Modellungenauigkeiten

Modellungenauigkeiten bezeichnet in der Modellierung eine Gruppe von Ungenauigkeiten, die entstehen, wenn ein Modell die reale Welt nur unvollständig abbildet. Sie resultieren aus Vereinfachungen, unvollständigen Variablen, fehlerhaften Annahmen, limitierter Datenqualität, Messfehlern, Strukturfehlern und numerischen Approximationen. Der Begriff ist eine Neuschöpfung im deutschsprachigen Diskurs und leitet sich aus Modellierung (Modellung) und Ungenauigkeiten ab.

Ursachen zeigen sich in mehreren Dimensionen: epistemische Unsicherheit (unbekannte Mechanismen, fehlende Variablen), statistische Unsicherheit (Parameterwerte, Zufallsstörung), Datenprobleme (Auswahlbias, Messrauschen), Modellstruktur (misspezifizierte Form) und numerische Aspekte (Diskretisierung, Rechenpräzision). Typischerweise lassen sie sich in systematische (Bias, falsche Modellannahmen), zufällige oder stochastische Ungenauigkeiten (Rauschen), datenbedingte Ungenauigkeiten (Datenlücken, Messfehler) sowie numerische Ungauigkeiten unterscheiden.

Auswirkungen können die Vorhersagegenauigkeit mindern, Entscheidungsprozesse verzerren und das Vertrauen in Modellierungsergebnisse beeinträchtigen. Typische Beispiele finden sich in Klimamodellen, ökonomischen Prognosemodellen, technischer Simulationspraxis oder epidemiologischen Schätzungen.

Zur Erkennung und Minderung dienen Residualanalysen, Kreuzvalidierung, Kalibrierung und Posterior-Prädiktionschecks, Unsicherheitsquantifizierung, Sensitivitätsanalysen, Ensemble- oder Regularisierungstechniken sowie Verbesserungen von Datenqualität und Modellstruktur. Modellvalidierung und Verifikation, zusammen mit Datenassimilation und Fehleranalyse, bilden den Kernrahmen zur Reduktion von Modellungenauigkeiten.

Related topics: Modellvalidierung, Unsicherheitsquantifizierung, Datenqualität, Sensitivitätsanalyse.