阅读视角
Statistical modeling 是读量化研究文献时绕不开的底层框架。很多论文都会"建一个模型"，但建模的目的常常没说清楚，导致读者用错误的标准去评判它。
先记住一个实用边界：评价一个模型好不好，要先问它属于哪一类——描述、推断，还是预测。 用预测准确率去苛责一个 descriptive model，或用 p 值去评判一个 predictive model，都是错配。一个模型可能同时承担多种角色，但写作和阅读时最好分清主次。
定义
中文理解：统计模型是"用数学结构去刻画数据关系"的工具。同样一套技术（比如线性回归）既可以用来描述、也可以用来推断、还可以用来预测——区别不在算法，而在研究目的和评价标准。
为什么重要
建模目的决定了几乎所有下游判断：
- 该用什么指标评价模型？（残差结构？p 值/置信区间？泛化误差？）
- 模型的假设需要多严格地满足？
- 结论能不能外推？外推到什么范围？
- 一个"显著"或"准确"的结果到底说明了什么？
如果建模目的没说清，读者很容易把"拟合得好看"误读成"假设成立"，或把"预测准确"误读成"找到了因果机制"。
三类模型
按建模目的，可以把统计模型分成三类。这是阅读时最实用的分类框架。
Descriptive model
目的是描述数据模式，帮助看清数据结构，而不是检验假设或预测未来。
- 例子：LOESS 平滑曲线、芯片数据的残差图、探索性可视化中的趋势线。
- 评价标准：是否清楚地揭示了数据中的结构或异常，而不是预测精度或显著性。
- 阅读提示：descriptive model 出现在 EDA（探索性数据分析）和质量控制阶段。它的产出是"看见了什么"，不是"证明了什么"。
Inferential model
目的是回答研究假设，对总体做统计推断。
- 例子：治疗是否延长生存？某暴露是否与疾病风险相关？
- 输出：p 值、置信区间、posterior probability、效应量估计。
- 评价标准：统计假设是否成立（分布假设、独立性、随机化等），推断是否有效。
- 阅读提示：inferential model 的结论强依赖前提假设。p 值显著不等于假设被满足，也不等于效应有实际意义。要看研究设计是否支持因果或仅支持关联。
Predictive model
目的是对新数据预测准确，追求泛化性能。
- 例子：预测房价、预测疾病风险评分、推荐系统。
- 评价标准：在未见过的数据上的预测误差（如 RMSE、AUC、交叉验证表现），而不是参数的可解释性。
- 阅读提示：predictive model 不一定关心"为什么"。一个高准确率的模型可能是黑箱；它告诉你"会发生什么"，但未必告诉你"机制是什么"。要警惕用预测性能反推因果。
要点
- 同一种建模技术可以服务三种不同目的；分类的依据是目的，不是算法。
- Descriptive model 看数据结构，重点是揭示模式与异常，不追求显著性或预测精度。
- Inferential model 回答假设，输出 p 值、置信区间、posterior，重点是统计假设和推断是否成立。
- Predictive model 追求泛化，重点是在新数据上的预测误差，不一定关心机制。
- 用错评价标准是常见误读：别用预测精度评判 descriptive model，也别用 p 值评判 predictive model。
- 推断的"显著"和预测的"准确"都不等于"理解了因果"。
- 一篇论文里可能同时存在多类模型，读时要分清每一步的目的。比如先用 predictive model 训练一个风险分数或 aging index，再用 Cox model 做 inferential/risk association，最后用 AUC、NRI、IDI 评价增量预测价值；这些步骤不能混成一句"建了一个模型"。
阅读检查
读到一个统计模型时，可以按这个顺序问：
- 这个模型的主要目的是描述、推断，还是预测？
- 作者用的评价标准和这个目的匹配吗？
- 如果是推断模型，统计假设是否被检查和满足？结论是关联还是因果？
- 如果是预测模型，性能是在独立/交叉验证数据上评估的，还是只在训练数据上？
- 作者有没有把预测性能误当作机制解释，或把描述性拟合误当作假设检验？
相关术语
- exploratory data analysis
- hypothesis testing
- p-value
- confidence interval
- regression
- overfitting
- cross-validation
- generalization
- causal inference
阅读提示
对我来说，这个三分法最有用的地方是它先于具体方法：在评价任何模型之前，先确定它属于哪一类，再用对应的标准去判断。很多看似矛盾的争论（"模型显著但预测很差"、"预测准但解释不了"）其实是把不同类型的模型放到了同一把尺子下。
写作时也一样——先说清建模目的，读者才知道该用什么标准来读你的模型。
参考资料
- Kuhn & Silge, Tidy Modeling with R, Chapter 1: Software for Modeling