Explication statistique et probabiliste

L'explication statistique et probabiliste s'interroge sur la manière dont la science peut expliquer des événements qui découlent de lois probabilistes plutôt que déterministes.

Definition

Une explication statistique rend compte d'un événement en citant des lois statistiques et des conditions qui lui confèrent une probabilité ; selon l'interprétation inductivo-statistique, l'explication rend l'événement hautement prévisible, tandis que selon l'interprétation de la pertinence statistique, elle cite des facteurs qui modifient la probabilité de l'événement.

Scope

Ce sujet couvre le modèle inductif-statistique (IS) de Hempel, le problème de l'explication des résultats à faible probabilité, l'ambiguïté de l'explication statistique et l'exigence de spécificité maximale, ainsi que le modèle de pertinence statistique (SR) de Salmon qui reformule l'explication en termes de pertinence probabiliste plutôt que de probabilité élevée.

Core questions

• Un événement peut-il être expliqué si la loi statistique pertinente ne lui confère qu'une faible probabilité ?
• Quel est le problème de l'ambiguïté de l'explication inductivo-statistique ?
• Pourquoi Salmon remplace-t-il la probabilité élevée par la pertinence statistique ?
• Comment les explications statistiques se rapportent-elles aux processus causaux sous-jacents ?

Key concepts

• loi statistique
• classe de référence
• exigence de spécificité maximale
• pertinence statistique
• exigence de haute probabilité
• ambiguïté de l'explication IS

Key theories

Modèle inductif-statistique (IS)

Hempel modélise l'explication statistique comme un argument inductif conférant une probabilité élevée à l'explanandum, sous réserve d'une exigence de spécificité maximale pour éviter l'ambiguïté.

Modèle de pertinence statistique (SR)

Salmon soutient que ce qui explique est la citation de facteurs statistiquement pertinents pour le résultat, en partitionnant une classe de référence par pertinence plutôt qu'en recherchant une probabilité élevée.

History

Hempel a introduit le modèle inductif-statistique en 1965 parallèlement au modèle déductif-nomologique. Reconnaissant qu'une probabilité élevée n'est ni nécessaire ni suffisante pour l'explication, Salmon et ses collaborateurs ont développé le modèle de pertinence statistique en 1971, l'intégrant plus tard dans sa théorie causale-mécanique en 1984.

Debates

Probabilité élevée versus pertinence

Hempel lie l'explication statistique à la prévisibilité de l'événement, tandis que Salmon objecte que des événements improbables (tels que des guérisons rares) peuvent être expliqués lorsque les bonnes relations de pertinence sont citées.

Key figures

• Carl Hempel
• Wesley Salmon
• Richard Jeffrey

Seminal works

• hempel1965
• salmon1971
• salmon1984

Frequently asked questions

Pourquoi l'explication des événements à faible probabilité est-elle un problème ?

Si l'explication exigeait de rendre un événement hautement probable, des résultats rares mais réels (comme une désintégration radioactive particulière) ne pourraient jamais être expliqués. Le modèle de pertinence statistique y remédie en considérant une explication comme bonne lorsqu'elle cite des facteurs qui augmentent ou diminuent la probabilité de l'événement, quelle que soit la valeur absolue.