Aplica varios modelos al mismo problema a la vez

Cuando modelos de campos distintos apuntan a la misma respuesta, la confianza sube; cuando entran en conflicto, aprendes algo importante.

Why it works

Un solo modelo predice bien los resultados dentro de su propio dominio, pero genera una confianza falsa cuando se aplica fuera de él. Ejecutar varios modelos estructuralmente distintos sobre el mismo problema crea un conjunto natural: donde convergen, la señal es más fuerte; donde divergen, la divergencia revela una característica del problema que ningún modelo aislado capta por sí solo.

How to do it

1. Elige una decisión o problema en el que estés trabajando.
2. Aplica al menos tres modelos de distintas disciplinas: uno basado en incentivos, uno psicológico, uno basado en sistemas.
3. Anota la predicción de cada modelo y la confianza que le asigna.
4. Compara: donde coinciden, procede con mayor confianza; donde discrepan, investiga la discrepancia antes de decidir.

Evidencia

Los métodos de ensamble en estadística y aprendizaje automático superan de forma consistente a las predicciones de un solo modelo al promediar sus patrones de error diversos. La misma lógica aplicada a los modelos mentales es el núcleo de la red entretejida de Munger: mecanísticamente sólida, establecida entre practicantes. (mechanistic)

La investigación sobre ensambles estadísticos es una disciplina formal; su análogo en el razonamiento verbal es plausible, pero depende de la calidad y la diversidad de los modelos aplicados, lo cual es difícil de verificar.

Common mistake

Usar los modelos de forma secuencial («déjame aplicar el modelo A, luego el modelo B») en lugar de simultáneamente, perdiéndote los conflictos y las convergencias que aparecen solo cuando se comparan directamente.