Skip to content
Voltar aos resultados

Microssimulação Baseada em Agentes

Proposto por
Orcutt, G. H. (microsimulation roots); Bonabeau, E. and others (ABM integration)
Ano
1957 (microsimulation); 2000s (hybrid ABMS)
Tipo
Hybrid simulation
Família
Simulation / optimization

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A microssimulação baseada em agentes (ABMS) mescla o rastreamento estatístico em nível individual da microssimulação tradicional com as regras comportamentais e os mecanismos de interação da modelagem baseada em agentes.

Ela cria populações virtuais de agentes heterogêneos que evoluem ao longo do tempo de acordo com probabilidades de transição, comportamentos adaptativos e interações sociais, produzindo resultados emergentes em nível de sistema a partir de dinâmicas de micro-nível.

A intuição por trás do método

A microssimulação convencional trata os indivíduos como entidades passivas atualizadas por regras estatísticas derivadas de dados populacionais. A modelagem baseada em agentes permite que as entidades percebam seu ambiente, tomem decisões e interajam. A ABMS combina ambas as forças: uma população sintética estatisticamente fundamentada da microssimulação é populada com agentes que se adaptam, aprendem e influenciam uns aos outros. Isso permite que os pesquisadores capturem não apenas transições demográficas, mas também os efeitos em cascata das escolhas individuais e do contágio social — crítico ao estudar intervenções políticas em saúde, planejamento urbano ou política social.

História

A tradição da microssimulação remonta a Orcutt (1957), que modelou famílias individuais como unidades em previsões socioeconômicas. A modelagem baseada em agentes amadureceu na década de 1990 por meio da ciência da complexidade e ferramentas como NetLogo e Repast. No início dos anos 2000, pesquisadores em políticas de saúde e geografia urbana começaram a integrar os dois, produzindo estruturas de ABMS espacialmente explícitas capazes de unir demografia estatística e dinâmica comportamental.

Quando usar

Use a ABMS quando a questão de pesquisa exigir tanto fidelidade estatística em nível individual quanto efeitos de interação comportamental que modelos agregados não conseguem capturar — por exemplo, modelar como uma política de vacinação se propaga por uma população socialmente estratificada. É particularmente adequada para economia da saúde, mobilidade urbana, pesquisa sobre desigualdade social e modelagem do mercado de trabalho, onde os ciclos de feedback entre decisões individuais e resultados coletivos são importantes. NÃO use a ABMS quando uma microssimulação mais simples sem interações de agentes for suficiente, quando os recursos computacionais forem severamente limitados (a ABMS escala mal para populações muito grandes sem infraestrutura de HPC), quando as regras comportamentais necessárias não puderem ser empiricamente fundamentadas, ou quando a identificação causal for o objetivo principal (a ABMS é generativa, não amigável à inferência causal).

Limitações e considerações

  • Alto custo computacional: grandes populações sintéticas com regras comportamentais complexas exigem tempo de processamento e memória significativos.
  • A validação do modelo é desafiadora; o comportamento emergente é difícil de verificar contra dados observados porque o mapeamento de micro-regras para macro-resultados não é transparente.
  • As regras comportamentais são frequentemente simplificadas ou assumidas em vez de estimadas empiricamente, introduzindo incerteza de especificação.
  • Os resultados podem ser altamente sensíveis às escolhas de inicialização e à ordem de interação, exigindo protocolos de replicação cuidadosos.
  • A combinação de duas tradições metodológicas exige experiência tanto na calibração de microssimulação quanto na programação baseada em agentes.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Preserva a heterogeneidade em nível individual de microdados reais, ao mesmo tempo em que modela a adaptação comportamental e a interação social.
  • Permite experimentos contrafactuais de política que são difíceis ou antiéticos de conduzir no mundo real.
  • Gera resultados emergentes em nível de sistema (por exemplo, segregação, ondas epidêmicas) sem especificação de cima para baixo.
  • Flexível o suficiente para combinar regras de transição demográfica com difusão em rede, dinâmica espacial e restrições institucionais.
  • Produz resultados ricos — históricos de trajetória completos para cada agente — permitindo análise distribucional além dos efeitos médios.

Aplicações

  • Modelagem de políticas epidêmicas e de vacinação usando populações sintéticas estratificadas por idade e comportamento.
  • Planejamento de transporte urbano — modelagem do comportamento de escolha de modo e da emergência de congestionamento em uma população de passageiros sintética de uma cidade.
  • Avaliações econômicas em saúde de intervenções para doenças crônicas em coortes de pacientes heterogêneas.
  • Modelagem do mercado de trabalho — busca de emprego, correspondência, dinâmica de desigualdade salarial em uma força de trabalho simulada.
  • Análise de políticas sociais — reforma de benefícios baseados em meios e sua propagação através de redes de renda familiar.
  • Estudos de uso da terra e segregação residencial incorporando preferências domiciliares e dinâmicas de ponto de inflexão de vizinhança.

Como funciona

Como funciona

1

Construa uma população sintética a partir de microdados de pesquisa ou censo usando métodos de reponderação ou microssimulação espacial (por exemplo, ajuste proporcional iterativo). Cada registro individual se torna um agente distinto com atributos como idade, renda, estado de saúde e localização.

2

Defina os tipos de agentes e atribua repertórios comportamentais: regras de decisão, parâmetros de preferência e variáveis de estado. As regras podem ser determinísticas (por exemplo, baseadas em limiares) ou probabilísticas (extraídas de matrizes de transição empíricas). A heterogeneidade do agente é preservada a partir dos microdados originais.

3

Especifique o ambiente em que os agentes operam — uma grade espacial, uma rede social ou um espaço de interação abstrato. Os parâmetros ambientais (disponibilidade de recursos, regras institucionais, alavancas políticas) são inicializados e podem mudar ao longo do tempo.

4

Avance o relógio da simulação em passos de tempo discretos (dias, meses, anos). A cada passo, cada agente avalia seu estado, aplica regras comportamentais e atualiza seus atributos. Eventos de transição (nascimento, morte, migração, mudança de emprego) são amostrados de distribuições de probabilidade calibradas para dados reais.

5

Aplique mecanismos de interação entre agentes: contágio baseado em rede (por exemplo, propagação de doenças), influência de pares no comportamento, equilíbrio de mercado ou efeitos de proximidade espacial. Fenômenos emergentes — agrupamento, desigualdade, epidemias — surgem dessas interações locais sem serem explicitamente programados.

6

Agregue as trajetórias em nível de agente em indicadores em nível populacional (taxas de prevalência, coeficientes de Gini, comprimentos de fila). Execute múltiplas replicações estocásticas e calcule médias, intervalos de confiança e medidas de sensibilidade entre cenários ou contrafactuais de política.

Erros comuns

  • Superparametrizacão: adicionar complexidade comportamental sem fundamentação empírica produz um modelo que não se ajusta a nada e não explica nada.
  • Negligenciar a variabilidade estocástica: executar poucas replicações e tratar uma única simulação como representativa leva a conclusões excessivamente confiantes.
  • Confundir emergência com validade: padrões emergentes plausíveis não confirmam que os mecanismos subjacentes estão corretos.
  • Ignorar a calibração: não alinhar as estatísticas da população sintética com as margens reais do censo produz dados demográficos de linha de base enviesados.
  • Tratar a ABMS como uma caixa preta: se as partes interessadas não conseguem entender as regras comportamentais, o modelo perde credibilidade política.

Perguntas frequentes

Como a ABMS difere da microssimulação padrão?

A microssimulação padrão atualiza cada indivíduo independentemente usando probabilidades de transição; não há interação entre os indivíduos. A ABMS adiciona interações explícitas entre agentes — os agentes podem influenciar as decisões uns dos outros, espalhar informações ou doenças e responder ao seu ambiente social e espacial, gerando comportamento coletivo emergente.

Quantas replicações são necessárias para resultados confiáveis?

Não há uma regra universal, mas um mínimo de 30 a 50 replicações estocásticas é comumente citado para estimar médias; intervalos de confiança em estatísticas de cauda (por exemplo, picos epidêmicos) podem exigir centenas. Execute replicações piloto e avalie a estabilização da variância antes de se comprometer com uma execução completa.

A ABMS pode ser usada para inferência causal?

A ABMS é uma ferramenta generativa e exploratória — é excelente para testar cenários 'e se' e identificar mecanismos, mas não fornece identificação causal no sentido econométrico. Alegações sobre efeitos de política devem ser acompanhadas por análises de sensibilidade e, idealmente, validadas contra experimentos naturais.

Qual software é comumente usado?

NetLogo e Repast Simphony são as plataformas ABM de código aberto mais amplamente utilizadas. Para ABMS com microdados estatísticos, pacotes R como sms ou simPop lidam com a geração de população sintética, enquanto Python (framework Mesa) é cada vez mais usado para simulações de agentes em larga escala.

Como a população sintética é validada?

A população sintética é tipicamente validada comparando suas distribuições marginais com benchmarks de censo ou pesquisa usando testes qui-quadrado ou métricas de erro absoluto total. A calibração comportamental é avaliada comparando as saídas agregadas simuladas (por exemplo, prevalência de doenças, taxas de emprego) com dados de séries temporais observados que não foram usados no ajuste do modelo.

Métodos relacionados

Fontes

  1. Birkin, M., & Clarke, M. (2012). The enhancement of spatial microsimulation models using geodemographics. Annals of Regional Science, 49(2), 515–532.

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

    Abrir referência DOI
    Copiado.