Identificeerbaarheidsanalyse

Identificeerbaarheidsanalyse onderzoekt of de parameters van een wiskundig model eenduidig kunnen worden geschat uit observeerbare data, gegeven de modelstructuur en de opzet van metingen. Het doel is vast te stellen of er onder ideale omstandigheden één consistente set parameterwaarden bestaat die de input-output-relaties van het model reproduceert.

Er wordt een onderscheid gemaakt tussen structuurle identificatie en praktische identificatie. Structurele (of globale) identificeerbaarheid is een theoretisch begrip: het zegt of parameterwaarden uniek bepaald kunnen worden uit het model, onafhankelijk van ruis of dataverlies. Praktische identificeerbaarheid houdt rekening met feitelijke data, zoals meetruis, ontbrekende waarnemingen en het experimentontwerp, en beoordeelt of de parameters nog betrouwbaar kunnen worden geschat gegeven deze beperkingen. Ook wordt vaak gesproken over lokale versus globale identificeerbaarheid: globale identificeerbaarheid betekent uniciteit over het hele parameterruimtegebied, terwijl lokale identificeerbaarheid alleen in een nabijheidsgebied rondom een schatting geldt.

Methoden voor analyse variëren. Analytische benaderingen gebruiken differential algebra en input-output-relaties of sensitiviteitsanalyse via de Jacobiaan van de observables met betrekking tot de parameters. Numerieke en statistische methoden evalueren practical identifiability met de Fisher-information-matrix, profiel-likelihood, bootstrap of experimentele herinrichting. Er bestaan toolsets zoals DAISY, GenSSI en STRIKE-GOLDD voor symbolische en algebraïsche identificatie, en diverse Matlab- en Python-implementaties voor numerieke evaluatie.

Toepassingsgebieden omvatten systemen- en synthetische biologie, farmacokinetiek, epidemiologie, controle- en procesindustrie. Identificeerbaarheidsanalyse ondersteunt modelkeuze, experimenteel ontwerp en de interpretatie van schattingen door inzicht te geven in wat daadwerkelijk kan worden geleerd uit de data.