The Claim Comes First: Descriptive, Causal, Mechanistic and Predictive Claims Need Different Evidence / La afirmación va primero: las afirmaciones descriptivas, causales, mecanísticas y predictivas requieren evidencias diferentes

English

A scientific result is interpretable only relative to the claim it is intended to support. Description, prediction, causal effect estimation and mechanistic explanation answer different questions and therefore require different evidence. Conflating them creates category errors: an accurate predictor can lack causal meaning; a causal intervention can establish an effect without identifying its mechanism; a mechanistic narrative can remain weak if it does not generate discriminating predictions; and a descriptive estimate can be valid without supporting extrapolation beyond its target population. This article defines a claim-first discipline for scientific inference. It proposes that every analysis begin by stating the claim class, target population or system, contrast or outcome of interest, temporal and spatial scope, and evidential standard required. It then maps common evidence types to the claims they can and cannot support. The central rule is non-compensatory: stronger statistics cannot substitute for evidence of the wrong kind. The article provides the claim taxonomy used by the INF series and establishes boundaries for later articles on causal structure, rival explanations, evidential strength, discriminating experiments, uncertainty, robustness and generalisation.

Español

Un resultado científico solo es interpretable en relación con la afirmación que pretende respaldar. La descripción, la predicción, la estimación de efectos causales y la explicación mecanística responden a preguntas distintas y, por tanto, requieren evidencias diferentes. Confundirlas genera errores de categoría: un predictor preciso puede carecer de significado causal; una intervención causal puede establecer un efecto sin identificar su mecanismo; una narración mecanística puede seguir siendo débil si no genera predicciones discriminantes; y una estimación descriptiva puede ser válida sin respaldar la extrapolación más allá de su población objetivo. Este artículo define una disciplina de inferencia científica centrada primero en la afirmación. Propone que todo análisis comience declarando la clase de afirmación, la población o sistema objetivo, el contraste o resultado de interés, el alcance temporal y espacial y el estándar de evidencia requerido. A continuación relaciona tipos habituales de evidencia con las afirmaciones que pueden y no pueden sustentar. La regla central es no compensatoria: una estadística más sólida no puede sustituir a una evidencia del tipo equivocado. El artículo proporciona la taxonomía de afirmaciones utilizada por la serie INF y establece los límites para los artículos posteriores sobre estructura causal, explicaciones rivales, fuerza de la evidencia, experimentos discriminantes, incertidumbre, robustez y generalización.

INF-001 · Version / Versión 0.2.