Un ensemble de techniques visant à évaluer comment la variation des entrées, paramètres ou hypothèses d'un modèle influence ses sorties ou métriques décisionnelles ; les méthodes vont des dérivées locales (perturbations une à la fois) à des approches globales qui varient les entrées selon leurs distributions conjointes pour répartir la variance de sortie ou cartographier des frontières décisionnelles, l'objectif étant d'identifier les paramètres influents et d'évaluer la robustesse.

Principe

En faisant varier systématiquement les entrées dans des intervalles ou distributions plausibles et en mesurant les changements de sorties, l'analyse de sensibilité révèle quels intrants pilotent la variabilité des résultats ou modifient les décisions ; les méthodes globales quantifient les contributions à la variance de sortie et prennent en compte les interactions, tandis que les méthodes locales approxim ent la réponse marginale autour d'un point de référence.

Démonstration

Scénario illustratif : un économiste de la santé évalue un modèle coût‑efficacité. Reconnaissance : intrants clés : taux d'actualisation, taille de l'effet du traitement, coûts unitaires. Action : réaliser des analyses de sensibilité univariées, puis une analyse probabiliste globale en échantillonnant des distributions conjointes pour obtenir la distribution des sorties et identifier les paramètres expliquant le plus la variance. Conséquence : l'analyste identifie les hypothèses qui influent de manière critique sur le ratio coût‑efficacité incrémental et priorise la collecte de données.

Mauvaise application

S'appuyer uniquement sur des analyses une à la fois (OAT) lorsque les intrants interagissent, ce qui sous‑estime les effets conjoints ; choisir des domaines de variation peu plausibles qui déforment l'incertitude réelle ; interpréter une faible sensibilité comme preuve d'irrélevance d'un paramètre sans considérer une mauvaise spécification du modèle.

Conséquence

L'analyse de sensibilité oriente l'interprétation des résultats, met en évidence les hypothèses critiques, informe les priorités de collecte de données et les tests de robustesse, et favorise un rapport transparent de l'incertitude ; toutefois, ses résultats dépendent des domaines et distributions choisis et de la justesse de la structure du modèle.

Inversion

Si le modèle est mal spécifié (forme fonctionnelle erronée, mécanismes omis) ou si les intrants sont endogènes, l'analyse de sensibilité peut induire en erreur en attribuant la variabilité des sorties à des paramètres alors que des erreurs structurelles dominent ; les mesures locales peuvent être peu informatives pour des modèles non linéaires avec interactions, nécessitant des méthodes globales.

Limite

Clairement dans : modèles quantitatifs avec intrants paramétrés pour lesquels on peut spécifier de façon crédible des intervalles ou distributions. Cas frontière : la sensibilité structurelle (changement de la forme du modèle) dépasse la sensibilité paramétrique. Clairement hors : jugements purement qualitatifs sans variation systématique ne constituent pas une analyse de sensibilité.

Tension sémantique

Exhaustivité (exploration globale, haute dimension) versus interprétabilité et faisabilité (simplicité des contrôles une à la fois) ; diagnostiquer l'importance des paramètres versus diagnostiquer l'adéquation structurelle du modèle.

Synthèse

L'analyse de sensibilité est un outil de diagnostic et de priorisation : elle ne valide pas un modèle mais montre où l'incertitude importe et où la réduction d'incertitude ou l'amélioration de la structure du modèle améliorera le plus la confiance décisionnelle ; le choix de la méthode (locale vs globale) dépend de la non‑linéarité, des interactions et de l'information disponible sur les distributions d'entrée.