Skip to content
Retour aux résultats

Analyse de sensibilité globale — Sobol, Morris et FAST

Introduite par
I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
Année
1973–2001
Type
Variance-based sensitivity decomposition

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

L'analyse de sensibilité globale (GSA) est une famille de techniques qui décomposent la variance de la sortie d'un modèle sur ses paramètres d'entrée, quantifiant la contribution de chaque entrée — et de chaque combinaison d'entrées — à l'incertitude totale du résultat.

Les indices de variance de Sobol (2001), le criblage un par un (OAT) de Morris (1991) et le test de sensibilité d'amplitude de Fourier (FAST, proposé pour la première fois par Cukier et al. en 1973) sont les trois approches les plus utilisées. Ensemble, elles constituent la boîte à outils standard pour identifier quels paramètres pilotent le comportement du modèle et lesquels peuvent être fixés en toute sécurité.

L’intuition derrière la méthode

Imaginez un modèle avec dix boutons d'entrée. Vous voulez savoir quels boutons sont importants et lesquels affectent à peine la sortie. Une vérification de sensibilité locale ne vous dit que ce qui se passe près d'un réglage particulier ; l'analyse de sensibilité globale explore l'ensemble de l'espace plausible des réglages à la fois. L'approche de Sobol est la plus complète : elle attribue une fraction de la variance totale de la sortie à chaque entrée et à toutes les combinaisons d'entrées. Morris est une méthode de criblage moins coûteuse qui classe les paramètres par leur influence globale sans décomposer entièrement la variance. FAST utilise une astuce de transformée de Fourier pour réaliser une décomposition de la variance avec moins d'exécutions de modèle que Sobol. Ces trois méthodes répondent à la même question fondamentale — quelles sont les entrées importantes — à différents niveaux de coût et de précision.

Histoire

La décomposition de la variance de la sortie du modèle en contributions des entrées individuelles trouve ses racines dans la tradition de l'ANOVA, mais son application systématique aux modèles de calcul a commencé avec le test de sensibilité d'amplitude de Fourier introduit par Cukier, Levine et Shuler dans les années 1970. Max Morris a formalisé l'approche de criblage par effets élémentaires un par un dans un article de 1991 qui reste largement cité pour son économie pratique. La formulation moderne la plus influente est venue d'Ilya M. Sobol, dont l'article de 2001 a établi les estimateurs de Monte Carlo pour les indices de variance de premier ordre et d'effet total qui sont maintenant la norme. Le manuel de Saltelli et coll. (2008) a consolidé le domaine et établi le schéma d'échantillonnage de Saltelli comme l'implémentation de référence pour les indices de Sobol. Aujourd'hui, l'analyse de sensibilité globale est une composante routinière de la validation des modèles en ingénierie, sciences de l'environnement, épidémiologie et économie.

Quand l’utiliser

L'analyse de sensibilité globale est appropriée chaque fois que vous avez besoin de comprendre quels intrants pilotent l'incertitude dans un modèle de calcul, ou lorsque vous souhaitez simplifier un modèle en identifiant les paramètres non influents qui peuvent être fixés. Elle s'applique à tout modèle déterministe ou stochastique où les entrées peuvent être décrites par des distributions ou des plages plausibles. Les indices de Sobol sont le choix le plus informatif lorsque le nombre d'exécutions de modèle est abordable (typiquement des centaines à des milliers par paramètre). Le criblage de Morris est préféré pour l'exploration initiale lorsque le modèle est coûteux et qu'il y a de nombreux paramètres candidats à classer rapidement. FAST est un bon compromis lorsque le coût d'échantillonnage de Sobol est prohibitif mais que la décomposition complète de la variance est souhaitée. La méthode ne nécessite pas d'entrées normalement distribuées ; des types d'entrée continus sont attendus. Elle n'est pas adaptée lorsque les entrées ne peuvent pas se voir attribuer de distributions de probabilité ou de plages plausibles, ou lorsque le modèle est purement piloté par les données sans structure de simulation directe.

Limites et points d’attention

  • Les indices de Sobol nécessitent N×(2k+2) exécutions de modèle, ce qui peut être prohibitif pour des simulateurs coûteux avec de nombreux paramètres.
  • Le criblage de Morris révèle le classement de l'importance des paramètres mais ne décompose pas la variance en fractions quantifiées ; il ne peut pas remplacer les indices de Sobol lorsque une répartition précise est nécessaire.
  • Toutes les méthodes supposent que l'incertitude d'entrée peut être caractérisée par des distributions de probabilité ou des plages bornées ; si cette connaissance a priori est indisponible ou peu fiable, les indices résultants reflètent une incertitude supposée plutôt que réelle.
  • Pour les modèles avec des entrées discrètes ou catégorielles, le cadre standard basé sur la variance ne s'applique pas directement et des extensions ou des approches alternatives sont nécessaires.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Explore l'espace d'entrée entier simultanément plutôt que de faire des hypothèses de linéarisation locale, capturant le comportement non linéaire et les interactions entre paramètres.
  • Les indices d'effet total (ST) de Sobol identifient directement les paramètres non influents qui peuvent être fixés, permettant une simplification de modèle basée sur des principes.
  • La méthode de Morris est extrêmement peu coûteuse par rapport à la décomposition complète de la variance, ce qui la rend pratique pour les modèles de haute dimension ou coûteux en calcul.
  • FAST réalise une décomposition complète de la variance avec moins d'exécutions que l'échantillonnage de Saltelli-Sobol, offrant un compromis efficace.
  • Les résultats sont interprétables : les indices de sensibilité sont des fractions normalisées de la variance totale, permettant un classement et une communication simples.

Applications

  • Identifier quels paramètres du modèle influencent le plus les prédictions dans les modèles climatiques et de systèmes terrestres, en orientant les efforts de calibration vers les paramètres qui comptent.
  • Simplifier les modèles pharmacocinétiques et pharmacodynamiques complexes en fixant les paramètres non influents avant de les ajuster aux données cliniques.
  • Prioriser la réduction de l'incertitude dans les évaluations des risques et de la sécurité pour les systèmes d'ingénierie nucléaire, chimique ou structurelle.
  • Guider la conception expérimentale en biologie computationnelle et en modélisation de systèmes en révélant quels facteurs d'entrée pilotent le plus la variabilité des sorties du modèle.
  • Soutenir l'analyse des politiques en quantifiant quelles hypothèses d'entrée incertaines affectent le plus les conclusions des modèles économiques ou épidémiologiques.

Comment ça marche

Comment ça marche

1

L'analyste spécifie l'espace des paramètres d'entrée : chaque paramètre se voit attribuer une distribution de probabilité (ou une plage plausible) qui capture les connaissances a priori sur son incertitude. Le modèle dont la sortie doit être analysée est également défini à ce stade. Un choix judicieux des plages d'entrée est essentiel car les indices de sensibilité sont relatifs à l'espace exploré.

2

Un ensemble structuré de combinaisons d'entrées est généré selon la méthode choisie. Pour les indices de Sobol, le schéma d'échantillonnage de Saltelli produit N×(2k+2) évaluations du modèle pour k paramètres ; il utilise des séquences quasi-aléatoires (à faible discrépance) pour couvrir efficacement l'espace d'entrée. La méthode de Morris utilise une conception de trajectoire un par un qui fait varier un paramètre à la fois tout en maintenant les autres fixes. FAST utilise un schéma d'échantillonnage périodique basé sur des fréquences distinctes attribuées à chaque entrée.

3

Le modèle de calcul est évalué à chaque point d'entrée échantillonné. Cette étape peut être la partie la plus coûteuse de l'analyse si le modèle est coûteux en calcul. Pour les simulateurs coûteux, des modèles substituts (méta-modèles) tels que des émulateurs de processus gaussiens sont parfois substitués pour rendre le nombre d'évaluations requis réalisable.

4

Les sorties du modèle sont analysées pour calculer les mesures de sensibilité. Pour Sobol, la variance totale de la sortie est partitionnée : l'indice de premier ordre S1 capture la fraction de variance due à un paramètre agissant seul, et l'indice d'effet total ST capture sa contribution incluant toutes les interactions avec d'autres paramètres. Morris calcule un effet élémentaire pour chaque paramètre à chaque point de trajectoire ; la moyenne et l'écart type de ces effets indiquent l'influence globale et la non-linéarité ou l'interaction. FAST utilise l'analyse de Fourier de la variation de la sortie pour attribuer la variance à chaque fréquence d'entrée.

5

Les paramètres sont classés par leurs indices de sensibilité. Un S1 élevé suggère qu'un paramètre a un fort effet direct ; un grand écart entre S1 et ST indique une interaction significative avec d'autres paramètres. Les paramètres dont le ST est proche de zéro peuvent être fixés à des valeurs nominales sans affecter matériellement la distribution de sortie — c'est le résultat pratique clé. Les résultats sont généralement affichés sous forme de diagrammes à barres ou de nuages de points d'indices avec des intervalles de confiance bootstrap.

Pièges courants

  • Spécifier des plages d'entrée trop étroites réduit artificiellement la sensibilité apparente des paramètres qui seraient importants sur une plage réaliste plus large — toujours baser les plages d'entrée sur des connaissances du domaine ou des données.
  • Ne rapporter que les indices de premier ordre (S1) et ignorer les indices d'effet total (ST) fait manquer les effets d'interaction ; un paramètre avec un faible S1 mais un ST élevé est toujours important car il interagit fortement avec les autres.
  • Utiliser trop peu d'exécutions de modèle pour les indices de Sobol produit des estimations d'indices instables et peu fiables ; des intervalles de confiance bootstrap devraient toujours être calculés pour évaluer la convergence.
  • Appliquer un résultat de criblage de Morris comme réponse finale lorsque le but nécessite une attribution précise de la variance — Morris classe les paramètres mais ne quantifie pas leurs contributions fractionnelles ; utilisez Sobol ou FAST pour cela.
  • Confondre l'analyse de sensibilité locale (dérivées en un point unique) avec l'analyse de sensibilité globale — l'analyse locale ne capture pas les interactions entre paramètres ni la non-linéarité sur l'ensemble de l'espace d'entrée.

Questions fréquentes

Dois-je utiliser Sobol, Morris ou FAST ?

Le choix dépend de votre budget d'exécutions de modèle et de votre objectif. Commencez par Morris si le modèle est coûteux et que vous avez de nombreux paramètres à cribler — il les classe à moindre coût. Si vous pouvez vous permettre N×(2k+2) exécutions (où k est le nombre de paramètres), les indices de Sobol donnent l'image la plus complète en quantifiant les effets de premier ordre et d'interaction en fractions de la variance totale. FAST est une bonne option lorsque vous souhaitez une décomposition complète de la variance mais que la taille de l'échantillon de Sobol est trop grande ; il fournit des informations similaires avec moins d'exécutions.

Que signifient réellement les indices de premier ordre (S1) et d'effet total (ST) ?

S1 pour un paramètre est la fraction de la variance totale de la sortie expliquée par ce paramètre seul, sans tenir compte des interactions. ST est la fraction expliquée par ce paramètre et toutes ses interactions avec d'autres paramètres. Si S1 ≈ ST pour tous les paramètres, les interactions sont négligeables. Un grand écart entre S1 et ST signale des effets d'interaction importants. Les paramètres dont le ST est proche de zéro peuvent être fixés sans modifier significativement l'incertitude de la sortie.

Combien d'exécutions de modèle sont nécessaires ?

Le schéma standard de Saltelli pour les indices de Sobol nécessite N×(2k+2) exécutions, où N est une taille d'échantillon de base (souvent 512–2048) et k est le nombre de paramètres d'entrée. Par exemple, avec k=10 paramètres et N=1024, cela fait 22 528 exécutions. Morris nécessite généralement r×(k+1) exécutions, où r est le nombre de trajectoires (souvent 10–50), donnant un total beaucoup plus faible. Les exigences de FAST varient selon l'implémentation mais se situent généralement entre celles de Morris et Sobol.

Puis-je utiliser l'analyse de sensibilité globale sur un modèle qui n'est pas une simulation ?

La GSA s'applique à tout modèle qui associe un ensemble d'entrées à des sorties et qui peut être évalué à plusieurs reprises avec différentes valeurs d'entrée. Cela inclut les modèles statistiques, les modèles d'apprentissage automatique et les équations analytiques, pas seulement les simulations basées sur la physique. L'exigence est que les entrées puissent se voir attribuer des distributions plausibles ou des plages et que le modèle puisse être exécuté suffisamment de fois pour peupler la matrice d'échantillons.

Méthodes associées

Sources

  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.

    Ouvrir la référence DOI
    Copié.
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    Ouvrir la référence DOI
    Copié.