Muster zirkularbeschluss

In der Statistik ist die zirkuläre Analyse die Auswahl der Details einer Datenanalyse unter Verwendung der analysierten Daten. Es wird oft als Doppeltauchen bezeichnet, da man die gleichen Daten zweimal verwendet. Die zirkuläre Analyse überhöht ungerechtfertigterweise die scheinbare statistische Stärke der gemeldeten Ergebnisse und kann, höchstens, dazu führen, dass das scheinbar signifikante Ergebnis in Daten gefunden wird, die nur aus Rauschen bestehen. Insbesondere wenn ein Experiment implementiert wird, um einen postulierten Effekt zu untersuchen, ist es ein Missbrauch von Statistiken, zunächst den gesamten Datensatz zu reduzieren, indem eine Teilmenge von Daten auf eine Weise ausgewählt wird, die an den untersuchten Effekten ausgerichtet ist. Ein zweiter Missbrauch tritt auf, wenn die Leistung eines angepassten Modells oder einer Klassifizierungsregel als rohes Ergebnis gemeldet wird, ohne die Auswirkungen der Modellauswahl und der Abstimmung von Parametern auf der Grundlage der analysierten Daten zuzulassen. Gemäß den oben beschriebenen Implementierungsrichtlinien stellen wir hier zwei Fallstudien vor, die die Verwendung des vorgeschlagenen Entwurfsmusters aufzeigen. Fallstudie I betrifft die dezentrale Entscheidungsfindung durch statische Agenten, die in einem voll vernetzten Netzwerk interagieren, und ist in zwei Teile unterteilt, I-A und I-B. Fallstudie II betrifft kollektive Entscheidungen mobiler Agenten im Rahmen einer Such- und Verwertungsaufgabe. Um die Diskussion zu erleichtern und die Visualisierung zu vereinfachen, stellen wir hier ein binäres Entscheidungsproblem vor (Optionen A und B mit Qualität vA und vB), und wir liefern zusätzliche Ergebnisse für das Best-of-n-Szenario im Online-Zusatzmaterial.

Um die Übereinstimmung zwischen makroskopischen Modellen und mikroskopischer Implementierung zu quantifizieren, betrachten wir die Systemleistung anhand einer Reihe von Metriken, die unten beschrieben werden, und vergleichen die Prozessdynamik auf verschiedenen Abstraktionsebenen. Die Annahme der zirkulären Kausalität ermöglicht eine systemische Perspektive von Problemen und Lösungen. Die systemische Perspektive enthält die Annahmen, dass a) Probleme im System durch nicht hilfreiche relationale Dynamiken und laufende Interaktionen verursacht und aufrechterhalten werden, und b) Lösungen werden von Individuen innerhalb des Systems erstellt und gepflegt, die ihre Kommunikation und Interaktionen mit und Reaktionen auf andere Mitglieder des Systems ändern. (A,C) Vergleich zwischen dem stochastischen makroskopischen Modell in Finitegröße (schwarze Linien) und der Multiagentenimplementierung mit der homogenen Strategie (rote Linien) und der heterogenen Strategie (grüne Linien). Die Ergebnisse werden für die unterschiedliche Systemgröße N angezeigt. Für jede mögliche Konfiguration (vA, vB) werden 500 unabhängige Durchläufe durchgeführt. Wir zeigen Ergebnisse für Konfigurationen mit Effektivität . Das Diagramm ist in zwei Teile unterteilt: Im unteren rechten Dreieck betrachten wir die Erfolgsrate für jede Konfiguration (vA, vB), wobei vA – vB. Für jede Gruppengröße N zeigen wir die Isolinien unter . Das graue Dreieck gibt Qualitätswertpaare unterhalb der Zielauflösung R = 0,15 an (d.

h. Konfigurationen, in denen die beiden Optionen als gleichwertig betrachtet werden). In der oberen linken Hälfte des Diagramms betrachten wir die Konvergenzzeit für jede Konfiguration (vA, vB), wobei vB -vA (d. h. die symmetrischen Probleme in Bezug auf das untere rechte Diagramm). Für jede Gruppengröße N zeigen wir die Isolinien unter . (B, D) Skalierung der Konvergenzzeit mit der Systemgröße N. Für jede Konfiguration (vA, vB) passen wir die Kurve an und zeigen die Heatmap für den angepassten Koeffizienten a (siehe das untere rechte Dreieck, das den Koeffizientenwert für jede Konfiguration (vA, vB), vA – vB) und b (siehe oben links Dreieck, das den Koeffizientenwert für symmetrische Konfigurationen (vA, vB), vB vA) im Entscheidungsraum zeigt.