Psicología: ¿explicar o predecir?

Acabo de leer un artículo de Yarkoni y Westfall en el que la pregunta es si la psicología va por buen camino al insistir en explicar y minimizar la relevancia de predecir. La apuesta de los autores es clara: hay que orientarse a la segunda porque la primera saldrá beneficiada y, además, se combatirán eficazmente los problemas de replicabilidad que últimamente han llegado a obsesionar dentro y fuera de la Psicología.

Al terminar el manuscrito tuve una desagradable sensación. Rebuscando en el bosque de mi memoria encontré una de las causas: una oceánica ignorancia histórica de parte de Yarkoni y Westfall. Albergo la esperanza de que sea ignorancia y no negligencia o selectividad.

Lee J. Cronbach, el psicólogo que hizo un enorme esfuerzo por combinar las conocidas como dos tradiciones o disciplinas de la psicología científica (experimental y correlacional), incluso al tomar posesión de la presidencia de la American Psychological Association (APA), se omite aquí. Al menos se le podría haber rendido un pequeño homenaje para enmarcar el problema, que dista de ser nuevo.

Los autores exponen una serie de ejemplos sobre esas dos perspectivas, la basada en la explicación y en la predicción. Ninguna se salva de la quema, en realidad, porque lo que ellos desean es convencer a la comunidad de que lo que va a misa es el ‘machine learning’ (ML). Evitan, una vez más, recurrir a ejemplos que disminuirían el efecto aplastante que pretenden darle a su aproximación (lo que huele un pelín a selectividad –no es p-hacking, pero se acerca). No repetiré aquí –aunque me tienta mogollón—eso que Pinker reconoció hace unos meses en Twitter sobre el robusto carácter del estudio de la inteligencia humana.

Hay que reconocer que el artículo detalla con claridad los conceptos de sobreajuste (overfitting), validación cruzada (cross-validation) y regularización. La obsesión por las explicaciones mecanicistas (causales) en Psicología está detrás de la crisis de replicabilidad. El p-hacking y una práctica que hasta me han confesado los psicólogos experimentales de mi Facultad –ir mirando si el efecto sale y dejar de recoger datos cuando la cosa casa—que también se denuncia aquí, causa –esta vez si—los problemas.

Los métodos de ML pueden acabar con nuestros dolores de cabeza, según Tal Yarkoni y su colega. Si somos capaces de generar un modelo predictivo estudiando un grupo de individuos y comprobar que funciona en un grupo independiente, habremos triunfado. La meta del ML es pronosticar futuras observaciones del modo más preciso posible, lo que supone minimizar el error (la obsesión de los psicómetras –como explica de modo hilarante D. K. Detterman).

Pero alcanzar esa meta exige al menos tres cosas:

1) Usar bases de datos con numerosos casos para disponer de información con la que ‘entrenar’ al modelo que luego se usará de cara a la predicción.

2) Estimar con precisión el nivel de error para valorar adecuadamente el modelo y averiguar si puede mejorarse (validación cruzada).

3) Manipular el balance sesgo-varianza (que no voy a explicar porque es chungo, pero que tiene que ver con la regularización).

Una de las consecuencias de usar bases de datos con muchos casos es que los efectos que pensamos eran grandes se reducen, a menudo dramáticamente. Un caso claro es la genética molecular. Se preguntan los autores si vale la pena gastarse los cuartos en hacer estudios a pequeña escala. Favorecen una respuesta negativa, puesto que existen actualmente enormes bases de datos públicas que no se están utilizando.

Subrayan la importancia de la validación cruzada para estimar el error en la predicción. La idea es ‘entrenar’ un modelo usando una base de datos y ‘probarlo’ usando una base de datos independiente, aunque sean del mismo pool registrado. Es claramente más eficiente que la replicación porque no se requiere recoger nuevos datos. La conocida como K-fold cross-validation es particularmente potente porque pueden usarse todos los casos de la base de datos para entrenar y probar el modelo (leave-one-out cross-validation).

La regularización también es importante porque prima la parsimonia. Es posible que un modelo más complejo atesore mayor capacidad predictiva, pero hay que considerar la relación coste-beneficio. Un método útil para alcanzar ese objetivo es el LASSO (Least Absolute Shrinkage and Selection Operator). Es decir, se trata de responder la pregunta de si añadir un determinado predictor nos hace ganar realmente capacidad predictiva.

En resumen, Yarkoni y Westfall concluyen que la psicología “ganará mucho relajando su énfasis por descubrir los mecanismos causales que gobiernan la conducta y orientándose en mayor grado hacia la precisión predictiva (…) los método de ML deben contemplarse como una oportunidad, no como una amenaza”.