[Recension] The Model Thinker: What You Need to Know to Make Data Work for You (Scott E. Page) Sammanfattad

The Model Thinker: What You Need to Know to Make Data Work for You (Scott E. Page) - Amazon Sweden Store: https://www.amazon.se/dp/1541675711?tag=9natreesweden-21 - Amazon Worldwide Store: https://global.buys.trade/The-Model-Thinker%3A-What-You-Need-to-Know-to-Make-Data-Work-for-You-Scott-E-Page.html - eBay: https://www.ebay.com/sch/i.html?_nkw=The+Model+Thinker+What+You+Need+to+Know+to+Make+Data+Work+for+You+Scott+E+Page+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1 - Läs mer: https://swedish.top/read/1541675711/ #modellbaserattänkande #beslutsfattande #dataanalys #komplexasystem #prognoserochosäkerhet #TheModelThinker Det här är de viktigaste lärdomarna från den här boken. För det första, Att tänka i modeller i stället för i svar, En central poäng är att modeller inte är sanningar utan förenklingar som hjälper oss att se vissa mönster tydligare. Page betonar att varje modell belyser något och döljer något annat, vilket gör modellvalet lika viktigt som själva beräkningen. Genom att skifta fokus från att hitta rätt svar till att välja lämpliga representationer får läsaren ett mer disciplinerat sätt att resonera. Det handlar om att identifiera vad som är relevant i ett problem, vilka antaganden som krävs och vilka konsekvenser dessa antaganden får. Boken gör också skillnad mellan förklarande och förutsägande modeller samt mellan normativa och deskriptiva perspektiv. Denna uppdelning hjälper dig att undvika att använda en modell för fel syfte, exempelvis att dra policyrekommendationer från en modell som bara är avsedd att beskriva ett samband. På så sätt tränas läsaren i att formulera frågor på ett sätt som data faktiskt kan stödja och att se osäkerhet som en del av analysen, inte som ett misslyckande. För det andra, Mångfald av modeller och varför kombinationer fungerar, Boken lyfter fram värdet av att använda flera modeller parallellt, särskilt när världen är komplex och data är ofullständiga. Page kopplar detta till idén om att olika modeller har olika fel och att en genomtänkt kombination kan minska risken för systematiska misstag. I praktiken kan det innebära att du kompletterar en ekonomisk incitamentsmodell med en psykologisk modell av beteende, eller att du använder både en enkel tumregel och en mer sofistikerad statistisk metod för att jämföra slutsatser. Poängen är inte att göra analysen krånglig utan att göra den robust. När flera modeller pekar åt samma håll ökar förtroendet för beslutet, och när de divergerar blir det en signal om att antaganden eller data behöver granskas. Detta synsätt kan även översättas till teamwork, där kognitiv och metodologisk variation i en grupp kan fungera som en portfölj av perspektiv. Läsaren får därmed en argumentation för varför modellpluralism ofta är mer praktiskt användbar än att jaga den perfekta modellen. För det tredje, Orsak, samband och vanliga feltolkningar av data, Page tar upp en återkommande fälla i dataarbete: att blanda ihop korrelation med kausalitet eller att övertolka mönster som uppstår av slump eller urvalsbias. Modellbaserat tänkande används här som ett sätt att precisera vilken typ av relation du tror finns och vilka observationer som skulle stödja den. Läsaren uppmuntras att fråga sig vad som kunde vara en alternativ förklaring, vilka variabler som saknas och hur mätningarna kan snedvrida bilden. Boken gör också poänger kring att olika modeller implicerar olika testbara konsekvenser, vilket kan hjälpa till att skapa bättre hypoteser och mer genomtänkta experiment eller A B tester. Samtidigt diskuteras begränsningar i prediktion, där även starka modeller kan misslyckas om omgivningen förändras eller om det finns strategiska aktörer som anpassar sig. Genom att förstå skillnaden mellan stabila mekanismer och tillfälliga mönster kan läsaren bli bättre på att veta när data är ett s...