Modelos Predictivos.

Interpretaciones y predicciones

Ejemplo del restaurante Japons
Hacemos uso de interpretaciones para pronosticar un acontecimiento futuro, para predecir. Usamos
modelos predictivos cuando votamos, compramos casas o invertimos en la jubilacin. En cada caso,
hacemos predicciones basadas en nuestras interpretaciones.
Para realizar una prediccin o inferir una relacin causal, debemos primero interpretar la situacin.
Mientras una interpretacin clasifica el conjunto de posibilidades, un modelo predictivo describe lo
que se cree que va a suceder en algn contexto a la luz de nuestras interpretaciones.
Podemos clasificar bien y predecir bien, o clasificar mal y equivocarnos (como los turistas)

Predecir la probabilidad de lluvia
Cuando miramos al cielo para tratar de predecir la probabilidad de lluvia, hacemos una interpretacin
sobre el tiempo actual: la temperatura, velocidad del viento, la formacin de nubes, hora del da, y el
color del cielo. Tomamos un trozo de la realidad que, con base en nuestra experiencia, es relevante
para determinar el clima. A continuacin, predecimos la probabilidad de lluvia sobre la base de
nuestros conocimientos y experiencia.

Dos personas con la misma interpretacin puede hacer predicciones, pero sus diversas experiencias o
intuiciones apuntarn hacia conclusiones diferentes. Las interpretaciones influyen en las predicciones,
pero no determinan todas.

Todos queremos saber cmo funcionan las cosas. Con el tiempo, mejoramos y perfeccionamos
nuestros modelos predictivos.
Cuanto menos ruidoso es el ambiente, ms fcilmente podemos sacar inferencias causales.
Sin embargo, aunque mucho ruido dificulta nuestra capacidad para predecir, aadir un poco de ruido
tendr un efecto inesperado, un poco de aleatoriedad puede ser til y reforzar nuestra creencia en
nuestros modelos.

Cada uno de nosotros lleva un conjunto de modelos predictivos en la cabeza, dada la interpretacin y
la informacin disponible, se supone que estas predicciones han de ser tan precisas como sea posible,
sin embargo, este no es siempre el caso.
Hay situaciones en que, debido a su dimensin y complejidad, incluso los expertos no las entienden
completamente. Por tanto, simplificamos.
Siempre usamos nuestro mtodo de interpretacin. Si las interpretaciones difieren, conducen a
predicciones diferentes. No obstante, las predicciones diferentes resultar beneficiosa, como se ver
ms adelante.

Modelos predictivos
Los modelos interpretan la realidad y luego producen salidas. Esos productos toman la forma de
predicciones.
Los modelos simplifican el mundo y pueden tomar muchas formas, por ejemplo, hay modelos de
dinmica de sistemas, modelos de regresin, modelos de teora de juegos, modelos de anlisis
factorial y modelos basados en agentes.

Un modelo predictivo es una interpretacin junto con una prediccin para cada conjunto o categora
creada.

Los modelos predictivos difieren de la heurstica.
Un modelo predictivo nos dice lo que crees que va a suceder: "Parece que llover".
La heurstica nos dice qu hacer: "Est lloviendo, vamos a protegernos", o qu no hacer: "estamos tan
mojados, as que sigamos caminando.
Los modelos predictivos son pensamientos. La heurstica son acciones.

Los modelos predictivos basados en interpretaciones simples pueden ser poderosos. Los expertos
aprender a mirar slo algunas caractersticas y hacen predicciones.

Utilizando nuestro marco de referencia sobre los modelos predictivos, podemos tener idea de cmo
estas evaluaciones simples pueden ser exactas y tambin por qu pueden existir entornos en los que
no lo pueden ser.

Aplicamos modelos predictivos casi cada vez que pensamos. Y nuestros modelos predictivos se basan
en interpretaciones. En la siguiente parte agregaremos los modelos predictivos.

Formalismo. Un ejemplo llamado xito en la pantalla
Consideremos un contexto en el que las evaluaciones rpidas son la norma: la evaluacin de guiones
de cine.
Se consideran dos empleados de una Ca. productora de cine, Ray y Marilyn, cuya tarea es leer
guiones. Suponemos que slo aceptan guiones que producen ganancias. A cada guin presentado se
le asignan niveles de sexo (S) y violencia (V), clasificados en una de cuatro categoras: ninguno, bajo,
moderado y alto (cuadro 4.1.)



Una perspectiva completa sobre todas las pelculas contiene ms dimensiones que estas dos. As que
esta codificacin es una interpretacin.
Se asume un mapeo determinista de estas caractersticas; si un guin es bueno (G) puede ser la base
para una pelcula rentable; si es malo (B), debe ser tirado a la basura.
Los modelos requieren la simplificacin de la realidad. La Tabla 4.2 muestra el mapeo de las
caractersticas.



Si alguien conociera el mapa y llevara la cuenta de los niveles de sexo y violencia, podra
perfectamente predecir si el guin es bueno o malo; se asume que Ray y Marilyn no lo hacen. Cada
uno carece de la capacidad (o el tiempo o la inclinacin) para analizar ambos atributos. Se supone que
Ray realiza un seguimiento del nivel de sexo (figura 4.1) y Marilyn se mantiene atenta a la violencia
(figura 4.2).


Para activar estas interpretaciones en modelos predictivos, slo tenemos que adjuntar una prediccin
para cada conjunto en la interpretacin.
Por ejemplo, supongamos que Ray lee un guin sin sexo; el tiene mucha experiencia en la lectura de
guiones, sabe que tres de cada cuatro veces (75%) este tipo de pelculas no va a ser rentable. Tambin
sabe que los guiones con niveles bajos de sexo son malos el 75% de las veces, y que las pelculas con
niveles moderados y altos de sexo sern buenas el 75% de las veces. Las predicciones de Ray se
resumen en la tabla 4.3; sta describe el modelo predictivo.
En la primera columna se muestra el nivel de sexo en las pelculas. En la segunda se muestra las
interpretaciones que Ray hizo. De las pelculas sin contenido sexual, tres seran B y una G. La buena,
sera una pelcula sin contenido sexual y violencia moderada.
Del mismo modo, podemos caracterizar modelo predictivo de Marilyn en la tabla 4.4.

La observacin muestra que Marilyn tambin har una caracterizacin correcta el 75 por ciento de las
veces. Sin embargo, ella y Ray no hacen las mismas predicciones. Cuando se evala un guin sin sexo
y mucha violencia, l podra predecir un fracaso, mientras ella podra predecir un xito.
En este ejemplo, l podra predecir correctamente y ella no. Si promediamos todos los casos, es
igualmente probable que ella predecira correctamente y l no.

Ahora aadimos un tercer evaluador de guiones, Deborah. Ella usa una interpretacin agrupada, la
creacin de conjuntos que permiten la variacin de los dos atributos dentro de la misma categora.
Considerando que una interpretacin divide el cuadrado en filas o columnas, una interpretacin
agrupada se divide en cajas de varias formas.
Los grupos de interpretacin de guiones de Deborah se dividen en tres conjuntos: aburrido, extremo,
o equilibrado.
Deborah clasifica los guiones con niveles bajos y moderados de sexo y violencia como aburridos, los
guiones con niveles bajos o moderados de sexo o violencia y aquellos con un altos niveles o ninguno
como equilibrados, y los guiones con un mnimo o un nivel moderado de sexo o violencia como
extremos (vase el cuadro 4.5).
Suponiendo que tiene mucha experiencia y que hace la prediccin ms probable para cada conjunto
en su interpretacin, el modelo predice que los guiones equilibrados de Deborah sern buenos y que
los dems sern malos. Su modelo predictivo se muestra en la tabla 4.6.

En relacin con los modelos de Ray y Marilyn, el de Deborah parece extrao, sin embargo, mediante
el examen de todos los casos, podemos ver que ella tambin predice correctamente el 75% de las
veces. Ella es tan exacta como ellos. Dada su habilidad para predecir, Ray, Marilyn, y Deborah se
sentiran cmodos con sus propios modelos de prediccin.
La gente no necesita converger en un modelo predictivo comn. La diversidad puede persistir en un
ambiente competitivo. Varios modelos predictivos pueden ser igualmente precisos. Cuando se
agregan estos modelos predictivos, esta diversidad resulta beneficiosa.

Modelos basados en la teora
En ausencia de experiencia, se pueden hacer predicciones basadas en teoras.
En sus primeros das de trabajo, por ejemplo, Marilyn y Ray, sin experiencia, habran tenido que
depender de las teoras, que no podran ser mejores que utilizar el azar o la lgica. Ray podra haber
teorizado que los guiones con niveles bajos y moderados de sexo seran buenos y llegar al modelo
predictivo mostrado en la tabla 4.7.

Este modelo predice correctamente el 50 por ciento de las veces. Ray podra hacerlo igual de bien si
lanzara una moneda.
Es importante indicar que una interpretacin que representa los objetos o eventos es en s misma
insuficiente. Una interpretacin puede capturar dimensiones o atributos que revelan causalidad
subyacente o de correlacin, pero a menos que la interpretacin se combine con un modelo de
prediccin, no puede resultar til.
Podemos distinguir entre la mxima precisin del modelo predictivo de una interpretacin y la
exactitud de un modelo dado. La mxima precisin del modelo predictivo de una interpretacin se
alcanzara si la persona sabe la verdadera distribucin de probabilidad de los resultados (algo que nos
acerca a la experiencia).
Como hemos visto, la precisin de una teora en particular no necesita lograr este mximo. Sin
embargo, en algunos contextos la precisin mxima de una interpretacin no puede ser alta. De ser
as, sera imposible realizar evaluaciones rpidas que pueden ser altamente precisas.

En otras palabras, a veces se pueden realizar evaluaciones rpidas y a veces no.
Supongamos que partimos de una perspectiva comn utilizada para construir interpretaciones y
modelos predictivos. Tenemos a nuestra disposicin un modelo de prediccin para cada dimensin.
Puede ser que ninguno de los modelos de prediccin funciona bien. De ser as, hacer una evaluacin
rpida sobre la base de un nico atributo no ser eficaz. Se requiere la existencia de otra dimensin
que haga la tarea fcil.

Supongamos que queremos predecir si el precio de las acciones de una compaa aumentar o
disminuir.
Si nos fijamos en cualquier atributo de la empresa --ratio precio-beneficio, crecimiento de las ventas,
cambios en el precio de las acciones durante el ao--, no podremos saber mejor que al azar si el
precio de las acciones ira hacia arriba o hacia abajo.

La razn no es nica una dimensin de mucho valor predictivo. Si existiera una forma sencilla para
predecir el aumento de precios de las acciones, alguien lo encontrara y elevara el precio de las
acciones infravaloradas. Las personas que invierten con xito en el mercado de valores utilizan
sofisticados modelos predictivos. La mayor parte de la evidencia muestra que la mayora de la gente,
incluso los expertos, son menos precisos que los modelos de regresin basados en datos.
Los expertos no pueden predecir con mucha exactitud los resultados de los complejos procesos
econmicos y polticos. Porque al hacer predicciones, stos se basan en unas pocas dimensiones
como mximo, omiten variables que importan y a veces incluyen variables que no importan.
Por eso los expertos corren regresiones; los inversores, no slo tienen una idea de lo que va a suceder
a partir de sus poderes msticos, renen datos, corren regresiones. stas se basan en variables
elegidas por la gente, lo que llamamos interpretaciones. El elemento humano no est ausente. Estas
interpretaciones dejar fuera algunas variables e incluyen otras. Dada la diversidad de interpretaciones
posibles, tenemos un montn de diversos expertos. Y, como veremos, eso es beneficioso.

Reflexiones finales
Diferentes conceptos que hemos cubierto en los ltimos dos captulos.
Si queremos predecir algo, debemos tener alguna manera de representar a las entidades cuyos
resultados estamos prediciendo. Las perspectivas nos dara una representacin plena y completa,
pero en la mayora de los casos la gente no utiliza puntos de vista.
Teniendo en cuenta estas interpretaciones, podemos hacer predicciones basadas en nuestras
experiencias o en una teora. Nosotros llamamos a estas predicciones, junto con las interpretaciones,
un modelo predictivo. Cualquier interpretacin tiene un modelo de mxima precisin, pero no
tenemos ninguna razn para creer que la gente utiliza este modelo. Despus de todo, somos
humanos.
A veces sencillos modelos predictivos funcionan bien. A veces no. Si nos enfrentamos a una tarea
predictiva complicada, los modelos predictivos basados en interpretaciones sencillas sern inexactos
la mayor parte del tiempo. Como veremos en la siguiente parte, incluso cuando las predicciones
individuales pueden no ser exactas, las colecciones de las diversas predicciones inexactas puede serlo.