
Forecasting with Maximum Entropy: The interface between physics, biology, economics and information theory
Dieses Buch zielt darauf ab, einen vereinheitlichenden Rahmen zu schaffen, der auf der Informationsentropie und ihrer Maximierung basiert, um die Phänomenologie der Evolutionsbiologie, der Gemeinschaftsökologie, der Finanzwirtschaft und der statistischen Physik zu verbinden. Diese umfassendere Sichtweise bietet nicht nur weitere Einblicke in die Probleme, sondern ermöglicht auch Problemlösungsstrategien durch die Anwendung bewährter Methoden in einer Disziplin auf formal ähnliche Probleme in anderen Bereichen. Das Buch schlägt auch eine Prognosemethode für wichtige praktische Probleme in diesen Disziplinen vor und richtet sich an Forscher, Studenten und Praktiker, die an der Modellierung der Dynamik komplexer Systeme arbeiten.
Der rote Faden ist, wie der Informationsfluss die Dynamik komplexer Systeme sowohl steuert als auch vorhersagt. Es wird gezeigt, wie die Maximierung der Shannon-Informationsentropie es ermöglicht, auf ein zentrales Objekt zu schließen, das die Dynamik komplexer Systeme, wie Ökosysteme oder Märkte, steuert. Die daraus resultierenden Modelle, die als paarweise Maximum-Entropie-Modelle bekannt sind, können verwendet werden, um aus Daten in einer Vielzahl von Systemen auf Interaktionen zu schließen. Hier werden zwei Beispiele im Detail analysiert. Bei dem ersten handelt es sich um eine Anwendung im Bereich der Naturschutzökologie, nämlich die Bereitstellung von Frühwarnindikatoren für den Zusammenbruch der Population von Baumarten in tropischen Wäldern. Beim zweiten geht es um die Vorhersage des Marktwerts von Unternehmen durch evolutionäre Ökonomie. Eine interessante Erkenntnis ist, dass PME-Modelle oft genaue Vorhersagen liefern, obwohl sie keine expliziten Interaktionsmechanismen enthalten.
Hauptmerkmale
⬤ Geschrieben, um für ein breites Spektrum von Lesern geeignet zu sein, und setzt wenig mathematisches Fachwissen voraus.
⬤ Enthält pädagogische Elemente: Praktische Beispiele, Fallstudien und Zusammenfassungen.
⬤ Der interdisziplinäre Ansatz schlägt Brücken zwischen den Disziplinen.
⬤ Ausgerichtet auf die Lösung praktischer Probleme.
⬤ Enthält eine Kombination aus analytischen Ableitungen und numerischen Simulationen mit Experimenten.