也不要粗暴地直接把线性方法扔进废纸篓。虽然线性方法的拟合效果比较差，但是在有限的数据量下他们的结论是足够可靠的，而且可解释性也远远好于神经网络。

传统线性模型不应该被抛弃的原因：可解释性。社会科学的一个重要目的，是要去理解，去说明，我们所关心社会现象背后的机理。只有理解了一个社会问题的成因才有可能去对症下药解决它。

而神经网络这类的复杂模型，虽然说在一些场景下有很好的预测作用，却由于其黑箱性很难给研究者带来什么新的见解。什么叫黑箱呢，就是说一个东西你完全不知道他的机理是什么。神经网络简直是为这个词量身定做的例子。

对于社会现象的形成，对于社科学者而言，会觉得很复杂，但对神经网络而言，材料根本不够塞牙缝，所谓的大模型根本跑不起来，这时候，还是需要线性分析来起作用了。可以通过系数看出哪几个因素是和社会问题的产生相关性最强，或者你使用pca之类更复杂一些的线性模型可以看出一些更有意思的现象：比如说一些因素无法单独对结果产生影响，需要合在一起才行。

（一只小猫咪@知乎）