统计建模：三种文化

二十年前，Leo Breiman指出了统计建模的两种文化。数据建模文化（DMC）指旨在对一个或多个感兴趣量进行统计推断的实践。算法建模文化（AMC）指定义机器学习（ML）过程以对感兴趣事件生成准确预测的实践。Breiman认为，由于ML在适应数据方面的优势，统计学家应比DMC更关注AMC。尽管二十年后，由于数据科学革命，DMC在统计学中的主导地位有所丧失，但我们观察到这种文化仍是自然科学与社会科学中的主导实践。DMC之所以是惯常做法，是因为既定科学方法（称为假说-演绎科学方法）的影响。尽管AMC与该科学方法不兼容，但在一些研究群体中，AMC与DMC文化剧烈混合。我们认为这种混合形成了一种肥沃的滋生池，催生了我们称之为混合建模文化（HMC）的变异文化，其中预测与推断融合为相互强化新过程。本文识别HMC的关键特征，从而促进科学事业并推动统计文化向更好实践演化。所谓更好，我们是指在分析因果关系中日益可靠、有效和高效的统计实践。在结合推断与预测时，HMC的结果是预测与推断的区分在其极限处消融。我们通过描述三种HMC实践来限定我们的消融论点，每种实践捕捉科学循环的一个方面，即用于因果推断的ML、用于数据获取的ML和用于理论预测的ML。