АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Верификация имитационной модели

Читайте также:
  1. Алгоритм проверки адекватности парной регрессионной модели.
  2. Алгоритм проверки адекватности парной регрессионной модели.
  3. Анализ чувствительности имитационной модели.
  4. Денежный рынок в классической модели.
  5. Динамические эконометрические модели.
  6. Доверительные интервалы параметров парной регрессионной модели.
  7. Доверительный интервал ожидаемого значения зависимой переменной в множественной регрессионной модели.
  8. ИНВЕСТИЦИИ В КЕЙНСИАНСКОЙ МОДЕЛИ.
  9. Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.
  10. Какое предположение о матрице факторов Х не является предпосылкой классической линейной регрессионной модели.
  11. Качество спецификации модели.

Верификация модели – есть доказательство утверждений соответствия алгоритма ее функционирования замыслу моделирования и своему назначению. На этапе верификации устанавливается верность логической структуры модели, реализуется комплексная отладка с использованием средств трассировки, ручной имитации, в ходе которой проверяется правильность реализации моделирующего алгоритма.

Комплексные процедуры верификации включают неформальные и формальные исследования программы имитатора. Неформальные процедуры могут состоять из серии проверок следующего типа:

• проверка преобразования информации от входа к выходу;

• трассировка модели на реальном потоке данных (при заданных G и X):

X изменяется по всему диапазону значений – контролируется Y;

– можно посмотреть, не будет ли модель давать абсурдные ответы, если ее параметры будут принимать предельные значения;

– “проверка на ожидаемость”, когда в модели заменяют стохастические элементы на детерминированные и др.

Полезным при решении указанных задач могут быть также следующие приёмы [4]:

– обязательное масштабирование временных параметров в зависимости от выбранного шага моделирования (валидация данных);

– валидация по наступлению “событий” в модели и сравнение (если возможно) с реальной системой;

– тестирование модели для критических значений и при наступлении редких событий;

– фиксирование значений для некоторых входных параметров с последующим сравнением выходных результатов с заранее известными данными;

– вариация значениями входных и внутренних параметров модели с последующим сравнительным анализом поведения исследуемой системы;

– реализация повторных прогонов модели с неизменными значениями всех входных параметров;

– оценка фактически полученных в результате моделирования распределений случайных величин и оценок их параметров (математическое ожидание и дисперсия) с априорно заданными значениями;

– сравнение исследователями поведения и результатов валидируемой модели с результатами уже существующих моделей, для которых доказана достоверность;

– для существующей реальной исследуемой системы предсказание её будущего поведения и сравнение прогноза с реальными наблюдениями.

Формальные процедуры связаны с проверкой исходных предположений (выдвинутых на основе опыта, теоретических знаний, интуитивных представлений, на основе имеющейся информации). Общая процедура включает:

• построение ряда гипотез о поведении системы и взаимодействии ее элементов;

• проверка гипотез с помощью статистических тестов: используют методы статистической теории оценивания и проверки гипотез (методы проверки с помощью критериев согласия (χ 2, Колмогорова-Смирнова, Кохрена и др.), непараметрические проверки и т.д., а также дисперсионный, регрессионный, факторный, спектральный анализы).

Валидация данных имитационной модели.

Валидация данных имитационной модели предполагает исследование свойств имитационной модели, в ходе которого оценивается точность, устойчивость, чувствительность результатов моделирования и другие свойства имитационной модели. Наиболее существенные процедуры исследования свойств модели:

• оценка точности результатов моделирования;

• оценка устойчивости результатов моделирования;

• оценка чувствительности имитационной модели.

Получить эти оценки в ряде случаев бывает весьма сложно. Однако без успешных результатов этой работы, доверия к модели не будет, невозможно будет провести корректный проблемный анализ и сформулировать статистически значимые выводы на основе данных, полученных в результате имитации.


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.002 сек.)