Globalna analiza wrażliwości — Sobol, Morris i FAST
- Autor metody
- I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
- Rok
- 1973–2001
- Typ
- Variance-based sensitivity decomposition
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Globalna analiza wrażliwości (GSA) to rodzina technik, które rozkładają wariancję wyjścia modelu na jego parametry wejściowe, kwantyfikując, w jakim stopniu każdy parametr wejściowy — i każda kombinacja parametrów wejściowych — przyczynia się do całkowitej niepewności wyniku.
Indeksy wariancyjne Sobola (2001), przesiewanie metodą Morrisa (OAT, 1991) oraz test wrażliwości z transformacją Fouriera (FAST, po raz pierwszy zaproponowany przez Cukiera i in. w 1973 r.) to trzy najczęściej stosowane podejścia. Razem służą one jako standardowy zestaw narzędzi do identyfikacji, które parametry determinują zachowanie modelu, a które można bezpiecznie ustalić.
Intuicja stojąca za metodą
Wyobraźmy sobie model z dziesięcioma pokrętłami wejściowymi. Chcemy wiedzieć, które pokrętła mają znaczenie, a które ledwo wpływają na wynik. Lokalna kontrola wrażliwości informuje jedynie o tym, co dzieje się w pobliżu jednego konkretnego ustawienia; globalna analiza wrażliwości bada jednocześnie całą wiarygodną przestrzeń ustawień. Podejście Sobola jest najbardziej gruntowne: przypisuje ułamek całkowitej wariancji wyjścia każdemu wejściu i każdej kombinacji wejść. Metoda Morrisa to tańsza metoda przesiewowa, która szereguje parametry według ich ogólnego wpływu bez pełnego rozkładu wariancji. FAST wykorzystuje sztuczkę z transformacją Fouriera, aby osiągnąć rozkład wariancji przy mniejszej liczbie uruchomień modelu niż Sobol. Wszystkie trzy metody odpowiadają na to samo fundamentalne pytanie — które wejścia są ważne — na różnych poziomach kosztów i precyzji.
Historia
Rozkład wariancji wyjścia modelu na wkłady poszczególnych danych wejściowych ma korzenie w tradycji ANOVA, ale jego systematyczne zastosowanie do modeli obliczeniowych rozpoczęło się od testu wrażliwości z transformacją Fouriera wprowadzonego przez Cukiera, Levine'a i Shulera w latach 70. Max Morris sformalizował podejście przesiewowe efektów elementarnych „jeden na raz” w artykule z 1991 roku, który pozostaje szeroko cytowany ze względu na swoją praktyczną ekonomię. Najbardziej wpływowa współczesna formuła pochodzi od Ilji M. Sobola, którego artykuł z 2001 roku ustanowił estymatory Monte Carlo dla indeksów wariancyjnych pierwszego rzędu i całkowitego efektu, które są obecnie standardem. Podręcznik Saltellego i współpracowników (2008) skonsolidował dziedzinę i ustanowił schemat próbkowania Saltellego jako referencyjną implementację dla indeksów Sobola. Dziś globalna analiza wrażliwości jest rutynowym elementem walidacji modeli w inżynierii, naukach o środowisku, epidemiologii i ekonomii.
Kiedy stosować
Globalna analiza wrażliwości jest odpowiednia zawsze, gdy trzeba zrozumieć, które dane wejściowe wpływają na niepewność w modelu obliczeniowym, lub gdy chce się uprościć model poprzez identyfikację nieistotnych parametrów, które można ustalić. Ma zastosowanie do każdego modelu deterministycznego lub stochastycznego, w którym dane wejściowe mogą być opisane rozkładami lub wiarygodnymi zakresami. Indeksy Sobola są najbardziej informatywnym wyborem, gdy liczba uruchomień modelu jest przystępna (zazwyczaj setki do tysięcy na parametr). Przesiewanie metodą Morrisa jest preferowane do wstępnej eksploracji, gdy model jest kosztowny i istnieje wiele kandydatów na parametry do szybkiego uszeregowania. FAST jest dobrym kompromisem, gdy koszt próbkowania Sobola jest zbyt wysoki, ale pożądany jest pełny rozkład wariancji. Metoda nie wymaga normalnie rozłożonych danych wejściowych; oczekuje się ciągłych typów danych wejściowych. Nie jest odpowiednia, gdy danym wejściowym nie można przypisać rozkładów prawdopodobieństwa lub wiarygodnych zakresów, lub gdy model jest czysto oparty na danych bez struktury symulacji forward.
Ograniczenia i uwagi
- Indeksy Sobola wymagają N×(2k+2) uruchomień modelu, co może być zbyt kosztowne dla drogich symulatorów z wieloma parametrami.
- Przesiewanie metodą Morrisa ujawnia ranking ważności parametrów, ale nie rozkłada wariancji na skwantyfikowane ułamki; nie może zastąpić indeksów Sobola, gdy potrzebny jest precyzyjny podział.
- Wszystkie metody zakładają, że niepewność danych wejściowych może być scharakteryzowana przez rozkłady prawdopodobieństwa lub ograniczone zakresy; jeśli ta wcześniejsza wiedza jest niedostępna lub niewiarygodna, wynikowe indeksy odzwierciedlają niepewność założoną, a nie prawdziwą.
- Dla modeli z dyskretnymi lub kategorycznymi danymi wejściowymi, standardowe ramy oparte na wariancji nie mają bezpośredniego zastosowania i wymagane są rozszerzenia lub alternatywne podejścia.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Bada całą przestrzeń wejściową jednocześnie, zamiast przyjmować lokalne założenia linearyzacyjne, wychwytując nieliniowe zachowania i interakcje parametrów.
- Indeksy całkowitego efektu Sobola (ST) bezpośrednio identyfikują nieistotne parametry, które można ustalić, umożliwiając zasadnicze uproszczenie modelu.
- Metoda Morrisa jest niezwykle tania w porównaniu do pełnego rozkładu wariancji, co czyni ją praktyczną dla modeli o dużej wymiarowości lub kosztownych obliczeniowo.
- FAST osiąga pełny rozkład wariancji przy mniejszej liczbie uruchomień niż próbkowanie Saltelli-Sobol, oferując efektywny kompromis.
- Wyniki są interpretowalne: indeksy wrażliwości są znormalizowanymi ułamkami całkowitej wariancji, co umożliwia proste szeregowanie i komunikację.
Zastosowania
- Identyfikacja, które parametry modelu najbardziej wpływają na prognozy w modelach klimatycznych i systemów ziemskich, kierując wysiłki kalibracyjne na parametry, które mają znaczenie.
- Upraszczanie złożonych modeli farmakokinetycznych i farmakodynamicznych poprzez ustalanie nieistotnych parametrów przed dopasowaniem do danych klinicznych.
- Priorytetyzacja redukcji niepewności w ocenach ryzyka i bezpieczeństwa dla systemów inżynierii jądrowej, chemicznej lub strukturalnej.
- Kierowanie projektowaniem eksperymentów w biologii obliczeniowej i modelowaniu systemów poprzez ujawnianie, które czynniki wejściowe najbardziej wpływają na zmienność wyników modelu.
- Wspieranie analizy polityki poprzez kwantyfikację, które niepewne założenia wejściowe najbardziej wpływają na wnioski modeli ekonomicznych lub epidemiologicznych.
Jak to działa
Jak to działa
Analityk określa przestrzeń parametrów wejściowych: każdemu parametrowi przypisywany jest rozkład prawdopodobieństwa (lub wiarygodny zakres), który odzwierciedla wcześniejszą wiedzę o jego niepewności. Model, którego wyjście ma być analizowane, jest również definiowany na tym etapie. Ostrożny wybór zakresów wejściowych jest kluczowy, ponieważ indeksy wrażliwości są względne w stosunku do badanej przestrzeni.
Strukturalny zestaw kombinacji wejściowych jest generowany zgodnie z wybraną metodą. Dla indeksów Sobola, schemat próbkowania Saltellego generuje N×(2k+2) ewaluacji modelu dla k parametrów; wykorzystuje on sekwencje quasi-losowe (o niskiej dyskrepancji) do efektywnego pokrycia przestrzeni wejściowej. Metoda Morrisa wykorzystuje projekt trajektorii „jeden na raz”, który zmienia jeden parametr, utrzymując inne stałe. FAST wykorzystuje schemat próbkowania okresowego zbudowany na odrębnych częstotliwościach przypisanych do każdego wejścia.
Model obliczeniowy jest ewaluowany w każdym próbkowanym punkcie wejściowym. Ten etap może być najdroższą częścią analizy, jeśli model jest kosztowny obliczeniowo. W przypadku kosztownych symulatorów, modele zastępcze (metamodele), takie jak emulatory procesów Gaussa, są czasami podstawiane, aby umożliwić wymaganą liczbę ewaluacji.
Wyniki modelu są analizowane w celu obliczenia miar wrażliwości. Dla Sobola, całkowita wariancja wyjścia jest dzielona: indeks pierwszego rzędu S1 odzwierciedla ułamek wariancji spowodowany działaniem parametru samodzielnie, a indeks całkowitego efektu ST odzwierciedla jego wkład, włączając wszystkie interakcje z innymi parametrami. Morris oblicza efekt elementarny dla każdego parametru w każdym punkcie trajektorii; średnia i odchylenie standardowe tych efektów wskazują na ogólny wpływ oraz nieliniowość lub interakcję. FAST wykorzystuje analizę Fouriera zmienności wyjścia do przypisania wariancji każdej częstotliwości wejściowej.
Parametry są szeregowane według ich indeksów wrażliwości. Wysoki S1 sugeruje, że parametr ma silny efekt bezpośredni; duża różnica między S1 a ST wskazuje na znaczącą interakcję z innymi parametrami. Parametry z ST bliskim zeru mogą być ustalone na wartościach nominalnych bez istotnego wpływu na rozkład wyjścia — jest to kluczowy praktyczny wynik. Wyniki są zazwyczaj przedstawiane w postaci wykresów słupkowych lub punktowych indeksów z przedziałami ufności bootstrap.
Częste pułapki
- Określenie zbyt wąskich zakresów wejściowych sztucznie zmniejsza pozorną wrażliwość parametrów, które miałyby znaczenie w szerszym, realistycznym zakresie — zawsze opieraj zakresy wejściowe na wiedzy dziedzinowej lub danych.
- Raportowanie tylko indeksów pierwszego rzędu (S1) i ignorowanie indeksów całkowitego efektu (ST) pomija efekty interakcji; parametr z niskim S1, ale wysokim ST jest nadal ważny, ponieważ silnie oddziałuje z innymi.
- Użycie zbyt małej liczby uruchomień modelu dla indeksów Sobola prowadzi do niestabilnych, niewiarygodnych oszacowań indeksów; zawsze należy obliczać przedziały ufności bootstrap, aby ocenić zbieżność.
- Stosowanie wyniku przesiewania metodą Morrisa jako ostatecznej odpowiedzi, gdy cel wymaga precyzyjnego przypisania wariancji — Morris szereguje parametry, ale nie kwantyfikuje ich ułamkowych wkładów; do tego celu użyj Sobola lub FAST.
- Mylenie lokalnej analizy wrażliwości (pochodne w pojedynczym punkcie) z globalną analizą wrażliwości — analiza lokalna nie wychwytuje interakcji parametrów ani nieliniowości w całej przestrzeni wejściowej.
Najczęściej zadawane pytania
Czy powinienem używać Sobola, Morrisa czy FAST?
Wybór zależy od budżetu uruchomień modelu i celu. Zacznij od Morrisa, jeśli model jest kosztowny i masz wiele parametrów do przesiewania — szereguje je tanio. Jeśli możesz sobie pozwolić na N×(2k+2) uruchomień (gdzie k to liczba parametrów), indeksy Sobola dają najbardziej kompletny obraz, kwantyfikując efekty pierwszego rzędu i interakcji jako ułamki całkowitej wariancji. FAST jest dobrą opcją, gdy chcesz pełnego rozkładu wariancji, ale rozmiar próbki Sobola jest zbyt duży; osiąga podobne informacje przy mniejszej liczbie uruchomień.
Co właściwie oznaczają indeksy pierwszego rzędu (S1) i całkowitego efektu (ST)?
S1 dla parametru to ułamek całkowitej wariancji wyjścia wyjaśniony przez ten parametr samodzielnie, ignorując interakcje. ST to ułamek wyjaśniony przez ten parametr i wszystkie jego interakcje z innymi parametrami. Jeśli S1 ≈ ST dla wszystkich parametrów, interakcje są pomijalne. Duża różnica między S1 a ST sygnalizuje ważne efekty interakcji. Parametry z ST bliskim zeru można ustalić bez znaczącej zmiany niepewności wyjścia.
Ile uruchomień modelu potrzebuję?
Standardowy schemat Saltellego dla indeksów Sobola wymaga N×(2k+2) uruchomień, gdzie N to podstawowy rozmiar próbki (często 512–2048), a k to liczba parametrów wejściowych. Na przykład, dla k=10 parametrów i N=1024, to 22 528 uruchomień. Morris zazwyczaj potrzebuje r×(k+1) uruchomień, gdzie r to liczba trajektorii (często 10–50), co daje znacznie mniejszą sumę. Wymagania FAST różnią się w zależności od implementacji, ale ogólnie mieszczą się między wymaganiami Morrisa a Sobola.
Czy mogę używać globalnej analizy wrażliwości w modelu, który nie jest symulacją?
GSA ma zastosowanie do każdego modelu, który mapuje zestaw danych wejściowych na dane wyjściowe i może być wielokrotnie ewaluowany przy różnych wartościach wejściowych. Obejmuje to modele statystyczne, modele uczenia maszynowego i równania analityczne, a nie tylko symulacje oparte na fizyce. Wymogiem jest, aby danym wejściowym można było przypisać wiarygodne rozkłady lub zakresy, a model mógł być uruchomiony wystarczającą liczbę razy, aby wypełnić macierz próbek.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.
Otwórz odnośnik DOISkopiowano.