PE Kapitel 11 Flashcards
Sensitivitätsanalyse
Es wird die Auswirkungen einer nicht vollständig bekannten Variable auf eine bestimmte Zielgröße untersucht
–> grafisch dargestellt
Sensitivitätsanalyse mit mehreren unsicheren Variablen
- Möglichkeit: Haupt- und Nebeneinflussgrößen zu differenzieren
–> für HEG wird Sensitivitätsanalyse durchgeführt
–> vorherige Analyse in unterschiedlichen Ausprägungen für die einzelnen NEG wiederholen
absolute Dominanz
Eine Alternative a ist in jedem entscheidungsrelevanten Aspekt mindestens genau so gut wie eine andere Alternative b
echte Dominanz
zusätzlich in einem weiteren Aspekt echt besser
strikte Dominanz
in allen Aspekten echt besser als Vergleichsalternative
Löschen von Alternativen
- nur dann sinnvoll, wenn nur die beste Alternative gesucht wird
- dominierte Alternative kann nicht optimal sein, aber immer noch die zweitbeste Wahl
Sensitivitätsanalyse im Entscheidunsgsnavi
Nach Vervollständigung der Ergebnismatrix werden automatisch alle Alternativpaare auf Vorliegen von Dominanz getestet
–> dem Anwender wird angeboten, die dominierte Alternative zu streichen
mit Indikatormodellen:
- zunächst schwächere Ausgestaltung
–> Dominanz bezieht sich nur auf Vergleich der Ausprägungen in allen Zielen - schärfere Ausgestaltung
–> fordert, dass die Alternative in jedem Indikator mindestens so gut ist wie Vergleichsalternative
Allgemeiner Ansatz zur Dominanzprüfung bei unvollständiger Information
- Mindestvoraussetzung: Richtung der verwendeten Skalen muss bekannt sein
- Untersucht wird, ob a in allen Konstellationen, bei geg. Informationsstand, mindestens genau so hohen Nutzenerwartungswert besitzt wie b
–> formal: EU(a) ≥ EU(b)
Dominanzprüfung bei unvollständiger Information: echte Dominanz
Unter allg. Bedingungen u von U(I) und p von P(I):
a ist für eine mögliche Konstellation von u und p echt besser als b (echt größeren Nutzenerwartungswert)
Optimierungsansatz
Max{EU(a) - EU(b)} und Min {EU(a) - EU(b)}
–> Min ≥ 0: a dominiert
–> Max ≤ 0: b dominiert
Sonderfall bei Dominanzprüfung bei unvoll. Info
Fall 1: WSK lassen sich ordnen
–> Algo. der kumulierten Werte, wobei die Reihenfolge der Zustände die der WSK ist (ganz links am wahrscheinlichsten und je weiter rechts immer unwahrscheinlicher)
Fall 2: WSK lassen sich mit Intervallen eingrenzen
–> jedem Zustand zunächst die MinWSK zugeordnet
–> in Reihenfolge steigender Koeff. werden den WSK die jeweils höchstmögliche WSK zugeordnet
–> WSK darf 100% nie überschreiten
Stochastische Dominanz
- Grades:
bekannt ist, dass die Nutzenfunktion monoton ist - Grades:
bekannt ist, dass die Nutzenfunktion monoton und konkav (risikoscheu) ist
–> WSK vollständig bekannt aber unvollständige Informationen bei der Nutzenfunktion
stoch. Dominanz 1. Grades
a dominiert b, falls für jede Ausprägung der Zielvariablen die WSK, diese zu überschreiten, bei a mindestens so hoch ist wie bei b
–> grafisch über Risikoprofile 1-P(x)
a dominiert, wenn das Risikoprofil nie unterhalb des Risikoprofils von b liegt (sich schneiden)
–> auch bei konkaver Funktion immer noch 1. Grades, so lange ein Risikoprofil komplett unterliegt
stoch. Dominanz 2. Grades
a dominiert b, falls für jede Ausprägung x die Fläche unter dem Risikoprofil bis zu dieser Ausprägung bei a mindestens so groß ist wie bei b
–> grafisch dominiert a wenn Fläche I größer ist als Fläche II
–> entsteht zwischendurch eine “dritte Fläche” gibt es keine Aussage zur Dominanz
Fläche I: Vorteil ggü. b
Fläche II: Nachteil ggü. b
Robustheitstest im Entscheidungsnavi
Monte-Carlo Simulation für Robustheitstest:
–> aus den zulässigen Intervallen der nicht präzise definierten Parameter zufällige Ziehungen vornehmen
–> auf Basis dieser Parameter Nutzenerwartungswerte berechnen und Bandbreiten ableiten
==> liegt untere Grenze von a oberhalb der oberen Grenze von b, ist für alle Parameter a besser als b
==> Rangfolge durch höchsten Nutzenerwartungswert gibt Auskunft zu wie viel % in allen Simulationsläufen die betrachtete Alternative den höchsten Nutzen hat
–> Simulations-Dominanz
