Pagsusuri ng sensitibidad

Pagsusuri ng Sensitivity (Ingles: Sensitivity analysis) — ito ay isang paraan ng pananaliksik ng mga mathematical o simulation na modelo na nagbibigay-daan na suriin kung paano nakakaapekto ang mga pagbabago sa input na datos, mga parameter, o mga pagpapalagay ng modelo sa mga output na resulta nito (halimbawa, sa pinakamainam na solusyon, halaga ng objective function, o iba pang mahahalagang tagapagpahiwatig).

Ang Pagsusuri ng Sensitivity ay isang mahalagang kasangkapan sa operations research, optimization, teorya ng paggawa ng desisyon, pamamahala ng panganib, pagsusuri sa ekonomiya, at pagsusuri ng sistema.

Kakanyahan at Layunin

Ang pangunahing layunin ng Pagsusuri ng Sensitivity — maunawaan kung gaano katibay (matatag) ang mga resulta ng modelling o optimization sa kawalang-katiyakan o mga pagbabago ng paunang datos. Tinutulungan nitong sagutin ang mga tanong tulad ng:

• "Ano ang mangyayari sa pinakamainam na solusyon kung ang halaga ng isang mapagkukunan ay magbabago ng 10%?"
• "Gaano kalakas magbabago ang kita sa mga pagbabago ng demand sa merkado?"
• "Alin sa mga parameter ng modelo ang may pinakamalaking impluwensya sa panghuling resulta?"
• "Gaano kapagkakatiwalaan ang hula na nakuha gamit ang modelo?"

Mga pangunahing gawain ng Pagsusuri ng Sensitivity:

• Pagtatasa ng tibay: Tukuyin kung nananatili ba ang pagiging optimal o katanggap-tanggap ng solusyon sa pagbabago ng mga parameter.
• Pagkilala sa mga kritikal na parameter: Tukuyin ang mga input na datos o parameter ng modelo na ang maliliit na pagbabago ay nagdudulot ng malalaking pagbabago sa mga output na resulta.
• Pagpapataas ng tiwala sa modelo: Ipakita na ang modelo ay kumikilос nang mahuhulaan at makatuwiran bilang tugon sa mga pagbabago ng input na datos.
• Suporta sa paggawa ng desisyon: Magbigay sa tagagawa ng desisyon ng impormasyon tungkol sa hanay ng mga posibleng kinalabasan at mga panganib na kaugnay ng kawalang-katiyakan ng paunang datos.
• Pagtukoy ng mga direksyon para sa karagdagang pananaliksik: Ipahiwatig kung ang pagkolekta ng anong datos o paglilinaw ng anong mga parameter ng modelo ang pinakamahalagang gawin.

Mga Paraan ng Pagsusuri ng Sensitivity

Mayroong iba't ibang paraan ng pagsasagawa ng Pagsusuri ng Sensitivity, mula simple hanggang kumplikado:

• Lokal na pagsusuri (One-at-a-Time, OAT/OFAT): Isang input na parameter lamang ang binabago sa isang pagkakataon, habang nananatiling naayos ang lahat ng iba pang parameter. Ito ang pinakasimpleng paraan, ngunit hindi nito maaaring masuri ang epekto ng pakikipag-ugnayan sa pagitan ng mga parameter.
• Pagsusuri batay sa mga derivatives (lokal na sensitivity): Sinusuri ang impluwensya ng maliliit na pagbabago ng mga parameter sa pamamagitan ng mga partial derivative ng output na variable kaugnay ng mga input na parameter.
• Scenario analysis: Isinasaalang-alang ang ilang discrete na senaryo (halimbawa, optimistiko, pesimistiko, pinaka-malamang), na naaayon sa iba't ibang hanay ng mga halaga ng input na parameter.
• Pandaigdigang Pagsusuri ng Sensitivity: Sinasaliksik ang impluwensya ng sabay-sabay na pagbabago ng lahat (o maraming) parameter sa loob ng kanilang mga hanay ng kawalang-katiyakan. Kadalasang ginagamit ang mga pamamaraang istatistikal:
• Mga Paraan ng Monte Carlo: Isang malaking bilang ng mga random na hanay ng input na parameter ang ginagawa para suriin ang distribusyon ng mga output na resulta.
• Regression analysis: Isang regression na modelo ang itinayo na nag-uugnay ng mga output na resulta sa mga input na parameter.
• Variance analysis (ANOVA) at mga paraan batay sa variance: Nagbibigay-daan na quantitatibong suriin ang kontribusyon ng bawat parameter (at ng kanilang mga pakikipag-ugnayan) sa kabuuang variance (kawalang-katiyakan) ng output na resulta.

Papel sa Operations Research at Optimization

Sa operations research, ang Pagsusuri ng Sensitivity ay isang karaniwang hakbang pagkatapos mahanap ang pinakamainam na solusyon. Binibigyang-daan nitong tukuyin ang:

• Mga hangganan ng tibay ng pinakamainam na solusyon: Sa anong hanay maaaring magbago ang mga parameter ng objective function o mga hadlang upang ang nahanap na pinakamainam na solusyon ay manatiling optimal.
• Mga shadow price (dual na pagtatasa): Gaano magbabago ang halaga ng objective function sa maliliit na pagbabago (pagpapaluwag) ng hadlang (halimbawa, kapag nagdagdag ng isang yunit ng kulang na mapagkukunan). Ipinapakita ng mga shadow price ang halaga ng mga mapagkukunan.
• Mga pinahihintulutang agwat ng pagbabago ng parameter: Mga hanay ng pagbabago ng mga coefficient ng objective function o mga kanang bahagi ng mga hadlang, kung saan nananatili ang kasalukuyang istraktura ng pinakamainam na solusyon (hanay ng mga basic na variable sa linear programming).

Ang mga resultang ito ay tumutulong sa tagagawa ng desisyon na maunawaan kung gaano kahalaga ang paunang datos at kung alin sa mga mapagkukunan ang pinaka-mahalaga ("mga bottleneck").

Papel sa Modelling at Paggawa ng Desisyon

Sa mas malawak na konteksto ng modelling at paggawa ng desisyon, tinutulungan ng Pagsusuri ng Sensitivity na:

• Suriin ang mga panganib: Tukuyin ang mga salik na nagdudulot ng pinakamataas na kawalang-katiyakan sa resulta.
• I-validate ang modelo: Suriin ang sapat na kilos ng modelo sa pagbabago ng mga kondisyon.
• Ikumpara ang mga alternatibo: Suriin kung alin sa mga alternatibo ang mas matatag sa mga pagbabago ng panlabas na kondisyon.
• Mapabuti ang pag-unawa sa sistema: Tukuyin ang mga pangunahing puwersa at ugnayan sa modelado na sistema.

Interpretasyon ng mga Resulta

• Mataas na sensitivity sa isang parameter ay nangangahulugang kahit maliliit na pagkakamali sa pagtatasa nito o ang kanyang pagbabagu-bago ay maaaring lubos na makaapekto sa resulta. Ang mga ganitong parameter ay nangangailangan ng espesyal na atensyon.
• Mababang sensitivity ay nagpapahiwatig na ang resulta ng modelo o solusyon ay kaunti lamang ang pag-asa sa mga pagbabago ng naturang parameter sa isinasaalang-alang na hanay, ibig sabihin, ang solusyon ay matatag kaugnay ng naturang parameter.

Mga Kalamangan

• Nagpapataas ng pagiging maaasahan at makatwiran ng mga modelo at solusyon.
• Tumutulong na tukuyin ang mga panganib at kawalang-katiyakan.
• Nagpapabuti ng pag-unawa sa sistema at modelo.
• Nagdidirekta ng mga pagsisikap sa pagkolekta ng datos at paglilinaw ng modelo.

Mga Limitasyon

• Maaaring maging mahal sa computational, lalo na sa malaking bilang ng mga parameter (pandaigdigang pagsusuri).
• Ang mga simpleng paraan (OAT) ay maaaring hindi matukoy ang mga epekto ng pakikipag-ugnayan ng mga parameter.
• Ang mga resulta ay nakasalalay sa mga piniling hanay ng pagbabago ng parameter at mga pagpapalagay ng modelo.

Mga Sanggunian

• 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) (Naglalaman ng mga seksyon sa Pagsusuri ng Sensitivity sa linear programming)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Naglalaman ng mga seksyon sa Pagsusuri ng Sensitivity sa linear programming)

Tingnan Din

• Operations Research
• Optimization
• Mathematical modelling
• Simulation modelling
• Teorya ng paggawa ng desisyon
• Pamamahala ng panganib
• Kawalang-katiyakan
• Linear programming