Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์ความไวทั่วโลก — โซโบล, มอร์ริส และ FAST

ผู้เสนอ
I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
ปี
1973–2001
ประเภท
Variance-based sensitivity decomposition

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์ความไวทั่วโลก (GSA) เป็นกลุ่มเทคนิคที่แยกส่วนความแปรปรวนของผลลัพธ์ของแบบจำลองตามพารามิเตอร์อินพุต โดยวัดปริมาณว่าแต่ละอินพุต — และแต่ละการรวมกันของอินพุต — มีส่วนทำให้เกิดความไม่แน่นอนทั้งหมดในผลลัพธ์มากน้อยเพียงใด ดัชนีตามความแปรปรวนของโซโบล (2001), การคัดกรองแบบทีละหนึ่งอินพุต (OAT) ของมอร์ริส (1991) และการทดสอบความไวด้วยแอมพลิจูดฟูเรียร์ (FAST, เสนอครั้งแรกโดย Cukier และคณะในปี 1973) เป็นสามแนวทางที่ใช้กันอย่างแพร่หลายที่สุด ร่วมกันแล้วเป็นชุดเครื่องมือมาตรฐานสำหรับการระบุว่าพารามิเตอร์ใดขับเคลื่อนพฤติกรรมของแบบจำลอง และพารามิเตอร์ใดสามารถกำหนดค่าคงที่ได้อย่างปลอดภัย

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพแบบจำลองที่มีปุ่มปรับอินพุตสิบปุ่ม คุณต้องการทราบว่าปุ่มใดสำคัญและปุ่มใดมีผลเพียงเล็กน้อยต่อผลลัพธ์ การตรวจสอบความไวเฉพาะที่บอกคุณเพียงสิ่งที่เกิดขึ้นใกล้กับการตั้งค่าเฉพาะอย่างหนึ่งเท่านั้น การวิเคราะห์ความไวทั่วโลกจะสำรวจพื้นที่ที่เป็นไปได้ทั้งหมดของการตั้งค่าพร้อมกัน วิธีของโซโบลมีความละเอียดถี่ถ้วนที่สุด โดยจะจัดสรรส่วนหนึ่งของความแปรปรวนของผลลัพธ์ทั้งหมดให้กับแต่ละอินพุตและทุกการรวมกันของอินพุต มอร์ริสเป็นวิธีการคัดกรองที่ประหยัดกว่า ซึ่งจัดอันดับพารามิเตอร์ตามอิทธิพลโดยรวมโดยไม่แยกส่วนความแปรปรวนทั้งหมด FAST ใช้เทคนิคการแปลงฟูเรียร์เพื่อทำการแยกส่วนความแปรปรวนโดยใช้จำนวนการรันแบบจำลองน้อยกว่าโซโบล ทั้งสามวิธีตอบคำถามพื้นฐานเดียวกัน — อินพุตใดที่สำคัญ — ในระดับต้นทุนและความแม่นยำที่แตกต่างกัน

ประวัติศาสตร์

การแยกส่วนความแปรปรวนของผลลัพธ์แบบจำลองออกเป็นส่วนร่วมจากอินพุตแต่ละรายการมีรากฐานมาจากประเพณี ANOVA แต่การประยุกต์ใช้อย่างเป็นระบบกับแบบจำลองคำนวณเริ่มต้นด้วยการทดสอบความไวด้วยแอมพลิจูดฟูเรียร์ที่นำเสนอโดย Cukier, Levine และ Shuler ในทศวรรษที่ 1970 Max Morris ได้ทำให้แนวทางการคัดกรองผลกระทบพื้นฐานแบบทีละหนึ่งอินพุตเป็นทางการในบทความปี 1991 ซึ่งยังคงถูกอ้างอิงอย่างกว้างขวางในด้านเศรษฐกิจเชิงปฏิบัติ การกำหนดสูตรที่ทรงอิทธิพลที่สุดในปัจจุบันมาจาก Ilya M. Sobol ซึ่งบทความปี 2001 ได้สร้างตัวประมาณค่ามอนติคาร์โลสำหรับดัชนีตามความแปรปรวนอันดับหนึ่งและผลกระทบทั้งหมด ซึ่งปัจจุบันเป็นมาตรฐาน ตำราเรียนโดย Saltelli และเพื่อนร่วมงาน (2008) ได้รวบรวมสาขานี้และกำหนดให้แผนการสุ่มตัวอย่างของ Saltelli เป็นการนำไปปฏิบัติอ้างอิงสำหรับดัชนีโซโบล ปัจจุบัน การวิเคราะห์ความไวทั่วโลกเป็นส่วนประกอบปกติของการตรวจสอบความถูกต้องของแบบจำลองในสาขาวิศวกรรม วิทยาศาสตร์สิ่งแวดล้อม ระบาดวิทยา และเศรษฐศาสตร์

ควรใช้เมื่อใด

การวิเคราะห์ความไวทั่วโลกมีความเหมาะสมเมื่อใดก็ตามที่คุณต้องการทำความเข้าใจว่าอินพุตใดขับเคลื่อนความไม่แน่นอนในแบบจำลองคำนวณ หรือเมื่อคุณต้องการทำให้แบบจำลองง่ายขึ้นโดยการระบุพารามิเตอร์ที่ไม่ส่งผลกระทบซึ่งสามารถกำหนดค่าคงที่ได้ ใช้ได้กับแบบจำลองเชิงกำหนดหรือเชิงสุ่มใด ๆ ที่อินพุตสามารถอธิบายได้ด้วยการแจกแจงหรือช่วงที่เป็นไปได้ ดัชนีโซโบลเป็นตัวเลือกที่ให้ข้อมูลมากที่สุดเมื่อจำนวนการรันแบบจำลองสามารถจ่ายได้ (โดยทั่วไปคือหลายร้อยถึงหลายพันต่อพารามิเตอร์) การคัดกรองมอร์ริสเป็นที่ต้องการสำหรับการสำรวจเบื้องต้นเมื่อแบบจำลองมีต้นทุนสูงและมีพารามิเตอร์ผู้สมัครจำนวนมากที่ต้องจัดอันดับอย่างรวดเร็ว FAST เป็นทางเลือกที่ดีเมื่อต้นทุนการสุ่มตัวอย่างของโซโบลเป็นสิ่งต้องห้าม แต่ต้องการการแยกส่วนความแปรปรวนทั้งหมด วิธีการนี้ไม่ต้องการอินพุตที่แจกแจงแบบปกติ คาดว่าจะเป็นอินพุตประเภทต่อเนื่อง ไม่เหมาะเมื่ออินพุตไม่สามารถกำหนดการแจกแจงความน่าจะเป็นหรือช่วงที่เป็นไปได้ หรือเมื่อแบบจำลองขับเคลื่อนด้วยข้อมูลล้วน ๆ โดยไม่มีโครงสร้างการจำลองไปข้างหน้า

ข้อจำกัดและข้อควรพิจารณา

  • ดัชนีโซโบลต้องการการรันแบบจำลอง N×(2k+2) ซึ่งอาจเป็นสิ่งต้องห้ามสำหรับโปรแกรมจำลองที่มีต้นทุนสูงและมีพารามิเตอร์จำนวนมาก
  • การคัดกรองมอร์ริสเผยให้เห็นอันดับความสำคัญของพารามิเตอร์ แต่ไม่ได้แยกส่วนความแปรปรวนออกเป็นส่วนที่วัดปริมาณได้ ไม่สามารถทดแทนดัชนีโซโบลได้เมื่อต้องการการแบ่งส่วนที่แม่นยำ
  • วิธีการทั้งหมดสมมติว่าความไม่แน่นอนของอินพุตสามารถอธิบายได้ด้วยการแจกแจงความน่าจะเป็นหรือช่วงที่มีขอบเขต หากความรู้เบื้องต้นนี้ไม่พร้อมใช้งานหรือไม่น่าเชื่อถือ ดัชนีที่ได้จะสะท้อนถึงความไม่แน่นอนที่สมมติขึ้นแทนที่จะเป็นความไม่แน่นอนที่แท้จริง
  • สำหรับแบบจำลองที่มีอินพุตแบบไม่ต่อเนื่องหรือแบบจำแนกประเภท กรอบงานตามความแปรปรวนมาตรฐานจะไม่สามารถนำมาใช้ได้โดยตรง และจำเป็นต้องมีส่วนขยายหรือแนวทางอื่น ๆ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • สำรวจปริภูมิอินพุตทั้งหมดพร้อมกัน แทนที่จะทำการประมาณเชิงเส้นเฉพาะที่ โดยจับพฤติกรรมที่ไม่เป็นเชิงเส้นและปฏิสัมพันธ์ของพารามิเตอร์
  • ดัชนีผลกระทบทั้งหมดของโซโบล (ST) ระบุพารามิเตอร์ที่ไม่ส่งผลกระทบซึ่งสามารถกำหนดค่าคงที่ได้อย่างโดยตรง ช่วยให้สามารถลดความซับซ้อนของแบบจำลองตามหลักการ
  • วิธีการของมอร์ริสมีต้นทุนต่ำมากเมื่อเทียบกับการแยกส่วนความแปรปรวนทั้งหมด ทำให้สามารถใช้งานได้จริงสำหรับแบบจำลองที่มีมิติสูงหรือมีต้นทุนในการคำนวณสูง
  • FAST บรรลุการแยกส่วนความแปรปรวนทั้งหมดด้วยการรันน้อยกว่าการสุ่มตัวอย่างแบบซัลเทลลิ-โซโบล เสนอการประนีประนอมที่มีประสิทธิภาพ
  • ผลลัพธ์สามารถตีความได้: ดัชนีความไวเป็นส่วนที่ปรับสเกลของความแปรปรวนทั้งหมด ทำให้สามารถจัดอันดับและสื่อสารได้อย่างตรงไปตรงมา

การประยุกต์ใช้

  • การระบุว่าพารามิเตอร์แบบจำลองใดมีอิทธิพลต่อการคาดการณ์ในแบบจำลองภูมิอากาศและระบบโลกมากที่สุด โดยกำหนดทิศทางการสอบเทียบไปยังพารามิเตอร์ที่สำคัญ
  • การลดความซับซ้อนของแบบจำลองเภสัชจลนศาสตร์และเภสัชพลศาสตร์ที่ซับซ้อนโดยการกำหนดพารามิเตอร์ที่ไม่ส่งผลกระทบก่อนที่จะปรับให้เข้ากับข้อมูลทางคลินิก
  • การจัดลำดับความสำคัญของการลดความไม่แน่นอนในการประเมินความเสี่ยงและความปลอดภัยสำหรับระบบวิศวกรรมนิวเคลียร์ เคมี หรือโครงสร้าง
  • การชี้นำการออกแบบการทดลองในชีววิทยาเชิงคำนวณและการสร้างแบบจำลองระบบโดยการเปิดเผยว่าปัจจัยอินพุตใดขับเคลื่อนความแปรปรวนในผลลัพธ์ของแบบจำลองมากที่สุด
  • การสนับสนุนการวิเคราะห์นโยบายโดยการวัดปริมาณว่าข้อสมมติฐานอินพุตที่ไม่แน่นอนใดมีผลกระทบต่อข้อสรุปของแบบจำลองทางเศรษฐกิจหรือระบาดวิทยามากที่สุด

วิธีการทำงาน

วิธีการทำงาน

1

นักวิเคราะห์จะระบุปริภูมิพารามิเตอร์อินพุต: แต่ละพารามิเตอร์จะได้รับกำหนดการแจกแจงความน่าจะเป็น (หรือช่วงที่เป็นไปได้) ที่จับความรู้เบื้องต้นเกี่ยวกับความไม่แน่นอนของมัน แบบจำลองที่ผลลัพธ์จะถูกวิเคราะห์ก็จะถูกกำหนดในขั้นตอนนี้ การเลือกช่วงอินพุตอย่างระมัดระวังเป็นสิ่งสำคัญ เนื่องจากดัชนีความไวเป็นค่าสัมพัทธ์กับปริภูมิที่สำรวจ

2

ชุดค่าผสมอินพุตที่มีโครงสร้างจะถูกสร้างขึ้นตามวิธีการที่เลือก สำหรับดัชนีโซโบล แผนการสุ่มตัวอย่างของซัลเทลลิจะสร้างการประเมินแบบจำลอง N×(2k+2) สำหรับพารามิเตอร์ k; โดยใช้ลำดับเชิงสุ่ม (ความแตกต่างต่ำ) เพื่อครอบคลุมปริภูมิอินพุตอย่างมีประสิทธิภาพ วิธีการของมอร์ริสใช้การออกแบบเส้นทางแบบทีละหนึ่งอินพุต ซึ่งเปลี่ยนแปลงพารามิเตอร์ทีละตัวในขณะที่พารามิเตอร์อื่น ๆ คงที่ FAST ใช้แผนการสุ่มตัวอย่างแบบคาบที่สร้างขึ้นจากความถี่ที่แตกต่างกันซึ่งกำหนดให้กับแต่ละอินพุต

3

แบบจำลองคำนวณจะถูกประเมินที่จุดอินพุตที่สุ่มตัวอย่างแต่ละจุด ขั้นตอนนี้อาจเป็นส่วนที่มีค่าใช้จ่ายสูงที่สุดของการวิเคราะห์หากแบบจำลองมีต้นทุนในการคำนวณสูง สำหรับโปรแกรมจำลองที่มีต้นทุนสูง บางครั้งจะใช้แบบจำลองตัวแทน (metamodels) เช่น ตัวจำลองกระบวนการแบบเกาส์เซียน เพื่อให้จำนวนการประเมินที่ต้องการเป็นไปได้

4

ผลลัพธ์ของแบบจำลองจะถูกวิเคราะห์เพื่อคำนวณมาตรวัดความไว สำหรับโซโบล ความแปรปรวนของผลลัพธ์ทั้งหมดจะถูกแบ่งส่วน: ดัชนีอันดับหนึ่ง S1 จะจับส่วนของความแปรปรวนที่เกิดจากพารามิเตอร์ที่ทำงานเพียงอย่างเดียว และดัชนีผลกระทบทั้งหมด ST จะจับส่วนร่วมของมันรวมถึงปฏิสัมพันธ์ทั้งหมดกับพารามิเตอร์อื่น ๆ มอร์ริสคำนวณผลกระทบพื้นฐานสำหรับแต่ละพารามิเตอร์ที่จุดเส้นทางแต่ละจุด ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานของผลกระทบเหล่านี้บ่งชี้อิทธิพลโดยรวมและความไม่เป็นเชิงเส้นหรือปฏิสัมพันธ์ FAST ใช้การวิเคราะห์ฟูเรียร์ของการเปลี่ยนแปลงผลลัพธ์เพื่อระบุความแปรปรวนให้กับแต่ละความถี่อินพุต

5

พารามิเตอร์จะถูกจัดอันดับตามดัชนีความไว ค่า S1 สูงบ่งชี้ว่าพารามิเตอร์มีผลโดยตรงที่แข็งแกร่ง ช่องว่างขนาดใหญ่ระหว่าง S1 และ ST บ่งชี้ถึงปฏิสัมพันธ์ที่สำคัญกับพารามิเตอร์อื่น ๆ พารามิเตอร์ที่มีค่า ST ใกล้ศูนย์สามารถกำหนดค่าคงที่ที่ค่าปกติโดยไม่ส่งผลกระทบต่อการแจกแจงผลลัพธ์อย่างมีนัยสำคัญ — นี่คือผลลัพธ์เชิงปฏิบัติที่สำคัญ ผลลัพธ์มักจะแสดงเป็นแผนภูมิแท่งหรือแผนภาพการกระจายของดัชนีพร้อมช่วงความเชื่อมั่นแบบ bootstrap

ข้อผิดพลาดที่พบบ่อย

  • การระบุช่วงอินพุตที่แคบเกินไปจะลดความไวที่ปรากฏของพารามิเตอร์ที่สำคัญในช่วงที่กว้างขึ้นตามความเป็นจริงอย่างผิดธรรมชาติ — ควรยึดช่วงอินพุตตามความรู้เฉพาะทางหรือข้อมูลเสมอ
  • การรายงานเฉพาะดัชนีอันดับหนึ่ง (S1) และละเว้นดัชนีผลกระทบทั้งหมด (ST) จะพลาดผลกระทบจากปฏิสัมพันธ์ พารามิเตอร์ที่มี S1 ต่ำแต่ ST สูงยังคงมีความสำคัญเนื่องจากมีปฏิสัมพันธ์อย่างมากกับพารามิเตอร์อื่น ๆ
  • การใช้จำนวนการรันแบบจำลองน้อยเกินไปสำหรับดัชนีโซโบลจะทำให้การประมาณค่าดัชนีไม่เสถียรและไม่น่าเชื่อถือ ควรคำนวณช่วงความเชื่อมั่นแบบ bootstrap เสมอเพื่อประเมินการลู่เข้า
  • การนำผลการคัดกรองมอร์ริสไปใช้เป็นคำตอบสุดท้ายเมื่อวัตถุประสงค์ต้องการการระบุส่วนความแปรปรวนที่แม่นยำ — มอร์ริสจัดอันดับพารามิเตอร์ แต่ไม่ได้วัดปริมาณส่วนร่วมของพารามิเตอร์เหล่านั้น ใช้โซโบลหรือ FAST สำหรับสิ่งนั้น
  • การสับสนระหว่างการวิเคราะห์ความไวเฉพาะที่ (อนุพันธ์ที่จุดเดียว) กับการวิเคราะห์ความไวทั่วโลก — การวิเคราะห์เฉพาะที่ไม่ได้จับปฏิสัมพันธ์ของพารามิเตอร์หรือความไม่เป็นเชิงเส้นทั่วทั้งปริภูมิอินพุต

คำถามที่พบบ่อย

ฉันควรใช้ Sobol, Morris หรือ FAST หรือไม่?

การเลือกขึ้นอยู่กับงบประมาณการรันแบบจำลองของคุณและเป้าหมายของคุณ เริ่มต้นด้วย Morris หากแบบจำลองมีต้นทุนสูงและคุณมีพารามิเตอร์จำนวนมากที่ต้องคัดกรอง — มันจะจัดอันดับพารามิเตอร์เหล่านั้นอย่างประหยัด หากคุณสามารถจ่ายการรัน N×(2k+2) (โดยที่ k คือจำนวนพารามิเตอร์) ดัชนีโซโบลให้ภาพที่สมบูรณ์ที่สุดโดยการวัดปริมาณผลกระทบอันดับหนึ่งและผลกระทบจากปฏิสัมพันธ์เป็นส่วนของความแปรปรวนทั้งหมด FAST เป็นตัวเลือกที่ดีเมื่อคุณต้องการการแยกส่วนความแปรปรวนทั้งหมด แต่ขนาดตัวอย่างของโซโบลมีขนาดใหญ่เกินไป — มันให้ข้อมูลที่คล้ายกันด้วยการรันน้อยกว่า

ดัชนีอันดับหนึ่ง (S1) และดัชนีผลกระทบทั้งหมด (ST) หมายถึงอะไรกันแน่?

S1 สำหรับพารามิเตอร์คือส่วนของความแปรปรวนของผลลัพธ์ทั้งหมดที่อธิบายโดยพารามิเตอร์นั้นเพียงอย่างเดียว โดยไม่คำนึงถึงปฏิสัมพันธ์ ST คือส่วนที่อธิบายโดยพารามิเตอร์นั้นและปฏิสัมพันธ์ทั้งหมดกับพารามิเตอร์อื่น ๆ หาก S1 ≈ ST สำหรับพารามิเตอร์ทั้งหมด ปฏิสัมพันธ์จะไม่มีนัยสำคัญ ช่องว่างขนาดใหญ่ระหว่าง S1 และ ST บ่งชี้ถึงผลกระทบจากปฏิสัมพันธ์ที่สำคัญ พารามิเตอร์ที่มีค่า ST ใกล้ศูนย์สามารถกำหนดค่าคงที่ได้โดยไม่เปลี่ยนแปลงความไม่แน่นอนของผลลัพธ์อย่างมีความหมาย

ฉันต้องรันแบบจำลองกี่ครั้ง?

แผนการสุ่มตัวอย่างมาตรฐานของ Saltelli สำหรับดัชนีโซโบลต้องการการรัน N×(2k+2) โดยที่ N คือขนาดตัวอย่างพื้นฐาน (มักจะเป็น 512–2048) และ k คือจำนวนพารามิเตอร์อินพุต ตัวอย่างเช่น ด้วยพารามิเตอร์ k=10 และ N=1024 จะเป็นการรัน 22,528 ครั้ง โดยทั่วไป Morris ต้องการการรัน r×(k+1) โดยที่ r คือจำนวนเส้นทาง (มักจะเป็น 10–50) ทำให้มีจำนวนรวมน้อยกว่ามาก ข้อกำหนดของ FAST แตกต่างกันไปตามการนำไปปฏิบัติ แต่โดยทั่วไปจะอยู่ระหว่าง Morris และ Sobol

ฉันสามารถใช้การวิเคราะห์ความไวทั่วโลกกับแบบจำลองที่ไม่ใช่การจำลองได้หรือไม่?

GSA ใช้ได้กับแบบจำลองใด ๆ ที่จับคู่ชุดอินพุตกับผลลัพธ์และสามารถประเมินซ้ำได้ที่ค่าอินพุตที่แตกต่างกัน ซึ่งรวมถึงแบบจำลองทางสถิติ แบบจำลองการเรียนรู้ของเครื่อง และสมการวิเคราะห์ ไม่ใช่แค่การจำลองตามหลักการทางฟิสิกส์ ข้อกำหนดคืออินพุตสามารถกำหนดการแจกแจงหรือช่วงที่เป็นไปได้ และแบบจำลองสามารถรันได้เพียงพอที่จะเติมเมทริกซ์ตัวอย่าง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว