全局灵敏度分析中总阶估计量的全面比较

灵敏度分析有助于识别哪些模型输入向模型输出传递了最多不确定性。全局灵敏度分析中最具权威性的度量之一是 Sobol' 总阶指数，它可用若干不同估计量计算。尽管存在先前的比较，但由于结果依赖于分析者定义的基准设定（采样方法、模型输入分布、模型运行次数、测试函数或模型及其维数、高阶效应权重或所选性能指标），难以知晓哪个估计量表现最佳。此处我们在八维超立方体中比较若干总阶估计量，将这些基准参数视为随机参数。该安排显著弱化了结果对基准设计的依赖。我们观察到，在因素优先化方面最准确的估计量为 Razavi 与 Gupta 的、Jansen 的或 Janon/Monod 的，而在逼近“真实”总阶指数方面为 Jansen 的、Janon/Monod 的或 Azzini 与 Rosati 的。其余估计量大幅落后。我们的工作通过将最适当估计量选择中的不确定性降低，帮助分析者在众多总阶公式中导航。