gevoeligheidsstudies

Gevoeligheidsstudies, oftewel sensitivity analyses, zijn rekentechnieken om te beoordelen hoe onzekerheid in de invoerparameters van een model de uitkomsten en conclusies beïnvloedt. Ze worden toegepast in uiteenlopende velden zoals volksgezondheid, economie, milieumodellering en data-analyse om de robuustheid van aanbevelingen te evalueren.

Er bestaan verschillende benaderingen. Een onderscheid is tussen lokale (one-way) gevoeligheidsanalyses, waarbij men één parameter tegelijk varieert terwijl de overige vast blijven, en globale (multi-parameter) analyses, waarbij meerdere parameters gelijktijdig en meestal volgens een kansverdeling worden gevarieerd. Bij de globale aanpak komen methoden zoals probabilistische gevoeligheidsanalyse (PSA) en Monte Carlo-simulaties vaak voor; ook Latin hypercube sampling wordt gebruikt om efficiënt een breed parametergebied te bestrijken. Voor screening van wat de parameterinvloed betreft worden vaak de Morris-methode en schommelingsanalyse toegepast. Resultaten worden vaak weergegeven met tornado-diagrammen, spreidingsdiagrammen en samenvattende statistieken zoals beïnvloedingsindices.

Het proces omvat het definiëren van de modelinvoer, het toewijzen van plausibele verdelingen aan onzekere parameters, het uitvoeren van meerdere runs en het samenvatten van de uitkomsten in termen van robuustheid, variatie en mogelijke beslissingssignalen. In gezondheidsoriënteerde economische evaluaties kan PSA bijvoorbeeld leiden tot kansenschattingscurves voor kosteneffectiviteit en besluitvormingsondersteuning bij onzekerheid.

Belangrijke aandachtspunten zijn onder meer correlatie tussen parameters, structurele onzekerheid die niet met parametervariatie kan worden gevangen, en de keuze van verdelingen. Transparante rapportage van aannames en methoden is van cruciaal belang voor interpretatie.