sensibilitetsanalyser

Sensibilitetsanalyser är en grupp metodiska sätt att undersöka hur variationer i modellens indata påverkar modellens utdata. Syftet är att identifiera vilka indata som har störst inflytande, uppskatta hur osäkerhet i indata överförs till osäkerhet i resultatet och därmed stödja beslut, modellutvärdering och parameterprioritering. Analysen kan bidra till att förstå modellernas robusthet och att optimera insamlingen av data.

Det finns lokala och globala angreppssätt. Lokala sensibilitetsanalyser studerar hur små förändringar i ett enskilt parametervärde påverkar utdata i en nominal punkt, ofta via partiella derivator eller linjära approximationer. Globala analyser försöker fånga effekter över hela indatautrymmet och inkluderar interaktioner mellan parametrar samt icke-linjäritet. Vanliga globala metoder är variansbaserade tillvägagångssätt (till exempel Sobol-individer och FAST), Morris-screaning, samt regressions- eller maskininlärningsbaserade tekniker som används för att uppskatta känslighetsmått över många parametrar.

Processen innebär vanligtvis att definiera modellen och dess utdata, fastställa parametrar och deras bounds, välja en sensibilitetsmetod, utföra simuleringar eller beräkningar och tolka resultaten för att rangordna parametrar och bedöma osäkerhetens spridning. Valet av metod påverkas av modellens komplexitet, antal parametrar och beräkningskostnader.

Användningsområden omfattar teknik, ekonomi, miljö och hälsa, där förståelse för hur indata påverkar resultatet är viktigt för riskbedömning, optimering och förbättrad modellförståelse.