Statistische Emulatoren
Kurzbeschriebung
Statistische Emulatoren sind surrogatbasierte Modelle, die das Verhalten eines rechenintensiven Simulations- oder Mechanistikmodells approximieren. Anstatt das Originalmodell bei jeder Anfrage auszuführen, wird ein statistisches Ersatzmodell trainiert, das Eingaben schnell auf Ausgaben abbildet.
Emulatoren werden typischerweise auf einer Designmenge von Simulationsergebnissen trainiert, die den relevanten Eingaberaum abdeckt. Häufig eingesetzte Modellklassen sind Gaussprozesse, polynomiale Regressionen, Splines oder andere probabilistische Regressoren, die neben Punktvorhersagen auch Unsicherheitsmaße liefern können.
Formal lässt sich ein Emulator als Approximation '"`UNIQ--math-00000000-QINU`"' auffassen, wobei '"`UNIQ--math-00000001-QINU`"' so gewählt wird, dass sie die Ausgabe des teuren Modells '"`UNIQ--math-00000002-QINU`"' mit minimalem Fehler und kontrollierter Unsicherheit nachbildet. Der Emulator ersetzt das Originalmodell nicht konzeptionell, sondern dient als beschleunigter Stellvertreter.
Statistische Emulatoren sind besonders wertvoll in Sensitivitätsanalysen, Szenarioanalysen, Kalibration und Optimierung, da sie tausend- bis millionenfache Modellabfragen ermöglichen, die mit dem Originalmodell praktisch nicht realisierbar wären.
Anwendbarkeit im Gesundheitssektor
Im Gesundheitswesen und Public Health werden statistische Emulatoren eingesetzt, um komplexe Simulationsmodelle effizient nutzbar zu machen, etwa in der Epidemiologie (agentenbasierte oder kompartmentale Modelle), der gesundheitsökonomischen Modellierung oder bei Ressourcen- und Kapazitätssimulationen.
Besonders relevant sind Emulatoren für politiknahe Analysen, bei denen viele Szenarien, Parameterkombinationen oder Kalibrationsläufe notwendig sind. In Kombination mit bayesscher Kalibration ermöglichen sie robuste Unsicherheitsanalysen und beschleunigte Entscheidungsunterstützung, ohne auf die inhaltliche Struktur der Originalmodelle zu verzichten.
Sonstiges
Ersetzen teure Simulationen, nicht deren inhaltliche Annahmen
Güte hängt stark vom Versuchsdesign (Design of Experiments) ab
Häufig Gaussprozess-basiert, aber nicht darauf beschränkt
Semantik
Wikidata-Identifikator ist: Q20850545
Deutsche Wikipediaseite ist: Surrogatmodell
Englische Wikipediaseite ist: Surrogate_model
Quelle: Santner, Williams & Notz (2003), The Design and Analysis of Computer Experiments
Behandlung von Unsicherheit in den Ergebnissen der Methode ist explizit
Für die Methode benötigte Datenmenge ist klein;mittel„Klein;mittel“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.
Zweck der Methode ist Simulation;Inferenz„Simulation;Inferenz“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.
Methode ist Mitglied der Methodenfamilie Statistisch;Simulation;Hybrid„Statistisch;Simulation;Hybrid“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.
Interpretierbarkeit der Ergebnisse der Methode ist mittel;gut„Mittel;gut“ befindet sich nicht in der Liste (Gut, Mittel, Schlecht) zulässiger Werte für das Attribut „Interpretierbarkeit der Ergebnisse der Methode ist“.