Känslighetsanalys

Känslighetsanalys (eng. Sensitivity analysis) — är en metod för att undersöka matematiska eller simuleringsmodeller, som gör det möjligt att bedöma hur förändringar i indata, parametrar eller modellens antaganden påverkar dess utdata (till exempel det optimala beslutet, målfunktionens värde eller andra nyckelindikatorer).

Känslighetsanalys är ett viktigt verktyg inom operationsanalys, optimering, beslutsteori, riskhantering, ekonomisk analys och systemanalys.

Väsen och syfte

Det huvudsakliga syftet med känslighetsanalys är att förstå hur robusta (stabila) simulerings- eller optimeringsresultat är med avseende på osäkerhet eller variationer i ursprungsdata. Den hjälper till att besvara frågor av typen:

• "Vad händer med det optimala beslutet om resurskostnaden förändras med 10%?"
• "Hur kraftigt förändras vinsten vid fluktuationer i marknadens efterfrågan?"
• "Vilka modellparametrar har störst inverkan på slutresultatet?"
• "Hur tillförlitlig är den prognos som modellen ger?"

Känslighetsanalysens huvuduppgifter:

• Robusthetsbedömning: Fastställa om beslutets optimalitet eller godtagbarhet bevaras vid förändrade parametrar.
• Identifiering av kritiska parametrar: Identifiera indata eller modellparametrar vars små förändringar leder till betydande förändringar i utdata.
• Ökad tilltro till modellen: Visa att modellen beter sig förutsägbart och logiskt som svar på förändringar i indata.
• Stöd för beslutsfattande: Förse beslutsfattaren med information om möjliga utfallsintervall och risker förknippade med osäkerhet i indata.
• Fastställande av riktningar för vidare forskning: Ange vilka data som behöver samlas in eller vilka modellparametrar som behöver preciseras mest.

Metoder för känslighetsanalys

Det finns olika metoder för att genomföra känslighetsanalys, från enkla till komplexa:

• Lokal analys (One-at-a-Time, OAT/OFAT): En indataparameter ändras åt gången, medan övriga parametrar hålls fasta. Detta är den enklaste metoden, men den gör det inte möjligt att bedöma samspelseffekter mellan parametrar.
• Derivatbaserad analys (lokal känslighet): Bedömer effekten av små parameterförändringar via partiella derivator av utdatavariabler med avseende på indataparametrar.
• Scenarioanalys: Flera diskreta scenarier betraktas (till exempel optimistiskt, pessimistiskt, mest sannolikt), motsvarande olika uppsättningar av indataparametervärden.
• Global känslighetsanalys: Undersöker effekten av simultana förändringar i alla (eller många) parametrar inom deras osäkerhetsintervall. Statistiska metoder används ofta:
• Monte Carlo-metoder: Ett stort antal slumpmässiga uppsättningar av indataparametrar genereras för att uppskatta fördelningen av utdata.
• Regressionsanalys: En regressionsmodell byggs som kopplar utdata till indataparametrar.
• Variansanalys (ANOVA) och variansbaserade metoder: Möjliggör kvantifiering av varje parameters (och deras samspels) bidrag till den totala variansen (osäkerheten) i utdataresultatet.

Rollen inom operationsanalys och optimering

Inom operationsanalys är känslighetsanalys ett standardsteg efter att ett optimalt beslut har hittats. Den möjliggör bestämning av:

• Gränser för det optimala beslutets stabilitet: Inom vilket intervall parametrarna i målfunktionen eller restriktionerna kan variera för att det funna optimala beslutet ska förbli optimalt.
• Skuggpriser (dualvärden): Hur mycket målfunktionens värde förändras vid en liten förändring (lättnad) av en restriktion (till exempel vid tillägg av en enhet av en bristvara). Skuggpriser visar resursers värde.
• Tillåtna intervall för parameterförändringar: Intervall för förändringar i målfunktionens koefficienter eller restriktionernas högerled, inom vilka den aktuella strukturen för det optimala beslutet (mängden basvaribler i linjär programmering) bevaras.

Dessa resultat hjälper beslutsfattaren att förstå hur kritiska ursprungsdata är och vilka resurser som är mest värdefulla ("flaskhalsar").

Rollen inom modellering och beslutsfattande

I ett bredare sammanhang av modellering och beslutsfattande hjälper känslighetsanalys till att:

• Bedöma risker: Identifiera faktorer som bidrar till störst osäkerhet i resultatet.
• Validera modellen: Kontrollera att modellens beteende är adekvat vid förändrade förutsättningar.
• Jämföra alternativ: Bedöma vilket alternativ som är mer robust mot förändringar i yttre förutsättningar.
• Förbättra förståelsen av systemet: Identifiera nyckeldrivkrafter och samband i det modellerade systemet.

Tolkning av resultat

• Hög känslighet för en parameter innebär att även små fel i dess skattning eller dess variabilitet kan påverka resultatet kraftigt. Sådana parametrar kräver särskild uppmärksamhet.
• Låg känslighet indikerar att modellens eller beslutets resultat är föga beroende av förändringar i den aktuella parametern inom det beaktade intervallet, dvs. beslutet är robust med avseende på denna parameter.

Fördelar

• Ökar modellers och besluts tillförlitlighet och validitet.
• Hjälper till att identifiera risker och osäkerheter.
• Förbättrar förståelsen av systemet och modellen.
• Styr insatser för datainsamling och modellprecisering.

Begränsningar

• Kan vara beräkningsmässigt kostsamt, särskilt vid ett stort antal parametrar (global analys).
• Enkla metoder (OAT) kan misslyckas med att identifiera samspelseffekter mellan parametrar.
• Resultaten beror på de valda förändringsinervallen för parametrarna och modellens antaganden.

Litteratur

• Saltelli, A., et al. Global Sensitivity Analysis: The Primer. — Wiley, 2008.
• Hillier, Frederick S.; Lieberman, Gerald J. Introduction to Operations Research. — McGraw-Hill Education. (11th ed., 2021) (Innehåller avsnitt om känslighetsanalys inom linjär programmering)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Innehåller avsnitt om känslighetsanalys inom linjär programmering)

Se även

• Operationsanalys
• Optimering
• Matematisk modellering
• Simulering
• Beslutsteori
• Riskhantering
• Osäkerhet
• Linjär programmering