Điều gì thực sự có nghĩa là ghép một mô hình
Một mô hình mô phỏng đưa ra một tuyên bố toán học: các đầu ra của hệ thống thực nằm trên (hoặc gần) một bề mặt M cụ thể trong không gian quan sát.
Lấy hệ thống thực sản xuất các quan sát y₁, y₂, ..., yₙ. Mô hình dự báo giá trị ŷ₁, ŷ₂, ..., ŷₙ.
Sai số như khoảng cách: rᵢ = yᵢ - ŷᵢ. Mỗi sai số đo khoảng cách giữa một quan sát và dự báo mô hình tương ứng. Trong không gian quan sát n-đạo, các sai số tạo thành một vectơ r = y - ŷ.
Ghép ít bình phương: chọn các tham số mô hình để tối thiểu hóa ||r||² = Σrᵢ². Hình học, tìm điểm ŷ trên bề mặt mô hình M gần nhất với vectơ quan sát y về độ dài Euclidean.
Khi Sai số Giúp Sai
||r||² nhỏ không đảm bảo mô hình có hiệu quả. Hai lỗi hệ thống:
1. Hệ thống thiên lệch: sai số rᵢ nhỏ nhưng tất cả là dương (hoặc tất cả là âm). Mô hình liên tục dự báo thấp hơn hoặc cao hơn. Hình học: ŷ nằm trên một bề mặt offset song song với mặt phẳng dữ liệu thực - gần về độ dài, sai về cấu trúc.
2. Mặt phẳng sai: sai số nhỏ vì mô hình có đủ các tham số tự do để phù hợp với dữ liệu đào tạo chính xác (overfitting). Bề mặt mô hình đi qua các điểm dữ liệu, nhưng cong giữa chúng hoang dã. Dự báo trên dữ liệu mới là kém.
Đo lường Hệ Thống Thiên Lệch
Một mô hình có sai số trung bình là 0 vẫn có thể có thiên lệch hệ thống thay đổi với một biến đầu vào.
Ví dụ: một mô phỏng thời tiết dưới định giá nhiệt độ thấp 2°C vào mùa hè và định giá cao hơn 2°C vào mùa đông có sai số trung bình ≈ 0 trên toàn năm, nhưng có thiên lệch mùa rõ ràng.
Sai số phân tích: vẽ rᵢ đối với mỗi biến đầu vào. Một mẫu phẳng (không có xu hướng) gợi ý không có thiên lệch hệ thống từ biến đầu vào đó. Một mẫu xu hướng tiết lộ một chiều ẩn trong mô hình.
Câu hỏi xác minh của Hamming — 'Có thể một hiệu ứng nhỏ nhưng quan trọng bị bỏ qua?' — được dịch sang hình học: có hay không có một vectơ dư có thành phần trong một hướng không được mô hình không gian tham số mô phỏng?
Sự sai khác hệ thống so với tiếng ồn ngẫu nhiên
Hiệu ứng Hawthorne: các chủ thể trong một nghiên cứu thay đổi hành vi của họ vì họ biết họ đang được quan sát, không phải là do điều trị thực nghiệm.
Giải thích Hình học
Cho phép dữ liệu thực sự M sống trong một không gian được span bởi các biến (x₁, x₂, ..., xₖ, observation_context).
Mô hình bỏ qua observation_context. Nó phù hợp một mặt phẳng cho các quan sát trong (x₁, ..., xₖ) một mình.
Khi observation_context = 'đang được nghiên cứu,' các điểm dữ liệu thực tế dịch dọc theo trục observation_context. Mặt phẳng của mô hình — cố định trong không gian (x₁, ..., xₖ) — giờ đây phù hợp với dữ liệu dịch chuyển. Các ứng số xuất hiện nhỏ (mặt phẳng vẫn phù hợp tốt trong bối cảnh nghiên cứu) nhưng dự báo trong bối cảnh không quan sát sẽ sai lệch hệ thống.
Hình học: mặt phẳng của mô hình gần với mặt phẳng dữ liệu bối cảnh nghiên cứu, nhưng xa so với mặt phẳng thực tế. Khoảng cách giữa chúng: sự sai khác Hawthorne dọc theo trục observation_context.
Yêu cầu kép mù của Hamming: ngăn chặn observation_context trở thành một biến phụ thuộc vào điều trị. Điều này giữ mặt phẳng thực tế và mặt phẳng bối cảnh nghiên cứu song song — loại bỏ sự sai khác hình học.
Các Hiệu ứng Kích thước Ẩn Khác
Mọi biến ảnh hưởng đến hệ thống nhưng bị loại khỏi mô hình sẽ tạo ra cùng cấu trúc hình học:
- Các hiệu ứng mùa vụ bị bỏ qua trong mô hình kinh tế
- Hành vi của người vận hành bị loại khỏi các bài tập mô phỏng sản xuất
- Trạng thái phiên bản phần mềm không có trong các mô hình hiệu suất
Mô hình phù hợp với một mặt phẳng thấp hơn cho dữ liệu sống trên một mặt phẳng đa chiều. Các sai số sẽ nhỏ trong các hướng mà mô hình đo lường, lớn trong các hướng không đo lường.
Xác thực như sự đối齐 hình học
Danh sách kiểm tra xác thực của Hamming, tái định dạng thành hình học:
Có lý thuyết nền tảng hỗ trợ các quy luật được giả định không? Các chiều của không gian tham số mô hình bao phủ không gian dữ liệu đa chiều đúng không? Nếu các biến quan trọng bị thiếu (chiều bị loại), bề mặt mô hình không thể đối齐 với thực tế.
Có kiểm tra nội bộ không? Các định luật bảo toàn là các ràng buộc hình học: dữ liệu phải nằm trên một phân mặt phẳng cụ thể được định nghĩa bởi bảo toàn khối lượng, bảo toàn năng lượng, v.v. Nếu mô phỏng vi phạm những điều này, quỹ đạo của nó đã rời khỏi phân mặt phẳng hợp lệ.
Kiểm tra chéo với các kinh nghiệm quá khứ được biết: bề mặt mô hình phải đi qua các điểm xác thực lịch sử - không chỉ phù hợp với dữ liệu đào tạo mà còn mở rộng đến các quan sát ngoài mẫu.
Mô phỏng ổn định không? Một mô phỏng ổn định sẽ ở gần không gian giải pháp thực tế ngay cả với các biến đổi nhỏ. Một mô phỏng không ổn định sẽ rời khỏi khu vực không gian giải pháp và không thể được gọi là một mô hình hợp lệ.
Khi Dự báo Thành Việc Dự báo
Hamming ủng hộ phương pháp kịch bản cho các lĩnh vực nơi mà dự báo không thể thực hiện được: thay vì tuyên bố 'hệ thống sẽ làm X,' hãy đưa ra một bộ các đường đi có thể xảy ra dưới các giả định khác nhau.
Giải thích Hình học
Bề mặt mô hình M(θ) phụ thuộc vào các tham số θ (giả định về các định luật, hằng số, điều kiện biên). Các tập giả định khác nhau θ₁, θ₂, ..., θₖ định nghĩa các bề mặt khác nhau M(θ₁), ..., M(θₖ).
Ống quấn kịch bản là sự hợp nhất của các bề mặt này: vùng của không gian output mà bất kỳ mô hình kịch bản nào cũng có thể tạo ra.
Một dự báo đơn lẻ tuyên bố: kết quả thật nằm gần M(θ) cho ước tính tốt nhất θ. Phương pháp kịch bản tuyên bố: kết quả thật nằm ở đâu đó bên trong ống quấn.
Khi Ống Quấn Có Lợi ích
Nếu ống quấn hẹp - tất cả các kịch bản đều đồng ý về output bất chấp các giả định khác nhau - sự tự tin về dự báo cao. Nếu ống quấn rộng - các giả định khác nhau sản xuất ra các output rất khác nhau - mô hình rất nhạy cảm với giả định. Sự nhạy cảm đó là output, không phải là lỗi.
Tuyên bố của Hamming về các dự báo của mình: ông đang đưa ra các kịch bản, không phải là dự báo điểm. Tương lai ông mô tả là 'điều có khả năng xảy ra, theo ý kiến của tôi,' không phải là một dự báo chính xác.
Giao thoa với Thực tế
Mô hình kịch bản được xác minh khi thực tế rơi vào bên trong ống quấn. Đây là một bài kiểm tra yếu hơn so với dự báo điểm nhưng trung thực hơn về những gì mô hình có thể tuyên bố.
Gói lại: Mô hình Hợp lệ & Hình học của Chúng
Cô hình của mô phỏng hợp lý phụ thuộc vào ba sự đối齐:
1. Không gian tham số bao gồm không gian thực của ma trận: các biến trong mô hình bao gồm tất cả các biến điều khiển hệ thống. Khoảng trống không gian ẩn tạo ra các sai lệch hệ thống.
2. Đẳng thức ổn định giữ cho quỹ đạo gần không gian thực của ma trận: một trường hướng dẫn hội tụ nghĩa là sai số giảm. Một trường hướng dẫn phân tán nghĩa là mô phỏng rời khỏi vùng hợp lý.
3. Sai số nhỏ và không có cấu trúc: sai số ngẫu nhiên, không có liên kết sai số gợi ý rằng mô hình bắt kịp không gian thực của ma trận. Sai số có cấu trúc (sự phát triển, mẫu) báo hiệu một biến thiếu.
Hamming's 'Tại sao ai cũng nên tin tưởng mô phỏng?' được dịch sang hình học: mô hình bề mặt gần với ma trận thực sự, trong bao nhiêu chiều, với bao nhiêu ổn định, được xác minh trên bao nhiêu điểm ngoại trừ mẫu?