parameteronzekerheid

Parameteronzekerheid is de onzekerheid over de ware waarden van parameters in een model of berekening. Deze onzekerheid ontstaat wanneer de parameters niet exact bekend zijn en alleen kunnen worden geschat uit beschikbare data of uit professionele inschattingen. Het gevolg is dat de modeluitkomsten en beslissingen die op die parameters zijn gebaseerd eveneens onzeker blijven.

Oorzaken van parameteronzekerheid zijn onder meer beperkte steekproefgroottes, meetfouten en variatie in het systeem, onduidelijkheid over de modelstructuur en aannames, en gebrek aan kennis. Het gaat vaak om een combinatie van epistemische onzekerheid (door onbekendheid of tekort aan informatie) en aleatorische onzekerheid (intrinsieke variatie in processen).

Gevolgen voor modellering en besluitvorming kunnen aanzienlijk zijn: voorspellingen zijn minder precies, intervallen en risico-inschattingen kunnen bredere of afwijkende grenzen vertonen, en beslissingen die op modeluitkomsten zijn gebaseerd kunnen minder betrouwbaar zijn. Het expliciet communiceren van onzekerheid is daarom belangrijk.

Behandeling en kwantificering van parameteronzekerheid gebeuren op verschillende manieren. Methoden omvatten schattingen met betrouwbaarheidsinterval of credible interval, probabilistische modellen en verdelingen voor parameters, en propagatie van onzekerheid via Monte Carlo-simulatie of bootstrapping. Gevoeligheidsanalyse (globaal en lokaal) helpt bepalen welke parameters het meest bijdragen aan de onzekerheid. Bayesian inference biedt een kader om kennis bij te werken wanneer nieuwe data beschikbaar komen. Ook identificeerbaarheidsanalyses en modellering van structurele onzekerheid spelen een rol.

Reductie van parameteronzekerheid gebeurt door het verkrijgen van meer en betere data, betere meetinstrumenten en eventuele verbetering van de modelstructuur. Het doel is om de invloed van onzekerheid op uitkomsten te verminderen.