Ein ferngesteuertes Auto kann z.B. lenken und fahren, genau wie das reale Vorbild. Es ist also ein gutes Modell. Bei unserem Lego®-Haus erwarten wir auch, dass es trockenbleibt, wenn es regnet.
Ein Kind überprüft das im LEGO®-Haus mit einer Playmobil®-Figur und einer Gießkanne. Das Dach ist dicht, also bleibt die Figur trocken. Da das Haus als Modell des Nachbarhauses gebaut wurde, denkt das Kind, dass es im Nachbarhaus ebenfalls trocken ist, wenn es regnet. Es besucht also beim nächsten Unwetter seine Nachbarn und stellt fest: „Ich hatte recht!“
Je detailreicher das Modell ist, desto mehr erwarten wir ein gleiches Verhalten von LEGO®-Haus und realem Nachbarhaus. Selbstverständlich kostet der Bau eines detailreicheren Modells viel mehr Zeit. Im Normalfall wird sich das Kind also mit einem eher allgemeinen – für seine Bedürfnisse vollkommen ausreichenden – Modell zufrieden geben.
Dieses Modell gleicht zwar nicht ganz genau dem Nachbarhaus, ist aber trotzdem eindeutig als Haus erkennbar. Für ein allgemeines Haus reichen z.B. Fenster, Türen, Mauern und ein Dach vollkommen aus. Auch daraus kann das Kind aber erkennen: „In einem Haus bleibt man trocken“. Diese Aussage gilt dann für beide Häuser.
In der Analytik und Statistik werden Hypothesen aufgestellt und anhand der Daten im Modell oder einer Stichprobe überprüft oder simuliert. Daraus lassen sich dannRückschlüsse aus dem Modell auf die Wirklichkeit übertragen und dort anwenden.
Das Modell sollte also ungefähr der Realität entsprechen. Je genauer und dadurch komplexer man das Modell an die vorhandenen Daten anpasst, desto genauer werden natürlich auch die Rückschlüsse für die aktuell verwendeten Daten. Da unser analytisches Modell aber auch für zukünftige Vorhersagen und somit andere Daten geeignet sein soll, ist es wichtig, eine Überanpassung zu vermeiden.
Diese Kalibrierung übernimmt unser ExpertInnenteam für Sie. Die fachliche Bezeichnung dafür ist ein generalisiertes Modell.