Küresel Hassasiyet Analizi — Sobol, Morris ve FAST
- Ortaya koyan
- I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
- Yıl
- 1973–2001
- Tür
- Variance-based sensitivity decomposition
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Küresel hassasiyet analizi (GSA), bir modelin çıktısının varyansını girdi parametrelerine göre ayrıştıran ve her bir girdinin — ve girdilerin her bir kombinasyonunun — sonuçtaki toplam belirsizliğe ne kadar katkıda bulunduğunu ölçen bir teknik ailesidir.
Sobol'un varyans tabanlı indeksleri (2001), Morris'in tek seferde (OAT) taraması (1991) ve FAST (Fourier Genlik Hassasiyet Testi, ilk olarak 1973'te Cukier ve ark. tarafından önerilmiştir) en yaygın kullanılan üç yaklaşımdır. Birlikte, hangi parametrelerin model davranışını yönlendirdiğini ve hangilerinin güvenle sabitlenebileceğini belirlemek için standart araç setini oluştururlar.
Yöntemin mantığı
On girdi düğmesi olan bir model hayal edin. Hangi düğmelerin önemli olduğunu ve hangilerinin çıktıyı zar zor etkilediğini bilmek istiyorsunuz. Yerel bir hassasiyet kontrolü yalnızca belirli bir ayarın yakınında ne olduğunu söyler; küresel hassasiyet analizi ayarların tüm olası uzayını aynı anda araştırır. Sobol'un yaklaşımı en kapsamlı olanıdır: toplam çıktı varyansının bir kısmını her bir girdiye ve her bir girdi kombinasyonuna ayırır. Morris, varyansı tam olarak ayrıştırmadan parametreleri genel etkilerine göre sıralayan daha ucuz bir tarama yöntemidir. FAST, Sobol'dan daha az model çalıştırmasıyla varyans ayrıştırması elde etmek için bir Fourier dönüşümü hilesi kullanır. Her üç yöntem de farklı maliyet ve hassasiyet seviyelerinde aynı temel soruyu yanıtlar — hangi girdiler önemlidir?
Tarih
Model çıktısı varyansının bireysel girdilerden gelen katkılara ayrıştırılması, ANOVA geleneğinde köklere sahiptir, ancak hesaplamalı modellere sistematik uygulaması 1970'lerde Cukier, Levine ve Shuler tarafından tanıtılan Fourier Genlik Hassasiyet Testi ile başlamıştır. Max Morris, 1991 tarihli ve pratik ekonomisi için hala yaygın olarak atıfta bulunulan bir makalede tek seferde temel etkiler tarama yaklaşımını biçimlendirmiştir. En etkili modern formülasyon, şu anda standart olan birinci dereceden ve toplam etkili varyans tabanlı indeksler için Monte Carlo tahmincilerini oluşturan Ilya M. Sobol'dan gelmiştir. Saltelli ve meslektaşlarının (2008) ders kitabı alanı pekiştirmiş ve Saltelli örnekleme şemasını Sobol indeksleri için referans uygulama olarak belirlemiştir. Günümüzde küresel hassasiyet analizi, mühendislik, çevre bilimi, epidemiyoloji ve ekonomide model doğrulamasının rutin bir bileşenidir.
Ne zaman kullanılır?
Küresel hassasiyet analizi, hesaplamalı bir modeldeki belirsizliği hangi girdilerin yönlendirdiğini anlamanız gerektiğinde veya etkilemeyen parametreleri belirleyerek bir modeli basitleştirmek istediğinizde uygundur. Girdilerin dağılımlar veya olası aralıklar olarak tanımlanabildiği ve deterministik veya stokastik herhangi bir model için geçerlidir. Sobol indeksleri, model çalıştırmalarının sayısı karşılanabilir olduğunda (genellikle parametre başına yüz ila binlerce) en bilgilendirici seçenektir. Morris taraması, model pahalıysa ve hızlı bir şekilde sıralanacak çok sayıda aday parametre varsa, ilk keşif için tercih edilir. FAST, Sobol'un örnek maliyetinin engelleyici olduğu ancak tam varyans ayrıştırmasının istendiği durumlarda iyi bir orta yol sunar. Yöntem normal dağılımlı girdiler gerektirmez; sürekli girdi türleri beklenir. Girdilere olasılık dağılımları veya olası aralıklar atanamadığında veya modelin ileri bir simülasyon yapısı olmadan tamamen veri odaklı olduğu durumlarda uygun değildir.
Sınırlar ve dikkat edilmesi gerekenler
- Sobol indeksleri N×(2k+2) model çalıştırması gerektirir, bu da çok sayıda parametreye sahip pahalı simülatörler için engelleyici olabilir.
- Morris taraması, parametre önem sıralamasını ortaya koyar ancak varyansı nicel kesirlere ayırmaz; kesin paylaşıma ihtiyaç duyulduğunda Sobol veya FAST'ın yerini alamaz.
- Tüm yöntemler, girdi belirsizliğinin olasılık dağılımları veya sınırlı aralıklarla karakterize edilebileceğini varsayar; eğer bu ön bilgi mevcut değilse veya güvenilmezse, elde edilen indeksler gerçek belirsizlikten ziyade varsayılan belirsizliği yansıtır.
- Ayrık veya kategorik girdilere sahip modeller için standart varyans tabanlı çerçeve doğrudan uygulanamaz ve uzantılar veya alternatif yaklaşımlar gereklidir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Yerel doğrusallaştırma varsayımları yapmak yerine tüm girdi uzayını eş zamanlı olarak keşfeder, doğrusal olmayan davranışı ve parametre etkileşimlerini yakalar.
- Sobol toplam etkili indeksleri (ST), basitleştirmeyi sağlayan etkilemeyen parametreleri doğrudan tanımlar.
- Morris yöntemi, tam varyans ayrıştırmasına kıyasla son derece ucuzdur, bu da onu yüksek boyutlu veya hesaplama açısından pahalı modeller için pratik hale getirir.
- FAST, Saltelli-Sobol örneklemesinden daha az çalıştırmayla tam varyans ayrıştırması elde eder ve verimli bir uzlaşma sunar.
- Sonuçlar yorumlanabilir: hassasiyet indeksleri, doğrudan sıralama ve iletişimi sağlayan toplam varyansın normalleştirilmiş kesirleridir.
Uygulama alanları
- İklim ve yer sistemi modellerinde hangi model parametrelerinin tahminleri en çok etkilediğini belirlemek, kalibrasyon çabalarını önem taşıyan parametrelere yönlendirmek.
- Karmaşık farmakokinetik ve farmakodinamik modelleri, klinik verilere uymadan önce etkilemeyen parametreleri sabitleyerek basitleştirmek.
- Nükleer, kimyasal veya yapısal mühendislik sistemlerinin risk ve güvenlik değerlendirmelerinde belirsizlik azaltımını önceliklendirmek.
- Hesaplamalı biyoloji ve sistem modellemesinde deney tasarımını yönlendirmek, model çıktılarındaki değişkenliği en çok hangi girdi faktörlerinin yönlendirdiğini ortaya çıkararak.
- Ekonomik veya epidemiyolojik modellerin sonuçlarını en çok hangi belirsiz girdi varsayımlarının etkilediğini ölçerek politika analizini desteklemek.
Nasıl çalışır?
Nasıl çalışır?
Analist, girdi parametre uzayını belirtir: her parametreye, belirsizliği hakkındaki ön bilgiyi yakalayan bir olasılık dağılımı (veya olası bir aralık) atanır. Analiz edilecek model de bu aşamada tanımlanır. Girdi aralıklarının dikkatli seçimi kritiktir çünkü hassasiyet indeksleri keşfedilen uzaya göreceli olarak belirlenir.
Seçilen yönteme göre yapılandırılmış bir dizi girdi kombinasyonu oluşturulur. Sobol indeksleri için Saltelli örnekleme şeması, k parametre için N×(2k+2) model değerlendirmesi üretir; girdi uzayını verimli bir şekilde kapsamak için yarı-rastgele (düşük-dispersiyonlu) diziler kullanır. Morris yöntemi, diğerlerini sabit tutarken bir seferde bir parametreyi değiştiren tek seferde bir yörünge tasarımı kullanır. FAST, her girdiye atanan farklı frekanslara dayanan periyodik bir örnekleme şeması kullanır.
Hesaplamalı model, örneklenen her girdi noktasında değerlendirilir. Model hesaplama açısından maliyetliyse, bu aşama analizin en pahalı kısmı olabilir. Pahalı simülatörler için, gereken değerlendirme sayısını karşılanabilir kılmak amacıyla bazen Gauss süreci emülatörleri gibi vekil modeller (metamodeller) kullanılır.
Model çıktıları, hassasiyet ölçümlerini hesaplamak için analiz edilir. Sobol için, toplam çıktı varyansı bölümlere ayrılır: birinci dereceden indeks S1, yalnızca hareket eden bir parametreden kaynaklanan varyans kesimini yakalar ve toplam etkili indeks ST, diğer parametrelerle tüm etkileşimleri dahil olmak üzere katkısını yakalar. Morris, her yörünge noktasında her parametre için bir temel etki hesaplar; bu etkilerin ortalaması ve standart sapması genel etkiyi ve doğrusal olmama veya etkileşimi gösterir. FAST, çıktı varyasyonunun Fourier analizini kullanarak varyansı her girdi frekansına atfeder.
Parametreler hassasiyet indekslerine göre sıralanır. Yüksek S1, bir parametrenin güçlü bir doğrudan etkiye sahip olduğunu gösterir; S1 ve ST arasındaki büyük bir boşluk, diğer parametrelerle önemli etkileşim olduğunu gösterir. Sıfıra yakın ST'ye sahip parametreler, çıktı dağılımını önemli ölçüde etkilemeden nominal değerlerde sabitlenebilir — bu, temel pratik sonuçtur. Sonuçlar tipik olarak indekslerin çubuk grafikler veya saçılım grafikleri olarak, bootstrap güven aralıklarıyla birlikte görüntülenir.
Sık yapılan hatalar
- Parametrelerin daha geniş bir gerçekçi aralıkta önemli olacağı durumlarda yapay olarak hassasiyetini azaltan çok dar girdi aralıkları belirtmek — girdi aralıklarını her zaman alan bilgisine veya veriye dayandırın.
- Yalnızca birinci dereceden indeksleri (S1) raporlamak ve toplam etkili indeksleri (ST) göz ardı etmek etkileşim etkilerini gözden kaçırır; düşük S1 ancak yüksek ST'ye sahip bir parametre, başkalarıyla güçlü bir şekilde etkileştiği için hala önemlidir.
- Sobol indeksleri için çok az model çalıştırması kullanmak kararsız, güvenilmez indeks tahminleri üretir; yakınsamayı değerlendirmek için her zaman bootstrap güven aralıkları hesaplanmalıdır.
- Amacın kesin varyans payı gerektirdiği durumlarda Morris tarama sonucunu nihai cevap olarak kullanmak — Morris parametreleri sıralar ancak kesirli katkılarını nicelleştirmez; bunun için Sobol veya FAST kullanın.
- Yerel hassasiyet analizini (tek bir noktadaki türevler) küresel hassasiyet analizi ile karıştırmak — yerel analiz, tüm girdi uzayındaki parametre etkileşimlerini veya doğrusal olmayanlığı yakalamaz.
Sık sorulan sorular
Sobol, Morris veya FAST kullanmalı mıyım?
Seçim, model çalıştırmaları bütçenize ve hedefinize bağlıdır. Model pahalıysa ve sıralanacak çok sayıda parametreniz varsa Morris ile başlayın — onları ucuza sıralar. N×(2k+2) çalıştırmayı (burada k parametre sayısıdır) karşılayabiliyorsanız, Sobol indeksleri, birinci dereceden ve etkileşim etkilerini toplam varyansın kesirleri olarak ölçerek en eksiksiz resmi verir. FAST, tam varyans ayrıştırması istediğiniz ancak Sobol'un örnek boyutunun çok büyük olduğu durumlarda iyi bir seçenektir; daha az çalıştırmayla benzer bilgiyi elde eder.
Birinci dereceden (S1) ve toplam etkili (ST) indeksler aslında ne anlama geliyor?
Bir parametre için S1, etkileşimleri göz ardı ederek yalnızca o parametre tarafından açıklanan toplam çıktı varyansının kesridir. ST, o parametre ve diğer parametrelerle olan tüm etkileşimleri tarafından açıklanan kesirdir. Tüm parametreler için S1 ≈ ST ise, etkileşimler ihmal edilebilir düzeydedir. S1 ve ST arasındaki büyük bir boşluk, önemli etkileşim etkilerini gösterir. ST'si sıfıra yakın olan parametreler, çıktı belirsizliğini anlamlı bir şekilde değiştirmeden sabitlenebilir.
Kaç model çalıştırmasına ihtiyacım var?
Sobol indeksleri için standart Saltelli şeması, N'nin temel bir örnek boyutu (genellikle 512–2048) ve k'nin girdi parametre sayısı olduğu N×(2k+2) çalıştırması gerektirir. Örneğin, k=10 parametre ve N=1024 ile bu 22.528 çalıştırma olur. Morris tipik olarak r×(k+1) çalıştırması gerektirir, burada r yörünge sayısıdır (genellikle 10–50), bu da çok daha küçük bir toplam verir. FAST gereksinimleri uygulamaya göre değişir ancak genellikle Morris ve Sobol arasındadır.
Simülasyon olmayan bir modelde küresel hassasiyet analizi kullanabilir miyim?
GSA, bir dizi girdiyi çıktılara eşleyen ve farklı girdi değerlerinde tekrarlı olarak değerlendirilebilen herhangi bir model için geçerlidir. Bu, yalnızca fizik tabanlı simülasyonlar değil, istatistiksel modeller, makine öğrenimi modelleri ve analitik denklemleri içerir. Gereksinim, girdilere olası dağılımlar veya aralıklar atanabilmesi ve modelin örnek matrisini dolduracak kadar çok çalıştırılabilmesidir.
İlgili yöntemler
Kaynaklar
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.
DOI kaynağını açKopyalandı.Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.
DOI kaynağını açKopyalandı.