校准设置
在校准设置(Calibration Setup)选项卡中配置校准。我们的示例模型 MarkovCalibration_1a_Fixed_PreCal.trex 的设置如下所示。

设置(Setup)选项卡上需要设置的选项有:
分析类型(Analysis Type):定义您希望在校准中使用的分析类型。
生存表队列(Survival Table Cohort):把马尔可夫模型的生存输出与生存表匹配。
- 这是最常用的选项。
队列(Cohort):在队列分析中把收益值(payoff)输出与目标值匹配。
微观模拟(Microsimulation):在队列分析中把收益值输出与目标值匹配。
- 请注意,校准对微观模拟模型的效力不强,因为模拟的随机性质会造成结果方差,从而掩盖仅由输入值变化所引起的方差。
优化算法(Optimization Algorithm):选择用于校准的算法。
Nelder-Mead 或 BOBYQA:常用的校准算法。
按确定性参数范围(By Deterministic Parameter Ranges):尝试参数范围内所有可能的组合。
每种算法的说明见本节后文。
优化目标(Optimization Goal):定义优化的目标。
最小化(Minimize):最小化模型输出与目标之间的误差。这很可能就是您应当选择的选项。
最大化(Maximize):最大化输出值。
优化阈值(Optimization Threshold):设置阈值,以判定校准何时已找到与目标足够接近的匹配。
相对(Relative):后续各次计算之间的差异。
绝对(Absolute):整体误差函数。
最大计算次数(Max Calculations):校准过程中为寻找目标而执行的最大计算次数。
优化算法
BOBYQA 和 Nelder-Mead 两种算法都通过迭代过程、利用随机特性来确定最优输入值。最后一个选项(按确定性参数范围)则采用确定性方法。
Nelder-Mead: 许多软件包中常用的算法。
Nelder–Mead 方法(也称下山单纯形法、变形虫法或单纯形法)是一种数值方法,用于在多维空间中寻找目标函数(拟合优度函数)的极小值或极大值。它是一种直接搜索方法(基于函数值比较),常用于导数可能未知的非线性优化问题。不过,Nelder–Mead 技术是一种启发式搜索方法,在本可由其他方法求解的问题上,它可能会收敛到非稳定点。
请注意,Nelder-Mead 是一种有效的算法,但当整个参数空间内存在更优的取值组合时,它可能会“卡”在局部极小值或极大值处。
BOBYQA: 往往能避免陷入可能并不代表全局最优的局部最优。
- BOBYQA 代表 Bound Optimization BY Quadratic Approximation(用二次逼近进行有界优化),是一种无导数优化算法,用于在变量有界的条件下最小化函数。它是一种迭代方法,在整个参数空间内(由输入边界定义的信任域)为目标函数构建局部二次逼近以寻找解,无需函数的导数。这使它在目标函数求值代价高昂或噪声较大时特别有用。
按确定性参数范围(By Deterministic Parameter Ranges): 为每个参数使用其范围,并在一个 n 维参数组合网格上分析模型。
- 对 n 维网格内的每一种参数组合都计算模型。
请注意,您也可以把两种随机算法配合使用——先用 BOBYQA 以避免陷入局部极小值,再把校准得到的输入作为 Nelder-Mead 校准的起点。