Alle Modelle zur Beantwortung von Fragen der öffentlichen Gesundheit müssen zunächst mit realen Daten abgeglichen oder "kalibriert" werden, um sicherzustellen, dass die modellsimulierte Dynamik mit den beobachteten Daten übereinstimmt. In diesem Modul werden Sie die grundlegenden Beziehungen zwischen Modellen und Daten betrachten. Anhand des grundlegenden SIR-Modells, das Sie bisher entwickelt haben, werden Sie dieses Modell auf epidemische Daten kalibrieren. Indem Sie diese Kalibrierung von Hand durchführen, lernen Sie, wie die Modellparameter angepasst werden können, um reale Daten zu erfassen.

In der Praxis wird die Modellkalibrierung für kompartimentäre Modelle selten von Hand vorgenommen. Vielmehr konstruieren wir eine Funktion, die die Anpassungsgüte zwischen dem Modell und den Daten zusammenfasst, und verwenden dann verfügbare Computeralgorithmen, um diese Anpassungsgüte zu maximieren. In den nächsten beiden Modulen lernen Sie zwei einfache Ansätze zur computergestützten Modellkalibrierung kennen: den Least-Squares-Ansatz und den Maximum-Likelihood-Ansatz. Sie werden Modellkalibrierungen mit jedem dieser Ansätze in R durchführen.

Bitte beachten Sie, dass die Lernergebnisse in diesem und im letzten Modul identisch sind. In der Praxis wird die Modellkalibrierung für kompartimentäre Modelle selten von Hand durchgeführt. Vielmehr konstruieren wir eine Funktion, die die Anpassungsgüte zwischen dem Modell und den Daten zusammenfasst und verwenden dann verfügbare Computeralgorithmen, um diese Anpassungsgüte zu maximieren. In diesen beiden Modulen lernen Sie zwei einfache Ansätze zur computergestützten Modellkalibrierung kennen: den Least-Squares-Ansatz und den Maximum-Likelihood-Ansatz. Sie werden Modellkalibrierungen mit jedem dieser Ansätze in R durchführen.