Skip to content
بازگشت به نتایج جست‌وجو

مدل‌سازی گذار حالت احتمالی در سطح فردی با شبیه‌سازی خرد تصادفی —

معرفی‌شده توسط
Guy H. Orcutt
سال
1957
نوع
Stochastic individual-level simulation
خانواده
Simulation / optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

شبیه‌سازی خرد تصادفی، جمعیت بزرگی از واحدهای فردی — افراد، خانوارها یا شرکت‌ها — را با اعمال انتخاب‌های تصادفی از توزیع‌های احتمالی تخمین‌زده‌شده تجربی در هر رویداد گذار، در طول زمان ردیابی می‌کند. برخلاف همتایان قطعی، هر تغییر حالت توسط شانس تعیین می‌شود و ناهمگونی واقعی را حفظ کرده و امکان سنجش دقیق عدم قطعیت را در چندین اجرای شبیه‌سازی فراهم می‌آورد.

شهود پشت روش

به هر فرد در مدل مانند این فکر کنید که در هر رویداد زندگی، تاس می‌اندازد: آیا امسال شغل پیدا می‌کند، بیماری می‌گیرد یا بازنشسته می‌شود؟ تاس بر اساس داده‌های واقعی بارگذاری شده است، بنابراین شانس‌ها منعکس‌کننده رفتار واقعی هستند. اجرای کل جمعیت از طریق هزاران مورد از این تاس‌اندازی‌ها، سال به سال، تاریخچه‌های زندگی مصنوعی واقعی را تولید می‌کند. تجمیع میلیون‌ها مسیر مشابه، نه تنها نتایج مورد انتظار، بلکه کل توزیع احتمالات را آشکار می‌سازد — تصویری که هیچ مدل میانگین فردی نمی‌تواند ارائه دهد.

تاریخ

گای اورکات در سال 1957 شبیه‌سازی خرد را به عنوان راهی برای تجزیه و تحلیل سیاست‌های اجتماعی-اقتصادی در سطح فردی، در مقابل مدل‌های اقتصاد سنجی تجمعی، معرفی کرد. شبیه‌سازی خرد تصادفی — جاسازی گذارهای حالت احتمالی از طریق انتخاب‌های مونت کارلو — در دهه‌های 1970 تا 1990 به دلیل قدرت محاسباتی که امکان پیاده‌سازی در مقیاس بزرگ را فراهم می‌کرد، به نوع غالب تبدیل شد. این روش اکنون در مدل‌سازی سیاست‌های مالیات-یارانه، بهداشت، حمل و نقل و بازنشستگی در سراسر جهان استاندارد است.

چه زمانی استفاده شود

زمانی از شبیه‌سازی خرد تصادفی استفاده کنید که نیاز به درک ناهمگونی فردی و نتایج توزیعی دارید — به عنوان مثال، ارزیابی اصلاحات مالیات-یارانه بر نابرابری درآمد، پیش‌بینی بدهی‌های بازنشستگی در سراسر جمعیت، یا مدل‌سازی گسترش اپیدمی. این روش زمانی عالی است که اثرات میانگین کافی نباشند و ریسک‌های حاشیه‌ای یا تغییرات توزیعی اهمیت داشته باشند. زمانی از آن اجتناب کنید که یک مدل سطح خلاصه کافی باشد، داده‌های خرد در دسترس یا قابل اعتماد نباشند، منابع محاسباتی به شدت محدود باشند (جمعیت‌های بزرگ با تکرارهای متعدد پرهزینه هستند)، یا احتمالات گذار را نتوان به طور معتبر از داده‌ها تخمین زد.

محدودیت‌ها و ملاحظات

  • از نظر محاسباتی فشرده است: جمعیت‌های بزرگ همراه با تکرارهای متعدد، زمان اجرا و حافظه قابل توجهی را می‌طلبند.
  • به داده‌های خرد با کیفیت بالا و نماینده برای مقداردهی اولیه و تخمین پارامتر نیاز دارد — ورودی بی‌کیفیت، خروجی بی‌کیفیت.
  • احتمالات گذار معمولاً از داده‌های تاریخی تخمین زده می‌شوند و ممکن است تغییرات رفتاری ساختاری را در بر نگیرند (نقد لوکاس).
  • پیچیدگی مدل به سرعت رشد می‌کند؛ اعتبارسنجی در برابر مجموعه داده‌های مستقل ضروری است اما اغلب دشوار است.
  • واریانس مونت کارلو حتی با تکرارهای زیاد نیز می‌تواند غیرقابل چشم‌پوشی باقی بماند اگر رویدادهای نادر بر نتایج تجمعی غالب شوند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • ناهمگونی فردی و توزیع‌های واقعی نتایج را به جای اجبار تحلیل از طریق لنز نماینده، در بر می‌گیرد.
  • عدم قطعیت را به طور رسمی منتشر می‌کند: تکرارهای متعدد، فواصل اطمینان را در اطراف تمام آماره‌های تجمعی ارائه می‌دهند.
  • جزئیات رفتاری غنی را امکان‌پذیر می‌سازد — جمعیت‌شناسی، قوانین رفتاری و قوانین سیاستی همگی می‌توانند در سطح فردی تعامل داشته باشند.
  • پادواقعیت‌های سیاستی ساده هستند: احتمالات گذار یا قوانین مالیاتی را تغییر دهید و بدون تغییرات مدل ساختاری دوباره اجرا کنید.
  • داده‌های خرد مصنوعی را به عنوان خروجی تولید می‌کند و امکان تحلیل‌های بعدی (نرخ فقر، اثرات توزیعی، تجزیه گروه‌های فرعی) را فراهم می‌سازد.
  • با محاسبات مدرن به طور طبیعی به جمعیت‌های بسیار بزرگ مقیاس می‌شود؛ موازی‌سازی در بین افراد بدیهی است.

کاربردها

  • تحلیل سیاست مالیات-یارانه: تخمین اثرات توزیعی اصلاحات مالیات بر درآمد یا یارانه‌های اجتماعی بر فقر و نابرابری.
  • سیاست بازنشستگی و بازنشستگی: پیش‌بینی هزینه‌های بازنشستگی آینده و کفایت تحت سناریوهای تغییرات جمعیتی.
  • سیاست بهداشت: مدل‌سازی پیشرفت بیماری، پذیرش درمان و اثربخشی هزینه در سراسر جمعیت بیمار شبیه‌سازی شده.
  • تقاضای حمل و نقل: شبیه‌سازی رفتار سفر فردی و پاسخ‌های انتخاب حالت به تغییرات زیرساخت یا قیمت‌گذاری.
  • سیاست بازار کار: ارزیابی اثرات اشتغال تغییرات حداقل دستمزد یا برنامه‌های فعال بازار کار.
  • پیش‌بینی جمعیت‌شناختی: تولید پیش‌بینی‌های جمعیتی احتمالی که ناهمگونی باروری، مرگ و میر و مهاجرت را در بر می‌گیرد.

چگونه کار می‌کند

چگونه کار می‌کند

1

جمعیت مصنوعی را با نمونه‌گیری یا استفاده مستقیم از رکوردهای داده‌های خرد (داده‌های نظرسنجی، سرشماری یا اداری) مقداردهی اولیه کنید. هر واحد i دارای یک بردار ویژگی (سن، درآمد، وضعیت سلامتی و غیره) است که حالت پایه را در زمان t = 0 نشان می‌دهد. ممکن است وزن‌های نمونه برای تطابق با کل جمعیت اعمال شود.

2

احتمالات گذار شرطی را برای هر رویداد مرتبط با استفاده از مدل‌های رگرسیونی (لوجیت، پروبیت، مدل‌های بقا) که بر روی داده‌های خرد مشاهده‌شده برازش شده‌اند، تخمین بزنید: P(s_{i,t+1} = s' | s_{i,t}, x_{i,t}). این احتمالات پارامترهای رفتاری اصلی مدل هستند.

فرمول
P(s_{i,t+1} = s' \mid s_{i,t}, x_{i,t})
3

برای هر واحد i در هر گام زمانی، یک متغیر تصادفی یکنواخت u_i را نمونه‌گیری کنید و آن را با احتمال گذار تجمعی مقایسه کنید. نتیجه s' زمانی اختصاص داده می‌شود که u_i در بازه احتمالی مربوطه قرار گیرد و تصادفی بودن واقعی را به هر مسیر فردی وارد کند.

فرمول
u_i \sim \mathrm{Uniform}(0,1); \quad s_{i,t+1} = s' \text{ if } u_i < P(s'|s_{i,t})
4

ساعت شبیه‌سازی را یک دوره (ماه، فصل یا سال) به جلو ببرید. بردار ویژگی هر واحد را برای انعکاس گذارهای تحقق‌یافته به‌روز کنید. هرگونه قوانین سیاستی یا شوک‌های خارجی را که احتمالات گذار را برای دوره بعدی تغییر می‌دهند، اعمال کنید.

5

آماره‌های تجمعی را با جمع یا میانگین‌گیری نتایج فردی محاسبه کنید: تعداد جمعیت، توزیع درآمد، نرخ فقر، شیوع بیماری. این شاخص‌های کلان از رفتار خرد ناشی می‌شوند نه اینکه فرض شوند.

فرمول
\bar{Y}_t = \frac{1}{N}\sum_{i=1}^{N} y_{i,t}
6

کل شبیه‌سازی را R بار (معمولاً 100–500 تکرار) با بذرهای تصادفی متفاوت برای سنجش واریانس مونت کارلو تکرار کنید. فواصل اطمینان را در اطراف نتایج تجمعی گزارش دهید، عدم قطعیت را بر اساس منبع تجزیه کنید و با تغییر پارامترهای گذار، جایگزین‌های سیاستی را آزمایش کنید.

دام‌های رایج

  • در نظر گرفتن یک اجرای مدل واحد به عنوان نتیجه بدون گزارش واریانس مونت کارلو در تکرارها — تصادفی بودن فردی به این معنی است که یک اجرا می‌تواند گمراه‌کننده باشد.
  • نادیده گرفتن حلقه‌های بازخورد: اگر نتایج تجمعی بر احتمالات گذار فردی تأثیر بگذارند (به عنوان مثال، تنگنای بازار کار بر نرخ یافتن شغل تأثیر می‌گذارد)، یک جدول احتمالات ایستا مشخص نشده است.
  • بیش‌برازش مدل‌های گذار به داده‌های آموزشی بدون اعتبارسنجی خارج از نمونه، منجر به دقت کاذب در پیش‌بینی‌های سیاستی می‌شود.
  • اشتباه گرفتن واریانس شبیه‌سازی خرد (نویز مونت کارلو) با عدم قطعیت پارامتر از تخمین — هر دو باید جداگانه گزارش شوند.
  • استفاده از حساب صحیح یا مولدهای عدد تصادفی درشت که باعث ایجاد بایاس سیستماتیک در انتخاب‌های گذار در جمعیت‌های بزرگ می‌شود.

پرسش‌های متداول

شبیه‌سازی خرد تصادفی چه تفاوتی با شبیه‌سازی خرد قطعی دارد؟

در شبیه‌سازی خرد قطعی، هر واحد از قوانین ثابتی پیروی می‌کند — اگر درآمد از آستانه X بیشتر شود، نتیجه Y اختصاص داده می‌شود. در نسخه تصادفی، نتایج به طور تصادفی از توزیع‌های احتمالی انتخاب می‌شوند، بنابراین دو فرد یکسان ممکن است مسیرهای متفاوتی را دنبال کنند. مدل‌های تصادفی عدم قطعیت دنیای واقعی را بهتر منعکس می‌کنند و امکان تخمین فواصل اطمینان را از طریق تکرارها فراهم می‌آورند.

برای دستیابی به نتایج تجمعی پایدار به چند تکرار نیاز است؟

این به اندازه جمعیت و نادر بودن رویداد بستگی دارد. برای جمعیت‌های بزرگ (بیش از 100,000 نفر)، حتی 50 تا 100 تکرار برای نتایج رایج کافی است؛ رویدادهای نادر (مانند شروع ناتوانی) ممکن است به 500 یا بیشتر نیاز داشته باشند. یک بررسی استاندارد این است که آماره‌های کلیدی را در برابر تعداد تکرار رسم کنید و زمانی که فاصله اطمینان تثبیت شد، متوقف شوید.

آیا شبیه‌سازی خرد تصادفی می‌تواند پاسخ‌های رفتاری به تغییرات سیاستی را مدل کند؟

تنها در صورتی که خود احتمالات گذار دوباره تخمین زده یا تنظیم شوند تا محیط سیاستی جدید را منعکس کنند. مدل‌های ایستا، احتمالات رفتار فعلی را به یک سیاست تغییریافته اعمال می‌کنند که یک فرض تعادل جزئی است. افزونه‌های پویا یا رفتاری می‌توانند کشش‌های تخمین‌زده‌شده را در بر گیرند اما به تلاش مدل‌سازی اضافی نیاز دارند.

چه نرم‌افزاری معمولاً برای شبیه‌سازی خرد تصادفی استفاده می‌شود؟

پلتفرم‌های اختصاصی شامل EUROMOD (مالیات-یارانه اتحادیه اروپا)، MODGEN (آمار کانادا) و PENSIM (مدل‌سازی بازنشستگی) هستند. محیط‌های عمومی مانند R، Python و Stata نیز زمانی که به یک مدل سفارشی نیاز باشد، به طور گسترده استفاده می‌شوند و کنترل کاملی بر منطق گذار و مدیریت تکرار ارائه می‌دهند.

آیا شبیه‌سازی خرد تصادفی همان مدل‌سازی مبتنی بر عامل است؟

آنها همپوشانی دارند اما متمایز هستند. شبیه‌سازی خرد معمولاً بر پیش‌بینی رو به جلو تاریخچه‌های زندگی فردی با استفاده از احتمالات گذار تخمین‌زده‌شده تجربی بدون تعامل صریح عامل تمرکز دارد. مدل‌های مبتنی بر عامل بر رفتار نوظهور ناشی از تعاملات مستقیم بین عاملان تأکید می‌کنند. در عمل، بسیاری از مدل‌های مدرن هر دو رویکرد را ترکیب می‌کنند.

روش‌های مرتبط

منابع

  1. Orcutt, G. H. (1957). A new type of socio-economic system. The Review of Economics and Statistics, 39(2), 116–123.

    باز کردن مرجع DOI
    کپی شد.
  2. Harding, A. (Ed.) (1996). Microsimulation and Public Policy. North-Holland, Amsterdam.

    شابک: 9780444820297
    کپی شد.