Gerçek veriler kullanılarak dinamik modellerde neden-sonuç ilişkilerinin çıkarımı

Sistem dinamiği yönteminde model kurma zamanını ve modelin öznelliğini azaltacağı için veri analizi olabildiğince uygulanmaya çalışılmaktadır. Bu çalışmada, modellerdeki (1) nedensel etkilerin işaretlerinin ve (2) stok değişkenlerinin belirlenmesi incelenmiştir. Nedensel etkilerin işaretlerinin belirlenmesi için discoverpolarity adlı bir algoritma oluşturulmuş ve yedi veri kümesi ile test edilmiştir. Sonuçlar Spearman'ın korelasyon analizi ile karşılaştırılmıştır. Algoritmadaki katsayılar uygun bir şekilde seçildiğinde ve veri kümesi yeterince zengin olduğunda, discoverpolarity korelasyon analizinden daha iyi sonuçlar bulmuş ve anlamlı ve pratik sonuçlar döndürmüştür. Ancak, veri kümesi tamamen benzer-ilintili verilerden oluştuğunda, discoverpolarity birden fazla sonuç döndürmektedir. Buna ek olarak, model kurucu algoritma için uygun eşik değerlerine kendisi karar vermelidir. İleriki çalışmalarda, algoritmayı girdi değişkenlerine ve varsayımlarına daha az hassas hale getirmeyi amaçlamaktayız. Sentetik veri ile yeterince analiz yaptıktan sonra gerçek verilerle algoritmayı çalıştırmayı hedeflemekteyiz. Son olarak, algoritmayı geliştirerek nedensel ilişkilerin matematiksel şekillerini de bulmayı planlamaktayız. Tezin ikinci, stok değişkenlerinin belirlenmesi amacına yönelik ise, curvefitting adlı algoritma oluşturulduktan sonra sonuçlarını doğrulamak için sentetik veri ile test edilmiştir. Bu yöntem üç farklı örnekte uygulanmış ve sınırlı koşullarda curvefitting'in doğru stokları bulduğu gözlemlenmiştir. İleriki çalışmalarda, hangi monoton ilişkilerde algoritmanın sonuç döndürdüğünü kategorize etmeyi planlamaktayız. Ek olarak, algoritmayı geliştirerek çoklu sebep değişken- leriyle de analiz yapabilmeyi hedeflemekteyiz.