除了预测建立模型之外还有其他原因吗？

约书亚·爱泼斯坦（Joshua Epstein）发表了一篇题为《为什么要模型》的论文。可从http://www.santafe.edu/media/workingpapers/08-09-040.pdf获得，其中有16个原因：

1. 解释（与预测完全不同）
2. 指导数据收集
3. 照亮核心动力
4. 建议动态类比
5. 发现新问题
6. 养成科学的思维习惯
7. 绑定（括号）结果到合理范围
8. 阐明核心不确定性。
9. 提供近实时的危机选择
10. 展示权衡/建议效率
11. 通过微扰挑战主流理论的稳健性
12. 揭露主流智慧与现有数据不符
13. 培训从业人员
14. 进行政策对话
15. 教育大众
16. 将看似简单（复杂）显示为复杂（简单）

（Epstein在他的论文中详细阐述了许多原因。）

我想问一下社区：

• 爱泼斯坦没有列出其他原因吗？
• 有没有更优雅的方式来概念化（也许是不同的分组）这些原因？
• 爱泼斯坦的原因有缺陷还是不完整？
• 他们对这些原因的阐述是否更为明确？

原因17.写一篇论文。

有点开玩笑，但不是真的。他的某些观点之间似乎有些重叠（例如1、5、6、12、14）。

存钱

我建立细胞机制的数学/统计。例如，特定蛋白质如何影响细胞老化。该模型的作用主要是预测，也可以省钱。聘用一个建模师要比（比如说）几个湿实验室生物学家要便宜得多，而且还要付相关的设备成本。当然，建模并不能完全替代实验，而只是辅助了过程。

为了娱乐！

我敢肯定，大多数统计学家/建模人员都会做他们的工作，因为他们喜欢它。获得报酬去做自己喜欢的事情真是太好了！

降维

有时可能会有太多的数据，因此形成初始模型可以进行进一步的分析。

规

政府机构要求公司使用某些模型提供报告。这提供了一定程度的监督。一个例子是在金融部门使用风险价值。

控制

动态建模文献的主要方面与控制相关。这类工作涵盖了许多学科，从政治/经济学（请参阅例如Stafford Beer），生物学（请参阅例如N Weiner 1948年的控制论著作）到当代国家空间控制理论（请参见Ljung 1999简介）。

控制与爱泼斯坦的9和10，以及谢恩（Shane）关于人类判断/调节的答案有关，但我认为明确是有道理的。确实，在我的工程学本科生涯结束时，我会对建模的使用给出非常简洁的响应：控制，推理和预测。我猜想推理（我的意思是过滤/平滑/降维等）可能与爱泼斯坦的第3点和第8点类似。

当然，在以后的几年中，我不会那么大胆地​​将建模的目的限制为控制，推理和预测。也许涵盖爱泼斯坦许多观点的第四个应该是“强制性”-您“教育公众”的唯一方法是鼓励我们建立自己的模型...

这与其他一些紧密相关，但是：

消除人类的判断力

人为的决策受制于许多不同的力量和偏见。这意味着您不仅可以对同一问题获得不同的答案，而且还可能最终获得次优的结果。例如过度自信偏见或锚定。

采取（有用的）行动。

我在这里是对其他人的解释，但假设我们围绕该模型建立了一个公共卫生系统，即传染病是由于通过接触传播的恶毒引起的。微生物科学可能是一个更好的模型，但是您仍然可以防止大量的传染病。（我认为这是在阅读控制论的历史，但我不记得是谁指出了这一点。）

关键是，按照“所有模型都是不好的，有些有用的”的思路，我们需要制定模型并完善它们，以便采取任何有益的行动，并产生持久的后果。否则，我们不妨掷硬币。

涉及某种形式的收益/成本的重复性问题

在我的领域中，我们在不同的位置，时间范围和大小上对同一组变量建模

我认为16的原因太多，说明太精细，有时也有些重叠。相反，我本人会精简成几组。我们可以将研究目标分为3个主要类别：单一假设检验，探索性研究和预测。