Sensitivitätstests

Sensitivitätstests bezeichnen Verfahren zur Bestimmung, wie empfindlich ein System, ein Modell oder eine Messmethode auf Änderungen in Eingangsgrößen oder Bedingungen reagiert. Ziel ist, Einflussfaktoren zu identifizieren, die Ergebnisse dominieren, und die Robustheit von Schlussfolgerungen zu prüfen. Der Begriff wird breit verwendet, von Wissenschaft bis Wirtschaft; in der Praxis wird oft zwischen theoretischer Sensitivitätsanalyse (Quantifizierung von Abhängigkeiten) und praktischer Prüfung in Experimenten unterschieden.

In der Statistik und Modellierung werden Sensitivitätstests auch als Sensitivitätsanalysen bezeichnet. Typische Ansätze sind One-at-a-time- oder globale Sensitivitätsanalysen. Methoden umfassen derivative Ansätze zur lokalen Sensitivität, sowie globale, varianzbasierte Verfahren wie Sobol-Indizes oder Morris-Methoden. Man erstellt dabei plausible Parameterbereiche, führt viele Modellläufe durch und misst, wie stark Outputs variieren. Ergebnisdarstellungen wie Tornado-Diagramme helfen, Einflussgrößen zu ranken.

Anwendungen umfassen Umwelt- und Risikomodellierung, Finanz- und Ingenieurwesen, Epidemiologie, Informatik und Diagnostik. In der medizinischen Diagnostik spricht man oft von der Sensitivität eines Tests, d. h. der Fähigkeit, tatsächlich Erkrankte zu erkennen, unabhängig von Spezifität, mit Bewertung über ROC-Kurven.

Besonderheiten: Sensitivität ist oft durch Nichtlinearität, Interaktion zwischen Parametern und unsichere Eingangsdaten geprägt. Gute Praxis umfasst klare Zielsetzung, transparente Parameterbereiche, Dokumentation der Annahmen, sowie Validierung der Ergebnisse gegen unabhängige Daten. Limitierungen: hoher Rechenaufwand, Interpretation komplexer Interaktionen.