känslighetsstudier

Känslighetsstudier, eller känslighetsanalys, är studier som undersöker hur variationer i modellens inputparametrar påverkar dess utdata. Syftet är att bedöma modellens robusthet, identifiera vilka parametrar som har störst effekt samt stödja beslut genom att prioritera dataförvärv, modellförbättringar och kommunikation av osäkerhet.

Metoder delas ofta in i lokala och globala tillvägagångssätt. Lokala metoder studerar hur små förändringar i en parameter påverkar utdata när övriga parametrar hålls konstan­ta. Globala metoder undersöker hur osäkerhet i flera parametrar samtidigt påverkar utdata över hela deras intervall. Vanliga tekniker inkluderar variansbaserade mått som Sobol-indexer, den enkla Morris-metoden för screening, samt simuleringar baserade på Monte Carlo och Latin Hypercube Sampling. Resultaten sammanställs ofta i känslighetsmått eller visualiseringar som tornado-diagram för att visa vilka parametrar som har störst effekt.

Användningsområden finns inom finans och ekonomi (riskbedömning och prissättning), miljö och klimatforskning (hydrologi, utsläppsberäkningar), hälsa och läkemedelsutveckling, samt teknik och industriell tillverkning. Genom känslighetsstudier uppnås bättre förståelse för vilket data som behöver samlas in mer noggrant och hur modellens beslut påverkas av osäkerhet.

Processen omfattar att definiera modellen och dess parametrar, fastställa sannolikhetsfördelningar eller intervall, välja lämplig metod, genomföra simuleringar, beräkna känslighetsmått och tolka resultaten samt kommunicera slutsatserna till beslutsfattare. Begränsningar inkluderar beräkningskostnader vid hög dimension, beroenden mellan parametrar som inte fångas av oberoende antaganden och tolkning när interaktionseffekter är starka.