känslighetsanalyser

En känslighetsanalys (plural: känslighetsanalyser) är en systematisk metod för att undersöka hur variation i modellernas indata påverkar modellens utdata. Syftet är att identifiera vilka parametrar som har störst effekt på resultatet, att bedöma osäkerhet i modellens slutsatser och att stödja beslut genom att peka ut prioriterade datakällor och åtgärder.

Känslighetsanalyser kan vara lokala eller globala. Lokala analyser studerar hur små förändringar i en eller flera indata nära ett centralt scenario påverkar utdata, ofta genom partiella derivator eller enkla one-at-a-time metoder. Globala analyser undersöker hela indataområdet och fångar icke-linjäritet och interaktioner mellan parametrar. Vanliga metoder inkluderar Monte Carlo-simuleringar kombinerade med Sobol-indextal eller FAST, Morris-metoden för att fånga viktigaste effekter, samt regressions- och korrelationsbaserade tekniker. Tornado-diagram används ofta för att visualisera känslighetsresultat i praktiska beslutssituationer.

Användningar av känslighetsanalyser finns inom ekonomi och finans, teknik, energisystem och miljö- och riskanalys. De hjälper till att prioritera insamling av data, förstå vilka antaganden som är mest avgörande och kommunicera osäkerhet till beslutsfattare. Begränsningar inkluderar krav på modellkvalitet och beräkningsresurser samt tolkningsutmaningar när parametrar är beroende av varandra eller när modellen är mycket icke-linjär.