[论文解读] SimLab 1.1, Software for Sensitivity and Uncertainty Analysis, tool for sound modelling

N. Giglioli, Andrea Saltelli|ArXiv.org|Nov 21, 2000

Probabilistic and Robust Engineering Design参考文献 10被引用 12

一句话总结

SimLab 1.1 是一种基于蒙特卡洛方法的敏感性与不确定性分析软件工具，可帮助用户评估模型输入变化对输出预测的影响。通过使用从定义的概率分布中随机抽样的输入进行多次模型计算，该工具能够识别不确定性的主要驱动因素，并在风险、金融和应急管理工作等场景中支持稳健的模型验证与决策制定。

ABSTRACT

The aim of this paper is to present and describe SimLab 1.1 (Simulation Laboratory for Uncertainty and Sensitivity Analysis) software designed for Monte Carlo analysis that is based on performing multiple model evaluations with probabilistically selected model input. The results of these evaluations are used to determine both the uncertainty in model predictions and the input variables that drive this uncertainty. This methodology is essential in situations where a decision has to be taken based on the model results; typical examples include risk and emergency management systems, financial analysis and many others. It is also highly recommended as part of model validation, even where the models are used for diagnostic purposes, as an element of sound model building. SimLab allows an exploration of the space of possible alternative model assumptions and structure on the prediction of the model, thereby testing both the quality of the model and the robustness of the model based inference.

研究动机与目标

• 开发一种工具，以支持在复杂建模场景中的全面不确定性与敏感性分析。
• 通过在不同假设下测试模型预测的稳健性，促进模型验证。
• 通过量化不确定性评估，支持在风险管理与金融分析等高风险领域中的决策制定。
• 支持对模型结构与假设的替代方案进行探索，以评估其对预测结果的影响。
• 通过系统识别对输出不确定性有显著影响的输入变量及其贡献，推动‘良好建模’实践。

提出的方法

• 通过从定义的概率分布中随机抽样输入值，执行多次模型计算，利用蒙特卡洛模拟方法。
• 采用统计技术分析输入变化与输出不确定性之间的关系。
• 应用敏感性分析方法，根据输入变量对输出方差的贡献程度对变量进行排序。
• 支持对模型结构与假设空间的探索，以检验模型的稳健性。
• 在单一软件环境中集成不确定性量化与敏感性分析，提升使用便捷性。
• 通过评估预测在不同输入假设下的表现，为模型验证提供框架。

实验结果

研究问题

• RQ1 如何通过概率性输入采样对模型预测中的不确定性进行量化？
• RQ2 哪些输入变量对模型输出的不确定性影响最大？
• RQ3 在改变模型结构与参数假设的条件下，模型稳健性可在多大程度上得到评估？
• RQ4 敏感性与不确定性分析在风险与应急管理系统中的决策制定中可发挥何种作用？
• RQ5 系统性不确定性分析在用于诊断或预测目的的模型验证中扮演何种角色？

主要发现

• SimLab 1.1 通过敏感性分析，能够有效识别对输出不确定性贡献最大的关键输入变量。
• 该软件通过系统性地探索替代模型假设与结构，支持稳健的模型验证。
• 使用概率性采样输入进行多次模型计算，为预测结果的不确定性量化提供了可靠基础。
• 该工具通过提供透明且可量化的模型可靠性评估，增强了高风险领域中的决策制定能力。
• 该方法通过将不确定性与敏感性分析整合到模型开发生命周期中，支持良好建模实践。
• 该软件设计具有跨领域适用性，涵盖风险评估、金融建模以及应急响应系统等场景。