Sensibilitetsanalyse

Sensibilitetsanalyse er en metode til at undersøge, hvordan usikkerheder i modellens input påvirker usikkerheden i modellens output. Formålet er at identificere de vigtigste drivere af modellens opførsel, informere dataindsamling og beslutninger samt vurdere modellens robusthed under ændrede antagelser.

Der findes to hovedgrene af sensibilitetsanalyse: lokal og global. Lokal sensibilitetsanalyse vurderer effekten af små ændringer omkring en given løsning eller baseline og bruger metoder som partielle afledninger og elastitetsberegninger eller en-til-en ændringer (one-at-a-time). Denne tilgang er enkel og hurtig, men kan være misvisende, hvis relationerne er ikke-lineære eller afhængige af andre input.

Global sensibilitetsanalyse undersøger inputenes bidrag til outputvariansen over hele inputrummet og under forskellige sandsynlighedsfordelinger. Metoder omfatter variansbaserede indekser (f.eks. Sobol’ indeks), Morris-screening, FAST og andre Monte Carlo- eller Latin Hypercube-samplingsteknikker. Global analyse giver et mere komplet billede af interaktioner og non-lineariteter, men kræver ofte større beregningsressourcer.

Procesforløb: Definer problemet og inputvariablerne; specificer sandsynlighedsfordelinger; beregn sensibilitetsindekser eller bidrag; fortolk resultater og formidle usikkerheden. Anvendelser findes i ingeniør- og miljømodeller, finans, medicin og epidemiologi samt ved policy- og beslutningsstøtte.

Fordele ved sensibilitetsanalyse inkluderer identifikation af nøgledrivere og prioritering af dataindsamling; begrænsningerne omfatter beregningsomkostninger og potentielle misforståelser ved komplekse interaktioner eller utilstrækkelige modelantagelser.