การวิเคราะห์ความไวแบบเอเจนต์ — การวัดปริมาณอิทธิพลของพารามิเตอร์ในแบบจำลองการจำลองที่ซับซ้อน
- ผู้เสนอ
- Adapted from global sensitivity analysis (Saltelli et al.) for agent-based models
- ปี
- 2000s–2010s
- ประเภท
- Simulation-based sensitivity analysis
- กลุ่มวิธี
- Simulation / optimization
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์ความไวแบบเอเจนต์ (ABSA) นำเทคนิคการวิเคราะห์ความไวมาใช้กับแบบจำลองแบบเอเจนต์ (ABMs) เพื่อระบุว่าพารามิเตอร์อินพุตใดมีอิทธิพลต่อผลลัพธ์ที่เกิดขึ้นมากที่สุด เนื่องจาก ABMs มีลักษณะสุ่มและไม่เป็นเชิงเส้น จึงไม่สามารถหาอนุพันธ์เชิงวิเคราะห์มาตรฐานได้ ABSA จึงใช้การทดลองจำลองที่ออกแบบไว้ — เช่น วิธีการคัดกรอง ดัชนีอิงความแปรปรวน หรือแบบจำลองตัวแทนแบบถดถอย — เพื่อจัดลำดับความสำคัญของพารามิเตอร์และนำทางการปรับเทียบและการตรวจสอบความถูกต้องของแบบจำลอง
แนวคิดเบื้องหลังวิธีการ
แบบจำลองแบบเอเจนต์อาจมีพารามิเตอร์หลายสิบตัวที่ควบคุมพฤติกรรมของเอเจนต์แต่ละตัว กฎการโต้ตอบ และคุณสมบัติของสภาพแวดล้อม นักสร้างแบบจำลองมักไม่ทราบล่วงหน้าว่าพารามิเตอร์ใดมีอิทธิพลต่อผลลัพธ์ที่เกิดขึ้นจริง การวิเคราะห์ความไวแบบเอเจนต์จะเปลี่ยนแปลงอินพุตเหล่านี้อย่างเป็นระบบ — บ่อยครั้งโดยใช้การออกแบบที่มีประสิทธิภาพ เช่น การคัดกรองแบบ Morris หรือการสุ่มตัวอย่างแบบ Sobol — และวัดว่าพารามิเตอร์แต่ละตัวเปลี่ยนแปลงผลลัพธ์ของแบบจำลองไปมากน้อยเพียงใด ผลลัพธ์ที่ได้คือแผนที่ความสำคัญตามลำดับ: โดยทั่วไปแล้ว พารามิเตอร์เพียงไม่กี่ตัวจะมีอิทธิพลเหนือกว่า ทำให้นักวิเคราะห์สามารถมุ่งเน้นความพยายามในการปรับเทียบไปยังจุดที่สำคัญ และเชื่อถือข้อสรุปของแบบจำลองได้เฉพาะในส่วนของพารามิเตอร์ที่เข้าใจอย่างถ่องแท้เท่านั้น
ประวัติศาสตร์
การวิเคราะห์ความไวสำหรับแบบจำลองการจำลองมีรากฐานมาจากวิธีการเชิงปริมาณความแปรปรวนระดับโลกที่พัฒนาโดย Saltelli, Sobol และเพื่อนร่วมงานในช่วงทศวรรษที่ 1990 และ 2000 การประยุกต์ใช้อย่างเป็นระบบกับแบบจำลองแบบเอเจนต์เติบโตขึ้นในช่วงทศวรรษที่ 2000 เมื่อ ABMs แพร่หลายในสังคมศาสตร์ นิเวศวิทยา และระบาดวิทยา ten Broeke, van Voorn, และ Ligtenberg (2016) ได้ให้บทวิจารณ์เปรียบเทียบที่ได้รับการอ้างอิงอย่างกว้างขวางซึ่งปรับให้เหมาะกับ ABMs โดยเฉพาะ โดยรวม ABSA เป็นขั้นตอนระเบียบวิธีที่ได้รับการยอมรับในวงจรการพัฒนา ABM
ควรใช้เมื่อใด
ใช้ ABSA เมื่อแบบจำลองแบบเอเจนต์มีพารามิเตอร์ที่ไม่แน่นอนหลายตัว และคุณต้องการทราบว่าพารามิเตอร์ใดสำคัญที่สุดก่อนการปรับเทียบ เมื่อผู้ตรวจสอบหรือผู้มีส่วนได้ส่วนเสียต้องการหลักฐานความทนทานของแบบจำลอง หรือเมื่อต้องจัดสรรทรัพยากรในการคำนวณอย่างมีประสิทธิภาพทั่วทั้งปริภูมิพารามิเตอร์ขนาดใหญ่ ใช้การคัดกรองแบบ Morris สำหรับระยะเริ่มต้นที่มีพารามิเตอร์จำนวนมาก สลับไปใช้ดัชนี Sobol เมื่อต้องการการแยกส่วนความแปรปรวนเชิงปริมาณสำหรับชุดย่อยที่เล็กลง ห้ามใช้ ABSA เป็นสิ่งทดแทนการตรวจสอบความถูกต้องของแบบจำลองกับข้อมูลจริง ความไวเพียงอย่างเดียวไม่สามารถยืนยันได้ว่าแบบจำลองถูกต้อง หลีกเลี่ยงวิธีการอิงความแปรปรวนเมื่อการรัน ABM แต่ละครั้งใช้เวลานานมากและปริภูมิพารามิเตอร์มีมิติสูงมาก — อาจจำเป็นต้องใช้วิธีการแบบจำลองตัวแทนแทน
ข้อจำกัดและข้อควรพิจารณา
- ดัชนี Sobol อิงความแปรปรวนต้องการการรันแบบจำลองจำนวนมาก (หลายพันถึงหลายหมื่นครั้ง) ทำให้มีค่าใช้จ่ายสูงสำหรับ ABMs ที่ทำงานช้า
- ผลลัพธ์ขึ้นอยู่กับช่วงและรูปแบบการกระจายพารามิเตอร์ที่สมมติขึ้น การระบุช่วงที่ไม่ถูกต้องนำไปสู่การจัดลำดับความสำคัญที่ไม่ถูกต้อง
- ดัชนีความไวมาตรฐานสมมติว่าผลลัพธ์เป็นสเกลาร์ ผลลัพธ์หลายตัวแปรหรืออนุกรมเวลาต้องการส่วนขยายเฉพาะทาง
- สัญญาณรบกวนแบบสุ่มในผลลัพธ์ ABM ทำให้การประมาณค่าความแปรปรวนสูงเกินจริง ต้องการการจำลองซ้ำเพียงพอเพื่อแยกสัญญาณพารามิเตอร์ออกจากสัญญาณรบกวนการจำลอง
- การวิเคราะห์ความไวไม่ได้ระบุค่าพารามิเตอร์ที่ถูกต้อง — มันเพียงแค่จัดลำดับอิทธิพลของมัน
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- เปิดเผยว่าพารามิเตอร์ใดขับเคลื่อนผลลัพธ์ที่เกิดขึ้น ทำให้การปรับเทียบและการตรวจสอบความถูกต้องมีประสิทธิภาพ
- เข้ากันได้กับ ABM ใดๆ โดยไม่คำนึงถึงโครงสร้างภายใน เนื่องจากต้องการเพียงอินพุตและเอาต์พุตของแบบจำลองเท่านั้น
- รองรับแบบจำลองสุ่มโดยการรวมการจำลองซ้ำในการออกแบบการทดลอง
- การคัดกรองแบบ Morris สามารถปรับขนาดให้รองรับพารามิเตอร์หลายสิบหรือหลายร้อยตัวด้วยต้นทุนการคำนวณที่ไม่สูงนัก
- ดัชนี Sobol ให้การแยกส่วนความแปรปรวนที่สมบูรณ์ ซึ่งแยกความแปรปรวนของผลลัพธ์ทั้งหมดออกเป็นผลกระทบของแต่ละบุคคลและผลกระทบจากการโต้ตอบ
- สนับสนุนการจัดทำเอกสารสมมติฐานของแบบจำลองอย่างโปร่งใสสำหรับการทบทวนโดยผู้เชี่ยวชาญและการประยุกต์ใช้นโยบาย
การประยุกต์ใช้
- ABMs ทางระบาดวิทยา: การระบุว่าพารามิเตอร์อัตราการแพร่ระบาดใดมีอิทธิพลต่อขนาดสูงสุดของการระบาดมากที่สุด
- การจำลองทางสังคม: การระบุว่ากฎพฤติกรรมใดขับเคลื่อนการแบ่งแยกที่เกิดขึ้นหรือการแบ่งขั้วของความคิดเห็น
- แบบจำลองทางนิเวศวิทยา: การจัดลำดับพารามิเตอร์ถิ่นที่อยู่และพฤติกรรมที่ควบคุมพลวัตประชากรสัตว์
- ABMs ตลาดการเงิน: การประเมินว่าพารามิเตอร์กลยุทธ์ผู้ค้าใดมีอิทธิพลต่อความผันผวนของราคา
- การจำลองห่วงโซ่อุปทาน: การค้นหาว่ากฎการตัดสินใจของเอเจนต์ใดมีอิทธิพลต่อความยืดหยุ่นต่อการหยุดชะงักทั่วทั้งระบบมากที่สุด
- แบบจำลองการวางผังเมือง: การประเมินความไวของการเกิดขึ้นของการใช้ที่ดินต่อพารามิเตอร์กฎการแบ่งเขต
วิธีการทำงาน
วิธีการทำงาน
ระบุพารามิเตอร์อินพุตของ ABM (กฎพฤติกรรม ความแรงของการโต้ตอบ ขนาดประชากร เมล็ดพันธุ์เริ่มต้น) และระบุช่วงหรือการกระจายที่เป็นไปได้สำหรับแต่ละรายการ เลือกเมตริกผลลัพธ์เชิงสเกลาร์หนึ่งรายการหรือมากกว่าที่จับปรากฏการณ์ที่เกิดขึ้นซึ่งเป็นที่สนใจ (เช่น ขนาดประชากรสุดท้าย ดัชนีการแบ่งแยก ราคาตลาด) ชี้แจงว่าเป้าหมายคือการคัดกรอง (การจัดลำดับความสำคัญ) หรือการวัดปริมาณ (การประมาณการแยกส่วนความแปรปรวน)
เลือกกลยุทธ์การสุ่มตัวอย่างที่ตรงกับเป้าหมายและงบประมาณ การคัดกรองผลกระทบเบื้องต้นแบบ Morris แบบครั้งละหนึ่งรายการ (OAT) มีประสิทธิภาพสำหรับพารามิเตอร์จำนวนมาก (10–100+) โดยใช้การรันจำนวนจำกัด ลำดับกึ่งสุ่มแบบ Sobol หรือการสุ่มตัวอย่างแบบ Latin hypercube รองรับดัชนีอิงความแปรปรวน แต่ต้องใช้การรันจำนวนมากขึ้น กำหนดจำนวนการจำลองซ้ำสำหรับแต่ละการกำหนดค่าพารามิเตอร์เพื่อหาค่าเฉลี่ยของสัญญาณรบกวนแบบสุ่มที่มีอยู่ใน ABMs
ดำเนินการ ABM สำหรับการกำหนดค่าพารามิเตอร์ที่สุ่มตัวอย่างทุกรายการ โดยทำการจำลองซ้ำแต่ละการกำหนดค่าหลายครั้งเพื่อประมาณค่าเฉลี่ยและความแปรปรวนของผลลัพธ์ จัดเก็บผลลัพธ์ในตารางการทดลองที่มีโครงสร้าง การประมวลผลแบบขนานเป็นมาตรฐานเนื่องจาก ABMs มักมีค่าใช้จ่ายในการคำนวณสูง ทรัพยากรคลาวด์หรือ HPC มักใช้สำหรับการกวาดพารามิเตอร์ขนาดใหญ่
คำนวณเมตริกความไวจากผลการจำลอง สำหรับการคัดกรองแบบ Morris ให้คำนวณค่าเฉลี่ยของผลกระทบเบื้องต้นสัมบูรณ์ (mu*) และค่าเบี่ยงเบนมาตรฐาน (sigma) สำหรับแต่ละพารามิเตอร์ สำหรับการวิเคราะห์อิงความแปรปรวนแบบ Sobol ให้ประมาณดัชนีอันดับหนึ่ง S_i (ผลกระทบโดยตรง) และดัชนีอันดับรวม S_Ti (รวมผลกระทบจากการโต้ตอบ) สำหรับแนวทางแบบถดถอย ให้คำนวณค่าสัมประสิทธิ์การถดถอยมาตรฐาน (SRC) หากแบบจำลองมีลักษณะเชิงเส้นโดยประมาณ
จัดลำดับพารามิเตอร์ตามดัชนีความไว แยกแยะพารามิเตอร์ที่มีอิทธิพล (mu* หรือ S_Ti สูง) ออกจากพารามิเตอร์ที่ไม่มีอิทธิพล (ใกล้ศูนย์) ตรวจสอบพารามิเตอร์ที่มี sigma สูง หรือ S_Ti - S_i สูง ซึ่งบ่งชี้ถึงความไม่เป็นเชิงเส้นหรือการโต้ตอบที่รุนแรง ใช้ผลลัพธ์เพื่อจำกัดเป้าหมายการปรับเทียบ ให้เหตุผลในการกำหนดค่าพารามิเตอร์คงที่ในสิ่งพิมพ์ และบันทึกความทนทานของแบบจำลอง ตรวจสอบความถูกต้องกับความรู้เฉพาะทาง และหากเป็นไปได้ ให้เทียบกับข้อมูลเชิงประจักษ์
ข้อผิดพลาดที่พบบ่อย
- การใช้การจำลองซ้ำน้อยเกินไปต่อการกำหนดค่า: สัญญาณรบกวน ABM แบบสุ่มมีอิทธิพลเหนือกว่า ทำให้การประมาณค่าความไวไม่น่าเชื่อถือ
- การปะปนความไวกับการปรับเทียบ: พารามิเตอร์อาจมีอิทธิพลสูง แต่ก็ยังตั้งค่าผิดได้หากไม่ใช้ข้อมูลเชิงประจักษ์
- การละเลยผลกระทบจากการโต้ตอบโดยอาศัยเพียงดัชนีอันดับแรกเมื่อการโต้ตอบของเอเจนต์สร้างความไม่เป็นเชิงเส้นที่รุนแรง
- การใช้การสุ่มตัวอย่างแบบ Latin hypercube หรือ Sobol โดยไม่ได้ตรวจสอบว่าปริภูมิพารามิเตอร์ได้รับการครอบคลุมอย่างเพียงพอที่ขนาดตัวอย่างที่เลือก
- การปฏิบัติต่อผลลัพธ์ความไวเสมือนเป็นสากล: การจัดลำดับความสำคัญอาจเปลี่ยนแปลงไปอย่างมากเมื่อเมตริกผลลัพธ์ที่ศึกษาถูกเปลี่ยนแปลง
คำถามที่พบบ่อย
ฉันต้องการการรันการจำลองกี่ครั้งเพื่อให้ได้ค่าประมาณความไวที่น่าเชื่อถือ?
ขึ้นอยู่กับวิธีการ การคัดกรองแบบ Morris โดยทั่วไปต้องการการรัน N × (k+1) ครั้ง โดยที่ k คือจำนวนพารามิเตอร์ และ N คือ 10–50 วิถี — สามารถทำได้แม้สำหรับแบบจำลองที่ทำงานช้า ดัชนีอิงความแปรปรวนแบบ Sobol ต้องการการรัน N × (k+2) ครั้ง โดยที่ N มักจะเป็น 500–2000 ครั้งขึ้นไป ควรทำการตรวจสอบการลู่เข้าโดยการคำนวณดัชนีที่ขนาดตัวอย่างที่เพิ่มขึ้นจนกว่าจะคงที่
ฉันสามารถใช้ ABSA กับแบบจำลองที่มีผลลัพธ์อนุกรมเวลาแทนที่จะเป็นสเกลาร์เดียวได้หรือไม่?
ได้ แต่ต้องมีขั้นตอนเพิ่มเติม แนวทางทั่วไป ได้แก่ การคำนวณดัชนีความไวบนสถิติสรุปของอนุกรมเวลา (ค่าเฉลี่ย ค่าสูงสุด ค่าสุดท้าย) การใช้การวิเคราะห์ความไวเชิงฟังก์ชันโดยใช้ส่วนประกอบหลักของวิถีผลลัพธ์ หรือการใช้แบบจำลองตัวแทนที่ฝึกฝนจากข้อมูลอนุกรมเวลา
อะไรคือความแตกต่างระหว่างการคัดกรองแบบ Morris และดัชนี Sobol สำหรับ ABMs?
การคัดกรองแบบ Morris เป็นวิธีการเชิงคุณภาพหรือกึ่งปริมาณที่จัดลำดับพารามิเตอร์ได้อย่างประหยัด ทำให้เหมาะสำหรับการคัดกรองเบื้องต้นของปริภูมิพารามิเตอร์ขนาดใหญ่ ดัชนี Sobol ให้การแยกส่วนความแปรปรวนเชิงปริมาณเต็มรูปแบบ (ผลกระทบอันดับหนึ่งและอันดับรวม รวมถึงผลกระทบจากการโต้ตอบ) แต่ต้องใช้การรันจำนวนมากขึ้น ขั้นตอนการทำงานที่แนะนำคือ Morris ก่อน จากนั้นจึงใช้ Sobol กับชุดย่อยที่มีอิทธิพล
การวิเคราะห์ความไวทดแทนการปรับเทียบหรือไม่?
ไม่ การวิเคราะห์ความไวระบุว่าพารามิเตอร์ใดมีความสำคัญและพารามิเตอร์ใดสามารถกำหนดค่าคงที่ได้ มันไม่ได้บอกค่าพารามิเตอร์ที่ถูกต้อง การปรับเทียบ — การจับคู่ผลลัพธ์ของแบบจำลองกับข้อมูลเชิงประจักษ์ — เป็นขั้นตอนแยกต่างหากที่ควรเน้นที่พารามิเตอร์ที่มีอิทธิพลซึ่งระบุโดย ABSA
จำเป็นต้องใช้แบบจำลองตัวแทนสำหรับ ABMs ที่มีค่าใช้จ่ายในการคำนวณสูงหรือไม่?
สำหรับ ABMs ที่การรันแต่ละครั้งใช้เวลาหลายชั่วโมง การรันการกำหนดค่าหลายพันรายการสำหรับดัชนี Sobol อาจไม่สามารถทำได้ ในกรณีดังกล่าว แบบจำลองตัวแทนทางสถิติ (กระบวนการแบบเกาส์เซียน การขยายอนุกรมกำลังโพลีโนเมียล หรือป่าสุ่ม) ที่ฝึกฝนจากงบประมาณการรัน ABM ที่จำกัด สามารถประมาณแบบจำลองและอนุญาตให้ทำการวิเคราะห์ความไวบนแบบจำลองตัวแทนได้โดยมีค่าใช้จ่ายเพิ่มเติมเล็กน้อย
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Saltelli, A., Tarantola, S., Campolongo, F., & Ratto, M. (2004). Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models. John Wiley & Sons.
ISBN: 9780470870938คัดลอกแล้วten Broeke, G., van Voorn, G., & Ligtenberg, A. (2016). Which Sensitivity Analysis Method Should I Use for My Agent-Based Model? Journal of Artificial Societies and Social Simulation, 19(1), 5.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว