Кращий термін для складених даних?

Я пишу приклад і склав деякі дані. Я хочу, щоб читачеві було зрозуміло, що це не реальні дані, але я також не хочу створювати враження злоби, оскільки це просто слугує прикладом.

Немає (псевдо) випадкових компонентів для цих конкретних даних, тому мені здається, що "модельований" не підходить. Якщо я називаю це вигаданим чи сфабрикованим, чи це створює враження шахрайських даних? Чи є "складеним" слово, яке б відповідало науковому контексту?

Яка термінологія в статистичній літературі для несимульованих складених даних?

Я б, мабуть, назвав це "синтетичними" або "штучними" даними, хоча я також міг би назвати їх "симульованими" (моделювання просто дуже просте).

Якщо ви хочете віднести свої дані до фіктивних, ви будете в хорошій компанії, так як саме цей термін Френсіс Анскомб використовував для опису свого тепер відомого квартету .

From Anscombe, FJ (1973). " Графіки статистичного аналізу ", Am. Стат. 27 (1):

Деякі з цих пунктів проілюстровані чотирма фіктивними наборами даних, кожен з яких складається з одинадцяти пар (x, y), показаних у таблиці.

Але я думаю, що ваша обережність є вдалою, оскільки, здається, мій OED (v4) вказує на те, що це використання вигаданого застарілого

вигаданий , а.

(fɪkˈtɪʃəs)

[ф. L. fictīci-us (f. Fingĕre до моди, прихильності) + -ous: див. -Itious.]

1.1 † a.1.a Штучний на відміну від природного (ут.). b.1.b підробка, 'імітація', шахрайство; не справжній.

У ІТ ми часто називаємо це макетом даних , які можна представити через макет (додаток).

Дані макету також можуть бути представлені через повністю функціональну програму, наприклад, для контролю функціональності програми контрольованим чином.

Я бачив неодноразові пропозиції щодо терміна "синтетичні дані". Цей термін, однак, має широко вживане і дуже відмінне значення від того, що ви хочете висловити: https://en.wikipedia.org/wiki/Synthetic_data

Я не впевнений, що існує загальновизнаний науковий термін, але, здається, термін "приклади даних" важко неправильно зрозуміти?

Я зіткнувся з терміном "підроблені дані" неабияку кількість. Я думаю, що це може мати деякі негативні конотації, але я чув це досить часто, щоб він взагалі не реєстрував негативно.

FWIW, Ендрю Гелман також використовує це:

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

Швидкий пошук в Google для "підроблених даних" виявляє безліч результатів, які, схоже, використовують термін аналогічно:

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

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

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

І навіть є fakeRпакет, який говорить про те, що це відносно часто: https://cran.r-project.org/web/packages/fakeR/fakeR.pdf

Я використовую інше слово залежно від способу використання даних. Якщо я виявив, що складений набір даних лежить навколо, і підтвердив свій алгоритм на ньому, то слово "синтетичний" чудово.

Однак часто, коли я використовую цей тип даних, я вигадував ці дані з певним наміром демонструвати можливості мого алгоритму. Іншими словами, я винайшов дані для конкретної мети - отримати «хороші результати». За таких обставин мені подобається термін "надуманий" разом із поясненням моїх очікувань щодо даних. Це тому, що я не хочу, щоб хтось помилявся, думаючи, що я вказав свій алгоритм на якийсь довільний синтетичний набір даних, який я виявив, що лежить навколо, і він справді спрацював добре. Якщо у мене є дані, які вибрали вишні (до того, що насправді складають) спеціально для того, щоб мій алгоритм добре працював, я говорю так. Це тому, що такі результати свідчать про те, що мій алгоритм можепрацюють добре, але дають лише дуже слабкі докази того, що алгоритм можна очікувати, що він добре працює в цілому . Слово "надуманий" справді добре підсумовує той факт, що я вибрав дані, маючи на увазі "хороші результати", апріорі.

"це створює враження шахрайських даних?"

Ні, але важливо бути зрозумілим про джерело будь-якого набору даних та ваші апріорні очікування як експериментатора, коли повідомляєте про свої результати на будь-якому наборі даних. Термін "шахрайство" явно включає аспект того, що щось прикрили чи відверто брехали. Спосіб № 1 уникнути вчинення шахрайства в науці - це просто бути чесним та відвертим щодо характеру ваших даних та ваших очікувань. Іншими словами, якщо ваші дані сфабриковані, і ви не зможете сказати стільки ж будь-яким способом , і є якесь очікування, що дані не сфабриковані, або, що ще гірше, ви стверджуєте, що дані збираються в якомусь нефабрикованому виді Зрозуміло, тоді це"шахрайство". Не роби цього. Якщо ви хочете використовувати якийсь синонім для терміна "виготовлений", який "звучить краще", наприклад "синтетичний", ніхто вас не винуватить, але в той же час я не думаю, що хтось не помітить різниці, крім вас.

Бічна примітка:

Менш очевидними є обставини, коли хтось стверджує, що мав апріорні очікування, які насправді є спеціальними поясненнями . Це також шахрайський аналіз даних.

Існує небезпека цього, коли вибирати дані спеціально з наміром "демонструвати" можливості алгоритму, що часто трапляється з синтетичними даними.

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

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

З цим не виникає проблем, якщо ви будете чесними та відвертими щодо того, що зробили. Якщо ви пройшли болі, щоб створити набір даних, який дає "хороші результати", скажіть так. Поки ви повідомляєте читача про кроки, які ви здійснили в процесі аналізу даних, у них є інформація, необхідна для ефективного зважування доказів для або проти ваших гіпотез. Коли ви не чесні або не відверті , це може створити враження, що ваші докази сильніші, ніж є насправді. Коли ви СВІДОМО менш чесного і відвертої заради створення Вашого свідоцтва видається сильнішим , ніж на самому справі, то , що, дійсно, шахрайський.

У будь-якому випадку, саме тому я віддаю перевагу терміну "надуманий" для таких наборів даних, а також коротке пояснення, що вони, дійсно, обрані з урахуванням гіпотези. "Надуманий" передає сенс, що я не тільки створив синтетичний набір даних, але й зробив це з особливими намірами, що відображають той факт, що моя гіпотеза вже була створена до створення мого набору даних.

$A$$D$$x.y$

тл; д-р

Використовуйте будь-який термін, який вам подобається, "синтетичний", "надуманий", "сфабрикований", "вигаданий". Однак термін, який ви використовуєте, недостатній для того, щоб ваші результати не вводили в оману . Переконайтеся, що у звіті вам чітко відомо про те, як з’явилися дані, включаючи ваші очікування щодо даних та причини, чому ви вибрали вибрані вами дані.

По-перше, немає причин не називати це "набором даних". Не існує загальновизнаних термінів для даних "підроблені" проти "імітованих" проти ... Якщо мета полягає в тому, щоб бути повністю зрозумілою, краще насправді присвятити речення, а не слово, щоб визначити, що таке цей набір даних. Після цього ви можете розслабити позначення і просто посилатися на свої дані як дані.

"Синтетичний", "штучний" не відрізняє від інших модельованих наборів даних MCMC від "вибірки", що імітуються. Використання генератора квазі випадкових чисел із фіксованим насінням (як би диктувало правильне навчання) також створює синтетичний або штучний набір даних.

Якщо суть курітування набору даних для конкретної ілюстрації, а не генерація екземпляра чи реалізація з імовірнісної моделі, я вважаю, що краще назвати такий набір даних " прикладом набору даних ". Такі дані схожі з квартетом Anscombe: абсолютно абстрактні та неправдоподібні, але мають на меті ілюструвати точку.

У біології іноді демонструють аналізи, використовуючи набір даних міфічних тварин. Незалежно від того, чи чітко зазначено, що дані імітуються, залежить від автора / рецензента.

Посібник еколога щодо моделі тварин, 2009

Ці навчальні посібники описують низку кількісних генетичних аналізів на популяції грифонів (відображаючи компроміс між упередженнями птахів та ссавців авторів). Оскільки грифон є міфічним звіром, надані дані обов'язково були змодельовані.

Дисперсія з фіксованим ефектом та оцінка повторюваності та спадковості: питання та рішення, 2017

Щоб проілюструвати це, повернемося до набору даних Єдинорога Wilson (2008). Відомий факт, що у єдинорогів довжина рогів змінюється залежно від індивідуальної маси тіла (нахил: β = 0,403 для повної моделі, включаючи вік, стать та їх взаємодію).

Інтуїтивно я б перейшов до терміна "Дані про манекен", в тому ж сенсі, що "Lorem ipsum ..." називається "текст манекена". Слово "Манекен" досить загальне і просте для розуміння для людей різного походження, і тому рідше трактується читачами менш статистичного походження.

Дані є латинськими для наведених даних , які використовуються в сучасні часи як скорочення для заданого набору записаних фактів . Таким чином, посилання на сфабриковані записи як на певні факти буде відкритим протиріччям.

Однак через все більш широке використання даних для посилань просто на записи - незалежно від того, як оригінальна презумпція записів є фактами - ми із задоволенням розуміємо один одного, коли говоримо про записи, які можуть бути, а можуть і не бути правдивими - отже, реальні / підроблені дані.

Я підсумую свій досвід способів вирішення сфабрикованих записів нижче. Використовувана мітка залежить від того, чи можна припустити, що ми говоримо про дані як сфабриковані записи, які мають виглядати досить реалістично, щоб забезпечити подальший аналіз, або дані як обчислювальне навантаження.

• У колах з питань аналітики / наукових даних / стратегічних консультацій люди найчастіше звертаються до сфабрикованого набору записів, створених на основі реалістичних припущень, як синтетичних даних, а також періодично моделюють дані . Сфабриковані записи, створені за допомогою сирих припущень, називаються набором даних про іграшки .
• Серед інженерів програмного забезпечення підроблені дані , фіктивні дані , складені дані та макетні дані є частими мітками, які в основному натякають на записи, що не обов'язково мають реалістичні властивості, а лише обмінюються основними властивостями з вихідними даними (вікові дані завжди чисельні) , адреси електронної пошти завжди містять рядки, що містять "@").
• Академічні дослідники називали б реалістичний набір сфабрикованих записів псевдоданими або імітованими даними . У деяких колах, якщо сформований набір спостережень є результатом симуляції Монте-Карло, це може називатися мовленнєво як Монте-Карло . Напівреалістичні записи зазвичай використовуються для ілюстративних цілей або тестування альтернативних гіпотез і називаються набором даних про іграшки