全局敏感性分析 — Sobol、Morris 和 FAST
- 提出者
- I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
- 年份
- 1973–2001
- 类型
- Variance-based sensitivity decomposition
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
全局敏感性分析 (GSA) 是一类技术,它将模型输出的方差分解到其输入参数上,量化每个输入——以及输入组合——对结果总不确定性的贡献程度。Sobol 的基于方差的指数 (2001)、Morris 的一次性 (OAT) 筛选 (1991) 和傅里叶振幅敏感性检验 (FAST,最初由 Cukier 等人于 1973 年提出) 是最广泛使用的三种方法。它们共同构成了识别哪些参数驱动模型行为以及哪些参数可以安全固定的标准工具集。
方法背后的直觉
设想一个有十个输入旋钮的模型。你想知道哪些旋钮重要,哪些旋钮对输出几乎没有影响。局部敏感性检查只能告诉你一个特定设置附近会发生什么;全局敏感性分析一次性探索所有可能的设置空间。Sobol 的方法最全面:它将总输出方差的一部分分配给每个输入以及所有输入的组合。Morris 是一种更经济的筛选方法,它根据参数的总体影响对参数进行排序,而无需完全分解方差。FAST 使用傅里叶变换技巧,以比 Sobol 更少的模型运行次数来实现方差分解。这三种方法都回答了同一个基本问题——哪些输入是重要的——但成本和精度不同。
历史学
模型输出方差分解到各个输入贡献的根源在于 ANOVA 传统,但其在计算模型上的系统应用始于 20 世纪 70 年代 Cukier、Levine 和 Shuler 提出的傅里叶振幅敏感性检验。Max Morris 在 1991 年的一篇论文中正式提出了 OAT 基本效应筛选方法,该方法因其经济实用性而广为引用。最具影响力的现代表述来自 Ilya M. Sobol,他于 2001 年发表的论文建立了基于方差的一阶和总效应指数的蒙特卡洛估计量,这些估计量现在已成为标准。Saltelli 等人 (2008) 的教科书巩固了该领域,并将 Saltelli 采样方案确立为 Sobol 指数的参考实现。如今,全局敏感性分析已成为工程、环境科学、流行病学和经济学中模型验证的常规组成部分。
何时使用
当需要了解哪些输入驱动计算模型的不确定性,或者当你想通过识别可以固定的非影响性参数来简化模型时,全局敏感性分析是适用的。它适用于任何可以由分布或合理范围描述输入的确定性或随机性模型。当模型运行次数可承受(通常每参数数百至数千次)时,Sobol 指数是最具信息量的选择。当模型成本高昂且有许多候选参数需要快速排序时,Morris 筛选方法是初步探索的首选。FAST 是一个折衷方案,当 Sobol 的样本成本过高但仍希望进行完整的方差分解时,它是一个不错的选择。该方法不需要正态分布的输入;预期输入类型为连续变量。当无法为输入分配概率分布或合理范围,或者模型纯粹是数据驱动而没有前向模拟结构时,则不适用。
局限与注意事项
- Sobol 指数需要 N×(2k+2) 次模型运行,对于昂贵的模拟器和许多参数来说,这可能是 prohibitive 的。
- Morris 筛选揭示了参数重要性的排序,但没有将方差分解为量化的分数;当需要精确分配时,它不能替代 Sobol 指数。
- 所有方法都假设输入不确定性可以通过概率分布或有界范围来表征;如果缺乏这种先验知识或知识不可靠,则产生的指数反映的是假设的不确定性而非真实的不确定性。
- 对于具有离散或分类输入的模型,标准的基于方差的框架不直接适用,需要扩展或替代方法。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 同时探索整个输入空间,而不是进行局部线性化假设,捕捉非线性行为和参数交互作用。
- Sobol 总效应指数 (ST) 直接识别可以固定的非影响性参数,从而实现原则性的模型简化。
- Morris 方法相对于完整的方差分解来说成本极低,使其适用于高维或计算成本高昂的模型。
- FAST 以比 Saltelli-Sobol 采样更少的运行次数实现完整的方差分解,提供了一种有效的折衷方案。
- 结果可解释:敏感性指数是总方差的归一化分数,便于直接排序和交流。
应用
- 识别气候和地球系统模型中哪些模型参数对预测影响最大,将校准工作导向重要的参数。
- 通过在拟合临床数据之前固定非影响性参数来简化复杂的药代动力学和药效学模型。
- 在核工程、化学工程或结构工程系统的风险和安全评估中优先减少不确定性。
- 通过揭示哪些输入因素最能驱动模型输出变异性,指导计算生物学和系统建模中的实验设计。
- 通过量化哪些不确定的输入假设对经济或流行病学模型的结论影响最大,支持政策分析。
使用方式
使用方式
分析师指定输入参数空间:为每个参数分配一个概率分布(或一个合理范围),以捕捉关于其不确定性的先验知识。此时还需要定义要分析的模型输出。输入范围的选择至关重要,因为敏感性指数是相对于所探索的空间而言的。
根据所选方法生成结构化的输入组合集。对于 Sobol 指数,Saltelli 采样方案为 k 个参数生成 N×(2k+2) 次模型评估;它使用拟随机(低差异)序列来有效地覆盖输入空间。Morris 方法使用一次性轨迹设计,一次只改变一个参数,同时保持其他参数固定。FAST 使用基于分配给每个输入的离散频率的周期性采样方案。
在每个采样输入点上评估计算模型。如果模型计算成本高昂,此阶段可能是分析中最昂贵的部分。对于昂贵的模拟器,有时会使用代理模型(元模型),如高斯过程模拟器,以使所需的评估次数可行。
分析模型输出以计算敏感性度量。对于 Sobol,总输出方差被划分:一阶指数 S1 捕获由参数单独引起的方差比例,总效应指数 ST 捕获其包括与所有其他参数交互作用的贡献。Morris 计算每个参数在每个轨迹点上的基本效应;这些效应的平均值和标准差表明总体影响和非线性或交互作用。FAST 使用输出变化的傅里叶分析将方差归因于每个输入频率。
按敏感性指数对参数进行排序。高 S1 表明参数具有很强的直接影响;S1 和 ST 之间的较大差距表明与参数存在显著的交互作用。ST 接近零的参数可以固定在标称值,而不会实质性地影响输出分布——这是关键的实际结果。结果通常显示为具有 bootstrap 置信区间的指数条形图或散点图。
常见陷阱
- 指定过窄的输入范围会人为地降低参数在更广泛的实际范围内可能具有的重要性——输入范围应始终基于领域知识或数据。
- 仅报告一阶指数 (S1) 而忽略总效应指数 (ST) 会遗漏交互作用;一个 S1 低但 ST 高的参数仍然很重要,因为它与其他参数有强烈的交互作用。
- 对 Sobol 指数使用过少的模型运行次数会导致指数估计不稳定、不可靠;应始终计算 bootstrap 置信区间以评估收敛性。
- 当目的需要精确的方差分配时,将 Morris 筛选结果作为最终答案——Morris 对参数进行排序,但不量化其分数贡献;为此请使用 Sobol 或 FAST。
- 混淆局部敏感性分析(单个点的导数)与全局敏感性分析——局部分析无法捕捉参数交互作用或跨整个输入空间的非线性。
常见问题
我应该使用 Sobol、Morris 还是 FAST?
选择取决于你的模型运行预算和目标。如果模型成本高昂且有许多参数需要筛选,请从 Morris 开始——它能廉价地对它们进行排序。如果你能负担 N×(2k+2) 次运行(其中 k 是参数数量),Sobol 指数通过量化总方差的一阶和交互作用分数,提供最完整的图景。当你想要完整的方差分解但 Sobol 的样本量过大时,FAST 是一个不错的选择;它以更少的运行次数获得相似的信息。
一阶 (S1) 和总效应 (ST) 指数实际含义是什么?
参数的 S1 是该参数单独解释的总输出方差的比例,忽略了交互作用。ST 是该参数及其与所有其他参数的交互作用所解释的比例。如果所有参数的 S1 ≈ ST,则交互作用可忽略不计。S1 和 ST 之间的较大差距表明存在重要的交互作用。ST 接近零的参数可以固定,而不会有意义地改变输出不确定性。
我需要多少次模型运行?
Sobol 指数的标准 Saltelli 方案需要 N×(2k+2) 次运行,其中 N 是基本样本量(通常为 512–2048),k 是输入参数的数量。例如,对于 k=10 个参数和 N=1024,需要 22,528 次运行。Morris 通常需要 r×(k+1) 次运行,其中 r 是轨迹数量(通常为 10–50),总数要小得多。FAST 的要求因实现而异,但通常介于 Morris 和 Sobol 之间。
我可以在非模拟模型上使用全局敏感性分析吗?
GSA 适用于任何将一组输入映射到输出并且可以在不同输入值下重复评估的模型。这包括统计模型、机器学习模型和解析方程,而不仅仅是基于物理的模拟。要求是输入可以分配合理的分布或范围,并且模型可以运行足够次数来填充样本矩阵。