TP TreeAge Pro中文帮助中心

敏感性分析(Sensitivity Analysis)

本节将详细介绍各类敏感性分析,包括单因素分析(1-way)、龙卷风图(Tornado Diagram)、概率敏感性分析(PSA)以及其他不确定性分析。

背景

敏感性分析提供了一种手段,用来评估模型的计算结果与推荐结论在多大程度上受到不确定性的影响。

在决策分析中,处理不确定性的一种方法是在模型结构里显式地反映它。对结果有重大影响、又不在决策者控制范围内的事件,可以用机会节点来描述,并纳入模型计算。一个问题可能涉及众多不确定性,但并非所有不确定性都能或都应该体现在模型结构中。为此,需要使用确定性敏感性分析(deterministic sensitivity analysis)和概率敏感性分析来考察改变参数相关假设所带来的潜在影响。

确定性敏感性分析有多种形式,包括单因素、双因素和三因素敏感性分析以及龙卷风图。它通过考察改变选定假设后模型计算与推荐结论受到的影响程度,来识别关键的不确定性。概率敏感性分析(PSA)则可以纳入全部参数的不确定性。PSA 量化了能够赋予模型结果的置信水平。

敏感性分析及其他分析工具还可用于改进决策。其做法是确定获取各类信息(完美信息、不完美信息或抽样信息)的潜在价值,这些信息可能有助于解决关键的不确定性。

敏感性分析能够帮助回答的、关于模型的具体问题包括:

  • 模型是否对某一特定不确定性敏感?例如,改变某个参数的取值是否会导致最优策略发生变化?

  • 如果模型对某一特定不确定性敏感,那么在参数的哪个(些)取值上,模型会建议改变策略?

  • 敏感性分析的结果是否合理?(这是一个模型调试问题。)

CE 模型上的敏感性分析(Sensitivity Analysis on CE Models)一节介绍了如何执行单因素敏感性分析以及如何解读结果。CE 模型上的概率敏感性分析(Probabilistic Sensitivity Analysis on CE Models)一节则介绍如何使用概率分布和蒙特卡洛模拟来分析具有复杂或众多不确定性的模型。

变量与敏感性分析

构建模型时,您会使用收益值和概率的具体数值对决策树进行基准情形(base case)分析。若要对某个不确定量做敏感性分析,就必须用变量(variable)——即具名参数来表示它的数值。

请回顾变量:具名模型数值(Variables: Named Model Values)一节,其中详细说明了如何在决策树中高效地使用变量。这些章节的内容可以帮助您提高构建复杂决策树的效率,同时避免代价高昂的建模错误。