Advertisement

Modellierung und Simulation von Entscheidungsprozessen im Rahmen szenariobasierter Vorhersagen

  • Sabine ZinnEmail author
Chapter
Part of the Sozialwissenschaftliche Simulationen und die Soziologie der Simulation book series (SSSS)

Zusammenfassung

Dieses Kapitel beschreibt eine neuartige Methode zur Konstruktion von dynamischen (Mikro-)Simulationsmodellen, die nicht nur auf rein statistischen Modellen wie z. B. Regressionen beruhen, sondern diese um ein Modell erweitern, das auch die Abbildung von Verhaltens- und Entscheidungsprozessen oder generell von unbeobachteten Prozessen erlaubt. Zu diesem Zweck ist es notwendig, dass für die anvisierte Fragestellung geeignete soziologische und/oder psychologische Theorien identifiziert und formalisiert werden. Die formalisierte Theorie muss dann in Form eines theoriegeleiteten Modells so aufbereitet werden, dass sie sich in ein Mikrosimulationsmodell einbinden lässt. Um die Güte des so konstruierten Simulationsmodelles zu bemessen sind Sensitivitätsanalysen und Validierungsmaßnahmen vonnöten. Zu diesem Zweck empfiehlt sich u. a. die Nutzung eines statistischen Metamodells (z. B. eines statistischen Emulators), das das Simulationsmodell unter Beibehaltung der zugrundeliegenden Korrelationsstruktur der Modellvariablen und -parameter vereinfacht darstellt. In diesem Kapitel werden zwei Beispiele für die Umsetzung der Methode gegeben: ein Heiratsmarktmodell für die Verknüpfung von Individuen zu Paaren und ein Migrationsmodell, um die Rolle sozialer Netzwerke und nicht beobachtbarer Entscheidungsprozesse zu erfassen. Generell eignet sich die neue Methode hervorragend für szenariobasierte Vorhersagen, da durch die Verbindung von empirischen und theoretischen Größen es einerseits möglich wird, beobachtete Trends fortzuschreiben, und andererseits Kontextveränderungen zu modellieren.

Schlüsselbegriffe

Mikrosimulation Entscheidungs- und Verhaltensprozesse statistischer Emulator Sensitivitätsanalyse szenariobasierte Vorhersage 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Aalen, Odd, Ornulf Borgan, und Hakon Gjessing. Survival and Event History Analysis: A Process Point of View. New York: Springer Science & Business Media, 2008.Google Scholar
  2. Alho, Juha, und Bruce Spencer. Statistical Demography and Forecasting. New York: Springer Science & Business Media, 2006.Google Scholar
  3. Alt, Walter. Nichtlineare Optimierung: Eine Einführung in Theorie, Verfahren und Anwendungen. Braunschweig/Wiesbaden: Springer, 2013.Google Scholar
  4. American Society of Mechanical Engineers (ASME). Guide for Verification and Validation in Computational Solid Mechanics. New York: ASME, 2006.Google Scholar
  5. Andersen, Per Kragh, und Neils Keiding. „Multi-state models for event history analysis.“ Statistical methods in medical research 11, Nr. 2 (2002): 91–115.CrossRefGoogle Scholar
  6. Aparicio Diaz, B., T. Fent, A. Prskawetz, und L. Bernardi. „Transition to parenthood: The role of social interaction and endogenous networks.“ Demography 48, Nr. 2 (2011): 559–579.Google Scholar
  7. Balci, Osamn. „Verification, validation, and certification of modeling and simulation applications.“ Proceedings of the 35th conference on Winter simulation. New Orleans: IEEE, 2003. 150–158.Google Scholar
  8. Bartholomew, David J. Stochastic Models for Social Processes. 2. New York: John Wiley & Sons, 1973.Google Scholar
  9. Billari, Francesco C. „Searching for mates using “fast and frugal” heuristics: A demographic perspective.“ Advances in Complex Systems 3, Nr. 01n04 (2003): 53–65.Google Scholar
  10. Billari, Francesco C., Alexia Prskawetz, B. A. Diaz, und Thomas Fent. „The “wedding-ring”: An agent-based marriage model based on social interaction.“ Demographic Research 17 (2007): 59–82.CrossRefGoogle Scholar
  11. Blossfeld, Hans-Peter. „Educational assortative marriage in comparative perspective.“ Annual review of sociology 35 (2009): 513–530.CrossRefGoogle Scholar
  12. Buss, David M. The Evolution Of Desire: Strategies of Human Mating. New York: Basic Books, 2016.Google Scholar
  13. de Sousa Campos, Lucila, Emma Otta, und José de Oliveira Siqueira. „(2002). Sex differences in mate selection strategies: Content analyses and responses to personal advertisements in Brazil.“ Evolution and Human Behavior 23, Nr. 5 (2002): 395–406.CrossRefGoogle Scholar
  14. Elder Jr, Glen H. „Time, human agency, and social change: Perspectives on the life course.“ Social Psychology Quarterly, 1994: 4–15.Google Scholar
  15. Fishbein, Martin, und Icek Ajzen. Predicting and Changing Behavior: The Reasoned Action Approach. New York: Psychology Press, 2010.Google Scholar
  16. Flache, Andreas, und Michael Mäs. „Multi-Agenten-Modelle.“ In Handbuch Modellbildung und Simulation in den Sozialwissenschaften, von N. Braun und N. Saam, 491–514. Wiesbaden: Springer VS, 2015.Google Scholar
  17. Galler, Heinz Peter. Discrete-time and continuous-time approaches to dynamic microsimulation reconsidered. University Canberra: National Centre for Social and Economic Modelling, 1997.Google Scholar
  18. Geffen, Nathan, und Stefan Scholz. „Efficient and effective pair-matching algorithms for agent-based models.“ Journal of Artificial Societies and Social Simulation 20, Nr. 4 (2017).Google Scholar
  19. González-Ferrer, Amparo, Pau Baizán, und Cris Beauchemin. „Child-parent separations among Senegalese migrants to Europe: Migration strategies or cultural arrangements?“ The Annals of the American Academy of Political and Social Science, 2012: 106–133.CrossRefGoogle Scholar
  20. Greene, William H. „Prediction and Forecasting.“ In Econometric Analysis, International Edition, 120–127. Essex: Pearson Education India, 2012.Google Scholar
  21. Hannappel, Marc, und Klaus G. Troitzsch. „Mikrosimulationsmodelle.“ In Handbuch Modellbildung und Simulation in den Sozialwissenschaften, von N. Braun und N. Saam, 455–489. Wiesbaden: Springer VS, 2015.Google Scholar
  22. Hill, Russell A., und Robin I. M. Dunbar. „Social network size in humans.“ Human nature 14, Nr. 1 (2003): 53–72.Google Scholar
  23. Hilton, Jason. Managing Uncertainty in Agent-Based Demographic Models (Doktorarbeit). Universität von Southampton, 2017.Google Scholar
  24. Hoem, Jan. „Inhomogeneous semi-Markov processes, select actuarial tables, and duration-dependence in demography.“ Population Dynamics, 1972: 251–296.Google Scholar
  25. Hommes, Cars H. „Heterogeneous agent models in economics and finance.“ In Handbook of computational economics, 1109–1186. 2006.Google Scholar
  26. Hougaard, Philip. „Multi-state models: a review.“ Lifetime data analysis 5, Nr. 3 (1999): 239–264.Google Scholar
  27. Jackson, Christopher H. „Multi-state models for panel data: the msm package for R.“ Journal of statistical software 38, Nr. 8 (2011): 1–29.Google Scholar
  28. Kennedy, Marc C., und Anthony O’Hagan. „Bayesian calibration of computer models.“ Journal of the Royal Statistical Society: Series B (Statistical Methodology) 63, Nr. 3 (2001): 425–464.CrossRefGoogle Scholar
  29. Kenrick, Douglas T., und Richard C. Keefe. „Age preferences in mates reflect sex differences in human reproductive strategies.“ Behavioral and Brain Sciences 15, Nr. 1 (1992): 75–91.CrossRefGoogle Scholar
  30. Kijima, Masaaki. Markov Processes for Stochastic Modeling. New York: Springer US, 1997.Google Scholar
  31. Klabunde, Anna, Sabine Zinn, Frans Willekens, und Matthias Leuchter. „Multistate modeling extended by behavioral rules (Version 1.5.0).“ CoMSES Computational Model Library, 2017b.Google Scholar
  32. Klabunde, Anna, Sabine Zinn, Frans Willekens, und Matthias Leuchter. „Multistate modelling extended by behavioural rules: An application to migration.“ Population studies 71, Nr. sup1 (2017a): 51–67.Google Scholar
  33. Klabunde, Anna, Sabine Zinn, Matthias Leuchter, und Frans Willekens. „An agent-based decision model of migration, embedded in the life course-model description in ODD+D format.“ Nr. WP-2015-002. Rostock: Max-Planck-Institut für Demografische Forschung, 2015.Google Scholar
  34. Klabunde, Anna, und Frans Willekens. „Decision-making in agent-based models of migration: State of the art and challenges.“ European Journal of Population 32, Nr. 1 (2016): 73–97.CrossRefGoogle Scholar
  35. Kleijnen, Jack PC. „An overview of the design and analysis of simulation experiments for sensitivity analysis.“ European Journal of Operational Research 164, Nr. 2 (2005): 287–300.CrossRefGoogle Scholar
  36. Naylor, Thomas H, und Joseph Michael Finger. „Verification of computer simulation models.“ Management Science 14, Nr. 2 (1967): B-92.Google Scholar
  37. Oakley, Jeremy, und Anthony O’Hagan. „Bayesian inference for the uncertainty distribution of computer model outputs.“ Biometrika 89, Nr. 4 (2002): 769–784.Google Scholar
  38. O’Brien, Jodi. The Production of Reality: Essays and Readings on Social Interaction. 4. Thousant Oaks, CA: Pine Forge Press, 2006.Google Scholar
  39. Prskawetz, Alexia. „The role of social interactions in demography: An agent-based modelling approach.“ In Agent-Based Modelling in Population Studies In (pp. 53–72)., Herausgeber: A. Grow und J. van Bavel, 53–72. Schweiz: Springer, 2017.Google Scholar
  40. Rubinstein, Reuven Y., und Dirk P. Kroese. Simulation and the Monte Carlo method. 3. Hoboken, New Jersey: John Wiley & Sons, 2017.Google Scholar
  41. Sacks, Jeromy, William J. Welch, Toby J. Mitchell, und Henry P. Wynn. „Design and analysis of computer experiments.“ Statistical science, 1989: 409–423.CrossRefGoogle Scholar
  42. Saltelli, Andrea, et al. Global Sensitivity Analysis: The primer. John Wiley & Sons, 2008.Google Scholar
  43. Sargent, Robert G. „Varification and validation of simulation models.“ Proceedings of the 2011 Winter Simulation Conference. Berlin: IEEE, 2011. 183–198.Google Scholar
  44. Todd, Peter M. „Coevolved cognitive mechanisms in mate search.“ In Evolution and the Social Mind: Evolutionary Psychology and Social Cognition, Herausgeber: J. P. Forgas, M. G. Haselton und W. von Hippel, 145–159. New York: Psychology Press, 2007.Google Scholar
  45. Troitzsch, Klaus G. „Multilevel Simulation.“ In Social Science Microsimulation, Herausgeber: K. G. Troitzsch, U. Mueller, G. N. Gilbert und J. E. Doran, 107–122. Berlin: Springer, 1996.CrossRefGoogle Scholar
  46. Waynforth, David, und Robin I. Dunbar. „Conditional mate choice strategies in humans: Evidence from ‘Lonely Hearts’ advertisements.“ Behaviour 132, Nr. 9 (1995): 755–779.Google Scholar
  47. Willekens, Frans, Sabine Zinn, und Matthias Leuchter. „Emigration rates from sample surveys: An application to Senegal.“ Demography, 2017: 2159–2179.CrossRefGoogle Scholar
  48. Windzio, Michael. Regressionsmodelle für Zustände und Ereignisse: Eine Einführung. Wiesbaden: Springer VS, 2013.Google Scholar
  49. Wolf, Douglas. „Simulation methods for analyzing continuous-time event-history models.“ Sociological Methodology 16 (1986): 283–308.CrossRefGoogle Scholar
  50. Zeigler, Bernard P., Tag Gon Kim, und Herbert Praehofer. Theory of Modeling and Simulation. San Diego: Academic press, 2000.Google Scholar
  51. Zietsch, Brendan P., Karin J. Verweij, Andrew C. Heath, und Nicholas G. Martin. „Variation in human mate choice: simultaneously investigating heritability, parental influence, sexual imprinting, and assortative mating.“ The American Naturalist 177, Nr. 5 (2011): 605–616.CrossRefGoogle Scholar
  52. Zinn, Sabine. A Continuous-Time Microsimulation and First Steps Towards a Multi-Level Approach in Demography. Bd. Doctoral dissertation. University of Rostock, 2011.Google Scholar
  53. Zinn, Sabine. „A mate-matching algorithm for continuous-time microsimulation models.“ International journal of microsimulation 5, Nr. 1 (2012): 31–51.Google Scholar
  54. Zinn, Sabine. „Demographic microsimulation for individuals and couples (Version 1.0.0).“ CoMSES Computational Model Library, 2015.Google Scholar
  55. Zinn, Sabine. „Konzeption eines Simulationsmodells zur Formation von Bildungsentscheidungen.“ In Mikrosimulation, Herausgeber: M. Hannappel und J. Kopp. Springer VS Verlag, 2019, in Arbeit.Google Scholar
  56. Zinn, Sabine. „Simulating synthetic life courses of individuals and couples, and mate matching.“ In Agent-Based Modelling in Population Studies, von Jan Van Bavel und André Grow, 113–157. Schweiz: Springer, 2017.Google Scholar
  57. Zinn, Sabine, Jutta Gampe, Jan Himmelspach, und Adelinde M. Uhrmacher. „Mic-Core: A tool for microsimulation.“ Simulation Conference (WSC), Proceedings of the 2009 Winter (IEEE), 2009: 992–1002.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Leibniz-Institut für Bildungsverläufe e.V.BambergDeutschland

Personalised recommendations