Modelafwijking

Modelafwijking verwijst naar de afwijking tussen de waargenomen data en de voorspellingen van een model. Het duidt erop dat het model het systeem niet adequaat beschrijft of niet meer adequaat functioneert voor de huidige omstandigheden. De term wordt in verschillende vakgebieden gebruikt, zoals statistiek, machine learning, engineering en operations research.

Oorzaken omvatten misspecificatie van het model (foutieve vorm, ontbrekende variabelen of incorrecte interacties), parameterverandering (drift), gegevensdrift of concept drift (verandering in de relatie tussen input en output over tijd), meetfouten, en verschuivingen in de omgeving of in het proces dat het model beschrijft. Dergelijke afwijkingen kunnen optreden bij veranderende omstandigheden, modelafhankelijke aannames die niet langer geldig zijn, of kwaliteitsproblemen in de data.

Modelafwijking wordt beoordeeld met goodness-of-fit maatregelen, residuanalyse, kansverdelingen van residuen, cross-validatie en out-of-sample tests. Drifts worden vaak opgespoord door monitoring van prestatiemetrics over tijd en door technieken voor detectie van concept drift, zoals termijn-analyses of adaptieve evaluatie.

Om afwijking te verminderen kunnen recalibratie of herestimatie van parameters, modelaanpassingen zoals toevoeging van variabelen of wijziging van de functionele vorm, en regelmatige verversing van data ingezet worden. Robuuste methoden, ensemblemodellen en adaptieve regelingen helpen bij het behouden van betrouwbare prestaties, zelfs bij wisselende omstandigheden.

Modelafwijking is een normaal fenomeen in dynamische systemen; continue validatie en onderhoud van modellen zijn essentieel om betrouwbare predicties te behouden.