Skip to content
กลับไปยังผลการค้นหา

การจำลองจุลภาคเชิงสุ่ม — การสร้างแบบจำลองการเปลี่ยนสถานะระดับบุคคลเชิงความน่าจะเป็น

ผู้เสนอ
Guy H. Orcutt
ปี
1957
ประเภท
Stochastic individual-level simulation
กลุ่มวิธี
Simulation / optimization

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การจำลองจุลภาคเชิงสุ่ม (Stochastic Microsimulation) ติดตามประชากรขนาดใหญ่ของหน่วยย่อยแต่ละหน่วย ไม่ว่าจะเป็นบุคคล ครัวเรือน หรือบริษัท ตลอดช่วงเวลา โดยใช้การสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นที่ประมาณค่าเชิงประจักษ์ในแต่ละเหตุการณ์การเปลี่ยนผ่าน ซึ่งแตกต่างจากแบบจำลองเชิงกำหนด (deterministic counterparts) ตรงที่การเปลี่ยนสถานะทุกครั้งถูกตัดสินโดยโอกาส ทำให้รักษาความแตกต่างหลากหลายที่สมจริง และช่วยให้สามารถหาปริมาณความไม่แน่นอนได้อย่างแม่นยำผ่านการจำลองหลายครั้ง

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพว่าแต่ละคนในแบบจำลองกำลังทอยลูกเต๋าในทุกเหตุการณ์สำคัญในชีวิต: พวกเขาจะได้งานในปีนี้หรือไม่ จะป่วย หรือจะเกษียณ? ลูกเต๋าถูกถ่วงน้ำหนักตามข้อมูลจริง ดังนั้นโอกาสจึงสะท้อนพฤติกรรมที่แท้จริง การจำลองประชากรทั้งหมดผ่านการทอยลูกเต๋าหลายพันครั้งเช่นนี้ ปีแล้วปีเล่า จะสร้างประวัติชีวิตสังเคราะห์ที่สมจริง การรวมวิถีชีวิตนับล้านดังกล่าวเผยให้เห็นไม่เพียงแค่ผลลัพธ์ที่คาดหวัง แต่ยังรวมถึงการแจกแจงที่เป็นไปได้ทั้งหมด ซึ่งเป็นภาพที่แบบจำลองบุคคลเฉลี่ยเพียงแบบจำลองเดียวไม่สามารถให้ได้

ประวัติศาสตร์

Guy Orcutt ได้นำเสนอการจำลองจุลภาคในปี 1957 เพื่อเป็นวิธีการวิเคราะห์นโยบายเศรษฐกิจสังคมในระดับบุคคล ซึ่งแตกต่างจากแบบจำลองเศรษฐมิติแบบรวม การจำลองจุลภาคเชิงสุ่ม — การฝังการเปลี่ยนสถานะเชิงความน่าจะเป็นผ่านการสุ่มแบบมอนติคาร์โล — ได้กลายเป็นรูปแบบที่โดดเด่นในช่วงทศวรรษ 1970–1990 เมื่อพลังการประมวลผลช่วยให้สามารถนำไปใช้ในวงกว้างได้ ปัจจุบันเป็นมาตรฐานในการสร้างแบบจำลองนโยบายภาษี-สวัสดิการ สุขภาพ การขนส่ง และบำนาญทั่วโลก

ควรใช้เมื่อใด

ใช้การจำลองจุลภาคเชิงสุ่มเมื่อคุณต้องการจับภาพความแตกต่างหลากหลายของแต่ละบุคคลและผลลัพธ์เชิงการแจกแจง — ตัวอย่างเช่น การประเมินการปฏิรูปภาษี-สวัสดิการต่อความไม่เท่าเทียมกันของรายได้ การคาดการณ์ภาระผูกพันบำนาญทั่วทั้งประชากร หรือการสร้างแบบจำลองการแพร่ระบาดของโรค จะมีประสิทธิภาพเมื่อผลกระทบเฉลี่ยไม่เพียงพอ และความเสี่ยงส่วนท้ายหรือการเปลี่ยนแปลงการแจกแจงมีความสำคัญ หลีกเลี่ยงเมื่อแบบจำลองระดับสรุปเพียงพอ เมื่อข้อมูลจุลภาคไม่พร้อมใช้งานหรือไม่น่าเชื่อถือ เมื่อทรัพยากรการคำนวณมีจำกัดอย่างมาก (ประชากรขนาดใหญ่ที่มีการจำลองหลายครั้งมีค่าใช้จ่ายสูง) หรือเมื่อความน่าจะเป็นของการเปลี่ยนผ่านไม่สามารถประมาณค่าได้อย่างน่าเชื่อถือจากข้อมูล

ข้อจำกัดและข้อควรพิจารณา

  • ต้องใช้การคำนวณที่เข้มข้น: ประชากรขนาดใหญ่รวมกับการจำลองหลายครั้งต้องการเวลาทำงานและหน่วยความจำจำนวนมาก
  • ต้องการข้อมูลจุลภาคคุณภาพสูงและเป็นตัวแทนสำหรับการเริ่มต้นและการประมาณค่าพารามิเตอร์ — ใส่ข้อมูลขยะเข้าไป ก็ได้ข้อมูลขยะออกมา
  • ความน่าจะเป็นของการเปลี่ยนผ่านมักจะประมาณค่าจากข้อมูลในอดีต และอาจไม่สามารถจับภาพการเปลี่ยนแปลงพฤติกรรมเชิงโครงสร้างได้ (Lucas critique)
  • ความซับซ้อนของแบบจำลองเพิ่มขึ้นอย่างรวดเร็ว การตรวจสอบความถูกต้องกับชุดข้อมูลอิสระเป็นสิ่งจำเป็น แต่บ่อยครั้งทำได้ยาก
  • ความแปรปรวนแบบมอนติคาร์โลอาจยังคงมีนัยสำคัญแม้จะมีการจำลองหลายครั้ง หากเหตุการณ์ที่หายากมีอิทธิพลต่อผลลัพธ์รวม

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • จับภาพความแตกต่างหลากหลายของแต่ละบุคคลและการแจกแจงผลลัพธ์ที่สมจริง แทนที่จะบังคับการวิเคราะห์ผ่านมุมมองของตัวแทนผู้แทน
  • เผยแพร่ความไม่แน่นอนอย่างเป็นทางการ: การจำลองหลายครั้งให้ช่วงความเชื่อมั่นรอบสถิติรวมทั้งหมด
  • ช่วยให้มีรายละเอียดพฤติกรรมที่หลากหลาย — ประชากรศาสตร์ กฎพฤติกรรม และกฎนโยบายสามารถโต้ตอบกันในระดับบุคคลได้
  • การเปรียบเทียบเชิงนโยบายทำได้ง่าย: เปลี่ยนความน่าจะเป็นของการเปลี่ยนผ่านหรือกฎภาษี และเรียกใช้ใหม่โดยไม่มีการเปลี่ยนแปลงแบบจำลองเชิงโครงสร้าง
  • สร้างข้อมูลจุลภาคสังเคราะห์เป็นผลลัพธ์ ทำให้สามารถวิเคราะห์ต่อยอดได้ (อัตราความยากจน ผลกระทบเชิงการแจกแจง การแบ่งกลุ่มย่อย)
  • ปรับขนาดได้อย่างเป็นธรรมชาติสำหรับประชากรขนาดใหญ่มากด้วยการประมวลผลสมัยใหม่ การประมวลผลแบบขนานในแต่ละบุคคลทำได้ง่าย

การประยุกต์ใช้

  • การวิเคราะห์นโยบายภาษี-สวัสดิการ: การประมาณผลกระทบเชิงการแจกแจงของการปฏิรูปภาษีเงินได้หรือการโอนเงินทางสังคมต่อความยากจนและความไม่เท่าเทียมกัน
  • นโยบายบำนาญและการเกษียณอายุ: การคาดการณ์ค่าใช้จ่ายบำนาญในอนาคตและความเพียงพอภายใต้สถานการณ์การเปลี่ยนแปลงทางประชากรศาสตร์
  • นโยบายสุขภาพ: การสร้างแบบจำลองความก้าวหน้าของโรค การเข้ารับการรักษา และความคุ้มค่าในประชากรผู้ป่วยจำลอง
  • ความต้องการการขนส่ง: การจำลองพฤติกรรมการเดินทางของแต่ละบุคคลและการเลือกรูปแบบการเดินทางเพื่อตอบสนองต่อโครงสร้างพื้นฐานหรือการเปลี่ยนแปลงราคา
  • นโยบายตลาดแรงงาน: การประเมินผลกระทบด้านการจ้างงานของการเปลี่ยนแปลงค่าแรงขั้นต่ำหรือโครงการตลาดแรงงานเชิงรุก
  • การคาดการณ์ทางประชากรศาสตร์: การสร้างการคาดการณ์ประชากรเชิงความน่าจะเป็นที่จับภาพความแตกต่างหลากหลายของภาวะเจริญพันธุ์ อัตราการตาย และการย้ายถิ่น

วิธีการทำงาน

วิธีการทำงาน

1

เริ่มต้นประชากรสังเคราะห์โดยการสุ่มตัวอย่างหรือใช้บันทึกข้อมูลจุลภาคโดยตรง (ข้อมูลสำรวจ สำมะโนประชากร หรือข้อมูลบริหาร) แต่ละหน่วย i มีเวกเตอร์ของคุณลักษณะ (อายุ รายได้ สถานะสุขภาพ ฯลฯ) ซึ่งแสดงถึงสถานะพื้นฐานที่เวลา t = 0 อาจมีการใช้น้ำหนักตัวอย่างเพื่อให้ตรงกับยอดรวมประชากร

2

ประมาณค่าความน่าจะเป็นของการเปลี่ยนผ่านแบบมีเงื่อนไขสำหรับทุกเหตุการณ์ที่เกี่ยวข้องโดยใช้แบบจำลองการถดถอย (logit, probit, hazard models) ที่ปรับให้เข้ากับข้อมูลจุลภาคที่สังเกตได้: P(s_{i,t+1} = s' | s_{i,t}, x_{i,t}) ความน่าจะเป็นเหล่านี้เป็นพารามิเตอร์พฤติกรรมหลักของแบบจำลอง

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

สำหรับแต่ละหน่วย i ในแต่ละช่วงเวลา ให้สุ่มตัวแปรสุ่มเอกรูป u_i และเปรียบเทียบกับความน่าจะเป็นของการเปลี่ยนผ่านสะสม ผลลัพธ์ s' จะถูกกำหนดเมื่อ u_i ตกอยู่ในช่วงความน่าจะเป็นที่สอดคล้องกัน ซึ่งนำความสุ่มที่แท้จริงมาสู่วิถีชีวิตของแต่ละบุคคล

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

เลื่อนเวลาจำลองไปข้างหน้าหนึ่งช่วงเวลา (เดือน ไตรมาส หรือปี) อัปเดตเวกเตอร์คุณลักษณะของแต่ละหน่วยเพื่อสะท้อนการเปลี่ยนผ่านที่เกิดขึ้นจริง ใช้กฎนโยบายหรือปัจจัยภายนอกใด ๆ ที่เปลี่ยนแปลงความน่าจะเป็นของการเปลี่ยนผ่านสำหรับช่วงเวลาถัดไป

5

คำนวณสถิติรวมโดยการรวมหรือหาค่าเฉลี่ยผลลัพธ์รายบุคคล: จำนวนประชากร การแจกแจงรายได้ อัตราความยากจน ความชุกของโรค ตัวบ่งชี้มหภาคเหล่านี้เกิดขึ้นจากพฤติกรรมจุลภาค แทนที่จะถูกสมมติขึ้น

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

ทำซ้ำการจำลองทั้งหมด R ครั้ง (โดยทั่วไปคือ 100–500 ครั้ง) ด้วยค่าเริ่มต้นของตัวเลขสุ่มที่แตกต่างกัน เพื่อหาปริมาณความแปรปรวนแบบมอนติคาร์โล รายงานช่วงความเชื่อมั่นรอบผลลัพธ์รวม แยกความไม่แน่นอนตามแหล่งที่มา และทดสอบทางเลือกนโยบายโดยการเปลี่ยนพารามิเตอร์การเปลี่ยนผ่าน

ข้อผิดพลาดที่พบบ่อย

  • การถือว่าการจำลองเพียงครั้งเดียวเป็นผลลัพธ์โดยไม่รายงานความแปรปรวนแบบมอนติคาร์โลจากการจำลองซ้ำ — ความสุ่มของแต่ละบุคคลหมายความว่าการจำลองครั้งเดียวอาจทำให้เข้าใจผิดได้
  • การละเลยวงจรป้อนกลับ: หากผลลัพธ์รวมมีอิทธิพลต่อความน่าจะเป็นของการเปลี่ยนผ่านของแต่ละบุคคล (เช่น ความตึงตัวของตลาดแรงงานส่งผลต่ออัตราการหางาน) ตารางความน่าจะเป็นแบบคงที่ก็จะไม่ถูกต้อง
  • การปรับแบบจำลองการเปลี่ยนผ่านให้เข้ากับข้อมูลการฝึกอบรมมากเกินไปโดยไม่มีการตรวจสอบความถูกต้องนอกตัวอย่าง ซึ่งนำไปสู่ความแม่นยำที่ผิดพลาดในการคาดการณ์นโยบาย
  • การสับสนความแปรปรวนของการจำลองจุลภาค (Monte Carlo noise) กับความไม่แน่นอนของพารามิเตอร์จากการประมาณค่า — ควรรายงานทั้งสองแยกกัน
  • การใช้เลขคณิตจำนวนเต็มหรือตัวสร้างตัวเลขสุ่มแบบหยาบที่ทำให้เกิดอคติอย่างเป็นระบบในการสุ่มเปลี่ยนผ่านในประชากรขนาดใหญ่

คำถามที่พบบ่อย

การจำลองจุลภาคเชิงสุ่มแตกต่างจากการจำลองจุลภาคเชิงกำหนดอย่างไร?

ในการจำลองจุลภาคเชิงกำหนด (deterministic microsimulation) แต่ละหน่วยจะปฏิบัติตามกฎที่ตายตัว — หากรายได้เกินเกณฑ์ X ให้กำหนดผลลัพธ์ Y ในเวอร์ชันเชิงสุ่ม ผลลัพธ์จะถูกสุ่มจากชุดการแจกแจงความน่าจะเป็น ดังนั้นบุคคลสองคนที่มีลักษณะเหมือนกันอาจมีเส้นทางที่แตกต่างกัน แบบจำลองเชิงสุ่มสะท้อนความไม่แน่นอนในโลกแห่งความเป็นจริงได้ดีกว่า และช่วยให้สามารถประมาณค่าช่วงความเชื่อมั่นผ่านการจำลองซ้ำได้

ต้องมีการจำลองซ้ำกี่ครั้งเพื่อให้ได้ผลลัพธ์รวมที่เสถียร?

ขึ้นอยู่กับขนาดประชากรและความหายากของเหตุการณ์ สำหรับประชากรขนาดใหญ่ (100,000+) การจำลองซ้ำ 50–100 ครั้งมักจะเพียงพอสำหรับผลลัพธ์ทั่วไป เหตุการณ์ที่หายาก (เช่น การเริ่มมีภาวะทุพพลภาพ) อาจต้องใช้ 500 ครั้งขึ้นไป การตรวจสอบมาตรฐานคือการพล็อตสถิติสำคัญเทียบกับจำนวนการจำลองซ้ำ และหยุดเมื่อช่วงความเชื่อมั่นมีเสถียรภาพ

การจำลองจุลภาคเชิงสุ่มสามารถสร้างแบบจำลองการตอบสนองเชิงพฤติกรรมต่อการเปลี่ยนแปลงนโยบายได้หรือไม่?

ทำได้ก็ต่อเมื่อความน่าจะเป็นของการเปลี่ยนผ่านเองได้รับการประมาณค่าใหม่หรือปรับเปลี่ยนเพื่อสะท้อนสภาพแวดล้อมนโยบายใหม่ แบบจำลองแบบคงที่ใช้ความน่าจะเป็นของพฤติกรรมปัจจุบันกับนโยบายที่เปลี่ยนแปลงไป ซึ่งเป็นการสมมติฐานสมดุลบางส่วน ส่วนขยายแบบพลวัตหรือเชิงพฤติกรรมสามารถรวมความยืดหยุ่นที่ประมาณค่าได้ แต่ต้องใช้ความพยายามในการสร้างแบบจำลองเพิ่มเติม

ซอฟต์แวร์ใดที่นิยมใช้สำหรับการจำลองจุลภาคเชิงสุ่ม?

แพลตฟอร์มที่สร้างขึ้นโดยเฉพาะ ได้แก่ EUROMOD (ภาษี-สวัสดิการของสหภาพยุโรป), MODGEN (Statistics Canada) และ PENSIM (การสร้างแบบจำลองบำนาญ) สภาพแวดล้อมวัตถุประสงค์ทั่วไป เช่น R, Python และ Stata ก็มีการใช้งานอย่างแพร่หลายเมื่อต้องการแบบจำลองที่กำหนดเอง ซึ่งให้การควบคุมตรรกะการเปลี่ยนผ่านและการจัดการการจำลองซ้ำอย่างเต็มที่

การจำลองจุลภาคเชิงสุ่มเหมือนกับการสร้างแบบจำลองเชิงตัวแทนหรือไม่?

มีความทับซ้อนกันแต่แตกต่างกัน การจำลองจุลภาคโดยทั่วไปมุ่งเน้นไปที่การคาดการณ์ประวัติชีวิตของแต่ละบุคคลโดยใช้ความน่าจะเป็นของการเปลี่ยนผ่านที่ประมาณค่าเชิงประจักษ์โดยไม่มีการโต้ตอบของตัวแทนที่ชัดเจน แบบจำลองเชิงตัวแทนเน้นพฤติกรรมที่เกิดขึ้นจากการโต้ตอบโดยตรงระหว่างตัวแทน ในทางปฏิบัติ แบบจำลองสมัยใหม่หลายแบบผสมผสานทั้งสองแนวทาง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Harding, A. (Ed.) (1996). Microsimulation and Public Policy. North-Holland, Amsterdam.

    ISBN: 9780444820297
    คัดลอกแล้ว