối với các giả định của bạn.

Ví dụ, ai đó có thể phát triển một mô hình nhằm xác định tác động của can thiệp đến kết quả và mô hình đó có thể xác nhận tốt theo dữ liệu thu thập của họ (nghĩa là có vẻ rất tốt trong việc dự đoán phản ứng). Tuy nhiên, mô hình đó dựa trên một số giả định - một là tất cả các đồng biến đều được tính đến. Một phân tích độ nhạy có thể cho biết kết quả mô hình của bạn sẽ thay đổi bao nhiêu nếu biến mới, "tưởng tượng" này, với các thuộc tính nhất định, tồn tại.

Ngoài ra, phân tích độ nhạy có thể được coi là một công cụ để nâng cao hiệu lực của mô hình bằng cách chọn các giá trị thích hợp (hiệu chuẩn) cho các tham số đầu vào quan trọng nhất. Bằng cách sử dụng phân tích độ nhạy và xác định các giá trị tham số đầu vào, chúng tôi thêm độ tin cậy cho mô hình trong tay.