Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Adaptive Modellierung und Simulation - Adaptive Systemarchitektur ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3-52 Wissensbasierte <strong>Modellierung</strong><br />
Zur Vereinfachung wird auf Produktionsverflechtungen <strong>und</strong> Außenhandelsbeziehungen<br />
verzichtet. Man nimmt dabei an, dass alle Handelnden rationale,<br />
wirtschaftlich optimale Entscheidungen treffen <strong>und</strong> der dabei entstehende<br />
Preismechanismus für Angebot <strong>und</strong> Nachfrage entscheidend ist.<br />
In der Abbildung ist im Wesentlichen die Wirkstruktur von Steueränderungen<br />
gezeigt; die dahinter liegende Dynamik von Angebot <strong>und</strong> Nachfrage ist als statisches<br />
Gleichgewicht in den jeweiligen Kästen (Gütermärkte, Anschaffungspreise<br />
usw.) vorausgesetzt. Schreitet der Staat mit Steuereingriffen ein, so stellt<br />
sich jeweils ein neues Gleichgewicht darin ein, das man im Vergleich mit dem<br />
vorherigen Gleichgewicht quantitativ <strong>und</strong> qualitativ beurteilen kann.<br />
Voraussetzung einer quantitativ korrekten Analyse ist nicht nur die korrekte<br />
<strong>Modellierung</strong>, sondern auch die Anpassung der Parameter des Modells an die<br />
Wirklichkeit. Dazu gibt es verschiedene Verfahren.<br />
3.5 Schätzung der Parameter<br />
Ähnlich wie bei den linearen Systemen müssen wir auch die Parameter θ der<br />
aufgestellten <strong>und</strong> verwendeten Modelle aus den Beobachtungen erschließen. Eine<br />
einfache Methode dafür besteht darin, die Parameter θ = (θ1, ...,θn) iterativ so<br />
lange zu optimieren, bis der Fehler ε = y(t) – ˆy (t|θ) im quadratischen Mittel<br />
RN(θ) = 1<br />
N<br />
minimal wird<br />
N<br />
2<br />
εtθ<br />
t= 1<br />
θN* = arg min<br />
θ RN(θ) .<br />
∑ (3.93)<br />
(3.94)<br />
Damit haben wir uns folgende Strategie gewählt: Suche diejenige Werte der Parameter<br />
θ, die den kleinste Abweichung der Ausgabe von der beobachteten Ausgabe<br />
bewirken. Allgemein bedeutet dies die Optimierung einer Zielfunktion<br />
RN(θ) = 1<br />
N<br />
N<br />
∑ f ( εtθ<br />
) = 〈f(εtθ)〉t<br />
t= 1<br />
(3.95)<br />
bei der die Mittelung (Erwartungswert) einer Funktion f errechnet wird, die vom<br />
Fehler εtθ abhängt.<br />
Wählen wir zum Beispiel als Funktion den negativen Logarithmus der Wahrscheinlichkeitsdichte<br />
f(εtθ) = – ln p(εtθ) maximum likelihood-Schätzung (3.96)