Sensitivitätsstudien

Sensitivitätsstudien, auch Sensitivitätsanalyse genannt, sind Methoden zur Untersuchung, wie Unsicherheit in Modelleingaben die Ergebnisse eines Modells beeinflusst. Sie dienen der Beurteilung der Robustheit von Schlussfolgerungen, der Identifikation einflussreicher Parameter und der Priorisierung von Datenbedarf oder weiteren Untersuchungen.

Es gibt verschiedene Ansätze. Bei der ein- oder mehrparametrischen Sensitivitätsanalyse variiert man systematisch einzelne Eingangsparameter (one-way) oder mehrere Parameter gleichzeitig (multi-way). Eine weiter entwickelte Form ist die probabilistische Sensitivitätsanalyse (PSA), bei der Eingaben durch Wahrscheinlichkeitsverteilungen repräsentiert werden und Simulationen (z. B. Monte-Carlo- oder Bootstrap-Verfahren) Verteilungen der Modelloutputs liefern. Global-sensitivitätsanalysen verwenden über den gesamten Eingangsraum verteilte Werte, um die Gesamtvarianz der Ausgabe zu erklären (z. B. Sobol-Indizes, FAST). Screening-Methoden wie Morris dienen dazu, schnell grobe Einflussgrößen zu identifizieren.

Typische Methoden umfassen Morris-Methode, Sobol-Indizes, FAST, Latin-Hypercube-Sampling und Monte-Carlo-Simulationen. Ergebnisse werden oft visuell zusammengefasst, etwa in Tornadodiagrammen, Streudiagrammen oder Verteilungsdarstellungen der Outputs.

Anwendungsgebiete umfassen Wirtschaft, Epidemiologie, Umweltmodellierung, Ingenieurwesen und Finanzwesen. Vorgehen in der Praxis: (1) Modell definieren, (2) unsichere Eingaben identifizieren, (3) plausible Verteilungen oder Bereiche festlegen, (4) Analysen durchführen, (5) Ergebnisse interpretieren und berichten. Sensitivitätsstudien helfen, Entscheidungsprozesse transparenter zu gestalten, Parameterprioritäten zu setzen und Modelle gezielt zu verbessern.

Nachteile sind Abhängigkeiten von gewählten Verteilungen, mögliche Vernachlässigung von Korrelationen zwischen Eingaben und erheblicher Rechenaufwand bei globalen, multivariaten Analysen.