[論文レビュー] Global Sensitivity Analysis: a new generation of mighty estimators based on rank statistics

Fabrice Gamboa, Pierre A. Gremaud+2 more|arXiv (Cornell University)|Mar 3, 2020

Probabilistic and Robust Engineering Design参考文献 30被引用数 8

ひとこと要約

本稿は、チャタージェの経験的相関係数を用いた、グローバル感度分析のための新しいランクベース推定フレームワークを提案する。このフレームワークは、ソボル、クラメール＝ボンミーゼス、高次モーメント、シャープレー効果を含む多様な感度インデックスを一貫的かつ効率的に推定可能であり、特に小標本サイズにおいて顕著な効果を発揮する。

ABSTRACT

We propose a new statistical estimation framework for a large family of global sensitivity analysis methods. Our approach is based on rank statistics and uses an empirical correlation coefficient recently introduced by Sourav Chatterjee. We show how to apply this approach to compute not only the Cramér-von-Mises indices, which are directly related to Chatterjee's notion of correlation, but also Sobol indices at any order, higher-order moment indices, and Shapley effects. We establish consistency of the resulting estimators and demonstrate their numerical efficiency, especially for small sample sizes.

研究の動機と目的

• 特に小標本サイズにおいて、強固で効率的な感度推定器の需要に対応すること。
• 従来のパラメトリック手法の限界を克服するため、非パラメトリックでランクベースのアプローチを導入すること。
• チャタージェの経験的相関を、単純な相関を超えて広範な感度インデックスクラスに応用可能にする。
• 一次および全順序インデックス、高次モーメントインデックス、シャープレー効果を含む推定を統合的にサポートするフレームワークを提供すること。
• 多様な感度分析指標にわたって、提案された推定器の理論的整合性と数値的効率性を保証すること。

提案手法

• 入力変数と出力の間の従属関係を測るためのコア統計的ツールとして、チャタージェの最近の経験的相関係数を活用すること。
• 入力-出力ペアをランクに変換することで、分布的仮定への感受性を低減する非パラメトリック推定を可能にすること。
• クラメール＝ボンミーゼスインデックスの推定器を、チャタージェの相関から直接構築し、理論的整合性を確保すること。
• ランクベース分散分解技術を適応することで、任意の順序のソボルインデックスを計算するフレームワークを拡張すること。
• ランクベース回帰および分解戦略を用いて、高次モーメントインデックスおよびシャープレー効果への一般化を図ること。
• 経験過程理論に裏付けられた理論的分析を通じて、すべての推定器の有限標本における一貫性を保証すること。

実験結果

リサーチクエスチョン

• RQ1 チャタージェの経験的相関は、広範なグローバル感度インデックスの推定基盤として効果的に再利用可能か？
• RQ2 限られたデータにおいて、提案されたランクベースフレームワークは、既存の推定器と比較して、どの程度効率的かつ一貫性があるか？
• RQ3 同じ統計的基盤が、一次および高次感度測度の両方を自然にサポートできる範囲はどの程度か？
• RQ4 フレームワークは、シャープレー効果や高次モーメントインデックスといった複雑なインデックスを自然に扱えるか？
• RQ5 最小限の分布的仮定のもとで、得られる推定器の理論的有限標本特性は何か？

主な発見

• 提案されたフレームワークは、ソボル、クラメール＝ボンミーゼス、高次モーメント、およびシャープレー効果を含む、すべての検討された感度インデックスに対して一貫性を達成する。
• 推定器は、特に従来の手法がしばしば失敗する低標本領域において、優れた数値的効率性を示す。
• ランク統計の使用により、入力-出力関係の特定のパラメトリック形態を仮定することなく、ロバストな推定が可能になる。
• 同一の統一的で整合性のある統計的基盤の下で、多様な感度インデックスの推定が統合的に可能になる。
• 実証的結果から、推定器が限られたデータでも低バイアスと低分散を維持することが確認され、小標本設定において古典的手法を上回る性能を発揮する。
• このアプローチにより、追加のモデル仮定や複雑な分解手順を必要とせず、シャープレー効果および高次モーメントインデックスを直接計算可能になる。