Pored najočitijih kvaliteta potrebnih da postanete model (visina, veličina, lepota i zdravlje), postoje i manje očigledni, manje opipljivi faktori koji se takođe uzimaju u obzir. Oni su mnogo subjektivniji, a mišljenje jedne manekenske agencije može se značajno razlikovati od mišljenja druge. Ako postanete profesionalni model koji redovno ide na audicije, otkrit ćete da se to podjednako odnosi i na potencijalne poslodavce.
Fotogeničan
Svi koji su fotografisali znaju da neki ljudi dobro ispadnu na slici, dok drugi ne. Koliko ste fotogenični zavisi od toga kako vas objektiv "vidi".
Vaš uspeh kao modela zavisi od toga kako se bavite fotografijom – kako zapravo izgledate nije najvažnija stvar.
Ako zaista imate ovaj kvalitet, sigurno će se pojaviti na slici. Tvoja mama može da napravi slike koje ti laskaju jeftinom kamerom. Možete potrošiti samo jedan dolar u instant foto kabini i dobiti niz sjajnih snimaka.
Faktor kameleona
“Kada sam tek započela svoju manekensku karijeru, moj agent je rekao: “Izgledaš sjajno i uspjet ćeš, ali nikada nećeš postati 'super model'”, prisjeća se manekenka. Jody Kelly... "Rekao je to zato što sam bila kao kameleon i izgledala drugačije na svakoj fotografiji."
„Da biste postali 'supermodel' devedesetih", dodaje ona, "morali ste da izgledate tako da kada gledate svoje fotografije možete reći:" Ovo Cindy Crawford, i evo je opet, i opet."
Lucky Jody Kelly s druge strane, modeli sa "faktorom kameleona" imaju tendenciju da imaju dužu karijeru. I to je potvrdila ličnim primjerom, jer je više od 10 godina radila kao profesionalni model.
Strpljenje
Strpljenje je jedna od najvažnijih osobina modela. Zvuči očigledno, ali to nije uobičajena stvar.
“Neki modeli ne zahtijevaju ovaj kvalitet, jer imaju svakodnevne foto sesije, zauzeti su poslom”, komentira jedna vizažistica. “Neki od njih više ne uživaju u svom poslu. Rade dugo, a to je loše za njih same i za kvalitet njihovih fotografija."
“Ako niste strpljivi, samo postanite model”, naglašava Sam, menadžer angažmana. Ford modeli.“Jednostavno nećete preživjeti. Nećeš dugo izdržati. I općenito nećete uspjeti. U ovom poslu morate imati strpljenja."
“Čini mi se da su ljudi ovih dana, posebno mlađe generacije, počeli zaboravljati da ne dolazi sve odjednom”, dodaje. Možete zaobići sve potencijalne kupce u gradu i biti nezaposlen šest mjeseci...i odjednom, jednom, i dobijete. To je ono što je pravo strpljenje."
“To na kraju znači biti na pravom mjestu u pravo vrijeme – konačno, nakon što ste bili na mjestu i u pogrešno vrijeme milion puta!”
Čak i nakon što dobijete posao, još uvijek morate čekati. "Friziranje i šminkanje obično traju 3-4 sata da se pripremite za snimanje. Kada ste potpuno obučeni i lik, očekuje vas fotografisanje i to je zaista zadivljujući trenutak. Ali, vjerujte mi, put do toga uopće nije!"
Priča o fotografu za Avon katalog
Model Jody Kelly radila na fotografiji, a način na koji je to uradila jasno ilustruje koje kvalitete treba da ima dobar model.
Naručena je fotografija u zimskoj odjeći na otvorenom za katalog Avon... Problem je bio što se, prema planu, snimanje obično odvijalo šest mjeseci prije izlaska kataloga. Bio je upravo vrhunac jula - vrhunac strašne vrućine.
Znajući da će morati da snima u teškim uslovima, fotograf je odabrao model na osnovu tri kriterijuma:
1. Njen izgled je trebao biti onakav kakav je prihvaćen u Avon katalozima - šarmantan, sretan osmijeh je obavezan.
2; Nikada se ne žali na poteškoće i potpuno se predaje radu.
3. Ne znoji se koliko obični ljudi. “Jody je ludo suv! Eric se šali. “Međutim, upravo taj kvalitet joj je omogućio da primi ovu narudžbu.”
Ekipa je za snimanje odabrala rasadnik božićnog drvca u New Jerseyu, a fotograf, model, šminker i stilista doputovali su tamo u iznajmljenom kombiju-hladnjačama.
Snijeg je prskan po granama drveća. Ogromno platno zategnuto preko modela, poput oblaka, pretvaralo je direktnu sunčevu svjetlost u raspršene zrake. Džodi je na sebi imala kaput, šešir, rukavice i šal, a bilo je preko 30 stepeni Celzijusa.
Svi članovi grupe jednostavno su bili obliveni znojem, i često su morali da prekidaju da piju vodu. Sve ovo vrijeme ponašala se kao uporni borac, niti jednom se nije požalila na situaciju.
“Nisam imao na šta da se zamjerim,” komentira Jody teške uvjete snimanja. - Ceo život sam sanjala da budem model. I tako sam dobio ovaj posao, i još uvijek sam plaćen da ostvarim svoj san! Čak i uprkos vremenu, osećao sam se srećno."
Gracioznost
„Gracioznost pokreta mora doći iznutra“, objašnjava jedna predstavnica manekenskog biznisa. „Ovo je nešto sa čime ste rođeni ili niste. Ne može se izoštriti baletom, sportom i drugim aktivnostima. Ili ga imaš ili nemaš, a to se jasno vidi na fotografiji.”
Bez kompleksa
U ovom poslu ne možete biti pretjerano skromni prema svom tijelu. “Morate se osjećati apsolutno ugodno šta god da radite sa svojim tijelom”, kaže manekenka. Jody Kelly... - Tokom nastupa na podijumu, potrebno je da se što pre obučete i skinete, a ne ostaje vremena da se nešto drugo krije iza.
Na snimanju za časopis, dodaje, zakačiće vam nešto, dodirivat će vas rukama, našminkati lice, vrat, tijelo. Bićete povučeni, povučeni za kosu i vezani. U isto vrijeme, niko ne zadire u vas i ne prelazi granice, samo su sve ove manipulacije neophodne i sve se mora uraditi vrlo brzo."
Samopouzdanje
Samopouzdanje i osjećaj udobnosti skrivene su osobine koje su modelu prijeko potrebne. Ako se osjećate neugodno, sramežljivo ili nespretno, ili ste samo uznemireni što vam je iskočila bubuljica na licu, na fotografiji će se pokazati vaš nedostatak samopouzdanja.
Otvorenost
S kojim god ljudima radili u manekenskom poslu, ne biste trebali imati predrasude prema njima. Morate biti u mogućnosti da uspješno radite sa svima iz svih sfera života.
"Velika" fotografija
Konačno, morate shvatiti da je manekenstvo “više od fotografije” i da vam to samo iskustvo može dati. Ovo je teško za mladu manekenku koja je pod čarolijom romantike i koja je pogledala dovoljno loših filmova i pročitala previše članaka u tabloidima.
Istovremeno, model ne shvata da je kreativni plan možda nastajao nekoliko sedmica i da su svi nadležni organi već odobrili svaku njegovu tačku, kao i činjenicu da su odluke donosili mnogo iskusniji ljudi od nje. .
Tužno je kada vidite manekenku koja pokušava da promeni šminku, frizuru ili outfit jer misli da zna kako da izgleda bolje.
Ako nemate povjerenja u mišljenje kreativnog tima, ili pokušate svom poslodavcu objasniti šta je najbolje za njega, ne samo da ćete izazvati njihov bijes, već ćete izgubiti sve što vam njihova kreativna misao može dati. Ovo će završiti sa vašim portfoliom ispunjenim jednostranim, nezanimljivim fotografijama.
Uvijek treba imati na umu da ste vi samo jedan od dijelova koji čine jednu “veliku” fotografiju. Neophodno je biti osjetljiv na ono što drugi ljudi oko vas rade, jer oni imaju svoj, možda drugačiji od vašeg, pogled na položaje, izraze lica, odjeću i svjetlo. Stoga je apsolutno neophodno zajedno shvatiti i razumjeti njihovu kreativnu namjeru kako bi ostvarili ono što očekuju od vas.
Dio 3. Obrada i analiza rezultata simulacije.
Odluke koje donosi istraživač na osnovu rezultata simulacionog modeliranja mogu biti konstruktivne samo u izvođenju dva uslova:
Dobijeni rezultati imaju potrebnu tačnost i pouzdanost;
Istraživač je u stanju da ispravno interpretira dobijene rezultate i zna kako se oni mogu koristiti.
Mogućnost ispunjenja prvog uslova uglavnom se postavlja u fazi razvoja modela, a djelimično u fazi planiranja eksperimenta. Pouzdanost rezultata simulacije pretpostavlja da je model pomoću kojeg su dobijeni ne samo ispravan, već ispunjava i neke dodatne zahtjeve za simulacijske modele.
Sposobnost istraživača da pravilno interpretira dobijene rezultate i na osnovu njih donese ispravne odluke u suštini zavisi od korespondencije oblika prezentacije rezultata ciljevima modeliranja.
Ako je modelar uvjeren da će se dobijeni rezultati koristiti u skladu s jednom dobro definiranom svrhom, oblik njihovog prikaza može se unaprijed odrediti. U ovom slučaju, transformacija eksperimentalnih podataka u traženi oblik može se izvršiti ili tijekom eksperimenta, ili odmah nakon njegovog završetka. Ovaj pristup vam omogućava da uštedite memoriju računara potrebnu za skladištenje velikih količina sirovih podataka, kao i da smanjite vreme za analizu rezultata i donošenje odluka.
Ukoliko je teško unaprijed precizirati cilj modeliranja, ili postoji više ciljeva, podatke treba akumulirati u bazi podataka i potom izdati u traženom obliku na zahtjev korisnika. Po pravilu, sistemi automatizacije modeliranja su izgrađeni na ovom principu.
Procjena kvaliteta modela je završna faza njegovog razvoja i ima dva cilja:
1) provera usklađenosti modela sa njegovom namenom (ciljevi istraživanja);
2) Procijeniti pouzdanost i statističke karakteristike rezultata dobijenih tokom eksperimenata na modelu.
U analitičkom modeliranju, pouzdanost rezultata određuju dva glavna faktora:
1) tačan izbor matematičkog aparata koji se koristi za opisivanje sistema koji se proučava;
2) Matematička greška svojstvena ovoj matematičkoj metodi.
U simulaciji, na pouzdanost rezultata utiče niz dodatnih faktora, od kojih su glavni:
1) Simulacija slučajnih faktora zasnovana na korišćenju senzora slučajnih brojeva, koji mogu iskriviti ponašanje modela;
2) prisustvo nestacionarnog načina rada modela;
3) Upotreba više različitih vrsta matematičkih metoda u okviru jednog modela;
4) Zavisnost rezultata simulacije od plana eksperimenta;
5) Potreba za sinhronizovanjem rada pojedinih komponenti modela;
6) Dostupnost modela radnog opterećenja, čiji kvalitet zavisi, pak, od istih faktora.
Pogodnost simulacionog modela za rješavanje istraživačkih problema karakterizira stepen u kojem posjeduje tzv. ciljna svojstva. Glavni su:
Adekvatnost;
Stabilnost;
Osjetljivost.
Procjena adekvatnosti modela. U opštem slučaju, adekvatnost se shvata kao stepen usklađenosti modela sa tom stvarnom pojavom ili objektom za čiji opis se konstruiše.
Istovremeno, kreirani model je po pravilu fokusiran na proučavanje određenog podskupa svojstava ovog objekta. Stoga možemo pretpostaviti da je adekvatnost modela određena stepenom njegove usklađenosti ne toliko sa stvarnim objektom koliko sa ciljevima studije.
Jedan od najčešćih načina da se formalno potkrijepi adekvatnost razvijenog modela je korištenje metoda matematičke statistike. Suština ovih metoda je testiranje postavljene hipoteze (u ovom slučaju o adekvatnosti modela) na osnovu nekih statističkih kriterijuma. Prilikom testiranja hipoteza metodama matematičke statistike, potrebno je imati na umu da statistički testovi ne mogu dokazati ni jednu hipotezu: oni mogu samo ukazati na odsustvo pobijanja.
Procedura evaluacije se zasniva na poređenju mjerenja na realnom sistemu i rezultata eksperimenata na modelu i može se izvesti na različite načine. Najčešći su:
Po prosječnim vrijednostima modela i sistema;
Prema varijacijama odstupanja odgovora modela od prosječne vrijednosti odgovora sistema;
Po maksimalnoj vrijednosti relativnih odgovora modela iz odgovora sistema.
Ove metode su bliske jedna drugoj, stoga ćemo se ograničiti na razmatranje prve od njih. Ova metoda testira hipotezu da je srednja vrijednost posmatrane varijable Y bliska srednjoj vrijednosti odgovora realnog sistema Y*.
Kao rezultat N 0 eksperimenata na realnom sistemu, dobija se skup vrijednosti (uzorak) Y *. Nakon izvođenja N M eksperimenata na modelu, takođe se dobija skup vrednosti posmatrane varijable Y.
Zatim se izračunavaju procjene matematičkog očekivanja i varijanse odgovora modela i sistema, nakon čega se postavlja hipoteza o bliskosti srednjih vrijednosti Y* i Y (u statističkom smislu). Osnova za testiranje hipoteze je t-statistika (Studentova distribucija). Njegova vrijednost, izračunata iz rezultata ispitivanja, upoređuje se sa kritičnom vrijednošću t cr iz tabele za traženje. Ako je nejednakost t< t кр, то гипотеза принимается.
Još jednom treba naglasiti da su statističke metode primjenjive samo ako se procijeni adekvatnost modela postojećem sistemu. Naravno, nije moguće izvršiti mjerenja na projektovanom sistemu. Jedini način da se ova prepreka prevaziđe je prihvatanje konceptualnog modela projektovanog sistema kao referentnog objekta. Zatim se procjena adekvatnosti softverski implementiranog modela sastoji u provjeri koliko ispravno odražava konceptualni model. Ovaj problem je sličan provjeri ispravnosti bilo kojeg kompjuterskog programa, a može se riješiti odgovarajućim metodama, na primjer testiranjem.
Procjena stabilnosti modela. Prilikom procene adekvatnosti modela i za postojeći i za projektovani sistem, može se koristiti samo ograničen podskup svih mogućih vrednosti ulaznih parametara (radno opterećenje i eksterno okruženje). S tim u vezi, da bi se potvrdila pouzdanost dobijenih rezultata modeliranja, od velike je važnosti provjeriti stabilnost modela. U teoriji modeliranja, ovaj koncept se tumači na sljedeći način.
Robusnost modela je njegova sposobnost da ostane adekvatan pri ispitivanju efikasnosti sistema u čitavom mogućem opsegu opterećenja, kao i prilikom izmena konfiguracije sistema.
Kako se može ocijeniti robusnost modela? Ne postoji univerzalna procedura za testiranje robusnosti modela. Programer je primoran da pribegne metodama "od slučaja do slučaja", parcijalnim testovima i zdravom razumu. Posteriorna provjera je često korisna. Sastoji se od poređenja rezultata simulacije i rezultata mjerenja na sistemu nakon unošenja izmjena na njemu. Ako su rezultati simulacije prihvatljivi, povećava se povjerenje u robusnost modela.
Generalno, može se tvrditi da što je struktura modela bliža strukturi sistema i što je stepen detalja veći, to je model stabilniji.
Stabilnost rezultata simulacije može se ocijeniti i metodama matematičke statistike. Ovdje je prikladno podsjetiti se na glavni problem matematičke statistike. Sastoji se od testiranja hipoteze u vezi sa svojstvima određenog skupa elemenata, koji se naziva opća populacija, procjenom svojstava podskupa opće populacije (tj. uzorka). U općoj populaciji, istraživača obično zanima neka karakteristika koja je posljedica slučajnosti i može biti kvalitativne ili kvantitativne prirode.
U ovom slučaju, stabilnost rezultata simulacije može se smatrati osobinom koju treba procijeniti. Wilcoxon test se može koristiti za testiranje hipoteze o robusnosti rezultata.
Wilcoxon test se koristi za testiranje da li dva uzorka pripadaju istoj populaciji (odnosno da li imaju istu statističku karakteristiku). Na primjer, u dvije serije nekog proizvoda mjeri se određena karakteristika i potrebno je provjeriti hipotezu da ova karakteristika ima istu distribuciju u obje serije; drugim riječima, morate osigurati da se tok posla ne mijenja značajno od serije do serije.
U statističkoj procjeni stabilnosti modela, odgovarajuća hipoteza se može formulirati na sljedeći način: kada se promijeni ulazno (radno) opterećenje ili struktura MI, zakon raspodjele rezultata simulacije ostaje nepromijenjen.
Provjera navedene hipoteze H vrši se sa sljedećim početnim podacima:
postoje dva uzorka X = (x 1..., x n) i Y= (u 1..., y t), dobijeno za različite vrijednosti opterećenja; u vezi sa zakonima o distribuciji X i nisu napravljene nikakve pretpostavke.
Vrijednosti oba uzorka su poredane zajedno uzlaznim redoslijedom. Zatim se analizira relativni položaj x i i i. Kada i< x i recimo da je par vrijednosti (x i, y i) formira inverziju.
Na primjer, neka za n= T= 3 nakon naručivanja, dobili smo sljedeći niz vrijednosti: y 1, x 1, y 3, x 2, y 2, x 3, onda imamo inverzije: (x 1 , y 1 ), (x 2, y 1 ), (x 2, y 3), (x 3, y 1), (x 3, y 2), (x 3, y 3).
Izbrojite ukupan broj inverzija U. Ako je hipoteza tačna, onda U ne bi trebalo mnogo odstupiti od svojih matematičkih očekivanja M: M = nm / 2.
Hipoteza se odbacuje ako ( određeno iz tabele za dati nivo značajnosti).
Procjena osjetljivosti infarkta miokarda. Očigledno, stabilnost je pozitivno svojstvo modela. Međutim, ako promjena ulaznih radnji ili parametara modela (u određenom određenom rasponu) ne utječe na vrijednosti izlaznih parametara, onda je korist od takvog modela mala (može se nazvati „neosjetljivim“). ”). S tim u vezi, javlja se problem procjene osjetljivosti modela na promjene parametara opterećenja i unutrašnjih parametara samog sistema.
Takva procjena se vrši za svaki parametar X do odvojeno. Zasniva se na činjenici da je raspon mogućih promjena parametara obično poznat. Jedan od najjednostavnijih i najčešćih postupaka ocjenjivanja je sljedeći.
1) izračunava se vrijednost relativnog prosječnog prirasta parametra X za:
2) nekoliko modelskih eksperimenata je izvedeno na vrijednostima X k = X ktah i X do= X kt in i prosječne fiksne vrijednosti preostalih parametara. Određene su vrijednosti odziva modela 
i 
;
3) izračunava se njegov relativni prirast posmatrane varijable Y:
Kao rezultat toga, za k-ro parametri modela imaju par vrijednosti , karakterizirajući osjetljivost modela za ovaj parametar.
Slično, parovi se formiraju za ostale parametre modela, koji čine skup.
Podaci dobijeni u procjeni osjetljivosti modela mogu se koristiti posebno pri planiranju eksperimenata: više pažnje treba posvetiti onim parametrima za koje je model osjetljiviji.
Kalibracija modela. Ako se, kao rezultat procjene kvalitete modela, ispostavi da njegova ciljna svojstva ne zadovoljavaju programera, potrebno je to izvesti kalibracija, odnosno ispravku kako bi se uskladio sa zahtjevima.
Obično je proces kalibracije iterativan i sastoji se od tri glavna koraka:
1) globalne promene u modelu (na primer, uvođenje novih procesa, promene tipova događaja, itd.);
2) lokalne promene (posebno promene nekih zakona distribucije simuliranih slučajnih varijabli);
3) promjena posebnih parametara, koja se naziva kalibracija.
Na prvi pogled, strukturne promjene modela, kao složenije, treba uzeti u obzir tek nakon što su svi pokušaji kalibracije modela promjenom parametara i lokalnim modifikacijama bili neuspješni. Međutim, takva strategija može prikriti strukturne nedosljednosti ili nedostatak detalja u modelu. U tom smislu, započinjanje kalibracije s globalnim promjenama je mnogo sigurnije.
Općenito, preporučljivo je kombinirati procjenu ciljnih svojstava MI i njegovu kalibraciju u jedan proces. Ovo je strategija usvojena u metodi statističke kalibracije koja je opisana u nastavku.
Postupak kalibracije sastoji se od tri koraka, od kojih je svaki iterativan.
Korak 1. Poređenje izlaznih distribucija.
Cilj je procijeniti adekvatnost MI. Kriterijumi poređenja mogu varirati. Konkretno, može se koristiti veličina razlike između srednjih vrijednosti modela i odziva sistema.
Otklanjanje razlika u ovom koraku zasniva se na pravljenju globalnih promjena.
Korak 2. Balansiranje modela.
Glavni zadatak je procijeniti stabilnost i osjetljivost modela. Na osnovu njegovih rezultata, u pravilu se vrše lokalne promjene (ali su moguće i globalne).
Korak 3. Optimizacija modela.
Svrha ove faze je osigurati potrebnu tačnost rezultata. Ovdje su moguća tri glavna područja rada:
dodatna provera kvaliteta senzora srednjeg opsega;
smanjenje efekta prolaznog režima;
primjena posebnih metoda za smanjenje varijanse.
Procjena kvaliteta modela klasifikacije je izazovna jer cijena grešaka nije ista u većini aplikacija u stvarnom svijetu. Na primjer, odbijanje kredita dobrom klijentu povlači samo organizacione troškove pronalaženja novog klijenta, dok davanje kredita nepouzdanom partneru može dovesti do velikih gubitaka. Zbog ove asimetrije novčanih tokova, pri određivanju stepena tačnosti modela potrebno je uzeti u obzir posledice određene prognoze. Kvalitet predviđanja stečaja određen je i koliko su tačno identifikovani stečajevi i koliko su precizno klasifikovani oni koji nisu u stečaju. Neuspješno pronalaženje kompanije u stečaju naziva se greškom tipa 1, a predviđanje bankrota koje zapravo nije uslijedilo naziva se greškom tipa 2.
Zbog asimetrije cijene greške postaje izuzetno teško pronaći kompromis između grešaka 1. i 2. vrste. Drugim riječima, teško je odgovoriti na pitanje koji je od dva modela bolji: onaj koji tačno identifikuje 90% stečajeva i daje 10 grešaka 2. vrste za jednu tačnu klasifikaciju, ili onaj koji identifikuje 80% stečajeva. , ali daje samo 8 grešaka 2. vrste po klasifikaciji.
Kao što možete vidjeti sa sl. 9.1, Chi Y tačke, koje pokazuju kvalitet prognoze, respektivno, za x i y modele, ne omogućavaju da se nedvosmisleno kaže koji je model bolji. Ako se smanje zahtjevi za tačnost predviđanja bankrota, onda se može ispostaviti da će model x i dalje dati veći broj grešaka 2. vrste i samim tim biti inferioran u odnosu na model y u aplikacijama gdje su greške 2. vrste su relativno skupe u odnosu na greške
1. vrsta.
Iz navedenog proizilazi da se kvalitet modela predviđanja stečaja može ocijeniti samo ako se unaprijed odredi cijena greške i vjerovatnoća stečaja/opstanka. Ako, na primjer, znamo da je cijena jednog nepredviđenog stečaja u vremenu jednaka cijeni pet lažnih uzbuna i da će jedan posto kompanija otići u stečaj, onda možemo procijeniti modele:
Cijena greške modela x: 1% x (5 x (10%) + 10 x (1 - 10%)) = 0,095,
Cijena greške modela y: 1% x (5 x (20%) + 8 x (1 - 20%)) = 0,074.
Model x je inferioran u odnosu na model y, koji propušta 20% stečajeva, ali ima nižu stopu grešaka tipa 2.
Ako jedan propušteni stečaj vrijedi 30 lažnih alarma, onda će greške ova dva modela biti sljedeće:
Cijena greške modela x: 1% x (30 x (10%) + 10 x (1 - 10%)) = 0,120,
Cijena greške modela je y \ 1% x (30 x (20%) + 8 x (1 - 10%)) = 0,132, a model x se ispostavi da je bolji od y. Imajte na umu da najveći broj grešaka u modelu doprinosi velikom broju grešaka.
Druge vrste, a to se dešava jer se izvode u održivim kompanijama, a takvih je ogromna većina. Prilično je teško odlučiti da li se rezultati oba modela razlikuju dovoljno značajno da bi bili poželjniji, jer nije poznato kako će model x funkcionirati za bilo koji potpuno drugačiji odnos između cijena greške. Prilikom polaganja revizorskih ispita, ispitivači prepoznaju samo 25% preduzeća u stečaju, ali za svaku tačnu prognozu postoje samo 4 lažna alarma (vidi).
Dok MBA modeli mogu prepoznati mnogo veći udio kompanija u stečaju, ukupni rezultat neće nužno biti bolji od prakse revizora. Dakle, ako je trošak jedne greške 1. vrste 5 puta veći od greške 2. vrste, onda će ukupna greška revizora biti jednaka
1% X (5 X (75%) + 4 X (1 - 75%)) = 0,0475, što je manje od oba hipotetička modela x i y.
Ovi primjeri ilustruju sljedeću ideju: ako se omjeri cijena grešaka uvelike razlikuju, tada se čini da je prilagođavanje modela stečaja određenim proporcijama važnije od kvaliteta samog modela. Moguće je uvesti generalizovani koncept informacionog značaja modela korišćenjem udaljenosti do takozvane efektivne informacione granice, tj. krivulja koja obuhvata rezultate svih modela. Na sl. 9.1 model x nalazi se bliže ovoj granici od modela y, pa ga stoga treba smatrati informaciono efikasnijim.
Sljedeći izazov je razvoj standarda za testiranje. Za evaluaciju MBA modela, u većini slučajeva, uzima se mali broj uzoraka, a to povećava vjerovatnoću da će model biti previše uklopljen u podatke testa. Uzorci obično sadrže podjednak udio preduzeća u stečaju i onih koji nisu u stečaju, a sami podaci po pravilu odgovaraju periodima intenzivnog bankrota. Ovo navodi na zaključak da su pouzdani samo rezultati evaluacije modela na novim podacima. Sa stola. 9.1 vidi se da je čak i na najpovoljnijim testovima sa novim podacima (kada su svi primeri uzeti iz istog vremenskog perioda i, štaviše, homogeni u smislu delatnosti i veličine preduzeća), kvalitet lošiji nego na uzorcima, koji su korišteni za određivanje parametara modela. Budući da, u praksi, korisnici klasifikacionih modela neće moći da podese model na druge prethodne verovatnoće bankrota, veličine firme ili industrije, stvarni kvalitet modela može biti još gori. Kvalitet se može pogoršati i zbog činjenice da je u uzorcima koji se koriste za testiranje MBA modela malo firmi koje nisu bankrotirale, ali su u opasnosti. Ako postoji samo četiri ili pet takvih firmi koje su „u opasnosti da prežive“, onda to narušava stvarni udio rizičnih kompanija i kao rezultat toga, učestalost grešaka tipa II je potcijenjena.
na kojima se provjerava valjanost i adekvatnost modela. Kreirani model mora biti adekvatan realnom ekonomskom procesu. Ako je kvalitet modela nezadovoljavajući, vraćaju se u drugu fazu modeliranja.
7. Faza interpretacije rezultata simulacije.
Rice. 2.1. Glavne faze ekonometrijskog modeliranja
prognoza ekonomskih pokazatelja koji karakterišu proces koji se proučava (fenomen, objekat);
modeliranje ponašanja procesa (fenomena, objekta) pri različitim vrijednostima faktorskih varijabli;
formiranje upravljačkih odluka.
Broj varijabli uključenih u ekonometrijski model ne bi trebao biti prevelik i trebao bi biti teorijski opravdan. Modelu treba nedostajati funkcionalna ili bliska korelacija između faktorskih varijabli, što može dovesti do ovog fenomena multikolinearnost.
Prilikom formiranja početnih informacija za ekonometrijski model, izuzetno važan problem predstavlja izbor indikatora koji su adekvatni suštini fenomena koji se proučava. Često se ekonometrijski model gradi upravo da izrazi obrazac koji postoji između pojava. Treba obratiti pažnju na određenu zamjenu pojmova, koja se obično dešava u prvoj fazi izgradnje modela tokom prelaska sa smislene analize pojava na formiranje kvantitativnih karakteristika (indikatora) koje odražavaju njihov nivo. U toku smislene analize, fenomen se često razmatra kvaliteta nivo. Međutim, prilikom izgradnje modela koriste se početne informacije, skupovi indikatora koji te pojave, njihova svojstva, trendove izražavaju u obliku kvantitativno karakteristike.
Za tradicionalna područja istraživanja, problem potvrđivanja sastava indikatora obično se smatra riješenim. Na primjer, u studijama produktivnosti rada, makroekonomska analiza obično razmatra već utvrđene skupove
indikatore čije se vrijednosti objavljuju u statističkim zbornicima, naučnim izvještajima itd. Njihov primjer je učinak po radniku kao indikator koji izražava fenomen „produktivnosti rada“, obim BDP-a (pokazatelj efikasnosti privrede), obim osnovnih sredstava (pokazatelj nivoa materijalne sigurnosti zemlje). proizvodni proces, privreda) itd. Istovremeno, u nizu oblasti ekonometrijskih istraživanja ovakvi sistemi indikatora ne mogu se formirati tako jednoznačno. Često se isti fenomen može izraziti alternativnim varijantama indikatora. U nedostatku objektivnih podataka u ekonometrijskim studijama, dozvoljena je zamjena jednog indikatora drugim koji indirektno odražava istu pojavu. Na primjer, prosječni dohodak po glavi stanovnika kao pokazatelj materijalnog životnog standarda može se zamijeniti prosječnim godišnjim prometom po jednom stanovniku regiona itd. Pogrešan izbor indikatora koji predstavlja pojavu koja se razmatra u modelu može značajno uticati na njen kvalitet, te stoga problem utemeljenja sastava indikatora (varijabli) ekonometrijskog modela u praksi treba tretirati s najvećom pažnjom.
S obzirom na problem izbora konkret tip funkcije , treba napomenuti da se u praksi ekonometrijskih istraživanja koristi prilično širok spektar funkcionalnih zavisnosti između varijabli, a najčešće se koriste: linearno, desno semilogaritamsko, smireno, hiperbolično, logaritamski hiperbolični, inverzno linearno (Tornquistova funkcija), funkcija sa trajnom elastičnošću zamjene, eksponencijalna funkcija... U praksi se mogu sresti i kombinacije gore navedenih zavisnosti, npr.
Većina funkcija 
uz pomoć određenog skupa transformacija, mogu se svesti na linearni oblik. Na primjer, ako 
i 
zavisnik 
(7), a zatim uvodimo varijable 
, dobijamo izraz (4) do transformacije početnih faktora.
U praktičnom istraživanju, često koristeći transformaciju 
i 
, model potencijskog zakona (6) se transformira u linearni oblik povezujući logaritme varijabli 
i 
.
Međutim, treba napomenuti da u ovom slučaju, sa stanovišta matematike, takva transformacija nije sasvim ispravna zbog aditivnosti greške u izrazu (6), stoga su vrijednosti koeficijenata linearni (s obzirom na logaritme varijabli) model se općenito ne može pretpostaviti jednakim odgovarajućim vrijednostima analoga snage ...
Na primjeru linearnog ekonometrijskog modela može se zamisliti još jedan oblik modela ovog tipa - modeli u kojima nema slobodnog koeficijenta 
:
U mnogim praktičnim studijama, strogi teorijski koncepti, preliminarne pretpostavke o smislenim aspektima interakcije među pojavama povlače se u drugi plan. Za njih je najvažnije izgraditi jednačinu koja prilično precizno izražava odnose koji su adekvatni trendovima u promjeni varijabli. 
i 
na vremenskom intervalu (1, T)... Štaviše, često je uspješan oblik jednačine ekonometrijskog modela taj koji čini osnovu razvijenog teorijskog koncepta, koji potom nalazi svoju primjenu u kasnijim analizama. Očigledno, "najprikladniji" oblik daje najbolju aproksimaciju teoretskih (izračunatih) frekvencija vrijednosti
na stvarne vrednosti 
.
Obično se izbor oblika zavisnosti vrši na osnovu grafička analiza trendovi razvoja odgovarajućih procesa. Na primjer, ako je varijabla 
i varijabilna
mijenjao se tokom vremena prema grafikonima prikazanim na Sl. 2.2, onda je logično pretpostaviti da je zavisnost hiperbolična 
.
Za grafikone prikazane na sl. 2.3, karakteristična je logaritamska zavisnost 
.
Rice. 2.2. Hiperbolička zavisnost
Rice. 2.3. Logaritamska zavisnost
Optimalni sastav faktora
uključen u ekonometrijski model, jedan od glavnih uslova za njegovu dobru kvalitetu, shvaćen kao usklađenost forme modela sa teorijskim konceptom, izražavajući sadržaj odnosa između varijabli koje se razmatraju i kao tačnost predviđanja u odnosu na razmatran vremenski interval (1, T) posmatrane vrednosti varijable 
jednačina 
... Generalno, u fazi potkrepljivanja ekonometrijskog modela, istraživači se mogu suočiti s problemom izbora najpoželjnijeg sastava nezavisnih faktora među nizom alternativnih opcija.
Može se razlikovati dva glavna pristupa za rješavanje ovog problema:
prvo
uključuje a priori (prije izgradnje modela) proučavanje prirode i jačine odnosa između varijabli koje se razmatraju, prema čijim rezultatima se u model uključuju faktori koji su najznačajniji u svom direktnom utjecaju na zavisnu varijablu. 
.
I obrnuto, faktori koji su ili beznačajni sa stanovišta jačine njihovog uticaja na varijablu su isključeni iz modela 
,
ili njihov snažan uticaj na nju može se tumačiti kao induciran odnosima sa drugim egzogenim varijablama;
sekunda
pristup odabiru nezavisnih faktora - može se nazvati a posteriori - uključuje inicijalno uključivanje u model svih faktora odabranih na osnovu smislene analize. Pojašnjenje njihovog sastava u ovom slučaju zasniva se na analizi karakteristika kvaliteta konstruisanog modela, čija su jedna od grupa indikatori koji izražavaju jačinu uticaja svakog faktora na zavisnu varijablu. 
.
„a priori“ pristup zasniva se na sljedećim pretpostavkama: 1) snažan utjecaj faktora na zavisnu varijablu treba potvrditi i određenim kvantitativnim karakteristikama, od kojih je najvažniji njihov upareni koeficijent linearne korelacije 
Logika korišćenja koeficijenta parne korelacije u izboru značajnih faktora u praksi je sledeća. Ako je njegova vrijednost dovoljno velika (≥0,5 ÷ 0,6), onda možemo govoriti o prisustvu značajnog
5-parna korelacija u selekciji (0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 linearni odnos između varijabli 
i 
ili o dovoljno snažnom uticaju 
na 
.
Što je veća apsolutna vrijednost
koeficijent uparene linearne korelacije, to je taj uticaj jači (pozitivan ili negativan, zavisno od predznaka 
Vrijednost uparenog koeficijenta linearne korelacije treba izračunati uzimajući u obzir oblik transformacije 
i
v modeli. Na primjer, ako 
, tada se koeficijent korelacije određuje između 
i 
,
itd.; 2) ako dva ili više faktora izražavaju istu pojavu, tada bi, po pravilu, trebalo da postoji i prilično jaka veza između njih. Ovo može biti naznačeno vrijednošću uparenog koeficijenta linearne korelacije 
... U praksi se odnos između faktora smatra značajnim ako 
... U takvim situacijama preporučljivo je isključiti jedan od ovih faktora iz modela kako se isti uzrok ne bi razmatrao dvaput. Treba napomenuti da su date granične vrijednosti (u prvom slučaju 0,5 ÷ 0,6, u drugom
0,8 ÷ 0,9 su prilično proizvoljni. U svakom slučaju, postavljaju se pojedinačno. Prilikom njihovog odabira intuicija istraživača igra bitnu ulogu.
Obično se smatra: ako za faktor 
, zatim sa velikim brojem drugih dovoljno značajnih faktora, informacije sadržane u faktoru 
u pogledu varijabilnosti varijable 
,
može se zanemariti. Ponekad, naprotiv, ako sastav faktora nije preširok i faktor 
izražava fenomen koji je značajan sa stanovišta teorije, onda istraživač, pokušavajući da ne izgubi informacije o obrascima varijabilnosti varijable 
,
može ostaviti u modelu čak i uz manju vrijednost koeficijenta linearne korelacije para uzoraka (0,3 ÷ 0,4). Takav odabir, zasnovan na empiriji i intuiciji, obično ne uzima u obzir tačnost procjene koeficijenata korelacije uzorka, koja raste sa povećanjem uzorka. Sa fiksnim veličina uzorka tačnost procjena svih koeficijenata je približno ista. Logika takvog odabira je više fokusirana na sadržajnu stranu problema uzimanja u obzir odnosa između varijabli modela. Ovaj fenomen značajno komplikuje problem selekcije faktora
false
korelacije, tj. Velike vrijednosti parnih koeficijenata korelacije mogu se dogoditi i u onim slučajevima kada su se tendencije procesa koji se razmatraju slučajno poklopili, u nedostatku logički utemeljenog odnosa između njih. Lažna korelacija može stati na put izgradnji „ispravnog“ modela iz dva razloga. Prvo, faktori koji nisu značajni sa suštinske tačke gledišta i koji se karakterišu značajnim vrednostima uparenog koeficijenta linearne korelacije mogu se slučajno uneti u model. Drugo, model se može isključiti sa stanovišta uticaja na 
faktori u odnosu na koje se pogrešno prepoznaje hipoteza da oni izražavaju isti fenomen kao drugi faktor (faktori) koji su već uključeni u ovaj model. Među glavnim razlozima za uključivanje varijabli s lažnom korelacijom u model često se navode nepouzdanost informacija koje se koriste za određivanje vrijednosti faktora u različitim vremenskim trenucima, poteškoće u formaliziranju faktora kvalitativne prirode, nestabilnost trendova u varijablama pod razmatranje, netačan oblik odnosa između njih itd.
Glavni način, pridržavajući se kojeg možete izbjeći greške povezane s konceptom "lažne korelacije", povezana sa kvalitativnom analizom problema sa ciljem da se potkrijepi sadržaj i forma modela koji mu odgovara. Istovremeno, možemo ponuditi neke generalne preporuke kojih se preporučuje da se pridržavate slijedeći ovaj put: 1) broj faktora uključenih u model ne bi trebao biti prevelik. Njihovo povećanje može umanjiti njegovu praktičnu vrijednost, jer u ovom slučaju model počinje odražavati ne obrazac razvoja u pozadini slučajnosti, već samu šansu; 2) jednostavnost modela u velikoj mjeri garantuje njegovu adekvatnost, budući da su složenije zavisnosti često a priori neuhvatljive u ograničenom vremenskom intervalu, ali se u isto vrijeme mogu aproksimirati prilično jednostavnim funkcijama. Drugim riječima, složeni model može u većoj mjeri izraziti sekundarne odnose između varijabli na štetu glavnih.
A posteriori pristupom pojašnjava se sastav faktora ekonometrijskog modela na osnovu analize vrijednosti niza kvalitativnih karakteristika njegove već izgrađene verzije. Jednu od grupa takvih karakteristika, najvažnijih u odabiru faktora, čine vrijednosti Studentski test izračunati za koeficijente za svaki od faktora modela. Koristeći ovaj kriterij, testira se hipoteza o značajnosti utjecaja faktora na zavisnu varijablu. Konačna odluka o preporučljivosti napuštanja faktora ili njegovog uklanjanja iz modela donosi se na osnovu analize cjelokupnog kompleksa.
Dakle, za praksu možemo ponuditi sljedeće postupak korak po korak za izgradnju konačne verzije modela osnovua posteriori pristup: 1) početna verzija modela uključuje sve faktore odabrane tokom smislene analize problema. Za ovu opciju izračunavaju se vrijednosti procjena koeficijenata modela, njihove srednje kvadratne greške i vrijednosti Studentovih kriterija; 2) iz modela se uklanja beznačajan faktor koji karakteriše najmanja vrednost posmatrane vrednosti Studentovog kriterijuma (pod uslovom da posmatrana vrednost nije veća od tabelarne vrednosti), te se tako formira nova verzija modela sa broj faktora smanjen za jedan. Imajte na umu da u modelu može postojati nekoliko beznačajnih faktora. Međutim, ne biste ih trebali izbrisati sve u isto vrijeme. Moguće je da je beznačajnost većine njih posledica uticaja „najgoreg“ od beznačajnih faktora i u sledećem koraku proračuna ovi faktori će se pokazati značajnim; 3) proces odabira faktora se može smatrati završenim, kada su faktori koji ostaju u modelu značajni, ako rezultirajuća verzija modela zadovoljava i druge kriterijume svog kvaliteta, tada , proces izgradnje modela može se smatrati završenim u cjelini. Inače, preporučljivo je pokušati formirati drugu alternativnu verziju modela koja se razlikuje od prethodne bilo po sastavu faktora ili u obliku njihovog odnosa sa zavisnom varijablom at.
Svaki od ovih pristupa ima prednosti i nedostatke. „a priori“ način odabira faktora nema dovoljno valjanosti. On uglavnom koristi „direktne“ kvantitativne pokazatelje „snage“ odnosa između razmatranih veličina i ne uzima u potpunosti u obzir posebnosti kompleksnog uticaja nezavisnih faktora na varijablu. 
, tj. čudan efekti "izlaska" takav uticaj. Istovremeno, upotreba apriornog pristupa često omogućava da se razjasne neke preliminarne alternativne opcije za skupove nezavisnih faktora, da se provjere početne pretpostavke modela u pogledu ispravnog izbora oblika odnosa među njima.
„a posteriori“ pristup odabiru faktora je, na prvi pogled, poželjniji upravo zbog toga što se izvodljivost uključivanja svakog od faktora u ekonometrijski model utvrđuje na osnovu cjelokupnog kompleksa odnosa između varijabli uključenih u model. . Međutim, kada je ukupan broj faktora dovoljno velik, nema garancije da mnogi beznačajni, pa čak i lažni odnosi među njima neće prevladati nad glavnim. Kao rezultat toga, može se ispostaviti da će među prvim kandidatima za isključenje biti "imenovani" najvažniji, značajni sa stanovišta uticaja na varijablu y, faktori. Stoga, u teškim slučajevima, tj. u prisustvu velikog broja faktora odabranih za uključivanje u model u fazi smislene analize, stručnjaci preporučuju kombinovanje oba pristupa - "a priori" i "a posteriori" u formiranju njihovog "optimalnog" sastava.
Prema ovim preporukama, metodom „apriorne” selekcije, primenom smislene analize, formiraju se alternativne varijante skupova faktora uključenih u model. Nadalje, korištenjem metoda "a posteriori" odabira, ovi skupovi se rafiniraju, odgovarajuće varijante modela upoređuju prema nizu karakteristika njihovog kvaliteta. Pretpostavlja se da najbolja od varijanti modela takođe sadrži „optimalni“ skup faktora. Kao rezultat toga, postupak odabira faktora u ekonometrijskom modelu pretvara se u nabrajanje određenog skupa njihovih prihvatljivih kombinacija, formiranih na osnovu „apriornog“ pristupa. Prolazeći kroz različite opcije sastava nezavisnih faktora, razmatrajući moguće tipove njihovih odnosa sa zavisnom varijablom, istraživač formira i različite opcije (modifikacije) ekonometrijskog modela za opisivanje procesa koji se razmatraju. U ovom slučaju nastaje problem izbora „optimalnog“ ili „najracionalnijeg“ među njima. Obično se ovaj problem rješava na osnovu analitičkog poređenja statističkih karakteristika kvaliteta izgrađenih varijanti, koje se izračunavaju već sa poznatim vrijednostima procjena njihovih parametara.
U opštem slučaju, „kvalitet“ ekonometrijskog modela se ocenjuje pomoću dve grupe karakteristika. U prvu grupu spadaju indikatori, kriterijumi koji izražavaju stepen usklađenosti konstruisanog modela sa osnovnim zakonitostima procesa koji on opisuje. U drugom, indikatori i kriterijumi u većoj meri procenjuju tačnost njegove aproksimacije posmatranim vrednostima. 
... Kriterijumi prve grupe uključuju Studentov t test koristi se za procenu značaja uticaja svakog faktora 
po zavisnoj varijabli 
... Drugu grupu kriterijuma čine kriterijumi koji se široko koriste u statistici i ekonometriji. koeficijent višestruke korelacije,
koeficijent odlučnosti i Fischer-Snedecor test.
Procjena kvaliteta modela je završna faza njegovog razvoja i ima dva cilja:
1) proverava usklađenost modela sa njegovom namenom (ciljevi istraživanja);
2) da se proceni pouzdanost i statističke karakteristike rezultata dobijenih tokom eksperimenata na modelu.
U analitičkom modeliranju, pouzdanost rezultata određuju dva glavna faktora:
1) pravilan izbor matematičkog aparata koji se koristi za opisivanje sistema koji se proučava;
2) metodološka greška svojstvena ovoj matematičkoj metodi.
U simulaciji, na pouzdanost rezultata utiče niz dodatnih faktora, od kojih su glavni:
Modeliranje slučajnih faktora zasnovano na upotrebi senzora srednjeg opsega, koji mogu uneti "izobličenja" u ponašanju modela;
Prisutnost nestacionarnog načina rada modela;
Upotreba nekoliko različitih vrsta matematičkih metoda unutar jednog modela;
Ovisnost rezultata simulacije od plana eksperimenta;
Potreba za sinhronizacijom rada pojedinih komponenti modela;
Imati model opterećenja čiji kvalitet zavisi, pak, od istih faktora.
Pogodnost simulacionog modela za rješavanje istraživačkih problema karakterizira stepen u kojem posjeduje tzv. ciljna svojstva. Glavni su:
Adekvatnost;
Stabilnost;
Osjetljivost.
Procjena adekvatnosti modela. U opštem slučaju, adekvatnost se shvata kao stepen usklađenosti modela sa tom stvarnom pojavom ili objektom za čiji opis se konstruiše. Adekvatnost modela određena je stepenom njegove korespondencije ne toliko stvarnom objektu koliko ciljevima studije.
Jedan od načina da se potkrijepi adekvatnost razvijenog modela je korištenje metoda matematičke statistike. Suština ovih metoda je testiranje postavljene hipoteze (u ovom slučaju o adekvatnosti modela) na osnovu nekih statističkih kriterijuma.
Procedura evaluacije se zasniva na poređenju mjerenja na realnom sistemu i rezultata eksperimenata na modelu i može se izvesti na različite načine. Najčešći su:
Po prosječnim vrijednostima modela i odziva sistema;
Prema varijacijama odstupanja odgovora modela od prosječne vrijednosti odgovora sistema;
Po maksimalnoj vrijednosti relativnih odstupanja odgovora modela od odziva sistema.
Procjena stabilnosti modela. Robusnost modela je njegova sposobnost da ostane adekvatan pri ispitivanju efikasnosti sistema u čitavom mogućem opsegu opterećenja, kao i prilikom izmena konfiguracije sistema. Programer je primoran da pribegne metodama "od slučaja do slučaja", parcijalnim testovima i zdravom razumu. Posteriorna provjera je često korisna. Sastoji se od poređenja rezultata simulacije i rezultata mjerenja na sistemu nakon unošenja izmjena na njemu. Ako su rezultati simulacije prihvatljivi, povećava se povjerenje u robusnost modela.
Što je struktura modela bliža strukturi sistema i što je veći stepen detalja, to je model stabilniji. Stabilnost rezultata simulacije može se ocijeniti i metodama matematičke statistike.
Procjena osjetljivosti modela. Često se javlja problem procjene osjetljivosti modela na promjene parametara opterećenja i unutrašnjih parametara samog sistema.
Ova procjena se vrši za svaki parametar posebno. Zasniva se na činjenici da je raspon mogućih promjena parametara obično poznat. Jedan od najjednostavnijih i najčešćih postupaka ocjenjivanja je sljedeći.
1) izračunava se vrijednost relativnog prosječnog prirasta parametra:
2) provodi se nekoliko modelskih eksperimenata sa vrijednostima i srednjim fiksnim vrijednostima preostalih parametara. Određene su vrijednosti odziva modela 
i 
;
3) izračunava se njegov relativni prirast posmatrane varijable:
Kao rezultat toga, za i-ti parametar, modeli imaju par vrijednosti koje karakteriziraju osjetljivost modela za ovaj parametar.
Slično, parovi se formiraju za ostale parametre modela, koji čine skup.
Podaci dobijeni u procjeni osjetljivosti modela mogu se koristiti posebno pri planiranju eksperimenata: više pažnje treba posvetiti onim parametrima za koje je model osjetljiviji.
Kalibracija modela. Ako se kao rezultat procjene kvaliteta modela ispostavi da njegova ciljna svojstva ne zadovoljavaju programera, potrebno ga je kalibrirati, odnosno ispraviti kako bi se uskladio sa zahtjevi.
Obično je proces kalibracije iterativan i sastoji se od tri glavna koraka:
1) globalne promene u modelu (na primer, uvođenje novih procesa, promene tipova događaja, itd.);
2) lokalne promene (posebno promene nekih zakona distribucije simuliranih slučajnih varijabli);
3) promjena posebnih parametara, koja se naziva kalibracija.
Preporučljivo je kombinovati procjenu ciljnih svojstava simulacijskog modela i njegovu kalibraciju u jedan proces.
Procedura kalibracije sastoji se od tri koraka, od kojih je svaki iterativan (slika 1.11).
Korak 1. Poređenje izlaznih distribucija.
Cilj je procijeniti adekvatnost MI. Kriterijumi poređenja mogu varirati. Konkretno, može se koristiti veličina razlike između srednjih vrijednosti modela i odziva sistema. Otklanjanje razlika u ovom koraku zasniva se na pravljenju globalnih promjena.
Korak 2. Balansiranje modela.
Glavni zadatak je procijeniti stabilnost i osjetljivost modela. Na osnovu njegovih rezultata, u pravilu se vrše lokalne promjene (ali su moguće i globalne).
Korak 3. Optimizacija modela.
Svrha ove faze je osigurati potrebnu tačnost rezultata. Ovdje su moguća tri glavna područja rada: dodatna provjera kvaliteta senzora slučajnih brojeva; smanjenje efekta prolaznog režima; primjena posebnih metoda za smanjenje varijanse.
