Tüm modeller işe yaramaz mı? Herhangi bir model mümkün mü - veya faydalı mı?


45

Bu soru aklımda bir aydır iltihaplanma olmuştur. Amstat News'in Şubat 2015 sayısında Berkeley Profesörü Mark van der Laan'ın insanları yanlış model kullanmaları için azarlayan bir makalesi var . Modelleri kullanarak istatistiklerin bir bilimden ziyade bir sanat olduğunu belirtiyor. Ona göre, kişi her zaman “kesin modeli” kullanabilir ve bunu yapmamamızın “titizlik eksikliği” ne katkısı olduğuna ... bunun veri bilimindeki temsilimizin marjinalleşmesinden korktuğuna inanıyorum.

Marjinal hale gelme tehlikesi altında olduğumuz konusunda hemfikirim, ancak tehdit genellikle (bazı profesör van der Laan'a benzeyen), yaklaşık bir yöntem kullanmadıklarını ama aslında yöntemleri çok daha az kullandıklarını iddia edenlerden geliyor. dikkatli uygulanmış istatistiksel modellerden daha titiz - yanlış olanları bile.

Profesör der der Laan'ın, "tüm modeller yanlış, ancak bazıları yararlıdır" ifadesini yineleyenlere çok huzursuz olduğunu söylemenin adil olduğunu düşünüyorum. Temel olarak, okuduğum gibi, tüm modellerin yanlış olduğunu ve hepsinin işe yaramaz olduğunu söylüyor. Şimdi, ben kim Berkeley profesörüne katılmıyorum? Öte yandan, alanımızdaki gerçek devlerden birinin görüşlerini bu kadar cesaretle görmezden getiren kim?

Ayrıntılı olarak, Dr van der Laan, “tüm modellerin yanlış olduğunu belirtmenin tamamen saçma olduğunu,” Örneğin, hiçbir varsayımda bulunmayan istatistiksel bir model her zaman doğrudur ”demiştir. O devam ediyor: "Ama çoğu zaman, biz çok daha iyi daha yapabiliriz: Veri sonucu olduğunu biliyor olabilir bağımsız özdeş deneyler." Çok dar rastgele örnekleme veya kontrollü deneysel ortamlar haricinde bunu nasıl bilebilirim bilmiyorum. Yazar, çalışmalarını, makinenin öğrenimi / veri-uyarlamalı tahmin, nedensel çıkarımdaki tüm inanılmaz gelişmeler, sansürlü veriler, verimlilik ve deneysel gelişmelere entegre eden en yüksek olabilirlikli öğrenme ve minimum kayıp temelli öğrenmeyi hedeflemektedir. Süreç teorisi hala resmi istatistiksel çıkarım sağlarken ”dedi.n

Ayrıca aynı fikirdeyim ifadeler de var. Çalışmalarımızı, istatistikçi olarak rolümüzü ve bilimsel işbirlikçilerimizi ciddiye almamız gerektiğini söylüyor. Duy duymak! İnsanların rutin olarak bir lojistik regresyon modeli kullanması ya da her neyse, bilimsel soruyu yanıtlamanın yeterli olup olmadığına ya da verilere uygun olup olmadığına dikkatlice bakmadan kesinlikle kötü bir haber. Ve bu forumda yayınlanan sorularda bu tür suiistimaller görüyorum. Ancak, hatalı modellerin, hatta parametrik olanların bile etkili ve değerli kullanımlarını görüyorum. Ve söylediklerinin aksine, nadiren "başka bir lojistik regresyon modeli tarafından ölmekten sıkıldım". Benim saflığım böyle sanırım.

Sorularım işte burada:

  1. Hiç bir varsayımda bulunmayan bir model kullanılarak hangi faydalı istatistiksel çıkarımlar yapılabilir?
  2. Hedeflenen maksimum olasılığın kullanımında önemli, gerçek veriler içeren bir vaka çalışması var mı? Bu yöntemler yaygın olarak kullanılıyor ve kabul ediliyor mu?
  3. Tüm yanlış modeller gerçekten işe yaramaz mı?
  4. Önemsiz vakalardan başka tam bir modele sahip olduğunuzu bilmek mümkün mü ?
  5. Bu çok görüşe dayalı ve dolayısıyla konu dışıysa, nerede tartışılabilir? Çünkü Dr. van der Laan'in makalesi kesinlikle bazı tartışmalara ihtiyaç duyuyor.

13
Varsayımsız bir modelin neredeyse her zaman işe yaramaz olduğunu söyleyebilirim ama van der Laan kesinlikle kabul etmeden varsayımlarda bulunuyor. Kesin olarak pek bir şey bilmiyoruz, bu yüzden “Verilerin bağımsız özdeş deneylerin sonucu olduğunu biliyor olabiliriz” aslında bir varsayımdır , ya da en azından kısmen. Aynı ve bağımsız olduklarını varsaymak için iyi bir nedenimiz olabilir, ancak pratikte çoğu zaman gerçek durum olmadığını ortaya çıkardı (ve bazen bunu keşfediyorsak, bazen keşfedilmemesi gerektiğini, muhtemelen çok daha sık) ).
Glen_b

19
Varsayımların bulunmadığı bir model, datamatrix'inizin sadece bir kopyasıdır. Bu doğru, ama aynı zamanda çabanın işe yaramaz bir şekilde tekrarlanması. Kişi böyle bir modelin bir model olmadığını da söyleyebilir: Modelin bir tanımı, gerçeğin basitleştirilmesi olduğudur. Dolayısıyla basitleştirmeyen bir model, tanım gereği bir model değildir. Bu sadeleştirmenin bir amacı vardır: neler olup bittiğini anlamamızı sağlar; bize ana bir hikaye verir. İşlerin neden olduğunu anlamayı umursamıyorsanız ve yalnızca tahmin etmek istiyorsanız, bu ana hikaye düzensizdir. Bununla birlikte, bazıları cristal bir top oluşturmaktan daha fazlasını yapmak istiyor ...
Maarten Buis

8
Varsayımsız bir model, bir model değildir. Model, bir varsayımlar koleksiyonudur. Ayrıca, @Glen_b'in dediği gibi, iddianın varsayımı oldukça güçlüdür ve "doğru" olduğu bir örnek düşünemiyorum. Tekrar tekrar yazı tura attığınızda bile, korelasyonlar vardır (bkz. Diaconis'in çalışması). Sadece yazıyı gözden kaçırdım ama kısa görüşlü görünüyor.
P.Windridge

11
Yazarın Mars'a uçmakla ilgili ilk örneği sahtedir. Newton mekaniği (uzay görevlerinin birçok yönüne dayanıyor) yanlış bir model, ama ona güveniyoruz ve kullanışlıdır.
P.Windridge

6
Evet, Newton mekaniği, George Box'ın görüşüne harika bir örnektir.
Glen_b

Yanıtlar:


15

Alıntı yapılan makalede, istatistikçilerin "bilimsel ekibin içsel bir parçası olmayacağı ve bilim insanlarının doğal olarak kullanılan yöntemler hakkında şüpheleri olacağı" ve "işbirlikçilerin bizi almak için yönlendirebilecekleri teknisyenler olarak görecekleri" korkularına dayanıyor gibi görünüyor. bilimsel sonuçları yayınlandı. " @Rvl tarafından sorulan sorular hakkındaki yorumlarım, son birkaç yılda tezgah araştırmasından çeviri / klinik araştırmaya geçerken gittikçe daha karmaşık istatistiksel konularla uğraşmaya zorlanan istatistikçi olmayan bir biyolojik bilim insanının bakış açısından geliyor. Soru 5, şimdi bu sayfadaki çoklu cevaplarla açıkça cevaplandırılmıştır; Oradan ters sırada gideceğim.

4) “Kesin bir model” olup olmadığının önemi yok, çünkü öyle olsa bile, muhtemelen çalışmayı karşılayamayacağım. Tartışma bağlamında bu konuyu göz önünde bulundurun: “Bütün ilgili tahmincileri” gerçekten dahil etmemize gerek var mı? “Bütün ilgili tahmincileri” belirleyebilsek bile, dahil etme serbestlik derecelerini sağlamak için yeterli veri toplama problemi olacaktır. hepsi güvenilir bir şekilde modele giriyor. Kontrollü deneysel çalışmalarda, retrospektif veya popülasyon çalışmalarında bile zor. Belki bazı problemlerde "Big Data" problemi azdır, fakat bu benim ve meslektaşlarım için. @Aksakal'ın bu sayfaya bir cevap vermesi nedeniyle her zaman "bu konuda akıllı olmanız" gerekecek .

Prof. van der Laan'a dürüst olmak gerekirse, belirtilen makalede "kesin" kelimesini, en azından şu anda bağlantıda mevcut olan sürümde kullanmaz . "Gerçekçi" modeller hakkında konuşuyor. Bu önemli bir ayrım.

Sonra tekrar, Prof. van der Laan, “İstatistik artık bir bilim değil, bir sanat” diye şikayet ediyor. Ortak çalışanlarla çalışmayı önerdiği yolu değerlendirin:

... verileri, istatistikçi kimliğimizi ve bilimsel işbirlikçilerimizi ciddiye almamız gerekiyor. Verilerin nasıl üretildiğini mümkün olduğunca öğrenmeliyiz. Gerçekçi bir istatistiksel model ortaya koyduktan sonra, işbirlikçilerimizden bilimsel ilgi konusundaki yanıtı en iyi şekilde tahmin etmenin ve tahmin etmenin ne olduğunu çıkarmamız gerekir. Bu çok iş. Zor. İstatistiksel teorinin makul bir şekilde anlaşılmasını gerektirir. Bu değerli bir akademik girişimdir!

Bu bilimsel ilkelerin gerçek dünyadaki sorunlara uygulanması, herhangi bir bilimsel işletmede olduğu gibi, iyi bir "sanat" gerektiriyor gibi görünmektedir. Çok başarılı bazı bilim adamlarını tanıdım, daha birçokları tamam, bazı başarısızlıklar. Tecrübelerime göre farklılık bilimsel amaçlara ulaşmanın "sanatında" görünmektedir. Sonuç bilim olabilir, ancak süreç daha bir şeydir.

3) Yine konunun bir kısmı terminolojiktir; Prof. van der Laan'ın aradığı “kesin” model ile “gerçekçi” modeller arasında büyük bir fark var. Onun iddiası, pek çok standart istatistiksel modelin "güvenilmez" sonuçlar üretmek için yeterince gerçekçi olmadığı yönündedir. Özellikle: "Dürüst bir istatistik modelde tanımlanan bir tahminin tahmin edicileri, parametrik modellere dayalı olarak makul bir şekilde tahmin edilemez." Bunlar sınama için değil, test için önemlidir.

Kendi çalışması açıkça kesin modellerin her zaman mümkün olmadığını kabul eder. Bu yazıyı , eksik sonuç değişkenleri bağlamında, hedeflenmiş maksimum olabilirlik tahmin edicilerine (TMLE) ilişkin olarak düşünün . Rastgele eksik olan ve pratikte asla test edilemeyecek olan sonuçların varsayımına dayanır: “... eksiklikle sonuç arasındaki ilişkinin gözlemlenmemiş bir kargaşası olmadığını varsayıyoruz.” Bu, "tüm ilgili tahmincileri" dahil etmedeki zorluklara bir başka örnektir. Bununla birlikte, TMLE'nin bir gücü, bu bağlamda hedef parametreyi tahmin etmek için verilerdeki yeterli desteğin "pozitiflik varsayımının" değerlendirilmesine yardımcı görünmektedir. Amaç, verilerin gerçekçi bir modeline mümkün olduğunca yaklaşmaktır.

2) TMLE, daha önce Çapraz Doğrulanmış üzerinde tartışıldı . Gerçek verilerde yaygın kullanımın farkında değilim. Google Akademik, bugün ilk rapor olarak görünenlerin 258 alıntı olduğunu gösterdi , ancak ilk bakışta hiçbiri büyük gerçek dünya veri setlerinde görünmüyordu. İlişkili R paketi üzerinde Dergisi İstatistiki Yazılım makale yalnızca 27 Google Akademik alıntılar bugün gösterir. Bununla birlikte, bu, TMLE'nin değeri hakkında kanıt olarak alınmamalıdır. Standart istatistiki modellerden türetilen takma tahminlerle ilgili bir sorun olan, ilgilenilen gerçek “tahmini” nin güvenilir tarafsız tahminlerini elde etmeye odaklanması potansiyel olarak değerli görünmektedir.

1) '' Hiçbir varsayımda bulunmayan istatistiksel bir model her zaman doğrudur '' ifadesi hasır bir adam, bir totoloji olarak düşünülmüştür. Veri veridir. Günden güne tutarlı kalan evrenin yasaları olduğunu varsayıyorum. TMLE yöntemi, muhtemelen arama alanındaki konveksite hakkında varsayımlar içermektedir ve belirli bir bağlamda uygulamasının üzerinde belirtildiği gibi ek varsayımlar gerektirebilir.

Profesör van der Laan bile bazı varsayımların gerekli olduğu konusunda hemfikirdir. Benim düşüncem, varsayım sayısını en aza indirmek ve gerçekçi olmayanlardan kaçınmak istediğidir. Bunun gerçekten parametrik modellerden vazgeçmeyi gerektirip gerektirmediği, iddia ettiği gibi, çok önemli bir sorudur.


Çok güzel cevap. Hedeflenen Öğrenme kitabı daha fazla bilgi edinmek için iyi bir yerdir. Teoriye ek olarak, bazı vaka çalışmaları içerir.
NRH

12

Belki noktayı kaçırdım ama sanırım biraz geri çekilmelisin.

Onun amacı, daha fazla bilgiye sahip olmayan kolay erişilebilir araçların kötüye kullanılması olduğunu düşünüyorum. Bu aynı zamanda basit bir t-testi için de geçerlidir: sadece algoritmayı verilerinizle besleyin, p <0,05 elde edin ve tezinizin doğru olduğunu düşünün. Tamamen yanlış. Elbette, verileriniz hakkında daha fazla bilgi sahibi olmalısınız.

Daha da geriye adım atmak: Kesin bir model gibisi yoktur ( burada fizikçi ). Ancak bazıları ölçümlerimizle çok iyi uyuşuyor. Kesin olan tek şey matematik. Bunun gerçeklikle veya onun modelleriyle ilgisi yok . Diğer her şey (ve gerçekliğin her modeli) "yanlıştır" (çok sık alıntı yapıldığı gibi).

Ama "yanlış" ve kullanışlı ne demektir? Kendinize hakim olun:

Mevcut yüksek teknolojinin (bilgisayarlar, roketler, radyoaktivite vb.) TÜMÜ bu yanlış modellere dayanmaktadır. Belki de "yanlış" modelleri "yanlış" simülasyonları ile hesaplanmıştır.
-> "Yanlış" yerine "kullanışlı" konusuna daha fazla odaklanın;)

Daha açık bir şekilde sorularınıza:

  1. Bilmiyorum, özür dilerim!
  2. Evet. Bir örnek: parçacık fiziğinde, belirli parçacıkları (örneğin elektronlar, protonlar vb.) Tespit etmek istiyorsunuz. Her parçacık, dedektörde (ve dolayısıyla veride) karakteristik bir iz bırakır, ancak aynı parçacık için bile (doğası gereği) değişir. Günümüzde, insanların çoğu bu amaca ulaşmak için makine öğrenmeyi kullanıyor (bu çok büyük bir basitleştirmeydi, ancak buna benzer şekilde) ve elde istatistiklere göre % 20-50 arasında bir verimlilik artışı var .
  3. Bunu kimse iddia etmedi! Yanlış sonuç verme! (a: tüm modeller tam ve b: bazıları yararlıdır. Bunları karıştırmayın)
  4. Orada tam bir model olarak hiçbir şey ( hariç matematik değil, gerçekten istatistiklerde noktaları sahip olarak tam düz bir hat üzerinde ve onun üzerinden bir çizgi kesin olabilir "uydurma" ... ama hiç olur bir ilgi çekmeyen özel durum) .
  5. Bilmiyorum :) Ama IMHO'yu daha çok "sadece her çocuk kullanabilir, herkes kullanmamalı çünkü" olarak görüyorum ve çok fazla kullanmıyorum.

Puanlarınızı dikkate alacağım, ancak (3) ve (4) 'te van der Laan'ın makalesine ve benim soruma bakmanızı öneririm, çünkü makale açık olmayan modellerde kullanılmayacağını açıkça belirtti. tekrar tekrar "kesin model" anlamına gelir. Öyleyse evet, gerçekten birinin söylediğini söylerdim. Modeller hakkında söylediklerinizin yanı sıra metotların mekanik uygulaması ile de aynı fikirdeyim; ve geri adım atmak istediğin benim olduğumu sanmıyorum.
rvl

Hepsine evet. Ve çoğunlukla, onun geri adım atmasını kastetmiştim, elbette;) Sanırım, bahsetmediklerimi, teorik (matematiksel) modeller inşa etmek için elbette "kesin" modellere ihtiyacınız var. Daha iyi modelleri ve istatistiksel araçları "icat etmek" için, temel olarak deterministik (veya kesin) modellere ihtiyacınız var. Bence hamur hedefli öğrenme bile bu anlamda "yanlış" olmak zorunda değildir.
Mayou36

6

Ekonda, 'veri üretme sürecini' anlama konusunda çok şey söylenir. 'Kesin' bir model ile tam olarak neyin kastedildiğinden emin değilim, ancak ekonda 'doğru bir şekilde belirlenmiş' model ile aynı olabilir.

Elbette, bir modeli denemeden önce, mümkün olduğunca veriyi oluşturan süreç hakkında bilgi edinmek istersiniz, değil mi? Bence zorluk gelir: a) gerçek DGP ile ilgili bir ipucumuz olmayabilir ve b) gerçek DGP'yi bilsek bile, modellemenin ve tahmin etmenin zor olabileceğini biliyoruz (birçok nedenden dolayı).

Dolayısıyla, sorunları basitleştirmek ve tahmin gereksinimlerini azaltmak için varsayımlarda bulunursunuz. Varsayımların tamamen doğru olup olmadığını biliyor musun? Onların lehine kanıt bulabilirsin, ama IMO bazı durumlarda gerçekten emin olmak zor.

Bunların hepsini hem yerleşik teori hem de pratiklik açısından filtrelemeliyim. Bir teoriyle tutarlı bir varsayım yaparsanız ve bu varsayım size daha iyi tahmin performansı (verimlilik, doğruluk, tutarlılık, her neyse) getirir, o zaman modeli 'inaktif' yapsa bile, bundan kaçınmak için hiçbir neden göremiyorum.

Açıkçası, makalenin tüm modelleme süreci hakkında daha fazla düşünmek için verilerle çalışanları teşvik etmek olduğunu düşünüyorum. Van der Laan'ın çalışmalarında varsayımlarda bulunduğu açık . Gelen bu örnekte , aslında, Laan der van tam model için herhangi bir endişe atmak gibi görünüyor ve bunun yerine performansı en yükseğe çıkarmak için prosedürlerin miş-püre kullanır. Bu, Box'ın teklifini, insanların sorunu anlamadaki zorlu işten kaçmak olarak kullanmalarını engellemek amacıyla arttırdığı konusunda kendimi daha fazla güvende tutuyor.

Kabul edelim, dünya istatistiksel modellerin kötüye kullanımı ve istismarı ile dolu. İnsanlar ne yapmaları gerektiğini bildikleri ve daha da kötüsü, sonuçları genellikle en çok istenen şekilde yorumlayarak kör olarak uygularlar. Bu yazı dikkatli olmak için iyi bir hatırlatmadır, ancak aşırıya kaçmamız gerektiğini düşünmüyorum.

Sorularınız için yukarıdakilerin etkileri:

  1. Bir modelin bir dizi varsayım olarak tanımladığı bu yayında diğerleriyle aynı fikirdeyim. Bu tanımla, varsayımları olmayan bir model gerçekten bir model değildir. Keşifsel veri analizi (yani model ücretsiz) bile varsayımlar gerektirir. Örneğin, çoğu insan verilerin doğru ölçüldüğünü varsayar.
  2. TMLE'yi bilmiyorum, aslında, ancak iktisatta, gözlemlenmemiş bir karşı-örneklem üzerindeki nedensel bir etki hakkında çıkarım yapma felsefesinin aynı temelini kullanan birçok makale var. Bununla birlikte, bu durumlarda, bir tedavi almak modeldeki diğer değişkenlerden bağımsız değildir (TMLE'nin aksine) ve bu nedenle ekonomistler modellemeyi kapsamlı olarak kullanırlar. Gibi yapısal modeller için birkaç örnek olay vardır bu bir yazar kendi modelini uygulamak için bir şirket ikna ve iyi sonuçlar bulundu.
  3. Tüm modellerin tam olmadığını düşünüyorum ama yine de bu terim biraz bulanık. IMO, bu Box'ın teklifinin özü. Box anlayışımı şu şekilde ifade edeceğim: 'Hiçbir model gerçekliğin özünü tam olarak yakalayamaz, ancak bazı modeller bir ilgi değişkenini yakalayamaz, bu yüzden onlar için bir kullanımınız olabilir.'
  4. Bunu yukarıda ele aldım. Kısacası, sanmıyorum.
  5. Emin değilim. Tam burayı seviyorum.

5

3. noktaya değinmek için, cevap açıktır ki hayır. Hemen hemen her insan girişimi bir noktada basitleştirilmiş bir modele dayanıyor: pişirme, inşa etme, kişilerarası ilişkiler, bir tür veri + varsayımlarına etki eden insanları içerir. Hiç kimse hiç kullanmayı istemediği bir model inşa etmedi. Aksi iddia etmek boşta soygundur.

Çok daha ilginç ve aydınlatıcıdır ve yanlış modellerin ne zaman kullanışlı olmadıklarını, neden yararlılıklarında başarısız olduklarını ve yararlı olmadıklarını ortaya çıkaran modellere güvendiğimizde ne olacağını sormak faydalıdır. Herhangi bir araştırmacı, ister akademi isterse endüstride olsun, bu soruyu zekice ve sıkça sormalıdır.

Sorunun genel olarak cevaplanabileceğini sanmıyorum, ancak hata yayma ilkeleri cevabı bilgilendirecek. Tam olmayan modeller, tahmin ettikleri davranış gerçek dünyadaki davranışı yansıtamadığında yıkılır. Hataların bir sistemde nasıl yayıldığını anlamak, sistemin modellenmesinde ne kadar hassasiyetin gerektiğini anlamakta yardımcı olabilir.

Örneğin, sert bir küre genellikle bir beyzbol topu için kötü bir model değildir. Ancak, yakalayıcı eldiveni tasarlarken, bu model sizi başarısızlığa uğratır ve yanlış şeyi tasarlamanıza yol açar. Beyzbol fiziği hakkındaki basitleştirici varsayımlarınız, beyzbol eldiveni sisteminize yayılır ve yanlış sonuçlar çıkarmanıza yol açar.


5

1) Varsayım yapmayan bir model kullanılarak hangi faydalı istatistiksel çıkarımlar yapılabilir?

Bir model tanım olarak, gözlemlediğiniz olayı açıklayabilecek ve tahmin edebilecek bazı nedensel faktörler tarafından yakalanabilecek bir genellemedir. Tüm bu genelleme algoritmalarının altında yatan varsayımların olduğu düşünülürse. Herhangi bir varsayımınız yoksa, modelden geriye ne olduğundan emin değilim. Bence orijinal verilerle kaldın ve model yok

2) Hedeflenen maksimum ihtimal kullanımında önemli, gerçek veriler içeren bir vaka çalışması var mı? Bu yöntemler yaygın olarak kullanılıyor ve kabul ediliyor mu?

Bilmiyorum. Maksimum olasılık her zaman kullanılır. Logit modelleri, diğer birçok modelin yanı sıra bunlara dayanmaktadır. Artıkların karelerinin toplamının düşürülmesine odaklandığınız standart OLS'den çok farklı değildirler. Hedeflenen maksimum ihtimalin ne olduğundan emin değilim. Ve bunun geleneksel maksimum olasılıktan nasıl farklılaştığını.

3) Bütün yanlış modeller gerçekten işe yaramaz mı?

Kesinlikle hayır. Yanlış modeller çok faydalı olabilir. İlk önce, bir olguyu daha iyi anlamaya veya açıklamaya katkıda bulunurlar. Bu bir şey için sayılmalıdır. İkincisi, bir tahminin çevresindeki belirsizliği yakalamak için ilgili Güven Aralığı ile iniş tahmini ve tahmini sağlayabilirler. Bu okuduğunuz şey hakkında çok fazla bilgi sağlayabilir.

“Uygunsuz” konusu, aynı zamanda para cezası ve aşırı kıyafeti arasındaki gerginlik sorununu da gündeme getirmektedir. "Değişmeyen" 5 değişkenli basit bir modeliniz olabilir, ancak bağımlı değişkenin genel eğilimini yakalama ve açıklamada oldukça iyi bir iş çıkarır. İlki olandan "tam" olan 10 değişkenli daha karmaşık bir modele sahip olabilirsiniz (daha yüksek Düzeltilmiş R Kare, düşük Standart Hata, vb.). Ancak, bu ikinci daha karmaşık model, bir Bekletme örneği kullanarak test ederken gerçekten çökebilir. Ve böyle bir durumda belki de "tam olmayan" model, Bekletme örneğinde gerçekten daha iyi performans gösterir. Bu tam anlamıyla ekonometride her zaman olur ve birçok sosyal bilimlerde şüpheleniyorum. "Kesin" modellerine dikkat edin.

4) Önemsiz durumlar dışında tam bir modele sahip olduğunuzu bilmek mümkün müdür?

Tam bir modele sahip olduğunuzu bilmek mümkün değildir. Ancak oldukça iyi bir modeliniz olduğunu bilmek mümkün. Bilgi ölçütleri ölçütleri (AIC, BIC, SIC), çeşitli modellerin göreceli performanslarını karşılaştırmanıza ve karşılaştırmanıza olanak sağlayan birçok bilgi verebilir. Ayrıca, LINK testi de bu konuda yardımcı olabilir.

5) Eğer bu görüşe dayalı ve dolayısıyla konu dışıysa, nerede tartışılabilir? Çünkü Dr. van der Laan'in makalesi kesinlikle bazı tartışmalara ihtiyaç duyuyor.

Bunun, bu konuyu başka bir yerde tartışmak için uygun bir forum olduğunu düşünüyorum. Bu, çoğumuz için oldukça ilginç bir konudur.


5

(Makalede "kesin model" ibaresini görmüyorum (yukarıda alıntı yapılsa da)

1) Varsayım yapmayan bir model kullanılarak hangi faydalı istatistiksel çıkarımlar yapılabilir?

Bir yerden başlamalısın. Sahip olduğun tek şey buysa (hiçbir şey), bir başlangıç ​​noktası olabilir.

2) Hedeflenen maksimum ihtimal kullanımında önemli, gerçek veriler içeren bir vaka çalışması var mı? Bu yöntemler yaygın olarak kullanılıyor ve kabul ediliyor mu?

İkinci soruyu cevaplamak için, Arxiv.org'daki 93/1143281 (~% 1008) makalede Hedeflenen Maksimum Olabilirlik oranı ortaya çıkmıştır. Bu yüzden hayır , muhtemelen (varsayımlar olmadan) bunun için iyi bir tahmindir.

3) Bütün yanlış modeller gerçekten işe yaramaz mı?

Hayır. Bazen bir modelin sadece bir yönünü önemsiyorsunuz. Bu yönü çok iyi olabilir ve gerisi çok yanlış.

4) Önemsiz durumlar dışında tam bir modele sahip olduğunuzu bilmek mümkün müdür?

En iyi model, sorunuzu en iyi cevaplayan modeldir . Bu bir şeyi dışarıda bırakmak anlamına gelebilir. Kaçınılması gereken, yapabileceğiniz en iyi şekilde, varsayım ihlalidir.

5) Mutlu saatler . İçkiler daha ucuzdur!

"Kesin" kelimesini biraz rahatsız edici buluyorum. Bu çok istatistikçi bir konuşma değil. İnexactitude? Varyasyon? Teşekkürler Gd! Bu yüzden hepimiz buradayız. Bence "Tüm modeller yanlış ..." ifadesi tamam, ama sadece doğru şirkette. İstatistikçiler bunun ne anlama geldiğini anlarlar, fakat çok az kişi yapar.


"Kesin model" ifadesi hakkında iyi bir nokta. Özellikle makalenin bağlamı ve tonu göz önüne alındığında, eşdeğer olan "gerçek" ve "gerçek" modeller hakkında şeyler söylüyor, ancak haklısınız, teklif "kesin" değildir (punto amaçlanmıştır).
SQLServerSteve

Benim hatam. Ona doğru şekilde alıntı yapmalıydım.
rvl

Gerçek veya gerçek modeli elde etmeye çalışmanın egzersizin amacını özlediğini hissediyorum. Bence gerçekten tartışmaya çalıştığı şey kötü modeller.
mandata

Evet, makale birçok iyi noktaya değiniyor, ancak aslında bir dereceye kadar yanlış olduklarında, "Tüm modellerin yanlış olduğunu belirtmek tamamen saçma" gibi birçok aşırı yorumdan bahseder. Aksi takdirde söylemek saçma. Kesinlikle aşırı bir pozisyon belirliyor. Rvl bunu ortaya çıkarmak ve onu çağırmak için tamamen haklıydı (Ryl alıntı terlemeyin, önemli olan anlamı doğru yakalamanız).
SQLServerSteve

4

Bu makale bana dürüst ama politik bir makale gibi görünüyor, samimi bir polemik . Dolayısıyla, bilimsel olmayan, pek çok tutkulu geçit içerir, ancak yine de, önemli konularda yararlı konuşmalar ve müzakerelerin yapılmasında etkili olabilir.

Burada pek çok güzel cevap var, bu yüzden makalemden Prof. Laan'ın çalışmalarında kesinlikle herhangi bir "kesin model" kullanmadığını (ve bu arada "kesin olanı" söyleyen) kullanmadığını göstermek için makaleden birkaç satır alıntı yapmama izin verin. model "gerçek veri üretme mekanizmasına eşdeğer bir kavramdır?)

Tırnaklar (vurgumu kalın)

Gerçekçi bir istatistiksel model ortaya koyduktan sonra , işbirlikçilerimizden bilimsel ilgi konusundaki cevabını en iyi tahmin eden şeyin ne olduğunu tahmin etmemiz gerekir .

Yorum: "gerçekçi", Mars'ın Dünya'dan olduğu gibi "kesin" den de kaldırıldığı gibidir. Her ikisi de Güneş'in yörüngesinde olsa da, bazı amaçlar için hangi gezegenin seçtiği önemli değildir. Diğer amaçlar için, önemli. Ayrıca "en iyi" göreceli bir kavramdır. "Tam" değil.

"Bir tanımlanmış bir estimand Kestiricilerinin dürüst istatistiksel model olamaz makul parametrik modellerine dayanarak tahmin ...

Yorum: Dürüstlük gerçekten en iyi politikadır, ancak kesinlikle "kesin" olduğu garanti edilmez. Ayrıca, "kesin model" kullanılıyorsa, "mantıklı tahmin" çok seyreltilmiş bir sonuç olarak görünmektedir.

Bu zor tahmin problemlerini en iyi şekilde çözmemiz gerektiğine cevaben , genel bir istatistiksel yaklaşım geliştirdik…

Yorum: Tamam. "Elimizden gelenin en iyisini yapıyoruz". Neredeyse herkes kendini düşünüyor. Ama "elimizden gelenin en iyisini" "kesin" değildir.


2

Buna, George F. Klir'in bulanık kümelerdeki kitaplarında tartışılan Belirsizlik Yönetimi'nin gerçekten yararlı ilkeleri ışığında, felsefenin alternatif yönünden yaklaşacağım. Van der Laan'a kesinlik veremem, ancak amacının mantıksal olarak imkansız olduğu için biraz ayrıntılı bir durum sunabilirim; Bu, diğer alanlara atıfta bulunan uzun bir tartışma için çağrı yapacak, bu yüzden benimle ayı.

Klir ve ortak yazarları belirsizliği belirsizlik gibi çeşitli alt türlere ayırır (yani, bilinmeyen bir alternatifler diziniz varsa, Hartley İşlevi gibi yollarla ele alındığında); tanımlardaki kesinsizlik (yani bulanık kümelerde modellenen ve ölçülen "bulanıklık"; delillerde çekişme veya anlaşmazlık (Dempster-Shafer Evidence Theory'de ele alınmıştır); artı olasılık teorisi, olasılık teorisi ve ölçüm belirsizliği, hedefin hataları asgariye indirirken, ilgili kanıtları yakalamak için yeterli bir kapsama sahip olmasıdır. İstatistiksel tekniklerin bütün araç kutusuna, belirsizliğin farklı şekillerde bölümlenmesinin alternatif bir yolu olarak, bir çerez kesici gibi bakarım; güven aralıkları ve p değerleri belirsizliği bir şekilde karantinaya alırken, Shannon Entropy gibi önlemler başka bir açıdan azalır. Ne yapabilirler? Ancak, bunu tamamen ortadan kaldırın. Van der Laan türünden "kesin bir model" elde etmek için, bu belirsizliklerin hepsini sıfıra indirmemiz gerekecek, böylelikle artık ayrılmaya gerek kalmayacak. Gerçekten "kesin" bir model her zaman 1'in olasılık ve olasılık değerlerine, 0'a özgüllük puanlarına ve terimlerin tanımlarında, değer aralıklarında veya ölçüm ölçeklerinde hiçbir belirsizlik olmayacaktı. Alternatif kanıt kaynaklarında anlaşmazlık olmaz. Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır: Van der Laan'ın anlattığı gibi, bu tür belirsizliklerin hepsini sıfıra indirmemiz gerekecek, böylelikle artık ayrılmaya gerek kalmayacak. Gerçekten "kesin" bir model her zaman 1'in olasılık ve olasılık değerlerine, 0'a özgüllük puanlarına ve terimlerin tanımlarında, değer aralıklarında veya ölçüm ölçeklerinde hiçbir belirsizlik olmayacaktı. Alternatif kanıt kaynaklarında anlaşmazlık olmaz. Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır: Van der Laan'ın anlattığı gibi, bu tür belirsizliklerin hepsini sıfıra indirmemiz gerekecek, böylelikle artık ayrılmaya gerek kalmayacak. Gerçekten "kesin" bir model her zaman 1'in olasılık ve olasılık değerlerine, 0'a özgüllük puanlarına ve terimlerin tanımlarında, değer aralıklarında veya ölçüm ölçeklerinde hiçbir belirsizlik olmayacaktı. Alternatif kanıt kaynaklarında anlaşmazlık olmaz. Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır: Gerçekten "kesin" bir model her zaman 1'in olasılık ve olasılık değerlerine, 0'a özgüllük puanlarına ve terimlerin tanımlarında, değer aralıklarında veya ölçüm ölçeklerinde hiçbir belirsizlik olmayacaktı. Alternatif kanıt kaynaklarında anlaşmazlık olmaz. Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır: Gerçekten "kesin" bir model her zaman 1'in olasılık ve olasılık değerlerine, 0'a özgüllük puanlarına ve terimlerin tanımlarında, değer aralıklarında veya ölçüm ölçeklerinde hiçbir belirsizlik olmayacaktı. Alternatif kanıt kaynaklarında anlaşmazlık olmaz. Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır: Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır: Böyle bir model tarafından yapılan tahminler her zaman yüzde 100 doğru olacaktır; Tahmine dayalı modeller, belirsizliklerini geleceğe ayırıyor, ancak ertelenecek hiçbir şey kalmayacaktı. Belirsizlik perspektifinin bazı önemli etkileri vardır:

• Bu yüksek düzen sadece fiziksel olarak imkansız değildir, aynı zamanda mantıksal olarak imkansızdır. Açıkçası, yanıltıcı, fiziksel bilimsel ekipman kullanarak sonlu gözlemleri bir araya getirerek sonsuz derecede küçük ölçümler yapamayız; Ölçüm ölçeği bakımından her zaman bir belirsizlik olacaktır. Aynı şekilde, denemelerimizde kullandığımız tanımları çevreleyen her zaman bir karışıklık olacaktır. Gelecek de doğası gereği belirsizdir, bu yüzden "kesin" modellerimizin mükemmel tahminlerinin aksi ispatlanana kadar kusurlu olarak ele alınması gerekir - ki bu sonsuza kadar sürecek.

• Sorunları daha kötü hale getirmek için, hiçbir ölçüm tekniği sürecin bir noktasında yüzde 100 hatasız değildir ve evrendeki muhtemel çelişkili bilgilerin tümünü içerecek kadar kapsamlı yapılamaz. Ayrıca, olası kafa karıştırıcı değişkenlerin ve tam koşullu bağımsızlığın ortadan kaldırılması, incelediğimiz süreci etkileyen diğer tüm fiziksel süreçleri ve bu ikincil süreçleri etkileyenleri incelemeden tam olarak kanıtlanamaz.

• Kesinlik sadece saf mantıkta ve alt kümesinde, matematiğinde mümkündür, çünkü kesin olarak soyutlamalar bu belirsizlik kaynakları gibi gerçek dünyadaki endişelerden ayrılır. Örneğin, kesin tümdengelim mantığı ile 2 + 2 = 4 olduğunu ve diğer cevapların yüzde 100 yanlış olduğunu ispatlayabiliriz. Her zaman eşit olacağı konusunda kesin doğru tahminler de yapabiliriz. 4 Bu tür bir hassasiyet ancak soyutlamalarla uğraşırken istatistiklerde mümkündür. İstatistikler, gerçek dünyaya uygulandığında inanılmaz derecede faydalıdır, ancak onu faydalı kılan şey, en azından bir dereceye kadar kaçınılmaz belirsizliği enjekte eder ve bu da onu tam anlamıyla açığa çıkarır. Bu kaçınılmaz bir ikilemdir.

• Ayrıca, Peter Chu, bağlantılı makalenin yorumlar bölümünde ek sınırlamalar getirmiştir. O benden daha iyi koyar:

"NP-zor sorunların bu çözüm yüzeyi tipik olarak birçok yerel optima ile doludur ve çoğu durumda sorunu çözmek için hesaplama açısından imkansızdır, yani genel olarak genel optimal çözümü bulmak. Bu nedenle, her modelleyici bazı (sezgisel) modelleme tekniklerini kullanıyor, en iyi ihtimalle, bu karmaşık amaç fonksiyonunun engin çözüm alanında yeterli yerel optimal çözümler bulmak. "

• Tüm bunlar, Van der Laan'ın makalesinde bu şekilde konuştuğu görülmesine rağmen, bilimin kendisinin tamamen doğru olamayacağı anlamına gelir; soyut bir işlem olarak bilimsel yöntem kesin olarak tanımlanabilir, ancak evrensel ve kusursuz kesin ölçümün imkansızlığı belirsizlikten yoksun kesin modeller üretemeyeceği anlamına gelir. Bilim harika bir araçtır, ancak sınırları vardır.

• Kötü oradan alır: Tam olarak evrendeki her kurucu kuark ve gluon üzerine etki eden kuvvetlerin bütün ölçmek mümkün olsa bile, bazı belirsizlikler olacaktır hala devam etmektedir. Birincisi, böyle eksiksiz bir model tarafından yapılan herhangi bir tahmin, quintic denklemler ve daha yüksek polinomlar için çoklu çözümler bulunması nedeniyle hala belirsiz olacaktır. İkincisi, klasik soruda somutlaşan aşırı şüpheciliğin “belki de hepsi bir rüya ya da halüsinasyon” olduğu gerçeğinden tam olarak emin olamayız - bu durumda tüm modellerimiz gerçekten en kötü şekilde yanlış . Bu, temelde fenomenizm, idealizm ve solipsizm gibi felsefelerin özgün epistemolojik formülasyonlarının daha aşırı ontolojik yorumlamasına eşdeğerdir.

1909 klasik OrtodoksisindeGK Chesterton, bu felsefelerin en uç versiyonlarının gerçekten de yargılanabileceğini, ancak inançlarını zihinsel kurumlara sürükleyip sürüklemedikleriyle; örneğin ontolojik solipsizm, kuzenlerinden bazıları gibi aslında bir şizofreni belirtecidir. Bu dünyada başarabileceğimiz en iyi şey, makul şüpheleri ortadan kaldırmaktır; Bu huzursuzluğa dair mantıksız şüphe, kesin modellerin varsayımsal dünyasında, ayrıntılı ve hatasız ölçümlerde bile, titizlikle yapılamaz. Van der Laan bizi mantıksız şüpheden kurtarmayı hedefliyorsa ateşle oynuyor. Mükemmelliği kavrayarak yapabileceğimiz sonlu iyilik parmaklarımıza kayar; Sonsuz bir dünyada var olan sonlu yaratıklarız; bu, van der Laan'ın iddia ettiği türden tamamen ve tamamen kesin bir bilginin kavrayışımızın ötesinde olduğu anlamına gelir. Bu tür bir kesinliğe ulaşmamızın tek yolu, o dünyadan "saf matematik" olarak adlandırdığımız tamamen soyut olanın daha dar sınırlarına çekilmek. Bununla birlikte, bu, saf matematiğe geri çekilmenin belirsizliği ortadan kaldırmanın çözümü olduğu anlamına gelmez. Bu esasen, mantıksal pozitivizm felsefesini, genel anlamda metafiziği tamamen reddederek ve tamamen saf matematik ve bilimciliğin yanı sıra aşırı bir şüpheciliğe geri çekilerek sahip olduğu mantıklı pozitivizm felsefesini sürükleyen Ludwig Wittgenstein'ın (1889-1951) haleflerinin yaklaşımıydı. uzmanlaşma ve kullanımın fazlalığı konusunda aşırı vurgu. Bu süreçte, felsefe disiplini, tanımlamalar ve göbekle bakma konusundaki nitelemeyi bozan, böylece akademi'nin geri kalanıyla alakasız hale getirerek yok ettiler. Bu, esasen 20. yüzyılın başlarına kadar akademik tartışmanın ön saflarında yer alan tüm disiplini, medyanın dikkatini çektiği ve liderlerinin bazılarının hane halkı isimleri olduğu noktaya kadar öldürdü. Dünyanın mükemmel, cilalı bir açıklamasını kavradılar ve GKC'nin bahsettiği akıl hastalarında olduğu gibi parmaklarından süzüldüler. Ayrıca, aşağıda tartışıldığı gibi, kendi noktasını çürütmüş olan van der Laan'ın tutucusundan ayrılacak. Çok kesin olan modellerin arayışı sadece imkansız değildir; Kendini yitiren saplantı noktasına götürürseniz tehlikeli olabilir. Bu tür bir saflığın arayışı nadiren iyi biter; Sık sık ellerini ovarak ovalayan germophoblar kadar kendi kendilerini yenmek, enfekte olmuş yaralarla sonuçlanırlar. O' Icarus'un güneşten ateş çalmaya çalıştığını hatırlatıyor: sonlu varlıklar olarak, yalnızca sınırlı bir şeyleri anlayabiliriz. Chesterton'un Ortodoksluk'ta da söylediği gibi, "Gökleri kafasına sokmak isteyen mantıkçıdır. Ve ayrılan da onun başıdır."

Yukarıdakilerin ışığında, rvl tarafından listelenen belirli soruların bazılarını çözmeme izin verin:

1) Varsayımları olmayan bir model ya a) kendi varsayımlarının farkında değil ya da b) belirsizliği ortaya çıkaran ölçütler, olası her bir karıştırıcı değişkeni hesaba katan, tamamen sürekli ölçüm ölçekleri ve sevmek.

2) En fazla olabilirlik tahmini (MLE) konusunda hala bir acemiyim, bu nedenle açık olanı belirtmek dışında, hedef olabilirliğin mekaniği hakkında yorum yapamam: ihtimal sadece bir olasılık, kesinlik değil . Kesin bir model elde etmek, olasılıklı mantığın nadiren yapabileceği bir belirsizliğin tamamen ortadan kaldırılmasını gerektirir.

3) Tabii ki değil. Tüm modeller bazı belirsizlikleri koruduğundan ve bu nedenle tam olarak bulunmadığından (gerçek dünyadaki fiziksel ölçümlerden ayrılan saf matematik durumları hariç), insan ırkı bugüne kadar herhangi bir teknolojik ilerleme kaydedemedi - ya da gerçekten de herşey. Eğer doğru olmayan modeller her zaman işe yaramaz olsaydı, bu konuşmayı bir mağarada yapardık, Internet denen bu inanılmaz teknoloji harikası yerine, bunların tümü doğru olmayan modellemeyle mümkün kılınmıştı.

İronik olarak, van der Laan'ın kendi modeli, uygunsuzluğun temel bir örneğidir. Kendi makalesi, istatistik alanını tam modellere yönelik olarak nasıl yönetilmesi gerektiğine dair bir model çiziyor; henüz bu "modele" bağlı hiçbir sayı yok, çoğu modelin görüşüne ne kadar tam veya yararsız olduğunun bir ölçümü yok, onun görüşünden ne kadar uzak olduğumuzu ölçmedim, ama sanırım bu şeyler için testler yapabilirdi. . Ancak, bu haliyle, modeli tam olarak doğru değil. İşe yaramazsa, anlamı yanlış; eğer faydalıysa, yanlış modellerin işe yaramadığı ana noktasını yitirir. Her iki durumda da kendi tartışmasını reddetti.

4) Muhtemelen hayır, çünkü modelimizi test etmek için tam bir bilgiye sahip olamayız, çünkü aynı sebeple ilk etapta kesin bir model alamayız. Kesin bir model tanımı gereği kusursuz bir öngörülebilirlik gerektirebilir, ancak ilk 100 test yüzde 100 doğru olsa bile, 101'inci olmayabilir. Öyleyse sonsuz küçük ölçekler var. Ondan sonra Fildişi Kule modelimizin herhangi bir Fildişi Kule değerlendirmesini etkileyecek olan diğer tüm belirsizlik kaynaklarına giriyoruz.

5) Konuyu ele almak için, genellikle tartışmalı olan daha geniş felsefi konuların daha geniş bağlamına koymak zorunda kaldım, bu yüzden fikir edinmeden tartışmanın mümkün olduğunu sanmıyorum (kendi başına bunun başka bir şey olduğunu unutmayın) belirsizliklerin kaynağı) ama haklısın, bu makale bir cevabı hak ediyor. Diğer konularda söylediklerinin çoğu, Büyük Veri ile ilgili istatistikler yapma ihtiyacı gibi doğru yolda, ancak düzeltilmesi gereken bazı pratik olmayan aşırılıkçılık var.


1
"Felsefenin disiplinini imha eden" bu "Wittgenstein'ın halefleri" kimdir? Savaş sonrası analitik felsefenin eğilim - Daha sonra Wittgenstein, Austin, Quine, Kenny Goodman, Lewis, Davidson, Rorty'ye düşünmek - mantıksal pozitivizm, metafiziğin rehabilitasyonu, & bir geri çekilme ilkelerinin reddi gibi görünüyor dan bilimcilik. (Rorty'nin Nietzsche & Loyola hakkındaki yorumları, Chesterton'ın görüşüne karar vermiş olabileceğini öne sürüyor.) Kim Kardashian'ın neden Saul Kripke'den başka bir ev adı olduğu konusunda, diğer eğilimlerin 20. Yüzyılın başlarından bu yana işyerinde olduğundan şüpheleniyorum.
Scortchi - Monica'yı yeniden kurun

Savaş sonrası reformcuların bu alanların dışında tam olarak bilinmemektedir, çünkü disiplinin '20'ler /' 30'larda (yüzyıllarca süren düşüşün ardından aşırı mantıksal pozitivistleri yalnızca hızlandırarak) asla geri kazanılmamış bir ilgisizliğe girmesinden sonra geldiler. Hasar çoktan yapıldı. 50'li yılların başlarına kadar, diğer akademik disiplinler artık liderlik felsefesine bakmıyorlardı ve o zamandan beri sık sık doğrudan tembel bir tavırla, temassız, nitpicking serserilerle tedavi ettiler .. Keşke doğru olmasaydı. Görüntü felsefenin gerçekliğini yansıtmayabilir, ama hala renk kalır.
SQLServerSteve

Gelecek hafta sohbette bunu tartışmaktan memnuniyet duyarım, vaktiniz varsa, bu konudaki teğetten kurtulmak istemem ama konumlarımızın o kadar da uzak olmadığından şüpheleniyorum. Bence tamamen haklısınız, Kardashian'a vb. Yol açan hareket, 20. yüzyılın başlarından bu yana devam ediyor - tam da bir felsefe disiplininin tutulmasına düştüğü (tam olarak hak ettiği bir başka mesele; pratik ve hala çok saygın olsaydı.
SQLServerSteve

Yorumlar genişletilmiş tartışmalar için değildir; bu konuşma sohbete taşındı .
Scortchi - Monica'yı yeniden kurun
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.