Onder verantwoordelijkheid van hoogleraar Peter van Bodegom modelleert het Centrum voor Milieubiologie van de Universiteit van Leiden onder meer de waterkwaliteit voor Nederland als geheel op basis van lokale metingen. Hij beschrijft de drie basisvarianten van modellen. Alle vormen hebben als doel informatie te ontdekken. Van Bodegom wijst op het belang van duidelijkheid over de onzekerheid die niet los te maken is van de gewenste informatie.
Computermodellen worden voor grofweg drie doeleinden ontwikkeld: om te beschrijven, om te verklaren (of begrijpen) of om te voorspellen. Meestal heb je voor elk van deze drie doeleinden een andere aanpak en model nodig.
Beschrijven
Beschrijvende modellen kunnen heel empirisch zijn. Je hoeft niet alle oorzakelijke mechanismen goed te kennen als je het fenomeen maar goed beschrijft. In dat geval is een puur statistische beschrijving van de patronen voldoende. Het klassieke voorbeeld van een beschrijvend model is het aantal geboortes in een regio dat uitstekend te beschrijven was aan de hand van het aantal ooievaars - omdat beiden gelinkt zijn aan een bepaalde manier van agrarisch landgebruik. Maar dat betekent niet dat baby’s door ooievaars gebracht worden.
Het aantal geboortes in een regio kun je uitstekend beschrijven aan de hand van het aantal ooievaars, maar dat betekent niet dat baby’s door ooievaars gebracht worden
Verklaren
Voor verklarende modellen wil je het omgekeerde weten. Je wilt juist onderzoeken in hoeverre mechanismen, op basis van theoretische uitgangspunten, het fenomeen waarin je geïnteresseerd bent correct kunnen beschrijven. Met theoretische modellen onderzoek je het relatieve belang van deze mechanismen en daarmee in hoeverre je de ‘werkelijkheid’ begrijpt.
Voorspellen
Bij voorspellende modellen gebruik je een model om een uitspraak te doen over een fenomeen in de toekomst of op een andere plek. In het ideale geval gebruik je hiervoor een verklarend model. Dat doe je onder de aanname dat de mechanismen die je hebt gevonden ook op een andere plek of tijd van toepassing zijn. Vaak zijn echter de variabelen die in een verklarend model gebruikt zijn heel slecht meetbaar (voor voor verklarende modellen is dat ook niet belangrijk). Of ze zijn alleen meetbaar onder een beperkt aantal condities terwijl je er niet zomaar van mag uitgaan dat ze constant zijn. In dat geval benader je het vooronderstelde mechanisme zo goed mogelijk met variabelen die je wel kunt meten of voorspellen.
Beschrijvende en voorspellende modellen worden ontwikkeld om fenomenen gemiddeld (!) goed te beschrijven
Doel bepaalt eisen aan model
Dit betekent dat de totstandkoming en de eisen die je moet stellen aan de robuustheid van het model, maar ook de interpretatie van de uitkomsten, afhangen van het doel dat je hebt. Dat doel is het ontdekken van cruciale informatie. Dat geldt voor zowel gebruikers als ontwikkelaars. Een beschrijvend model gebruiken voor voorspellingen is vaak niet robuust omdat empirische relaties vaak slecht extrapoleerbaar zijn. Theoretische modellen zijn vaak te onzeker omdat de variabelen slecht bekend zijn.
Gemiddelde beschrijving
Beschrijvende en voorspellende modellen worden ontwikkeld om fenomenen gemiddeld (!) goed te beschrijven. Lokaal kunnen er over- of onderschattingen zijn, de zogeheten modelonzekerheid. Die ontstaat omdat bepaalde (lokale) processen niet in de modellen gevat zijn. Soms omdat niet alle (lokale) mechanismen goed bekend zijn. En soms omdat de variabelen die lokale processen beschrijven niet op een groter schaalniveau voldoende kwantitatief beschikbaar zijn. Daarom is het van groot belang dat modelbouwers ook de lokale modelonzekerheden aangeven. Het feit dat velen het lastig vinden om onzekerheid te interpreteren, mag daar niets aan afdoen.
Geschreven door Peter van Bodegom op FoodLog