El proceso de ajustar parámetros del modelo y, cuando procede, entradas o términos de corrección de sesgo para que las predicciones del modelo concuerden mejor con los datos observacionales, incluyendo con frecuencia pasos de validación y consideración del rendimiento predictivo en las condiciones objetivo.

Principio

La calibración alinea las salidas del modelo con los datos optimizando parámetros o añadiendo términos correctivos mientras se previene el sobreajuste mediante validación cruzada, regularización o retención de datos de validación; reconoce tanto la incertidumbre de los parámetros como el error estructural del modelo.

Demostración

Ajustar parámetros de un modelo climático para reproducir ciclos estacionales de temperatura observados; modificar factores de escala de emisión en un modelo de calidad del aire para coincidir con mediciones de concentración; calibrar el sesgo de un sensor antes de su asimilación en predicciones.

Aplicación incorrecta

Sobreajustar parámetros para coincidir con un conjunto de datos particular (data dredging) de modo que el modelo ajuste ruido en lugar de señal, o usar la calibración para ocultar deficiencias estructurales del modelo en lugar de revisar la estructura del mismo.

Consecuencia

Un modelo bien calibrado proporciona mayor precisión predictiva dentro del dominio de calibración y estimaciones de incertidumbre más claras; respalda pronósticos fiables y simulaciones relevantes para políticas, pero exige validación cuidadosa para asegurar la transferibilidad fuera de los datos de calibración.

Inversión

Validación o falsación del modelo: en lugar de ajustar parámetros para encajar datos, se prueba el modelo y puede ser rechazado, o se consideran estructuras de modelo alternativas; el promediado de modelos puede usarse en lugar de calibrar un solo modelo.

Límite

Se centra en el ajuste de parámetros/entradas y en la alineación práctica con datos con fines predictivos; excluye la selección de modelos pura (decidir entre estructuras alternativas) y difiere de la estimación de parámetros en que la calibración suele ser pragmática, iterativa y orientada a la utilidad predictiva en vez de a la optimalidad estadística pura.

Tensión semántica

Existe tensión entre la calibración y el sobreajuste por una parte y la estimación estadística rigurosa por otra; la calibración es pragmática y dirigida al rendimiento, mientras que la estimación estadística enfatiza la cuantificación principiada de la incertidumbre y los diagnósticos de identificabilidad.

Síntesis

La calibración del modelo es el ajuste práctico de parámetros y términos correctivos para aproximar las salidas del modelo a las observaciones, equilibrando ajuste y generalización mediante validación, regularización y tratamiento explícito de la incertidumbre y el error estructural.