¿Por qué modelo?

Revista de Sociedades Artificiales y Simulación Social vol. 11, núm. 4 12

<https://www.jasss.org/11/4/12.html>
Para obtener información sobre cómo citar este artículo, haga clic aquí

Recibido: 15-Oct-2008 Aceptado: 19-Oct-2008 Publicado: 31-Oct-2008

Abstracto

Esta conferencia trata algunos conceptos erróneos persistentes sobre el modelado. Una de
ellas es que el objetivo es siempre la predicción. La conferencia distingue entre explicación y
predicción como objetivos de modelado y ofrece dieciséis razones distintas a la predicción
para construir un modelo. También desafía la suposición común de que las teorías científicas
surgen de los datos y los 'resumen', cuando a menudo las teorías preceden y guían la
recopilación de datos; sin teoría, es decir, no está claro qué datos recolectar. Entre otras
cosas, también argumenta que la empresa de modelado impone hábitos mentales esenciales
para la libertad. Se basa en el discurso de apertura del Día de la Bastilla de 2008 del autor en
el Segundo Congreso Mundial sobre Simulación Social, Universidad George Mason, y
discursos anteriores en el Instituto de Medicina, la Universidad de Michigan y el Instituto
Santa Fe.

1.1
La empresa de modelado se remonta a Arquímedes; y también su malentendido. Me han
invitado a compartir mis pensamientos sobre algunos conceptos erróneos persistentes sobre
el modelaje. Espero que, al hacerlo, anime a los aspirantes a modelos y detenga a los críticos
equivocados.

¿Por qué modelo?

1.2
La primera pregunta que surge con frecuencia, a veces inocentemente ya veces no, es
simplemente: "¿Por qué modelar?" Imaginando a un inquisidor retórico (no inocente), mi
réplica favorita es: "Eres un modelador". Cualquiera que aventure una proyección o imagine
cómo se desarrollaría una dinámica social —una epidemia, una guerra o una migración—
está utilizando algún modelo.
1.3
Pero típicamente, es un modelo implícito en el que los supuestos están ocultos, su
consistencia interna no se prueba, sus consecuencias lógicas son desconocidas y su relación
con los datos es desconocida. Pero, cuando cierras los ojos e imaginas la propagación de una
 epidemia, o cualquier otra dinámica social, estás siguiendo un modelo u otro. Es solo un
modelo implícito que no ha escrito (ver Epstein 2007 ).
1.4
Siendo este el caso, siempre me divierte cuando estas mismas personas me desafían con la
pregunta: "¿Puedes validar tu modelo?" La respuesta apropiada, por supuesto, es: "¿Puedes
validar la tuya?" Al menos puedo escribir el mío para que pueda, en principio, calibrarse con
datos, si eso es lo que quiere decir con "validar", un término que evito asiduamente (buen
popperiano que soy).
1.5
La elección, entonces, no es si construir modelos; es si construir otros explícitos . En los
modelos explícitos , los supuestos se exponen en detalle, de modo que podamos estudiar
exactamente lo que implican. En estas suposiciones, este tipo de cosas suceden. Cuando
alteras las suposiciones, eso es lo que sucede. Al escribir modelos explícitos, permite que
otros repliquen sus resultados.
1.6
De hecho , puede calibrar casos históricos si hay datos y puede realizar pruebas con datos
actuales en la medida en que existan. Y, lo que es más importante, puede incorporar la mejor
experiencia en el dominio (p. ej., biomédica, etnográfica) de manera rigurosa. De hecho, los
modelos pueden ser los puntos focales de los equipos que involucran a expertos de muchas
disciplinas.
1.7
Otra ventaja de los modelos explícitos es la viabilidad del análisis de sensibilidad. Se puede
barrer una amplia gama de parámetros en una amplia gama de escenarios posibles para
identificar las incertidumbres más destacadas, las regiones de solidez y los umbrales
importantes. No veo cómo hacer eso con un modelo mental implícito. Es importante notar
que en la esfera política (si no en la física de partículas) los modelos no obvian la necesidad
de juicio. Sin embargo, al revelar compensaciones, incertidumbres y sensibilidades, los
modelos pueden disciplinar el diálogo sobre las opciones y hacer que los juicios inevitables
sean más considerados.

¿Puedes predecir?

1.8
Apenas se otorgan estos puntos, surge inevitablemente la siguiente pregunta: "¿Pero puedes
predecir?" Por alguna razón, en el momento en que postulas un modelo, la predicción, como
en una bola de cristal que puede predecir el futuro, se presume reflexivamente como tu
objetivo. Por supuesto, la predicción podría ser un objetivo, y bien podría ser factible,
particularmente si se admite la predicción estadística en la que las distribuciones
estacionarias (de riqueza o tamaños de epidemias, por ejemplo) son las regularidades de
interés. Estoy seguro de que antes de Newton, la gente habría dicho "las órbitas de los
planetas nunca se predecirán". No veo cómo la predicción macroscópica, pacem Heisenberg,
puede ser definitiva y eternamente excluida.

Dieciséis razones distintas de la predicción para construir modelos

1.9
 Pero, más concretamente, puedo pensar rápidamente en 16 razones distintas a la
predicción (al menos en este sentido simple) para construir un modelo. En el espacio que me
brindan, no puedo discutir todos estos, y algunos han sido tratados de
pasada anteriormente. Pero, en primer lugar, y sin ningún orden en particular, tales objetivos
de modelado incluyen:

1. Explicar (muy distinto de predecir)

2. Guiar la recopilación de datos
3. Iluminar la dinámica central
4. Sugerir analogías dinámicas
5. Descubre nuevas preguntas
6. Promover un hábito científico de la mente
7. Resultados vinculados (soporte) a rangos plausibles
8. Iluminar las incertidumbres centrales.
9. Ofrezca opciones de crisis casi en tiempo real
10.Demostrar compensaciones / sugerir eficiencias
11.Desafíe la solidez de la teoría prevaleciente a través de perturbaciones
12.Exponer la sabiduría predominante como incompatible con los datos disponibles.
13.Formar practicantes
14.Disciplinar el diálogo sobre políticas
15.Educar al público en general
16.Revelar lo aparentemente simple (complejo) para ser complejo (simple)

La explicación no implica predicción

1.10
Una distinción crucial es entre explicar y predecir. La tectónica de placas
seguramente explica los terremotos, pero no nos permite predecir la hora y el lugar de su
ocurrencia. La electrostática explica los rayos, pero no podemos predecir cuándo o dónde
caerá el próximo rayo. En todos excepto en ciertos trimestres (lamentablemente
consecuentes), se acepta que la evolución explica la especiación, pero ni siquiera podemos
predecir la cepa de gripe del próximo año. En las ciencias sociales, he tratado de articular y
demostrar un enfoque que llamo explicación generativa , en el que la explicación
macroscópica—regularidades a gran escala, como distribuciones de riqueza, patrones de
asentamiento espacial o dinámica epidémica—emergen en poblaciones de software
heterogéneos (agentes) que interactúan localmente bajo reglas de comportamiento plausibles
( Epstein 2006 ; Ball 2007 ). Por ejemplo, la reconstrucción computacional de una
civilización antigua (los Anasazi) se ha logrado mediante este enfoque basado en agentes
( Axtell et al. 2002 ; Diamond 2002 ). Considero que este modelo es explicativo, pero no
insistiría en que sea predictivo. en esa cuenta. Este trabajo fue basado en datos. Pero no creo
que eso sea necesario.

Para guiar la recopilación de datos

1.11
En este punto, muchos no modeladores, y de hecho muchos modeladores, albergan un
ingenuo inductivismo que podría parafrasearse de la siguiente manera: 'La ciencia procede
 de la observación, y luego se construyen modelos para 'dar cuenta' de los datos.' La
interpretación de las ciencias sociales, con la que estoy más familiarizado, sería que primero
se recopilan muchos datos y luego se realizan regresiones sobre ellos. Esto puede ser muy
productivo, pero no es la regla en la ciencia, donde la teoría suele preceder a la recopilación
de datos. La teoría electromagnética de Maxwell es un buen ejemplo. De sus ecuaciones se
dedujo la existencia de ondas de radio. Sólo entonces fueron buscados… ¡y encontrados! La
relatividad general predijo la desviación de la luz por la gravedad, lo que fue confirmado
más tarde mediante experimentos. Sin modelos, en otras palabras, ¡no siempre está claro qué
datos recopilar!

Illuminate Core Dynamics: todos los mejores modelos están equivocados

1.12
Los modelos simples pueden ser invaluables sin ser "correctos", en un sentido de
ingeniería. De hecho, por tales luces, todos los mejores modelos están equivocados. Pero
están fructíferamente equivocados. Son abstracciones iluminadoras. Creo que fue Picasso
quien dijo: "El arte es una mentira que nos ayuda a ver la verdad". Lo mismo ocurre con
muchos modelos simples y hermosos: el modelo del ecosistema de Lotka-Volterra, la Ley de
Hooke o las ecuaciones epidémicas de Kermack-McKendrick. Continúan formando las bases
conceptuales de sus respectivos campos. Se enseñan universalmente: los practicantes
maduros, que conocen muy bien la naturaleza aproximada de los modelos, les confían, sin
embargo, la formación de las intuiciones más básicas del estudiante (ver Epstein 1997 ). Y
esto porque capturan comportamientos cualitativos de interés general., como los ciclos
depredador-presa, o la naturaleza umbral no lineal de las epidemias y la noción de
inmunidad colectiva. Una vez más, el problema no es la idealización: todos los modelos son
idealizaciones. La cuestión es si el modelo ofrece una idealización fértil . Como dijo George
Box, "Todos los modelos son incorrectos, pero algunos son útiles".

Sugerir analogías

1.13
Es un hecho sorprendente y maravilloso que una gran variedad de procesos aparentemente
no relacionados tengan modelos formalmente idénticos (es decir, todos pueden verse como
interpretaciones del mismo formalismo subyacente). Por ejemplo, la atracción electrostática
bajo la Ley de Coulomb y la atracción gravitacional bajo la Ley de Newton tienen la misma
forma algebraica. La diversidad física de procesos difusivos que satisfacen la ecuación de
"calor" o de procesos oscilatorios que satisfacen la ecuación de "onda" es virtualmente
ilimitada. En su conferencia del Nobel de economía, Samuelson escribe que, "si miras a la
empresa monopolística como un ejemplo de un sistema máximo,Samuelson 1972 ; ver
también Epstein 1997 ) Al desarrollar el modelo Anasazi mencionado anteriormente, mis
colegas y yo hicimos una "analogía computacional" entre el conocido modelo Sugarscape
( Epstein y Axtell 1996 ) y el MaiseScape real en el que vivían los antiguos Anasazi.
1.14
Estoy sugiriendo que las analogías son más que hermosos testimonios del poder unificador
de los modelos: son faros en un territorio oscuro e inexplorado. Por ejemplo, existe una
poderosa teoría de las enfermedades infecciosas. ¿Las revoluciones, las religiones o la
 adopción de innovaciones se desarrollan como epidemias? ¿Es útil pensar en estos procesos
como análogos formales? Si es así, entonces una poderosa teoría preexistente puede
aplicarse al campo inexplorado, lo que tal vez conduzca a un rápido avance.

Plantear nuevas preguntas

1.15
Los modelos pueden sorprendernos, despertar nuestra curiosidad y generar nuevas
preguntas. Esto es lo que odio de los exámenes. Solo muestran que puedes responder la
pregunta de otra persona, cuando lo más importante es: ¿Puedes hacer una nueva
pregunta? Son las nuevas preguntas (p. ej., los problemas de Hilbert) las que producen
grandes avances, y los modelos pueden ayudarnos a descubrirlas.

De la militancia ignorante a la ignorancia militante

1.16
Para mí, sin embargo, la contribución más importante de la empresa de modelado, a
diferencia de cualquier modelo o técnica de modelado en particular, es que refuerza un
hábito mental científico, que yo caracterizaría como uno de ignorancia militante: un
compromiso férreo con " No sé." Es decir, todo conocimiento científico es incierto,
contingente, sujeto a revisión y falsable en principio. (Esto, por supuesto, no significa
fácilmente falsificado. Significa que uno puede, en principio, especificar observaciones que,
si se hicieran, lo falsificarían). Uno no basa las creencias en la autoridad, sino en última
instancia en la evidencia. Esto, por supuesto, es una idea muy peligrosa. Nivela el campo de
juego y permite que el campesino más humilde desafíe al gobernante más exaltado,
obviamente un riesgo intolerable.
1.17
Esta es la razón por la que la ciencia, como modo de investigación , es fundamentalmente la
antítesis de todos los sistemas intelectuales monolíticos. En un hermoso ensayo, Feynman
( 1999 ) habla de la "libertad para dudar" ganada con tanto esfuerzo. Nació de una lucha
larga y brutal, y es esencial para el funcionamiento de una democracia. Los intelectuales
tienen el solemne deber de dudar y de enseñar a dudar. La educación, en su sentido más
verdadero, no se trata de "un conjunto de habilidades vendibles". Se trata de la libertad, de
los prejuicios heredados y de la discusión por parte de la autoridad. Esta es la contribución
más profunda de la empresa de modelado. Refuerza hábitos mentales esenciales para la
libertad.

Agradecimientos

Agradezco a Ross A. Hammond por sus valiosos comentarios y reconozco el apoyo

financiero del Proyecto MIDAS de los Institutos Nacionales de la Salud [GM-03-008] y el
Premio Pionero del Director del NIH 2008 [1DP1OD003874-01].

Referencias
AXTELL , RL, JM Epstein, JS Dean, GJ Gumerman, AC Swedlund, JHarberger, S
Chakravarty, R Hammond, J Parker y M Parker, "Crecimiento y colapso de la población en
un modelo multiagente de Kayenta Anasazi en Long House Valley ". Actas de la Academia
Nacional de Ciencias, Coloquio 99(3): 7275-79.

BALL , Philip (2007), "Las ciencias sociales se vuelven virtuales" Nature , Vol 448/9 de
agosto.

DIAMOND , Jared M., "La vida con los anasazi artificiales", Nature 419: 567-69.

EPSTEIN , Joshua M. y Robert Axtell (1996). Sociedades artificiales en crecimiento:

ciencia social de abajo hacia arriba. Prensa del MIT.

EPSTEIN , Josué M. (1997). Dinámica no lineal, biología matemática y ciencias

sociales . Addison-Wesley Publishing Company, Inc.

EPSTEIN , Josué M. (2006). Ciencias Sociales Generativas: Estudios en Modelado

Computacional Basado en Agentes. Prensa de la Universidad de Princeton.

EPSTEIN , Josué M. (2007). "Observaciones sobre el papel del modelado en la mitigación y

contención de enfermedades infecciosas". En Stanley M. Lemon, et al,
Editores, Consideraciones éticas y legales para mitigar la enfermedad pandémica: Resumen
del taller . Foro sobre Amenazas Microbianas, Instituto de Medicina de las Academias
Nacionales. Prensa de las Academias Nacionales.

FEYNMAN , Richard P. (1999) "El valor de la ciencia". En Feynman, RP El placer de

descubrir cosas. Editorial Perseo.

SAMUELSON , Paul A. (1972). "Principios Máximos en Economía Analítica. En The

Collected Scientific Papers of Paul A. Samuelson , editado por Robert Merton, Vol III, 8-9.
Nobel Memorial Lecture, 11 de diciembre de 1970. MIT Press.