Su Towards Data Science, Sneha Rani confronta due modi di costruire modelli che condividono spesso le stesse equazioni di regressione ma invertono quasi ogni decisione a valle. Nel dottorato modellava l’intenzione di engagement, una risposta a un questionario che vive solo nella testa delle persone; oggi, nella misurazione pubblicitaria, predice l’engagement stesso, loggato come click o acquisto. Il tema conta perché chiarisce quando serve un measurement model e quando basta il machine learning supervisionato.
Costruire la variabile o interrogarla
Nel primo mondo, i predittori sono costrutti come perceived usefulness, ease of use o privacy concern (dal Technology Acceptance Model di Davis, 1989): nessuno di essi è una colonna da selezionare. La soluzione standard è porre più domande attorno allo stesso costrutto e usare la varianza condivisa, trattando il resto come measurement error. Da qui la structural equation modeling, che stima insieme measurement model e structural model. L’autrice mostra un esempio con semopy, dove l’operatore =~ costruisce il costrutto latente dai suoi indicatori prima ancora di stimare un path.
Nel mondo comportamentale le variabili esistono già: un click è una colonna, un acquisto è una colonna. Un propensity model somiglia a un normale supervised learning, con un esempio in xgboost su feature come recency, frequency e monetary value. Non ci sono loading da validare, ma la domanda di validità non sparisce: ogni feature resta un proxy di qualcosa di non osservabile, e l’assunzione regge “gratis” finché qualcosa non si rompe in produzione.
Verdetti opposti sullo stesso fenomeno
Un punto notevole: gli input correlati sono un segno di salute nel survey model (gli item di un costrutto devono correlare) e un problema nel modello predittivo, dove la ridondanza destabilizza i coefficienti lineari e confonde la feature importance. La riconciliazione sta nello scopo: un modello da interpretare teme la multicollinearità, un modello che deve solo ordinare o assegnare score no.
Molto però si trasferisce intatto: impegnarsi sulla domanda prima di vedere la risposta, scrivere cosa potrebbe essere sbagliato (limitazioni o caveat), e giustificare i metodi. Cambia solo la teoria di riferimento, da psicologica a statistica (randomizzazione, counterfactual credibile, comportamento degli stimatori a scala). Ciò che si perde è il “perché”: i modelli comportamentali dicono chi e cosa, non perché. Un esempio: un lift test geo con lift negativo non significa che l’ad ha ridotto le vendite, ma che un’assunzione è saltata, in quel caso la diversa stagionalità tra regioni.
- Se l’outcome è un atteggiamento o un’intenzione, sei in territorio measurement model: costruisci e valida ogni predittore.
- Se è un comportamento loggato, le variabili arrivano pronte ma la validità del proxy va comunque monitorata.
- Una stima priva di senso è una diagnostica, non un risultato: l’allineamento pre-periodo valida il passato, non il futuro.
Fonte: Building Models in Two Worlds: From Latent Constructs to Behavioral Signals — https://towardsdatascience.com/building-models-in-two-worlds-from-latent-constructs-to-behavioral-signals/
Hai qualcosa da aggiungere? Unisciti alla discussione.