मॉरिस विधि

लागू आँकड़ों में, वैश्विक संवेदनशीलता विश्लेषण के लिए मॉरिस विधि एक तथाकथित वन-स्टेप-एट-ए-टाइम विधि (OAT) है, जिसका अर्थ है कि प्रत्येक रन में केवल एक इनपुट पैरामीटर को एक नया मान दिया जाता है। यह इनपुट मूल्यों की संभावित सीमा के विभिन्न बिंदुओं x(1 → r) पर स्थानीय परिवर्तनों की संख्या r बनाकर वैश्विक संवेदनशीलता विश्लेषण की सुविधा प्रदान करता है।

प्राथमिक प्रभाव 'वितरण
Iवें इनपुट कारक से जुड़े प्राथमिक प्रभावों का परिमित वितरण, यादृच्छिक रूप से भिन्न x को Ω से नमूना करके प्राप्त किया जाता है, और इसे Fi द्वारा निरूपित किया जाता है

विविधताएं
मॉरिस के मूल कार्य में प्रस्तावित दो संवेदनशीलता उपाय क्रमशः माध्य, μ, थे। और Fi का मानक विचलन, σ,। हालांकि, मॉरिस को चुनने में यह कमी है कि, यदि वितरण, फाई में नकारात्मक तत्व शामिल हैं, जो तब होता है जब मॉडल गैर-मोनोटोनिक होता है, मतलब की गणना करते समय कुछ प्रभाव एक दूसरे को रद्द कर सकते हैं। इस प्रकार, माप μ अपने आप क्रम में रैंकिंग कारकों के लिए विश्वसनीय नहीं है महत्व की। एक ही समय में μ और σ के मूल्यों पर विचार करना आवश्यक है, विभिन्न संकेतों के प्राथमिक प्रभाव वाले कारक के रूप में (जो एक दूसरे को रद्द करते हैं) μ का कम मूल्य होगा लेकिन एक σ का काफी मूल्य जो कारकों को कम आंकने से बचा जाता है।

μ*
यदि वितरण, Fi, में नकारात्मक तत्व शामिल हैं, जो तब होता है जब मॉडल गैर-मोनोटोनिक होता है, जब माध्य की गणना करते हुए कुछ प्रभाव एक दूसरे को रद्द कर सकते हैं। जब लक्ष्य एक एकल संवेदनशीलता माप का उपयोग करके महत्व के क्रम में कारकों को रैंक करना है, तो वैज्ञानिक सलाह μ∗ का उपयोग करना है, जो पूर्ण मूल्य का उपयोग करके विपरीत संकेतों के प्रभावों की घटना से बचा जाता है।

संशोधित मॉरिस पद्धति में μ* का उपयोग आउटपुट पर एक महत्वपूर्ण समग्र प्रभाव वाले इनपुट कारकों का पता लगाने के लिए किया जाता है। σ का उपयोग अन्य कारकों के साथ बातचीत में शामिल कारकों का पता लगाने के लिए किया जाता है या जिनका प्रभाव गैर-रैखिक होता है।

विधि के कदम
विधि सभी इनपुट चर के लिए संभावित मानों की परिभाषित सीमाओं के भीतर प्रारंभ मानों के एक सेट का नमूना लेकर शुरू होती है और बाद के मॉडल के परिणाम की गणना करती है। दूसरा चरण एक चर के मानों को बदलता है (अन्य सभी इनपुट उनके प्रारंभ मूल्यों पर शेष हैं) और पहले रन की तुलना में मॉडल परिणाम में परिणामी परिवर्तन की गणना करता है। इसके बाद, दूसरे चर के मानों को बदल दिया जाता है (पिछले चर को उसके बदले हुए मूल्य पर रखा जाता है और अन्य सभी को उनके शुरुआती मूल्यों पर रखा जाता है) और दूसरे रन की तुलना में मॉडल परिणाम में परिणामी परिवर्तन की गणना की जाती है। यह तब तक चलता रहता है जब तक कि सभी इनपुट चर बदल नहीं जाते। इस प्रक्रिया को r बार दोहराया जाता है (जहाँ r को आमतौर पर 5 और 15 के बीच लिया जाता है), हर बार स्टार्ट वैल्यू के एक अलग सेट के साथ, जो कई r(k + 1) रन की ओर जाता है, जहाँ k इनपुट वेरिएबल्स की संख्या है. संवेदनशीलता विश्लेषण के लिए अधिक मांग वाले तरीकों की तुलना में ऐसी संख्या बहुत कुशल है। बड़े आयाम वाले मॉडल में स्क्रीन कारकों के लिए व्यापक रूप से उपयोग की जाने वाली एक संवेदनशीलता विश्लेषण विधि मॉरिस द्वारा प्रस्तावित डिजाइन है। मॉरिस विधि मॉडल के बारे में सख्त धारणाओं पर भरोसा किए बिना सैकड़ों इनपुट कारकों वाले मॉडल के साथ कुशलतापूर्वक व्यवहार करती है, जैसे उदाहरण के लिए मॉडल इनपुट-आउटपुट संबंध की एडिटिविटी या मोनोटोनिकिटी। मॉरिस विधि समझने और लागू करने में सरल है, और इसके परिणामों की आसानी से व्याख्या की जाती है। इसके अलावा, यह इस मायने में आर्थिक है कि इसके लिए कई मॉडल मूल्यांकन की आवश्यकता होती है जो कि मॉडल कारकों की संख्या में रैखिक है। विधि को वैश्विक माना जा सकता है क्योंकि इनपुट स्थान के विभिन्न बिंदुओं पर गणना की गई कई स्थानीय उपायों (प्राथमिक प्रभाव) के औसत से अंतिम उपाय प्राप्त किया जाता है।

यह भी देखें

 * मोंटे कार्लो विधि

बाहरी संबंध

 * Morris method paper