Modelafhængighed

Modelafhængighed er et begreb inden for statistik og videnskab, der beskriver, hvordan konklusioner trukket fra data kan ændre sig, når man ændrer den anvendte model eller de underliggende antagelser. Det vil sige, at resultater som estimater, forudsigelser eller causal sammenhænge kan være følsomme over for valg som funktionel form, distributionsantagelser, priorer i Bayesian inference eller hvilke variabler der indgår i modellen.

Begrebet er særligt relevant i empiriske studier, hvor flere modeller kan passe dataene rimeligt godt, men give forskellige estimater eller policy-implicationer. Uden at anerkende modelafhængigheden kan konklusioner blive misvisende eller ikke generaliserbare ud over den specifikke modellering.

Årsager til modelafhængighed inkluderer misspecifikation af funktionel form (f.eks. lineær vs. ikke-lineær), antagelser om fordelinger eller fejlstruktur, valg af prædiktorer og eksklusion eller inklusion af vigtige variabler, priorfordelinger i Bayesian analyse samt anvendelse af ekstrapolation uden data til støtte.

Konsekvenserne af modelafhængighed kan være skiftende estimater, variable betalingssignaler, eller forskellige konsekvenser for beslutninger og politik. For at håndtere det bruges forskellige metoder til vurdering og reduktion af afhængigheden: robusthedsaftaler, sensoriske analyser (sensitivitet), modelgennemsnit eller Bayesian model averaging, krydsvalidering og informationskriterier, samt tydelig rapportering af usikkerhed og antagelser.

Eksempler ses i økonometrik, hvor effekten af en politik ændres alt efter kontrolvariable og funktionsform, og i fysik, hvor udledningen af egenskaber afhænger af valgte teoretiske modeller. Modelafhængighed anerkendes som en del af epistemisk usikkerhed og kræver gennemsigtighed i rapporteringen.