[Back]

M. Bicher:
"Classification of Microscopic Models with Respect to Aggregated System Behaviour";
Supervisor, Reviewer: F. Breitenecker, N. Popper, G. Music, T. Pawletta; 101, 2017; oral examination: 2017-11-29.

Microscopic simulation models nowadays have to meet high demands if they want to compete with data-based approaches like machine learning. The main reason for that is the rich availability of data for almost all human-centred research problems. Once claimed to be the future of decision support in social sciences, reproducibility, validation, verification, calibration and sensitivity of microscopic simulation models raise problems, which make these approaches hardly applicable for today's quantitative research problems. Consequently, we dedicate this work to the improvement of methods for mathematical analysis of microscopic simulation models. Only by thoroughly investigating microscopic models on a formal base we are able to fully understand and characterise their behaviour and finally find reasonable answers to mentioned problems.
To achieve this goal, we use and extend methods from mean-field analysis to mathematically investigate microscopic models on the aggregate level. Based on the findings of these investigations, we derive the main result of this thesis: a new classification concept. A series of attributive adjectives are proposed that do not only convey a unique picture of specific parts of a microscopic model, but also give ideas on possible challenges involved with model, simulation, parametrisation, sensitivity, and finally its mean-field behaviour.

Mikroskopische Simulationsmodelle müssen heutzutage hohe Anforderungen erfüllen, wenn sie mit datenbasierten Ansätzen wie Machine Learning konkurrieren wollen. Der Hauptgrund dafür ist die reichhaltige Verfügbarkeit von Daten für fast alle Forschungsprobleme. Mikroskopischen Simulationsmodelle, die ehemals als "die Zukunft" der Entscheidungsunterstützung in vielen Wissenschaften bezeichnet wurden, rücken immer mehr in den Hintergrund, da altbekannte Probleme mit Validierung, Verifizierung, Kalibrierung und Sensitivität diese Ansätze für heutige zumeist quantitative Forschungsprobleme kaum anwendbar machen. Aus diesem Grund ist diese Arbeit der Verbesserung von Methoden zur mathematischen Analyse von mikroskopischen Simulationsmodellen gewidmed. Nur wenn mikroskopische Modelle auf einer formalen Basis untersucht werden, ist es möglich ihr Verhalten vollständig zu verstehen, zu charakterisieren und schließlich angesprochene Probleme zumindest teilweise zu beheben.
Um dieses Ziel zu erreichen, werden Methoden der Mean-Field-Analyse genutzt und werweitert, um mikroskopische Modelle auf aggregierter Ebene mathematisch zu untersuchen. Basierend auf den Ergebnissen dieser Untersuchungen wird das Hauptresultat dieser Arbeit abgeleitet: ein neues Klassifikationskonzept. Hierbei wird eine Reihe von attributiven Adjektiven vorgeschlagen, die nicht nur ein eindeutiges Bild spezifischer Teile eines mikroskopischen Modells vermitteln, sondern auch Ideen zu möglichen Herausforderungen im Zusammenhang mit Modell, Simulation, Parametrisierung, Empfindlichkeit und schließlich zu seinem Mean-Field Verhalten geben.

Mean-Field, Microscopic, Modelling and Simulation, Agent-Based, Aggregated Numbers

http://publik.tuwien.ac.at/files/publik_265575.pdf