Mô phỏng monte carlo là gì? Các công bố khoa học về Mô phỏng monte carlo

Khả năng phát hiện và ước lượng chính xác cường độ của các hiệu ứng tương tác là những vấn đề quan trọng có tính nền tảng trong nghiên cứu khoa học xã hội nói chung và nghiên cứu Hệ thống Thông tin (IS) nói riêng. Trong lĩnh vực IS, một phần lớn nghiên cứu đã được dành để xem xét các điều kiện và bối cảnh mà trong đó các mối quan hệ có thể thay đổi, thường dưới khung lý thuyết tình huống (xem McKeen et al. 1994, Weill và Olson 1989). Trong khảo sát của chúng tôi về các nghiên cứu như vậy, phần lớn không thể phát hiện hoặc cung cấp ước lượng về kích thước hiệu ứng. Trong các trường hợp mà kích thước hiệu ứng được ước tính, các số liệu thường nhỏ. Những kết quả này đã dẫn đến việc một số nhà nghiên cứu đặt câu hỏi về cả tính hữu ích của lý thuyết tình huống và sự cần thiết phải phát hiện các hiệu ứng tương tác (ví dụ, Weill và Olson 1989). Bài báo này giải quyết vấn đề này bằng cách cung cấp một phương pháp mô hình biến khóa tiềm ẩn mới có thể cung cấp các ước lượng chính xác hơn về các hiệu ứng tương tác bằng cách tính đến lỗi đo lường làm giảm xói mòn các mối quan hệ ước tính. Năng lực của phương pháp này trong việc phục hồi các hiệu ứng thực tế so với hồi quy tổng hợp được chứng minh qua một nghiên cứu Monte Carlo tạo ra một tập dữ liệu giả lập trong đó các hiệu ứng thực sự bên dưới được biết đến. Phân tích một tập dữ liệu thực nghiệm thứ hai cũng được bao gồm để chứng minh việc áp dụng kỹ thuật này trong lý thuyết IS. Trong phân tích thứ hai này, các hiệu ứng trực tiếp và tương tác đáng kể của sự thích thú đối với việc áp dụng thư điện tử được chỉ ra là tồn tại.

Tự tương quan trong tuyển cá và dữ liệu môi trường có thể làm phức tạp sự suy diễn thống kê trong các phân tích tương quan. Để giải quyết vấn đề này, các nhà nghiên cứu thường điều chỉnh các thủ tục kiểm định giả thuyết (ví dụ: điều chỉnh bậc tự do) để tính đến tự tương quan hoặc loại bỏ tự tương quan bằng cách tiền làm trắng hoặc chênh lệch lần đầu trước khi phân tích. Tuy nhiên, hiệu quả của các phương pháp điều chỉnh thủ tục kiểm định giả thuyết vẫn chưa được nghiên cứu đầy đủ một cách định lượng. Do đó, chúng tôi đã so sánh một số phương pháp điều chỉnh thông qua mô phỏng Monte Carlo và phát hiện rằng một phiên bản sửa đổi của các phương pháp này giữ tỷ lệ lỗi loại I gần với . Ngược lại, các phương pháp loại bỏ tự tương quan kiểm soát tốt tỷ lệ lỗi loại I nhưng có thể trong một số trường hợp làm tăng tỷ lệ lỗi loại II (xác suất không phát hiện được một số ảnh hưởng từ môi trường) và do đó giảm sức mạnh thống kê, so với việc điều chỉnh quy trình kiểm tra. Cụ thể, các mô phỏng Monte Carlo của chúng tôi cho thấy rằng tiền làm trắng và đặc biệt là chênh lệch lần đầu làm giảm sức mạnh trong các tình huống phổ biến, khi các quá trình tần số thấp (thay đổi chậm) là những nguồn quan trọng của sự tương quan trong tuyển cá hoặc trong các biến môi trường. Ngược lại, việc loại bỏ tự tương quan có thể gia tăng sức mạnh khi các quá trình tần số thấp chỉ chiếm một phần sự tương quan. Vì vậy, chúng tôi khuyên các nhà nghiên cứu nên xem xét cẩn thận tầm quan trọng của các thang thời gian khác nhau của biến động khi phân tích dữ liệu có tự tương quan.

Dựa trên một số lượng lớn các thí nghiệm mô phỏng Monte Carlo trên một mạng lưới đều đặn, chúng tôi so sánh các tính chất của kiểm tra Moran's I và kiểm tra nhân tử Lagrange đối với phụ thuộc không gian, tức là đối với cả tự tương quan lỗi không gian và biến phụ thuộc được suy rộng không gian. Chúng tôi xem xét cả độ chệch và sức mạnh của các bài kiểm tra cho sáu cỡ mẫu, từ hai mươi lăm đến 225 quan sát, cho các cấu trúc khác nhau của ma trận trọng số không gian, cho nhiều phân bố lỗi bên dưới, cho các ma trận trọng số được chỉ định sai, và cho tình huống khi có hiệu ứng ranh giới. Kết quả cung cấp chỉ số về các cỡ mẫu mà các tính chất tiệm cận của các bài kiểm tra có thể được xem là có hiệu lực. Chúng cũng minh họa sức mạnh của các bài kiểm tra nhân tử Lagrange để phân biệt giữa phụ thuộc không gian thực chất (trễ không gian) và phụ thuộc không gian như một phiền nhiễu (tự tương quan lỗi).

Mục tiêu chính của nghiên cứu này là đánh giá và so sánh hiệu suất của các thuật toán học máy (ML) khác nhau, cụ thể là Mạng Nơron Nhân Tạo (ANN), Máy Học Tăng Cường (ELM) và thuật toán Cây Tăng Cường (Boosted), khi xem xét ảnh hưởng của các tỷ lệ đào tạo đối với kiểm tra trong việc dự đoán độ bền cắt của đất, một trong những tính chất kỹ thuật địa chất quan trọng nhất trong thiết kế và xây dựng công trình. Để thực hiện điều này, một cơ sở dữ liệu gồm 538 mẫu đất thu thập từ dự án nhà máy điện Long Phú 1, Việt Nam, đã được sử dụng để tạo ra các bộ dữ liệu cho quá trình mô hình hóa. Các tỷ lệ khác nhau (tức là 10/90, 20/80, 30/70, 40/60, 50/50, 60/40, 70/30, 80/20, và 90/10) đã được sử dụng để chia bộ dữ liệu thành bộ dữ liệu đào tạo và kiểm tra nhằm đánh giá hiệu suất của các mô hình. Các chỉ số thống kê phổ biến, chẳng hạn như Lỗi Bình Phương Trung Bình (RMSE), Lỗi Tuyệt Đối Trung Bình (MAE) và Hệ Số Tương Quan (R), đã được sử dụng để đánh giá khả năng dự báo của các mô hình dưới các tỷ lệ đào tạo và kiểm tra khác nhau. Ngoài ra, mô phỏng Monte Carlo đã được thực hiện đồng thời để đánh giá hiệu suất của các mô hình đề xuất, có tính đến ảnh hưởng của lấy mẫu ngẫu nhiên. Kết quả cho thấy mặc dù cả ba mô hình ML đều hoạt động tốt, nhưng ANN là mô hình chính xác nhất và ổn định nhất về mặt thống kê sau 1000 lần mô phỏng Monte Carlo (R Trung Bình = 0.9348) so với các mô hình khác như Boosted (R Trung Bình = 0.9192) và ELM (R Trung Bình = 0.8703). Điều tra về hiệu suất của các mô hình cho thấy khả năng dự báo của các mô hình ML bị ảnh hưởng lớn bởi các tỷ lệ đào tạo/kiểm tra, trong đó tỷ lệ 70/30 thể hiện hiệu suất tốt nhất của các mô hình. Một cách ngắn gọn, kết quả được trình bày ở đây thể hiện một cách thức hiệu quả trong việc lựa chọn các tỷ lệ dữ liệu phù hợp và mô hình ML tốt nhất để dự đoán chính xác độ bền cắt của đất, điều này sẽ hữu ích trong các giai đoạn thiết kế và kỹ thuật của các dự án xây dựng.