Un conjunto de técnicas para evaluar cómo la variación en las entradas, parámetros o supuestos de un modelo influye en las salidas o métricas de decisión; los métodos van desde derivadas locales (perturbaciones una‑por‑una) hasta enfoques globales que varían las entradas a través de sus distribuciones conjuntas para asignar la varianza de la salida o mapear fronteras de decisión, con el objetivo de identificar parámetros influyentes y evaluar la robustez.

Principio

Al variar sistemáticamente las entradas dentro de rangos o distribuciones plausibles y medir los cambios resultantes en las salidas, el análisis de sensibilidad revela qué entradas impulsan la variabilidad del resultado o alteran decisiones; los métodos globales cuantifican contribuciones a la varianza de la salida y tienen en cuenta interacciones, mientras que los métodos locales aproximan la respuesta marginal alrededor de una línea base.

Demostración

Escenario ilustrativo: Un economista sanitario evalúa un modelo de coste‑efectividad. Reconocimiento: entradas clave: tasa de descuento, tamaño del efecto del tratamiento y costes unitarios. Acción: realizar comprobaciones de sensibilidad univariadas y luego un análisis probabilístico (global) muestreando distribuciones conjuntas para obtener distribuciones de salida e identificar parámetros que expliquen la mayor parte de la varianza. Consecuencia: el analista identifica las hipótesis que afectan de forma crítica al ratio coste‑efectividad incremental y prioriza la recopilación de datos.

Aplicación incorrecta

Confiar únicamente en análisis uno‑a‑la‑vez (OAT) cuando las entradas interactúan, lo que subestima los efectos conjuntos; elegir rangos implausibles que malrepresentan la incertidumbre real; interpretar una baja sensibilidad como prueba de irrelevancia de un parámetro sin considerar la mala especificación del modelo.

Consecuencia

El análisis de sensibilidad orienta la interpretación de resultados del modelo, destaca supuestos críticos, informa prioridades de recopilación de datos y comprobaciones de robustez, y respalda la presentación transparente de la incertidumbre del modelo; no obstante, sus conclusiones dependen de los rangos y distribuciones elegidos y de la corrección de la estructura del modelo.

Inversión

Si el modelo está mal especificado (forma funcional errónea, mecanismos omitidos) o las entradas son endógenas, el análisis de sensibilidad puede inducir a error al atribuir variabilidad de salida a parámetros cuando dominan errores estructurales; las medidas locales pueden ser poco informativas en modelos no lineales con interacciones, requiriendo técnicas globales.

Límite

Claramente dentro: modelos cuantitativos con entradas parametrizadas donde se pueden especificar de forma creíble rangos o distribuciones. Caso límite: la sensibilidad estructural (cambio de la forma del modelo) va más allá de la sensibilidad paramétrica. Claramente fuera: juicios puramente cualitativos sin variación sistemática no constituyen análisis de sensibilidad.

Tensión semántica

Exhaustividad (exploración global, de alta dimensión) frente a interpretabilidad y viabilidad (simplicidad de comprobaciones uno‑a‑la‑vez); diagnosticar la importancia de parámetros frente a diagnosticar la adecuación estructural del modelo.

Síntesis

El análisis de sensibilidad es una herramienta de diagnóstico y priorización: no valida un modelo, pero muestra dónde importa la incertidumbre y dónde la reducción de incertidumbre o la mejora de la estructura del modelo aumentarán más la confianza en la decisión; la elección del método (local vs global) depende de la no linealidad, las interacciones y la información disponible sobre las distribuciones de entrada.