Skip to content
Voltar aos resultados

Análise de Sensibilidade Global — Sobol, Morris e FAST

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

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A análise de sensibilidade global (GSA) é uma família de técnicas que decompõem a variância da saída de um modelo em relação aos seus parâmetros de entrada, quantificando quanto cada entrada — e cada combinação de entradas — contribui para a incerteza total no resultado.

Os índices de Sobol baseados em variância (2001), a triagem de um-a-vez (OAT) de Morris (1991) e o teste de sensibilidade de amplitude de Fourier (FAST, proposto pela primeira vez por Cukier et al. em 1973) são as três abordagens mais utilizadas. Juntas, elas servem como o conjunto de ferramentas padrão para identificar quais parâmetros impulsionam o comportamento do modelo e quais podem ser fixados com segurança.

A intuição por trás do método

Imagine um modelo com dez botões de entrada. Você quer saber quais botões importam e quais mal afetam a saída. Uma verificação de sensibilidade local apenas diz o que acontece perto de uma configuração específica; a análise de sensibilidade global explora todo o espaço plausível de configurações de uma vez. A abordagem de Sobol é a mais completa: ela aloca uma fração da variância total da saída para cada entrada e para todas as combinações de entradas. Morris é um método de triagem mais barato que classifica os parâmetros por sua influência geral sem decompor totalmente a variância. FAST usa um truque de transformada de Fourier para alcançar a decomposição da variância com menos execuções de modelo do que Sobol. Todos os três métodos respondem à mesma pergunta fundamental — quais entradas são as importantes — em diferentes níveis de custo e precisão.

História

A decomposição da variância da saída do modelo em contribuições de entradas individuais tem raízes na tradição da ANOVA, mas sua aplicação sistemática a modelos computacionais começou com o Teste de Sensibilidade de Amplitude de Fourier introduzido por Cukier, Levine e Shuler nos anos 1970. Max Morris formalizou a abordagem de triagem de efeitos elementares um-a-vez em um artigo de 1991 que permanece amplamente citado por sua economia prática. A formulação moderna mais influente veio de Ilya M. Sobol, cujo artigo de 2001 estabeleceu os estimadores de Monte Carlo para índices baseados em variância de primeira ordem e de efeito total que são agora o padrão. O livro de Saltelli e colegas (2008) consolidou o campo e estabeleceu o esquema de amostragem de Saltelli como a implementação de referência para os índices de Sobol. Hoje, a análise de sensibilidade global é um componente rotineiro de validação de modelos em engenharia, ciências ambientais, epidemiologia e economia.

Quando usar

A análise de sensibilidade global é apropriada sempre que você precisar entender quais entradas impulsionam a incerteza em um modelo computacional, ou quando quiser simplificar um modelo identificando parâmetros não influentes que podem ser fixados. Ela se aplica a qualquer modelo determinístico ou estocástico onde as entradas podem ser descritas por distribuições ou intervalos plausíveis. Os índices de Sobol são a escolha mais informativa quando o número de execuções do modelo é acessível (tipicamente centenas a milhares por parâmetro). A triagem de Morris é preferida para exploração inicial quando o modelo é caro e há muitos parâmetros candidatos para classificar rapidamente. FAST é um bom meio-termo quando o custo de amostra de Sobol é proibitivo, mas a decomposição completa da variância é desejada. O método não requer entradas normalmente distribuídas; tipos de entrada contínuos são esperados. Não é adequado quando as entradas não podem ter distribuições de probabilidade ou intervalos plausíveis atribuídos, ou quando o modelo é puramente orientado a dados sem uma estrutura de simulação direta.

Limitações e considerações

  • Os índices de Sobol requerem N×(2k+2) execuções de modelo, o que pode ser proibitivo para simuladores caros com muitos parâmetros.
  • A triagem de Morris revela a classificação da importância dos parâmetros, mas não decompõe a variância em frações quantificadas; ela não pode substituir os índices de Sobol quando a partição precisa é necessária.
  • Todos os métodos assumem que a incerteza de entrada pode ser caracterizada por distribuições de probabilidade ou intervalos limitados; se esse conhecimento prévio não estiver disponível ou for não confiável, os índices resultantes refletirão a incerteza assumida em vez da verdadeira.
  • Para modelos com entradas discretas ou categóricas, o quadro padrão baseado em variância não se aplica diretamente e extensões ou abordagens alternativas são necessárias.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Explora todo o espaço de entrada simultaneamente em vez de fazer suposições de linearização local, capturando comportamento não linear e interações de parâmetros.
  • Os índices de efeito total (ST) de Sobol identificam diretamente parâmetros não influentes que podem ser fixados, permitindo a simplificação principiada do modelo.
  • O método de Morris é extremamente barato em relação à decomposição completa da variância, tornando-o prático para modelos de alta dimensão ou computacionalmente caros.
  • FAST alcança a decomposição completa da variância com menos execuções do que a amostragem de Saltelli-Sobol, oferecendo um compromisso eficiente.
  • Os resultados são interpretáveis: os índices de sensibilidade são frações normalizadas da variância total, permitindo classificação e comunicação diretas.

Aplicações

  • Identificar quais parâmetros do modelo mais influenciam as previsões em modelos climáticos e de sistemas terrestres, direcionando os esforços de calibração para os parâmetros que importam.
  • Simplificar modelos farmacocinéticos e farmacodinâmicos complexos fixando parâmetros não influentes antes de ajustar os dados clínicos.
  • Priorizar a redução da incerteza em avaliações de risco e segurança para sistemas de engenharia nuclear, química ou estrutural.
  • Orientar o projeto experimental em biologia computacional e modelagem de sistemas revelando quais fatores de entrada mais impulsionam a variabilidade nas saídas do modelo.
  • Apoiar a análise de políticas quantificando quais suposições de entrada incertas mais afetam as conclusões de modelos econômicos ou epidemiológicos.

Como funciona

Como funciona

1

O analista especifica o espaço de parâmetros de entrada: cada parâmetro recebe uma distribuição de probabilidade (ou um intervalo plausível) que captura o conhecimento prévio sobre sua incerteza. O modelo cuja saída será analisada também é definido nesta fase. A escolha cuidadosa dos intervalos de entrada é crítica porque os índices de sensibilidade são relativos ao espaço que é explorado.

2

Um conjunto estruturado de combinações de entrada é gerado de acordo com o método escolhido. Para os índices de Sobol, o esquema de amostragem de Saltelli produz N×(2k+2) avaliações de modelo para k parâmetros; ele usa sequências quasi-aleatórias (de baixa discrepância) para cobrir o espaço de entrada de forma eficiente. O método de Morris usa um projeto de trajetória um-a-vez que varia um parâmetro de cada vez enquanto mantém os outros fixos. FAST usa um esquema de amostragem periódico construído sobre frequências distintas atribuídas a cada entrada.

3

O modelo computacional é avaliado em cada ponto de entrada amostrado. Esta fase pode ser a parte mais cara da análise se o modelo for computacionalmente custoso. Para simuladores caros, modelos substitutos (metamodelos) como emuladores de processo Gaussiano são às vezes substituídos para tornar o número necessário de avaliações viável.

4

As saídas do modelo são analisadas para calcular as medidas de sensibilidade. Para Sobol, a variância total da saída é particionada: o índice de primeira ordem S1 captura a fração da variância devido a um parâmetro agindo sozinho, e o índice de efeito total ST captura sua contribuição incluindo todas as interações com outros parâmetros. Morris calcula um efeito elementar para cada parâmetro em cada ponto de trajetória; a média e o desvio padrão desses efeitos indicam a influência geral e a não linearidade ou interação. FAST usa análise de Fourier da variação da saída para atribuir variância a cada frequência de entrada.

5

Os parâmetros são classificados por seus índices de sensibilidade. Um S1 alto sugere que um parâmetro tem um forte efeito direto; uma grande lacuna entre S1 e ST indica interação significativa com outros parâmetros. Parâmetros com ST próximo de zero podem ser fixados em valores nominais sem afetar materialmente a distribuição de saída — este é o resultado prático chave. Os resultados são tipicamente exibidos como gráficos de barras ou gráficos de dispersão de índices com intervalos de confiança bootstrap.

Erros comuns

  • Especificar intervalos de entrada muito estreitos reduzem artificialmente a sensibilidade aparente de parâmetros que importariam em uma faixa realista mais ampla — sempre baseie os intervalos de entrada em conhecimento de domínio ou dados.
  • Relatar apenas índices de primeira ordem (S1) e ignorar índices de efeito total (ST) perde os efeitos de interação; um parâmetro com S1 baixo, mas ST alto, ainda é importante porque interage fortemente com outros.
  • Usar poucas execuções de modelo para índices de Sobol produz estimativas de índice instáveis e não confiáveis; intervalos de confiança bootstrap devem sempre ser calculados para avaliar a convergência.
  • Aplicar um resultado de triagem de Morris como resposta final quando o propósito requer atribuição precisa de variância — Morris classifica os parâmetros, mas não quantifica suas contribuições fracionais; use Sobol ou FAST para isso.
  • Confundir análise de sensibilidade local (derivadas em um único ponto) com análise de sensibilidade global — a análise local não captura interações de parâmetros ou não linearidade em todo o espaço de entrada.

Perguntas frequentes

Devo usar Sobol, Morris ou FAST?

A escolha depende do seu orçamento de execuções de modelo e do seu objetivo. Comece com Morris se o modelo for caro e você tiver muitos parâmetros para triar — ele os classifica de forma barata. Se você puder arcar com N×(2k+2) execuções (onde k é o número de parâmetros), os índices de Sobol fornecem a imagem mais completa, quantificando os efeitos de primeira ordem e de interação como frações da variância total. FAST é uma boa opção quando você deseja a decomposição completa da variância, mas o tamanho da amostra de Sobol é muito grande; ele alcança informações semelhantes com menos execuções.

O que os índices de primeira ordem (S1) e de efeito total (ST) realmente significam?

S1 para um parâmetro é a fração da variância total da saída explicada por esse parâmetro sozinho, ignorando interações. ST é a fração explicada por esse parâmetro e todas as suas interações com outros parâmetros. Se S1 ≈ ST para todos os parâmetros, as interações são negligenciáveis. Uma grande lacuna entre S1 e ST sinaliza efeitos de interação importantes. Parâmetros com ST próximo de zero podem ser fixados sem alterar significativamente a incerteza da saída.

Quantas execuções de modelo eu preciso?

O esquema padrão de Saltelli para índices de Sobol requer N×(2k+2) execuções, onde N é um tamanho de amostra base (frequentemente 512–2048) e k é o número de parâmetros de entrada. Por exemplo, com k=10 parâmetros e N=1024, isso dá 22.528 execuções. Morris tipicamente precisa de r×(k+1) execuções, onde r é o número de trajetórias (frequentemente 10–50), resultando em um total muito menor. Os requisitos do FAST variam por implementação, mas geralmente ficam entre os de Morris e Sobol.

Posso usar análise de sensibilidade global em um modelo que não é uma simulação?

GSA se aplica a qualquer modelo que mapeia um conjunto de entradas para saídas e pode ser avaliado repetidamente em diferentes valores de entrada. Isso inclui modelos estatísticos, modelos de aprendizado de máquina e equações analíticas, não apenas simulações baseadas em física. O requisito é que as entradas possam ter distribuições ou intervalos plausíveis atribuídos e que o modelo possa ser executado vezes suficientes para preencher a matriz de amostra.

Métodos relacionados

Fontes

  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.

    Abrir referência DOI
    Copiado.
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    Abrir referência DOI
    Copiado.