Modellbrister

Modellbrister är brister eller begränsningar hos modeller som används för att beskriva, förutsäga eller förstå verkligheten. De uppstår när modellens antaganden, data eller beräkningsmetoder inte fullt ut fångar systemets komplexitet, variationer över tid eller okända faktorer. Resultatet är osäkerhet i modellens prediktioner och bedömningar.

Vanliga typer av modellbrister är strukturell osäkerhet (felaktig modellform eller saknade viktiga mekanismer), parameterosäkerhet (felaktiga eller osäkra parametrar), datarelaterade brister (mätfel, bias, saknade data), domänbegränsningar (modellen gäller endast inom ett visst intervall eller förutsätter stationäritet), samt algoritmiska begränsningar och tidsvariationer eller icke-stationaritet.

Exempel finns inom flera områden. Klimatmodeller har strukturella osäkerheter kring feedback-mekanismer och tolkning av framtida utsläppsberoenden; epidemiologiska modeller förlitar sig på antaganden om smittsamhet och kontaktmönster; finansiella modeller antar ofta möjligen stabila marknadsförhållanden; artificiell intelligens kan vara sårbar för data som avviker från de nyare eller träningsmiljön.

För att hantera modellbrister används validering och kalibrering, känslighetsanalys och osäkerhetskvantifiering, scenarios- och stress-testning, robusta beslutsmetoder, modellstyrning, dokumentation och kontinuerlig övervakning. Det är viktigt att kommunicera osäkerheter och begränsningar till beslutsfattare och andra intressenter så att användningen av modellen sker på ett informerat och ansvarsfullt sätt.