Olasılıksal Duyarlılık Analizi — Olasılıksal Girdi Örneklemesi Yoluyla Çıktı Belirsizliğinin Nicelendirilmesi
Stochastic Sensitivity Analysis (Probabilistic Sensitivity Analysis) · Ayrıca şöyle bilinir: PSA, Probabilistic Sensitivity Analysis, Stochastic SA, Monte Carlo Sensitivity Analysis
Olasılıksal Duyarlılık Analizi (PSA), belirsiz model girdilerini olasılık dağılımları olarak temsil ederek ve Monte Carlo örneklemesi yoluyla modelden yayarak klasik tek seferlik duyarlılık testini genişletir. Sonuç, olası çıktıların tam bir dağılımı ve hangi girdilerin çıktı varyansını en çok yönlendirdiğine dair sıralamalarla birlikte, belirsizlik altında sağlam, kanıta dayalı sonuçlar elde edilmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Modelde aynı anda değişen birden fazla belirsiz parametre olduğunda ve tek bir en iyi tahmin rakamı yerine olası sonuçların tam dağılımını karakterize etmeniz gerektiğinde Olasılıksal Duyarlılık Analizini kullanın. Sağlık teknolojisi değerlendirmesi (NICE, ICER), çevresel risk modellemesi ve mühendislik güvenilirliğinde standart yaklaşımdır. Parametre belirsizlikleri ilişkiliyse veya karar eşiği model çıktısına yakınsa, tek yönlü duyarlılık analizi yerine PSA'yı tercih edin. Yapısal doğrulama yerine geçmesi olarak KULLANMAYIN — PSA yalnızca parametrik belirsizliği yayar, model yanlış belirtilmesini değil. N çok küçükse veya hesaplama maliyeti model çalıştırması başına karşılanamıyorsa (yedek modelleme olmadan) kaçının.
Güçlü yönler & sınırlılıklar
- İzole edilmiş nokta tahminleri yerine tam bir çıktı dağılımı sağlar, sonuçlar hakkında olasılık ifadeleri elde edilmesini sağlar.
- Tek seferlik analiz tarafından kaçırılan etkileşim etkilerini yakalayarak, tüm belirsiz parametrelerin eşzamanlı değişimini ele alır.
- Duyarlılık indeksleri belirsizliğin anahtar sürücülerini belirler, gelecekteki araştırma yatırımını verimli bir şekilde yönlendirir.
- Düzenleyici ve sağlık-ekonomik kurumlar (örn. NICE, FDA) tarafından tercih edilen belirsizlik analizi çerçevesi olarak yaygın şekilde kabul edilmiştir.
- Latin Hiperküp Örneklemesi ve varyans ayrıştırma teknikleri aracılığıyla karmaşık modellerle çok sayıda parametreye ölçeklenir.
- Tüm girdiler için güvenilir olasılık dağılımları gerektirir; kötü belirtilmiş dağılımlar yanıltıcı sonuçlar üretir.
- Uzun çalıştırma sürelerine sahip modeller için hesaplama açısından yoğundur — binlerce çekimin her biri tam bir model değerlendirmesi gerektirir.
- Yapısal veya model formu belirsizliğini yakalamaz; yanlış belirtilmiş bir model, kesin ancak yanlı PSA sonuçları verecektir.
- Girdiler arasındaki korelasyon yapıları genellikle bilinmemektedir ve sıklıkla göz ardı edilir, bu da gerçek belirsizliği hafife alabilir.
SSS
Olasılıksal Duyarlılık Analizi, deterministik (tek yönlü) duyarlılık analizinden nasıl farklıdır?
Deterministik analiz, diğerlerini sabit tutarken bir parametreyi tek tek değiştirir ve bir kasırga diyagramı üretir. Olasılıksal SA, tüm parametreleri dağılımlarına göre eşzamanlı olarak değiştirir, tam bir çıktı dağılımı ve etkileşim farkındalığına sahip duyarlılık indeksleri üretir — parametreler ilişkiliyse veya birden fazla eşik risk altındaysa çok daha bilgilendiricidir.
Tipik olarak kaç Monte Carlo çekimi (N) gereklidir?
Kararlı ortalama ve medyan tahminleri için genellikle N = 1.000 yeterlidir. Güvenilir kuyruk olasılıkları (örn. %95 yüzdelik dilim) veya Sobol indeksleri için N = 10.000 veya daha fazlası önerilir. Latin Hiperküp Örneklemesi, saf rastgele örneklemenin yaklaşık beşte biri çekimle benzer hassasiyet elde edebilir.
Beklenen Mükemmel Bilgi Değeri (EVPI) nedir ve PSA ile nasıl ilişkilidir?
EVPI, tüm parametre belirsizliğini ortadan kaldırmanın maksimum değerini ölçen PSA'nın karar teorik bir çıktısıdır. PSA çıktı dağılımından, mükemmel bilgi altındaki beklenen net fayda ile mevcut karar altındaki beklenen net fayda arasındaki fark olarak doğrudan hesaplanır. Yüksek bir EVPI, daha fazla araştırmanın ekonomik olarak haklı olduğunu gösterir.
PSA model yapısal belirsizliğini tespit edebilir mi?
Hayır. PSA yalnızca seçilen model yapısının parametrelerindeki belirsizliği yayar. Yapısal belirsizlik — modelin kendisinin gerçekliğin doğru temsili olup olmadığı — model karşılaştırması, çapraz doğrulama veya rakip yapılar hakkında uzman görüşü gibi ayrı analizler gerektirir.
Hangi duyarlılık indeksi kullanılmalı — korelasyon katsayıları mı yoksa Sobol indeksleri mi?
Spearman veya kısmi sıralama korelasyon katsayıları hesaplanması hızlıdır ve monoton modeller için iyi çalışır. Sobol varyans tabanlı indeksleri modelden bağımsızdır ve doğrusal olmayan ve etkileşim etkilerini yakalar, bu da onları karmaşık veya doğrusal olmayan modeller için daha uygun hale getirir, ancak daha büyük N gerektirir.
Kaynaklar
- Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M., Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley. ISBN: 9780470059975
- Briggs, A. H., Claxton, K., Sculpher, M. (2012). Decision Modelling for Health Economic Evaluation. Oxford University Press. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Stochastic Sensitivity Analysis (Probabilistic Sensitivity Analysis). ScholarGate. https://scholargate.app/tr/simulation/stochastic-sensitivity-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Monte Carlo SimülasyonuKarar verme↔ karşılaştır
- Hassasiyet AnaliziKarar verme↔ karşılaştır
- Olasılıksal Ayrık-Olay SimülasyonuSimülasyon↔ karşılaştır
- Belirsizlik Yayılımı ile Olasılıksal Durum-Geçiş SimülasyonuSimülasyon↔ karşılaştır
- Olasılıksal Senaryo AnaliziSimülasyon↔ karşılaştır