Improving Discrepancy Measures for Global Sensitivity Analysis

Sintesi Tecnica: Miglioramento delle Misure di Discrepanza per la Sensibilità Globale

Definizione del Problema
L'Analisi di Sensibilità Globale (GSA) mira a quantificare come l'incertezza negli input del modello influenzi gli output del modello stesso. I metodi basati sulla varianza, specificamente quelli che si affidano agli indici di ordine totale di Sobol' ($T_i$), rappresentano il gold standard per identificare fattori influenti e interazioni. Tuttavia, il calcolo di $T_i$ tramite integrazione Monte Carlo è computazionalmente costoso. Sebbene gli emulatori come la Spansione di Caos Polinomiale (PCE) offrano un'alternativa più economica, essi si basano su assunzioni di regolarità (smoothness) che spesso falliscono per modelli del mondo reale non regolari, discreti o altamente interattivi.

Recentemente, Puy et al. (2024) hanno proposto una misura di discrepanza "ersatz" ($S_{\text{ersatz}}$) come strumento di screening a basso costo. Questo metodo quantifica le deviazioni dall'uniformità nei diagrammi a dispersione (scatterplot) input-output. Sebbene efficace nel classificare gli input, l'originale $S_{\text{ersatz}}$ mancava di un fondamento teorico e mostrava un accordo imperfetto con $T_i$, in particolare per quanto riguarda la stima della magnitudo e specifiche strutture di dipendenza.

Metodologia
Gli autori introducono una Discrepanza Ersatz Corretta ($S^{\text{adjusted}}_{\text{ersatz}}$) che perfeziona l'algoritmo di Puy et al. (2024) attraverso due modifiche primarie:

1. Trasformazione del Rango (Uniformizzazione): Prima di grigliare il piano input-output $[x_i, Y]$, l'output $Y$ viene trasformato in una variabile uniforme $Y'$ tramite trasformazione del rango ($Y' = \text{rank}(Y)/N_s$). Ciò converte lo scatterplot in un campione della copula empirica di $(x_i, Y)$, rimuovendo l'effetto confondente della distribuzione marginale dell'output.
2. Imputazione Deterministica: La griglia viene analizzata per individuare celle vuote. Per distinguere tra una reale assenza di punti e artefatti di campionamento, viene applicata una regola di vicinato di Moore. Se almeno il 50% delle 8 celle vicine di una cella vuota è occupato, la cella vuota viene imputata (assegnata un valore di 1). Questo passaggio è progettato per catturare il clustering localizzato indotto dagli effetti di interazione che potrebbero altrimenti essere trascurati.

Contributi Teorici
Il documento fornisce una giustificazione basata sulla teoria delle copule, stabilendo quattro proprietà teoriche chiave:

• Condizione Zero: Se $T_i = 0$ (indipendenza statistica), $S^{\text{adjusted}}_{\text{ersatz}}$ converge a 0 all'aumentare della dimensione del campione.
• Proprietà di Monotonia Direzionale: Sotto famiglie di copule ordinate per concordanza, un $T_i$ più elevato implica un $S^{\text{adjusted}}_{\text{ersatz}}$ atteso più elevato.
• Limite a Supporto Completo (Full-Support Ceiling): Per dipendenze con supporto completo (es. copule gaussiane), la misura converge a 0 indipendentemente dalla magnitudo di $T_i$ quando $N_s \to \infty$. Ciò dimostra che il metodo è una statistica di screening coerente (identifica se un input è rilevante) ma non un estimatore di magnitudo coerente (identifica quanto un input è rilevante) per dipendenze non deterministiche.
• Rilevamento delle Interazioni: Si dimostra che il passaggio di imputazione estende il rilevamento della sensibilità dagli effetti del primo ordine ($S_i$) agli effetti di ordine totale ($T_i$) rilevando il clustering indotto dalle interazioni.

Gli autori identificano inoltre un limite strutturale: le dipendenze puramente mediate da interazioni (es. $Y = (x_i + x_k) \mod 1$) dove la copula bivariata è indipendente risulteranno in un punteggio nullo, un modo di fallimento inerente allo screening bivariato.

Disegno Sperimentale e Risultati
Il metodo corretto è stato testato contro tre comparatori a costo extra-zero (PCE-derivato $T_i$, PCE-derivato Effetti di Shapley e un indice massimo Kolmogorov–Smirnov di tipo PAWN) su:

• Sette funzioni di benchmark analitiche (varianti per regolarità, dimensionalità e struttura di interazione).
• Uno stress test con meta-funzione Becker (512 configurazioni casuali).
• Il modello idrologico reale HYMOD (non regolare, limitato, con output asimmetrico a sinistra).

Risultati Chiave:

1. Funzioni Regolari (Smooth): Su funzioni regolari e ben specificate (es. Bratley 1988, Oakley–O'Hagan), PCE ed effetti di Shapley superano l'ersatz corretto nella precisione della magnitudo, raggiungendo una correlazione di rango quasi perfetta.
2. Funzioni Non Regolari/Discrete: Su funzioni che violano le assunzioni della PCE (Ishigami, Multiverse, HYMOD), PCE e Shapley soffrono di errori sistematici di Tipo II (mancato rilevamento di input importanti) o fallimenti catastrofici nella classificazione. L'ersatz corretto e il PAWN(max-KS) rimangono robusti.
3. Caso di Studio HYMOD: L'ersatz corretto è l'unico stimatore che raggiunge un accordo di rango perfetto ($\rho = 1.000$) con il riferimento $T_i$ sul modello HYMOD, mantenendo questa prestazione anche in dimensioni campionarie dove la PCE si stabilizza a causa della misspecificazione della base.
4. Sensibilità dei Parametri: Un'analisi di sensibilità congiunta dei parametri dello screening stesso ha rivelato che la risoluzione della griglia è il driver dominante della variabilità delle prestazioni. La soglia di imputazione e il metodo di campionamento (quasi-casuale vs. pseudo-casuale) hanno un'influenza trascurabile.

Significato e Implicazioni Pratiche
Il documento posiziona l'ersatz corretto non come un sostituto universale di $T_i$, ma come uno strumento di screening robusto e teoricamente fondato.

• Efficienza dei Costi: Raggiunge prestazioni di screening paragonabili ai costosi calcoli Monte Carlo di $T_i$ a una frazione del costo computazionale e senza la necessità di ulteriori valutazioni del modello oltre il campione iniziale.
• Robustezza: Offre un equilibrio tra errori di Tipo I e di Tipo II attraverso diverse strutture di modello, eccellendo particolarmente dove i metodi basati su polinomi falliscono.
• Interpretabilità: Il metodo mantiene l'attrattiva intuitiva dell'analisi degli scatterplot, rendendolo accessibile a stakeholder non specialisti pur poggiando su rigorose fondamenta statistiche (teoria delle copule).

Gli autori concludono che i professionisti dovrebbero usare PCE/Shapley per modelli continui e regolari, ma affidarsi all'ersatz corretto per lo sviluppo nelle fasi iniziali, per modelli con forme funzionali sconosciute o che coinvolgono input discreti o non regolari.