Neurale Netzwerke optimieren Parameterbestimmung in Arbeitsmarkt-Modellen

Agentenbasierte Modelle (ABM) sind ein beliebtes Werkzeug, um komplexe Systeme zu simulieren. Durch die rasante Entwicklung von Rechenleistung und Speicherplatz können ABM inzwischen in vielen Bereichen eingesetzt werden, doch die präzise Schätzung ihrer Parameter bleibt eine große Herausforderung. Insbesondere bei groß angelegten Modellen erschwert die begrenzte Rechenkapazität die Erkundung des gesamten Parameterraums.

In der vorliegenden Studie wird ein hochmodernes, simulationsbasiertes Inferenz-Framework (SBI) vorgestellt, das neuronale Netzwerke (NN) zur Parameterbestimmung nutzt. Das Verfahren wird auf ein etabliertes Arbeitsmarkt‑ABM angewendet, das auf Netzwerken von Jobwechseln basiert. Das Modell wird sowohl mit synthetischen Datensätzen als auch mit realen Daten des US-Arbeitsmarktes gestartet.

Die Autoren vergleichen die Effektivität von klassischen Zusammenfassungsstatistiken – einer Liste statistischer Messgrößen – mit denen, die von einem eingebetteten neuronalen Netzwerk gelernt werden. Die Ergebnisse zeigen, dass der NN‑basierte Ansatz die ursprünglichen Parameter zuverlässig rekonstruiert, wenn die Posteriorverteilungen über verschiedene Datensatzgrößen hinweg ausgewertet werden. Darüber hinaus verbessert die Methode die Effizienz deutlich im Vergleich zu herkömmlichen bayesschen Verfahren.