sensitive analysis_原创精品文档.pdfVIP

【参数分析】敏感性分析

敏感性分析简介

一阶指标:仅通过单个输入来测量对输出方差的贡献。

二阶指标:测量两个输入相互作用对输出方差的贡献

总阶指数:测量模型输入对输出方差的贡献，包括它的一阶效应(输入

单独变化)和所有高阶交互作用。

敏感性分析方法选择

影响敏感性分析方法的选择的因素通常有：

计算开销：敏感性分析几乎是基于抽样的方法，当模型的一次运行需

要大量的时间时，这可能是一个严重的问题。当模型具有大量的不确定输

入时，敏感性分析本质上是对多维输入空间的探索，其大小随输入的数量

呈指数增长。

相关输入:大多数常见的敏感性分析方法假设模型输入之间是独立的，

但有时输入可能是强相关的。这仍然是一个不成熟的研究领域，权威的方

法尚未建立。

非线性:一些敏感性分析方法，如基于线性回归的方法，在模型响应

相对于其输入是非线性的情况下，不能准确地测量敏感性。在这种情况下，

基于方差的度量更合适。

敏感性分析过程

量化输入的不确定性(例如范围、概率分布)

(理想情况下，目标应该与模型处理的问题直

接相关)

用一些设计好的实验对模型进行多次运行，“设计好的实验”由选择

的方法和输入的不确定性决定。

利用模型输出，计算敏感性度量。

在某些情况下，这个过程会重复，例如在高维问题中，用户必须在执

行完整的敏感性分析之前筛选出不重要的变量。

敏感性分析的方法

最简单和最常见的方法之一是每次更改一个因素(OAT)，以查看这会

对输出产生什么影响。OAT通常包括：

移动一个输入变量，保持其他变量的基线值(nominalvalue)，然后

将变量返回到其标称值，然后以相同的方式对每个其他输入进行重复。

之后，敏感性可以通过监测输出的变化来测量，例如通过偏导数或线

性回归方法。在输出中观察到的任何更改都将明确地由单个变量的更改引

起。此外，通过每次更改一个变量，可以将所有其他变量固定在它们的基

线值，增加了结果的可比较性(与基线情况相比较），并将计算机程序崩

溃（同时改变几个因素的情况）的几率降至最低，所以是一种不错的方法。

由于实际原因，OAT经常受到建模者的青睐。当OAT分析下的模型发生故

障时，建模者立即知道哪个输入因素导致了故障。

不过因为一次只改变一个输入参数，所以不能检测到多个输入耦合的

情况。

Derivative-basedlocalmethods

YYY对输入因子XiX_{i}Xi的

偏导数。Adjointmodelling和AutomatedDifferentiation属于这类方

法。与OAT类似，局部方法不尝试完全探索输入空间，因为它们只检查小

的扰动，通常一次检查一个变量。

在敏感性分析中，回归分析包括对模型响应进行线性回归并使用标准

化回归系数作为敏感性的直接度量。回归要求数据是线性的，因为否则很

难解释标准化系数。因此，当模型响应实际上是线性时，这种方法是最合

适的。例如，如果决定系数很大，就可以确定线性关系。回归分析的优点

是简单，计算量小。

Variance-basedmethods

基于方差的方法是一种概率方法，它将输入和输出的不确定性以概率

分布的形式进行量化，并将输出方差分解为可归属于输入变量和变量组合

的部分。因此，输出对输入变量的敏感性是由该输入在输出中引起的方差

量来度量的，这些可以表示为条件期望。

基于变量的方法允许充分探索输入空间，考虑交互作用和非线性响应。

由于这些原因，当计算它们是可行的时候，它们被广泛使用。通常，这种

计算涉及到蒙特卡罗方法的使用，但由于这可能涉及数千次模型运行，因

此可以在必要时使用其他方法(如仿真器)来减少计算开销。注意，只有当

输入因子彼此独立时，完全方差分解才有意义。

Screening

筛选是基于采样的方法的一个特殊实例。这里的目标是确定哪些输入

变量对高维模型的输出不确定性有重要影响，而不是精确地量化敏感性

(即方差)。与其他方法相比，筛选的计算成本相对较低，可以用于初步分

常用的筛选方法之一是elemen