Ein Satz von Techniken zur Bewertung, wie Variation in Modellinputs, Parametern oder Annahmen Modelloutputs oder Entscheidungskennzahlen beeinflusst; Methoden reichen von lokalen Ableitungen (Ein‑nach‑dem‑anderen‑Perturbationen) bis zu globalen Ansätzen, die Eingaben über ihre gemeinsamen Verteilungen variieren, um die Output‑Varianz zuzuordnen oder Entscheidungsgrenzen abzubilden, mit dem Ziel, einflussreiche Parameter zu identifizieren und Robustheit zu prüfen.

Prinzip

Durch systematisches Variieren von Eingaben innerhalb plausibler Bereiche oder Verteilungen und Messen der resultierenden Output‑Änderungen zeigt Sensitivitätsanalyse, welche Eingaben die Ergebnisvariabilität treiben oder Entscheidungen ändern; globale Methoden quantifizieren Beiträge zur Output‑Varianz und berücksichtigen Interaktionen, lokale Methoden approximieren marginale Reaktionsgrößen um einen Referenzpunkt.

Demonstration

Illustratives Szenario: Ein Gesundheitsökonom bewertet ein Kosten‑Effektivität‑Modell. Erkennung: Schlüsselinputs sind Diskontsatz, Effektstärke der Behandlung und Stückkosten. Handlung: Durchführung von Ein‑Wege‑Sensitivitätsprüfungen für jeden Parameter und anschließend probabilistische (globale) Sensitivitätsanalyse durch Ziehen aus gemeinsamen Verteilungen zur Berechnung von Output‑Verteilungen und Identifikation von Parametern mit größtem Varianzanteil. Folge: Der Analyst identifiziert Annahmen, die das inkrementelle Kosten‑Effektivität‑Verhältnis kritisch beeinflussen, und priorisiert Datenerhebung.

Fehlanwendung

Alleinige Verlass auf Ein‑nach‑dem‑anderen (OAT) Analysen bei vorhandenen Interaktionen, was gemeinsame Effekte unterschätzt; Auswahl unrealistischer Bereiche, die die tatsächliche Unsicherheit verzerren; eine geringe Sensitivität als Beweis für Parameterirrelevanz zu deuten ohne Modellfehl­spezifikation zu erwägen.

Konsequenz

Sensitivitätsanalyse leitet die Interpretation von Modellresultaten, hebt kritische Annahmen hervor, informiert Prioritäten für Datenerhebung und Robustheitsprüfungen und fördert transparente Berichterstattung über Modellunsicherheit; die Ergebnisse hängen jedoch von gewählten Bereichen, Verteilungen und der Korrektheit der Modellstruktur ab.

Umkehrung

Ist das Modell misspezifiziert (falsche funktionale Form, ausgelassene Mechanismen) oder sind Inputs endogen, kann Sensitivitätsanalyse irreleiten, indem sie Output‑Variabilität Parametern zuschreibt, während strukturelle Fehler dominieren; lokale Maße sind bei nichtlinearen Modellen mit Interaktionen oft uninformativ und erfordern globale Verfahren.

Abgrenzung

Eindeutig innerhalb: quantitative Modelle mit parametrisierten Eingaben, für die glaubwürdige Bereiche oder Verteilungen angegeben werden können. Grenzfall: strukturelle Sensitivität (Änderung der Modellform) geht über parametrische Sensitivität hinaus. Eindeutig außerhalb: rein qualitative Urteile ohne systematische Variation sind keine Sensitivitätsanalyse.

Semantische Spannung

Umfang (globale, hochdimensionale Erkundung) versus Interpretierbarkeit und Durchführbarkeit (Ein‑nach‑dem‑anderen Prüfungen); Diagnose der Parameterbedeutung versus Diagnose der strukturellen Modellangemessenheit.

Synthese

Sensitivitätsanalyse ist ein diagnostisches und priorisierendes Instrument: sie validiert ein Modell nicht, zeigt aber, wo Unsicherheit relevant ist und wo Reduktion von Unsicherheit oder Verbesserung der Modellstruktur die Entscheidungszuverlässigkeit am meisten erhöht; die Methodenwahl (lokal vs global) richtet sich nach Nichtlinearität, Interaktionen und verfügbarer Information über Eingangsverteilungen.