sensitiivisyysanalyysissä

Sensitiivisyysanalyysissä ovat kyseessä joukko menetelmiä, joiden avulla selitetään, miten mallin tulokset reagoivat syötteiden vaihteluun. Tavoitteena on tunnistaa ne muuttujat, jotka vaikuttavat eniten mallin epävarmuuteen sekä suorituskykyyn ja siten ohjata datankeruuta, kalibrointia ja riskien arviointia.

Paikallisessa herkkyysanalyysissä muutetaan yhtä muuttujaa kerrallaan pienellä vaihteluvälillä ja tarkastellaan, miten tulos muuttuu. Tämä lähestymistapa perustuu osittaisiin derivaattoihin tai lineaariseen lähestymistapaan ja soveltuu hyvin nopeiden, suhteellisen pienien vaikutusten kartoitukseen.

Globaalissa sensitiivisyysanalyysissä tarkastellaan syötteiden vaihtelujen laajaa spektriä ja niiden vaikutusta tulokseen riippumatta yksittäisten muutosten mitoista. Yleisimmät menetelmät ovat Sobol-indeksit (varianssiperusteinen analyysi), Morris-menetelmä (tunnistaa pää- ja interaktiovaikutuksia) sekä FAST-menetelmä. Tuloksia voi esittää tornadokaavioina tai indekseinä, joita käytetään muuttujien priorisointiin.

Prosessi yleensä etenee määrittämällä malli ja sen syötteet, asettamalla vaihteluvälit ja epävarmuudet, toteuttamalla riittävä määrä simulointeja sekä laskemalla ja tulkitsemalla herkkyysmittarit. Tulkinta kohdistuu siihen, mitkä muuttujat säätelevät eniten epävarmuutta ja miten tulokset voivat muuttua erilaisten skenaarioiden perusteella.

Sovelluksia on monilla aloilla, kuten suunnittelussa ja optimoinnissa, ympäristö- ja taloustieteissä sekä riskinarvioinnissa ja farmakokinetiikassa. Sensitiivisyysanalyysi auttaa priorisoimaan datankeruun ja kalibroinnin tarvetta sekä antamaan kontekstin epävarmuudelle päätöksenteossa. Rajoitteina ovat laskentatarve, syöttöjen riippuvuudet sekä mahdolliset ei‑lineaariset ja interaktiiviset vaikutukset, joita on tulkittava huolellisesti.