Skip to content
Kembali ke hasil pencarian

Desain Simulasi Berlapis — Latin Hypercube Sampling

Tahun
1979
Jenis
Stratified space-filling sampling design

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Latin Hypercube Sampling (LHS) adalah desain pengisi ruang berlapis untuk eksperimen komputer, yang diperkenalkan oleh McKay, Beckman, dan Conover pada tahun 1979.

Metode ini membagi rentang setiap variabel masukan menjadi strata yang memiliki probabilitas sama dan mengambil tepat satu sampel per strata, memastikan bahwa seluruh ruang masukan tercakup dengan jumlah evaluasi model yang jauh lebih sedikit daripada yang dibutuhkan simulasi Monte Carlo standar. Metode ini rutin dipasangkan dengan analisis sensitivitas global — khususnya indeks Sobol — untuk mengukur seberapa besar setiap masukan mendorong variabilitas keluaran.

Intuisi di balik metode

Bayangkan Anda ingin memahami bagaimana model komputer yang kompleks merespons berbagai kombinasi masukan, tetapi setiap kali menjalankan model sangat mahal. Monte Carlo standar mengambil sampel secara acak dan dapat meninggalkan sebagian besar wilayah ruang masukan yang kurang terwakili secara kebetulan. Latin Hypercube Sampling menghindari hal ini dengan bertindak seperti kisi yang cermat: metode ini memotong setiap dimensi masukan menjadi irisan yang memiliki probabilitas sama dan menjamin bahwa setiap irisan terwakili dalam sampel tepat satu kali. Hasilnya adalah sekumpulan titik masukan yang tersebar lebih merata di seluruh ruang parameter daripada pengambilan sampel acak, sehingga Anda mempelajari lebih banyak tentang perilaku model per jalannya. Ketika digabungkan dengan indeks sensitivitas Sobol, metode ini juga memberi tahu Anda masukan mana yang paling penting — langkah penting sebelum berinvestasi dalam analisis atau kalibrasi lebih lanjut.

Sejarah

Latin Hypercube Sampling diperkenalkan oleh McKay, Beckman, dan Conover dalam makalah tahun 1979 di Technometrics, di mana metode ini dibandingkan dengan pengambilan sampel acak sederhana dan pengambilan sampel acak berlapis sebagai metode untuk mengeksplorasi keluaran model komputer. Nama tersebut berasal dari struktur kombinatorial persegi Latin yang diperluas ke dimensi yang lebih tinggi: sama seperti persegi Latin menempatkan satu simbol di setiap baris dan kolom kisi, LHS menempatkan satu sampel di setiap baris dan kolom kisi stratifikasi multidimensi. Metode ini menjadi landasan desain eksperimen komputer — bidang yang diformalkan oleh Sacks et al. (1989) — dan pasangannya dengan analisis sensitivitas global berbasis varians disistematisasi oleh Saltelli dan rekan-rekannya pada tahun 1990-an dan 2000-an, yang berpuncak pada perlakuan buku teks yang banyak digunakan oleh Saltelli et al. (2008).

Kapan digunakan

LHS sesuai digunakan kapan pun Anda perlu mengeksplorasi bagaimana model yang mahal secara komputasi merespons di seluruh ruang masukannya dan desain faktorial penuh atau Monte Carlo acak akan terlalu mahal. Metode ini mensyaratkan bahwa batas dan distribusi variabel masukan dapat ditentukan — bahkan distribusi marginal yang perkiraan pun sudah cukup. Metode ini sangat cocok untuk analisis sensitivitas global ketika masukan bersifat kontinu. Jika masukan berkorelasi kuat, terapkan koreksi Iman-Conover sebelum pengambilan sampel. Ketika model sangat murah untuk dievaluasi, Monte Carlo standar dengan ukuran sampel yang sangat besar adalah alternatif yang lebih sederhana; ketika Anda hanya memerlukan sensitivitas lokal, metode berbasis gradien mungkin lebih informatif.

Batasan dan pertimbangan

  • Mensyaratkan distribusi dan batas masukan ditentukan terlebih dahulu; distribusi yang dipilih dengan buruk dapat salah merepresentasikan ruang parameter yang sebenarnya.
  • Analisis sensitivitas Sobol menuntut ukuran sampel N·(k+2), yang dapat menjadi besar ketika jumlah masukan k tinggi.
  • LHS tidak menjamin optimalitas di ruang berdimensi tinggi — keunggulan dibandingkan pengambilan sampel acak berkurang seiring bertambahnya dimensi.
  • Metode ini murni eksploratif; metode ini sendiri tidak mengestimasi ketidakpastian distribusi keluaran tanpa analisis tambahan.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Mencapai akurasi estimasi yang serupa dengan Monte Carlo standar dengan jumlah evaluasi model yang jauh lebih sedikit, membuatnya sangat efisien untuk simulasi yang mahal.
  • Menjamin cakupan penuh rentang setiap variabel masukan melalui stratifikasi, menghilangkan pengelompokan dan celah yang mengganggu pengambilan sampel acak murni.
  • Berpasangan secara alami dengan indeks sensitivitas global Sobol, memungkinkan pemeringkatan kepentingan masukan yang berprinsip.
  • Dapat diterapkan pada model kotak hitam apa pun — tidak memerlukan informasi turunan atau bentuk analitik.
  • Perluasan Iman-Conover menangani masukan berkorelasi tanpa mengorbankan sifat pengisi ruang.

Penerapan

  • Analisis ketidakpastian dan sensitivitas dalam model lingkungan dan iklim, di mana menjalankan model ribuan kali pada resolusi penuh tidak mungkin dilakukan.
  • Rekayasa keandalan dan keselamatan struktural: menyebarkan sifat material dan beban yang tidak pasti melalui model elemen hingga untuk mengestimasi probabilitas kegagalan.
  • Pemodelan farmasi dan biomedis: mengeksplorasi bagaimana parameter fisiologis yang tidak pasti memengaruhi prediksi konsentrasi obat dalam model farmakokinetik.
  • Analisis risiko keuangan: mengambil sampel parameter pasar yang tidak pasti untuk mengestimasi nilai risiko portofolio di bawah model penetapan harga yang kompleks.
  • Simulasi sosial berbasis agen: secara sistematis mengeksplorasi bagaimana parameter perilaku yang tidak pasti memengaruhi hasil agregat.

Cara kerjanya

Cara kerjanya

1

Setiap variabel masukan yang tidak pasti diberi distribusi probabilitas (seragam, normal, lognormal, dll.) dan rentang yang masuk akal ditentukan. Langkah ini membuat eksplisit apa yang diketahui — atau diasumsikan — oleh analis tentang setiap parameter sebelum pengambilan sampel dimulai. Jika masukan berkorelasi, metode korelasi peringkat Iman-Conover dapat diterapkan untuk mempertahankan struktur ketergantungan mereka sambil tetap menghasilkan desain LHS yang valid.

2

Distribusi kumulatif setiap variabel masukan dibagi menjadi N interval yang memiliki probabilitas sama (strata). Satu nilai diambil secara acak dari dalam setiap strata, dan N nilai yang diambil diacak secara independen di seluruh variabel masukan. Hasilnya adalah matriks N × k (N sampel, k masukan) di mana setiap baris adalah kombinasi nilai masukan yang berbeda dan setiap strata muncul tepat satu kali di setiap kolom. Properti stratifikasi inilah yang membuat LHS lebih efisien daripada pengambilan sampel acak sederhana.

3

Model komputer — simulasi, pemecah elemen hingga, model berbasis agen, atau fungsi kotak hitam apa pun — dievaluasi pada setiap kombinasi masukan N yang disampel. Nilai keluaran membentuk vektor Y dengan panjang N. Ukuran sampel minimum yang direkomendasikan umumnya adalah 1000 kali jalankan; di bawah ambang batas ini, keunggulan cakupan LHS dibandingkan Monte Carlo biasa menyempit dan indeks Sobol menjadi tidak dapat diandalkan. Khusus untuk analisis Sobol, ukuran sampel yang dibutuhkan tumbuh seiring N·(k+2), di mana k adalah jumlah masukan.

4

Indeks sensitivitas berbasis varians Sobol diestimasi dari keluaran model. Indeks orde pertama S_i mengukur fraksi varians keluaran total yang diatribusikan hanya pada masukan i; indeks orde total S_Ti menangkap efek langsung dan interaksi. Bersama-sama, indeks-indeks ini mengurutkan masukan berdasarkan kepentingan, mengidentifikasi parameter mana yang dapat diperbaiki tanpa kehilangan informasi, dan memandu penyederhanaan model serta upaya kalibrasi lebih lanjut.

Kesalahan umum

  • Menggunakan kurang dari 1000 titik sampel: ruang parameter tidak tercakup secara memadai, dan indeks Sobol yang dihitung dari sampel kecil memiliki varians tinggi dan tidak dapat diandalkan.
  • Mengabaikan korelasi masukan: memperlakukan masukan berkorelasi sebagai independen mendistorsi sampel dan menghasilkan estimasi sensitivitas yang menyesatkan — selalu terapkan koreksi Iman-Conover ketika korelasi tidak dapat diabaikan.
  • Mencampur indeks Sobol orde pertama dan orde total: indeks orde pertama yang kecil tidak berarti masukan tidak penting jika masukan tersebut berpartisipasi dalam efek interaksi yang kuat yang ditangkap oleh indeks orde total.
  • Menerapkan LHS ketika model bersifat deterministik dan sangat mulus: dalam kasus tersebut, model pengganti atau metode berbasis gradien mungkin memberikan wawasan yang sama dengan biaya lebih rendah.

Pertanyaan yang sering diajukan

Bagaimana LHS berbeda dari pengambilan sampel Monte Carlo standar?

Kedua metode digunakan untuk mengambil sampel ruang masukan untuk simulasi, tetapi mereka berbeda dalam cara mereka menempatkan sampel. Monte Carlo standar mengambil setiap titik sampel secara independen dan acak secara seragam, yang dapat meninggalkan beberapa wilayah ruang masukan terwakili berlebihan dan yang lain jarang murni karena kebetulan. LHS memberlakukan aturan stratifikasi: rentang setiap variabel masukan dibagi menjadi interval yang memiliki probabilitas sama, dan tepat satu sampel ditempatkan di setiap interval. Ini menjamin cakupan ruang masukan yang lebih baik dengan jumlah titik yang sama, yang mengarah pada varians estimasi yang lebih rendah untuk banyak kuantitas yang diminati.

Berapa banyak sampel yang dibutuhkan?

Minimum 1000 titik sampel adalah ambang batas yang umum direkomendasikan untuk cakupan ruang masukan yang andal dengan LHS. Untuk analisis sensitivitas Sobol, ukuran sampel yang dibutuhkan adalah N·(k+2), di mana k adalah jumlah variabel masukan. Misalnya, dengan 10 masukan dan N = 1024, jumlah total evaluasi model adalah 12.288. Di bawah 1000 sampel, keunggulan pengisi ruang LHS menyempit dan indeks Sobol menjadi sangat tidak pasti.

Apa itu indeks Sobol dan mengapa digunakan dengan LHS?

Indeks Sobol adalah ukuran sensitivitas berbasis varians. Indeks orde pertama S_i mengukur seberapa banyak varians keluaran total dijelaskan oleh masukan i saja; indeks orde total S_Ti menangkap efek gabungan dari masukan i dan semua interaksinya dengan masukan lain. Indeks ini sering dipasangkan dengan LHS karena LHS menghasilkan sampel yang tersebar merata di ruang masukan, yang merupakan titik awal untuk estimator Saltelli dari indeks Sobol. Bersama-sama, kedua teknik ini mengidentifikasi masukan mana yang mendorong keluaran model dan mana yang dapat dianggap tetap — langkah kunci dalam penyederhanaan model dan perencanaan kalibrasi.

Apa yang harus saya lakukan ketika masukan berkorelasi?

LHS standar menghasilkan sampel dengan asumsi bahwa masukan independen. Ketika masukan berkorelasi, terapkan metode korelasi peringkat Iman-Conover sebagai langkah pasca-pemrosesan: metode ini mengatur ulang kolom LHS untuk menimbulkan korelasi peringkat yang diinginkan di antara masukan sambil mempertahankan distribusi marginal dan sifat stratifikasi. Mengabaikan korelasi yang diketahui akan memperbesar atau memperkecil estimasi sensitivitas dan memberikan gambaran yang menyesatkan tentang masukan mana yang paling penting.

Metode terkait

Sumber

  1. McKay, M.D., Beckman, R.J. & Conover, W.J. (1979). A Comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code. Technometrics, 21(2), 239-245.

    Buka referensi DOI
    Disalin.
  2. Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M. & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    Buka referensi DOI
    Disalin.