Fahrplan

Einführung 1: Warum Modelle?

• Wir wollen menschliches Verhalten beschreiben, vorhersagen und letztendlich erklären​​
• Ähnlich wie ein Physiker, der die Flugbahn eines Apfels der vom Baum fällt erklären möchte​
• ​Beispiel: Ihr vergesst den Namen einer Person, die euch gerade vorgestellt wurde – Welcher kognitive Prozess kann dieses Phänomen erklären?​

Einführung 1: Warum Modelle?

• Daten können ohne Modell nicht erklärt werden ! ​
• Modelle können selbst nicht beobachtet werden – sie sind abstrakte Formalisierungen
• Ermöglichen Beschreibung, Vorhersage und Erklärung von Daten

​

Einführung 1: Warum Modelle?

Einführung 1: Warum Modelle?

Zwei Alternativmodelle

Einführung 1: Warum Modelle?

Wieso hat sich das Heliozentrische Modell durchgesetzt?

• Das geozentrische Modell kann die Bahnen der Planeten mit ca. 1° Abweichungen Vorhersagen!
  
  Guter „Fit“!
   
• Das Heliozentrische Modell beschreibt die Daten zwar besser, aber nicht wesentlich!

Warum hat es sich trotzdem durchgesetzt?   

Einführung 1: Warum Modelle?

Wenn beide Modelle die Daten gleich gut beschreiben, warum brauchen wir dann quantitative Modelle?

• Copernicus Modell wurde später durch Kepler‘s ersetzt, welches die Annahme von elliptischen Bahnen machte
• Sehr einfach mathematische Anpassung eliminierte den Vorhersagefehler !
• Die Annahme elliptischer oder kreisrunder Bahnen kann auf verbaler Ebene keine unterschiedlichen Vorhersagen beider Modelle erzeugen !

Verbale Theorien nicht ausreichend – quantitative Modelle zwingend notwendig!

Einführung 1: Lessons Learned

1. Daten sprechen nie für sich selbst, sondern benötigen ein Modell, um verstanden und erklärt zu werden!
    
2. Verbale Theorien allein können eine quantitative Analyse letztlich nicht ersetzen.
    
3. Es gibt immer mehrere alternative Modelle, die um die Erklärung von Daten konkurrieren und wir müssen zwischen ihnen wählen.
    
4. Die Modellauswahl beruht sowohl auf einer quantitativen Bewertung als auch auf einer intellektuellen und wissenschaftlichen Urteil.

Einführung 1: Scope und Falsifizierung

1. Modelle müssen hinreichend präzise sein – ein Modell das alle Daten perfekt beschreibt besitzt keinen Wert ! Der Scope ist zu breit!
2. Sind Modelle (bzw. Theorien) zu breit spezifiziert, sind sie nicht falsifizierbar.
3. Die Datenvariabilität spielt hier auch einen Rolle – die Daten müssen im Scope des Modells liegen!

Variabilität der Daten

Scope

Einführung 1: Scope und Falsifizierung

Gute Modelle...

1. …besitzen einen schmalen Scope, und haben innerhalb dieses Bereiches große „predicitive power“
2. … sind sie falsifizierbar  - sie können nicht alle möglichen Daten erklären!
3.  … sind präzise spezifiziert und besitzen innerhalb dieses Scopes große Vorhersagekraft -  Tradeoff zwischen Scope und Predictive Power !

Schmaler Scope, große Evidenz

Breiter Scope / wenig Evidenz

Einführung 1: Scope und Falsifizierung

Einführung 1: Warum Modelle?

1. Modelle müssen präzise spezifiziert sein – Modelle die alles vorhersagen sind wertlos
2. Präzise Modelle können widerlegt werden, es gibt Daten, die dem Modell wiedersprechen !
3. Präzise und falsifizierbare Modelle besitzen innerhalb ihres schmalen Scopes große Vorhersagekraft
4. Gute Modelle besitzen einen guten Trade-Off zwischen Scope und Predicitve Power

Thank you for Your Attention!

github.com/jgman86

jan.goettmann@uni-mainz.de

AMD-Lab@Uni-Mainz