Monte-Carlo-Simulation

Was versteht man unter Monte-Carlo-Simulation?

Die Monte-Carlo-Simulation ist eine computergestützte Methode, bei der ein System oder Prozess viele tausend bis millionen Mal wiederholt zufällig simuliert wird, um die Verteilung möglicher Ergebnisse zu schätzen. Anstatt ein Problem analytisch zu lösen, werden zufällige Eingabewerte aus vorher festgelegten Wahrscheinlichkeitsverteilungen gezogen und in ein Modell eingespeist. Die Gesamtheit aller simulierten Ergebnisse bildet eine empirische Verteilung, aus der sich Kennwerte wie Mittelwert, Streuung oder Quantile ableiten lassen.

Der Grundgedanke lässt sich formal so beschreiben: Hat man eine Funktion , die von einer oder mehreren Zufallsvariablen abhängt, dann schätzt man den Erwartungswert durch den Mittelwert über unabhängige Stichproben:

Mit wachsender Anzahl an Simulationsdurchläufen nähert sich dieser Schätzer dem wahren Erwartungswert an – dieses Prinzip folgt dem Gesetz der großen Zahlen.

Warum ist die Monte-Carlo-Simulation für statistische Analysen wichtig?

Viele reale Probleme lassen sich nicht mit einer einfachen Formel lösen, weil zu viele unsichere Faktoren zusammenspielen oder die mathematischen Zusammenhänge zu komplex sind. Die Monte-Carlo-Simulation bietet hier einen flexiblen Ausweg: Sie funktioniert für nahezu jedes Modell, unabhängig davon, ob eine analytische Lösung existiert oder nicht.

In der Forschungspraxis wird sie häufig für folgende Zwecke eingesetzt:

• Bootstrapping und Konfidenzintervalle: Wenn die Verteilung eines Schätzers unbekannt ist, lässt sie sich durch wiederholtes Resampling simulieren.
• Power-Analysen: Die statistische Teststärke eines geplanten Experiments wird durch simulierte Datensätze ermittelt.
• Modellvalidierung: Es wird geprüft, ob ein statistisches Modell unter bekannten Bedingungen korrekte Ergebnisse liefert.
• Risikoanalysen: In Wirtschaft und Ingenieurwesen werden Extremszenarien und deren Eintrittswahrscheinlichkeiten berechnet.

Praxisbeispiel zu Monte-Carlo-Simulation

Angenommen, du planst eine Studie und möchtest wissen, welche statistische Power dein t-Test bei einer bestimmten Stichprobengröße hat. Die Populationsparameter sind dir nicht exakt bekannt, aber du hast begründete Annahmen: Der erwartete Effekt entspricht einem Cohen’s d von 0,5, und die Daten sind annähernd normalverteilt.

Statt die Power nur analytisch zu berechnen, führst du eine Monte-Carlo-Simulation durch:

1. Du legst die Verteilungen beider Gruppen fest (z. B. Mittelwert, Standardabweichung).
2. Du simulierst 10.000 Datensätze mit der geplanten Stichprobengröße (z. B. n = 50 pro Gruppe).
3. Für jeden simulierten Datensatz führst du den t-Test durch und notierst, ob das Ergebnis signifikant ist (p < .05).
4. Die Power entspricht dem Anteil signifikanter Ergebnisse über alle Simulationen.

Die simulierten Werte stimmen hier gut mit den analytischen überein – das zeigt, dass die Simulation bei ausreichend vielen Durchläufen zuverlässige Schätzungen liefert. Der eigentliche Mehrwert der Monte-Carlo-Methode entfaltet sich, sobald die analytische Lösung komplizierter oder gar nicht verfügbar ist.