Sensitivitätsanalysen

Sensitivitätsanalysen untersuchen, wie Ergebnisse eines Modells oder einer Entscheidungsoptimierung auf Veränderungen von Eingangsdaten, Parametern oder Annahmen reagieren. Ziel ist es, die Robustheit von Ergebnissen zu prüfen, Einflussgrößen zu identifizieren, Prioritäten für Datenerhebung festzulegen und Unsicherheiten transparenter zu machen.

Man unterscheidet zwischen lokalen und globalen Sensitivitätsanalysen. Lokale Analysen betrachten die Wirkung kleiner Änderungen eines Parameters um einen Referenzwert, oft durch Ableitungen oder One-at-a-time-Variationen und liefern vorwiegend eine lokale Steigung oder ein Tornado-Diagramm. Globale Analysen erfassen das Verhalten des Modells über den gesamten Parameterraum, z. B. mittels Monte-Carlo-Simulation, Sobol'-Indizes, Morris-Methoden (Screening) oder FAST. Dabei werden Parameter oft stochastisch verteilt, um Unsicherheit in Eingaben abzubilden.

Vorgehen: Identifikation relevanter Einflussgrößen, Festlegung von Basiswerten und Verteilungen, Durchführung der Analysen, Interpretation der Sensitivitätsmetriken (z. B. Varianzanteile, Korrelationen) und Kommunikation der Ergebnisse. Anwendungen finden sich in Wirtschaft, Ingenieurwesen, Umwelt- und Gesundheitsmodellen, Epidemiologie, Finance und Politikanalysen.

Kernpunkte: Sensitivität ergibt sich oft aus der Modellstruktur; Ergebnisse müssen im Kontext der Annahmen interpretiert werden. Limitationen umfassen Abhängigkeiten zwischen Parametern, Rechenaufwand bei globalen Ansätzen und das Risiko, Sensitivität mit Kausalität zu verwechseln.