Analyse de sensibilité

Il existe un grand nombre d'approches pour faire une analyse de sensibilité, dont beaucoup ont été développées pour répondre à une ou plusieurs des contraintes discutées ci-dessus. Elles se distinguent également par le type de mesure de sensibilité (décomposition de variance, dérivées partielles, effets élémentaires...). En général, on retrouve le plan suivant dans la plupart des procédures :

1. Quantifier l'incertitude dans chaque entrée (plages de valeurs possibles, distributions de probabilité). Cela peut être un problème en soi car beaucoup de méthodes existent pour obtenir l'incertitude des distributions de données subjectives^[15].
2. Identifier la(les) sortie(s) du modèle qui vont être analysées (la cible d'intérêt devrait idéalement avoir une relation directe avec le problème abordé par le modèle). La seule rationalisation imposée par cette tâche est un des bénéfices de l'analyse de sensibilité.
3. Exécuter le modèle un certain nombre de fois en suivant un plan d'expérience^[16] (différent suivant l'approche choisie et l'incertitude des entrées).
4. Calculer la mesure de sensibilité choisie pour le problème.

Dans certains cas, cette procédure sera répétée, par exemple en hautes-dimensions, des problèmes où l'utilisateur doit d'abord trier les variables sans importance ("screening") avant d'effectuer une analyse de sensibilité complète^[1].

Les différentes méthodologies (voir ci-dessous) se distinguent par les mesures de sensibilité qui sont calculées. Ces méthodologies se chevauchent parfois et d'autres mesures de sensibilité, adaptées aux contraintes du problème, peuvent être testées.

Le moyen le plus simple et le plus commun d'étudier la sensibilité des entrées est de les modifier une par une ("One-At-a-Time" : OAT), les autres restant fixées à une valeur nominale. On voit alors l'effet que cela produit sur la sortie^{[17],[18],[19]}. La méthode OAT  implique habituellement de :

• Déplacer une variable d'entrée, laissant les autres à une valeur de référence (nominale)
• Puis remettre la variable d'entrée à sa valeur nominale ; puis à faire ainsi pour chacune des autres entrées de la même manière.

La sensibilité peut ensuite être mesurée par la surveillance des changements dans la sortie, par exemple, par les dérivées partielles ou de régression linéaire. Cela semble logique que tout changement observé dans la sortie peut être attribué sans ambiguïté à la seule variable changée. En outre, en modifiant une variable à la fois, on peut garder toutes les autres variables fixes à leur centrale ou de valeurs de référence. Cela accroît la comparabilité des résultats (tous les "effets" sont calculés en référence au même point "central" dans l'espace des entrées). La méthode OAT est souvent préférée par les modélisateurs pour des raisons pratiques. Lorsque le modèle ne converge pas lors d'une analyse OAT, le modélisateur sait immédiatement qui est le paramètre responsable de l'échec.

Cependant, malgré sa simplicité, cette approche ne permet pas d'explorer totalement l'espace des entrées. En effet, elle ne tient pas compte de la variation simultanée de variables d'entrée. Cela signifie que la méthode OAT ne peut pas détecter la présence d'interactions entre les variables d'entrée^[20]. De plus, le choix de la valeur nominale et de l'échantillonnage peuvent poser problème. Par exemple, sur le modèle ${\displaystyle Y=\sin(X_{1})\cos(X_{2})}$avec la valeur nominale ${\displaystyle (0,0)}$, l'influence de ${\displaystyle X_{2}}$ sera invisible par une méthode OAT.

Les méthodes locales impliquent de prendre la dérivée partielle de la sortie Y par rapport à une entrée X_i:

${\displaystyle \left\vert {\frac {\partial Y}{\partial X_{i}}}\right\vert _{{\bf {x}}^{0}}}$

où l'indice ${\displaystyle {\bf {x}}^{0}}$ indique que la dérivée est prise à un point fixe dans l'espace des entrées (d'où l'adjectif "local"). Modélisation adjointe^[21],[22] et Différenciation automatisée^[23] sont les méthodes de ce type. Semblables à OAT, les méthodes locales n'essaient pas d'explorer l'espace des entrées. Elles examinent seulement les petites perturbations, généralement une variable à la fois.

Un outil simple mais utile est de tracer des nuages de points de la variable de sortie en fonction de variables d'entrée, après que le modèle a été évalué sur un échantillon aléatoire (respectant les distributions des entrées). L'avantage de cette approche est qu'elle s'applique aussi à des données. Elle donne aussi une indication visuelle directe de la sensibilité.

L'analyse par régression, dans le contexte de l'analyse de sensibilité, consiste à utiliser les coefficients de régression standardisés comme des mesures directes de la sensibilité. La régression doit être linéaire par rapport aux données. Sinon il est difficile d'interpréter les coefficients standardisés. Cette méthode est donc plus appropriée lorsque le modèle de réponse est en fait linéaire ; la linéarité peut être confirmée, par exemple, si le coefficient de détermination est grand. Les avantages de l'analyse par régression sont qu'elle est simple et a un faible coût de calcul.

Les méthodes basées sur la décomposition de variance^{[24],[25],[26]} considèrent les entrées comme des variables aléatoires et s'intéressent seulement à la variance de la sortie. Celle-ci est décomposée en termes attribuables à une entrée ou à un groupe d'entrées. Les indices de sensibilité calculés sont les indices de Sobol : ils représentent la proportion de variance expliquée par une entrée ou un groupe d'entrées.

Pour l'entrée ${\displaystyle X_{i}}$, l'indice de Sobol simple est donné par :$${\displaystyle S_{i}={\frac {V(\mathbb {E} [Y\vert X_{i}])}{V(Y)}}}$$où ${\displaystyle V(\cdot )}$ et ${\displaystyle \mathbb {E} [\cdot ]}$ désignent la variance et l'espérance (ou moyenne pondérée).

L'indice de Sobol simple ne prend pas en compte l'incertitude causée par les interactions de ${\displaystyle X_{i}}$ avec les autres variables. Pour inclure toutes les interactions dans lesquelles ${\displaystyle X_{i}}$ est impliquée on utilise l'indice de Sobol total :$${\displaystyle S_{i}^{T}=1-{\frac {V(\mathbb {E} [Y\vert X_{\sim i}])}{V(Y)}}}$$où ${\displaystyle X_{\sim i}=(X_{1},...,X_{i-1},X_{i+1},...,X_{p})}$.

Les méthodes basées sur la décomposition de variance permettent d'explorer complètement l'espace des entrées et de prendre en compte les interactions ainsi que les réponses non linéaires. Pour ces raisons, elles sont largement utilisées. Le calcul des indices de Sobol nécessite de nombreuses évaluations du modèle (de l'ordre du millier). Plusieurs estimateurs existent^{[27],[28],[29]}. On recourt généralement à des méta-modèles (émulateurs) pour rendre possible le calcul.

Les méthodes de "screening" s'appliquent à des modèles de grande dimension pour lesquels on veut distinguer rapidement quelles entrées sont significatives, sans chercher l'exhaustivité. Il s'agit d'observer l'effet de perturbations élémentaires des entrées sur les sorties. La méthode de Morris^[30] est une des plus connues.

Le principe est d'approcher une fonction par des harmoniques en utilisant la transformation de Fourier. Les indices de Sobol sont alors exprimés analytiquement en fonction des coefficients de la série de Fourier^[10].

Le principe est de projeter la fonction d'intérêt sur une base de polynômes orthogonaux. Les indices de Sobol sont alors exprimés analytiquement en fonction des coefficients de cette décomposition^[31].

• Revue internationale de la Cinétique Chimique – septembre 2008 – Numéro Spécial sur l'Analyse de Sensibilité
• Ingénierie de la fiabilité et de la Sécurité du Système (Volume 91, 2006) – numéro spécial sur l'analyse de sensibilité
• la page web sur l'analyse de Sensibilité – (Centre Commun de Recherche de la Commission Européenne)
• SimLab, le logiciel gratuit pour global d'analyse de sensibilité le Centre Commun de Recherche
• L'Analyse de sensibilité Excel Add-In est un logiciel gratuit (pour l'usage privé et commercial) Excel Add-In qui permet simple de l'échantillon en fonction de l'analyse de sensibilité s'exécute
• MUCM Projet – de nombreuses ressources de l'incertitude et de l'analyse de sensibilité du calcul exigeant des modèles.
• GEM-SA – un programme pour la réalisation de l'analyse de sensibilité avec des processus Gaussien.
• SALib Analyse de Sensibilité de la Bibliothèque en Python (Numpy). Contient Sobol, Morris, Factoriel Fractionnaire et des méthodes FAST.
• OpenTURNS : initiative open source pour le traitement des incertitudes, des risques et des statistiques. Code multiplateforme (C++, Python) pour faire des méta-modèles.
• sensitivity : package R contenant de nombreux estimateurs d'indices de Sobol.

• Portail des probabilités et de la statistique