模型：解釋 vs. 預測

研究的性質：假設驅動性 vs. 探索驅動性
有理論  vs. 無理論
研究的目的：「我們能做什麼事？ 」 vs. 「會發生什麼事？」
統計 vs. 資料科學、機器學習、人工智慧

回溯性（過去與現在 ）vs. 前瞻性（未來）
因果關係  vs. 關係
無偏差 vs. 低誤差（有時候我們必須要犧牲偏差來換取低變異性與低誤差。誤差 = 偏差 + 變異性）
實驗性資料（例如：臨床試驗）  vs. 觀察性資料（例如：病例-對照研究、世代研究、二次分析、資料庫研究）
小樣本  vs. 大樣本

模型的選擇： 理論 vs. 預測力
模型的評估： 信度（與模型假設的適合度《殘差常態分佈、線性、殘差均齊變異性、獨立性》、模型設定正確《無缺失變項、無多餘變項》、無多元共變性、無異常值、自變數無測量誤差、固定的自變數）與效度（與理論的適合度）  vs. 模型對未見過資料的預測力
變數少  vs. 變數多
變數的選擇：理論 vs. 演算法
變數的評估：信賴區間及 p 值 vs. 預測力

「為什麼一隻公兔和一隻母兔放在一起會生下小兔子？」 vs.「如果我們把一隻公兔和一隻母兔放在一起，那麼不久之後就會有一群小兔子」

能解釋的因子不一定能預測，能預測的因子不一定能解釋。