Skip to content
Torna ai risultati

Analisi di Sensitività Globale — Sobol, Morris, e FAST

Introdotto da
I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
Anno
1973–2001
Tipo
Variance-based sensitivity decomposition

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

L'analisi di sensitività globale (GSA) è una famiglia di tecniche che decompone la varianza dell'output di un modello attraverso i suoi parametri di input, quantificando quanto ciascun input — e ciascuna combinazione di input — contribuisce all'incertezza totale nel risultato.

Gli indici basati sulla varianza di Sobol (2001), lo screening one-at-a-time (OAT) di Morris (1991) e il Fourier Amplitude Sensitivity Test (FAST, proposto per la prima volta da Cukier et al. nel 1973) sono i tre approcci più ampiamente utilizzati. Insieme servono come toolkit standard per identificare quali parametri guidano il comportamento del modello e quali possono essere fissati in sicurezza.

L’intuizione alla base del metodo

Immaginate un modello con dieci manopole di input. Volete sapere quali manopole contano e quali influenzano appena l'output. Un controllo di sensitività locale dice solo cosa succede vicino a una particolare impostazione; l'analisi di sensitività globale esplora l'intero spazio plausibile delle impostazioni contemporaneamente. L'approccio di Sobol è il più completo: alloca una frazione della varianza totale dell'output a ciascun input e a ogni combinazione di input. Morris è un metodo di screening più economico che classifica i parametri in base alla loro influenza complessiva senza scomporre completamente la varianza. FAST utilizza un trucco di trasformata di Fourier per ottenere la decomposizione della varianza con meno esecuzioni del modello rispetto a Sobol. Tutti e tre i metodi rispondono alla stessa domanda fondamentale — quali input sono quelli importanti — a diversi livelli di costo e precisione.

Storia

La decomposizione della varianza dell'output del modello in contributi da input individuali ha radici nella tradizione ANOVA, ma la sua applicazione sistematica ai modelli computazionali è iniziata con il Fourier Amplitude Sensitivity Test introdotto da Cukier, Levine e Shuler negli anni '70. Max Morris ha formalizzato l'approccio di screening degli effetti elementari one-at-a-time in un articolo del 1991 che rimane ampiamente citato per la sua economia pratica. La formulazione moderna più influente è venuta da Ilya M. Sobol, il cui articolo del 2001 ha stabilito gli stimatori Monte Carlo per gli indici basati sulla varianza di primo ordine e di effetto totale che sono ora lo standard. Il libro di testo di Saltelli e colleghi (2008) ha consolidato il campo e ha stabilito lo schema di campionamento di Saltelli come implementazione di riferimento per gli indici di Sobol. Oggi, l'analisi di sensitività globale è una componente di routine della validazione del modello nell'ingegneria, nelle scienze ambientali, nell'epidemiologia e nell'economia.

Quando usarlo

L'analisi di sensitività globale è appropriata ogni volta che è necessario comprendere quali input guidano l'incertezza in un modello computazionale, o quando si desidera semplificare un modello identificando parametri non influenti che possono essere fissati. Si applica a qualsiasi modello deterministico o stocastico in cui gli input possono essere descritti da distribuzioni o intervalli plausibili. Gli indici di Sobol sono la scelta più informativa quando il numero di esecuzioni del modello è accessibile (tipicamente centinaia o migliaia per parametro). Lo screening di Morris è preferito per l'esplorazione iniziale quando il modello è costoso e ci sono molti parametri candidati da classificare rapidamente. FAST è un buon compromesso quando il costo di campionamento di Sobol è proibitivo ma si desidera una decomposizione completa della varianza. Il metodo non richiede input distribuiti normalmente; si aspettano tipi di input continui. Non è adatto quando agli input non possono essere assegnate distribuzioni di probabilità o intervalli plausibili, o quando il modello è puramente basato sui dati senza una struttura di simulazione forward.

Limiti e considerazioni

  • Gli indici di Sobol richiedono N×(2k+2) esecuzioni del modello, che possono essere proibitive per simulatori costosi con molti parametri.
  • Lo screening di Morris rivela la classifica dell'importanza dei parametri ma non decompone la varianza in frazioni quantificate; non può sostituire gli indici di Sobol quando è necessaria una precisa ripartizione.
  • Tutti i metodi assumono che l'incertezza dell'input possa essere caratterizzata da distribuzioni di probabilità o intervalli limitati; se questa conoscenza a priori è indisponibile o inaffidabile, gli indici risultanti riflettono l'incertezza assunta piuttosto che quella reale.
  • Per modelli con input discreti o categorici, il quadro standard basato sulla varianza non si applica direttamente e sono necessarie estensioni o approcci alternativi.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Esplora l'intero spazio di input simultaneamente piuttosto che fare assunzioni di linearizzazione locale, catturando comportamenti non lineari e interazioni tra parametri.
  • Gli indici di effetto totale (ST) di Sobol identificano direttamente i parametri non influenti che possono essere fissati, consentendo una semplificazione del modello basata su principi.
  • Il metodo di Morris è estremamente economico rispetto alla decomposizione completa della varianza, rendendolo pratico per modelli ad alta dimensionalità o computazionalmente costosi.
  • FAST ottiene la decomposizione completa della varianza con meno esecuzioni rispetto al campionamento Saltelli-Sobol, offrendo un compromesso efficiente.
  • I risultati sono interpretabili: gli indici di sensitività sono frazioni normalizzate della varianza totale, consentendo una classificazione e una comunicazione semplici.

Applicazioni

  • Identificare quali parametri del modello influenzano maggiormente le previsioni nei modelli climatici e dei sistemi terrestri, indirizzando gli sforzi di calibrazione verso i parametri che contano.
  • Semplificare modelli farmacocinetici e farmacodinamici complessi fissando parametri non influenti prima dell'adattamento ai dati clinici.
  • Prioritizzare la riduzione dell'incertezza nelle valutazioni di rischio e sicurezza per sistemi di ingegneria nucleare, chimica o strutturale.
  • Guidare la progettazione sperimentale nella biologia computazionale e nella modellistica dei sistemi rivelando quali fattori di input guidano maggiormente la variabilità negli output del modello.
  • Supportare l'analisi delle politiche quantificando quali assunzioni di input incerte influenzano maggiormente le conclusioni dei modelli economici o epidemiologici.

Come funziona

Come funziona

1

L'analista specifica lo spazio dei parametri di input: a ciascun parametro viene assegnata una distribuzione di probabilità (o un intervallo plausibile) che cattura la conoscenza a priori sulla sua incertezza. Viene definito anche il modello la cui output deve essere analizzato in questa fase. La scelta attenta degli intervalli di input è critica perché gli indici di sensitività sono relativi allo spazio che viene esplorato.

2

Viene generato un insieme strutturato di combinazioni di input secondo il metodo scelto. Per gli indici di Sobol, lo schema di campionamento di Saltelli produce N×(2k+2) valutazioni del modello per k parametri; utilizza sequenze quasi-casuali (a bassa discrepanza) per coprire efficientemente lo spazio di input. Il metodo di Morris utilizza un disegno di traiettoria one-at-a-time che varia un parametro alla volta mantenendo fissi gli altri. FAST utilizza uno schema di campionamento periodico basato su frequenze distinte assegnate a ciascun input.

3

Il modello computazionale viene valutato in ogni punto di campionamento dell'input. Questa fase può essere la parte più costosa dell'analisi se il modello è computazionalmente oneroso. Per simulatori costosi, modelli surrogati (metamodelli) come emulatori di processi Gaussiani vengono talvolta sostituiti per rendere fattibile il numero richiesto di valutazioni.

4

Gli output del modello vengono analizzati per calcolare le misure di sensitività. Per Sobol, la varianza totale dell'output viene partizionata: l'indice di primo ordine S1 cattura la frazione di varianza dovuta a un parametro che agisce da solo, e l'indice di effetto totale ST cattura il suo contributo includendo tutte le interazioni con altri parametri. Morris calcola un effetto elementare per ciascun parametro in ogni punto della traiettoria; la media e la deviazione standard di questi effetti indicano l'influenza complessiva e la non linearità o interazione. FAST utilizza l'analisi di Fourier della variazione dell'output per attribuire la varianza a ciascuna frequenza di input.

5

I parametri vengono classificati in base ai loro indici di sensitività. Un S1 elevato suggerisce che un parametro ha un forte effetto diretto; un ampio divario tra S1 e ST indica un'interazione significativa con altri parametri. I parametri con ST vicino allo zero possono essere fissati ai valori nominali senza influenzare materialmente la distribuzione dell'output — questo è il risultato pratico chiave. I risultati vengono tipicamente visualizzati come grafici a barre o grafici a dispersione di indici con intervalli di confidenza bootstrap.

Errori comuni

  • Specificare intervalli di input troppo stretti riduce artificialmente la sensitività apparente di parametri che potrebbero essere importanti in un intervallo realistico più ampio — basare sempre gli intervalli di input sulla conoscenza del dominio o sui dati.
  • Riportare solo gli indici di primo ordine (S1) ignorando gli indici di effetto totale (ST) fa perdere gli effetti di interazione; un parametro con S1 basso ma ST alto è ancora importante perché interagisce fortemente con altri.
  • Utilizzare troppo poche esecuzioni del modello per gli indici di Sobol produce stime degli indici instabili e inaffidabili; gli intervalli di confidenza bootstrap dovrebbero sempre essere calcolati per valutare la convergenza.
  • Applicare un risultato di screening di Morris come risposta finale quando lo scopo richiede una precisa attribuzione della varianza — Morris classifica i parametri ma non quantifica i loro contributi frazionali; utilizzare Sobol o FAST per questo.
  • Confondere l'analisi di sensitività locale (derivate in un singolo punto) con l'analisi di sensitività globale — l'analisi locale non cattura le interazioni tra parametri o la non linearità sull'intero spazio di input.

Domande frequenti

Dovrei usare Sobol, Morris o FAST?

La scelta dipende dal budget di esecuzioni del modello e dall'obiettivo. Iniziare con Morris se il modello è costoso e si hanno molti parametri da esaminare — li classifica a basso costo. Se ci si può permettere N×(2k+2) esecuzioni (dove k è il numero di parametri), gli indici di Sobol forniscono il quadro più completo quantificando gli effetti di primo ordine e di interazione come frazioni della varianza totale. FAST è una buona opzione quando si desidera una decomposizione completa della varianza ma la dimensione del campione di Sobol è troppo grande; ottiene informazioni simili con meno esecuzioni.

Cosa significano effettivamente gli indici di primo ordine (S1) e di effetto totale (ST)?

S1 per un parametro è la frazione della varianza totale dell'output spiegata da quel parametro da solo, ignorando le interazioni. ST è la frazione spiegata da quel parametro e da tutte le sue interazioni con altri parametri. Se S1 ≈ ST per tutti i parametri, le interazioni sono trascurabili. Un ampio divario tra S1 e ST segnala importanti effetti di interazione. I parametri con ST vicino a zero possono essere fissati senza modificare in modo significativo l'incertezza dell'output.

Di quante esecuzioni del modello ho bisogno?

Lo schema standard di Saltelli per gli indici di Sobol richiede N×(2k+2) esecuzioni, dove N è una dimensione di base del campione (spesso 512–2048) e k è il numero di parametri di input. Ad esempio, con k=10 parametri e N=1024, si tratta di 22.528 esecuzioni. Morris richiede tipicamente r×(k+1) esecuzioni, dove r è il numero di traiettorie (spesso 10–50), dando un totale molto più piccolo. I requisiti di FAST variano a seconda dell'implementazione ma sono generalmente compresi tra quelli di Morris e Sobol.

Posso usare l'analisi di sensitività globale su un modello che non è una simulazione?

GSA si applica a qualsiasi modello che mappa un insieme di input a output e può essere valutato ripetutamente a diversi valori di input. Ciò include modelli statistici, modelli di machine learning ed equazioni analitiche, non solo simulazioni basate sulla fisica. Il requisito è che agli input possano essere assegnate distribuzioni plausibili o intervalli e che il modello possa essere eseguito abbastanza volte da popolare la matrice del campione.

Metodi correlati

Fonti

  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.

    Apri il riferimento DOI
    Copiato.
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    Apri il riferimento DOI
    Copiato.