Analisis Sensitivitas Global — Sobol, Morris, dan FAST
- Diperkenalkan oleh
- I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
- Tahun
- 1973–2001
- Jenis
- Variance-based sensitivity decomposition
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Analisis sensitivitas global (GSA) adalah keluarga teknik yang menguraikan varians keluaran model berdasarkan parameter masukan, mengukur seberapa besar setiap masukan — dan setiap kombinasi masukan — berkontribusi terhadap ketidakpastian total dalam hasil.
Indeks berbasis varians Sobol (2001), penyaringan satu per satu (OAT) Morris (1991), dan Uji Sensitivitas Amplitudo Fourier (FAST, pertama kali diusulkan oleh Cukier dkk. pada tahun 1973) adalah tiga pendekatan yang paling banyak digunakan. Bersama-sama, ketiganya berfungsi sebagai perangkat standar untuk mengidentifikasi parameter mana yang mendorong perilaku model dan mana yang dapat diperbaiki dengan aman.
Intuisi di balik metode
Bayangkan sebuah model dengan sepuluh kenop masukan. Anda ingin tahu kenop mana yang penting dan mana yang hampir tidak memengaruhi keluaran. Pemeriksaan sensitivitas lokal hanya memberi tahu Anda apa yang terjadi di dekat satu pengaturan tertentu; analisis sensitivitas global menjelajahi seluruh ruang pengaturan yang masuk akal sekaligus. Pendekatan Sobol adalah yang paling menyeluruh: ia mengalokasikan sebagian dari total varians keluaran untuk setiap masukan dan setiap kombinasi masukan. Morris adalah metode penyaringan yang lebih murah yang memberi peringkat parameter berdasarkan pengaruh keseluruhannya tanpa sepenuhnya menguraikan varians. FAST menggunakan trik transformasi Fourier untuk mencapai dekomposisi varians dengan lebih sedikit eksekusi model daripada Sobol. Ketiga metode tersebut menjawab pertanyaan mendasar yang sama — masukan mana yang penting — pada tingkat biaya dan presisi yang berbeda.
Sejarah
Dekomposisi varians keluaran model menjadi kontribusi dari masukan individual berakar pada tradisi ANOVA, tetapi penerapannya yang sistematis pada model komputasi dimulai dengan Uji Sensitivitas Amplitudo Fourier yang diperkenalkan oleh Cukier, Levine, dan Shuler pada tahun 1970-an. Max Morris memformalkan pendekatan penyaringan efek elementer satu per satu dalam makalah tahun 1991 yang tetap banyak dikutip karena keekonomisannya yang praktis. Formulasi modern yang paling berpengaruh datang dari Ilya M. Sobol, yang makalah tahun 2001 menetapkan estimator Monte Carlo untuk indeks berbasis varians urutan pertama dan efek total yang sekarang menjadi standar. Buku teks oleh Saltelli dan rekan-rekannya (2008) mengkonsolidasikan bidang ini dan menetapkan skema pengambilan sampel Saltelli sebagai implementasi referensi untuk indeks Sobol. Saat ini, analisis sensitivitas global adalah komponen rutin validasi model dalam teknik, ilmu lingkungan, epidemiologi, dan ekonomi.
Kapan digunakan
Analisis sensitivitas global sesuai jika Anda perlu memahami masukan mana yang mendorong ketidakpastian dalam model komputasi, atau ketika Anda ingin menyederhanakan model dengan mengidentifikasi parameter yang tidak berpengaruh yang dapat diperbaiki. Ini berlaku untuk model deterministik atau stokastik apa pun di mana masukan dapat dijelaskan oleh distribusi atau rentang yang masuk akal. Indeks Sobol adalah pilihan yang paling informatif ketika jumlah eksekusi model terjangkau (biasanya ratusan hingga ribuan per parameter). Penyaringan Morris lebih disukai untuk eksplorasi awal ketika model mahal dan ada banyak parameter kandidat untuk diberi peringkat dengan cepat. FAST adalah jalan tengah yang baik ketika biaya sampel Sobol memberatkan tetapi dekomposisi varians penuh diinginkan. Metode ini tidak memerlukan masukan yang terdistribusi normal; jenis masukan kontinu diharapkan. Ini tidak cocok ketika masukan tidak dapat diberi distribusi probabilitas atau rentang yang masuk akal, atau ketika model murni berbasis data tanpa struktur simulasi maju.
Batasan dan pertimbangan
- Indeks Sobol memerlukan N×(2k+2) eksekusi model, yang bisa memberatkan untuk simulator mahal dengan banyak parameter.
- Penyaringan Morris mengungkapkan peringkat kepentingan parameter tetapi tidak menguraikan varians menjadi fraksi terukur; itu tidak dapat menggantikan indeks Sobol ketika pembagian yang tepat diperlukan.
- Semua metode mengasumsikan bahwa ketidakpastian masukan dapat dikarakterisasi oleh distribusi probabilitas atau rentang terbatas; jika pengetahuan sebelumnya ini tidak tersedia atau tidak dapat diandalkan, indeks yang dihasilkan mencerminkan ketidakpastian yang diasumsikan daripada yang sebenarnya.
- Untuk model dengan masukan diskrit atau kategorikal, kerangka kerja berbasis varians standar tidak berlaku secara langsung dan ekstensi atau pendekatan alternatif diperlukan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menjelajahi seluruh ruang masukan secara bersamaan daripada membuat asumsi linearisasi lokal, menangkap perilaku nonlinier dan interaksi parameter.
- Indeks efek total Sobol (ST) secara langsung mengidentifikasi parameter yang tidak berpengaruh yang dapat diperbaiki, memungkinkan penyederhanaan model yang berprinsip.
- Metode Morris sangat murah dibandingkan dengan dekomposisi varians penuh, membuatnya praktis untuk model berdimensi tinggi atau mahal secara komputasi.
- FAST mencapai dekomposisi varians penuh dengan lebih sedikit eksekusi daripada pengambilan sampel Saltelli-Sobol, menawarkan kompromi yang efisien.
- Hasilnya dapat diinterpretasikan: indeks sensitivitas adalah fraksi normal dari total varians, memungkinkan pemeringkatan dan komunikasi yang mudah.
Penerapan
- Mengidentifikasi parameter model mana yang paling memengaruhi prediksi dalam model iklim dan sistem bumi, mengarahkan upaya kalibrasi ke parameter yang penting.
- Menyederhanakan model farmakokinetik dan farmakodinamik yang kompleks dengan memperbaiki parameter yang tidak berpengaruh sebelum disesuaikan dengan data klinis.
- Memprioritaskan pengurangan ketidakpastian dalam penilaian risiko dan keselamatan untuk sistem teknik nuklir, kimia, atau struktural.
- Mengarahkan desain eksperimental dalam biologi komputasi dan pemodelan sistem dengan mengungkapkan faktor masukan mana yang paling mendorong variabilitas dalam keluaran model.
- Mendukung analisis kebijakan dengan mengukur asumsi masukan tidak pasti mana yang paling memengaruhi kesimpulan model ekonomi atau epidemiologi.
Cara kerjanya
Cara kerjanya
Analis menentukan ruang parameter masukan: setiap parameter diberi distribusi probabilitas (atau rentang yang masuk akal) yang menangkap pengetahuan sebelumnya tentang ketidakpastiannya. Model yang keluarannya akan dianalisis juga ditentukan pada tahap ini. Pilihan rentang masukan yang cermat sangat penting karena indeks sensitivitas bersifat relatif terhadap ruang yang dieksplorasi.
Serangkaian kombinasi masukan yang terstruktur dihasilkan sesuai dengan metode yang dipilih. Untuk indeks Sobol, skema pengambilan sampel Saltelli menghasilkan N×(2k+2) evaluasi model untuk k parameter; ia menggunakan urutan quasi-acak (diskrepansi rendah) untuk mencakup ruang masukan secara efisien. Metode Morris menggunakan desain lintasan satu per satu yang memvariasikan satu parameter pada satu waktu sambil mempertahankan parameter lainnya tetap. FAST menggunakan skema pengambilan sampel periodik yang dibangun di atas frekuensi berbeda yang ditetapkan untuk setiap masukan.
Model komputasi dievaluasi pada setiap titik masukan yang diambil sampelnya. Tahap ini bisa menjadi bagian analisis yang paling mahal jika modelnya mahal secara komputasi. Untuk simulator yang mahal, model pengganti (metamodel) seperti emulator proses Gaussian terkadang diganti untuk membuat jumlah evaluasi yang diperlukan menjadi layak.
Keluaran model dianalisis untuk menghitung ukuran sensitivitas. Untuk Sobol, total varians keluaran dipartisi: indeks urutan pertama S1 menangkap sebagian varians karena parameter yang bertindak sendiri, dan indeks efek total ST menangkap kontribusinya termasuk semua interaksi dengan parameter lain. Morris menghitung efek elementer untuk setiap parameter pada setiap titik lintasan; rata-rata dan standar deviasi dari efek ini menunjukkan pengaruh keseluruhan dan nonlinieritas atau interaksi. FAST menggunakan analisis Fourier dari variasi keluaran untuk mengaitkan varians dengan setiap frekuensi masukan.
Parameter diberi peringkat berdasarkan indeks sensitivitasnya. S1 tinggi menunjukkan parameter memiliki efek langsung yang kuat; celah besar antara S1 dan ST menunjukkan interaksi yang signifikan dengan parameter lain. Parameter dengan ST mendekati nol dapat diperbaiki pada nilai nominal tanpa memengaruhi distribusi keluaran secara material — ini adalah hasil praktis utama. Hasilnya biasanya ditampilkan sebagai diagram batang atau diagram pencar indeks dengan interval kepercayaan bootstrap.
Kesalahan umum
- Menentukan rentang masukan yang terlalu sempit secara artifisial mengurangi sensitivitas yang tampak dari parameter yang akan penting di seluruh rentang realistis yang lebih luas — selalu dasarkan rentang masukan pada pengetahuan domain atau data.
- Melaporkan hanya indeks urutan pertama (S1) dan mengabaikan indeks efek total (ST) akan kehilangan efek interaksi; parameter dengan S1 rendah tetapi ST tinggi masih penting karena berinteraksi kuat dengan yang lain.
- Menggunakan terlalu sedikit eksekusi model untuk indeks Sobol menghasilkan perkiraan indeks yang tidak stabil dan tidak dapat diandalkan; interval kepercayaan bootstrap harus selalu dihitung untuk menilai konvergensi.
- Menerapkan hasil penyaringan Morris sebagai jawaban akhir ketika tujuan memerlukan atribusi varians yang tepat — Morris memberi peringkat parameter tetapi tidak mengukur kontribusi fraksionalnya; gunakan Sobol atau FAST untuk itu.
- Membingungkan analisis sensitivitas lokal (turunan pada satu titik) dengan analisis sensitivitas global — analisis lokal tidak menangkap interaksi parameter atau nonlinieritas di seluruh ruang masukan.
Pertanyaan yang sering diajukan
Haruskah saya menggunakan Sobol, Morris, atau FAST?
Pilihannya tergantung pada anggaran eksekusi model Anda dan tujuan Anda. Mulailah dengan Morris jika modelnya mahal dan Anda memiliki banyak parameter untuk disaring — ini memberi peringkat secara murah. Jika Anda mampu melakukan N×(2k+2) eksekusi (di mana k adalah jumlah parameter), indeks Sobol memberikan gambaran paling lengkap dengan mengukur efek urutan pertama dan interaksi sebagai fraksi dari total varians. FAST adalah pilihan yang baik ketika Anda menginginkan dekomposisi varians penuh tetapi ukuran sampel Sobol terlalu besar; ia mencapai informasi serupa dengan lebih sedikit eksekusi.
Apa sebenarnya arti indeks urutan pertama (S1) dan efek total (ST)?
S1 untuk suatu parameter adalah fraksi dari total varians keluaran yang dijelaskan oleh parameter itu sendiri, mengabaikan interaksi. ST adalah fraksi yang dijelaskan oleh parameter itu dan semua interaksinya dengan parameter lain. Jika S1 ≈ ST untuk semua parameter, interaksi dapat diabaikan. Celah besar antara S1 dan ST menandakan efek interaksi yang penting. Parameter dengan ST mendekati nol dapat diperbaiki tanpa mengubah ketidakpastian keluaran secara berarti.
Berapa banyak eksekusi model yang saya butuhkan?
Skema Saltelli standar untuk indeks Sobol memerlukan N×(2k+2) eksekusi, di mana N adalah ukuran sampel dasar (seringkali 512–2048) dan k adalah jumlah parameter masukan. Misalnya, dengan k=10 parameter dan N=1024, itu adalah 22.528 eksekusi. Morris biasanya membutuhkan r×(k+1) eksekusi, di mana r adalah jumlah lintasan (seringkali 10–50), menghasilkan total yang jauh lebih kecil. Persyaratan FAST bervariasi berdasarkan implementasi tetapi umumnya berada di antara Morris dan Sobol.
Bisakah saya menggunakan analisis sensitivitas global pada model yang bukan simulasi?
GSA berlaku untuk model apa pun yang memetakan sekumpulan masukan ke keluaran dan dapat dievaluasi berulang kali pada nilai masukan yang berbeda. Ini termasuk model statistik, model pembelajaran mesin, dan persamaan analitis, tidak hanya simulasi berbasis fisika. Persyaratannya adalah masukan dapat diberi distribusi atau rentang yang masuk akal dan model dapat dijalankan cukup kali untuk mengisi matriks sampel.
Metode terkait
Sumber
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.
Buka referensi DOIDisalin.Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.
Buka referensi DOIDisalin.