संवेदनशीलता विश्लेषण

From Vigyanwiki
Revision as of 14:12, 16 January 2023 by Admin (talk | contribs)
(diff) ← Older revision | Latest revision (diff) | Newer revision → (diff)

संवेदनशीलता विश्लेषण इस बात का अध्ययन है कि कैसे गणितीय मॉडल या सिस्टम (संख्यात्मक या अन्य) के आउटपुट में अनिश्चितता को विभाजित किया जा सकता है और इसके इनपुट में अनिश्चितता के विभिन्न स्रोतों को आवंटित किया जा सकता है।[1][2]अनिश्चितता विश्लेषण इसका संबंधित अभ्यास है, जिसमें अनिश्चितता की मात्रा का ठहराव और अनिश्चितता के प्रसार पर अधिक ध्यान दिया गया है, आदर्श रूप से, अनिश्चितता और संवेदनशीलता विश्लेषण को साथ-साथ चलाया जाना चाहिए।

संवेदनशीलता विश्लेषण के अनुसार चर के प्रभाव को निर्धारित करने के लिए वैकल्पिक धारणाओं के अनुसार परिणामों की पुनर्गणना की प्रक्रिया कई उद्देश्यों के लिए उपयोगी हो सकती है,[3] जैसे:

  • अनिश्चितता की उपस्थिति में किसी मॉडल या प्रणाली के परिणामों के मजबूत निर्णय का परीक्षण करना।
  • सिस्टम या मॉडल में इनपुट और आउटपुट चर के बीच संबंधों की समझ में वृद्धि।
  • अनिश्चितता में कमी, मॉडल इनपुट की पहचान के माध्यम से जो आउटपुट में महत्वपूर्ण अनिश्चितता का कारण बनता है और इसलिए मजबूती बढ़ाने के लिए ध्यान का ध्यान केंद्रित किया जाना चाहिए (आगे के शोध से)।
  • मॉडल में त्रुटियों की खोज (इनपुट और आउटपुट के बीच अप्रत्याशित संबंधों का सामना करके)।
  • मॉडल सरलीकरण - मॉडल इनपुट को ठीक करना जिसका आउटपुट पर कोई प्रभाव नहीं पड़ता है, या मॉडल संरचना के अनावश्यक भागों को पहचानना और हटाना।
  • मॉडलर्स से निर्णय निर्माताओं तक संचार बढ़ाना (उदाहरण के लिए सिफारिशों को अधिक विश्वसनीय, समझने योग्य, सम्मोहक या प्रेरक बनाकर)।
  • इनपुट कारकों के क्षेत्र में ऐसे क्षेत्रों का पता लगाना जिसके लिए मॉडल आउटपुट या तो अधिकतम या न्यूनतम है या कुछ इष्टतम मानदंड को पूरा करता है ( अनुकूलन और मोंटे कार्लो फ़िल्टरिंग देखें)।
  • बड़ी संख्या में मापदंडों के साथ अंशांकन मॉडल के स्थिति में, प्राथमिक संवेदनशीलता परीक्षण संवेदनशील मापदंडों पर ध्यान केंद्रित करके अंशांकन चरण को सरल बना सकता है। मापदंडों की संवेदनशीलता को न जानने के परिणामस्वरूप गैर-संवेदनशील लोगों पर बेकार समय व्यतीत हो सकता है।[4]
  • बेहतर मॉडलों के विकास के लिए प्रेक्षणों, मॉडल इनपुटों और भविष्यवाणियों या पूर्वानुमानों के बीच महत्वपूर्ण संबंधों की पहचान करना।[5][6]

अवलोकन

एक गणितीय मॉडल (उदाहरण के लिए जीव विज्ञान, जलवायु परिवर्तन, अर्थशास्त्र या अभियांत्रिकी में) अत्यधिक जटिल हो सकता है, और इसके परिणामस्वरूप, इनपुट और आउटपुट के बीच इसके संबंधों को गलत विधि से समझा जा सकता है। ऐसी स्थितियों में, मॉडल को ब्लैक बॉक्स के रूप में देखा जा सकता है, अर्ताथ आउटपुट इसके इनपुट का अपारदर्शी कार्य है। अधिकांशतः, कुछ या सभी मॉडल इनपुट अनिश्चितता मात्रा के स्रोतों के अधीन होते हैं, जिसमें मापन अनिश्चितता, जानकारी की अनुपस्थिति और ड्राइविंग बलों और तंत्रों की खराब या आंशिक समझ सम्मलित है। यह अनिश्चितता मॉडल की प्रतिक्रिया या आउटपुट में हमारे विश्वास पर सीमा लगाती है। इसके अतिरिक्त, मॉडल को सिस्टम की प्राकृतिक आंतरिक परिवर्तनशीलता (एलेटरी) से निपटना पड़ सकता है, जैसे कि स्टोकेस्टिक घटनाओं की घटना इत्यादि।[7] अच्छे मॉडलिंग अभ्यास के लिए आवश्यक है कि मॉडलर मॉडल में विश्वास का मूल्यांकन प्रदान करे। इसके लिए पहले, किसी भी मॉडल परिणामों में अनिश्चितता का परिमाणीकरण (विज्ञान) आवश्यक है (अनिश्चितता विश्लेषण) और दूसरा, प्रत्येक इनपुट का आउटपुट इसके मूल्यांकन की अनिश्चितता में कितना योगदान देता है। संवेदनशीलता विश्लेषण इन विवादों में से दूसरे को संबोधित करता है (चूंकि अनिश्चितता विश्लेषण सामान्यतः आवश्यक अग्रदूत है), आउटपुट में भिन्नता का निर्धारण करने में इनपुट की ताकत और प्रासंगिकता को महत्व देकर आदेश देने की भूमिका निभाते हैं।[2]

कई इनपुट चर वाले मॉडलों में, संवेदनशीलता विश्लेषण मॉडल निर्माण और गुणवत्ता आश्वासन का अनिवार्य घटक है। प्रभाव मूल्यांकन अध्ययन में सम्मलित राष्ट्रीय और अंतर्राष्ट्रीय एजेंसियों ने अपने दिशानिर्देशों में संवेदनशीलता विश्लेषण के लिए समर्पित अनुभागों को सम्मलित किया है। यूरोपीय आयोग (उदाहरण के लिए प्रभाव मूल्यांकन के लिए दिशानिर्देश देखें),[8] प्रबंधन और बजट का व्हाइट हाउस कार्यालय, जलवायु परिवर्तन पर अंतर सरकारी पैनल और अमेरिकी पर्यावरण संरक्षण एजेंसी के मॉडलिंग दिशानिर्देश इसका उदाहरण हैं। [9] जर्नल प्रकृति (पत्रिका) में 2020 में प्रकाशित टिप्पणी में 22 विद्वानों ने कोविड-19 को समाज की अच्छी सेवा करने वाले मॉडल बनाने के पांच गलत विधि सुझाने के अवसर के रूप में लिया। पांच समर्थनों में से एक, 'कल्पनाओं पर ध्यान दें' उचित शीर्षक के अनुसार 'वैश्विक अनिश्चितता और संवेदनशीलता विश्लेषण करना है सभी को अनुमति देना जो अनिश्चित है - चर, गणितीय संबंध और सीमा की स्थिति - साथ भिन्न होने के लिए मॉडल अपनी भविष्यवाणियों की श्रेणी का उत्पादन करता है। [10]

सेटिंग्स, बाधाएं, और संबंधित विवाद

सेटिंग्स और बाधाएं

संवेदनशीलता विश्लेषण की विधि का चुनाव सामान्यतः कई समस्या बाधाओं या सेटिंग्स द्वारा तय किया जाता है। कुछ सबसे सरल हैं

  • कम्प्यूटरीकृत व्यय: संवेदनशीलता विश्लेषण लगभग हमेशा मॉडल को (संभवतः बड़ी) संख्या में चलाकर किया जाता है, अर्ताथ नमूनाकरण (सांख्यिकी) -आधारित दृष्टिकोण।[11] तब यह महत्वपूर्ण समस्या हो सकती है,
    • मॉडल के रन में बहुत समय लगता है (मिनट, घंटे या अधिक)। यह बहुत जटिल मॉडलों के साथ असामान्य नहीं है।
    • मॉडल में बड़ी संख्या में अनिश्चित इनपुट हैं। संवेदनशीलता विश्लेषण अनिवार्य रूप से आयाम की खोज है, जो इनपुट की संख्या के साथ आकार में तेजी से बढ़ता है। आयामीता का अभिशाप देखें।
कम्प्यूटरीकृत व्यय कई व्यावहारिक संवेदनशीलता विश्लेषणों में समस्या है। कम्प्यूटरीकृत व्यय को कम करने के कुछ विधियों में एमुलेटर (बड़े मॉडल के लिए) और स्क्रीनिंग विधियों (समस्या की आयामीता को कम करने के लिए) का उपयोग सम्मलित है। समय-बाधित अनुप्रयोगों के लिए चर चयन के लिए अन्य विधि घटना-आधारित संवेदनशीलता विश्लेषण पद्धति का उपयोग करना है।[12] यह इनपुट चर चयन (आईवीएस) विधि है जो इनपुट/आउटपुट ट्रिगर/ईवेंट मैट्रिक्स का उत्पादन करने के लिए संवेदनशीलता विश्लेषण का उपयोग करके सिस्टम इनपुट और आउटपुट में परिवर्तन के चिह्न के बारे में जानकारी को एकत्रित करती है जिसे इनपुट डेटा के बीच संबंधों को मैप करने के लिए डिज़ाइन किया गया है। जो घटनाओं को ट्रिगर करता है और आउटपुट डेटा जो वास्तविक घटनाओं का वर्णन करता है। स्थित के परिवर्तन के कारणों अर्ताथ इनपुट चर और प्रभाव सिस्टम आउटपुट पैरामीटर के बीच कारण-प्रभाव संबंध यह निर्धारित करता है कि इनपुट के किस सेट का किसी दिए गए आउटपुट पर वास्तविक प्रभाव पड़ता है। विश्लेषणात्मक और कम्प्यूटरीकृत आईवीएस पद्धति पर विधि का स्पष्ट लाभ है क्योंकि यह न्यूनतम कम्प्यूटरीकृत ओवरहेड के साथ कम से कम समय में सिस्टम स्थिति परिवर्तन को समझने और व्याख्या करने का प्रयास करता है।[12][13]
  • सहसंबंधित इनपुट: अधिकांश सामान्य संवेदनशीलता विश्लेषण विधियां मॉडल इनपुट के बीच स्वतंत्रता (संभाव्यता सिद्धांत) मानती हैं, लेकिन कभी-कभी इनपुट दृढ़ता से सहसंबद्ध हो सकते हैं। यह अभी भी अनुसंधान का अपरिपक्व क्षेत्र है और निश्चित गलत विधि अभी स्थापित किए जाने हैं।
  • गैर-रैखिकता: कुछ संवेदनशीलता विश्लेषण दृष्टिकोण, जैसे कि रैखिक प्रतिगमन पर आधारित, संवेदनशीलता को गलत गलत विधि से माप सकते हैं जब मॉडल प्रतिक्रिया इसके इनपुट के संबंध में गैर-रैखिक प्रणाली है। ऐसी स्थिति में, भिन्नता-आधारित संवेदनशीलता विश्लेषण या भिन्नता-आधारित उपाय अधिक उपयुक्त होते हैं।
  • मॉडल इंटरैक्शन: इंटरेक्शन (सांख्यिकी) तब होता है जब दो या दो से अधिक इनपुट साथ की गड़बड़ी अकेले प्रत्येक इनपुट को अलग करने की तुलना में आउटपुट में भिन्नता का कारण बनती है। इस प्रकार के इंटरैक्शन किसी भी मॉडल में सम्मलित हैं जो गैर- योगात्मक नक्शा है, लेकिन स्कैटरप्लॉट्स और एक-एक-बार गड़बड़ी जैसी विधियों से उपेक्षित हो जाएगा।[14] अंतर-आधारित संवेदनशीलता विश्लेषण | कुल-क्रम संवेदनशीलता सूचकांक द्वारा बातचीत के प्रभाव को मापा जा सकता है।
  • एकाधिक आउटपुट: वस्तुतः सभी संवेदनशीलता विश्लेषण विधियां एकल अविभाज्य मॉडल आउटपुट पर विचार करती हैं, फिर भी कई मॉडल संभावित रूप से स्थानिक या समय-निर्भर डेटा की बड़ी संख्या का उत्पादन करते हैं। ध्यान दें कि यह ब्याज के प्रत्येक आउटपुट के लिए अलग-अलग संवेदनशीलता विश्लेषण करने की संभावना को रोकता नहीं है। चूंकि, उन मॉडलों के लिए जिनमें आउटपुट सहसंबद्ध हैं, संवेदनशीलता उपायों की व्याख्या करना कठिन हो सकता है।
  • दिया गया डेटा: जबकि कई स्थितियों में व्यवसायी के पास मॉडल तक पहुंच होती है, कुछ स्थितियों में दिए गए डेटा के साथ संवेदनशीलता विश्लेषण किया जाना चाहिए, अर्ताथ जहां नमूना बिंदु (प्रत्येक रन के लिए मॉडल इनपुट के मूल्य) विश्लेषक द्वारा नहीं चुना जा सकता है। यह तब हो सकता है जब संवेदनशीलता विश्लेषण को पूर्वव्यापी रूप से निष्पादित किया जाना है, शायद अनुकूलन या अनिश्चितता विश्लेषण से डेटा का उपयोग करना, या जब डेटा असतत संभाव्यता वितरण असतत संभाव्यता वितरण स्रोत से आता है।[15]

अनुमान

अनिश्चितता और संवेदनशीलता विश्लेषण में विश्लेषक इनपुट की खोज में कितना ईमानदार है: विक्ट: धारणा और परिणामी अनुमान कितना व्यापक हो सकता है, के बीच महत्वपूर्ण व्यापार बंद है। इस बिंदु को अर्थशास्त्री एडवर्ड ई. लीमर द्वारा अच्छी प्रकार से चित्रित किया गया है:[16][17]

मैंने संगठित संवेदनशीलता विश्लेषण का रूप प्रस्तावित किया है जिसे मैं 'वैश्विक संवेदनशीलता विश्लेषण' कहता हूं जिसमें वैकल्पिक मान्यताओं से निकटतम का चयन किया जाता है और अनुमानों के संबंधित अंतराल की पहचान की जाती है। निष्कर्षों को तभी मजबूत माना जाता है जब धारणाओं का निकटतम विश्वसनीय होने के लिए पर्याप्त व्यापक हो और अनुमानों का संगत अंतराल उपयोगी होने के लिए पर्याप्त संकीर्ण हो।

नोट लीमर का जोर धारणाओं के चयन में 'विश्वसनीयता' की आवश्यकता पर है। किसी मॉडल को अमान्य करने का सबसे सरल तरीका यह प्रदर्शित करना है कि यह धारणाओं में अनिश्चितता के संबंध में कमजोर है या यह दिखाने के लिए कि इसकी धारणाओं को 'पर्याप्त व्यापक' नहीं लिया गया है। इसी अवधारणा को जेरोम आर. रेवेट्ज़ द्वारा व्यक्त किया गया है, जिनके लिए खराब मॉडलिंग तब होती है जब इनपुट में अनिश्चितताओं को दबा दिया जाना चाहिए, ऐसा न हो कि आउटपुट अनिश्चित हो जाए।[18]

कठिनाइयाँ

संवेदनशीलता विश्लेषण में कुछ सामान्य कठिनाइयों में सम्मलित हैं

  • विश्लेषण करने के लिए बहुत अधिक मॉडल इनपुट। स्क्रीनिंग का उपयोग आयामीता को कम करने के लिए किया जा सकता है। आयामीता के अभिशाप से निपटने का अन्य तरीका कम विसंगति अनुक्रमों के आधार पर नमूनाकरण का उपयोग करना है[19]
  • मॉडल को चलने में बहुत अधिक समय लगता है। संवेदनशीलता विश्लेषण एम्यूलेटर (संवेदनशीलता विश्लेषण उच्च-आयामी मॉडल प्रतिनिधित्व (HDMR) सहित) मॉडल को गति देकर या आवश्यक मॉडल रन की संख्या को कम करके कुल समय को कम कर सकते हैं।
  • इनपुट के लिए प्रायिकता वितरण बनाने के लिए पर्याप्त जानकारी नहीं है। संभाव्यता वितरण का निर्माण विशेषज्ञ अभिज्ञान से किया जा सकता है, चूंकि तब भी बड़े आत्मविश्वास के साथ वितरण का निर्माण करना कठिन हो सकता है। संभाव्यता वितरण या श्रेणियों की व्यक्तिपरकता संवेदनशीलता विश्लेषण को दृढ़ता से प्रभावित करेगी।
  • विश्लेषण का अस्पष्ट उद्देश्य। समस्या पर विभिन्न सांख्यिकीय परीक्षण और उपाय लागू किए जाते हैं और विभिन्न कारकों की रैंकिंग प्राप्त की जाती है। इसके अतिरिक्त परीक्षण को विश्लेषण के उद्देश्य के अनुरूप बनाया जाना चाहिए। यदि कोई रुचि रखता है तो मोंटे कार्लो फ़िल्टरिंग का उपयोग करता है जो आउटपुट के उच्च/निम्न मूल्यों को उत्पन्न करने के लिए सबसे अधिक उत्तरदायी हैं।
  • बहुत अधिक मॉडल आउटपुट माने जाते हैं। यह उप-मॉडल के गुणवत्ता आश्वासन के लिए स्वीकार्य हो सकता है लेकिन समग्र विश्लेषण के परिणाम प्रस्तुत करते समय इससे बचा जाना चाहिए।
  • टुकड़े की संवेदनशीलता। यह तब होता है जब कोई समय में उप-मॉडल पर संवेदनशीलता विश्लेषण करता है। यह दृष्टिकोण गैर रूढ़िवादी है क्योंकि यह विभिन्न उप-मॉडल (टाइप II त्रुटि) में कारकों के बीच बातचीत को नजरअंदाज कर सकता है।
  • सामान्यतः उपयोग किया जाने वाला संवेदनशीलता विश्लेषण एक समय (ओएटी) दृष्टिकोण गैर-रैखिक मॉडल के लिए मान्य नहीं है। इसके अतिरिक्त वैश्विक विधियों का उपयोग किया जाना चाहिए।[20]

संवेदनशीलता विश्लेषण के गलत विधि

संभवतः नमूना-आधारित संवेदनशीलता विश्लेषण की आदर्श योजना। विभिन्न स्रोतों से उत्पन्न अनिश्चितता - डेटा में त्रुटियां, पैरामीटर अनुमान प्रक्रिया, वैकल्पिक मॉडल संरचनाएं - अनिश्चितता विश्लेषण के लिए मॉडल के माध्यम से प्रचारित की जाती हैं और संवेदनशीलता विश्लेषण के माध्यम से उनके सापेक्ष महत्व को निर्धारित किया जाता है।
स्कैटरप्लॉट द्वारा नमूना आधारित संवेदनशीलता विश्लेषण। Y (ऊर्ध्वाधर अक्ष) चार कारकों का कार्य है। चार स्कैटरप्लॉट में बिंदु हमेशा समान होते हैं, चूंकि उन्हें अलग-अलग गलत विधि से क्रमबद्ध किया जाता है, अर्थात Z द्वारा1, से2, से3, से4 के बदले में। ध्यान दें कि प्रत्येक भूखंड के लिए भुज अलग है: (−5, +5) Z के लिए1, (−8, +8) Z के लिए2, (−10, +10) Z के लिए3 और जेड4. से4 Y को प्रभावित करने में सबसे महत्वपूर्ण है क्योंकि यह Y को अधिक 'आकार' प्रदान करता है।

संवेदनशीलता विश्लेषण करने के लिए बड़ी संख्या में दृष्टिकोण हैं, जिनमें से कई ऊपर चर्चा की गई या अधिक बाधाओं को दूर करने के लिए विकसित किए गए हैं।[2] वे संवेदनशीलता माप के प्रकार से भी प्रतिष्ठित हैं, चाहे वह (उदाहरण के लिए) भिन्न-आधारित संवेदनशीलता विश्लेषण, आंशिक डेरिवेटिव या प्राथमिक प्रभाव पद्धति पर आधारित होते हैं। चूंकि, अधिकांश प्रक्रियाएँ निम्नलिखित रूपरेखा का पालन करती हैं:

  1. प्रत्येक इनपुट में अनिश्चितता की मात्रा निर्धारित करें (जैसे रेंज, प्रायिकता वितरण)। ध्यान दें कि यह कठिन हो सकता है और व्यक्तिपरक डेटा से अनिश्चितता वितरण को निकालने के लिए कई गलत विधि सम्मलित हैं।[21]
  2. विश्लेषण किए जाने वाले मॉडल आउटपुट की पहचान करें (रुचि का लक्ष्य आदर्श रूप से मॉडल द्वारा हल की गई समस्या से सीधा संबंध होना चाहिए)।
  3. प्रयोगों के कुछ डिज़ाइन का उपयोग करके मॉडल को कई बार चलाएं,[22] पसंद की विधि और इनपुट अनिश्चितता द्वारा निर्धारित की जाती हैं।
  4. परिणामी मॉडल आउटपुट का उपयोग करते हुए, ब्याज के संवेदनशीलता उपायों की गणना करें।

कुछ स्थितियों में यह प्रक्रिया दोहराई जाएगी, उदाहरण के लिए उच्च-आयामी समस्याओं में जहां उपयोगकर्ता को पूर्ण संवेदनशीलता विश्लेषण करने से पहले महत्वहीन चरों को छांटना पड़ता है।

विभिन्न प्रकार की कोर विधियों (नीचे चर्चा की गई) को विभिन्न संवेदनशीलता उपायों द्वारा अलग किया जाता है जिनकी गणना की जाती है। ये श्रेणियां किसी प्रकार ओवरलैप हो सकती हैं। समस्या की बाधाओं के अनुसार इन उपायों को प्राप्त करने के वैकल्पिक गलत विधि दिए जा सकते हैं।

एक बार में (ओएटी)

सबसे सरल और सबसे आम विधियों में से यह है कि समय में कारक (ओएटी) को बदलना, यह देखने के लिए कि यह आउटपुट पर क्या प्रभाव पैदा करता है।[23][24][25] OAT में सामान्यतः सम्मलित होता है।

  • एक इनपुट वेरिएबल को मूव करना, दूसरों को उनके बेसलाइन (नॉमिनल) वैल्यू पर रखना, इसके बाद
  • चर को उसके नाममात्र मूल्य पर लौटाना, फिर उसी प्रकार से प्रत्येक अन्य इनपुट के लिए दोहराया जाता हैं।

संवेदनशीलता को तब आउटपुट में परिवर्तनों की निगरानी करके मापा जा सकता है, आंशिक डेरिवेटिव या रैखिक प्रतिगमन द्वारा। यह तार्किक दृष्टिकोण प्रतीत होता है क्योंकि आउटपुट में देखा गया कोई भी परिवर्तन स्पष्ट रूप से एकल चर परिवर्तन के कारण होगा। इसके अतिरिक्त, समय में चर को बदलकर, अन्य सभी चरों को उनके केंद्रीय या आधारभूत मूल्यों पर स्थिर रखा जा सकता है। यह परिणामों की तुलनात्मकता को बढ़ाता है (सभी 'प्रभाव' की गणना करने के लिए समतल में केंद्रीय बिंदु के संदर्भ में की जाती है) और कंप्यूटर प्रोग्राम के क्रैश होने की संभावना को कम करता है, अधिक संभावना तब होती है जब कई इनपुट कारकों को साथ बदल दिया जाता है।

व्यावहारिक कारणों से ओएटी को अधिकांशतः मॉडेलर्स द्वारा पसंद किया जाता है। ओएटी विश्लेषण के अनुसार मॉडल की विफलता के स्थिति में मॉडलर को तुरंत पता चल जाता है कि विफलता के लिए कौन सा इनपुट कारक उत्तरदायी है।[14]

चूंकि इसकी सादगी के अतिरिक्त, यह दृष्टिकोण पूरी प्रकार से इनपुट स्पेस का पता नहीं लगाता है, क्योंकि यह इनपुट चर के साथ भिन्नता को ध्यान में नहीं रखता है। इसका मतलब यह है कि ओएटी दृष्टिकोण इनपुट चर के बीच इंटरेक्शन (सांख्यिकी) की उपस्थिति का पता नहीं लगा सकता है और गैर-रैखिक मॉडल के लिए अनुपयुक्त है।[26] इनपुट स्पेस का अनुपात जो ओएटी दृष्टिकोण के साथ अनदेखा रहता है, इनपुट की संख्या के साथ सुपरएक्सपोनेंशियल रूप से बढ़ता है। उदाहरण के लिए, 3-वैरिएबल पैरामीटर स्पेस जिसे बार में एक्सप्लोर किया जाता है, मूल पर केंद्रित घन के x, y, और z अक्षों के साथ बिंदु लेने के बराबर है। इन सभी बिंदुओं को घेरने वाला उत्तल पतवार अष्टफलक है जिसका आयतन कुल पैरामीटर स्थान का केवल 1/6वां है। अधिक सामान्यतः, हाइपररेक्टेंगल के x का उत्तल हल हाइपरऑक्टाहेड्रोन बनाता है जिसका आयतन अंश होता है . 5 इनपुट के साथ, एक्सप्लोर किया गया स्थान पहले से ही कुल पैरामीटर स्थान के 1% से भी कम हो जाता है। और यहां तक ​​​​कि यह अतिरेक है, क्योंकि ऑफ-एक्सिस वॉल्यूम वास्तव में नमूना नहीं किया जा रहा है। इसकी तुलना समतल के यादृच्छिक नमूने से करें, जहां उत्तल हल पूरे आयतन तक पहुंचता है क्योंकि अधिक अंक जोड़े जाते हैं।[27] जबकि ओएटी की दुर्लभता सैद्धांतिक रूप से रैखिक मॉडल के लिए चिंता का विषय नहीं है, वास्तविक रैखिकता प्रकृति में दुर्लभ है।

व्युत्पन्न आधारित स्थानीय गलत विधि

स्थानीय व्युत्पन्न-आधारित विधियों में इनपुट कारक Xi के संबंध में आउटपुट Y का आंशिक व्युत्पन्न लेना सम्मलित है :

जहां सबस्क्रिप्ट x0 इंगित करता है कि व्युत्पन्न इनपुट के स्थान में कुछ निश्चित बिंदु पर इसलिए वर्ग के नाम पर 'स्थानीय' लिया जाता है। सहायक मॉडलिंग[28][29] और स्वचालित भेदभाव[30] इस वर्ग में विधियाँ हैं। ओएटी के समान, स्थानीय गलत विधि इनपुट स्पेस को पूरी प्रकार से एक्सप्लोर करने का प्रयास नहीं करते हैं, क्योंकि वे छोटे गड़बड़ी की जांच करते हैं, सामान्यतः समय में वेरिएबल। तंत्रिका नेटवर्क के माध्यम से व्युत्पन्न-आधारित संवेदनशीलता से समान नमूनों का चयन करना और अनिश्चितता की मात्रा का प्रदर्शन करना संभव है।

स्थानीय विधियों का लाभ यह है कि प्रणाली में सभी संवेदनशीलताओं का प्रतिनिधित्व करने के लिए मैट्रिक्स बनाना संभव है, इस प्रकार अवलोकन प्रदान करता है जो बड़ी संख्या में इनपुट और आउटपुट चर होने पर वैश्विक विधियों से प्राप्त नहीं किया जा सकता है।[31]

प्रतिगमन विश्लेषण

प्रतिगमन विश्लेषण, संवेदनशीलता विश्लेषण के संदर्भ में, मॉडल प्रतिक्रिया के लिए रेखीय प्रतिगमन फिट करना और संवेदनशीलता के प्रत्यक्ष उपायों के रूप में मानकीकृत गुणांक का उपयोग करना सम्मलित है। प्रतिगमन को डेटा के संबंध में रैखिक होना आवश्यक है (अर्थात हाइपरप्लेन, इसलिए कोई द्विघात शब्द नहीं, आदि, प्रतिगामी के रूप में) क्योंकि अन्यथा मानकीकृत गुणांक की व्याख्या करना मुश्किल है। यह विधि इसलिए सबसे उपयुक्त है जब मॉडल की प्रतिक्रिया वास्तव में रैखिक होती है, रैखिकता की पुष्टि की जा सकती है, उदाहरण के लिए, यदि दृढ़ संकल्प का गुणांक बड़ा है। प्रतिगमन विश्लेषण का लाभ यह है कि यह सरल है और इसकी कम कम्प्यूटरीकृत लागत है।

प्रसरण-आधारित विधियाँ

भिन्न-आधारित विधियाँ[32][33][34] संभाव्यता दृष्टिकोण का वर्ग है जो इनपुट और आउटपुट अनिश्चितताओं को संभाव्यता वितरण के रूप में मापता है, और इनपुट चर और चर के संयोजन के लिए उत्तरदायी भागों में आउटपुट भिन्नता को विघटित करता है। इनपुट चर के लिए आउटपुट की संवेदनशीलता इसलिए उस इनपुट के कारण आउटपुट में विचरण की मात्रा से मापी जाती है। इन्हें सशर्त अपेक्षाओं के रूप में व्यक्त किया जा सकता है, अर्थात, 'X' = {X के लिए मॉडल Y = f('X') पर विचार करना1, एक्स2, ... एक्सk}, iवें चर X की संवेदनशीलता का मापi के रूप में दिया जाता है,

जहां वार और ई क्रमशः भिन्नता और अपेक्षित मूल्य ऑपरेटरों को दर्शाते हैं, और 'एक्स'~i एक्स को छोड़कर सभी इनपुट चर के सेट को दर्शाता हैi. यह अभिव्यक्ति अनिवार्य रूप से योगदान एक्स को मापती हैi अकेले वाई में अनिश्चितता (विचरण) के लिए (अन्य चर में भिन्नता से औसत), और इसे प्रथम-क्रम संवेदनशीलता सूचकांक या मुख्य प्रभाव सूचकांक के रूप में जाना जाता है। महत्वपूर्ण रूप से, यह अन्य चरों के साथ अंतःक्रियाओं के कारण होने वाली अनिश्चितता को मापता नहीं है। और उपाय, जिसे कुल प्रभाव सूचकांक के रूप में जाना जाता है, Xi के कारण Y में कुल भिन्नता देता है और किसी भी अन्य इनपुट चर के साथ इसकी सहभागिता दोनों मात्राओं के लिए सामान्यतः Var (Y) से विभाजित करके मानकीकृत किया जाता है।

भिन्न-आधारित विधियाँ इनपुट स्थान की पूर्ण खोज, अंतःक्रियाओं के लिए लेखांकन और अरैखिक प्रतिक्रियाओं की अनुमति देती हैं। इन कारणों से उनका व्यापक रूप से उपयोग किया जाता है जब उनकी गणना करना संभव होता है। सामान्यतः इस गणना में मोंटी कार्लो एकीकरण विधियों का उपयोग सम्मलित है, लेकिन चूंकि इसमें हजारों मॉडल रन सम्मलित हो सकते हैं, अन्य विधियों (जैसे अनुकरणकर्ता) का उपयोग आवश्यक होने पर कम्प्यूटरीकृत व्यय को कम करने के लिए किया जा सकता है। ध्यान दें कि पूर्ण विचरण अपघटन केवल तभी सार्थक होते हैं जब इनपुट कारक दूसरे से स्वतंत्र होते हैं।[35]

प्रतिक्रिया सतहों का वैरियोग्राम विश्लेषण (VARS)

पिछले संवेदनशीलता विश्लेषण विधियों की बड़ी कमी यह है कि उनमें से कोई भी पैरामीटर स्पेस में मॉडल Y=f('X') के प्रतिक्रिया सतह/आउटपुट की स्थानिक रूप से आदेशित संरचना पर विचार नहीं करता है। दिशात्मक वैरोग्राम और कोवरियोग्राम की अवधारणाओं का उपयोग करके, प्रतिक्रिया सतहों (VARS) के वैरोग्राम विश्लेषण इस कमजोरी को वाई के मूल्यों के लिए स्थानिक रूप से निरंतर सहसंबंध संरचना को पहचानने के माध्यम से संबोधित करते हैं, और इसलिए इसके मूल्यों के लिए भी .[36][37] मूल रूप से, परिवर्तनशीलता जितनी अधिक होती है, विशेष दिशा/पैरामीटर के साथ विशिष्ट गड़बड़ी पैमाने पर प्रतिक्रिया सतह अधिक विषम होती है। तदनुसार, VARS ढांचे में, किसी दिए गए गड़बड़ी पैमाने के लिए दिशात्मक वैरोग्राम के मूल्यों को संवेदनशीलता की जानकारी के व्यापक चित्रण के रूप में माना जा सकता है, दोनों दिशा और गड़बड़ी पैमाने की अवधारणाओं के लिए वैरोग्राम विश्लेषण को जोड़कर। परिणाम स्वरूप, वीएआरएस ढांचा इस तथ्य के लिए उत्तरदायी है कि संवेदनशीलता पैमाने पर निर्भर अवधारणा है, और इस प्रकार पारंपरिक संवेदनशीलता विश्लेषण विधियों के पैमाने के विवाद पर काबू पाती है।[38] इससे भी महत्वपूर्ण बात यह है कि VARS अन्य रणनीतियों की तुलना में बहुत कम कम्प्यूटरीकृत लागत के साथ पैरामीटर संवेदनशीलता के अपेक्षाकृत स्थिर और सांख्यिकीय रूप से मजबूत अनुमान प्रदान करने में सक्षम है (परिमाण के लगभग दो आदेश अधिक कुशल)।[39] उल्लेखनीय रूप से, यह दिखाया गया है कि VARS ढांचे और भिन्नता-आधारित संवेदनशीलता विश्लेषण | भिन्नता-आधारित और व्युत्पन्न-आधारित दृष्टिकोणों के बीच सैद्धांतिक संबंध है।

स्क्रीनिंग

स्क्रीनिंग नमूना-आधारित पद्धति का विशेष उदाहरण है। यहां उद्देश्य यह है कि यह पहचानने के अतिरिक्त कि कौन से इनपुट चर उच्च-आयामी मॉडल में आउटपुट अनिश्चितता में महत्वपूर्ण योगदान दे रहे हैं, बल्कि संवेदनशीलता को मापने के अतिरिक्त (अर्ताथ विचरण के संदर्भ में) अन्य दृष्टिकोणों की तुलना में स्क्रीनिंग में अपेक्षाकृत कम कम्प्यूटरीकृत लागत होती है, और शेष सेट पर अधिक जानकारीपूर्ण विश्लेषण लागू करने से पहले गैर-प्रभावशाली चर को समाप्त करने के लिए प्रारंभिक विश्लेषण में इसका उपयोग किया जा सकता है। सबसे अधिक उपयोग की जाने वाली स्क्रीनिंग पद्धति में से प्राथमिक प्रभाव विधि है।[40][41]

भिन्न भिन्न भूखंड

एक सरल लेकिन उपयोगी उपकरण व्यक्तिगत इनपुट चर के विरुद्ध आउटपुट चर के बिखराव भूखंडों को प्लॉट करना है, इसके इनपुट वितरण पर मॉडल का नमूना (यादृच्छिक रूप से) लेने के बाद इसका उपयोग किया जाता है, इस दृष्टिकोण का लाभ यह है कि यह दिए गए डेटा से भी निपट सकता है, अर्ताथ मनमाने ढंग से रखे गए डेटा बिंदुओं का सेट, और संवेदनशीलता का प्रत्यक्ष दृश्य संकेत देता है। मात्रात्मक उपाय भी निकाले जा सकते हैं, उदाहरण के लिए Y और X के बीच सहसंबंध और निर्भरता को मापकरi, या यहां तक ​​कि अरेखीय प्रतिगमन द्वारा विचरण-आधारित उपायों का अनुमान लगाकर।[15]

वैकल्पिक गलत विधि

ऊपर चर्चा की गई कुछ बाधाओं को दूर करने के लिए कई गलत विधि विकसित किए गए हैं, जो अन्यथा संवेदनशीलता उपायों के अनुमान को अव्यवहार्य बना देंगे (अधिकांशतः कम्प्यूटरीकृत व्यय के कारण)। सामान्यतः, ये विधियाँ संवेदनशीलता के विचरण-आधारित उपायों की कुशलतापूर्वक गणना करने पर ध्यान केंद्रित करती हैं।

एम्युलेटर्स

एम्युलेटर (मेटामॉडल, सरोगेट मॉडल या प्रतिक्रिया सतहों के रूप में भी जाना जाता है) मॉडलिंग की दिनांक या डेटा-मॉडलिंग/ मशीन लर्निंग दृष्टिकोण हैं, जिसमें अपेक्षाकृत सरल गणितीय फ़ंक्शन का निर्माण सम्मलित है, जिसे एमुलेटर के रूप में जाना जाता है, जो मॉडल के इनपुट/आउटपुट व्यवहार का अनुमान लगाता है।[42] दूसरे शब्दों में, यह मॉडल की मॉडलिंग की अवधारणा है (इसलिए नाम मेटामॉडल)। विचार यह है कि, चूंकि कंप्यूटर मॉडल समीकरणों की बहुत ही जटिल श्रृंखला हो सकते हैं, जिन्हें हल करने में लंबा समय लग सकता है, उन्हें हमेशा उनके इनपुट Y = f('X') के फलन के रूप में माना जा सकता है। इनपुट स्पेस में कई बिंदुओं पर मॉडल को चलाकर, बहुत ही सरल एमुलेटर η('X') को फिट करना संभव हो सकता है, जैसे कि η('X') ≈ f('X') स्वीकार्य सीमा के भीतर त्रुटि के मार्जिन दिया जाता हैं।[43] फिर, संवेदनशीलता उपायों की गणना एमुलेटर (या तो मोंटी कार्लो या विश्लेषणात्मक रूप से) से की जा सकती है, जिसमें नगण्य अतिरिक्त कम्प्यूटरीकृत लागत होगी। महत्वपूर्ण रूप से, एम्यूलेटर को फिट करने के लिए आवश्यक मॉडल रन की संख्या मॉडल से संवेदनशीलता उपायों का सीधे अनुमान लगाने के लिए आवश्यक रन की संख्या से कम परिमाण के आदेश हो सकते हैं।[44]

स्पष्ट रूप से, एम्युलेटर दृष्टिकोण का क्रूक्स η (एमुलेटर) खोजना है जो कि मॉडल एफ के लिए पर्याप्त निकट सन्निकटन है। इसके लिए निम्न चरणों की आवश्यकता है,

  1. मॉडल को उसके इनपुट स्पेस में कई बिंदुओं पर सैंपलिंग (चलाना) करके इसके लिए नमूने की डिजाइन की आवश्यकता है।
  2. उपयोग करने के लिए प्रकार के एमुलेटर (गणितीय फ़ंक्शन) का चयन करना।
  3. मॉडल से नमूना डेटा का उपयोग करके एमुलेटर को प्रशिक्षित करना - इसमें सामान्यतः एमुलेटर मापदंडों को समायोजित करना सम्मलित होता है जब तक कि एमुलेटर वास्तविक मॉडल की यथासंभव नकल नहीं करता।

मॉडल का नमूना अधिकांशतः कम-विसंगति अनुक्रमों के साथ किया जा सकता है, जैसे कि सोबोल अनुक्रम - गणितज्ञ इल्या एम. सोबोल या लैटिन हाइपरक्यूब नमूनाकरण के कारण, चूंकि कुछ दक्षता की हानि पर यादृच्छिक डिजाइन का भी उपयोग किया जा सकता है। एमुलेटर प्रकार और प्रशिक्षण का चयन आंतरिक रूप से जुड़ा हुआ है क्योंकि प्रशिक्षण पद्धति एमुलेटर के वर्ग पर निर्भर होगी। संवेदनशीलता विश्लेषण के लिए सफलतापूर्वक उपयोग किए जाने वाले कुछ प्रकार के एमुलेटर में सम्मलित हैं,

  • गॉसियन प्रक्रियाएं [44]( युद्ध के रूप में भी जाना जाता है), जहां आउटपुट बिंदुओं के किसी भी संयोजन को बहुभिन्नरूपी गॉसियन वितरण के रूप में वितरित माना जाता है। हाल ही में, ट्रीड गॉसियन प्रक्रियाओं का उपयोग विषमलैंगिकता और असंतुलित प्रतिक्रियाओं से निपटने के लिए किया गया है।[45][46]
  • बेतरतीब जंगल ,[42]जिसमें बड़ी संख्या में निर्णय वृक्षों को प्रशिक्षित किया जाता है, और परिणाम औसत होता है।
  • ग्रेडिएंट बूस्टिंग ,[42]जहां क्रमिक रूप से त्रुटि को कम करने के लिए डेटा बिंदुओं को भारित करने के लिए सरल प्रतिगमन का उपयोग किया जाता है।
  • बहुपद अराजकता ,[47] जो प्रतिक्रिया सतह का अनुमान लगाने के लिए ऑर्थोगोनल बहुपद का उपयोग करते हैं।
  • चौरसाई छींटे,[48] सामान्यतः एचडीएमआर ट्रंकेशन के साथ संयोजन में उपयोग किया जाता है (नीचे देखें)।
  • असतत बायेसियन नेटवर्क ,[49] कैनोनिकल मॉडल जैसे शोर मॉडल के संयोजन के साथ। नॉइज़ी मॉडल आयामीता को महत्वपूर्ण रूप से कम करने के लिए चरों के बीच सशर्त स्वतंत्रता पर जानकारी का उपयोग करते हैं।

एक एमुलेटर का उपयोग मशीन सीखने की समस्या का परिचय देता है, जो कि मुश्किल हो सकता है यदि मॉडल की प्रतिक्रिया अत्यधिक अरैखिक है। सभी स्थितियों में, एमुलेटर की सटीकता की जांच करना उपयोगी होता है, उदाहरण के लिए क्रॉस-वैलिडेशन (सांख्यिकी) या क्रॉस-वैलिडेशन का उपयोग करना।

उच्च-आयामी मॉडल प्रतिनिधित्व (एचडीएमआर)

एक उच्च-आयामी मॉडल प्रतिनिधित्व (HDMR)[50][51] (यह शब्द एच. रैबिट्ज़ के कारण है[52]) अनिवार्य रूप से एमुलेटर दृष्टिकोण है, जिसमें फ़ंक्शन आउटपुट को इनपुट शर्तों के रैखिक संयोजन में विघटित करना और बढ़ती हुई आयाम की बातचीत सम्मलित है। एचडीएमआर दृष्टिकोण इस तथ्य का फायदा उठाता है कि उच्च-क्रम की बातचीत (दूसरे या तीसरे क्रम और ऊपर) की उपेक्षा करके मॉडल को सामान्यतः अच्छी प्रकार से अनुमानित किया जा सकता है। काट-छाँट की गई श्रृंखला की शर्तें तब प्रत्येक के द्वारा अनुमानित की जा सकती हैं। बहुपद या स्प्लिन (आरईएफएस) और प्रतिक्रिया को ट्रंकेशन ऑर्डर तक मुख्य प्रभावों और इंटरैक्शन के योग के रूप में व्यक्त किया गया हैं। इस दृष्टिकोण से, एचडीएमआर को इम्यूलेटर के रूप में देखा जा सकता है जो उच्च-क्रम के अंतःक्रियाओं की उपेक्षा करते हैं; इसका फायदा यह है कि वे फुल-ऑर्डर एमुलेटर की तुलना में उच्च डायमेंशन वाले मॉडल का अनुकरण करने में सक्षम हैं।

फूरियर आयाम संवेदनशीलता परीक्षण (फास्ट)

फूरियर आयाम संवेदनशीलता परीक्षण (FAST) आवृत्ति डोमेन में बहुभिन्नरूपी फ़ंक्शन (मॉडल) का प्रतिनिधित्व करने के लिए एकल आवृत्ति चर का उपयोग करके फूरियर श्रृंखला का उपयोग करता है। इसलिए, संवेदनशीलता सूचकांकों की गणना करने के लिए आवश्यक अभिन्न अविभाज्य हो जाते हैं, जिसके परिणामस्वरूप कम्प्यूटरीकृत बचत होती है।

अन्य

मोंटे कार्लो फ़िल्टरिंग पर आधारित गलत विधि।[53][54] ये भी नमूना-आधारित हैं और यहाँ उद्देश्य आउटपुट के विशेष मूल्यों (जैसे उच्च या निम्न) के अनुरूप इनपुट कारकों के स्थान में क्षेत्रों की पहचान करना है।

अनुप्रयोग

संवेदनशीलता विश्लेषण के उदाहरण अनुप्रयोग के विभिन्न क्षेत्रों में पाए जा सकते हैं, जैसे:

संवेदनशीलता ऑडिटिंग

ऐसा हो सकता है कि मॉडल-आधारित अध्ययन का संवेदनशीलता विश्लेषण अनुमान को रेखांकित करने के लिए है, और इसकी मजबूती को प्रमाणित करने के लिए, संदर्भ में जहां अनुमान नीति या निर्णय लेने की प्रक्रिया में फ़ीड करता है। इन स्थितियों में स्वयं विश्लेषण का निर्माण, इसके संस्थागत संदर्भ, और इसके लेखक की प्रेरणा बहुत महत्वपूर्ण हो सकती है, और शुद्ध संवेदनशीलता विश्लेषण - पैरामीट्रिक अनिश्चितता पर इसके जोर के साथ - अपर्याप्त के रूप में देखा जा सकता है। रूपरेखा पर जोर अन्य बातों के साथ-साथ विभिन्न निर्वाचन क्षेत्रों के लिए नीति अध्ययन की प्रासंगिकता से उत्पन्न हो सकता है जो विभिन्न मानदंडों और मूल्यों की विशेषता है, और इसलिए 'समस्या क्या है' के बारे में अलग कहानी और 'कौन बता रहा है' के बारे में सबसे महत्वपूर्ण कहानी' है। अधिकांशतः फ़्रेमिंग में कम या ज्यादा अंतर्निहित धारणाएं सम्मलित होती हैं, जो राजनीतिक हो सकती हैं (उदाहरण के लिए किस समूह को संरक्षित करने की आवश्यकता है) तकनीकी के लिए सभी प्रकार से उदाहरण के लिए किस चर को स्थिर माना जा सकता है।

इन चिंताओं पर उचित विचार करने के लिए एसए के उपकरणों को संपूर्ण ज्ञान और मॉडल निर्माण प्रक्रिया का आकलन प्रदान करने के लिए विस्तारित किया गया है। इस दृष्टिकोण को 'संवेदनशीलता अंकेक्षण' कहा गया है। यह एनयूएसएपी से प्रेरणा लेता है,[55] संख्याओं के 'पेडिग्री' के निर्माण के साथ मात्रात्मक जानकारी के मूल्य को अर्हता प्राप्त करने के लिए उपयोग की जाने वाली विधि का उपयोग किया जाता हैं। इसी प्रकार, मॉडल और मॉडल-आधारित अनुमानों की वंशावली प्रदान करने के लिए संवेदनशीलता ऑडिटिंग विकसित की गई है।[56] संवेदनशीलता ऑडिटिंग को विशेष रूप से प्रतिकूल संदर्भ के लिए डिज़ाइन किया गया है, जहाँ न केवल साक्ष्य की प्रकृति, बल्कि साक्ष्य से जुड़ी निश्चितता और अनिश्चितता की डिग्री भी पक्षपातपूर्ण हितों का विषय होगी।[57] प्रभाव मूल्यांकन के लिए यूरोपीय आयोग के दिशानिर्देशों में संवेदनशीलता ऑडिटिंग की सिफारिश की गई है,[8] साथ ही रिपोर्ट में यूरोपीय अकादमियों द्वारा नीति के लिए विज्ञान सलाह।[58]

संबंधित अवधारणाएं

संवेदनशीलता विश्लेषण अनिश्चितता विश्लेषण से निकटता से संबंधित है,[2] जबकि उत्तरार्द्ध अध्ययन के निष्कर्षों में समग्र अनिश्चितता का अध्ययन करता है, संवेदनशीलता विश्लेषण यह पहचानने का प्रयास करता है कि अध्ययन के निष्कर्षों पर अनिश्चितता का कौन सा स्रोत अधिक वजन करता है।

संवेदनशीलता विश्लेषण में समस्या सेटिंग में भी प्रयोगों के डिजाइन के क्षेत्र के साथ मजबूत समानताएं हैं।[59] प्रयोगों के डिजाइन में, कुछ वस्तुओं ('प्रयोगात्मक इकाइयों') पर कुछ प्रक्रिया या हस्तक्षेप ('उपचार') के प्रभाव का अध्ययन किया जाता है। संवेदनशीलता विश्लेषण में गणितीय मॉडल के अलग-अलग इनपुट के मॉडल के आउटपुट पर प्रभाव को देखता है। दोनों विषयों में न्यूनतम भौतिक या संख्यात्मक प्रयोगों के साथ सिस्टम से जानकारी प्राप्त करने का प्रयास किया जाता है।

यह भी देखें


संदर्भ

  1. Saltelli, A. (2002). "महत्व आकलन के लिए संवेदनशीलता विश्लेषण". Risk Analysis. 22 (3): 1–12. CiteSeerX 10.1.1.194.7359. doi:10.1111/0272-4332.00040. PMID 12088235. S2CID 62191596.
  2. 2.0 2.1 2.2 2.3 Saltelli, A.; Ratto, M.; Andres, T.; Campolongo, F.; Cariboni, J.; Gatelli, D.; Saisana, M.; Tarantola, S. (2008). वैश्विक संवेदनशीलता विश्लेषण: द प्राइमर. John Wiley & Sons.
  3. Pannell, D. J. (1997). "सामान्य आर्थिक मॉडल का संवेदनशीलता विश्लेषण: सैद्धांतिक रूपरेखा और व्यावहारिक रणनीतियाँ" (PDF). Agricultural Economics. 16 (2): 139–152. doi:10.1016/S0169-5150(96)01217-0.
  4. Bahremand, A.; De Smedt, F. (2008). "टोरीसा वाटरशेड, स्लोवाकिया में वितरित हाइड्रोलॉजिकल मॉडलिंग और संवेदनशीलता विश्लेषण". Water Resources Management. 22 (3): 293–408. doi:10.1007/s11269-007-9168-x. S2CID 9710579.
  5. Hill, M.; Kavetski, D.; Clark, M.; Ye, M.; Arabi, M.; Lu, D.; Foglia, L.; Mehl, S. (2015). "कम्प्यूटेशनल रूप से मितव्ययी मॉडल विश्लेषण विधियों का व्यावहारिक उपयोग". Groundwater. 54 (2): 159–170. doi:10.1111/gwat.12330. OSTI 1286771. PMID 25810333.
  6. Hill, M.; Tiedeman, C. (2007). प्रभावी भूजल मॉडल अंशांकन, डेटा, संवेदनशीलता, भविष्यवाणियों और अनिश्चितता के विश्लेषण के साथ. John Wiley & Sons.
  7. Der Kiureghian, A.; Ditlevsen, O. (2009). "यात्रा या महामारी? फर्क पड़ता है क्या?". Structural Safety. 31 (2): 105–112. doi:10.1016/j.strusafe.2008.06.020.
  8. 8.0 8.1 यूरोपीय आयोग . 2021. "बेहतर विनियमन टूलबॉक्स।" 25 नवंबर.
  9. "संग्रहीत प्रति" (PDF). Archived from the original (PDF) on 2011-04-26. Retrieved 2009-10-16.
  10. ए। साल्टेली, जी। बामर, आई। ब्रूनो, ई। चार्टर्स, एम। डि फियोर, ई। डिडिएर, 1999। डब्ल्यू। नेल्सन स्पेलैंड, जे। के, एस। लो पियानो, डी। मेयो, आर.जे. पिल्के, टी. पोर्तालुरी, टी.एम. पोर्टर, ए. पुय, आई. राफोल्स, जे.आर. रेवेत्ज़, ई. रीनर्ट, डी. सारेविट्ज़, पी.बी. स्टार्क, ए. स्टर्लिंग, पी. वैन डेर स्लुइज, जेरोन पी. वाइनिस, यह सुनिश्चित करने के पांच तरीके कि मॉडल समाज की सेवा करें: एक घोषणापत्र, नेचर 582 (2020) 482–484।
  11. Helton, J. C.; Johnson, J. D.; Salaberry, C. J.; Storlie, C. B. (2006). "अनिश्चितता और संवेदनशीलता विश्लेषण के लिए नमूना आधारित विधियों का सर्वेक्षण". Reliability Engineering and System Safety. 91 (10–11): 1175–1209. doi:10.1016/j.ress.2005.11.017.
  12. 12.0 12.1 Tavakoli, Siamak; Mousavi, Alireza (2013). "रीयल-टाइम अनजान संवेदनशीलता विश्लेषण के लिए ईवेंट ट्रैकिंग (इवेंटट्रैकर)". IEEE Transactions on Knowledge and Data Engineering. 25 (2): 348–359. doi:10.1109/tkde.2011.240. S2CID 17551372.
  13. Tavakoli, Siamak; Mousavi, Alireza; Poslad, Stefan (2013). "समय-महत्वपूर्ण ज्ञान एकीकरण अनुप्रयोगों में इनपुट चर चयन: एक समीक्षा, विश्लेषण और अनुशंसा पत्र". Advanced Engineering Informatics. 27 (4): 519–536. doi:10.1016/j.aei.2013.06.002.
  14. 14.0 14.1 Saltelli, A.; Annoni, P. (2010). "कैसे एक लापरवाह संवेदनशीलता विश्लेषण से बचने के लिए". Environmental Modelling & Software. 25 (12): 1508–1517. doi:10.1016/j.envsoft.2010.04.012.
  15. 15.0 15.1 Paruolo, P.; Saisana, M.; Saltelli, A. (2013). "रेटिंग और रैंकिंग: वूडू या विज्ञान?". Journal of the Royal Statistical Society, Series A. 176 (3): 609–634. arXiv:1104.3009. doi:10.1111/j.1467-985X.2012.01059.x. S2CID 54074392.
  16. Leamer, Edward E. (1983). "आइए अर्थमिति के कॉन को बाहर निकालें". American Economic Review. 73 (1): 31–43. JSTOR 1803924.
  17. Leamer, Edward E. (1985). "संवेदनशीलता विश्लेषण मदद करेगा". American Economic Review. 75 (3): 308–313. JSTOR 1814801.
  18. Ravetz, J.R., 2007, No-Nonsense Guide to Science, New Internationalist Publications Ltd.
  19. Tsvetkova, O.; Ouarda, T.B.M.J. (2019). "संयुक्त अरब अमीरात पर एक अध्ययन के साथ पवन संसाधन मूल्यांकन के वैश्विक संवेदनशीलता विश्लेषण में क्वैसी-मोंटे कार्लो तकनीक" (PDF). Journal of Renewable and Sustainable Energy. 11 (5): 053303. doi:10.1063/1.5120035. S2CID 208835771.
  20. Saltelli, A.; Aleksankina, K.; Becker, W.; Fennell, P.; Ferretti, F.; Holst, N.; Li, S.; Wu, Q. (2019). "इतने सारे प्रकाशित संवेदनशीलता विश्लेषण झूठे क्यों हैं: संवेदनशीलता विश्लेषण प्रथाओं की एक व्यवस्थित समीक्षा". Environ. Model. Softw. 114: 29–39. doi:10.1016/J.ENVSOFT.2019.01.012.
  21. O'Hagan, A.; et al. (2006). अनिश्चित निर्णय: विशेषज्ञों की संभावनाओं का पता लगाना. Chichester: Wiley. ISBN 9780470033302.
  22. Sacks, J.; Welch, W. J.; Mitchell, T. J.; Wynn, H. P. (1989). "कंप्यूटर प्रयोगों का डिजाइन और विश्लेषण". Statistical Science. 4 (4): 409–435. doi:10.1214/ss/1177012413.
  23. Campbell, J.; et al. (2008). "बढ़ते मौसम के दौरान वायुमंडलीय कार्बोनिल सल्फाइड का प्रकाश संश्लेषक नियंत्रण". Science. 322 (5904): 1085–1088. Bibcode:2008Sci...322.1085C. doi:10.1126/science.1164015. PMID 19008442. S2CID 206515456.
  24. Bailis, R.; Ezzati, M.; Kammen, D. (2005). "अफ्रीका में बायोमास और पेट्रोलियम एनर्जी फ्यूचर्स की मृत्यु दर और ग्रीनहाउस गैस प्रभाव". Science. 308 (5718): 98–103. Bibcode:2005Sci...308...98B. doi:10.1126/science.1106881. PMID 15802601. S2CID 14404609.
  25. Murphy, J.; et al. (2004). "जलवायु परिवर्तन सिमुलेशन के एक बड़े समूह में मॉडलिंग अनिश्चितताओं का परिमाणीकरण". Nature. 430 (7001): 768–772. Bibcode:2004Natur.430..768M. doi:10.1038/nature02771. PMID 15306806. S2CID 980153.
  26. Czitrom, Veronica (1999). "वन-फैक्टर-एट-ए-टाइम बनाम डिज़ाइन किए गए प्रयोग". American Statistician. 53 (2): 126–131. doi:10.2307/2685731. JSTOR 2685731.
  27. Gatzouras, D; Giannopoulos, A (2009). "स्वतंत्र निर्देशांक वाले यादृच्छिक बिंदुओं द्वारा फैलाए गए वॉल्यूम के लिए दहलीज". Israel Journal of Mathematics. 169 (1): 125–153. doi:10.1007/s11856-009-0007-z.
  28. Cacuci, Dan G. संवेदनशीलता और अनिश्चितता विश्लेषण: सिद्धांत. Vol. I. Chapman & Hall.
  29. Cacuci, Dan G.; Ionescu-Bujor, Mihaela; Navon, Michael (2005). संवेदनशीलता और अनिश्चितता विश्लेषण: बड़े पैमाने की प्रणालियों के लिए अनुप्रयोग. Vol. II. Chapman & Hall.
  30. Griewank, A. (2000). एल्गोरिदमिक भेदभाव के डेरिवेटिव्स, सिद्धांतों और तकनीकों का मूल्यांकन. SIAM.
  31. Kabir HD, Khosravi A, Nahavandi D, Nahavandi S. Uncertainty Quantification Neural Network from Similarity and Sensitivity. In2020 International Joint Conference on Neural Networks (IJCNN) 2020 Jul 19 (pp. 1-8). IEEE.
  32. Sobol', I (1990). "अरेखीय गणितीय मॉडल के लिए संवेदनशीलता अनुमान". Matematicheskoe Modelirovanie (in русский). 2: 112–118.; translated in English in Sobol', I (1993). "Sensitivity analysis for non-linear mathematical models". Mathematical Modeling & Computational Experiment. 1: 407–414.
  33. Homma, T.; Saltelli, A. (1996). "अरैखिक मॉडलों के वैश्विक संवेदनशीलता विश्लेषण में महत्व के उपाय". Reliability Engineering and System Safety. 52: 1–17. doi:10.1016/0951-8320(96)00002-6.
  34. Saltelli, A.; Chan, K.; and Scott, M. (eds.) (2000). Sensitivity Analysis. Wiley Series in Probability and Statistics. New York: John Wiley and Sons.
  35. Saltelli, A.; Tarantola, S. (2002). "गणितीय मॉडल में इनपुट कारकों के सापेक्ष महत्व पर: परमाणु अपशिष्ट निपटान के लिए सुरक्षा मूल्यांकन". Journal of the American Statistical Association. 97 (459): 702–709. doi:10.1198/016214502388618447. S2CID 59463173.
  36. Razavi, Saman; Gupta, Hoshin V. (January 2016). "व्यापक, मजबूत और कुशल वैश्विक संवेदनशीलता विश्लेषण के लिए एक नया ढांचा: 1. सिद्धांत". Water Resources Research (in English). 52 (1): 423–439. Bibcode:2016WRR....52..423R. doi:10.1002/2015WR017558. ISSN 1944-7973.
  37. Razavi, Saman; Gupta, Hoshin V. (January 2016). "व्यापक, मजबूत और कुशल वैश्विक संवेदनशीलता विश्लेषण के लिए एक नया ढांचा: 2. अनुप्रयोग". Water Resources Research (in English). 52 (1): 440–455. Bibcode:2016WRR....52..440R. doi:10.1002/2015WR017559. ISSN 1944-7973.
  38. Haghnegahdar, Amin; Razavi, Saman (September 2017). "पृथ्वी और पर्यावरण प्रणालियों के मॉडल के संवेदनशीलता विश्लेषण में अंतर्दृष्टि: पैरामीटर गड़बड़ी पैमाने के प्रभाव पर". Environmental Modelling & Software. 95: 115–131. doi:10.1016/j.envsoft.2017.03.031.
  39. Gupta, H; Razavi, S (2016). "Challenges and Future Outlook of Sensitivity Analysis". In Petropoulos, George; Srivastava, Prashant (eds.). भू प्रेक्षण मॉडलिंग में संवेदनशीलता विश्लेषण (in English) (1st ed.). pp. 397–415. ISBN 9780128030318.
  40. Morris, M. D. (1991). "प्रारंभिक कम्प्यूटेशनल प्रयोगों के लिए क्रमगुणित नमूना योजना". Technometrics. 33 (2): 161–174. CiteSeerX 10.1.1.584.521. doi:10.2307/1269043. JSTOR 1269043.
  41. Campolongo, F.; Cariboni, J.; Saltelli, A. (2007). "बड़े मॉडलों के संवेदनशीलता विश्लेषण के लिए एक प्रभावी स्क्रीनिंग डिजाइन". Environmental Modelling and Software. 22 (10): 1509–1518. doi:10.1016/j.envsoft.2006.10.004.
  42. 42.0 42.1 42.2 Storlie, C.B.; Swiler, L.P.; Helton, J.C.; Sallaberry, C.J. (2009). "कम्प्यूटेशनल रूप से मांग वाले मॉडलों के संवेदनशीलता विश्लेषण के लिए गैर पैरामीट्रिक रिग्रेशन प्रक्रियाओं का कार्यान्वयन और मूल्यांकन". Reliability Engineering & System Safety. 94 (11): 1735–1763. doi:10.1016/j.ress.2009.05.007.
  43. Wang, Shangying; Fan, Kai; Luo, Nan; Cao, Yangxiaolu; Wu, Feilun; Zhang, Carolyn; Heller, Katherine A.; You, Lingchong (2019-09-25). "तंत्र-आधारित जैविक मॉडल का अनुकरण करने के लिए तंत्रिका नेटवर्क का उपयोग करके बड़े पैमाने पर कम्प्यूटेशनल त्वरण". Nature Communications (in English). 10 (1): 4354. Bibcode:2019NatCo..10.4354W. doi:10.1038/s41467-019-12342-y. ISSN 2041-1723. PMC 6761138. PMID 31554788.
  44. 44.0 44.1 Oakley, J.; O'Hagan, A. (2004). "जटिल मॉडलों का संभाव्य संवेदनशीलता विश्लेषण: एक बायेसियन दृष्टिकोण". J. R. Stat. Soc. B. 66 (3): 751–769. CiteSeerX 10.1.1.6.9720. doi:10.1111/j.1467-9868.2004.05304.x. S2CID 6130150.
  45. Gramacy, R. B.; Taddy, M. A. (2010). "टीजीपी संस्करण 2 के साथ श्रेणीबद्ध इनपुट, संवेदनशीलता विश्लेषण, अनुकूलन और महत्व टेम्परिंग, ट्रीड गॉसियन प्रोसेस मॉडल के लिए एक आर पैकेज" (PDF). Journal of Statistical Software. 33 (6). doi:10.18637/jss.v033.i06.
  46. Becker, W.; Worden, K.; Rowson, J. (2013). "द्विभाजित अरैखिक मॉडलों का बायेसियन संवेदनशीलता विश्लेषण". Mechanical Systems and Signal Processing. 34 (1–2): 57–75. Bibcode:2013MSSP...34...57B. doi:10.1016/j.ymssp.2012.05.010.
  47. Sudret, B. (2008). "बहुपद अराजकता विस्तार का उपयोग करते हुए वैश्विक संवेदनशीलता विश्लेषण". Reliability Engineering & System Safety. 93 (7): 964–979. doi:10.1016/j.ress.2007.04.002.
  48. Ratto, M.; Pagano, A. (2010). "स्मूथिंग स्पलाइन एनोवा मॉडल की कुशल पहचान के लिए पुनरावर्ती एल्गोरिदम का उपयोग करना". AStA Advances in Statistical Analysis. 94 (4): 367–388. doi:10.1007/s10182-010-0148-8. S2CID 7678955.
  49. Cardenas, IC (2019). "ढलान स्थिरता विश्लेषण में अनिश्चितताओं का विश्लेषण करने के लिए मेटा-मॉडलिंग दृष्टिकोण के रूप में बायेसियन नेटवर्क के उपयोग पर". Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 13 (1): 53–65. doi:10.1080/17499518.2018.1498524. S2CID 216590427.
  50. Li, G.; Hu, J.; Wang, S.-W.; Georgopoulos, P.; Schoendorf, J.; Rabitz, H. (2006). "रैंडम सैंपलिंग-हाई डायमेंशनल मॉडल रिप्रेजेंटेशन (RS-HDMR) और इसके विभिन्न ऑर्डर कंपोनेंट फ़ंक्शंस की ऑर्थोगोनलिटी". Journal of Physical Chemistry A. 110 (7): 2474–2485. Bibcode:2006JPCA..110.2474L. doi:10.1021/jp054148m. PMID 16480307.
  51. Li, G. (2002). "RS-HDMR घटक कार्यों के निर्माण के लिए व्यावहारिक दृष्टिकोण". Journal of Physical Chemistry. 106 (37): 8721–8733. Bibcode:2002JPCA..106.8721L. doi:10.1021/jp014567t.
  52. Rabitz, H (1989). "आणविक पैमाने पर प्रणाली विश्लेषण". Science. 246 (4927): 221–226. Bibcode:1989Sci...246..221R. doi:10.1126/science.246.4927.221. PMID 17839016. S2CID 23088466.
  53. Hornberger, G.; Spear, R. (1981). "पर्यावरण प्रणालियों के प्रारंभिक विश्लेषण के लिए एक दृष्टिकोण". Journal of Environmental Management. 7: 7–18.
  54. Saltelli, A.; Tarantola, S.; Campolongo, F.; Ratto, M. (2004). अभ्यास में संवेदनशीलता विश्लेषण: वैज्ञानिक मॉडल का आकलन करने के लिए एक गाइड. John Wiley and Sons.
  55. Van der Sluijs, JP; Craye, M; Funtowicz, S; Kloprogge, P; Ravetz, J; Risbey, J (2005). "मॉडल आधारित पर्यावरण मूल्यांकन में अनिश्चितता के मात्रात्मक और गुणात्मक उपायों का संयोजन: NUSAP प्रणाली". Risk Analysis. 25 (2): 481–492. doi:10.1111/j.1539-6924.2005.00604.x. hdl:1874/386039. PMID 15876219. S2CID 15988654.
  56. Saltelli, A.; van der Sluijs, J.; Guimarães Pereira, Â. (2013). "फंटोविज़, एस.ओ., मैं आपके लैटिनोरम का क्या करूँ? गणितीय मॉडलिंग की संवेदनशीलता लेखा परीक्षा". International Journal of Foresight and Innovation Policy. 9: 213–234. arXiv:1211.2668. doi:10.1504/ijfip.2013.058610. S2CID 55591748.
  57. Lo Piano, S; Robinson, M (2019). "सामान्य विज्ञान के बाद के लेंस के तहत पोषण और सार्वजनिक स्वास्थ्य आर्थिक मूल्यांकन". Futures. 112: 102436. doi:10.1016/j.futures.2019.06.008. S2CID 198636712.
  58. Science Advice for Policy by European Academies, Making sense of science for policy under conditions of complexity and uncertainty, Berlin, 2019.
  59. Box GEP, Hunter WG, Hunter, J. Stuart. Statistics for experimenters [Internet]. New York: Wiley & Sons


आगे की पढाई

  • Cannavó, F. (2012). "Sensitivity analysis for volcanic source modeling quality assessment and model selection". Computers & Geosciences. 44: 52–59. Bibcode:2012CG.....44...52C. doi:10.1016/j.cageo.2012.03.008.
  • Fassò A. (2007) "Statistical sensitivity analysis and water quality". In Wymer L. Ed, Statistical Framework for Water Quality Criteria and Monitoring. Wiley, New York.
  • Fassò A., Perri P.F. (2002) "Sensitivity Analysis". In Abdel H. El-Shaarawi and Walter W. Piegorsch (eds) Encyclopedia of Environmetrics, Volume 4, pp 1968–1982, Wiley.
  • Fassò A., Esposito E., Porcu E., Reverberi A.P., Vegliò F. (2003) "Statistical Sensitivity Analysis of Packed Column Reactors for Contaminated Wastewater". Environmetrics. Vol. 14, n.8, 743–759.
  • Haug, Edward J.; Choi, Kyung K.; Komkov, Vadim (1986) Design sensitivity analysis of structural systems. Mathematics in Science and Engineering, 177. Academic Press, Inc., Orlando, FL.
  • Pianosi, F.; Beven, K.; Freer, J.; Hall, J.W.; Rougier, J.; Stephenson, D.B.; Wagener, T. (2016). "Sensitivity analysis of environmental models: A systematic review with practical workflow". Environmental Modelling & Software. 79: 214–232. doi:10.1016/j.envsoft.2016.02.008.
  • Pilkey, O. H. and L. Pilkey-Jarvis (2007), Useless Arithmetic. Why Environmental Scientists Can't Predict the Future. New York: Columbia University Press.
  • Santner, T. J.; Williams, B. J.; Notz, W.I. (2003) Design and Analysis of Computer Experiments; Springer-Verlag.
  • Taleb, N. N., (2007) The Black Swan: The Impact of the Highly Improbable, Random House.


विशेष विवाद


बाहरी कड़ियाँ

  • Joseph Hart, Julie Bessac, Emil Constantinescu (2018), "Global sensitivity analysis for statistical model parameters", arXiv:1708.07441
  • web-page on Sensitivity analysis – (Joint Research Centre of the European Commission)
  • SimLab, the free software for global sensitivity analysis of the Joint Research Centre
  • MUCM Project Archived 2013-04-24 at the Wayback Machine – Extensive resources for uncertainty and sensitivity analysis of computationally-demanding models.