Desde la década de 1960, la distinción entre datos y fenómenos ha dado lugar a amplios debates en la filosofía de la ciencia, habiendo un claro acuerdo en que los datos deben modelarse a fin de que sirvan de evidencia para determinar la ocurrencia de fenómenos. Sostenemos que la modelización de datos, con el fin de obtener evidencia sobre fenómenos, involucra cuatro niveles: datos, estructura de la muestra, estructura de la población y fenómenos. Nuestro análisis sugiere que la noción de patrón es esencial para entender la capacidad inferencial de los modelos de datos, donde la representación se produce mediante razonamientos subrogatorios anidados —habitualmente en forma de isomorfismo entre diferentes capas. También explicamos cómo nuestra taxonomía de pasos inferenciales basados en patrones podría arrojar luz sobre diversos aspectos de la modelización de datos anidada, como aquellos relativos al riesgo de sesgo teórico. Para ilustrar nuestra propuesta, examinamos el experimento de Eddington —que puso a prueba la relatividad general observando la desviación de la luz de las estrellas cerca del Sol—, y mostramos cómo los patrones en diferentes niveles del modelado de datos proporcionan la base para el razonamiento subrogatorio anidado en este caso. Transformar los puntos/ datos identificados en las placas fotográficas en una representación de la desviación de la luz requiere una búsqueda de patrones en varios niveles, en donde cada patrón constituye un paso adelante en el modelado de datos y nos acerca un paso más al fenómeno objetivo.
La licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional