信息系统研究中的预测挑战：解释与预测模型对比

本文《预测对信息系统研究的挑战》由Galit Shmueli和Otto Koppius撰写，发表于2009年4月，探讨了信息系统实证研究中预测模型的重要性与当前存在的挑战。传统的信息系统研究倾向于依赖解释性统计模型，这些模型主要用于检验因果假设，强调模型的解释力，而非预测能力。然而，预测性统计模型在精确预测样本观测值方面的应用相对较少，这导致了对预测性能的忽视。 文章指出，解释性与预测性统计模型虽然在科学研究中各有其独特作用，但目前的信息系统研究文献中普遍缺乏明确的预测目标、预测主张和预测统计模型。作者揭示了三项常见的偏差：一是即使目标是预测性的，研究者仍倾向于使用解释性模型；二是预测能力往往被误认为解释能力的一部分；三是许多解释性模型在实践中缺乏有效的预测评估，这是科学研究的基本要求。 作者强调了这两个概念之间的区别，以及这种区别在实际数据分析过程中对经验研究人员的实际挑战。他们提倡在信息系统的实证研究中更加重视预测性建模，以便更好地理解业务环境中的动态变化并作出准确预测。这不仅涉及到模型选择，还涉及到评估方法的改进，以确保研究结果的实用性和科学严谨性。 此外，文章可能还讨论了如何通过理论发展、数据收集策略优化以及模型验证技术来提升预测能力，以及这些改进如何影响IS研究的整体质量。这篇论文对于推动信息系统研究领域从单纯解释型向预测型转变具有重要意义，鼓励学者们重新审视他们的研究方法，以适应不断发展的商业和技术环境。