Abschluss SoSe 2011
LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel
C. Dudel|Abschluss|SoSe 2011 1|18
Thema der Veranstaltung
Computersimulationen als Beispiel für den Themenkomplex „Modelle und Daten“.
C. Dudel|Abschluss|SoSe 2011 2|18
Themenblöcke
1 Einführung
2 R
3 Demographische Modelle
4 Multilevel Modelle
5 Zelluläre Automaten
6 Praktisches Beispiel
C. Dudel|Abschluss|SoSe 2011 3|18
Themenblöcke
1 Demographische Modelle
2 Multilevel Modelle
3 Zelluläre Automaten
C. Dudel|Abschluss|SoSe 2011 4|18
Demographische Modelle
Leslie-Modell und Verzweigungsprozesse
Vereinfachende Annahmen teils besondere Effekte:
stabile Bevölkerung
Auch bei an sich realistischem Modell Probleme:
Parameter
Stochastische und deterministische Modelle haben unterschiedliche Implikationen
C. Dudel|Abschluss|SoSe 2011 5|18
Demographische Modelle
Leslie-Modell und Verzweigungsprozesse
Vereinfachende Annahmen teils besondere Effekte:
stabile Bevölkerung
Auch bei an sich realistischem Modell Probleme:
Parameter
Stochastische und deterministische Modelle haben unterschiedliche Implikationen
C. Dudel|Abschluss|SoSe 2011 5|18
Demographische Modelle
Leslie-Modell und Verzweigungsprozesse
Vereinfachende Annahmen teils besondere Effekte:
stabile Bevölkerung
Auch bei an sich realistischem Modell Probleme:
Parameter
Stochastische und deterministische Modelle haben unterschiedliche Implikationen
C. Dudel|Abschluss|SoSe 2011 5|18
Demographische Modelle
Leslie-Modell und Verzweigungsprozesse
Vereinfachende Annahmen teils besondere Effekte:
stabile Bevölkerung
Auch bei an sich realistischem Modell Probleme:
Parameter
Stochastische und deterministische Modelle haben unterschiedliche Implikationen
C. Dudel|Abschluss|SoSe 2011 5|18
Multilevel Modelle
Unterschiedliche Diffusionsprozesse Makro-Ebene beein usst Mikro-Ebene
Unterschiedliche, plausible Annahmen führen zu unterschiedlichen Modellen
Identi kationsproblem: Welches Modell? Welche Parameter?
C. Dudel|Abschluss|SoSe 2011 6|18
Multilevel Modelle
Unterschiedliche Diffusionsprozesse Makro-Ebene beein usst Mikro-Ebene
Unterschiedliche, plausible Annahmen führen zu unterschiedlichen Modellen
Identi kationsproblem: Welches Modell? Welche Parameter?
C. Dudel|Abschluss|SoSe 2011 6|18
Multilevel Modelle
Unterschiedliche Diffusionsprozesse Makro-Ebene beein usst Mikro-Ebene
Unterschiedliche, plausible Annahmen führen zu unterschiedlichen Modellen
Identi kationsproblem: Welches Modell? Welche Parameter?
C. Dudel|Abschluss|SoSe 2011 6|18
Multilevel Modelle
Unterschiedliche Diffusionsprozesse Makro-Ebene beein usst Mikro-Ebene
Unterschiedliche, plausible Annahmen führen zu unterschiedlichen Modellen
Identi kationsproblem: Welches Modell? Welche Parameter?
C. Dudel|Abschluss|SoSe 2011 6|18
Zelluläre Automaten
Game of Life und Schellings Modell Räumliche Komponente
Bottom-Up & Emergenz Parameter?
C. Dudel|Abschluss|SoSe 2011 7|18
Zelluläre Automaten
Game of Life und Schellings Modell Räumliche Komponente
Bottom-Up & Emergenz Parameter?
C. Dudel|Abschluss|SoSe 2011 7|18
Zelluläre Automaten
Game of Life und Schellings Modell Räumliche Komponente
Bottom-Up & Emergenz Parameter?
C. Dudel|Abschluss|SoSe 2011 7|18
Zelluläre Automaten
Game of Life und Schellings Modell Räumliche Komponente
Bottom-Up & Emergenz Parameter?
C. Dudel|Abschluss|SoSe 2011 7|18
Thema der Veranstaltung
Computersimulation als Beispiel für den Themenkomplex
„Modelle und Daten“.
Grundlegende Ideen von Simulationsmodellen Umsetzung von Simulationen
Vergleich von simulierten Daten mit „echten“ Daten
C. Dudel|Abschluss|SoSe 2011 8|18
Wichtige Ideen und Konzepte
Deterministische und stochastische Modelle Makro- und Mikrosimulation
Top-Down und Bottom-Up Emergenz
Modelle mit und ohne räumlicher Dimension
C. Dudel|Abschluss|SoSe 2011 9|18
Umsetzung von Simulationen
Funktionen und Methoden Schleifen, Schleifen, Schleifen!
Visualisierung: statisch und animiert Abbruchkriterien
Nicht-modellimanente Entscheidungen bei Umsetzungen
Mikro-Konzeption (einzelne Einheiten) kann bei Programmierung teils aggregiert werden
C. Dudel|Abschluss|SoSe 2011 10|18
Umsetzung von Simulationen
Funktionen und Methoden Schleifen, Schleifen, Schleifen!
Visualisierung: statisch und animiert Abbruchkriterien
Nicht-modellimanente Entscheidungen bei Umsetzungen
Mikro-Konzeption (einzelne Einheiten) kann bei Programmierung teils aggregiert werden
C. Dudel|Abschluss|SoSe 2011 10|18
Umsetzung von Simulationen
Funktionen und Methoden Schleifen, Schleifen, Schleifen!
Visualisierung: statisch und animiert Abbruchkriterien
Nicht-modellimanente Entscheidungen bei Umsetzungen
Mikro-Konzeption (einzelne Einheiten) kann bei Programmierung teils aggregiert werden
C. Dudel|Abschluss|SoSe 2011 10|18
Umsetzung von Simulationen
Funktionen und Methoden Schleifen, Schleifen, Schleifen!
Visualisierung: statisch und animiert Abbruchkriterien
Nicht-modellimanente Entscheidungen bei Umsetzungen
Mikro-Konzeption (einzelne Einheiten) kann bei Programmierung teils aggregiert werden
C. Dudel|Abschluss|SoSe 2011 10|18
Umsetzung von Simulationen
Funktionen und Methoden Schleifen, Schleifen, Schleifen!
Visualisierung: statisch und animiert Abbruchkriterien
Nicht-modellimanente Entscheidungen bei Umsetzungen
Mikro-Konzeption (einzelne Einheiten) kann bei Programmierung teils aggregiert werden
C. Dudel|Abschluss|SoSe 2011 10|18
Umsetzung von Simulationen
Funktionen und Methoden Schleifen, Schleifen, Schleifen!
Visualisierung: statisch und animiert Abbruchkriterien
Nicht-modellimanente Entscheidungen bei Umsetzungen
Mikro-Konzeption (einzelne Einheiten) kann bei Programmierung teils aggregiert werden
C. Dudel|Abschluss|SoSe 2011 10|18
Modelle und Daten
Vergleich Modell und Daten oft schwierig!
Überhaupt Daten vorhanden?
Vergleichsgrö e?
Messung von Abweichung?
Wann sind Abweichungen hoch?
C. Dudel|Abschluss|SoSe 2011 11|18
Modelle und Daten
Vergleich Modell und Daten oft schwierig!
Überhaupt Daten vorhanden?
Vergleichsgrö e?
Messung von Abweichung?
Wann sind Abweichungen hoch?
C. Dudel|Abschluss|SoSe 2011 11|18
Modelle und Daten
Ursachen für Abweichungen?
Fehler in Modellparametern bzw. Daten Fehler in Vergleichsdaten
Mangelnde Vergleichbarkeit von Modellergebnissen und Daten
Fehlerhafte Modellannahmen/-konstruktion
C. Dudel|Abschluss|SoSe 2011 12|18
Und in der Praxis?
Modellvalidierung eher selten! Hier vorgestellte Themen eher Ausnahmefälle…
C. Dudel|Abschluss|SoSe 2011 13|18
Ablaufschema Simulationen
1 Zu betrachtender Prozess wird festgelegt
2 Eigenschaften, Regeln, Zusammenhänge des Prozesses feststellen
3 Formulierung von 2. in „computergerechte“ Regeln, Festlegung von Parametern
4 Programmieren & Programm ausführen
5 Ergebnis: Simulierte Daten
6 Ggf. wieder bei 2. starten
C. Dudel|Abschluss|SoSe 2011 14|18
Ausblick: Modellekonstruktion
Theoretische Perspektive Mathematische Perspektive
C. Dudel|Abschluss|SoSe 2011 15|18
Ausblick: Modelle
Demographische Modelle: Spezielle Methoden zur Berücksichtigung von Unsicherheit, Heterogenität, … Multilevel Modelle: statistische Verfahren und
Mikrodaten (Ereignisanalyse); spezielle Verteilungen Schellings Modell: Berücksichtigung
sozio-ökonomischer Faktoren, städtebaulicher Faktoren, …
C. Dudel|Abschluss|SoSe 2011 16|18
Ausblick: Modelle
Demographische Modelle: Spezielle Methoden zur Berücksichtigung von Unsicherheit, Heterogenität, … Multilevel Modelle: statistische Verfahren und
Mikrodaten (Ereignisanalyse); spezielle Verteilungen Schellings Modell: Berücksichtigung
sozio-ökonomischer Faktoren, städtebaulicher Faktoren, …
C. Dudel|Abschluss|SoSe 2011 16|18
Ausblick: Modelle
Demographische Modelle: Spezielle Methoden zur Berücksichtigung von Unsicherheit, Heterogenität, … Multilevel Modelle: statistische Verfahren und
Mikrodaten (Ereignisanalyse); spezielle Verteilungen Schellings Modell: Berücksichtigung
sozio-ökonomischer Faktoren, städtebaulicher Faktoren, …
C. Dudel|Abschluss|SoSe 2011 16|18
Ausblick: Software
Rzwar gut geeignet, aber auch etliche Alternativen, insb.
für Agenten-basierte Modelle:
NetLogo Swarm
…
Ansonsten „Low-Level“ Programmiersprachen
C. Dudel|Abschluss|SoSe 2011 17|18
Lehrevaluation
…
C. Dudel|Abschluss|SoSe 2011 18|18