Глобальный анализ чувствительности — Сёбол, Моррис и FAST
- Автор метода
- I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
- Год
- 1973–2001
- Тип
- Variance-based sensitivity decomposition
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Глобальный анализ чувствительности (GSA) — это семейство методов, которые разлагают дисперсию выходных данных модели по входным параметрам, количественно определяя, какой вклад вносит каждый входной параметр — и каждая комбинация входных параметров — в общую неопределенность результата.
Индексы дисперсии Сёбола (2001), метод одномерных изменений (OAT) Морриса (1991) и тест амплитуды Фурье (FAST, впервые предложенный Cukier et al. в 1973 г.) являются тремя наиболее широко используемыми подходами. Вместе они служат стандартным набором инструментов для определения того, какие параметры определяют поведение модели, а какие можно безопасно зафиксировать.
Интуиция метода
Представьте модель с десятью входными ручками. Вы хотите знать, какие ручки важны, а какие едва влияют на выходные данные. Локальная проверка чувствительности говорит только о том, что происходит вблизи одной конкретной настройки; глобальный анализ чувствительности исследует все возможное пространство настроек одновременно. Подход Сёбола является наиболее полным: он распределяет долю общей выходной дисперсии между каждым входом и всеми комбинациями входов. Моррис — это более дешевый метод скрининга, который ранжирует параметры по их общему влиянию без полного разложения дисперсии. FAST использует трюк с преобразованием Фурье для разложения дисперсии с меньшим количеством запусков модели, чем Сёбол. Все три метода отвечают на один и тот же фундаментальный вопрос — какие входы важны — с разным уровнем затрат и точности.
История
Разложение дисперсии выходных данных модели на вклады от отдельных входов имеет корни в традиции ANOVA, но его систематическое применение к вычислительным моделям началось с теста амплитуды Фурье, введенного Cukier, Levine и Shuler в 1970-х годах. Мак Моррис формализовал подход скрининга элементарных эффектов одномерных изменений в статье 1991 года, которая остается широко цитируемой за ее практическую экономичность. Наиболее влиятельной современной формулировкой стала работа Ильи М. Сёбола, чья статья 2001 года установила Монте-Карло оценки для индексов первого порядка и общего эффекта на основе дисперсии, которые сейчас являются стандартом. Учебник Saltelli и коллег (2008) консолидировал область и установил схему выборки Салтелли в качестве эталонной реализации для индексов Сёбола. Сегодня глобальный анализ чувствительности является рутинным компонентом валидации моделей в инженерии, науках об окружающей среде, эпидемиологии и экономике.
Когда применять
Глобальный анализ чувствительности уместен всякий раз, когда вам нужно понять, какие входы определяют неопределенность в вычислительной модели, или когда вы хотите упростить модель, выявив не влияющие параметры, которые можно зафиксировать. Он применим к любой детерминированной или стохастической модели, где входы могут быть описаны распределениями или правдоподобными диапазонами. Индексы Сёбола являются наиболее информативным выбором, когда количество запусков модели является приемлемым (обычно сотни или тысячи на параметр). Скрининг Морриса предпочтителен для первоначального исследования, когда модель дорога и есть много кандидатов для быстрого ранжирования. FAST является хорошим компромиссом, когда стоимость выборки Сёбола непомерно высока, но требуется полное разложение дисперсии. Метод не требует нормально распределенных входов; ожидаются непрерывные типы входов. Он не подходит, когда входам нельзя присвоить распределения вероятностей или правдоподобные диапазоны, или когда модель является чисто основанной на данных без структуры прямой симуляции.
Ограничения и замечания
- Индексы Сёбола требуют N×(2k+2) запусков модели, что может быть непомерно дорого для дорогих симуляторов с большим количеством параметров.
- Скрининг Морриса выявляет ранжирование важности параметров, но не разлагает дисперсию на количественные доли; он не может заменить индексы Сёбола, когда требуется точное распределение.
- Все методы предполагают, что неопределенность входных данных может быть охарактеризована распределениями вероятностей или ограниченными диапазонами; если эти предварительные знания недоступны или ненадежны, полученные индексы отражают предполагаемую, а не истинную неопределенность.
- Для моделей с дискретными или категориальными входами стандартная основа, основанная на дисперсии, не применяется напрямую, и требуются расширения или альтернативные подходы.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Исследует все входное пространство одновременно, а не делает предположения о локальной линеаризации, улавливая нелинейное поведение и взаимодействия параметров.
- Индексы общего эффекта Сёбола (ST) напрямую идентифицируют не влияющие параметры, которые можно зафиксировать, что позволяет принципиально упростить модель.
- Метод Морриса чрезвычайно дешев по сравнению с полным разложением дисперсии, что делает его практичным для высокоразмерных или вычислительно дорогих моделей.
- FAST достигает полного разложения дисперсии с меньшим количеством запусков, чем выборка Салтелли-Сёбола, предлагая эффективный компромисс.
- Результаты интерпретируемы: индексы чувствительности представляют собой нормализованные доли общей дисперсии, что позволяет легко ранжировать и сообщать о них.
Применение
- Определение того, какие параметры модели наиболее влияют на прогнозы в климатических моделях и моделях земной системы, направляя усилия по калибровке на параметры, которые имеют значение.
- Упрощение сложных фармакокинетических и фармакодинамических моделей путем фиксации не влияющих параметров перед подгонкой к клиническим данным.
- Приоритизация снижения неопределенности в оценках риска и безопасности для ядерных, химических или конструкционных инженерных систем.
- Направление проектирования экспериментов в вычислительной биологии и системном моделировании путем выявления того, какие входные факторы наиболее сильно влияют на вариативность выходных данных модели.
- Поддержка анализа политики путем количественной оценки того, какие неопределенные входные предположения наиболее сильно влияют на выводы экономических или эпидемиологических моделей.
Как это работает
Как это работает
Аналитик определяет пространство входных параметров: каждому параметру присваивается распределение вероятностей (или правдоподобный диапазон), отражающее предварительные знания о его неопределенности. На этом этапе также определяется модель, выходные данные которой будут анализироваться. Тщательный выбор диапазонов входных параметров имеет решающее значение, поскольку индексы чувствительности относительны к исследуемому пространству.
Генерируется структурированный набор комбинаций входных данных в соответствии с выбранным методом. Для индексов Сёбола схема выборки Салтелли производит N×(2k+2) оценок модели для k параметров; она использует квазислучайные (с низким расхождением) последовательности для эффективного покрытия входного пространства. Метод Морриса использует дизайн траектории одномерных изменений, который изменяет один параметр за раз, удерживая остальные фиксированными. FAST использует периодическую схему выборки, основанную на различных частотах, присвоенных каждому входу.
Вычислительная модель оценивается в каждой точке выборки входных данных. Этот этап может быть самой дорогой частью анализа, если модель вычислительно затратна. Для дорогостоящих симуляторов иногда используются суррогатные модели (метамодели), такие как эмуляторы гауссовских процессов, чтобы сделать необходимое количество оценок выполнимым.
Выходные данные модели анализируются для вычисления мер чувствительности. Для Сёбола общая выходная дисперсия разбивается: индекс первого порядка S1 отражает долю дисперсии, обусловленную параметром, действующим изолированно, а индекс общего эффекта ST отражает его вклад, включая все взаимодействия с другими параметрами. Моррис вычисляет элементарный эффект для каждого параметра в каждой точке траектории; среднее и стандартное отклонение этих эффектов указывают на общее влияние и нелинейность или взаимодействие. FAST использует Фурье-анализ вариации выходных данных для отнесения дисперсии к каждой входной частоте.
Параметры ранжируются по их индексам чувствительности. Высокий S1 предполагает, что параметр имеет сильный прямой эффект; большой разрыв между S1 и ST указывает на значительное взаимодействие с другими параметрами. Параметры с ST, близким к нулю, могут быть зафиксированы на номинальных значениях без существенного влияния на распределение выходных данных — это ключевой практический результат. Результаты обычно отображаются в виде гистограмм или диаграмм рассеяния индексов с доверительными интервалами бутстрэпа.
Частые ошибки
- Указание диапазонов входных параметров, которые слишком узки, искусственно снижает кажущуюся чувствительность параметров, которые имели бы значение в более широком реалистичном диапазоне — всегда основывайте диапазоны входных параметров на знаниях предметной области или данных.
- Сообщение только об индексах первого порядка (S1) и игнорирование индексов общего эффекта (ST) упускает из виду эффекты взаимодействия; параметр с низким S1, но высоким ST все еще важен, потому что он сильно взаимодействует с другими.
- Использование слишком малого количества запусков модели для индексов Сёбола приводит к нестабильным, ненадежным оценкам индексов; доверительные интервалы бутстрэпа всегда должны вычисляться для оценки сходимости.
- Применение результата скрининга Морриса в качестве окончательного ответа, когда цель требует точного распределения дисперсии — Моррис ранжирует параметры, но не количественно определяет их долевые вклады; используйте Сёбола или FAST для этого.
- Путаница между локальным анализом чувствительности (производные в одной точке) и глобальным анализом чувствительности — локальный анализ не улавливает взаимодействия параметров или нелинейность во всем входном пространстве.
Часто задаваемые вопросы
Следует ли мне использовать Сёбола, Морриса или FAST?
Выбор зависит от вашего бюджета запусков модели и вашей цели. Начните с Морриса, если модель дорога и у вас много параметров для скрининга — он дешево их ранжирует. Если вы можете позволить себе N×(2k+2) запусков (где k — количество параметров), индексы Сёбола дают наиболее полную картину, количественно определяя эффекты первого порядка и взаимодействия в виде долей общей дисперсии. FAST — хороший вариант, когда вы хотите полного разложения дисперсии, но размер выборки Сёбола слишком велик; он дает аналогичную информацию при меньшем количестве запусков.
Что на самом деле означают индексы первого порядка (S1) и общего эффекта (ST)?
S1 для параметра — это доля общей выходной дисперсии, объясняемая этим параметром в одиночку, без учета взаимодействий. ST — это доля, объясняемая этим параметром и всеми его взаимодействиями с другими параметрами. Если S1 ≈ ST для всех параметров, взаимодействия незначительны. Большой разрыв между S1 и ST сигнализирует о важных эффектах взаимодействия. Параметры с ST, близким к нулю, могут быть зафиксированы без существенного изменения неопределенности выходных данных.
Сколько запусков модели мне нужно?
Стандартная схема Салтелли для индексов Сёбола требует N×(2k+2) запусков, где N — базовый размер выборки (часто 512–2048), а k — количество входных параметров. Например, при k=10 параметрах и N=1024 это составит 22 528 запусков. Моррис обычно требует r×(k+1) запусков, где r — количество траекторий (часто 10–50), что дает гораздо меньшую общую сумму. Требования FAST варьируются в зависимости от реализации, но в целом находятся между Моррисом и Сёболом.
Могу ли я использовать глобальный анализ чувствительности на модели, которая не является симуляцией?
GSA применим к любой модели, которая отображает набор входов в выходы и может быть многократно оценена при различных входных значениях. Это включает статистические модели, модели машинного обучения и аналитические уравнения, а не только симуляции на основе физики. Требование заключается в том, что входам могут быть присвоены правдоподобные распределения или диапазоны, и модель может быть запущена достаточное количество раз для заполнения матрицы выборки.
Похожие методы
Источники
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.
Открыть ссылку DOIСкопировано.Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.
Открыть ссылку DOIСкопировано.