Latin Hypercube Sampling — Katmanlı Simülasyon Tasarımı

Her iki yöntem de simülasyon için bir girdi uzayını örneklemek için kullanılır, ancak örnekleri nasıl yerleştirdikleri konusunda farklılık gösterirler. Standart Monte Carlo, her örnek noktasını bağımsız ve rastgele çeker, bu da girdi uzayının bazı bölgelerini aşırı temsil edilmiş ve diğerlerini şans eseri seyrek bırakabilir. LHS bir katmanlama kuralı uygular: her girdi değişkeninin aralığı eşit olasılıklı aralıklara bölünür ve her aralığa tam olarak bir örnek yerleştirilir. Bu, aynı sayıda noktayla girdi uzayının daha iyi kapsanmasını garanti eder ve ilgi alanındaki birçok nicelik için daha düşük tahmin varyansına yol açar.

LHS ile girdi uzayının güvenilir kapsanması için yaygın olarak önerilen eşik minimum 1000 örnek noktasıdır. Sobol duyarlılık analizi için gerekli örneklem boyutu N·(k+2)'dir, burada k girdi değişkenlerinin sayısıdır. Örneğin, 10 girdi ve N = 1024 ile toplam model değerlendirme sayısı 12 288'dir. 1000 örneğin altında, LHS'nin uzay doldurma avantajı daralır ve Sobol indeksleri oldukça belirsiz hale gelir.

Sobol indeksleri varyans tabanlı duyarlılık ölçümleridir. Birinci dereceden indeks S_i, toplam çıktı varyansının ne kadarının yalnızca i girdisi tarafından açıklandığını ölçer; toplam dereceden indeks S_Ti, i girdisinin ve diğer girdilerle olan tüm etkileşimlerinin birleşik etkisini yakalar. LHS ile yaygın olarak eşleştirilirler çünkü LHS, girdi uzayı üzerinde iyi yayılmış bir örneklem üretir, bu da Sobol indekslerinin Saltelli tahmincisi için başlangıç noktasıdır. Birlikte, iki teknik hangi girdilerin model çıktısını yönlendirdiğini ve hangilerinin sabit olarak ele alınabileceğini belirler — model basitleştirme ve kalibrasyon planlamasında anahtar bir adımdır.

Standart LHS, girdilerin bağımsız olduğu varsayımı altında örnekler üretir. Girdiler ilişkiliyse, Iman-Conover sıralama korelasyon yöntemini bir son işleme adımı olarak uygulayın: girdiler arasındaki istenen sıralama korelasyonlarını indüklemek için LHS sütunlarını yeniden düzenlerken marjinal dağılımları ve katmanlama özelliğini korur. Bilinen korelasyonları göz ardı etmek, duyarlılık tahminlerini şişirir veya söndürür ve hangi girdilerin en önemli olduğuna dair yanıltıcı bir resim verir.