Microsimulación Basada en Agentes
- Propuesto por
- Orcutt, G. H. (microsimulation roots); Bonabeau, E. and others (ABM integration)
- Año
- 1957 (microsimulation); 2000s (hybrid ABMS)
- Tipo
- Hybrid simulation
- Familia
- Simulation / optimization
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La microsimulación basada en agentes (ABMS, por sus siglas en inglés) fusiona el seguimiento estadístico a nivel individual de la microsimulación tradicional con las reglas de comportamiento y los mecanismos de interacción del modelado basado en agentes.
Crea poblaciones virtuales de agentes heterogéneos que evolucionan con el tiempo según probabilidades de transición, comportamientos adaptativos e interacciones sociales, produciendo resultados emergentes a nivel de sistema a partir de dinámicas a nivel micro.
La intuición detrás del método
La microsimulación convencional trata a los individuos como entidades pasivas actualizadas por reglas estadísticas derivadas de datos poblacionales. El modelado basado en agentes permite que las entidades perciban su entorno, tomen decisiones e interactúen. ABMS combina ambas fortalezas: una población sintética estadísticamente fundamentada de la microsimulación se puebla con agentes que se adaptan, aprenden y se influyen mutuamente. Esto permite a los investigadores capturar no solo las transiciones demográficas, sino también los efectos en cascada de las elecciones individuales y el contagio social, algo crítico al estudiar intervenciones políticas en salud, planificación urbana o política social.
Historia
La tradición de la microsimulación se remonta a Orcutt (1957), quien modeló hogares individuales como unidades en la previsión socioeconómica. El modelado basado en agentes maduró en la década de 1990 a través de la ciencia de la complejidad y herramientas como NetLogo y Repast. A principios de la década de 2000, investigadores en políticas de salud y geografía urbana comenzaron a integrar ambas, produciendo marcos ABMS espacialmente explícitos capaces de tender puentes entre la demografía estadística y la dinámica conductual.
Cuándo usarlo
Utilizar ABMS cuando la pregunta de investigación requiere tanto fidelidad estadística a nivel individual como efectos de interacción conductual que los modelos agregados no pueden capturar; por ejemplo, modelar cómo una política de vacunación se propaga a través de una población estratificada socialmente. Es particularmente adecuado para la economía de la salud, la movilidad urbana, la investigación de la desigualdad social y la modelización del mercado laboral, donde los bucles de retroalimentación entre las decisiones individuales y los resultados colectivos son importantes. NO utilizar ABMS cuando una microsimulación más simple sin interacciones de agentes es suficiente, cuando los recursos computacionales son severamente limitados (ABMS escala mal a poblaciones muy grandes sin infraestructura HPC), cuando las reglas de comportamiento requeridas no pueden basarse empíricamente, o cuando la identificación causal es el objetivo principal (ABMS es generativo, no propicio para la inferencia causal).
Limitaciones y consideraciones
- Alto costo computacional: las poblaciones sintéticas grandes con reglas de comportamiento complejas requieren un tiempo de procesamiento y memoria significativos.
- La validación del modelo es desafiante; el comportamiento emergente es difícil de verificar con datos observados, ya que el mapeo de reglas micro a resultados macro no es transparente.
- Las reglas de comportamiento a menudo se simplifican o se asumen en lugar de estimarse empíricamente, lo que introduce incertidumbre en la especificación.
- Los resultados pueden ser muy sensibles a las elecciones de inicialización y al orden de las interacciones, lo que requiere protocolos de replicación cuidadosos.
- La combinación de dos tradiciones metodológicas requiere experiencia tanto en la calibración de microsimulación como en la programación basada en agentes.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Conserva la heterogeneidad a nivel individual de los microdatos reales mientras modela la adaptación conductual y la interacción social.
- Permite experimentos de políticas contrafactuales que son difíciles o poco éticos de realizar en el mundo real.
- Genera resultados emergentes a nivel de sistema (p. ej., segregación, olas epidémicas) sin especificación de arriba hacia abajo.
- Suficientemente flexible para combinar reglas de transición demográfica con difusión de redes, dinámicas espaciales y restricciones institucionales.
- Produce resultados ricos —historiales de trayectorias completas para cada agente— permitiendo análisis distributivos más allá de los efectos medios.
Aplicaciones
- Modelado de políticas de epidemias y vacunación utilizando poblaciones sintéticas estratificadas por edad y comportamiento.
- Planificación del transporte urbano: modelado del comportamiento de elección de modo y la emergencia de congestión en la población sintética de viajeros de una ciudad.
- Evaluaciones de economía de la salud de intervenciones para enfermedades crónicas en cohortes de pacientes heterogéneas.
- Modelado del mercado laboral: búsqueda de empleo, emparejamiento, dinámicas de desigualdad salarial en una fuerza laboral simulada.
- Análisis de políticas sociales: reforma de beneficios con comprobación de medios y su propagación a través de redes de ingresos de los hogares.
- Estudios de uso del suelo y segregación residencial que incorporan preferencias de los hogares y dinámicas de cambio de vecindario.
Cómo funciona
Cómo funciona
Construir una población sintética a partir de microdatos de encuestas o censos utilizando métodos de reponderación o microsimulación espacial (p. ej., ajuste proporcional iterativo). Cada registro individual se convierte en un agente distinto con atributos como edad, ingresos, estado de salud y ubicación.
Definir tipos de agentes y asignar repertorios de comportamiento: reglas de decisión, parámetros de preferencia y variables de estado. Las reglas pueden ser deterministas (p. ej., basadas en umbrales) o probabilísticas (extraídas de matrices de transición empíricas). La heterogeneidad de los agentes se conserva de los microdatos originales.
Especificar el entorno en el que operan los agentes: una cuadrícula espacial, una red social o un espacio de interacción abstracto. Los parámetros ambientales (disponibilidad de recursos, reglas institucionales, palancas políticas) se inicializan y pueden cambiar a lo largo de los pasos de tiempo.
Avanzar el reloj de la simulación por pasos de tiempo discretos (días, meses, años). En cada paso, cada agente evalúa su estado, aplica reglas de comportamiento y actualiza sus atributos. Los eventos de transición (nacimiento, muerte, migración, cambio de empleo) se muestrean de distribuciones de probabilidad calibradas con datos reales.
Aplicar mecanismos de interacción entre agentes: contagio basado en redes (p. ej., propagación de enfermedades), influencia de pares en el comportamiento, compensación de mercado o efectos de proximidad espacial. Fenómenos emergentes —agrupación, desigualdad, epidemias— surgen de estas interacciones locales sin ser programados explícitamente.
Agregar trayectorias a nivel de agente en indicadores a nivel de población (tasas de prevalencia, coeficientes de Gini, longitudes de cola). Ejecutar múltiples réplicas estocásticas y calcular medias, intervalos de confianza y medidas de sensibilidad a través de escenarios o contrafactuales de políticas.
Errores comunes
- Sobreparametrización: agregar complejidad conductual sin fundamento empírico produce un modelo que no se ajusta a nada y no explica nada.
- Negligencia de la variabilidad estocástica: ejecutar muy pocas réplicas y tratar una simulación única como representativa conduce a conclusiones de excesiva confianza.
- Confundir emergencia con validez: patrones emergentes de apariencia plausible no confirman que los mecanismos subyacentes sean correctos.
- Ignorar la calibración: no alinear las estadísticas de la población sintética con los márgenes censales reales produce datos demográficos de referencia sesgados.
- Tratar ABMS como una caja negra: si las partes interesadas no pueden comprender las reglas de comportamiento, el modelo pierde credibilidad política.
Preguntas frecuentes
¿Cómo difiere ABMS de la microsimulación estándar?
La microsimulación estándar actualiza a cada individuo de forma independiente utilizando probabilidades de transición; no hay interacción entre individuos. ABMS añade interacciones explícitas entre agentes: los agentes pueden influir en las decisiones de los demás, propagar información o enfermedades y responder a su entorno social y espacial, generando comportamiento colectivo emergente.
¿Cuántas réplicas se necesitan para obtener resultados fiables?
No existe una regla universal, pero comúnmente se citan un mínimo de 30 a 50 réplicas estocásticas para estimar medias; los intervalos de confianza en estadísticas de cola (p. ej., picos epidémicos) pueden requerir cientos. Ejecute réplicas piloto y evalúe la estabilización de la varianza antes de comprometerse con una ejecución completa.
¿Se puede utilizar ABMS para la inferencia causal?
ABMS es una herramienta generativa y exploratoria: es excelente para probar escenarios de 'qué pasaría si' e identificar mecanismos, pero no proporciona identificación causal en el sentido econométrico. Las afirmaciones sobre efectos de políticas deben ir acompañadas de análisis de sensibilidad y, idealmente, validarse con experimentos naturales.
¿Qué software se utiliza comúnmente?
NetLogo y Repast Simphony son las plataformas ABM de código abierto más utilizadas. Para ABMS con microdatos estadísticos, paquetes de R como sms o simPop manejan la generación de poblaciones sintéticas, mientras que Python (framework Mesa) se utiliza cada vez más para simulaciones de agentes a gran escala.
¿Cómo se valida la población sintética?
La población sintética se valida típicamente comparando sus distribuciones marginales con puntos de referencia censales o de encuestas utilizando pruebas chi-cuadrado o métricas de error absoluto total. La calibración del comportamiento se evalúa comparando los resultados agregados simulados (p. ej., prevalencia de enfermedades, tasas de empleo) con datos de series temporales observados que se han excluido del ajuste del modelo.
Métodos relacionados
Fuentes
Birkin, M., & Clarke, M. (2012). The enhancement of spatial microsimulation models using geodemographics. Annals of Regional Science, 49(2), 515–532.
Abrir referencia DOICopiado.Orcutt, G. H. (1957). A new type of socio-economic system. The Review of Economics and Statistics, 39(2), 116–123.
Abrir referencia DOICopiado.