データにモデルを当てはめるとは、すなわち、観察した自然現象を確率変数で表現し、その確率モデル（確率分布）を構築することである。頻度論的な立場からは、自然、もしくは、そのメカニズムを確率モデルとして正しく表現した「真のモデル」が、データを発生させたと考える。しかし、真のモデルは構造もパラメーターも未知であり、実際には知ることができない。従って、観察から真のモデルの近似モデルを構築して推定を行うことになる。真のモデルの確率分布をデータと近似モデルから精度よく推定できれば、結果としてよい予測につながる。

推定するパラメーターの数と利用できるデータの量が、本質的には推定の精度を決定する。すなわち、サンプルサイズが増えるか、パラメーター数が減少すれば、精度は改善する傾向にある。現実にはデータ量は限られているので、妥協としてパラメーター数の少ない近似モデルを複数の候補から選択すること、すなわちモデル選択が、よい予測における一つの問題となる。

講演では、(1) 真のモデル、オペレーティング・モデル、近似モデルの違い、(2) 真の確率分布に対する近似確率分布の当てはまりの悪さをあらわす確率変数「不一致」(discrepancy)の説明、(3) 全体の不一致、近似による不一致、推定による不一致の違い、(4) 不一致の期待値、およびその推定量（モデル選択の規準）、(5) モデル選択の規準で選択されたモデルが、必ずしも真のメカニズム・構造を含んでいないこと、 (6) Kullback-Leibler不一致からのAICの導出、 (7) 頻度論的なモデル選択とベイズ的なモデル選択の比較について説明する。また、時間があれば、水産資源の個体群動態の予測を目的とした研究の紹介として、年齢構成・メタ個体群構造を持つウナギについて、どの程度複雑なモデルで全体の個体数の予測を行えばよいのかを、データ量等との関係から分析した研究を紹介する。