دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور استراتژی 

آزمون و صحه‌گذاری

مفاهیم و تعاریف

آزمون‌های ساختار مدل

1. آزمون تایید (تصدیق) ساختار
2. آزمون تایید پارامتر
3. آزمون شرایط حدی
4. آزمون کفایت مرزی
5. آزمون سازگاری ابعاد یا واحد

آزمون‌های رفتار مدل

1. آزمون بازتولید رفتار
2. آزمون ناهنجاری رفتاری
3. آزمون حساسیت رفتاری
4.  آزمون خطای انتگرال گیری
5. آزمون اعضای خانواده
6. آزمون رفتار غافلگیرکننده

آزمون‌های پیامد سیاست و استراتژی

1. آزمون پیش بینی رفتار تغییر یافته
2. آزمون حساسیت سیاست

مراجع

آزمون‌ ناهنجاری رفتاری

مقدمه

هنگام شبیه سازی یک مدل دینامیک سیستم، انتظار می‌رود که مدل مانند سیستم واقعی رفتار کند، اما سازندگان مدل اغلب با ویژگی‌های غیرعادی رفتار مدل مواجه می‌شوند و اینها با رفتار سیستم واقعی در تضاد هستند. هرگاه در رفتار مدل ناهنجاری وجود داشته باشد، ممکن است در مفروضات مدل نقصی وجود داشته باشد. اغلب با نشان دادن اینکه در صورت تغییر این فرض چگونه رفتار غیرقابل قبولی به وجود می‌آید، می‌توان از مفروضات خاص دفاع کرد. تحلیل ناک اوت حلقه یک روش رایج برای جستجوی ناهنجاری‌های رفتاری است. رفتار غیرعادی ناشی از آزمون ناک اوت اهمیت حلقه را نشان می‌دهد و ممکن است به درک معقول بودن رفتار سیستم کمک کند.

محدودیت داده‌ها اغلب به این معنی است که نمی توان معنی داری یا قدرت روابط یا فرمول‌های مهم را با ابزارهای آماری مشخص کرد. آزمون‌های ناهنجاری رفتاری اهمیت این ساختارها را با توجه به اینکه آیا رفتار غیرعادی هنگام حذف یا اصلاح رابطه ایجاد می‌شود، بررسی می‌کنند.

تحلیل ناک اوت حلقه یک روش رایج برای جستجوی ناهنجاری‌های رفتاری است. در آزمون‌های ناک اوت حلقه، یک رابطه هدف را صفر می‌کنید. به عنوان مثال، در قوانین تصمیم گیری، اقدام اصلاحی = (وضعیت مطلوب – وضعیت موجود)/ زمان تنظیم، زمان تنظیم را بی نهایت می‌کنیم و تاثیر آن را بر اقدام اصلاحی ارزیابی می‌کنیم. همچنین می‌توان زمان‌های تاخیر را بی نهایت کرد و از این طریق یک حلقه را حذف کرد. رفتار غیرعادی ناشی از یک آزمون ناک اوت اهمیت حلقه را نشان می‌دهد و ممکن است به ایجاد یک محدوده قابل قبول برای پارامترها و روابط کمک کند.

زمانی که مدل تحت شرایط تاریخی گذشته کار می‌کند تحلیل ناک اوت حلقه می‌تواند اهمیت حلقه را آشکار کند، اما موثرترین شرایط استفاده از این تحلیل در ارتباط با آزمون‌های شرایط حدی است. اغلب یک حلقه در شرایط عملیاتی عادی فعال نیست اما در شرایط غیرعادی غالب می‌شود. اگر یک آزمون ناک اوت حلقه رفتار عجیب و غریب یا از نظر فیزیکی غیرممکن را تحت شرایط حدی ایجاد کند، شواهدی دارید که این رابطه مهم است و باید در آن گنجانده شود، حتی اگر به طور معمول فعال نباشد و نتوان آن را از نظر آماری از داده‌ها تخمین زد.

شکل دیگری از آزمون ناهنجاری رفتار، با فرض این که یک زیرسیستم در تعادل است، یک ساختار ساده را جایگزین یک ساختار نامتعادل می‌کند. به عنوان مثال، تأخیرها را می‌توان حذف کرد، در واقع با این فرض که تصمیم گیرندگان می‌توانند فوراً تغییرات در حالات سیستم را تشخیص دهند و فوراً آن حالت‌ها را تغییر دهند. سنگه از آزمون‌های ناهنجاری رفتاری به عنوان مکمل تخمین اقتصادسنجی استفاده کرد تا نشان دهد که بعضی از فرمول‌های عدم تعادل در سرمایه‌گذاری ثابت مهم هستند. به عنوان مثال، با فرض اینکه شرکت‌های تولیدی، سرمایه در گردش را فقط بر اساس پیش‌بینی سفارش‌ها تامین می‌کنند، تلویحاً با فرض اینکه موجودی‌ها و عقب ماندگی‌ها همیشه در تعادل هستند، مدل رفتار غیرقابل قبولی در هر دو شرایط تاریخی و حدی ایجاد می‌کند.

هدف مدل

• آیا وقتی مفروضات مدل تغییر می‌کنند یا حذف می شوند، رفتارهای غیرعادی به وجود می آیند؟

ابزارها و روش‌های اجرایی

اثرات کلیدی را صفر کنید (تحلیل حذفی حلقه).
مفروضات تعادل را با ساختارهای عدم تعادل جایگزین کنید.

مثال:

مقدمه

دومین آزمون تصدیق ساختار، آزمون تأیید پارامتر است و به معنای ارزیابی پارامترهای ثابت در برابر دانش سیستم‌های واقعی از نظر مفهومی و عددی است. هر ثابت (و متغیر) باید معنا و مصداق واقعی داشته باشد. برای این کار می‌توان از تخمین آماری استفاده کرد و یا از تخمین قضاوتی بهره برد. ممکن است برای تخمین پارامترها از اقتصادسنجی، سری زمانی یا روش‌های دیگر نیز استفاده کرد.

انتخاب مقادیر اولیه مناسب برای معادلات متغیر حالت، مقادیر ثابت‌ها و توابع جدول ارتباط مستقیمی با منطق مدل دارد و مقادیر باید بر اساس داده‌های منتشر شده از منابع معتبر باشد. نرم‌افزارهای کامپیوتری اکنون برای تخمین و توجیه مقادیر دقیق پارامترها به گونه‌ای که بتوانند رفتار مورد انتظار سیستم را تولید کنند در دسترس هستند. راستی‌آزمایی یا تصدیق ساختار و تصدیق پارامتر به هم مرتبط هستند و هر دو آزمون هدف اصلی یکسانی دارند.

هدف مدل

• آیا مقادیر پارامترها با دانش توصیفی و عددی مربوط به سیستم سازگار است؟
• آیا همه پارامترها مشابه دنیای واقعی دارند؟

ابزارها و روش‌های اجرایی

• از روش‌های آماری برای تخمین پارامترها استفاده کنید (گستره وسیعی از روش‌های موجود).
• از آزمون‌های مدل جزئی برای کالیبره کردن زیرسیستم‌ها استفاده کنید.
• از روش‌های قضاوتی مبتنی بر مصاحبه، نظر متخصص، گروه‌های متمرکز، مطالب آرشیوی، تجربه مستقیم و غیره استفاده کنید.
• برای تخمین روابط در مدل‌های بزرگتر ، زیرمدل‌های تفکیک‌شده را توسعه دهید.

قبل از تصمیم گیری در مورد اینکه یک پارامتر چگونه باید تخمین زده شود یا اینکه آیا مقدار آن معقول است، مطمئن شوید که هر ثابت (و متغیر) معنای واقعی و واضحی دارد. سپس باید تصمیم بگیرید که چگونه مقادیر هر پارامتر را تخمین بزنید. روش اصلی عبارت است ازتخمین آماری از داده‌های عددی یا تخمین قضاوتی است.

برآورد مقادیر پارامترها از داده‌های عددی به‌ویژه  از روش اقتصادسنجی بسیار رایج است. به مدل‌سازان دینامیک سیستم توصیه می‌شود که اقتصادسنجی و سایر رویکردهای تخمین پارامترها را مطالعه کنند. دانستن اینکه تکنیک‌های رگرسیون چگونه کار می‌کنند، فرضیه‌ها و محدودیت‌های آنها چیست و این که هر ابزاری چه زمانی مناسب است برای مدلسازان دینامیک امری ضروری است. فرضیه‌ها، مفروضاتی در مورد داده‌ها و مدل هستند که برای استفاده از تکنیک برآورد جهت ارائه نتایج قابل اعتماد و دقیق نیاز می‌باشد. رایج ترین روش، رگرسیون چندگانه با حداقل مربعات معمولی (OLS)، اغلب در مدل‌های دینامیکی مناسب نیست. برآوردهای OLS در حضور همخطی (جایی که متغیرهای سمت راست به طور متقابل همبستگی دارند)، خودهمبستگی (که متغیر وابسته به مقادیر گذشته خودش بستگی دارد، یعنی جایی که بازخورد وجود دارد) و ناهمسانی (جایی که در آن واریانس متغیرها در سراسر نمونه ثابت نیست) دقیق نیستند. ما برای این کار از سایر روش‌های برآورد ساده تر و قوی‌تر در دسترس استفاده می‌کنیم مانند حداکثر احتمال maximum likelihood و GLS (حداقل مربعات تعمیم‌یافته) تا روش‌های پیچیده‌ای مانند فیلتر کالمن. هر روشی نقاط قوت و ضعف خود را دارد. باید ساده‌ترین روشی را انتخاب کرد که با ساختار بازخورد مدل و ویژگی‌های آماری داده‌ها مناسب باشد. در عین حال، محدودیت‌های موجود بر روی داده‌های عددی به این معنی است که اغلب غیرممکن است که بتوان همه پارامترهای یک مدل را تخمین زد.

همچنین برای تخمین قضاوتی پارامترها باید استفاده از نظرات متخصصین، مطالب بایگانی، تجربه مستقیم، و روش‌های دیگر را توسعه داد.  پارامترها را نیز می‌توان با ایجاد یک مدل فرعی تفکیک شده تخمین زد. در عمل، روش‌های آماری و قضاوتی با هم استفاده می‌شوند. دانش واقعی سیستم، محدوده قابل قبول را برای بسیاری از پارامترها محدود می‌کند. تخمین آماری روشی برای کنترل و چک کردن برآوردهای قضاوتی فراهم می‌کند.

در یک مدل بزرگ معمولاً برآورد همه پارامترهای بحرانی به طور همزمان غیرعملی است. حتی در صورت امکان، تخمین همزمان می‌تواند منجر به مشکلاتی شود، زیرا مدل‌های بزرگ اغلب کمتر از حد تصور امکان تعریف جزییات را دارند (به این معنی که حتی یک مجموعه از مقادیر پارامترها نمی‌تواند به شکل مناسبی نماینده تمام داده‌های جامعه باشد. در این موارد برآوردهای قضاوتی مبتنی بر دانش سیستم در انتخاب پارامترها معقول است.

برای تخمین پارامترها می‌توان در سطح جزئی از مدل یا در سطح زیر سیستم نیز استفاده کرد. همانند آزمون مدل جزئی برای بررسی منطقی بودن، مدل ساز یک ساختار کلیدی یا قانون تصمیم را به صورت مجزا تحلیل کرده و حلقه‌های بازخوردی آن را به کل مدل تعمیم می‌دهد. در این رویکرد ورودی‌های هر قاعده تصمیم‌گیری یا فرمول‌بندی براساس داده‌های تاریخی واقعی تعریف می‌شوند و پارامترها (به صورت قضاوتی یا رسمی) تعیین می‌شوند تا خروجی زیرسیستم به بهترین وجه با داده‌های تاریخی مطابقت پیدا کند.

نکته مهم آن است که معنا دار بودن آماری پارامترها، تایید کننده صحت رابطه نیست. معنا دار بودن آماری نشان می‌دهد که یک معادله چقدر با داده‌های مشاهده شده مطابقت دارد. این نشان نمی‌دهد که آیا روابط علی مطابق با واقعیات دنیای واقعی وجود دارد یا خیر. یک رابطه آماری معنی دار بین متغیرها فقط نشان می‌دهد که آنها همبستگی بالایی دارند و احتمالاً همبستگی ظاهری نتیجه تصادفی نیست. ادعای علّی بودن یک رابطه، یک قضاوت ارزشی است که باید با در نظر گرفتن تمام شواهد، عددی و کیفی انجام شود.

معنادار بودن آماری به عنوان آزمون صحه گذاری مدل در رد معادلات توصیف کننده روابط هم کاربرد دارد. اگرچه دلایل مختلفی وجود دارد که ممکن است یک رابطه از نظر آماری معنا دار نباشد، برای مثال داده‌های بسیار کمی وجود داشته باشد یا تنوع داده‌ها کافی نباشد. هنگامی که دانش مستقیم از سیستم نشان می‌دهد که یک رابطه واقعی و مهم است، باید آن را به رسمیت شناخت و برای تخمین مقادیر از قضاوت استفاده کرد.

مثال: برآورد آماری متغیرهای نرم

فرض کنید در یک سیستم خدماتی به دنبال تعیین پارامترهای کیفیت خدمات هستیم. می‌توانیم زمان اختصاص داده شده به هر مشتری را از طریق داده‌های گذشته و به شکل آماری برآورد کنیم. طبیعی است که این زمان یک متغیر تصادفی است. و زمان صرف شده برای هر مشتری دقیقا یکسان نیست. طبیعتا زمان صرف شده با هر مشتری با قضاوت مشتریان در مورد کیفیت خدمات ارتباط زیادی دارد. اما نکته قابل تامل این است که زمانی که بار کاری بالا می‌رود زمان صرف شده و در نتیجه کیفیت خدمات کاهش می‌یابد و این تبدیل به عادت می‌شود در نتیجه هنگامی که حجم کاری هم کم می‌شود ممکن است زمان صرف شده برای مشتری افزایش نیابد. بنابراین این داده‌ها نامتقارن هستند. تحلیل بیشتر ممکن است نشان دهد که سازمان هیچ ابزاری برای نظارت بر رضایت مشتری و بازخورد آن به مدیران ندارد. هر زمان که بار کاری زیاد می‌شد، کارگران زمان صرف شده با هر مشتری را کاهش می‌دادند تا کارهای عقب مانده را جبران کنند. در این صورت مدیران بدون داشتن روشی برای اندازه گیری کاهش رضایت مشتران ممکن است کاهش زمان و در نتیجه افت کیفیت را به عنوان بهبود بهره وری تفسیر کنند. بنابراین برآورد آماری ترکیبی از روش‌های تخمین پارامترهای به شیوه آماری و قضاوتی، کار میدانی و تجزیه و تحلیل داده‌های تاریخی، درک دقیق تر و مطمئن تری از پویایی سازمان نسبت به هر روش به تنهایی است.

مثال: توسعه یک زیرمدل

گاهی تخمین پارامترهای مدل کار بسیار سختی خواهد بود. هم به این دلیل که به دلیل گستردگی فعالیت‌ها جمع آوری داده‌ها ممکن است غیر ممکن باشد و یا پیشینه تاریخی از آن پارامتر وجود نداشته باشد. بنابراین می‌توانیم مدل را در یک سطح کوچک که می‌تواند محدودیت جغرافیایی، دامنه فعالیت، کارهای محدودتر، مشتریان هدف و یا غیره باشد طراحی می‌کنیم و پارامترهای مدل را برآورد می‌کنیم و سپس با توجه به خطها آن را به کل تعمیم می‌دهیم.