Sensitivity analysis — การวิเคราะห์ความไว

การวิเคราะห์ความไว (อังกฤษ: Sensitivity analysis) — คือวิธีการศึกษาแบบจำลองทางคณิตศาสตร์หรือแบบจำลองเชิงจำลองสถานการณ์ ซึ่งช่วยให้สามารถประเมินได้ว่าการเปลี่ยนแปลงในข้อมูลนำเข้า พารามิเตอร์ หรือข้อสมมติของแบบจำลองส่งผลต่อผลลัพธ์ที่ได้อย่างไร (เช่น ผลเฉลยที่เหมาะสมที่สุด ค่าของฟังก์ชันวัตถุประสงค์ หรือตัวชี้วัดสำคัญอื่น ๆ)

การวิเคราะห์ความไวเป็นเครื่องมือสำคัญในการวิจัยเชิงปฏิบัติการ การหาค่าเหมาะสมที่สุด ทฤษฎีการตัดสินใจ การบริหารความเสี่ยง การวิเคราะห์ทางเศรษฐศาสตร์ และการวิเคราะห์เชิงระบบ

สาระสำคัญและวัตถุประสงค์

เป้าหมายหลักของการวิเคราะห์ความไว คือการทำความเข้าใจว่าผลลัพธ์จากการสร้างแบบจำลองหรือการหาค่าเหมาะสมที่สุดมีความมั่นคง (robust) เพียงใดต่อความไม่แน่นอนหรือการแปรผันของข้อมูลต้นทาง โดยช่วยตอบคำถามในลักษณะต่อไปนี้:

• "จะเกิดอะไรขึ้นกับผลเฉลยที่เหมาะสมที่สุด หากต้นทุนของทรัพยากรเปลี่ยนแปลงไป 10%?"
• "กำไรจะเปลี่ยนแปลงมากเพียงใดเมื่ออุปสงค์ตลาดผันผวน?"
• "พารามิเตอร์ใดของแบบจำลองมีอิทธิพลมากที่สุดต่อผลลัพธ์สุดท้าย?"
• "การพยากรณ์ที่ได้จากแบบจำลองมีความน่าเชื่อถือเพียงใด?"

ภารกิจหลักของการวิเคราะห์ความไว:

• การประเมินความมั่นคง: ตรวจสอบว่าความเหมาะสมที่สุดหรือความยอมรับได้ของผลเฉลยยังคงอยู่เมื่อพารามิเตอร์เปลี่ยนแปลงหรือไม่
• การระบุพารามิเตอร์วิกฤต: ค้นหาข้อมูลนำเข้าหรือพารามิเตอร์ของแบบจำลองที่การเปลี่ยนแปลงเพียงเล็กน้อยนำไปสู่การเปลี่ยนแปลงอย่างมีนัยสำคัญในผลลัพธ์
• การเพิ่มความเชื่อมั่นในแบบจำลอง: แสดงให้เห็นว่าแบบจำลองมีพฤติกรรมที่คาดเดาได้และสมเหตุสมผลในการตอบสนองต่อการเปลี่ยนแปลงของข้อมูลนำเข้า
• การสนับสนุนการตัดสินใจ: ให้ข้อมูลแก่ผู้มีอำนาจตัดสินใจเกี่ยวกับช่วงของผลลัพธ์ที่เป็นไปได้และความเสี่ยงที่เกี่ยวข้องกับความไม่แน่นอนของข้อมูลต้นทาง
• การกำหนดทิศทางการวิจัยเพิ่มเติม: ระบุว่าการรวบรวมข้อมูลใดหรือการปรับพารามิเตอร์ใดของแบบจำลองมีความสำคัญมากที่สุด

วิธีการวิเคราะห์ความไว

มีวิธีการต่าง ๆ สำหรับการวิเคราะห์ความไว ตั้งแต่วิธีง่ายไปจนถึงวิธีที่ซับซ้อน:

• การวิเคราะห์เฉพาะส่วน (One-at-a-Time, OAT/OFAT): เปลี่ยนพารามิเตอร์นำเข้าทีละหนึ่งตัว โดยพารามิเตอร์อื่น ๆ คงที่ นี่เป็นวิธีที่ง่ายที่สุด แต่ไม่สามารถประเมินผลของปฏิสัมพันธ์ระหว่างพารามิเตอร์ได้
• การวิเคราะห์บนพื้นฐานอนุพันธ์ (ความไวเฉพาะที่): ประเมินผลของการเปลี่ยนแปลงเล็กน้อยของพารามิเตอร์ผ่านอนุพันธ์ย่อยของตัวแปรผลลัพธ์เทียบกับพารามิเตอร์นำเข้า
• การวิเคราะห์เชิงสถานการณ์: พิจารณาสถานการณ์จำนวนหนึ่งที่ไม่ต่อเนื่อง (เช่น แง่ดี แง่ร้าย และเป็นไปได้มากที่สุด) ซึ่งสอดคล้องกับชุดค่าต่าง ๆ ของพารามิเตอร์นำเข้า
• การวิเคราะห์ความไวแบบทั่วโลก: ศึกษาผลของการเปลี่ยนแปลงพร้อมกันของพารามิเตอร์ทั้งหมด (หรือหลายตัว) ภายในช่วงความไม่แน่นอน โดยมักใช้วิธีทางสถิติ:
• วิธีมอนเตคาร์โล: สร้างชุดพารามิเตอร์นำเข้าแบบสุ่มจำนวนมากเพื่อประเมินการแจกแจงของผลลัพธ์
• การวิเคราะห์การถดถอย: สร้างแบบจำลองการถดถอยที่เชื่อมโยงผลลัพธ์กับพารามิเตอร์นำเข้า
• การวิเคราะห์ความแปรปรวน (ANOVA) และวิธีบนพื้นฐานความแปรปรวน: ช่วยประเมินเชิงปริมาณถึงส่วนสนับสนุนของพารามิเตอร์แต่ละตัว (และปฏิสัมพันธ์ระหว่างกัน) ต่อความแปรปรวนรวม (ความไม่แน่นอน) ของผลลัพธ์

บทบาทในการวิจัยเชิงปฏิบัติการและการหาค่าเหมาะสมที่สุด

ในการวิจัยเชิงปฏิบัติการ การวิเคราะห์ความไวเป็นขั้นตอนมาตรฐานหลังจากค้นหาผลเฉลยที่เหมาะสมที่สุด ช่วยให้สามารถระบุได้ดังนี้:

• ขีดจำกัดความมั่นคงของผลเฉลยที่เหมาะสมที่สุด: พารามิเตอร์ของฟังก์ชันวัตถุประสงค์หรือข้อจำกัดสามารถเปลี่ยนแปลงได้ในช่วงใดเพื่อให้ผลเฉลยที่หาได้ยังคงเหมาะสมที่สุด
• ราคาเงา (การประเมินค่าคู่ตรงข้าม): ค่าของฟังก์ชันวัตถุประสงค์จะเปลี่ยนแปลงเท่าใดเมื่อมีการผ่อนคลายข้อจำกัดเล็กน้อย (เช่น เมื่อเพิ่มทรัพยากรที่ขาดแคลนหนึ่งหน่วย) ราคาเงาแสดงให้เห็นคุณค่าของทรัพยากร
• ช่วงการเปลี่ยนแปลงที่ยอมรับได้ของพารามิเตอร์: ช่วงการเปลี่ยนแปลงของสัมประสิทธิ์ฟังก์ชันวัตถุประสงค์หรือค่าทางขวาของข้อจำกัด ซึ่งภายในช่วงนั้นโครงสร้างปัจจุบันของผลเฉลยที่เหมาะสมที่สุด (ชุดตัวแปรฐานในการโปรแกรมเชิงเส้น) ยังคงอยู่

ผลลัพธ์เหล่านี้ช่วยให้ผู้มีอำนาจตัดสินใจเข้าใจว่าข้อมูลต้นทางมีความสำคัญเพียงใด และทรัพยากรใดมีคุณค่ามากที่สุด ("คอขวด")

บทบาทในการสร้างแบบจำลองและการตัดสินใจ

ในบริบทที่กว้างขึ้นของการสร้างแบบจำลองและการตัดสินใจ การวิเคราะห์ความไวช่วยในด้านต่อไปนี้:

• การประเมินความเสี่ยง: ระบุปัจจัยที่ก่อให้เกิดความไม่แน่นอนมากที่สุดในผลลัพธ์
• การตรวจสอบความถูกต้องของแบบจำลอง: ตรวจสอบความเหมาะสมของพฤติกรรมแบบจำลองเมื่อเงื่อนไขเปลี่ยนแปลง
• การเปรียบเทียบทางเลือก: ประเมินว่าทางเลือกใดมีความมั่นคงต่อการเปลี่ยนแปลงของเงื่อนไขภายนอกมากกว่ากัน
• การเพิ่มความเข้าใจระบบ: ค้นพบแรงขับเคลื่อนหลักและความสัมพันธ์ต่าง ๆ ในระบบที่สร้างแบบจำลอง

การตีความผลลัพธ์

• ความไวสูง ต่อพารามิเตอร์หมายความว่าแม้ข้อผิดพลาดเล็กน้อยในการประเมินค่าหรือความแปรปรวนของพารามิเตอร์นั้นก็สามารถส่งผลอย่างมากต่อผลลัพธ์ พารามิเตอร์ดังกล่าวต้องการความใส่ใจเป็นพิเศษ
• ความไวต่ำ บ่งชี้ว่าผลลัพธ์ของแบบจำลองหรือผลเฉลยแทบไม่ขึ้นอยู่กับการเปลี่ยนแปลงของพารามิเตอร์นั้นในช่วงที่พิจารณา กล่าวคือ ผลเฉลยมีความมั่นคง (robust) เทียบกับพารามิเตอร์นั้น

ข้อดี

• เพิ่มความน่าเชื่อถือและความมีเหตุผลของแบบจำลองและผลเฉลย
• ช่วยระบุความเสี่ยงและความไม่แน่นอน
• ปรับปรุงความเข้าใจระบบและแบบจำลอง
• ชี้นำความพยายามในการรวบรวมข้อมูลและการปรับแบบจำลอง

ข้อจำกัด

• อาจต้องใช้ทรัพยากรการคำนวณสูง โดยเฉพาะเมื่อมีพารามิเตอร์จำนวนมาก (การวิเคราะห์แบบทั่วโลก)
• วิธีการอย่างง่าย (OAT) อาจไม่สามารถค้นพบผลของปฏิสัมพันธ์ระหว่างพารามิเตอร์
• ผลลัพธ์ขึ้นอยู่กับช่วงการเปลี่ยนแปลงของพารามิเตอร์ที่เลือกและข้อสมมติของแบบจำลอง

เอกสารอ้างอิง

• 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) (มีบทที่เกี่ยวกับการวิเคราะห์ความไวในการโปรแกรมเชิงเส้น)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (มีบทที่เกี่ยวกับการวิเคราะห์ความไวในการโปรแกรมเชิงเส้น)

ดูเพิ่มเติม

• การวิจัยเชิงปฏิบัติการ
• การหาค่าเหมาะสมที่สุด
• การสร้างแบบจำลองทางคณิตศาสตร์
• การจำลองสถานการณ์
• ทฤษฎีการตัดสินใจ
• การบริหารความเสี่ยง
• ความไม่แน่นอน
• การโปรแกรมเชิงเส้น