Zum Inhalt springen
Zurück zu den Suchergebnissen

Globale Sensitivitätsanalyse — Sobol, Morris und FAST

Eingeführt von
I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
Jahr
1973–2001
Typ
Variance-based sensitivity decomposition

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Globale Sensitivitätsanalyse (GSA) ist eine Familie von Techniken, die die Varianz der Modellausgabe über ihre Eingangsparameter zerlegen und quantifizieren, wie viel jeder Eingang – und jede Kombination von Eingängen – zur gesamten Unsicherheit im Ergebnis beiträgt.

Die varianzbasierten Indizes von Sobol (2001), das One-at-a-Time (OAT)-Screening von Morris (1991) und der Fourier Amplitude Sensitivity Test (FAST, erstmals von Cukier et al. 1973 vorgeschlagen) sind die drei am weitesten verbreiteten Ansätze. Zusammen bilden sie das Standard-Toolkit zur Identifizierung, welche Parameter das Modellverhalten steuern und welche sicher fixiert werden können.

Die Intuition hinter der Methode

Stellen Sie sich ein Modell mit zehn Eingangsknöpfen vor. Sie möchten wissen, welche Knöpfe wichtig sind und welche die Ausgabe kaum beeinflussen. Eine lokale Sensitivitätsprüfung sagt Ihnen nur, was in der Nähe einer bestimmten Einstellung passiert; eine globale Sensitivitätsanalyse untersucht den gesamten plausiblen Einstellungsraum auf einmal. Der Ansatz von Sobol ist der gründlichste: Er teilt einen Bruchteil der gesamten Ausgabevarianz jedem Eingang und jeder Kombination von Eingängen zu. Morris ist eine kostengünstigere Screening-Methode, die Parameter nach ihrem Gesamteinfluss einstuft, ohne die Varianz vollständig zu zerlegen. FAST verwendet einen Fourier-Transformations-Trick, um eine Varianzzerlegung mit weniger Modellläufen als Sobol zu erreichen. Alle drei Methoden beantworten dieselbe grundlegende Frage – welche Eingänge sind die wichtigen – zu unterschiedlichen Kosten und Genauigkeiten.

Geschichte

Die Zerlegung der Modellausgabevarianz in Beiträge von einzelnen Eingängen hat Wurzeln in der ANOVA-Tradition, aber ihre systematische Anwendung auf Computermodelle begann mit dem Fourier Amplitude Sensitivity Test, der in den 1970er Jahren von Cukier, Levine und Shuler eingeführt wurde. Max Morris formalisierte den One-at-a-Time Elementary-Effects Screening-Ansatz in einer Arbeit von 1991, die wegen ihrer praktischen Wirtschaftlichkeit weithin zitiert wird. Die einflussreichste moderne Formulierung kam von Ilya M. Sobol, dessen Arbeit von 2001 die Monte-Carlo-Schätzer für varianzbasierte Indizes erster Ordnung und Gesamt-Effekt etablierte, die heute der Standard sind. Das Lehrbuch von Saltelli und Kollegen (2008) konsolidierte das Feld und etablierte das Saltelli-Sampling-Schema als Referenzimplementierung für Sobol-Indizes. Heute ist die globale Sensitivitätsanalyse ein routinemäßiger Bestandteil der Modellvalidierung in Ingenieurwesen, Umweltwissenschaft, Epidemiologie und Wirtschaft.

Wann wird sie eingesetzt?

Globale Sensitivitätsanalyse ist angebracht, wenn Sie verstehen müssen, welche Eingänge die Unsicherheit in einem Computermodell steuern, oder wenn Sie ein Modell vereinfachen möchten, indem Sie nicht einflussreiche Parameter identifizieren, die fixiert werden können. Sie gilt für jedes deterministische oder stochastische Modell, bei dem die Eingänge durch Verteilungen oder plausible Bereiche beschrieben werden können. Sobol-Indizes sind die informativste Wahl, wenn die Anzahl der Modellläufe erschwinglich ist (typischerweise Hunderte bis Tausende pro Parameter). Morris-Screening wird für die anfängliche Exploration bevorzugt, wenn das Modell teuer ist und viele Kandidatenparameter schnell eingestuft werden müssen. FAST ist ein guter Mittelweg, wenn die Stichprobengröße von Sobol prohibitiv ist, aber eine vollständige Varianzzerlegung gewünscht wird. Die Methode erfordert keine normalverteilten Eingänge; kontinuierliche Eingabetypen werden erwartet. Sie ist nicht geeignet, wenn Eingängen keine Wahrscheinlichkeitsverteilungen oder plausible Bereiche zugewiesen werden können oder wenn das Modell rein datengesteuert ist, ohne eine Vorwärtssimulationsstruktur.

Grenzen und Hinweise

  • Sobol-Indizes erfordern N×(2k+2) Modellläufe, was für teure Simulatoren mit vielen Parametern prohibitiv sein kann.
  • Morris-Screening zeigt die Rangfolge der Parameterwichtigkeit an, zerlegt aber die Varianz nicht in quantifizierte Bruchteile; es kann Sobol-Indizes nicht ersetzen, wenn eine präzise Zuordnung erforderlich ist.
  • Alle Methoden gehen davon aus, dass die Eingangsunsicherheit durch Wahrscheinlichkeitsverteilungen oder begrenzte Bereiche charakterisiert werden kann; wenn dieses Vorwissen nicht verfügbar oder unzuverlässig ist, spiegeln die resultierenden Indizes die angenommene und nicht die tatsächliche Unsicherheit wider.
  • Für Modelle mit diskreten oder kategorialen Eingängen ist der Standard-Varianz-basierte Rahmen nicht direkt anwendbar und es sind Erweiterungen oder alternative Ansätze erforderlich.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Erkundet den gesamten Eingaberaum gleichzeitig, anstatt lokale Linearisierungsannahmen zu treffen, und erfasst nichtlineares Verhalten und Parameterwechselwirkungen.
  • Die Sobol-Gesamt-Effekt-Indizes (ST) identifizieren direkt nicht einflussreiche Parameter, die fixiert werden können, was eine prinzipienfeste Modellvereinfachung ermöglicht.
  • Die Morris-Methode ist im Vergleich zur vollständigen Varianzzerlegung extrem kostengünstig und somit praktisch für hochdimensionale oder rechenintensive Modelle.
  • FAST erreicht eine vollständige Varianzzerlegung mit weniger Läufen als das Saltelli-Sobol-Sampling und bietet einen effizienten Kompromiss.
  • Die Ergebnisse sind interpretierbar: Sensitivitätsindizes sind normalisierte Bruchteile der Gesamtvarianz, was eine einfache Rangfolge und Kommunikation ermöglicht.

Anwendungen

  • Identifizierung, welche Modellparameter die Vorhersagen in Klima- und Erdsystemmodellen am stärksten beeinflussen, und Lenkung der Kalibrierungsbemühungen auf die Parameter, die wichtig sind.
  • Vereinfachung komplexer pharmakokinetischer und pharmakodynamischer Modelle durch Fixierung nicht einflussreicher Parameter vor der Anpassung an klinische Daten.
  • Priorisierung der Unsicherheitsreduzierung in Risiko- und Sicherheitsbewertungen für nukleare, chemische oder strukturelle Ingenieursysteme.
  • Leitung des experimentellen Designs in der computergestützten Biologie und Systemmodellierung durch Aufdeckung, welche Eingabefaktoren die Variabilität der Modellausgaben am stärksten beeinflussen.
  • Unterstützung der Politikgestaltung durch Quantifizierung, welche unsicheren Eingangsannahmen die Schlussfolgerungen von Wirtschafts- oder epidemiologischen Modellen am stärksten beeinflussen.

So funktioniert es

So funktioniert es

1

Der Analytiker legt den Eingabeparameterraum fest: Jedem Parameter wird eine Wahrscheinlichkeitsverteilung (oder ein plausibler Bereich) zugewiesen, die Vorwissen über seine Unsicherheit erfasst. Das zu analysierende Modell wird ebenfalls in dieser Phase definiert. Die sorgfältige Wahl der Eingabebereiche ist entscheidend, da die Sensitivitätsindizes relativ zu dem untersuchten Raum sind.

2

Ein strukturierter Satz von Eingabekombinationen wird gemäß der gewählten Methode generiert. Für Sobol-Indizes erzeugt das Saltelli-Sampling-Schema N×(2k+2) Modellbewertungen für k Parameter; es verwendet quasi-zufällige (Low-Discrepancy)-Sequenzen, um den Eingaberaum effizient abzudecken. Die Morris-Methode verwendet ein One-at-a-Time-Trajektoriendesign, das einen Parameter nach dem anderen variiert, während die anderen fixiert bleiben. FAST verwendet ein periodisches Sampling-Schema, das auf unterschiedlichen Frequenzen basiert, die jedem Eingang zugewiesen werden.

3

Das Computermodell wird an jedem Abtastpunkt ausgewertet. Diese Phase kann der teuerste Teil der Analyse sein, wenn das Modell rechenintensiv ist. Für teure Simulatoren werden manchmal Ersatzmodelle (Metamodelle) wie Gaußsche Prozess-Emulatoren verwendet, um die erforderliche Anzahl von Auswertungen machbar zu machen.

4

Die Modellausgaben werden analysiert, um Sensitivitätsmaße zu berechnen. Für Sobol wird die gesamte Ausgabevarianz aufgeteilt: Der Index erster Ordnung S1 erfasst den Varianzanteil, der auf einen Parameter allein zurückzuführen ist, und der Gesamt-Effekt-Index ST erfasst seinen Beitrag einschließlich aller Wechselwirkungen mit anderen Parametern. Morris berechnet für jeden Parameter an jedem Trajektorienpunkt einen Elementareffekt; Mittelwert und Standardabweichung dieser Effekte deuten auf den Gesamteinfluss und Nichtlinearität oder Wechselwirkung hin. FAST verwendet eine Fourier-Analyse der Ausgabevariation, um die Varianz jedem Eingangsfrequenz zuzuordnen.

5

Die Parameter werden nach ihren Sensitivitätsindizes eingestuft. Ein hohes S1 deutet darauf hin, dass ein Parameter einen starken direkten Effekt hat; eine große Lücke zwischen S1 und ST zeigt eine signifikante Wechselwirkung mit anderen Parametern an. Parameter mit einem ST nahe Null können auf Nominalwerte fixiert werden, ohne die Ausgabeverteilung wesentlich zu beeinflussen – dies ist das wichtigste praktische Ergebnis. Die Ergebnisse werden typischerweise als Balkendiagramme oder Streudiagramme von Indizes mit Bootstrap-Konfidenzintervallen dargestellt.

Häufige Fallstricke

  • Die Angabe von Eingabebereichen, die zu eng sind, reduziert künstlich die scheinbare Sensitivität von Parametern, die über einen breiteren realistischen Bereich wichtig wären – begründen Sie Eingabebereiche immer auf Fachwissen oder Daten.
  • Die Berichterstattung nur über Indizes erster Ordnung (S1) und die Ignorierung von Gesamt-Effekt-Indizes (ST) übersieht Wechselwirkungseffekte; ein Parameter mit niedrigem S1, aber hohem ST ist immer noch wichtig, da er stark mit anderen interagiert.
  • Die Verwendung von zu wenigen Modellläufen für Sobol-Indizes führt zu instabilen, unzuverlässigen Indexschätzungen; Bootstrap-Konfidenzintervalle sollten immer berechnet werden, um die Konvergenz zu bewerten.
  • Anwendung eines Morris-Screening-Ergebnisses als endgültige Antwort, wenn der Zweck eine präzise Varianzzuordnung erfordert – Morris reiht Parameter, quantifiziert aber nicht ihre fraktionellen Beiträge; verwenden Sie dafür Sobol oder FAST.
  • Verwechslung von lokaler Sensitivitätsanalyse (Ableitungen an einem einzigen Punkt) mit globaler Sensitivitätsanalyse – lokale Analyse erfasst keine Parameterwechselwirkungen oder Nichtlinearität über den gesamten Eingaberaum.

Häufig gestellte Fragen

Sollte ich Sobol, Morris oder FAST verwenden?

Die Wahl hängt von Ihrem Budget an Modellläufen und Ihrem Ziel ab. Beginnen Sie mit Morris, wenn das Modell teuer ist und Sie viele Parameter zu screenen haben – es reiht sie kostengünstig. Wenn Sie sich N×(2k+2) Läufe leisten können (wobei k die Anzahl der Parameter ist), bieten Sobol-Indizes das vollständigste Bild, indem sie Effekte erster Ordnung und Wechselwirkungseffekte als Bruchteile der Gesamtvarianz quantifizieren. FAST ist eine gute Option, wenn Sie eine vollständige Varianzzerlegung wünschen, aber die Stichprobengröße von Sobol zu groß ist; es liefert ähnliche Informationen mit weniger Läufen.

Was bedeuten die Indizes erster Ordnung (S1) und Gesamt-Effekt (ST) eigentlich?

S1 für einen Parameter ist der Anteil der Gesamtvarianz der Ausgabe, der allein durch diesen Parameter erklärt wird, ohne Wechselwirkungen. ST ist der Anteil, der durch diesen Parameter und all seine Wechselwirkungen mit anderen Parametern erklärt wird. Wenn S1 ≈ ST für alle Parameter gilt, sind Wechselwirkungen vernachlässigbar. Eine große Lücke zwischen S1 und ST signalisiert wichtige Wechselwirkungseffekte. Parameter mit ST nahe Null können fixiert werden, ohne die Unsicherheit der Ausgabe wesentlich zu verändern.

Wie viele Modellläufe benötige ich?

Das Standard-Saltelli-Schema für Sobol-Indizes erfordert N×(2k+2) Läufe, wobei N eine Basis-Stichprobengröße ist (oft 512–2048) und k die Anzahl der Eingabeparameter ist. Zum Beispiel, bei k=10 Parametern und N=1024 sind das 22.528 Läufe. Morris benötigt typischerweise r×(k+1) Läufe, wobei r die Anzahl der Trajektorien ist (oft 10–50), was eine viel kleinere Gesamtzahl ergibt. Die Anforderungen von FAST variieren je nach Implementierung, liegen aber im Allgemeinen zwischen denen von Morris und Sobol.

Kann ich globale Sensitivitätsanalyse auf ein Modell anwenden, das keine Simulation ist?

GSA gilt für jedes Modell, das eine Reihe von Eingängen auf Ausgaben abbildet und wiederholt an verschiedenen Eingabewerten ausgewertet werden kann. Dazu gehören statistische Modelle, Modelle des maschinellen Lernens und analytische Gleichungen, nicht nur physikbasierte Simulationen. Die Anforderung ist, dass den Eingängen plausible Verteilungen oder Bereiche zugewiesen werden können und das Modell oft genug ausgeführt werden kann, um die Stichprobenmatrix zu füllen.

Verwandte Methoden

Quellen

  1. Sobol, I.M. (2001). Global Sensitivity Indices for Nonlinear Mathematical Models and Their Monte Carlo Estimates. Mathematics and Computers in Simulation, 55(1–3), 271–280.

    DOI-Referenz öffnen
    Kopiert.
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    DOI-Referenz öffnen
    Kopiert.