una vez que tenemos estas dos diferentes dimensiones acerca de la validación, la validación de frente y validación empírica micro versus macro podemos combinarlas, tomando las nociones de entrada y salida, pensemos que las diferencias convencionales para las validaciones son para proveer alguna indicación de que el modelo está validado en un artículo que escribimos con Rust, discutimos los estándares para la validación y sugerimos que se deberían manejar cada uno de estos estándares cuando desarrollamos nuestros modelos una es la validación de micro confrontación, mostramos que los elementos del modelo implementado para los agentes se corresponden con los elementos del mundo real, nos aseguramos que los agentes de verdad, se ven parecidos a los agentes del mundo real, en términos de sus propiedades y de su conducta la siguiente es la validación de la macro confrontación, donde los resultados de la salida y los procesos mediante los cuales las cosas suceden en el modelo, coinciden en algún sentido con los patrones de conducta del mundo real la siguiente es la validación de la entrada empírica, donde los parámetros y las formas en que asignamos los valores de entrada, se corresponden empíricamente con algunos de los datos que pudimos obtener del mundo real del mundo real del fenómeno y por último y lo más importante y lo que la gente piensa en validaciones empíricas es que los números que mi modelo está produciendo se corresponden con datos del mundo real, y esto puede ser alcanzado en un número diferente de formas uno puede simplemente estilizar los hechos por ejemplo, nosotros sabemos que la difusión sigue una curva en forma de S mostramos en nuestro modelo, en el modelo sobre difusión del que hablamos en el capítulo 4, se corresponde con esto podemos tener datos del mundo real, podemos poner números reales acerca de los patrones del mundo real y mostrar que nuestro modelo produce salidas que se corresponden con eso, de hecho una de las cosas de las que vamos a hablar en las próximas charlas, es que a veces hay que considerar alguna clase de estándar de oro, para realizar la validación y también puede realizarse una validación cruzada, imaginemos que tenemos nuestro modelo y alguien más tiene un modelo que está validado una cosa que se puede hacer es mostrar que nuestro modelo produce resultados similares al otro modelo, esto a veces se denomina "modelo acoplado" cuando uno acopla los dos modelos juntos y se muestra que están vinculados pero estos estándares usados para la validación, en realidad, deberíamos hacer un seguimiento de cada una de estas cajas a medida que avanzamos en la construcción del modelo y en mostrar que es válido podemos discutir los primeros tres para modelos uniformes, al menos los dos primeros, en términos de validación empírica de entrada, una de las cosas que hacemos es una suerte de experimento con el modelo original como base, donde especificamos las entradas para que estén en el mismo rango de las entradas empíricas que observamos en la historia del modelo base y queremos ver si nuestro modelo en los resultados que se ven en la salida, se corresponden con los datos del mundo real y de la manera en la que lo hacemos es ver las predicciones en términos de las tasas de adopción y debido a que tenemos necesariamente los mismos mercados y cosas así, solamente miramos las correlaciones entre nuestro modelo y el verdadero modelo de adopción de innovaciones que ocurrieron en el pasado, por ejemplo, aire acondicionado, calentadores de camas, cafeteras, secadoras, congeladores, refrigeradores y como pueden ver la versión del modelo basado en agentes se corresponde muy bien con los datos del mundo real y de hecho en algunos casos lo hace mejor, que el modelo base y hay un par de razones de porqué ocurre esto, pero lo importante es notar es que podemos, empíricamente, validar la salida de nuestro modelo con la del mundo real y esa es una de las clases del estándar de oro, que ya mencionamos como una forma de validación de modelos ahora voy a hablar un poco en las próximas charlas acerca de cómo tenemos que hacer esa clase de validación y lo haremos con mayor detalle por las dudas que la explicación acerca de como hicimos la validación de nuestro modelo base es exactamente como queremos esta es una forma muy simple de un modelo de difusión que construimos para el texto que escribimos con Rust y en él nosotros tenemos agentes diferentes, que no están conectado por ninguna red, pero que pueden adoptar y que es el número de agentes que hay en el modelo y lo que hicimos para validarlo contra el mundo real fue hacer experimentos con comportamientos aleatorios y les voy a mostrar uno para heladeras y asignamos los valores de pq a los mismos valores empíricos de p y q que tomamos del modelo original, puede estar sobredimensionado pero es mejor ajustar los valores a un rango particular, pero resulta que generan muy buenos resultados si los usamos en la forma en que el modelo original los usa como están en el artículo así que asignamos estos parámetros, luego corremos el modelo con un número aleatorio de semillas y luego contamos el número de adoptadores y esto nos permite comparar los resultados de estos datos con los que teníamos en R con los datos empíricos reales que fueron recolectados para el número de adoptadores de heladeras de cada año para un período concreto de tiempo esto funciona muy bien y podemos validar satisfactoriamente nuestro modelo