Saltar al contenido
Volver a los resultados

Modelado Basado en Agentes (MBA) — Simulación de Complejidad Emergente

Propuesto por
Thomas Schelling and Robert Axelrod (foundational contributions, 1970s–1990s)
Año
1970s–1990s (formalized as a field)
Tipo
Computational simulation method

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El modelado basado en agentes (MBA) es un método de simulación computacional, formalizado a través del trabajo de Thomas Schelling y Robert Axelrod en las décadas de 1970-1990, que simula el comportamiento de sistemas complejos especificando y ejecutando agentes autónomos —individuos, empresas, células o cualquier entidad acotada— cuyas interacciones locales entre sí y con su entorno producen colectivamente patrones globales a nivel de sistema que no podrían predecirse a partir de las reglas de ningún agente individual.

La intuición detrás del método

Imagine una ciudad donde los atascos de tráfico surgen aunque ningún conductor individual tenga la intención de causarlo. El MBA captura exactamente este tipo de emergencia: usted escribe las reglas que sigue cada agente individual —cómo perciben su entorno, toman decisiones y actúan—, luego ejecuta la simulación y observa qué sucede a nivel de población. El patrón global (el atasco de tráfico, la curva epidémica, el precio de mercado) no está programado directamente; surge de las interacciones. Este enfoque ascendente hace del MBA la opción natural siempre que el fenómeno interesante resida a nivel de sistema pero los mecanismos residan a nivel individual.

Historia

Las raíces intelectuales del MBA se encuentran en la investigación sobre complejidad del Instituto de Santa Fe de la década de 1980 y en el trabajo de modelado fundamental de Thomas Schelling (1971, segregación residencial) y Robert Axelrod (1984, evolución de la cooperación; 1997, complejidad de la cooperación). El libro de Axelrod de 1997, junto con el desarrollo de la plataforma NetLogo por Uri Wilensky y el marco Mesa para Python, ayudaron a consolidar el MBA como una metodología computacional reconocida. El método se extendió rápidamente a través de la epidemiología, la economía, la ecología y la simulación social durante las décadas de 1990 y 2000, y hoy sustenta modelos pandémicos a gran escala, investigación de microestructura de mercados financieros y herramientas de análisis de políticas.

Cuándo usarlo

El MBA es la opción apropiada cuando el fenómeno de interés emerge de interacciones individuales heterogéneas en lugar de dinámicas a nivel agregado. Es adecuado para dinámicas sociales, propagación epidémica, microestructura de mercado, modelos de población ecológica y cualquier entorno donde la heterogeneidad de los agentes, la estructura espacial o las interacciones locales dependientes de la trayectoria sean importantes. No se requiere un tamaño de muestra empírica mínimo, pero las reglas de los agentes deben ser defendibles —basadas en la teoría o en datos previos. Si hay datos observacionales disponibles para la calibración, se puede aplicar ABC. El método no es apropiado cuando el sistema puede describirse adecuadamente mediante ecuaciones diferenciales agregadas (preferir dinámica de sistemas) o cuando la pregunta de investigación se refiere a un proceso de cola o flujo (preferir simulación de eventos discretos). Ejecute al menos 1.000 réplicas; menos réplicas producen patrones poco fiables.

Limitaciones y consideraciones

  • Las reglas de los agentes deben justificarse por la teoría o por evidencia empírica; las reglas elegidas arbitrariamente producen resultados que no pueden interpretarse de manera significativa.
  • Requiere un gran número de réplicas (a menudo 1.000 o más) para caracterizar de manera fiable la distribución de salida, lo que puede ser computacionalmente costoso.
  • La validación del modelo es un desafío: los patrones emergentes pueden ajustarse a los datos observados por razones equivocadas (equifinalidad).
  • Los resultados son distribuciones, no soluciones de forma cerrada, lo que hace que la comunicación analítica sea más difícil que con métodos basados en ecuaciones.
  • La exploración del espacio de parámetros puede volverse intratable a medida que aumenta el número de tipos de agentes y reglas.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Captura el comportamiento emergente a nivel de sistema que no puede deducirse de las reglas de ningún agente individual.
  • Acomoda de forma natural la heterogeneidad de los agentes, la estructura espacial y las dinámicas dependientes de la trayectoria.
  • Funciona sin un tamaño de muestra empírica mínimo — los agentes se definen por la teoría o por reglas calibradas, no por registros observados.
  • Genera resultados de distribución a través de réplicas, proporcionando una imagen completa de la incertidumbre en lugar de una única trayectoria.
  • Aplicable en una amplia gama de dominios: ciencias sociales, epidemiología, economía, ecología e ingeniería.

Aplicaciones

  • Epidemiología: modelado de la propagación de epidemias a nivel de contacto individual para probar estrategias de intervención.
  • Simulación de mercados: representación de operadores heterogéneos en mercados financieros para estudiar la formación de precios y la volatilidad.
  • Dinámicas sociales: estudio de la segregación residencial, la dinámica de opiniones y la difusión de normas en poblaciones.
  • Ecología: modelado de dinámicas depredador-presa e interacciones entre especies en paisajes espacialmente explícitos.
  • Política sanitaria: simulación de flujos de pacientes y asignación de recursos bajo diferentes reglas organizativas.
  • Comportamiento organizacional: estudio de cómo las estrategias a nivel de empresa emergen de las interacciones de empleados y departamentos.

Cómo funciona

Cómo funciona

1

Los agentes se definen por sus atributos (variables de estado) y reglas de comportamiento. Las reglas deben basarse en la teoría o en evidencia empírica —este no es un paso para la conjetura. Cada tipo de agente representa una clase distinta de actores (por ejemplo, individuos susceptibles frente a infectados en un modelo epidémico, compradores frente a vendedores en un modelo de mercado). El número y la heterogeneidad de los tipos de agentes determinan el poder expresivo del modelo.

2

El entorno en el que actúan los agentes se configura: topología espacial (rejilla, red, espacio continuo o ningún espacio), cualesquiera recursos compartidos con los que los agentes puedan interactuar, y el radio de comunicación o percepción que determina qué otros agentes puede observar cada agente. El diseño del entorno es una elección de modelado que da forma directamente a las interacciones posibles.

3

La simulación se inicia: los agentes se colocan en el entorno, se establecen las variables de estado iniciales —ya sea a partir de datos empíricos o de distribuciones calibradas— y se fijan las semillas aleatorias para la reproducibilidad. Cuando existen datos observacionales, se puede utilizar la Computación Bayesiana Aproximada (ABC) en esta etapa para calibrar los parámetros frente a los resultados reales.

4

La simulación avanza a través de pasos de tiempo discretos. En cada paso, los agentes ejecutan sus reglas de comportamiento —posiblemente en un orden aleatorio para evitar artefactos—, actualizan sus estados e interactúan con vecinos o recursos compartidos. El modelo debe ejecutarse para un gran número de réplicas (comúnmente al menos 1.000) para que la distribución de los resultados, no solo una única trayectoria, pueda ser caracterizada.

5

Se recopilan estadísticas de salida en todas las réplicas: medias, varianzas y propiedades de distribución de las variables clave a nivel de sistema. Los resultados se informan como distribuciones, no como estimaciones puntuales. El análisis de sensibilidad prueba cuán robustos son los patrones emergentes a los cambios en las reglas de los agentes y los valores de los parámetros, y la validación del modelo compara las trayectorias simuladas con los datos observados cuando están disponibles.

Errores comunes

  • Ejecutar muy pocas réplicas — con menos de aproximadamente 1.000 ejecuciones, la distribución de salida está mal estimada y los patrones aparentes pueden ser ruido; si la computación es una limitación, prefiera la dinámica de sistemas para preguntas agregadas.
  • Escribir reglas de agentes sin fundamento teórico o empírico — las reglas arbitrarias producen simulacros, no modelos; cada regla debe citar una justificación de comportamiento.
  • Informar solo la trayectoria media a través de las réplicas sin transmitir la varianza — los resultados del MBA son inherentemente estocásticos y deben informarse como distribuciones.
  • Confundir el ajuste del modelo con la validación — un modelo puede reproducir patrones agregados observados a través de errores compensatorios; las pruebas estructurales y la predicción fuera de muestra son importantes.
  • Ignorar el período de calentamiento cuando la configuración inicial es arbitraria — el comportamiento en las primeras ejecuciones refleja las condiciones iniciales, no la dinámica en estado estacionario.

Preguntas frecuentes

¿En qué se diferencia el MBA de la dinámica de sistemas?

Los modelos de dinámica de sistemas modelan un sistema utilizando stocks, flujos y bucles de retroalimentación agregados descritos por ecuaciones diferenciales —trata a la población como un todo homogéneo y rastrea el comportamiento promedio a lo largo del tiempo. El MBA modela cada agente individual por separado, permitiendo la heterogeneidad, las interacciones espaciales locales y el comportamiento dependiente de la trayectoria. Elija dinámica de sistemas cuando la estructura de retroalimentación agregada sea el interés principal y la heterogeneidad de los agentes no importe; elija MBA cuando las diferencias individuales y las interacciones locales sean el mecanismo que desea estudiar.

¿Cuántas réplicas necesito?

La salida de un MBA es una distribución a través de ejecuciones estocásticas, no una única trayectoria determinista. Como mínimo práctico, ejecute al menos 1.000 réplicas e inspeccione los intervalos de confianza en sus estadísticas de salida clave. Si los intervalos son amplios, ejecute más. Informar solo una única ejecución o un pequeño puñado como representativo es un error común y grave.

¿Cómo valido un modelo basado en agentes?

La validación tiene varias capas: validación estructural (¿son las reglas consistentes con el comportamiento conocido?), validación orientada a patrones (¿reproduce el modelo múltiples patrones empíricos observados simultáneamente, no solo uno?), y validación predictiva (¿se cumplen las predicciones fuera de muestra?). Reproducir una única estadística agregada no es evidencia suficiente de que el modelo sea correcto.

¿Qué pasa si no tengo datos empíricos para calibrar los parámetros de los agentes?

Las reglas fundamentadas en la teoría se pueden usar directamente cuando faltan datos, pero el modelo debe presentarse como exploratorio en lugar de predictivo. Donde existen datos parciales, la Computación Bayesiana Aproximada (ABC) proporciona un marco principista para estimar distribuciones de parámetros comparando estadísticas resumidas simuladas con las observadas. El análisis de sensibilidad siempre es necesario para mostrar qué parámetros son más importantes.

Métodos relacionados

Fuentes

  1. Axelrod, R. (1997). The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration. Princeton University Press.

    Abrir referencia DOI
    Copiado.
  2. Wilensky, U. & Rand, W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo. MIT Press.

    ISBN: 978-0262731898
    Copiado.