ارزیابی کیفیت مدل شبیه سازی. کیفیت های اضافی مورد نیاز برای مدل ها

علاوه بر بارزترین ویژگی های مورد نیاز برای تبدیل شدن به یک مدل (قد، جثه، زیبایی و سلامت)، عوامل کمتر آشکار و کمتر ملموسی نیز وجود دارد که مورد توجه قرار می گیرد. آنها بسیار ذهنی تر هستند و نظر یک آژانس مدلینگ ممکن است به طور قابل توجهی با نظر دیگری متفاوت باشد. با تبدیل شدن به یک مدل حرفه ای که به طور منظم در جلسات تست شرکت می کند، متوجه خواهید شد که این امر در مورد کارفرمایان بالقوه نیز صدق می کند.

فتوژنیک

همه کسانی که عکاسی کرده‌اند می‌دانند که برخی افراد در تصویر خوب ظاهر می‌شوند، در حالی که برخی دیگر اینطور نیستند. اینکه چقدر فتوژنیک هستید بستگی به این دارد که لنز شما را چگونه "می بیند".

موفقیت شما به عنوان یک مدل بستگی به این دارد که چگونه در عکس به نظر می رسید - اینکه واقعا چگونه به نظر می رسید مهمترین چیز نیست.

اگر واقعاً این کیفیت را دارید، قطعاً در تصویر خود را نشان می دهد. مادر شما می تواند با یک دوربین ارزان قیمت عکس بسیار جذابی بگیرد. می توانید به اندازه یک دلار در یک غرفه عکس فوری خرج کنید و یک نوار عکس عالی بگیرید.

عامل آفتاب پرست

این مدل به یاد می آورد: "وقتی برای اولین بار حرفه مدلینگ را شروع کردم، نماینده ام گفت: "شما عالی به نظر می رسید و موفق خواهید شد، اما هرگز یک "سوپر مدل" نخواهید شد. جودی کلی. او این را گفت چون من مانند آفتاب پرست بودم و در هر عکس متفاوت به نظر می رسیدم.

او می افزاید: «برای اینکه در دهه 1990 یک «سوپر مدل» شوید، باید طوری به نظر می رسید که می توانید به عکس های خود نگاه کنید و بگویید: «این سیندی کرافورد،و او دوباره و دوباره اینجاست.

خوش شانس جودی کلیاز سوی دیگر، مدل‌هایی که دارای «عامل آفتاب‌پرست» هستند، معمولاً شغل طولانی‌تری دارند. و او آن را تایید کرد مثال شخصی، بیش از 10 سال به عنوان یک مدل حرفه ای کار کرده است.

صبر

یکی از مهمترین کیفیت های مهممدل صبر است بدیهی به نظر می رسد، اما این یک عرفان ساده نیست.

یکی از میکاپ آرتیست ها می گوید: «برخی مدل ها به این کیفیت نیاز ندارند، زیرا عکس های روزانه دارند، پر کار هستند. برخی از آنها دیگر از کار خود لذت نمی برند. آنها ساعت های طولانی کار می کنند و این برای آنها و کیفیت عکس هایشان خوب نیست."

سام، مدیر نامزدی تاکید می کند: «اگر صبر ندارید، فقط یک مدل شوید مدل های فورد- تو فقط زنده نخواهی ماند. زیاد دوام نخواهید آورد و به طور کلی، شما موفق نخواهید شد. شما باید در این تجارت صبور باشید."

او می افزاید: «به نظر من امروزه مردم، به ویژه نسل جوان، شروع به فراموشی کرده اند که همه چیز یکباره به وجود نمی آید. می توانید تمام مشتریان بالقوه شهر را دور بزنید و شش ماه بیکار بمانید... و ناگهان، یک بار، و متوجه شوید. صبر واقعی همین است."
"این در نهایت به این معنی است که وارد شوید جای مناسبو در زمان مناسب- بالاخره بعد از یک میلیون بار در زمان اشتباه در مکان اشتباه بودید!

حتی بعد از اینکه شغلی پیدا کردید، باید زمانی را صرف انتظار کنید. "مو و آرایش برای آماده شدن برای عکسبرداری معمولاً 3-4 ساعت طول می کشد. هنگامی که کاملاً لباس پوشید و شخصیت خود را نشان دادید، به عکاسی می رسید و این یک لحظه واقعاً فریبنده است. اما، باور کنید، راه رسیدن به آن اصلاً نیست!»

داستان یک عکاس برای کاتالوگ آون

مدل جودی کلیروی عکس کار کرده است و روشی که او این کار را انجام داده است به وضوح نشان می دهد که یک مدل خوب چه ویژگی هایی باید داشته باشد.

سفارش عکس با لباس زمستانی در طبیعت برای کاتالوگ انجام شد آوون. مشکل این بود که طبق برنامه، فیلمبرداری معمولاً شش ماه قبل از انتشار کاتالوگ انجام می شد. درست اوج ماه جولای بود، اوج گرمای وحشتناک.

عکاس با علم به اینکه باید در شرایط سخت عکاسی کند، مدلی را بر اساس سه معیار انتخاب کرد:

1. ظاهر او باید همان چیزی باشد که در کاتالوگ های Avon مرسوم است - یک لبخند جذاب و شاد لازم است.

2 او هرگز از سختی شکایت نمی کند و کاملاً خود را به کار می سپارد.

3. او به اندازه عرق نمی کند مردم عادی. «جودی دیوانه وار خشک است! اریک شوخی می کند با این حال، دقیقاً همین ویژگی بود که به او اجازه داد این سفارش را دریافت کند.»

برای فیلمبرداری گروه کاریغذاخوری را انتخاب کرد درخت های کریسمسدر نیوجرسی، و عکاس، مدل، هنرمند آرایش و استایلیست با یک ون یخچالی اجاره‌ای به آنجا سفر کردند.

شاخه های درختان پوشیده از برف بود. بوم گسترده ای که روی مدل کشیده شده بود، مانند یک ابر، نور مستقیم خورشید را به پراکنده تبدیل می کرد. جودی کت، کلاه، دستکش و روسری به تن داشت و دمای آن بیش از 30 درجه سانتیگراد بود.

همه اعضای گروه به سادگی خیس عرق بودند و مجبور بودند اغلب برای نوشیدن آب توقف کنند. در تمام این مدت، او مانند یک مبارز سرسخت رفتار کرد و یک بار هم از وضعیت فعلی شکایت نکرد.

جودی درباره شرایط سخت فیلمبرداری می گوید: «من چیزی برای شکایت نداشتم. تمام عمرم آرزو داشتم مدل باشم. و حالا من این شغل را پیدا کردم و هنوز هم برای تحقق رویایم حقوق می گیرم! حتی با وجود آب و هوا، من احساس خوشحالی می کردم.»

برازندگی

یکی از مدل های مد توضیح می دهد: "حرکت برازنده باید از درون نشات بگیرد." این چیزی است که یا با آن متولد شده اید یا نبوده اید. نمی توان آن را با کمک باله، ورزش و فعالیت های دیگر کامل کرد. یا دارید یا ندارید و این به وضوح در تصویر مشخص است.

بدون عقده

در این تجارت، نمی توانید نسبت به بدن خود بیش از حد متواضع باشید. این مدل می گوید: "شما باید کاملاً احساس راحتی کنید، مهم نیست که آنها با بدن شما چه می کنند." جودی کلی. "در حین اجرای سکو، باید هر چه سریعتر لباس بپوشید و لباس بپوشید و دیگر زمانی برای پوشاندن خود باقی نماند."

وقتی برای مجله عکس می گیرید، - او اضافه می کند، - آنها چیزی را با سنجاق به شما سنجاق می کنند، با دستان خود شما را لمس می کنند، روی صورت، گردن، بدن شما آرایش می کنند. شما کشیده می شوید، توسط موها کشیده می شوید و پرتاب می شوید. در عین حال، هیچ کس به شما تجاوز نمی کند و از مرز عبور نمی کند، فقط همه این دستکاری ها ضروری است و همه چیز باید خیلی سریع انجام شود.

اعتماد به نفس

اعتماد به نفس و احساس راحتی از ویژگی های پنهانی هستند که برای مدل بسیار ضروری هستند. اگر احساس ناهنجاری، خجالتی یا بی دست و پا دارید، یا فقط از اینکه جوشی روی صورتتان ظاهر شده ناراحت هستید، قطعاً شک به خود در عکس نمایان می شود.

باز بودن

با هر فردی که در کسب و کار مدلینگ باید با آنها کار کنید، نباید نسبت به آنها تعصب داشته باشید. شما باید بتوانید با هر فردی از هر طبقه ای از زندگی با موفقیت همکاری کنید.

عکس "بزرگ".

و در نهایت، باید به این درک دست پیدا کنید که کسب و کار مدلینگ "بیشتر از عکاسی ساده" است و این فقط از تجربه حاصل می شود. برای یک مدل جوان که در طلسم عاشقانه است و به اندازه کافی دیده است سخت است فیلم های بدو مقالات بیش از حد تبلوید را بخوانید.

در عین حال، مدل متوجه نمی شود که طرح خلاقانه ممکن است در طی چند هفته تدوین شده باشد و همه مقامات ذیصلاح قبلاً هر یک از نکات آن را تأیید کرده اند و همچنین تصمیمات توسط افراد بسیار با تجربه تر از او گرفته شده است.

وقتی می‌بینید که مدل چگونه سعی می‌کند آرایش، مو یا عناصر لباس را تغییر دهد، غم‌انگیز می‌شود، زیرا او فکر می‌کند که می‌داند چگونه بهتر به نظر برسد.

اگر به نظر تیم خلاق اعتماد نکنید یا سعی نکنید به کارفرمای خود توضیح دهید که چه چیزی برای آنها بهتر است، نه تنها متحمل خشم آنها خواهید شد، بلکه هر آنچه که فکر خلاق آنها می تواند به شما بدهد را از دست خواهید داد. در نهایت نمونه کارهای شما پر از عکس های یک طرفه و غیر جالب می شود.

همیشه باید به یاد داشته باشید که شما تنها یکی از بخش هایی هستید که یک عکس "بزرگ" را تشکیل می دهد. لازم است نسبت به کاری که اطرافیانتان انجام می دهند همدردی کنید، زیرا آنها دیدگاه خود را نسبت به وضعیت بدنی، حالات صورت، لباس و نور دارند، شاید متفاوت از شما. بنابراین، کاملاً ضروری است که قصد خلاقانه آنها را به طور کلی منعکس و درک کنید تا متوجه شوید که آنها از شما چه انتظاری دارند.

بخش 3. پردازش و تجزیه و تحلیل نتایج شبیه سازی.

تصمیمات اتخاذ شده توسط محقق بر اساس نتایج مدل سازی شبیه سازی تنها زمانی می تواند سازنده باشد که دو شرط:

نتایج به‌دست‌آمده از دقت و پایایی لازم برخوردارند.

محقق می تواند نتایج را به درستی تفسیر کند و بداند چگونه می توان از آنها استفاده کرد.

امکان تحقق شرط اول اساساً در مرحله توسعه مدل و تا حدی در مرحله برنامه ریزی آزمایش است. قابلیت اطمینان نتایج شبیه‌سازی نشان می‌دهد که مدلی که با آن به‌دست می‌آید نه تنها درست است، بلکه برخی الزامات اضافی برای مدل‌های شبیه‌سازی را نیز برآورده می‌کند.

توانایی محقق در تفسیر صحیح نتایج و تصمیم گیری بر اساس آنها تصمیمات درستبه طور قابل توجهی به مطابقت فرم ارائه نتایج با اهداف مدل سازی بستگی دارد.

اگر توسعه‌دهنده مدل مطمئن باشد که نتایج به‌دست‌آمده مطابق با یک مورد استفاده خواهد شد، به وضوح هدف، شکل نمایندگی آنها را می توان از قبل تعیین کرد. در این حالت، تبدیل داده های تجربی به فرم مورد نیاز می تواند یا در حین آزمایش و یا بلافاصله پس از اتمام آن انجام شود. این رویکرد باعث صرفه جویی در حافظه کامپیوتر مورد نیاز برای ذخیره حجم زیادی از داده های خام و همچنین کاهش زمان تجزیه و تحلیل نتایج و تصمیم گیری می شود.

در صورتی که تعیین هدف مدل سازی از قبل مشکل باشد یا اهداف متعددی وجود داشته باشد، داده ها باید در پایگاه داده جمع آوری شده و سپس به درخواست کاربر به شکل مورد نیاز صادر شود. به عنوان یک قاعده، سیستم های اتوماسیون شبیه سازی بر اساس این اصل ساخته می شوند.

ارزیابی کیفیت مدل آخرین مرحله توسعه آن است و دو هدف دارد:

1) مطابقت مدل با هدف آن (اهداف تحقیق) را بررسی کنید.

2) قابلیت اطمینان و ویژگی های آماری نتایج به دست آمده در طول آزمایش های شبیه سازی را ارزیابی کنید.

در مدل‌سازی تحلیلی، پایایی نتایج توسط دو عامل اصلی تعیین می‌شود:

1) انتخاب صحیح دستگاه ریاضی مورد استفاده برای توصیف سیستم مورد مطالعه.

2) خطای ریاضی ذاتی این روش ریاضی.

در مدل سازی شبیه سازیقابلیت اطمینان نتایج تحت تأثیر تعدادی از عوامل اضافی، که اصلی ترین آنها عبارتند از:

1) شبیه سازی عوامل تصادفی بر اساس استفاده از حسگرها اعداد تصادفی، که می تواند تحریفاتی را در رفتار مدل ایجاد کند.

2) وجود حالت غیر ثابت عملکرد مدل.

3) استفاده از چندین نوع مختلف روش های ریاضیدر یک مدل؛

4) وابستگی نتایج شبیه سازی به طرح آزمایشی.

5) نیاز به همگام سازی کار اجزای فردیمدل ها؛

6) وجود یک مدل حجم کار که کیفیت آن به نوبه خود به همان عوامل بستگی دارد.

تناسب اندام مدل شبیه سازیبرای حل مسائل تحقیقاتی مشخص می شود که تا چه حد دارای ویژگی های به اصطلاح هدف است. اصلی ترین آنها عبارتند از:

کفایت؛

پایداری؛

حساسیت

ارزیابی کفایت مدل.که در مورد کلیکفایت به عنوان درجه انطباق مدل با پدیده یا شیئی واقعی که برای توصیف آن ساخته شده است درک می شود.

با این حال، مدل ایجاد شدهبه عنوان یک قاعده، بر مطالعه زیرمجموعه خاصی از ویژگی های این شی متمرکز شده است. بنابراین، می‌توان فرض کرد که کفایت مدل با میزان انطباق آن نه چندان با هدف واقعی که با اهداف مطالعه تعیین می‌شود.

یکی از رایج‌ترین راه‌ها برای توجیه رسمی کفایت مدل توسعه‌یافته، استفاده از روش‌ها است آمار ریاضی. ماهیت این روش ها آزمایش فرضیه ارائه شده (در این مورد- در مورد کفایت مدل) بر اساس برخی معیارهای آماری. هنگام آزمایش فرضیه ها با روش های آمار ریاضی، باید در نظر داشت که معیارهای آماری نمی توانند یک فرضیه واحد را اثبات کنند: آنها فقط می توانند عدم وجود رد را نشان دهند.

روش ارزیابی مبتنی بر مقایسه اندازه‌گیری‌ها است سیستم واقعیو نتایج آزمایشات روی مدل و قابل انجام است روش های مختلف. رایج ترین آنها عبارتند از:

با توجه به مقادیر متوسط ​​مدل و سیستم؛

با توجه به واریانس های انحراف پاسخ های مدل از مقدار متوسط ​​پاسخ های سیستم.

توسط حداکثر مقدارپاسخ های مدل نسبی از پاسخ های سیستم

این روش ها به یکدیگر نزدیک هستند، بنابراین ما خود را به بررسی اولین آنها محدود می کنیم. این روش این فرضیه را آزمایش می کند که مقدار میانگین متغیر مشاهده شده Y نزدیک به مقدار میانگین پاسخ سیستم واقعی Y* است.

در نتیجه آزمایش های N 0 روی یک سیستم واقعی، مجموعه ای از مقادیر (نمونه) Y* به دست می آید. پس از انجام آزمایش های NM روی مدل، مجموعه ای از مقادیر متغیر مشاهده شده Y نیز به دست می آید.

سپس برآوردهای انتظار ریاضی و پراکندگی پاسخ های مدل و سیستم محاسبه می شود و پس از آن فرضیه ای در مورد نزدیکی مقادیر میانگین Y* و Y (به معنای آماری) مطرح می شود. مبنای آزمون فرضیه، آماره t است (توزیع دانشجو). مقدار آن، محاسبه شده از نتایج آزمایش، با آن مقایسه می شود بحرانی t cr، از جدول مرجع گرفته شده است. اگر نابرابری t< t кр, то гипотеза принимается.

باز هم باید تاکید کرد که روش های آماری تنها در صورتی قابل اجرا هستند که کفایت مدل مورد ارزیابی قرار گیرد. سیستم موجود. طبیعتاً امکان اندازه گیری روی سیستم در حال طراحی وجود ندارد. تنها راهغلبه بر این مانع به عنوان یک شی مرجع است مدل مفهومیسیستم طراحی شده سپس ارزیابی کفایت مدل پیاده‌سازی شده توسط نرم‌افزار شامل بررسی میزان درستی منعکس‌کننده مدل مفهومی است. این مشکلشبیه بررسی صحت هر کدام است برنامه کامپیوتریو با روش های مناسب مثلاً با تست قابل حل است.

ارزیابی پایداری مدلهنگام ارزیابی کفایت مدل برای هر دو سیستم موجود و طراحی شده، تنها یک زیر مجموعه محدود از همه مقادیر ممکنپارامترهای ورودی (بار کاری و محیط خارجی). در این راستا، برای توجیه پایایی نتایج شبیه سازی به دست آمده پراهمیتدارای یک بررسی پایداری مدل است. در نظریه مدلسازی این مفهوم به صورت زیر تعبیر می شود.

استحکام یک مدل توانایی آن برای حفظ کفایت هنگام بررسی عملکرد سیستم در کل محدوده ممکن از بار کاری، و همچنین زمانی که تغییراتی در پیکربندی سیستم ایجاد می‌شود، است.

چگونه می توان ثبات یک مدل را ارزیابی کرد؟ هیچ روش جهانی برای بررسی پایداری مدل وجود ندارد. توسعه دهنده مجبور است به روش های «مورد به مورد»، آزمون های جزئی و عقل سلیم متوسل شود. تأیید پسینی اغلب مفید است. این شامل مقایسه نتایج شبیه سازی و نتایج اندازه گیری در سیستم پس از اعمال تغییرات در آن است. اگر نتایج شبیه سازی قابل قبول باشد، اطمینان به استحکام مدل افزایش می یابد.

به طور کلی می توان ادعا کرد که هر چه ساختار مدل به ساختار سیستم نزدیکتر باشد و درجه جزئیات بالاتر باشد، مدل پایدارتر است.

پایداری نتایج شبیه‌سازی را می‌توان با روش‌های آمار ریاضی نیز ارزیابی کرد. در اینجا مناسب است مشکل اصلی آمار ریاضی را یادآوری کنیم. این شامل آزمایش یک فرضیه در مورد ویژگی های یک مجموعه معین از عناصر، به نام جمعیت عمومی، با ارزیابی ویژگی های برخی از زیر مجموعه ها است. جمعیت(یعنی نمونه ها). در جمعيت عمومي، محقق معمولاً به برخي ويژگي‌هايي كه ناشي از شانس است و ممكن است ماهيت كيفي يا كمي داشته باشد، علاقه دارد.

در این حالت این پایداری نتایج شبیه سازی است که می تواند به عنوان یک ویژگی برای ارزیابی در نظر گرفته شود. برای آزمون فرضیه پایداری نتایج می توان از آزمون ویلکاکسون استفاده کرد.

از آزمون Wilcoxon برای بررسی اینکه آیا دو نمونه متعلق به یک جامعه عمومی هستند (یعنی ویژگی آماری یکسانی دارند یا خیر) استفاده می شود. به عنوان مثال، در دو دسته از یک محصول، یک ویژگی خاص اندازه گیری می شود و لازم است این فرضیه که این ویژگی در هر دو دسته توزیع یکسان دارد، آزمایش شود. به عبارت دیگر، شما باید از آن اطمینان حاصل کنید فرآیند تکنولوژیکیبه طور قابل توجهی از دسته ای به دسته دیگر تغییر نمی کند.

هنگام ارزیابی آماری پایداری مدل، فرضیه مربوطه را می توان به صورت زیر فرموله کرد: هنگامی که بار ورودی (کاری) یا ساختار MI تغییر می کند، قانون توزیع نتایج شبیه سازی بدون تغییر باقی می ماند.

تأیید فرضیه H مشخص شده با داده های اولیه زیر انجام می شود:

دو نمونه وجود دارد X = (x 1..., xn)و Y= (در 1..., در t)،به دست آمده برای مقادیر مختلف حجم کار؛ در مورد قوانین توزیع ایکسو هیچ فرضیه ای وجود ندارد.

مقادیر هر دو نمونه با هم به ترتیب صعودی مرتب می شوند. سپس مورد تجزیه و تحلیل قرار گرفت ترتیب متقابل x iو در منچه زمانی من< x i می گویند که یک جفت ارزش (x i، y i)وارونگی ایجاد می کند.

به عنوان مثال، اجازه دهید برای n= تی= 3 پس از سفارش، دنباله ای از مقادیر زیر را دریافت می کنیم: y 1، x 1، y 3، x 2، y 2، x 3،سپس وارونگی داریم: (x 1 ، y 1 ), (x 2, y 1 ), (x 2، y 3)، (x 3، y 1)، (x 3، y 2)، (x 3، y 3).

تعداد کل وارونگی ها را بشمارید U.اگر فرضیه درست باشد، پس Uنباید خیلی از انتظارات ریاضی خود منحرف شود M: M=nm/2.

فرضیه رد می شود اگر (با توجه به جدول برای سطح معینی از اهمیت تعیین می شود).

ارزیابی حساسیت IMبدیهی است که ثبات ویژگی مثبت مدل است. با این حال، اگر تغییر در اقدامات ورودی یا پارامترهای مدل (در محدوده معین) بر مقادیر پارامترهای خروجی تأثیری نداشته باشد، مزیت چنین مدلی کم است (می توان آن را "غیر حساس" نامید). در این راستا، مشکل برآورد حساسیت مدل به تغییرات پارامترهای حجم کار و پارامترهای داخلیخود سیستم

این ارزیابی برای هر پارامتر انجام می شود. X kبطور جداگانه. بر این اساس است که معمولاً محدوده تغییرات احتمالی پارامتر مشخص است. یکی از ساده ترین و رایج ترین روش های ارزیابی به شرح زیر است.

1) مقدار میانگین افزایش نسبی پارامتر محاسبه می شود H k:

2) چند آزمایش مدل در مقادیر انجام می شود X k \u003d X ktahو X k= X kt درو میانگین مقادیر ثابت سایر پارامترها. مقادیر پاسخ مدل تعیین می شود و ;

3) افزایش نسبی آن از متغیر مشاهده شده محاسبه می شود Y:

در نتیجه برای k-roپارامترهای مدل دارای یک جفت مقدار هستند , مشخص کردن حساسیت مدل برای این پارامتر.

به طور مشابه، جفت‌هایی برای پارامترهای باقی‌مانده مدل که مجموعه را تشکیل می‌دهند، تشکیل می‌شوند.

داده‌های به‌دست‌آمده در ارزیابی حساسیت مدل می‌تواند به‌ویژه در طراحی آزمایش‌ها مورد استفاده قرار گیرد: باید به پارامترهایی که مدل برای آنها حساس‌تر است توجه بیشتری شود.

کالیبراسیون مدلاگر در نتیجه ارزیابی کیفیت مدل مشخص شد که ویژگی های هدف آن توسعه دهنده را راضی نمی کند، لازم است آن را انجام دهید. تنظیم یعنی اصلاح برای برآوردن الزامات.

به طور معمول، فرآیند کالیبراسیون تکراری است و شامل سه مرحله اصلی است:

1) تغییرات مدل جهانی (به عنوان مثال، معرفی فرآیندهای جدید، تغییر انواع رویداد و غیره)؛

2) تغییرات محلی(به ویژه تغییر برخی قوانین توزیع شبیه سازی شده متغیرهای تصادفی);

3) تغییر پارامترهای خاص که کالیبراسیون نامیده می شود.

در نگاه اول، تغییرات ساختاری در مدل، به عنوان پیچیده‌تر، تنها پس از اینکه تمام تلاش‌ها برای کالیبره کردن مدل از طریق تغییرات پارامتر و اصلاحات محلی ناموفق بود، باید در نظر گرفته شوند. با این حال، چنین استراتژی ممکن است یک ناسازگاری ساختاری یا عدم جزئیات در مدل را بپوشاند. از این نظر، شروع کالیبراسیون با تغییرات جهانی بسیار ایمن تر است.

به طور کلی، توصیه می شود ارزیابی ویژگی های هدف IM و کالیبراسیون آن را در یک فرآیند واحد ترکیب کنید. این استراتژی است که در روش کالیبراسیون آماری شرح داده شده در زیر اتخاذ شده است.

روش کالیبراسیون شامل سه مرحله است که هر یک تکراری است.

مرحله 1.مقایسه توزیع های خروجی

هدف ارزیابی کفایت IM است. معیارهای مقایسه ممکن است متفاوت باشد. به طور خاص می توان از مقدار تفاوت بین مقادیر متوسط ​​پاسخ های مدل و سیستم استفاده کرد.

حذف تفاوت ها در این مرحله بر اساس ایجاد تغییرات جهانی است.

گام 2متعادل سازی مدل

وظیفه اصلی ارزیابی ثبات و حساسیت مدل است. بر اساس نتایج آن، به عنوان یک قاعده، تغییرات محلی ایجاد می شود (اما تغییرات جهانی نیز امکان پذیر است).

مرحله 3بهینه سازی مدل

هدف از این مرحله اطمینان از صحت مورد نیاز نتایج است. در اینجا سه ​​زمینه اصلی کار وجود دارد:

تایید اضافیکیفیت سنسورهای میان رده؛

کاهش نفوذ رژیم انتقالی؛

استفاده از روش های ویژه کاهش پراکندگی

ارزیابی کیفیت مدل های طبقه بندی می باشد کار دشوارزیرا در بیشتر برنامه های کاربردی واقعیقیمت اشتباهات یکسان نیست به عنوان مثال، رد وام مشتری خوبفقط مستلزم هزینه های سازمانی برای یافتن مشتری جدید است، در حالی که اعطای وام به یک شریک غیرقابل اعتماد می تواند منجر به زیان های زیادی شود. به دلیل این عدم تقارن جریان نقدی، پیامدهای یک پیش‌بینی معین باید هنگام تعیین دقیق بودن یک مدل در نظر گرفته شود. کیفیت پیش‌بینی ورشکستگی هم بر اساس میزان دقیق شناسایی ورشکستگان و هم با نحوه طبقه‌بندی افراد غیرورشکسته تعیین می‌شود. عدم شناسایی شرکت ورشکسته را خطای نوع 1 و پیش بینی ورشکستگی را که در واقع دنبال نکرد خطای نوع 2 می نامند.
به دلیل عدم تقارن قیمت خطا، یافتن مصالحه بین خطاهای نوع 1 و 2 بسیار دشوار می شود. به عبارت دیگر، پاسخ به این سوال دشوار است که کدام یک از این دو مدل بهتر است: مدلی که 90 درصد ورشکستگی ها را به درستی شناسایی می کند و برای یک طبقه بندی صحیح 10 خطای نوع 2 می دهد، یا مدلی که 80 درصد ورشکستگی ها را شناسایی می کند. در هر طبقه بندی فقط 8 خطا می دهد.
همانطور که در شکل دیده میشود. 9.1، نقاط Xi Y که به ترتیب کیفیت پیش‌بینی‌ها را برای مدل‌های x و y نشان می‌دهد، این امکان را ندارد که به طور واضح بگوییم کدام مدل بهتر است. اگر الزامات صحت پیش‌بینی ورشکستگی را کاهش دهیم، ممکن است معلوم شود که مدل x همچنان ارائه می‌کند. بیشترخطاهای نوع 2 و بنابراین نسبت به مدل y در برنامه هایی که خطاهای نوع 2 نسبتاً گران هستند نسبت به خطاها پایین تر خواهد بود.
نوع 1.
از آنچه گفته شد، نتیجه می‌شود که کیفیت مدل پیش‌بینی ورشکستگی تنها زمانی قابل ارزیابی است که هزینه خطا و احتمال ورشکستگی/بقا از پیش تعیین شده باشد. به عنوان مثال، اگر بدانیم که قیمت یک ورشکستگی پیش بینی نشده برابر با قیمت پنج هشدار کاذب است و یک درصد از شرکت ها با شکست مواجه می شوند، می توانیم مدل ها را ارزیابی کنیم:
هزینه خطای مدل x: 1% x (5 x (10%) + 10 x (1 - 10%)) = 0.095،
هزینه خطای مدل y: 1% x (5 x (20%) + 8 x (1 - 20%)) = 0.074.
مدل x نسبت به مدل y که 20 درصد ورشکسته ها را از دست می دهد، اما ضریب خطای نوع 2 کمتری دارد، پایین تر است.
اگر یک ورشکستگی از دست رفته ارزش 30 آلارم کاذب را داشته باشد، خطاهای این دو مدل به شرح زیر خواهد بود:
هزینه خطای مدل x: 1% x (30 x (10%) + 10 x (1 - 10%)) = 0.120،
هزینه خطای مدل y \ 1% x (30 x (20%) + 8 x (1 - 10%)) = 0.132، و مدل x بهتر از y است. توجه داشته باشید که بیشترین سهم در خطای مدل توسط تعداد زیادی ازاشتباهات
نوع دوم، و بنابراین معلوم می شود زیرا آنها در شرکت های قابل دوام متعهد هستند، و اینها اکثریت قریب به اتفاق هستند. تصمیم گیری در مورد اینکه آیا نتایج دو مدل به اندازه کافی متفاوت هستند تا در اینجا مورد توجه قرار گیرند، بسیار دشوار است، زیرا مشخص نیست که مدل x چگونه با رابطه بسیار متفاوتی بین هزینه های خطا عمل می کند. هنگام شرکت در امتحانات حسابرس، آزمودنی ها تنها 25 درصد از شرکت های ورشکسته را تشخیص می دهند، اما از سوی دیگر، برای هر پیش بینی درست، تنها 4 هشدار نادرست وجود دارد (نگاه کنید به).
در حالی که مدل‌های MBA می‌توانند نسبت بیشتری از شرکت‌های ورشکسته را تشخیص دهند، نتیجه کلیلزوما بهتر از عملکرد حسابرسان نخواهد بود. بنابراین، اگر قیمت یک خطا از نوع اول 5 برابر بیشتر از خطاهای نوع دوم باشد، خطای نهایی حسابرسان برابر است با
1% X (5 X (75%) + 4 X (1 - 75%)) = 0.0475، که کمتر از هر دو مدل فرضی x و y است.
این مثال‌ها نکته زیر را نشان می‌دهند: اگر نسبت‌های هزینه خطا بسیار متفاوت باشد، به نظر می‌رسد تنظیم مدل ورشکستگی به نسبت‌های خاص مهم‌تر از کیفیت خود مدل باشد. می توان یک مفهوم کلی از اهمیت اطلاعات مدل را با استفاده از فاصله تا مرز اطلاعات موثر معرفی کرد. منحنی که نتایج همه مدل ها را در بر می گیرد. روی انجیر مدل x 9.1 نزدیکتر از مدل y به این مرز قرار دارد و بنابراین باید کارآمدتر اطلاعات در نظر گرفته شود.
مشکل بعدی ایجاد استانداردی برای آزمایش است. در بیشتر موارد، تعداد کمی نمونه برای ارزیابی مدل‌های MBA گرفته می‌شود و این احتمال تطابق بیش از حد مدل با داده‌های آزمون را افزایش می‌دهد. نمونه ها معمولاً شامل تعداد مساوی شرکت های ورشکسته و غیرورشکسته هستند و خود داده ها معمولاً مربوط به دوره های ورشکستگی شدید است. این منجر به این نتیجه می شود که تنها نتایج ارزیابی مدل بر روی داده های جدید قابل اعتماد است. از جدول. شکل 9.1 نشان می‌دهد که حتی در مطلوب‌ترین آزمایش‌ها با داده‌های جدید (زمانی که همه نمونه‌ها از یک دوره زمانی یکسان گرفته می‌شوند و علاوه بر این، از نظر صنایع و اندازه شرکت همگن هستند)، کیفیت بدتر از نمونه‌هایی است که مدل از آنها استفاده می‌شود. پارامترها تعیین شد. از آنجایی که در عمل کاربران مدل‌های طبقه‌بندی نمی‌توانند مدل را با دیگر پیشینه‌های ورشکستگی، اندازه شرکت یا صنعت تنظیم کنند، کیفیت واقعی مدل ممکن است حتی بدتر باشد. کیفیت ممکن است بدتر شود زیرا در نمونه های مورد استفاده برای آزمایش مدل های MBA، تعداد کمی از شرکت ها وجود دارند که ورشکسته نیستند، اما در معرض خطر هستند. اگر تنها چهار یا پنج شرکت از این نوع "در معرض خطر بقا" وجود داشته باشد، این امر سهم واقعی شرکت های پرخطر را مخدوش می کند و در نتیجه فراوانی خطاهای نوع 2 دست کم گرفته می شود.

که پایایی و کفایت مدل بر روی آن بررسی می شود. مدل ایجاد شده باید متناسب با فرآیند واقعی اقتصادی باشد. اگر کیفیت مدل رضایت بخش نباشد به مرحله دوم مدل سازی باز می گردند.

7. مرحله تفسیر نتایج شبیه سازی.

برنج. 2.1. مراحل اصلی مدلسازی اقتصادسنجی

پیش بینی شاخص های اقتصادی مشخص کننده فرآیند مورد مطالعه (پدیده، شی)؛

مدل سازی رفتار یک فرآیند (پدیده، شی) با ارزش های مختلفمتغیرهای عامل؛

شکل گیری تصمیمات مدیریتی

تعداد متغیرهای گنجانده شده در مدل اقتصادسنجی نباید خیلی زیاد باشد و باید از نظر تئوری توجیه شود. مدل نباید همبستگی عملکردی یا نزدیکی بین متغیرهای عاملی داشته باشد که می تواند منجر به پدیده شود چند خطی بودن.

هنگام تشکیل اطلاعات اولیه برای یک مدل اقتصادسنجی، یک مشکل بسیار مهم، انتخاب شاخص هایی است که برای ماهیت پدیده های مورد مطالعه کافی هستند. اغلب یک مدل اقتصادسنجی دقیقاً برای بیان الگویی که بین پدیده ها وجود دارد ساخته می شود. باید به جایگزینی معینی از مفاهیم توجه شود که معمولاً در مرحله اول ساخت یک مدل در گذار از تجزیه و تحلیل معنی دار پدیده ها به شکل گیری ویژگی های کمی (شاخص ها) که سطوح آنها را منعکس می کند رخ می دهد. در جریان تحلیل معنادار، پدیده اغلب مورد توجه قرار می گیرد کیفیتمرحله. با این حال، هنگام ساخت یک مدل، از اطلاعات اولیه استفاده می شود، مجموعه ای از شاخص ها که این پدیده ها، ویژگی های آنها، روندها را در شکل بیان می کنند. کمیمشخصات.

برای حوزه های سنتی تحقیق، معمولاً مشکل اثبات ترکیب شاخص ها حل شده در نظر گرفته می شود. به عنوان مثال، مطالعات بهره‌وری نیروی کار و تحلیل‌های اقتصاد کلان معمولاً مجموعه‌هایی را در نظر می‌گیرند

شاخص هایی که مقادیر آنها در مجموعه های آماری، گزارش های علمی و غیره منتشر می شود. نمونه های آنها تولید به ازای هر کارگر به عنوان شاخصی است که پدیده "بهره وری نیروی کار"، حجم تولید ناخالص داخلی (شاخص عملکرد اقتصاد)، حجم دارایی های ثابت (شاخص سطح امنیت مادی فرآیند تولید) را بیان می کند. ، اقتصاد) و غیره در عین حال، در تعدادی از حوزه‌های تحقیقات اقتصادسنجی، چنین سیستم‌هایی از شاخص‌ها نمی‌توانند به طور واضح شکل بگیرند. اغلب همین پدیده را می توان با شاخص های جایگزین بیان کرد. در صورت عدم وجود داده های عینی در مطالعات اقتصادسنجی، جایگزینی یک شاخص با شاخص دیگری که به طور غیر مستقیم همان پدیده را منعکس می کند، مجاز است. به عنوان مثال، متوسط ​​درآمد سرانه به عنوان شاخص استاندارد زندگی مادی را می توان با میانگین گردش مالی سالانه به ازای هر ساکن منطقه و غیره جایگزین کرد. انتخاب نادرست یک شاخص نشان دهنده پدیده مورد بررسی در مدل می تواند به طور قابل توجهی بر کیفیت آن تأثیر بگذارد، بنابراین مشکل اثبات ترکیب شاخص ها (متغیرها) یک مدل اقتصادسنجی در عمل باید با نهایت توجه مورد توجه قرار گیرد.

با توجه به مشکل انتخاب یک خاص نوع عملکرد لازم به ذکر است که در عمل مطالعات اقتصادسنجی از طیف نسبتاً گسترده ای از وابستگی های عملکردی بین متغیرها استفاده می شود که بیشترین استفاده از آنها عبارتند از: خطی, نیمه لگاریتمی راست, قدرت, هذلولی, هذلولی لگاریتمی, خطی معکوس (تابع تورنکوئیست), عملکرد با قابلیت ارتجاعی جایگزینی ثابت, تابع نمایی. در عمل، ترکیبی از وابستگی های مورد بحث در بالا نیز ممکن است رخ دهد، به عنوان مثال،

اکثر ویژگی ها
با کمک مجموعه خاصی از تبدیل ها می توان به شکل خطی کاهش داد. به عنوان مثال، اگر و معتاد
(7)، سپس متغیرها را معرفی می کنیم
، بیان (4) را تا تبدیل عوامل اولیه به دست می آوریم.

در تحقیقات عملی، اغلب با استفاده از تبدیل
و
، مدل توان (6) به یک فرم خطی تبدیل می شود که لگاریتم های متغیرها را مرتبط می کند. و . با این حال، باید توجه داشت که در این مورد، از نظر ریاضی، چنین تبدیلی به دلیل افزایش خطا در بیان (6) کاملاً صحیح نیست، بنابراین مقادیر ضرایب مدل خطی (با توجه به لگاریتم متغیرها) را نمی توان در حالت کلی برابر با مقادیر متناظر آنالوگ توان فرض کرد.

به عنوان مثال از یک مدل اقتصاد سنجی خطی، می توان شکل دیگری از این نوع مدل ها را ارائه داد - مدل هایی که در آنها ضریب آزاد وجود ندارد. :

در بسیاری از مطالعات عملی، مفاهیم نظری دقیق، مفروضات اولیه در مورد جنبه‌های ماهوی تعامل بین پدیده‌ها به پس‌زمینه فرو می‌روند. برای آنها، نکته اصلی ساخت معادله ای است که به طور دقیق روابط مناسب با روند متغیرها را بیان می کند. و در بازه زمانی (1,T). علاوه بر این، اغلب شکل موفق معادله مدل اقتصادسنجی است که زیربنای مفهوم نظری توسعه‌یافته است، که سپس کاربرد آن را در تحلیل‌های بعدی پیدا می‌کند. بدیهی است که "مناسب ترین" فرم بهترین تقریب فرکانس های نظری (محاسبه شده) مقادیر را ارائه می دهد.
به ارزش های واقعی .

به طور معمول، انتخاب شکل وابستگی بر اساس تحلیل گرافیکیروند توسعه فرآیندهای مربوطه به عنوان مثال، اگر متغیر و متغیر با گذشت زمان مطابق نمودارهای نشان داده شده در شکل تغییر کرد. 2.2، منطقی است که فرض کنیم وابستگی هذلولی است
. برای نمودارهای ارائه شده در شکل. 2.3، یک وابستگی لگاریتمی مشخص است
.

برنج. 2.2. وابستگی هایپربولیک

برنج. 2.3. وابستگی لگاریتمی

ترکیب بهینه عوامل گنجانده شده در مدل اقتصادسنجی، یکی از شرایط اصلی کیفیت خوب آن است که هم به عنوان انطباق شکل مدل با مفهوم نظری که محتوای روابط بین متغیرهای مورد بررسی را بیان می کند و هم به عنوان دقت پیش بینی بیش از حد درک می شود. فاصله زمانی در نظر گرفته شده (1، T)مقادیر مشاهده شده یک متغیر معادله
. به طور کلی، در مرحله اثبات یک مدل اقتصادسنجی، محققان ممکن است با مشکل انتخاب ارجح ترین ترکیب عوامل مستقل از بین تعدادی از گزینه های جایگزین مواجه شوند.

قابل تشخیص است دو رویکرد اصلی برای حل این مشکل:

اولین شامل مطالعه پیشینی (قبل از ساخت مدل) ماهیت و قدرت روابط بین متغیرهای مورد بررسی است که با توجه به نتایج آن مدل شامل عواملی است که از نظر تأثیر مستقیم آنها بر متغیر وابسته بیشترین اهمیت را دارند. . و برعکس، عواملی که یا از نظر قدرت تأثیرگذاری بر متغیر بی‌اهمیت هستند، از مدل حذف می‌شوند. , یا تأثیر قوی آنها بر آن را می توان به عنوان ناشی از روابط با سایر متغیرهای برونزا تفسیر کرد.

دومین رویکرد انتخاب عوامل مستقل - که می توان آن را پسینی نامید - در ابتدا شامل گنجاندن در مدل تمام عوامل انتخاب شده بر اساس تحلیل معنادار است. در این مورد، ترکیب آنها بر اساس تجزیه و تحلیل ویژگی های کیفی مدل ساخته شده، که یکی از گروه های آن شاخص هایی هستند که قدرت تأثیر هر عامل بر متغیر وابسته را بیان می کنند، پالایش می شود. .

رویکرد "پیشینی" مبتنی بر مفروضات زیر است: 1) تأثیر قوی عامل بر متغیر وابسته باید توسط ویژگی های کمی خاص تأیید شود که مهمترین آنها ضریب همبستگی خطی زوجی آنها است.
منطق استفاده از ضریب همبستگی زوجی در انتخاب عوامل معنادار در عمل به شرح زیر است. اگر مقدار آن به اندازه کافی بزرگ باشد (≥0.5÷0.6)، آنگاه می توانیم در مورد وجود یک قابل توجه صحبت کنیم.

همبستگی 5 جفتی با انتخاب 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 رابطه خطی بین متغیرها و یا در مورد نفوذ به اندازه کافی قوی بر روی . هر چه قدر مطلق بیشتر باشد ضریب همبستگی خطی زوجی، این اثر قوی تر است (مثبت یا منفی، بسته به علامت مقدار ضریب همبستگی خطی زوجی باید با در نظر گرفتن شکل تبدیل محاسبه شود. و که درمدل ها. به عنوان مثال، اگر
، سپس ضریب همبستگی بین تعیین می شود و
, و غیره؛ 2) اگر دو یا چند عامل یک پدیده را بیان می کنند، به عنوان یک قاعده، باید رابطه نسبتاً قوی بین آنها نیز وجود داشته باشد. این را می توان با مقدار ضریب همبستگی خطی زوج نشان داد
. در عمل، رابطه بین عوامل مهم تشخیص داده می شود اگر
. در چنین شرایطی، توصیه می شود یکی از این عوامل را از مدل حذف کنید تا یک علت دو بار در نظر گرفته نشود. لازم به ذکر است که مقادیر مرزی داده شده (در مورد اول 0.5÷0.6، در مورد دوم 0.8÷0.9 نسبتاً مشروط هستند. در هر مورد، آنها به صورت جداگانه تنظیم می شوند. هنگام انتخاب آنها، شهود محقق نقش بسزایی دارد.

معمولاً در نظر گرفته می شود: اگر برای یک عامل
، سپس در اعداد بزرگسایر عوامل به اندازه کافی مهم، اطلاعاتی که این عامل در بر دارد نسبت به تغییرپذیری متغیر , می توان نادیده گرفت. گاهی برعکس، اگر ترکیب عوامل خیلی وسیع نباشد و عامل پدیده ای را بیان می کند که از دیدگاه نظریه ضروری است، سپس محقق سعی می کند اطلاعات مربوط به الگوهای متغیر متغیر را از دست ندهد. , حتی در مقدار کمتری از ضریب همبستگی خطی جفت نمونه (0.3 ÷ 0.4) می تواند آن را در مدل رها کند. چنین انتخابی بر اساس تجربه گرایی و شهود، معمولاً دقت برآورد ضرایب همبستگی نمونه را در نظر نمی گیرد که با حجم نمونه افزایش می یابد. در یک ثابت اندازهی نمونهدقت برآورد همه ضرایب تقریباً یکسان است. منطق چنین انتخابی بیشتر بر جنبه محتوایی مسئله در نظر گرفتن رابطه بین متغیرهای مدل متمرکز است. به طور قابل توجهی مشکل انتخاب پدیده عوامل را پیچیده می کند نادرست همبستگی ها، یعنی ارزش های بزرگضرایب همبستگی زوجی همچنین می توانند در مواردی اتفاق بیفتند که روند فرآیندهای مورد بررسی به طور تصادفی همزمان باشد، در غیاب یک رابطه منطقی موجه بین آنها. همبستگی کاذب به دو دلیل می تواند در ساخت یک مدل "درست" اختلال ایجاد کند. ابتدا عواملی که از نقطه نظر معنادار بی‌اهمیت هستند و با مقادیر معنی‌دار ضریب همبستگی خطی زوجی مشخص می‌شوند را می‌توان به‌طور تصادفی در مدل معرفی کرد. ثانیاً از نظر تأثیرگذاری قابل توجه است عواملی که برای آنها این فرضیه که آنها همان پدیده را به عنوان عامل(های) دیگری که قبلاً در این مدل گنجانده شده بیان می کنند به اشتباه پذیرفته شده است. از جمله دلایل اصلی گنجاندن متغیرهایی با همبستگی کاذب در مدل، اغلب نامعتبر بودن اطلاعات مورد استفاده در تعیین مقادیر عوامل در مقاطع زمانی مختلف، مشکلات رسمی سازی عوامل با ماهیت کیفی، بی ثباتی روندها نامیده می شود. در متغیرهای مورد بررسی، شکل نامنظمرابطه بین آنها و غیره

راه اصلی برای جلوگیری از خطاهای مرتبط با مفهوم "همبستگی نادرست"با تجزیه و تحلیل کیفی مسئله، با هدف اثبات محتوا و شکل مناسب مدل همراه است. در عین حال برخی توصیه های کلیکه توصیه می شود در این مسیر به آن پایبند باشید: 1) تعداد فاکتورهای موجود در مدل نباید خیلی زیاد باشد. افزایش آنها می تواند ارزش عملی آن را به حداقل برساند، زیرا در این مورد مدل شروع به انعکاس الگوی توسعه در برابر پس زمینه شانس، بلکه خود شانس می کند. 2) سادگی مدل تا حد زیادی کفایت آن را تضمین می‌کند، زیرا تشخیص وابستگی‌های پیچیده‌تر اغلب در یک بازه زمانی محدود دشوار است، اما در عین حال امکان تقریب توسط توابع نسبتاً ساده را فراهم می‌کنند. به عبارت دیگر، یک مدل پیچیده ممکن است روابط ثانویه بین متغیرها را به میزان بیشتری به ضرر متغیرهای اصلی بیان کند.

با رویکرد پسینی، ترکیب عوامل مدل اقتصادسنجی بر اساس تجزیه و تحلیل مقادیر تعدادی از ویژگی های کیفی نسخه از قبل ساخته شده آن پالایش می شود. یکی از گروه‌هایی از این ویژگی‌ها که مهم‌ترین آنها در انتخاب عوامل است، توسط مقادیر تشکیل می‌شود ملاک دانشجو، برای ضرایب هر یک از عوامل مدل محاسبه می شود. با کمک این معیار، فرضیه معنی دار بودن تأثیر عامل بر متغیر وابسته مورد آزمون قرار می گیرد. تصمیم نهایی در مورد امکان خروج فاکتور یا حذف آن از مدل بر اساس تجزیه و تحلیل کل مجموعه گرفته می شود.

بنابراین، برای تمرین، می توانیم موارد زیر را پیشنهاد کنیم روش گام به گام برای ساختن نسخه نهایی مدل بر روی اساسرویکرد پسینی: 1) نسخه اولیه مدل شامل تمام عوامل انتخاب شده در دوره تحلیل معنادار مسئله است. برای این متغیر، مقادیر برآورد ضرایب مدل، میانگین مربعات خطاهای آنها و مقادیر معیارهای دانشجو محاسبه می شود. 2) یک عامل ناچیز از مدل حذف می شود که با کوچکترین مقدار مشاهده شده معیار دانشجو مشخص می شود (به شرطی که مقدار مشاهده شده از جدولی بیشتر نباشد) و در نتیجه شکل می گیرد. نسخه جدیدمدل هایی با تعداد فاکتورها یک کاهش یافته است. توجه داشته باشید که ممکن است چندین عامل بی اهمیت در مدل وجود داشته باشد. با این حال، همه آنها نباید به طور همزمان حذف شوند. ممکن است بی اهمیت بودن بیشتر آنها به دلیل تأثیر "بدترین" عوامل بی اهمیت باشد و در مرحله محاسبه بعدی این عوامل قابل توجه باشند. 3) فرآیند انتخاب عوامل را می توان زمانی کامل در نظر گرفت که عوامل باقی مانده در مدل قابل توجه باشند، در صورتی که نسخه حاصل از مدل سایر معیارهای کیفیت آن را نیز برآورده کند، سپس , فرآیند ساخت مدل را می توان به عنوان یک کل کامل در نظر گرفت. در غیر این صورت، توصیه می شود سعی کنید نسخه جایگزین دیگری از مدل را شکل دهید که با مدل قبلی تفاوت داشته باشد یا در ترکیب عوامل و یا در شکل ارتباط آنها با متغیر وابسته. در.

هر یک از این رویکردها مزایا و معایب خاص خود را دارند. روش «پیشینی» انتخاب عوامل از اعتبار کافی برخوردار نیست. او بیشتر از شاخص های کمی "مستقیم" "قدرت" روابط بین مقادیر مورد نظر استفاده می کند و ویژگی های تأثیر پیچیده عوامل مستقل بر متغیر را کاملاً در نظر نمی گیرد. ، یعنی عجیب و غریب اثرات "ظهور".چنین تأثیری در عین حال، استفاده از یک رویکرد پیشینی اغلب این امکان را فراهم می کند که برخی از گزینه های اولیه جایگزین برای مجموعه ای از عوامل مستقل را روشن کند تا مفروضات اولیه مدل را در مورد انتخاب صحیح شکل روابط بین آنها بررسی کند.

رویکرد «پسینی» به انتخاب عوامل، در نگاه اول، دقیقاً به این دلیل ترجیح داده می‌شود که مصلحت گنجاندن هر یک از عوامل در مدل اقتصادسنجی بر اساس کل مجموعه روابط بین متغیرهای موجود در مدل تعیین می‌شود. . با این حال، زمانی که تعداد کل عوامل به اندازه کافی زیاد باشد، هیچ تضمینی وجود ندارد که مجموعه روابط ناچیز و حتی نادرست بین آنها بر روابط اصلی غالب نباشد. در نتیجه، ممکن است معلوم شود که در بین اولین نامزدهای حذف، مهمترین و مهم ترین آنها از نظر تأثیر بر متغیر "نام" خواهد بود. y،عوامل. بنابراین، در موارد دشوار، یعنی. در حضور تعداد زیادی از عوامل انتخاب شده برای گنجاندن در مدل در مرحله تجزیه و تحلیل معنادار، کارشناسان توصیه می کنند که هر دو رویکرد - "پیشینی" و "پسینی" را هنگام تشکیل ترکیب "بهینه" خود ترکیب کنند.

با توجه به این توصیه‌ها، با استفاده از روش‌های انتخاب «پیشینی»، با استفاده از تحلیل هم‌زمان و معنادار، گزینه‌های جایگزین برای مجموعه عوامل موجود در مدل شکل می‌گیرد. علاوه بر این، با کمک روش های انتخاب "پسینی"، این مجموعه ها مشخص می شوند، انواع مدل های مربوط به آنها با توجه به تعدادی از ویژگی های کیفیت آنها مقایسه می شوند. فرض بر این است که بهترین نسخه مدل شامل مجموعه عوامل "بهینه" نیز می باشد. در نتیجه، روند انتخاب عوامل در یک مدل اقتصادسنجی به جستجوی مجموعه خاصی از ترکیبات قابل قبول آنها تبدیل می شود که بر اساس یک رویکرد "پیشینی" شکل می گیرد. عبور از گزینه های مختلف برای ترکیب عوامل مستقل، در نظر گرفتن انواع ممکنرابطه آنها با متغیر وابسته، محقق همچنین نسخه های مختلف (اصلاحات) مدل اقتصادسنجی را برای توصیف فرآیندهای مورد بررسی تشکیل می دهد. در این صورت، مشکل انتخاب «بهینه» یا «عقلانی ترین» در میان آنها پیش می آید. معمولاً این مشکل بر اساس یک مقایسه تحلیلی از ویژگی های آماری کیفیت انواع ساخته شده حل می شود که قبلاً در محاسبه شده است. ارزش های شناخته شدهتخمین پارامترهای آنها

در حالت کلی، «کیفیت» یک مدل اقتصادسنجی توسط دو گروه از ویژگی ها ارزیابی می شود. گروه اول شامل شاخص ها، معیارها، بیانگر میزان انطباق مدل ساخته شده با قوانین اصلی فرآیند توصیف شده توسط آن است. در مرحله دوم - شاخص ها و معیارها، تا حد زیادی دقت تقریب آن از مقادیر مشاهده شده را ارزیابی می کند. . معیارهای گروه اول شامل ملاک دانشجو، برای ارزیابی اهمیت تأثیر هر عامل استفاده می شود به متغیر وابسته . گروه دوم معیارها با استفاده گسترده در آمار و اقتصاد سنجی تشکیل می شوند ضریب همبستگی چندگانه, ضریب تعیینو معیار Fisher-Snedekor.

ارزیابی کیفیت مدل آخرین مرحله توسعه آن است و دو هدف دارد:

1) مطابقت مدل با هدف آن (اهداف تحقیق) را بررسی کنید.

2) قابلیت اطمینان و ویژگی های آماری نتایج به دست آمده در طول آزمایش های شبیه سازی را ارزیابی کنید.

در مدل‌سازی تحلیلی، پایایی نتایج توسط دو عامل اصلی تعیین می‌شود:

1) انتخاب صحیح دستگاه ریاضی مورد استفاده برای توصیف سیستم مورد مطالعه؛

2) یک خطای روش شناختی ذاتی این روش ریاضی.

در مدل‌سازی شبیه‌سازی، قابلیت اطمینان نتایج تحت تأثیر تعدادی از عوامل اضافی است که عمده‌ترین آنها عبارتند از:

شبیه سازی عوامل تصادفی بر اساس استفاده از حسگرهای MF، که می تواند "اعوجاج" را در رفتار مدل ایجاد کند.

وجود حالت غیر ثابت عملکرد مدل؛

استفاده از انواع مختلف روش های ریاضی در یک مدل؛

وابستگی نتایج شبیه سازی به طراحی تجربی.

نیاز به همگام سازی عملکرد اجزای جداگانه مدل؛

وجود یک مدل حجم کار که کیفیت آن به نوبه خود به همان عوامل بستگی دارد.

مناسب بودن یک مدل شبیه‌سازی برای حل مسائل تحقیقاتی با میزانی مشخص می‌شود که به اصطلاح ویژگی‌های هدف را دارد. اصلی ترین آنها عبارتند از:

کفایت؛

پایداری؛

حساسیت

ارزیابی کفایت مدل. در حالت کلی، کفایت به عنوان درجه انطباق مدل با پدیده یا شیئی واقعی که برای توصیف آن ساخته شده است درک می شود. کفایت مدل با درجه انطباق آن نه چندان با هدف واقعی که با اهداف مطالعه تعیین می شود.

یکی از راه‌های توجیه کفایت مدل توسعه‌یافته، استفاده از روش‌های آمار ریاضی است. ماهیت این روش ها آزمون فرضیه مطرح شده (در این مورد، کفایت مدل) بر اساس برخی معیارهای آماری است.

روش ارزیابی مبتنی بر مقایسه اندازه‌گیری‌ها بر روی یک سیستم واقعی و نتایج آزمایش‌ها بر روی یک مدل است و می‌تواند به روش‌های مختلف انجام شود. رایج ترین آنها عبارتند از:

با توجه به میانگین پاسخ های مدل و سیستم؛

با توجه به واریانس های انحراف پاسخ های مدل از مقدار متوسط ​​پاسخ های سیستم.

با حداکثر مقدار انحرافات نسبی پاسخ های مدل از پاسخ های سیستم.

ارزیابی پایداری مدل استحکام یک مدل توانایی آن برای حفظ کفایت هنگام بررسی عملکرد سیستم در کل محدوده ممکن از بار کاری، و همچنین زمانی که تغییراتی در پیکربندی سیستم ایجاد می‌شود، است. توسعه دهنده مجبور است به روش های «مورد به مورد»، آزمون های جزئی و عقل سلیم متوسل شود. تأیید پسینی اغلب مفید است. این شامل مقایسه نتایج شبیه سازی و نتایج اندازه گیری در سیستم پس از اعمال تغییرات در آن است. اگر نتایج شبیه سازی قابل قبول باشد، اطمینان به استحکام مدل افزایش می یابد.

هر چه ساختار مدل به ساختار سیستم نزدیکتر باشد و درجه جزئیات بیشتر باشد، مدل پایدارتر می شود. پایداری نتایج شبیه‌سازی را می‌توان با روش‌های آمار ریاضی نیز ارزیابی کرد.

برآورد حساسیت مدل. اغلب، مشکل تخمین حساسیت مدل به تغییرات پارامترهای حجم کار و پارامترهای داخلی خود سیستم به وجود می آید.

چنین ارزیابی برای هر پارامتر به طور جداگانه انجام می شود. بر این اساس است که معمولاً محدوده تغییرات احتمالی پارامتر مشخص است. یکی از ساده ترین و رایج ترین روش های ارزیابی به شرح زیر است.

1) مقدار میانگین افزایش نسبی پارامتر محاسبه می شود:

2) چند آزمایش مدل با مقادیر و میانگین مقادیر ثابت پارامترهای باقی مانده انجام می شود. مقادیر پاسخ مدل تعیین می شود و ;

3) افزایش نسبی آن از متغیر مشاهده شده محاسبه می شود:

در نتیجه، برای پارامتر هفتم، مدل ها دارای یک جفت مقدار هستند که حساسیت مدل را نسبت به این پارامتر مشخص می کند.

به طور مشابه، جفت‌هایی برای پارامترهای باقی‌مانده مدل که مجموعه را تشکیل می‌دهند، تشکیل می‌شوند.

داده‌های به‌دست‌آمده در ارزیابی حساسیت مدل می‌تواند به‌ویژه در طراحی آزمایش‌ها مورد استفاده قرار گیرد: باید به پارامترهایی که مدل برای آنها حساس‌تر است توجه بیشتری شود.

کالیبراسیون مدل اگر در نتیجه ارزیابی کیفیت مدل مشخص شد که ویژگی‌های هدف آن توسعه‌دهنده را راضی نمی‌کند، لازم است آن را کالیبره کنید، یعنی آن را اصلاح کنید تا با الزامات مطابقت داشته باشد.

به عنوان یک قاعده، فرآیند کالیبراسیون تکراری است و شامل سه مرحله اصلی است:

1) تغییرات مدل جهانی (به عنوان مثال، معرفی فرآیندهای جدید، تغییر انواع رویداد و غیره)؛

2) تغییرات محلی (به ویژه، تغییرات در برخی از قوانین توزیع متغیرهای تصادفی شبیه سازی شده).

3) تغییر پارامترهای خاص که کالیبراسیون نامیده می شود.

توصیه می شود ارزیابی ویژگی های هدف مدل شبیه سازی و کالیبراسیون آن در یک فرآیند واحد ترکیب شود.

روش کالیبراسیون شامل سه مرحله است که هر کدام تکراری است (شکل 1.11).

مرحله 1. مقایسه توزیع های خروجی.

هدف ارزیابی کفایت IM است. معیارهای مقایسه ممکن است متفاوت باشد. به طور خاص می توان از مقدار تفاوت بین مقادیر متوسط ​​پاسخ های مدل و سیستم استفاده کرد. حذف تفاوت ها در این مرحله بر اساس ایجاد تغییرات جهانی است.

مرحله 2. متعادل کردن مدل.

وظیفه اصلی ارزیابی ثبات و حساسیت مدل است. بر اساس نتایج آن، به عنوان یک قاعده، تغییرات محلی ایجاد می شود (اما تغییرات جهانی نیز امکان پذیر است).

مرحله 3. بهینه سازی مدل.

هدف از این مرحله اطمینان از صحت مورد نیاز نتایج است. سه زمینه اصلی کار در اینجا امکان پذیر است: کنترل کیفیت اضافی سنسورهای اعداد تصادفی. کاهش نفوذ رژیم انتقالی؛ استفاده از روش های ویژه کاهش پراکندگی