Integroivat menetelmät - Bayes-verkot

Transkriptio

1 Integroivat menetelmät - Bayes-verkot Päivi Haapasaari

2 Esityksen sisältö Integroinnin tarve Mikä on Bayesmenetelmä? Teoria: Bayesmenetelmän tieteenfilosofinen perusta luonnontieteiden ja ihmistieteiden näkökulmasta Käytäntö: Sovelluksia Mentaaliset mallit / ongelmanmäärittely eri näkökulmista Päätösanalyysi luonnonvarojen käytön hallinnassa Ihmisen toiminnan epävarmuus päätöksenteon näkökulmasta integroiva malli Harjoitus

3 Integroinnin tarve Kompleksit ympäristöongelmat: epävarmuus, tulkinnanvaraisuus, arvot Ymmärtäminen - Kontrolloitavuus Kestävät hyväksytyt päätökset > Holistinen tarkastelu Eri näkökulmien / eri tyyppisen tiedon tarkastelu toistensa valossa tieteenalat, toimijat, riskit ja epävarmuudet, faktat ja arvot, tavoitteet Esim. Funtowicz & Ravetz: Post-normal science (tiede-päätöksentekoyhteiskunta, tieteenalat, akateeminen ja käytännön tieto) Tieteidenvälisyys (vs. monitieteisyys) Luonnontieteet, taloustiede, yhteiskuntatieteet Erot tieteenalojen välillä usein hankaluutena Käytännöt, paradigmat, menetelmät, kieli > kommunikointiongelmat Institutionaaliset puitteet Integroivat menetelmät > silta eteenalojen välille Yhteisen alueen, kielen ja sillan löytäminen ja käyttöönotto vaatii paradigman joustavuutta

4 Thomas Bayes Bayes-verkot 1990-luvulta lähtien eri tieteenaloilla (luonnontieteet, insinööritieteet, lääketiede, arkeologia, neurotieteet ) Tietokoneohjelmat Kompleksit metamallit Integroivat sovellukset ml. yhteiskuntatieteet seuraava kehittämisen paikka Jäsentää ja määrittelee ongelman muuttujiksi ja niiden välisiksi syyseuraussuhteiksi (kvalitatiivinen, graafinen) > päättelyketju, vrt. lääkärin diagnoosi Voimakkuudet kuvataan useimmiten ehdollisilla todennäköisyysjakaumilla (kvantitatiivinen) > kuvaa epävarmuutta eksplisiittisesti Jos jostakin muuttujasta saadaan uutta tietoa, todennäköisyyslaskenta (Bayes-kaava) päivittää muut ehdollistetut muuttujat > miten muutos yhdessä muuttujassa vaikuttaa muihin muuttujiin

5 Bayes-päättely

6 Bayes-teoria pähkinänkuoressa Mittaa epävarmuutta todennäköisyyksillä ja laskee epävarmojen muuttujien vaikutusta toisiinsa todennäköisyyslaskennan avulla (Bayes-kaava) Päivittää olemassa olevaa tietoa (a priori) uudella tiedolla > a posteriori tieto > oppiminen Todennäköisyys ei objektiivinen ( True probability does not physically exist ) vaan subjektiivinen (degree of belief) uskomusaste, riippuu siitä mitä tiedetään > todennäköisyydellä ei ole universaalia totuutta joka tieteen pitäisi löytää Data malliin voi tulla uudesta kokeellisesta tutkimuksesta, kirjallisuudesta, aiemmista malleista, tilastoista, eksperteiltä

7 Eroaa klassisesta frekventistisestä tilastotieteestä (objektiivisuus, suuret otokset, toistokokeet, harhaton analyysi ) luonnontieteissä frekventistit ja bayeslaiset

8 P. Haapasaari

9 Epävarmat muuttujat

10 Päätös- ja hyötymuuttujat Decision Uncertain Baltic Main Basin herring: framing the problem Time frame: Annual dynamics Manag. Measures for cod TAC Manag. Measures for sprat Fish.mort Seas.&spatial closure on Sp. grounds SSB not affecting Recr. (H-stick) Keep herring pop..on certain level Cod Sprat Size distribution Growth Biomass Natural Mort. Number of fish Survival of eggs Stomach sampling Size dist. In catch Catch in weight Catch in numbers Scientific surv. Observer 10 P. Haapasaari

11 Bayes-ajattelun epistemologinen perusta ja yhteiskuntatieteet Subjektiivisuus degree of belief Konstruktivismi (tiedon sosiaalisesti rakentunut luonne tieto on ihmisen sosiaalisessa kontekstissaan, vuorovaikutuksessa tuottamaa ja siksi suhteellista) Hermeneutiikka, tulkinnan teoria, hermeneuttinen kehä (Heidegger, Gadamer): tieto on prosessi jossa ihmiset jatkuvasti päivittävät ymmärrystään maailmasta Priori: Rajoittuneen horisontin rajoittunut esiymmärrys ( historiallisesti ja sosiokulttuurisesti muotoutunut tieto(isuus)) Posteriori: Horisonttien fuusio johtaa uuteen ymmärrykseen ymmärtäminen ja tulkinta analyysissä Integroivat menetelmä t: tieteidenvälinen / erilaisten tiedonpalasten fuusio

12 Bayes-verkot tiedon integroinnissa Menetelmän avulla voidaan linkittää toisiinsa eri tieteenalojen tuottamaa tietoa (epävarmuuksia) joita pidetään relevantteina ongelmanratkaisun kannalta > mahdollistaa oppimisen tieteenalojen välillä ja eri tyyppisen tiedon integroinnin Esim. biologinen data voidaan linkittää ihmistieteellisen kvalitatiivisen tutkimuksen tulosten kanssa, tai asiantuntijatiedon kanssa Todennäköisyydet yhteisenä kielenä Kompleksit ongelmat: Tietokoneohjelmat ja tekniikat Mallit aina vajavaisia > puuttuvat osat otetaan huomioon suurempina epävarmuuksina ja keskustelussa tuloksista ja johtopäätöksistä Malli tekijänsä näköinen: laaja vertaisarviointi tai osallistava mallinnus tuo kriittisyyttä ja uusia näkökulmia Mallin päivittäminen mahdollistaa oppimisen sekä horisontaalisesti (tieteidenvälisesti) että vertikaalisesti (aiemmat tutkimukset) P. Haapasaari

13 Esimerkki 1: Itämeren pääaltaan silakkakannan hoitoon, kalastukseen ja sen säätelyyn liittyvä ongelmanmäärittely mentaaliset mallit Osallistava mallinnus: 2 tutkijaa, manageri, kalastaja, ympäristöjärjestön edustaja > 5 näkökulmaa Oma mallinnustyöpaja jokaiselle 5 erilaista mallia (ryhmädynamiikan vaikutus pois) Vaikutuskaaviot P. Haapasaari

14 Decision Uncertain Utility Baltic Main Basin herring: framing the problem Time frame: Annual dynamics Closed areas /seasons Gear regulations TAC State of economy Dist. Of TAC Market situation Growth Natural Mort. Survival of eggs Size distribution Biomass Number of fish Size dist. In catch Catch in weight Catch in numbers Feedback! Number of fishermen Price of fish Type of processing Fishing capacity Price of fuel Fishing effort Gear cost Fishing cost Average salary for fiehermen, stable over years. Nation specific Forever, uncertain value Fishing tax Port costs

15 Decision Uncertain Baltic Main Basin herring: framing the problem Time frame: Annual dynamics Manag. Measures for cod TAC Manag. Measures for sprat Seas.&spatial closure on Sp. grounds Fish.mort Keep herring pop..on certain level SSB not affecting Recr. (H-stick) Cod Sprat Size distribution Growth Biomass Natural Mort. Number of fish Survival of eggs Stomach sampling Size dist. In catch Catch in weight Catch in numbers Scientific surv. Observer 15 P. Haapasaari

16 Ongelmanmäärittelyn merkitys Rakenteellinen epävarmuus: vaihtoehtoiset vaikuttavat tekijät ja kausaliteetit, lisää ymmärrystä Säätelytavoitteiden määrittely ja priorisointi eri näkökulmista (eksplisiittiset tavoitteet välttämättömät menestyksekkäälle säätelylle) Pohja säätelytoimenpiteiden vaikutuksen pohtimiselle Huomio eri toimijoiden päättelylogiikkaan: mitkä asiat ihmiset näkevät samoin, mitkä eri tavoin Helpottaa kommunikointia Havainnollinen jäsennelty pohja keskustelulle

17 Ongelmanmäärittelyn merkitys Holistinen kompleksien systeemien ja laajojen kokonaisuuksien strukturointi Biologisten kysymysten hahmottaminen suhteessa sosiaalisiin ja taloudellisiin Tutkimuksen priorisointi: mitä tietoa / minkä tieteenalan/alojen tutkimusta tarvitaan ongelman ratkaisemiseksi? Mikä näkökulma puuttuu?

18 Esimerkki 2. Kalastajaryhmien sitoutuminen kestävään kalastukseen ja mahdollisuudet parantaa sitoutumista Mitkä tekijät määrittävät kalastajien sitoutumista lohikantojen vahvistamiseen, missä määrin sitoutuminen vaikuttaa kalastamiseen, ja miten sitoutumista voitaisiin parantaa Eri toimenpiteiden hyödyt suhteessa sitoutumiseen Tavoitteena pystyä ennakoimaan P. Haapasaari kalastajien käyttäytymistä

19 Menetelmät & prosessi

20 BIREME SAP project: Model structure Knowledge action Commitment action Management action of fishing Way of fishing of justice Sense of justice Belief in wild salmon in river condition Belief in river condition in actors Trust in actors Trust in m Conf. in management of equipment Value of equipment t Commitment Commitment Catch Salmon abundance

21 Mallinnuksen anti? Mallin avulla pystyttiin demonstroimaan, miten kalastajien erilaiset näkemykset vaikuttavat heidän toimintaansa ja miten ne voidaan ottaa huomioon päätöksenteossa Osoitettiin, miten kvalitatiivisessa muodossa olevat kalastajien näkemykset voitiin muuntaa kvantitatiiviseen muotoon ja sisällyttää päätösmalliin

22 Taulukko: numeeriset ja verbaaliset todennäköisyydet (Druzdzel 1996) 0.0 impossible never very unlikely very rarely unlikely rarely fairly unlikely fairly rarely less likely than not less often than not 0.5 as likely as not as often as not more likely than not more often than not fairly likely fairly often likely commonly very likely very commonly 1.0 certain always

23 Esimerkki 3. Toimijaryhmien sitoutuminen Itämeren lohen pitkän aikavälin tavoiteohjelmavaihtoehtoihin Kalastajaryhmien näkökulma neljään vaihtoehtoiseen tavoiteohjelmaan Mikä säätely kannattaa toteuttaa jotta lopputulos mahdollisimman hyvä (= säätely toteutuu suunnitellusti, implementaatiovarmuus)

24 Aineiston keruu ja analyysi Otos: Avaininformantit (asiantuntijat) kolmesta kalastajaryhmästä kahdeksassa Itämeren maassa Asiantuntijatiedon uskottiin olevan parempi kuin satunnaisotoksella valitut vastaajat Ekspertiisin määrittely Ei mahdollisuutta haastatteluihin > lomakekysely (webropol) Ositettu tarkoituksenmukainen otanta (Stratified purposeful sampling) Strukturoidut ja avoimet kysymykset Analyysi: kvantitatiivinen (Bayes-verkot) ja kvalitatiivinen > triangulaatio

25 Vastaajat 29 informanttia 6 maassa osallistui otos katsottiin riittäväksi: (1) kaikki olivat asiantuntijoita eivätkä satunnaisesti valittuja vastaajia (2) metodologia sallii pienten aineistojen käytön (3) avoimet kysymykset oli huolellisesti täytetty ja sallivat kvantitatiivisen aineiston vertaamisen (4) tarkoitus oli ymmärtää asiantuntijoiden näkemyksiä ja muuttaa ne todennäköisyyksiksi, ei tarkastella tilastollisia riippuvuuksia.

26 Kysymykset Avoimet kysymykset Millaisia olisivat pitkän aikavälin säätelyvaihtoehdon (A/B/C/D) vaikutukset ryhmälle x jota edustat? Strukturoidut kysymykset Mikä on edustamasi ryhmän näkemys pitkän aikavälin säätelyvaihtoehtoon B? Olisiko se hyvä vaihtoehto/jokseenkin hyvä/ei hyvä/mahdoton.

27 Analyysi Rakennettiin Bayes-verkko joka kuvasi eri kalastajaryhmien sitoutumista eri vaihtoehtoihin eri maissa Vastaukset strukturoituihin kysymyksiin yhdistettiin, ja ehdolliset todennäköisyysjakaumat käsiteltiin multinomijakaumina niin, että prioriepävarmuus noudatti Dirichleen jakaumaa. Posteriorijakaumat laskettiin priorijakaumien ja havaintojen summana. Vastaukset avoimiin kysymyksiin analysoitiin kvalitatiivisesti (QSR NVivo). mallinnuksen tulkinta, tulosten vertailu, mallinnustulosten uskottavuuden arviointi

28 Sitoutumista kuvaava Bayesverkko Sitoutuminen kuvattiin todennäköisyyksinä!

29 Mallinnuksen anti Huomioi implementaatioepävarmuuden ja tavoitteiden saavuttamisen > edistää suunnitteluprosessin onnistumista Positiivinen viesti managereilta kalastajille että heidän näkemyksensä on otettu huomioon ja että niillä on merkitystä Ei korvaa dialogia, mutta luo lähtökohdan ja fokuksen keskustelulle Sitoutuminen kuvattiin kvantitatiivisessa muodossa todennäköisyyksinä > voitiin yhdistää biologisen ja ekonomisen tiedon kanssa ja evaluoida integroidusti

30 Esimerkki 4: Tieteidenvälinen päätösmalli Haluttiin evaluoida vaihtoehtoisia Itämeren lohikantojen pitkän aikavälin tavoiteohjelmia integroidusti Rakennettiin Bayes-malli, johon sisällytettiin 1) biologinen kanta-arvio, 2) bioekonominen ammattikalastuksen optimointianalyysi, 3) virkistyskalastuksen arvottamistutkimus ja 4) sosiologinen analyysi kalastajien sitoutumisesta vaihtoehtoisiin tavoiteohjelmiin Tarkoitus yhdistää erillisten tutkimusten tulokset ja arvioida eri päätösvaihtoehtoja suhteessa eri tavoitteisiin ja epävarmuuksiin

31 Integrointi vaati. Bio-ekonominen mallinnus: Neljän päätösvaihtoehdon (kalastuksen rajoittaminen) biologisten ja taloudellisten seurausten simulointi (ammattikalastus) kahdelle nuorten lohien selviytymistä kuvaavalle skenaariolle Virkistyskalastuksen analyysi: eri päätösvaihtoehtojen virkistyskalastukselle tuoman hyödyn laskeminen Sosiologinen tutkimus: päätösvaihtoehtojen toimeenpanovarmuuden määrittely suhteessa sitoutumiseen

32 Bayesilainen päätösmalli lohen Social capital:facilitates individual/collective action, emerges from social networks, reciprocity, trust, norms pitkän aikavälin säätelyohjelmaksi

33

34 Success in restoration presumes commitment of all the actors, including fishermen! P. Haapasaari

35 Toimeenpanoepävarmuus No change in effort 25% reduction in effort 50% reduction in effort 75% reduction in effort Committed 100 % 100 % 100 % 100 % Somewhat committed 100 % 80 % 60 % 50 % Slightly not committed 100 % 20 % 10 % 10 % Not committed 100 % 0 % 0 % 0 % Sitoutuminen vaikuttaa toimeenpanon onnistumiseen sitoutumisen ja toimeenpanon suhde määritel in todennäköisyysarvoilla

36 Tuloksia Ammattikalastuksen hyöty: ei vähennystä kalastukseen Biologinen ja virkistyskalastushyöty: 75% vähennys Kalastuksen leikkaaminen 50% tai 75% jos kaikki hyödyt otetaan samanarvoisina huomioon Biol objecteffort reducombinedrecr utilitycomm utilbiol utilitysocial utili 75 % % Both Kaikkien hyötyjen ottaminen huomioon yhtä aikaa vaatisi päätöksiä siitä, miten painotetaan eri hyötyjä

37 Toimeenpanoepävarmuus ühyötyjen erot pienet johtuen toimeenpanoepävarmuudesta üsitoutumisen puute epävarmuus minkä tahansa päätöksen lopputulos näyttää samalta ütulokset joissa oletettiin 100 % sitoutuminen johtivat korkeampiin hyötyarvoihin > päätöksillä näytti olevan suurempi vaikutus üintegroitu malli muutti osatutkimusten tuloksia

38 Tieteidenvälisen mallin anti: Demonstroitiin miten implementaatioepävarmuus vaikutti vaihtoehtoisten säätelyohjelmien tehokkuuteen Demonstroitiin ja mallinnettiin kalastuksensäätelyn monitavoitteista luonnetta Voitiin arvioida vaihtoehtojen hyötyjä sekä erikseen että yhdessä Sitoutumisen ja toimeenpanon onnistumisen merkityksen ja siihen liittyvän tutkimuksen merkityksen korostuminen Osoitti, että Bayes-verkot mahdollistavat eri tyyppisen tiedon ja eri tieteenalojen tutkimustulosten integroimisen

39 P. Haapasaari

40 Kertaus: Bayes-verkot integroivana menetelmänä Subjektiivinen, todennäköisyydet Kompleksit ongelmat: Pienet aineistot, asiantuntijatieto Metamallit Jäsentää kompleksin ongelman: elementit, tiedon tarve, tieteenalat Yhdistää faktat ja arvot Eri tapoja ilmaista kausaalisuhteiden voimakkuutta (+/- /0/epäselvä; nuolen paksuus; todennäköisyydet) Sekä kvalitatiivinen että kvantitatiivinen tieto muunnettavissa todennäköisyyksiksi

41 Harjoitus Tee parin kanssa/ryhmässä mentaalinen malli jostain tutkimusongelmasta satunnaismuuttujat, yhteiskunnalliset, taloudelliset ja luonnon tilaa koskevat tavoitteet, päätösmuuttujat mieti mitä tietoa/tieteenaloja/osaamista tarvittaisiin ratkaisemaan ongelma