Se destaca la importancia del modelado estadís co en la inves gación cien fica y cómo la omisión del modelado y la prueba predic vos puede afectar nega vamente la relevancia de las teorías existentes y descubrir nuevos mecanismos causales. Se señala que en muchos campos actuales, el modelado estadís co se u liza casi exclusivamente para la explicación causal, lo que implica perder la capacidad de probar la relevancia de las teorías existentes y descubrir nuevos mecanismos causales. La falta de modelado predic vo en el desarrollo teórico no solo hace que el trabajo académico sea irrelevante para la prác ca, sino que también crea una barrera para lograr un progreso cien fico significa vo, especialmente en un entorno donde la recopilación y el acceso a datos son más fáciles. También se destaca la importancia de reconocer la diferencia entre la modelización explica va, predic va y descrip va, y de integrarla en la educación estadís ca tanto para estadís cos como para no estadís cos. Además, se sugiere que la disponibilidad de información sobre una variedad de modelos predic vos y explica vos puede arrojar luz tanto sobre aspectos predic vos como causales de los fenómenos cien ficos. también aborda la malinterpretación del poder predic vo en diversas disciplinas, como ecología, economía, epidemiología e informá ca, donde se infiere erróneamente el poder predic vo a par r del poder explica vo, lo que puede conducir a conclusiones cien ficas y prác cas incorrectas. En resumen, el documento destaca la importancia de reconocer la diferencia entre la modelización explica va, predic va y descrip va, y de integrarla en la educación estadís ca tanto para estadís cos como para no estadís cos. Además, se sugiere que la disponibilidad de información sobre una variedad de modelos predic vos y explica vos puede arrojar luz tanto sobre aspectos predic vos como causales de los fenómenos cien ficos.