Il termine migliore per i dati inventati?

Sto scrivendo un esempio e ho inventato alcuni dati. Voglio che sia chiaro al lettore che non si tratta di dati reali, ma non voglio anche dare l'impressione di malizia, dal momento che serve solo da esempio.

Non esiste un componente (pseudo) casuale per questi dati particolari, quindi mi sembra che "simulato" non sia appropriato. Se lo chiamo fittizio o inventato, dà l'impressione di dati fraudolenti ? "Trucco" è una parola che si adatterebbe in un contesto scientifico?

Qual è la terminologia nella letteratura statistica per i dati inventati non simulati?

Probabilmente chiamerei questi dati "sintetici" o "artificiali", anche se potrei anche chiamarli "simulati" (la simulazione è molto semplice).

Se vuoi fare riferimento ai tuoi dati come fittizi , saresti in buona compagnia, poiché questo è il termine usato da Francis Anscombe per descrivere il suo ormai famoso quartetto .

Da Anscombe, FJ (1973). " Grafici nell'analisi statistica ", em. Statistica. 27 (1):

Alcuni di questi punti sono illustrati da quattro insiemi di dati fittizi, ciascuno costituito da undici (x, y) coppie, mostrate nella tabella.

Ma penso che la tua attenzione sia ben posizionata, poiché il mio OED (v4) sembra indicare che questo uso fittizio è obsoleto

fittizio , a.

(fɪktɪʃəs)

[F. L. fictīci-us (f. Fingĕre to fashion, finge) + -ous: see -itious.]

1.1 † a.1.a Artificiale in contrapposizione al naturale (oss.). b.1.b contraffatto, "imitazione", finzione; non genuino.

In IT spesso li chiamiamo dati di mockup , che possono essere presentati tramite un mockup (applicazione).

I dati del mockup possono anche essere presentati attraverso un'applicazione completamente funzionale, ad esempio per testare la funzionalità dell'applicazione in modo controllato.

Ho visto ripetuti suggerimenti per il termine "dati sintetici". Quel termine ha tuttavia un significato ampiamente usato e molto diverso da quello che vuoi esprimere: https://en.wikipedia.org/wiki/Synthetic_data

Non sono sicuro che esista un termine scientifico generalmente accettato, ma il termine "dati di esempio" sembra difficile da fraintendere?

Ho trovato il termine "dati falsi" un discreto importo. Immagino che potrebbe avere alcune connotazioni negative, ma l'ho sentito abbastanza spesso che non si registra affatto negativamente per me.

FWIW, anche Andrew Gelman lo usa:

https://statmodeling.stat.columbia.edu/2009/09/04/fake-data_simul/

https://statmodeling.stat.columbia.edu/2019/03/23/yes-i-really-really-really-like-fake-data-simulation-and-i-cant-stop-talking-about-it/

https://books.google.dk/books?id=lV3DIdV0F9AC&pg=PA155&lpg=PA155&dq=fake+data+simulation&source=bl&ots=6ljKB6StQ4&sig=ACfU3U17GLP_84q_HfIQB4u5O6wV0yA2Aw&hl=en&sa=X&ved=2ahUKEwiF2_eB0uvjAhWswcQBHSn5Cn04ChDoATAAegQICRAB#v=onepage&q=fake%20data%20simulation&f=false

Una rapida ricerca su google di "dati falsi" rivela molti risultati che sembrano usare il termine in modo simile:

https://scientistseessquirrel.wordpress.com/2016/03/10/good-uses-for-fake-data-part-1/

http://modernstatisticalworkflow.blogspot.com/2017/04/an-easy-way-to-simulate-fake-data-from.html

https://clayford.github.io/dwir/dwr_12_generating_data.html

E c'è anche un fakeRpacchetto, il che suggerisce che questo è relativamente comune: https://cran.r-project.org/web/packages/fakeR/fakeR.pdf

Uso una parola diversa a seconda del modo in cui utilizzo i dati. Se ho trovato il set di dati inventato in giro e ho indicato il mio algoritmo in modo confermativo, allora la parola "sintetico" va bene.

Tuttavia, spesso ogni volta che utilizzo questo tipo di dati, ho inventato i dati con l'intento specifico di mostrare le capacità del mio algoritmo. In altre parole, ho inventato i dati allo scopo specifico di ottenere "buoni risultati". In tali circostanze, sono affezionato al termine "inventato" insieme a una spiegazione delle mie aspettative per i dati. Questo perché non voglio che nessuno commetta l'errore di pensare che ho puntato il mio algoritmo su un set di dati sintetici arbitrario che ho trovato in giro e ha funzionato davvero bene. Se ho raccolto dati ciliegia (al punto di crearli effettivamente) in modo specifico per far funzionare bene il mio algoritmo, lo dico. Questo perché tali risultati forniscono la prova che il mio algoritmo puòfunziona bene, ma fornisce solo prove molto deboli che ci si potrebbe aspettare che l'algoritmo funzioni bene in generale . La parola "inventata" riassume davvero bene il fatto che ho scelto i dati con "buoni risultati" in mente, a priori.

"dà l'impressione di dati fraudolenti ?"

No, ma è importante essere chiari circa la fonte di qualsiasi set di dati e le vostre a priori aspettative come lo sperimentatore nel riferire i risultati su qualsiasi set di dati. Il termine "frode" include esplicitamente un aspetto di aver nascosto qualcosa o di aver mentito apertamente. Il modo # 1 per evitare di commissione di frodi nel campo della scienza è quello di essere semplicemente onesti e schietti circa la natura dei vostri dati e le vostre aspettative. In altre parole, se i tuoi dati sono fabbricati e non riesci a dire altrettanto in alcun modo , e c'è qualche tipo di aspettativa che i dati non siano fabbricati o, peggio ancora, dichiari che i dati sono raccolti in un tipo non fabbricato di modo, quindi quello è"frode". Non fare quella cosa. Se vuoi usare un sinonimo per il termine "fabbricato" che "suona meglio", come "sintetico", nessuno ti biasimerà, ma allo stesso tempo non penso che nessuno noterà la differenza tranne te.

Una nota a margine:

Meno ovvie sono le circostanze in cui si afferma di aver avuto aspettative a priori che sono in realtà spiegazioni post hoc . Questa è anche un'analisi fraudolenta dei dati.

Esiste il pericolo di ciò quando si scelgono i dati specificamente con l'intento di "mostrare" le capacità di un algoritmo, come spesso accade con i dati sintetici.

$D$$H$$H$$D$$D$

$H$$D$$H$$D$

Non c'è alcun problema nel fare questo, purché tu sia onesto e schietto su ciò che hai fatto. Se hai provato a creare un set di dati che fornisca "buoni risultati", dillo. Fintanto che fai conoscere al lettore i passaggi che hai compiuto nell'analisi dei dati, ha le informazioni necessarie per valutare efficacemente l'evidenza a favore o contro le tue ipotesi. Quando non sei onesto o non sei sincero , questo può dare l'impressione che le tue prove siano più forti di quanto non siano in realtà. Quando sei KNOWINGLY meno che onesto e schietto per rendere le tue prove più forti di quanto non sia in realtà, allora è davvero fraudolento.

In ogni caso, questo è il motivo per cui preferisco il termine "inventato" per tali set di dati, insieme a una breve spiegazione del fatto che sono, in effetti, scelti con un'ipotesi in mente. "Contrived" trasmette la sensazione che non solo ho creato un set di dati sintetico, ma lo ho fatto con particolari intenzioni che riflettono il fatto che la mia ipotesi era già in atto prima della creazione del mio set di dati.

$A$$D$$x.y$

tl; dr

Usa il termine che preferisci, "sintetico", "inventato", "fabbricato", "fittizio". Tuttavia, il termine utilizzato non è sufficiente per garantire che i risultati non siano fuorvianti . Assicurati di essere chiaro nel tuo rapporto su come sono stati generati i dati, comprese le tue aspettative per i dati e i motivi per cui hai scelto i dati che hai scelto.

Innanzitutto, non c'è motivo di non chiamarlo un "set di dati". Non ci sono termini universalmente concordati per dati "falsi" vs "simulati" vs .... Se l'obiettivo è essere completamente chiari, è meglio dedicare effettivamente una frase, piuttosto che una parola, per qualificare il set di dati. Successivamente, puoi rilassare la designazione e fare semplicemente riferimento ai tuoi dati come dati.

"Sintetico", "artificiale" non distingue da altri insiemi di dati "simulati" campionati MCMC nella mia mente. L'uso di un generatore di numeri quasirandom con un seme fisso (come detterebbe l'addestramento appropriato) crea anche un set di dati sintetico o artificiale.

Se il punto di curare un set di dati per una specifica illustrazione, piuttosto che generare un'istanza o una realizzazione da un modello di probabilità, penso che sia meglio chiamare un set di dati un " set di dati di esempio ". Dati come questi sono simili al quartetto di Anscombe: totalmente astratti e non plausibili, ma intesi a illustrare un punto.

In biologia, le analisi sono talvolta dimostrate utilizzando un set di dati di animali mitici. Se dichiarare esplicitamente che i dati sono simulati dipende dall'autore / revisore.

Una guida ecologista al modello animale, 2009

Questi tutorial descrivono una serie di analisi genetiche quantitative su una popolazione di grifoni (che riflette un compromesso tra i pregiudizi aviari e dei mammiferi degli autori). Dato che il Grifone è una bestia mitica, i dati forniti sono stati necessariamente simulati.

Varianza dell'effetto fisso e stima di ripetibilità ed ereditarietà: problemi e soluzioni, 2017

Per illustrare questo, torniamo al set di dati unicorno di Wilson (2008). È noto che negli unicorni la lunghezza del corno varia in base alla massa corporea individuale (pendenza: β = 0,403 per un modello completo comprendente età, sesso e loro interazione).

Intuitivamente andrei al termine "dati fittizi", nello stesso senso in cui "Lorem ipsum ..." è chiamato "testo fittizio". La parola "manichino" è abbastanza generica e di facile comprensione per persone di diversa estrazione ed è quindi meno probabile che venga interpretata male da lettori con un background meno statistico.

I dati sono in latino per dato , che viene utilizzato nei tempi moderni come scorciatoia per un determinato insieme di fatti registrati . Quindi, in un certo senso, riferirsi alle registrazioni fabbricate come una sorta di dato dato sarebbe una contraddizione aperta.

Tuttavia, a causa del crescente utilizzo dei dati per riferirsi semplicemente alle registrazioni - indipendentemente dalla presunzione originale dei dati come fatti - ci rendiamo felici a vicenda quando parliamo di registrazioni che possono o meno essere veritiere - quindi dati reali / falsi.

Riassumerò la mia esperienza sui modi per affrontare le registrazioni fabbricate di seguito. L'etichetta utilizzata dipende dal fatto che si stia supponendo che stiamo parlando di dati come registrazioni fabbricate che hanno lo scopo di sembrare ragionevolmente realistiche per consentire ulteriori analisi, o dati come un carico computazionale.

• Nei circoli di analisi / scienza dei dati / consulenze strategiche, le persone si rivolgono più frequentemente a una serie fabbricata di registrazioni generate sotto ipotesi realistiche come dati sintetici - e occasionalmente dati simulati . Le registrazioni fabbricate create utilizzando ipotesi grezze vengono chiamate set di dati giocattolo .
• Tra gli ingegneri del software, dati falsi , dati fittizi , dati resi-up e dei dati mock-up sono etichette frequenti quell'accenno principalmente alle registrazioni non necessariamente destinate ad avere proprietà realistiche, ma solo condividono le proprietà di base con i dati originali (dati di età è sempre numerica , gli indirizzi email sono sempre stringhe che contengono "@").
• I ricercatori accademici farebbero riferimento a una serie realistica di registrazioni fabbricate come pseudo-dati o dati simulati . In alcuni ambienti, se l'insieme fabbricato di osservazioni è il risultato di una simulazione Monte Carlo, può essere definito colloquialmente Monte Carlo . Le registrazioni semi-realistiche sono comunemente utilizzate a scopo illustrativo o per testare ipotesi alternative e indicate come set di dati giocattolo