In the thesis paper, a new approach for model discrimination, validation and parameter estimation is presented: the model--data--overlap. More explicitly: (1) The model--data--overlap is introduced, motivated and distinguished in detail from existing approaches. By matching model and data variability, referred to as the overlap, and by interpreting parameters as distributions, one can cope with structural data--model--deviations that are due to model uncertainty. The overlap number establishes a model ranking in terms of model- data-reproducibility based on parameter sensitivity; a type of ranking which is appropriate when the model's trustworthiness is not given (chapter 2 and 4). (2) Algorithmic questions concerning the implementation is investigated. Three approaches to calculate the model variability for dynamical systems are presented as well as their advantages and challenges discussed. Additionally, the aspect of adapting the optimization to the propagation scheme is shown for the linear case (chapter 5). (3) The implementation approaches is demonstrated for linear ODE and biokinetic models. Furthermore, it is shown that the results of the overlap discrimination allow for different statements and interpretations in comparison to calibration methods (chapter 6).
Die vorliegende Dissertation beschäftigt sich mit einem neuen Zugang für Modelldiskriminierung, -validierung und Parameterschätzung: dem Modell-Daten- Overlap. Im Detail: (1) Der Modell-Daten-Overlap wird eingeführt, motiviert und detailliert von existierenden Ansätzen abgegrenzt. Durch die Anpassung von Modell- und Datenvariabilität als auch durch die Interpretation von Parametern als Verteilungen ist man in der Lage, strukturelle Modell-Daten-Abweichungen zu betrachten, die sich auf Modellunsicherheiten zurückführen lassen. Die Overlapzahl generiert eine Modellrankfolge, die die Modell-Daten- Reproduzierbarkeit durch Parametersensitivitäten widerspiegelt. Dies ist sinnvoll, wenn die Zuverlässigkeit des Models nicht gegeben ist (siehe Kapitel 2 & 4). (2) Algorithmische Fragestellen innerhalb der Implementierung wurden betrachtet. Drei Ansätze zur Berechnung der Modellvariabilität für dynamische Systeme werden vorgestellt sowie deren Vor- und Nachteile diskutiert. Zusätzlich wird auf den Aspekt der Einbettung des Optimierungsalgorithmus in das Propgationsschema im linearen Fall eingegangen (siehe Kapitel 5). (3) Die Implementierungsansätze wurden für lineare gewöhnliche Differentialgleichungen und Biokinetiken angewendet. Des weiteren wurde gezeigt, daß die Ergebnisse der Overlap Diskriminierung im Vergleich zu existierenden Methoden verschiedene Aussagen und Interpretationen zulassen (siehe Kapitel 6).
