🧬 biology

Towards a Unified Framework for Statistical and Mathematical Modeling

Dieses Papier entwickelt einen gemeinsamen Rahmen für statistische und mathematische Modellierung, indem es Konzepte der kausalen Inferenz, insbesondere Identifikation und Schranken, nutzt, um die beiden Traditionen zu integrieren und ihre Interpretation sowie Vergleichbarkeit zu verbessern.

Ursprüngliche Autoren: Paul N Zivich

Veröffentlicht 2026-03-05

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Paul N Zivich

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Ein Brückenbau zwischen zwei Welten: Wie Statistik und Mathematik zusammenfinden

Stellen Sie sich vor, die Wissenschaft ist ein riesiges Haus mit zwei verschiedenen Flügeln. In einem Flügel wohnen die Statistiker, im anderen die Mathematiker. Beide wollen dasselbe: Das Geheimnis der Welt verstehen. Aber sie sprechen unterschiedliche Sprachen und benutzen völlig verschiedene Werkzeuge.

Der statistische Flügel ist wie ein Detektiv, der Spuren sammelt. Er schaut sich an, was in der realen Welt passiert (z. B. „Wer hat die Impfung bekommen und wer ist krank geworden?"), und versucht daraus Muster zu erkennen.
Der mathematische Flügel ist wie ein Architekt oder ein Uhrmacher. Er baut eine theoretische Maschine aus Formeln, um zu erklären, wie etwas funktionieren müsste, basierend auf Regeln der Physik oder Biologie, ohne dass er erst warten muss, ob es in der Realität passiert.

Bislang haben diese beiden Flügel kaum miteinander gesprochen. Paul Zivich, der Autor dieses Papers, möchte nun eine Brücke zwischen ihnen bauen. Er schlägt eine gemeinsame Sprache vor, die auf einem Konzept namens „Identifikation" basiert.

Die gemeinsame Sprache: Der „Suchraum"

Um zu verstehen, wie diese Brücke funktioniert, stellen Sie sich vor, Sie suchen nach einem verlorenen Schlüssel in einem riesigen Feld.

Der große Suchraum (Die Unsicherheit):
Am Anfang wissen wir gar nichts. Der Schlüssel könnte überall liegen. In der Wissenschaft nennen wir diesen Bereich den „Parameter-Raum". Er ist riesig und unübersichtlich.
- Beispiel: Wir wissen nicht, wie gut ein Tetanus-Impfstoff wirkt. Die Wirkung könnte von „gar keine" bis „perfekt" reichen. Das ist unser breiter Suchraum.
Die Statistik als Suchscheinwerfer:
Die Statistiker gehen ins Feld und suchen mit ihren Daten. Sie können nicht jeden Winkel beleuchten, aber sie können sagen: „Der Schlüssel liegt mit ziemlicher Sicherheit in diesem Bereich zwischen A und B." Sie schränken den Suchraum ein. Das nennt man Grenzen setzen (Bounds).
- Die Metapher: Wenn Sie einen Detektiv haben, der sagt: „Der Täter war zwischen 1,70m und 1,90m groß", haben Sie den Kreis der Verdächtigen schon mal verkleinert.
Die Mathematik als Bauplan:
Die Mathematiker bauen einen Modell-Flugzeug. Sie sagen: „Wenn wir die Gesetze der Aerodynamik anwenden, muss das Flugzeug so fliegen." Aber woher wissen sie, welche Zahlen sie in die Formel stecken sollen?
- Hier kommt die neue Idee des Autors: Auch mathematische Modelle können und sollten Suchräume definieren. Anstatt zu sagen „Die Zahl ist genau 5", sagen sie: „Basierend auf unserem Wissen über die Biologie, liegt die Zahl irgendwo zwischen 4 und 6."

Das Herzstück: Der „Fang-Test" (Model-Capture)

Der Autor führt einen neuen Begriff ein: Die „Fang-Annahme" (Model-Capture Assumption).

Stellen Sie sich vor, Sie haben ein Netz (das mathematische Modell) und Sie werfen es über einen Fisch (die wahre Realität).

Ein „leeres" Netz (Vakuum-Modell): Ein Netz, das so weitmaschig ist, dass es alles fängt, egal was da ist. Es sagt uns nichts Neues. Es ist wie ein Netz, das so groß ist, dass es den ganzen Ozean abdeckt. Es ist technisch korrekt, aber nutzlos.
Ein „gutes" Netz (Nicht-leeres Modell): Ein Netz, das enger ist. Es sagt: „Wenn unser Modell stimmt, kann der Fisch nicht hier draußen sein, sondern muss hier drinnen sein."

Der Autor sagt: Ein gutes mathematisches Modell sollte wie ein enges Netz sein. Es sollte bestimmte Werte ausschließen, die unmöglich sind. Wenn das Netz aber zu eng ist und den Fisch gar nicht fängt, dann ist unser Modell falsch.

Ein konkretes Beispiel: Der Blutdruck-Test

Um das Ganze greifbar zu machen, nimmt der Autor ein Medikament gegen Bluthochdruck (Amlodipin).

Die Frage: Senkt das Medikament den Blutdruck?
Der mathematische Ansatz: Er baut eine kleine Maschine aus Formeln. Eine Formel berechnet, wie viel Medikament im Körper ist. Eine andere berechnet, wie das Medikament die Blutgefäße erweitert.
Das Problem: Er weiß nicht genau, wie viel Medikament im Körper bleibt (vielleicht 30%, vielleicht 40%).
Die Lösung nach dem neuen Framework: Er sagt nicht „Es sind 35%". Er sagt: „Basierend auf Studien liegt der Wert zwischen 25% und 40%."
Das Ergebnis: Er rechnet das Modell mit dem niedrigsten Wert (25%) und dem höchsten Wert (40%) durch.
- Ergebnis: Selbst im „schlimmsten" Fall (25%) senkt das Medikament den Blutdruck.
- Das ist mächtig! Es zeigt, dass die Schlussfolgerung robust ist, auch wenn wir die genauen Zahlen nicht kennen.

Warum ist das wichtig?

Bisher haben Mathematiker oft gesagt: „Mein Modell ist wahr, weil die Formeln logisch sind." Und Statistiker sagten: „Mein Modell ist wahr, weil die Daten es zeigen."

Dieses Papier sagt: Lasst uns beide Seiten zusammenbringen.

Wir können mathematische Modelle nutzen, um zu sehen, welche Werte plausibel sind.
Wir können statistische Daten nutzen, um zu prüfen, ob unser mathematisches Netz den „Fisch" wirklich fängt.

Es hilft uns zu verstehen, wo unsere Unsicherheit liegt. Es ist wie eine Landkarte, die nicht nur zeigt, wo wir sind, sondern auch, wie groß das Nebelgebiet ist, in dem wir uns noch befinden.

Fazit

Paul Zivich möchte, dass wir aufhören, Statistik und Mathematik als Feinde oder völlig getrennte Welten zu sehen. Stattdessen sollten wir sie als zwei Werkzeuge betrachten, die sich gegenseitig helfen.

Die Statistik gibt uns die Daten aus der echten Welt.
Die Mathematik gibt uns den logischen Rahmen, um zu verstehen, wie diese Daten zusammenhängen.

Wenn wir diese beiden kombinieren, können wir bessere Fragen stellen, bessere Antworten finden und vor allem besser verstehen, wie sicher wir uns in unseren Antworten sein können. Es ist ein Schritt hin zu einer gemeinsamen Sprache für alle Wissenschaftler, ob sie nun Impfstoffe testen, Klimamodelle bauen oder soziale Trends analysieren.

1. Problemstellung

In den biologischen, physikalischen und sozialen Wissenschaften existieren zwei weitgehend unabhängige quantitative Traditionen:

Statistische (empirische/phanomenologische) Modellierung: Basiert auf Beobachtungsdaten zur Schätzung von Modellparametern (z. B. Regression, strukturelle Gleichungsmodelle, g-Methoden).
Mathematische (mechanistische) Modellierung: Leitet sich aus theoretischen Systemdarstellungen (z. B. Differentialgleichungen, Agenten-basierte Modelle) ab und erfordert nicht zwingend direkte Beobachtungen zur Formulierung der Mechanismen.

Obwohl beide Traditionen das Ziel haben, wissenschaftliches Wissen zu erweitern, verwenden sie unterschiedliche Sprachen und Inferenzrahmen. Es fehlt ein gemeinsamer Rahmen, um diese Ansätze formal zu vergleichen, zu integrieren und die zugrunde liegenden Annahmen beider Methoden transparent zu machen. Insbesondere ist die Definition von „Identifizierbarkeit" (Identifiability) in der mathematischen Modellierung oft unklar, da sie traditionell auf die Schätzung aus Daten ausgerichtet ist, während mathematische Modelle oft rein theoretisch konstruiert werden.

2. Methodik

Der Autor schlägt einen einheitlichen Rahmen vor, der Konzepte aus der kausalen Inferenz (insbesondere aus der statistischen Tradition) nutzt, um mathematische Modelle zu analysieren. Der Kern der Methodik basiert auf dem Konzept der Identifizierung durch Schranken (Bounds).

Interesse-Parameter ( $\psi$ ): Das Ziel ist die Quantifizierung eines kausalen Effekts (z. B. Average Causal Effect, ACE) als numerischer Wert.
Erweiterung der Identifizierung:
- In der statistischen Modellierung bedeutet Identifizierung, den Parameter als Funktion der beobachteten Daten auszudrücken.
- Für mathematische Modelle wird Identifizierung neu definiert als die Aufgabe, den Interesse-Parameter als Funktion der verfügbaren Informationen auszudrücken, wobei sowohl Beobachtungen als auch theoretische Annahmen als „Information" gelten.
Unterscheidung von Modellttypen:
- Vakue (leere) Modelle: Modelle, deren Parameterbereich so gewählt ist, dass sie jeden möglichen Wert des Interesse-Parameters innerhalb des theoretischen Raums ( $\Psi$ ) erzeugen können. Sie liefern keine zusätzlichen Informationen über den wahren Wert, sondern decken nur den gesamten Parameterraum ab.
- Nicht-vakue Modelle: Modelle, die durch ihre strukturellen Annahmen (Wahl der Funktionen) bestimmte Werte des Interesse-Parameters ausschließen, bevor Parameterwerte überhaupt betrachtet werden.
Der „Model-Capture"-Ansatz: Anstatt von einer „korrekten Modellspezifikation" (wie in der Statistik) zu sprechen, führt der Autor den Begriff der Model-Capture-Annahme ein. Diese besagt, dass die gewählten Funktionen die wahren Wahrscheinlichkeiten innerhalb eines definierten Bereichs von Parametern ( $\Theta^*, \Lambda^*$ ) „einfangen" (capturing) können.
Schrankenbildung: Anstatt einen einzelnen Punktwert zu schätzen, werden Schranken (Ranges plausibler numerischer Werte) berechnet.
- $\psi \in [\min \bar{\psi}(\theta, \lambda), \max \bar{\psi}(\theta, \lambda)]$ für $\theta \in \Theta^*, \lambda \in \Lambda^*$ .
- Dies erlaubt eine partielle Identifizierung, wenn exakte Parameterwerte unbekannt sind, aber plausible Bereiche durch externe Evidenz (z. B. klinische Studien, Tiermodelle) definiert werden können.

3. Schlüsselbeiträge

Einheitliche Sprache: Der Artikel etabliert eine gemeinsame Terminologie (basierend auf kausaler Inferenz), um statistische und mathematische Modelle zu vergleichen.
Formalisierung der Identifizierung in mathematischen Modellen: Die Definition von Identifizierung wird von „Schätzung aus Daten" auf „Ausdruck als Funktion verfügbarer Information" erweitert. Dies ermöglicht die Anwendung von Konzepten wie partieller Identifizierung und Schranken auf rein theoretische Modelle.
Konzept des „Model-Capture": Dies ersetzt die oft irreführende Annahme der „korrekten Spezifikation" in mechanistischen Modellen. Es erlaubt eine explizite Diskussion darüber, welche externen Informationen notwendig sind, um Parameterbereiche ( $\Theta^*, \Lambda^*$ ) zu rechtfertigen.
Unterscheidung von Struktur und Parametern: Durch die Einführung „vakuer" Modelle wird klargestellt, dass strukturelle Annahmen (z. B. fehlende direkte Effekte) in der Wahl der Parameter kodiert sein sollten, nicht in der Wahl der Funktionsform, um die Informationsgehalte von Modellen sauber zu trennen.
Lösung von Debatten zur Austauschbarkeit (Exchangeability): Der Autor argumentiert, dass Austauschbarkeit auch in mathematischen Modellen eine Rolle spielt, jedoch nicht durch das Studiendesign (wie bei randomisierten Studien), sondern durch die Generalisierbarkeit der externen Informationen, die zur Rechtfertigung der Parameterbereiche verwendet werden.

4. Ergebnisse (Fallstudie: Amlodipin und Hypertonie)

Der Rahmen wird an einem pharmakodynamischen Modell zur Wirkung von Amlodipin (ein Kalziumkanalblocker) auf den systolischen Blutdruck demonstriert.

Modellaufbau: Ein mechanistisches Modell verbindet die Dosis ( $A$ ) über die effektive Konzentration ( $M$ ) mit dem Blutdruck ( $Y$ ).
Anwendung des Rahmens:
- Das Modell wurde zunächst als „vakue" identifiziert, da die gewählten Funktionen (Hill-Gleichung, Dosis-Wirkungs-Beziehung) theoretisch jeden Wert des ACE im Bereich $[-1, 1]$ erzeugen könnten.
- Durch die Einführung von externen Informationen (Daten aus NHANES für die Basisverteilung, pharmakokinetische Studien aus Südkorea für die Konzentration, pharmakodynamische Studien für die Wirkungsstärke) wurden die Parameterbereiche eingeschränkt ( $\Theta^*, \Lambda^*$ ).
- Ergebnis: Die Berechnung der Schranken ergab $\Psi^* = [0.23, 0.91]$ . Dies deutet auf einen signifikanten protektiven Effekt von Amlodipin hin (Reduktion des Hypertonie-Risikos um 23% bis 91%).
Modellbewertung: Der Rahmen half, Schwachstellen zu identifizieren:
- Kontextunterschiede: Die verwendeten pharmakokinetischen Daten stammten von südkoreanischen Männern mit niedrigem Blutdruck, während das Zielmodell US-amerikanische Erwachsene mit hohem Blutdruck betrifft (Unterschiede im Körpergewicht).
- Unsicherheiten: Die Annahme einer exakten Dosis und eines konstanten Wirkungsmechanismus wurde kritisch hinterfragt.
- Der Rahmen zeigt auf, wie diese Probleme durch Erweiterung des Modells (z. B. Einbeziehung des Körpergewichts) oder durch Generalisierungsmethoden behoben werden könnten.

5. Bedeutung und Ausblick

Dieser Artikel leistet einen wesentlichen Beitrag zur Integration von statistischer und mathematischer Modellierung:

Transparenz: Er zwingt Modellierer dazu, die Annahmen, die notwendig sind, um von einem theoretischen Modell zu einer kausalen Schlussfolgerung zu gelangen, explizit zu machen.
Vergleichbarkeit: Er ermöglicht den direkten Vergleich zwischen rein datengetriebenen und rein theoriegetriebenen Ansätzen, indem beide auf Schranken für kausale Effekte reduziert werden.
Zukünftige Erweiterungen: Der Autor schlägt vor, den Rahmen auf folgende Bereiche auszuweiten:
- Integration von Unsicherheit in Form von Verteilungen statt nur Schranken (durch Einbeziehung von „Glauben" oder Evidenzstärke).
- Behandlung von Interferenzen zwischen Einheiten (Interferenz in Potential-Outcomes-Rahmen).
- Einbeziehung von Differentialgleichungen.
- Formalisierung von Kalibrierungsverfahren in der mathematischen Modellierung unter dem Aspekt der Identifizierung.

Zusammenfassend bietet das Paper ein Fundament, um die Lücke zwischen empirischer Statistik und theoretischer Mathematik zu schließen und so die Quantifizierung wissenschaftlicher Fragen in komplexen Systemen zu verbessern.