随机微观模拟(Stochastic Microsimulation)——基于概率的个体层面状态转移建模
- 提出者
- Guy H. Orcutt
- 年份
- 1957
- 类型
- Stochastic individual-level simulation
- 类别
- Simulation / optimization
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
随机微观模拟通过在每个转移事件上从经验估计的概率分布中进行随机抽取,让大量个体单元——个人、家庭或企业——随时间演进。与确定性模拟不同,每一次状态变化都由机会决定,从而保留了现实的异质性,并允许在多次仿真运行中进行严格的不确定性量化。
方法背后的直觉
可以把模型中的每个人想象成在每个人生事件上掷一次骰子:他们今年会找到工作、患上疾病,还是退休?骰子是依据真实数据加权的,因此概率反映实际行为。让整个人口年复一年地经历数千次这样的掷骰子,就会产生逼真的合成生命史。汇总数百万条这样的轨迹,揭示的不只是期望结果,而是可能性的完整分布——这是任何单一平均人模型都无法提供的图景。
历史学
Guy Orcutt于1957年提出微观模拟,作为在个体层面分析社会经济政策的一种方式,与总量计量经济模型相对。随机微观模拟——通过蒙特卡洛抽取嵌入概率性的状态转移——随着计算能力使大规模实现成为可能,在20世纪70至90年代成为主流形式。如今它是全球税收–福利、卫生、交通和养老金政策建模的标准方法。
何时使用
当需要捕捉个体异质性和分布性结局时,应使用随机微观模拟——例如评价税收–福利改革对收入不平等的影响、预测全体人口的养老金负债,或对流行病传播建模。当平均效应不够用、而尾部风险或分布变化很重要时,它的优势最为突出。当汇总层面的模型已经足够、微观数据不可得或不可靠、计算资源严重受限(大规模人口加上多次重复代价高昂),或无法根据数据可信地估计转移概率时,应避免使用。
局限与注意事项
- 计算量大:大规模人口加上多次重复,需要大量的运行时间和内存。
- 初始化和参数估计需要高质量、具代表性的微观数据——垃圾进,垃圾出。
- 转移概率通常由历史数据估计,可能无法捕捉结构性的行为变化(卢卡斯批判)。
- 模型复杂性增长很快;对照独立数据集的验证必不可少,但往往很困难。
- 如果罕见事件主导了汇总结局,即使有很多次重复,蒙特卡洛方差仍可能不可忽略。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 捕捉个体异质性和现实的结局分布,而不是强行通过代表性主体的视角进行分析。
- 正式传播不确定性:多次重复为所有汇总统计量给出置信区间。
- 允许丰富的行为细节——人口学特征、行为规则和政策规则都可以在个体层面相互作用。
- 政策反事实很直接:改变转移概率或税收规则并重新运行,无需改变结构模型。
- 输出合成的微观数据,便于后续分析(贫困率、分配影响、亚组分解)。
- 借助现代计算可自然扩展到非常大的人口;跨个体的并行化非常简单。
应用
- 税收–福利政策分析:估计所得税或社会转移支付改革对贫困和不平等的分配效应。
- 养老金与退休政策:在人口结构变化情景下,预测未来的养老金支出及其充足性。
- 卫生政策:在模拟的患者人群中,对疾病进展、治疗接受度和成本效益建模。
- 交通需求:模拟个体出行行为以及对基础设施或价格变化的方式选择响应。
- 劳动力市场政策:评估最低工资变动或积极劳动力市场项目的就业效应。
- 人口预测:生成刻画生育、死亡和迁移异质性的概率性人口预测。
使用方式
使用方式
通过抽样或直接使用微观数据记录(调查、普查或行政数据)来初始化合成人口。每个单元 i 携带一个属性向量(年龄、收入、健康状况等),代表时间 t = 0 时的基线状态。可以应用样本权重,使之与总体合计相吻合。
利用拟合观测微观数据的回归模型(logit、probit、风险模型)估计每个相关事件的条件转移概率:P(s_{i,t+1} = s' | s_{i,t}, x_{i,t})。这些概率是模型的核心行为参数。
公式
P(s_{i,t+1} = s' \mid s_{i,t}, x_{i,t})对每个时间步上的每个单元 i,抽取一个均匀随机变量 u_i,并与累积转移概率比较。当 u_i 落入相应的概率区间时,就赋予结果 s',从而在每条个体轨迹中引入真正的随机性。
公式
u_i \sim \mathrm{Uniform}(0,1); \quad s_{i,t+1} = s' \text{ if } u_i < P(s'|s_{i,t})把仿真时钟向前推进一个时期(月、季或年)。更新每个单元的属性向量,以反映已实现的转移。应用任何会改变下一时期转移概率的政策规则或外部冲击。
通过对个体结局求和或求平均来计算汇总统计量:人口计数、收入分布、贫困率、健康患病率。这些宏观指标是从微观行为中涌现出来的,而不是预先假定的。
公式
\bar{Y}_t = \frac{1}{N}\sum_{i=1}^{N} y_{i,t}使用不同的随机种子把完整的仿真重复R次(通常为100–500次重复),以量化蒙特卡洛方差。报告汇总结局的置信区间,按来源分解不确定性,并通过改变转移参数来检验政策备选方案。
常见陷阱
- 把单次模型运行当作结果,而不报告各次重复之间的蒙特卡洛方差——个体的随机性意味着单次运行可能产生误导。
- 忽视反馈回路:如果总量结局影响个体转移概率(如劳动力市场紧张程度影响求职成功率),静态的概率表就是误设的。
- 在没有样本外验证的情况下,让转移模型过度拟合训练数据,导致政策预测给出虚假的精确性。
- 混淆微观模拟方差(蒙特卡洛噪声)与来自估计的参数不确定性——二者应分别报告。
- 使用整数运算或粗糙的随机数发生器,在大规模人口的转移抽取中引入系统性偏差。
常见问题
随机微观模拟与确定性微观模拟有何不同?
在确定性微观模拟中,每个单元遵循固定规则——如果收入超过阈值X,就赋予结果Y。在随机版本中,结果从概率分布中随机抽取,因此两个完全相同的个体可能走上不同的路径。随机模型能更好地反映真实世界的不确定性,并允许通过重复来估计置信区间。
需要多少次重复才能得到稳定的汇总结果?
这取决于人口规模和事件的罕见程度。对于大规模人口(100,000以上),对常见结局而言,即使50–100次重复往往也足够;罕见事件(如失能发生)可能需要500次或更多。标准的检查方法是,以重复次数为横轴绘制关键统计量,在置信区间稳定时停止。
随机微观模拟能否对政策变化的行为响应建模?
只有当转移概率本身被重新估计或调整以反映新的政策环境时才可以。静态模型把当前行为的概率应用于变化后的政策,这属于局部均衡假设。动态或行为扩展可以纳入估计的弹性,但需要额外的建模工作。
随机微观模拟常用什么软件?
专用平台包括EUROMOD(欧盟税收–福利)、MODGEN(加拿大统计局)和PENSIM(养老金建模)。当需要定制模型时,R、Python和Stata等通用环境也被广泛使用,它们能对转移逻辑和重复管理实现完全控制。
随机微观模拟与基于主体的建模是一回事吗?
二者有重叠但并不相同。微观模拟通常侧重于利用经验估计的转移概率向前推演个体生命史,而不考虑主体之间的明确相互作用。基于主体的模型则强调由主体之间的直接相互作用产生的涌现行为。在实践中,许多现代模型兼用两种方法。
相关方法
参考文献
Orcutt, G. H. (1957). A new type of socio-economic system. The Review of Economics and Statistics, 39(2), 116–123.
打开 DOI 文献已复制。Harding, A. (Ed.) (1996). Microsimulation and Public Policy. North-Holland, Amsterdam.
ISBN:9780444820297已复制。