Microsimulation has gained attention for its use in analyzing and forecasting the individual impacts of alternative economic and social policy measures. In practice, however, microsimulation cannot be carried out from a single data source, since it requires far more information than any single data source can provide. This paper discusses ways to combine separate data sources when there are no identical key variables, using imputation techniques, to make a large but synthetic data source for microsimulation. A new approach based on propensity score matching is suggested and discussed.
Mikrosimulationsmodelle stellen geeignete Instrumente zur Abschätzung sozioökonomischer Auswirkungen alternativer Entscheidungsmöglichkeiten dar. Wesentliche Charakteristika von Mikrosimulationsmodellen sind die Disaggregierung größerer Systeme in Mikrokomponenten, vor allem in Entscheidungseinheiten (Individuum, Familie, Firma etc.), die Berücksichtigung entscheidungsrelevanter Umweltbedingungen und die Verwendung von Verhaltensmodellen, die sowohl die Attribute der Mikrokomponenten als auch die Umweltbedingungen erfassen. Tests mit historischen Daten ermöglichen die Überprüfung der Validität der verwendeten Verhaltensmodelle. Zur Abschätzung von Folgen politischer Entscheidungen müssen hierzu noch Hypothesen treten, die Aussagen über Kausalzusammenhänge zwischen einzelnen Variablen treffen. Ein geeignetes Anwendungsfeld für Mikrosimulation bietet vor allem die Sozialberichterstattung. Vorteile der Mikrosimulation liegen hier in der direkten Abbildung von Personen, Familien und Lebensgeschichten sowie dem erreichbaren Grad an Komplexität und Vielschichtigkeit. Die Problematik von Mikrosimulationsmodellen liegt in der Kostenfrage und einer Reihe möglicher Fehlerquellen bei der Modellkonstruktion (Stichprobe, "Monte Carlo Variation", Verhaltensprämissen). Abschließend weist der Verfasser auf mögliche Anwendungsbereiche von Mikrosimulation hin und diskutiert die Möglichkeit einer Kombination von Mikro- und Makromodellen. (WZ)
Résumé Van Imhoff (Evert), Post (Wendy). - Méthodes de micro-simulation pour des projections de population La micro-simulation se distingue de la macro-simulation traditionnelle, en utilisant un échantillon plutôt que la population totale, en travaillant au niveau de données individuelles plutôt que de données agrégées, et en se basant sur des expériences aléatoires répétées plutôt que sur des nombres moyens. Nous présentons ici les circonstances sous lesquelles la micro-simulation peut être plus intéressante que des méthodes plus conventionnelles. Elle est particulièrement appropriée si les résultats du processus étudié sont complexes, tandis que les forces qui lui sont sous-jacentes sont simples. Un problème difficile en micro-simulation vient de ce que les projections sont sujettes à des variations aléatoires. Diverses sources d'aléas sont présentées, mais la plus importante est ce que nous appelons l'aléa de spécification : plus on introduit de variables explicatives dans le modèle, plus le degré d'aléa, auquel les sorties du modèle sont sujettes sera important. Après une revue rapide des modèles de micro-simulation qui existent en démographie, plusieurs des caractéristiques essentielles de la micro-simulation sont illustrées avec le modèle KINSIM, pour projeter la taille et la structure des réseaux de parenté futurs.
Dans cet article, nous présentons un modèle de microsimulation qui permet de générer des histoires de vie individuelles cohérentes avec les projections de cohortes obtenues par le modèle multi-états à composantes de cohorte. Le modèle de microsimulation peut prendre en compte des différences individuelles que le modèle à composantes de cohorte ne peut traiter. Ces différences sont dues à une association de facteurs systématiques et de facteurs aléatoires. Nous nous intéressons principalement aux facteurs aléatoires. Le modèle de microsimulation utilise un modèle de survie de cohorte multi-états à temps continu et des tirages aléatoires à partir de distributions de temps d'attente exponentielles par morceaux. Si on prend comme paramètres des distributions les intensités de transition du modèle de survie de cohorte, les histoires de vie individuelles sont cohérentes avec les projections de cohorte. Les histoires de vie apportent un éclairage sur la dynamique démographique que la méthode des composantes ne peut proposer.
In the context of integrated transportation and other urban engineering infrastructure systems, there are many examples of markets, where consumers exhibit price-taking behavior. While this behavior is ubiquitous, the underlying mechanism can be captured in a single framework. Here, we present a microsimulation framework of a price-taker market that recognizes this generality and develop efficient algorithms for the associated market-clearing problem. By abstracting the problem as a specific graph theoretic problem (i.e., maximum weighted bipartite graph), we are first able to exploit algorithms that are developed in graph theory. We then explore their appropriateness in terms of large-scale integrated urban microsimulations. Based on this, we further develop a generic and efficient clearing algorithm that takes advantage of the features specific to urban price-taker markets. This clearing solution is then used to operationalize two price-taker markets, from two different contexts, within a microsimulation of urban systems. The initial validation of results against the observed data generally shows a close match.
