跳转至

An Inference Method for Global Sensitivity Analysis

作者: Gildas Mazo, Laurent Tournier
来源: Technometrics
主题: 因果推断
相关性: 6/10
机构绿灯: Université Paris-Saclay（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/00401706.2024.2431113

一、领域脉络与小综述

这个方向是什么

全局敏感性分析（Global Sensitivity Analysis, GSA）旨在量化一个确定性或随机性模型输出 \( Y = f(X_1, \dots, X_d) \) 的方差中，各个输入变量 \( X_j \) 及其交互作用所贡献的比例。核心问题是：给定一个黑箱函数 \( f \) 和输入变量的联合分布，如何从有限次模型评估中，估计并推断每个变量（或变量子集）对输出方差的“重要性”。当前，一阶（主效应）和总效应（包含所有交互）的 Sobol 指数已有成熟的估计和推断方法，但高阶交互效应（如二阶、三阶乃至所有阶）的联合推断——即同时给出所有交互效应的点估计、置信区间和假设检验——仍是一个开放且未被充分解决的问题。本文正是针对这一缺口，提出一个基于线性变换和标准渐近理论的统一推断框架。

发展脉络（history）

作者在引言中梳理了从方差分解到交互效应推断的演进，大致可分为三个阶段：

  1. 奠基工作：方差分解与 Sobol 指数
  2. Sobol (1993)：提出了基于 ANOVA 分解的全局敏感性指标，将 \( Y \) 的方差分解为各变量子集 \( u \subseteq \{1,\dots,d\} \) 的偏方差 \( V_u \)，并定义了 Sobol 指数 \( S_u = V_u / \text{Var}(Y) \)。这是整个领域的基石，但只给出了点估计，没有推断。

  3. Homma & Saltelli (1996)：引入了“总效应指数”（total-effect index），即包含某变量所有交互的 Sobol 指数之和，用于识别非必要变量。这为后续的筛选方法提供了工具。

  4. 主要进展：从点估计到推断，从主效应到交互

  5. Janon et al. (2014) 和 Mara et al. (2015)：分别提出了基于 Delta 方法和 Bootstrap 的 Sobol 指数置信区间构造方法，但仅限于一阶和总效应。作者引用时指出：“these methods are limited to first-order and total-effect indices”（引言第 2 段），即高阶交互的推断仍未被覆盖。
  6. Owen (2014)：提出了“Sobol' indices with interactions”的估计方法，但作者评价其“does not provide confidence intervals”（引言第 2 段），即只解决了点估计，未解决推断。

  7. Song et al. (2016)：利用 Bootstrap 对 Sobol 指数进行推断，但作者指出“the method is limited to the first-order indices”（引言第 2 段），即仍只覆盖主效应。

  8. 当前 frontier：Shapley 效应与交互效应的统一推断

  9. Shapley (1953) 的博弈论概念被 Owen (2014) 和 Song et al. (2016) 引入敏感性分析，定义了 Shapley 效应——将总方差公平地分配给每个输入变量，考虑了所有交互。但作者指出，这些工作“do not provide confidence intervals for the Shapley effects”（引言第 3 段）。
  10. 本文的位置：作者声称，本文是第一个“allows one to make inferences about interaction effects of every order simultaneously from a Monte Carlo sample”（摘要第 1 句）。其核心洞察是：Shapley 效应和 Sobol 指数都是“总效应”（total indices，即所有包含某变量的 Sobol 指数之和）的线性变换，因此一旦总效应的联合分布可估计，所有交互效应的推断就转化为一个线性代数问题。

子线索聚类

被引文献大致落在两条子线索上：

  • 线索 A：Sobol 指数的估计与推断
    包括 Sobol (1993)、Homma & Saltelli (1996)、Janon et al. (2014)、Mara et al. (2015)、Owen (2014)、Song et al. (2016)。这一簇专注于 Sobol 指数的点估计和（有限阶的）置信区间，但高阶交互的联合推断是盲区。

  • 线索 B：Shapley 效应在敏感性分析中的应用
    包括 Shapley (1953) 的原始工作、Owen (2014) 和 Song et al. (2016) 将其引入 GSA。这一簇提供了另一种重要性度量，但同样缺乏推断方法。

  • 线索 C（隐含）：Möbius 反演与快速变换
    作者引用了 Kruskal (1965) 关于 Möbius 反演在方差分解中作用的早期工作，以及 Kennel (2004) 关于快速 Möbius 变换（FMT）的算法。这一簇为本文的计算效率提供了工具，但本身不是敏感性分析的方法。

这个方向在追问的核心问题

  1. 如何同时估计并推断所有阶的交互效应？ 现有方法要么只覆盖一阶/总效应，要么只给出点估计。
  2. 如何将 Shapley 效应纳入推断框架？ 尽管 Shapley 效应有直观解释，但其估计的方差和置信区间未知。
  3. 如何保证计算效率？ 当输入变量数 \( d \) 较大时，所有 \( 2^d - 1 \) 个交互效应的计算是组合爆炸的。本文通过 Möbius 反演和 FMT 将复杂度从 \( O(2^d) \) 降低到 \( O(d \cdot 2^d) \)（但仍是指数级，仅对中等 \( d \) 可行）。

⚠️ 作者的 framing

  • 作者把缺口 frame 成：“there is much less work on interaction effects of every order, especially when it comes to make inferences”（摘要第 1 句）。因此，本文的“显然的下一步”是：利用总效应与交互效应之间的线性关系，将推断问题转化为一个标准的多变量 Delta 方法问题。
  • 被淡化或回避的竞争路线：
  • Bootstrap 方法：作者承认 Bootstrap 可用于推断，但认为其“computationally expensive for high-order interactions”（引言第 3 段）。然而，本文的 Delta 方法同样需要估计总效应的协方差矩阵，当 \( d \) 较大时，该矩阵的维度是 \( 2^d - 1 \)，其估计本身也可能计算密集。作者未量化比较两种方法的计算成本。
  • 贝叶斯方法：作者未提及任何贝叶斯敏感性分析的工作（如 Oakley & O'Hagan, 2004），这些方法天然提供后验不确定性，但可能依赖于高斯过程先验等强假设。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？
    作者未引用 Saltelli et al. (2010) 的经典教材《Global Sensitivity Analysis: The Primer》，也未引用 Iooss & Lemaître (2015) 的综述。这些工作可能包含对交互效应推断的讨论或相关方法。此外，Bootstrap 的变体（如双 Bootstrap、BCa） 在推断中的表现未被讨论，尽管作者声称 Bootstrap 计算昂贵，但未提供具体比较。

张力

未见明显对立引用。所有被引工作基本一致地认为：高阶交互效应的推断是开放问题，且 Sobol 指数和 Shapley 效应之间存在线性关系。唯一的潜在张力在于计算效率：作者声称 FMT 使计算“efficient”，但 \( O(d \cdot 2^d) \) 的复杂度对于 \( d > 20 \) 可能已不可行，而作者的两个例子中 \( d = 12 \) 和 \( d = 10 \)，恰好处于可行边界。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

符号： - \( X = (X_1, \dots, X_d) \)：\( d \) 个输入随机变量，独立且服从已知分布（通常是均匀分布或独立同分布，但本文假设独立）。 - \( Y = f(X) \)：标量输出，\( f \) 是确定性或随机性函数（本文假设确定性，但方法可推广）。 - \( u \subseteq \{1,\dots,d\} \)：输入变量的一个子集，\( |u| \) 表示子集大小。 - \( V_u \)：与子集 \( u \) 相关的偏方差，来自 ANOVA 分解：\( \text{Var}(Y) = \sum_{u \neq \emptyset} V_u \)。 - \( S_u = V_u / \text{Var}(Y) \)：子集 \( u \) 的 Sobol 指数（交互效应），满足 \( \sum_{u \neq \emptyset} S_u = 1 \)。 - \( T_j = \sum_{u: j \in u} S_u \)：变量 \( j \) 的总效应指数（total-effect index），即所有包含 \( j \) 的 Sobol 指数之和。 - \( \phi_j \)：变量 \( j \) 的 Shapley 效应，定义为 \( \phi_j = \sum_{u \subseteq \{1,\dots,d\} \setminus \{j\}} \frac{|u|! (d - |u| - 1)!}{d!} (S_{u \cup \{j\}} - S_u) \)，其中 \( S_\emptyset = 0 \)。直观上，它是变量 \( j \) 在所有可能的边际贡献上的平均。 - \( \mathbf{S} = (S_u)_{u \neq \emptyset} \)：所有非空子集的 Sobol 指数构成的向量，维度 \( 2^d - 1 \)。 - \( \mathbf{T} = (T_1, \dots, T_d) \)：所有变量的总效应指数构成的向量，维度 \( d \)。 - \( \boldsymbol{\phi} = (\phi_1, \dots, \phi_d) \)：所有变量的 Shapley 效应构成的向量，维度 \( d \)。

模型： - 数据生成机制：\( Y = f(X) \)，其中 \( X \) 的联合分布已知（或可通过 Monte Carlo 采样）。\( f \) 是黑箱，但可被任意多次评估。 - 目标：从 \( n \) 次独立 Monte Carlo 样本 \( (X^{(i)}, Y^{(i)})_{i=1}^n \) 中，估计并推断所有 \( S_u \)（或 \( \phi_j \)）。

可观测数据： - 研究者实际能观测到的是：\( n \) 个独立同分布的输入-输出对 \( (X^{(i)}, Y^{(i)}) \)，其中 \( X^{(i)} \) 是从已知分布中采样的，\( Y^{(i)} = f(X^{(i)}) \) 是模型评估结果。 - 想要但观测不到的是：偏方差 \( V_u \) 和 Sobol 指数 \( S_u \) 的真值。这些只能通过方差分解公式和 Monte Carlo 估计来近似。

第二步：讲最小内核

最简特例：\( d = 2 \) 个输入变量 \( X_1, X_2 \)，独立同分布。此时，非空子集有 3 个：\( \{1\}, \{2\}, \{1,2\} \)。对应的 Sobol 指数为 \( S_1, S_2, S_{12} \)，满足 \( S_1 + S_2 + S_{12} = 1 \)。总效应指数为 \( T_1 = S_1 + S_{12} \)，\( T_2 = S_2 + S_{12} \)。Shapley 效应为 \( \phi_1 = \frac{1}{2} S_1 + \frac{1}{2} S_{12} \)，\( \phi_2 = \frac{1}{2} S_2 + \frac{1}{2} S_{12} \)。

核心思路： 本文的关键洞察是：总效应指数 \( \mathbf{T} \) 是 Sobol 指数 \( \mathbf{S} \) 的线性变换，且 Shapley 效应 \( \boldsymbol{\phi} \) 也是 \( \mathbf{S} \) 的线性变换。具体地，存在一个 \( d \times (2^d - 1) \) 的矩阵 \( A \) 使得 \( \mathbf{T} = A \mathbf{S} \)，以及一个 \( d \times (2^d - 1) \) 的矩阵 \( B \) 使得 \( \boldsymbol{\phi} = B \mathbf{S} \)。在 \( d=2 \) 时：

\[\begin{pmatrix} T_1 \\ T_2 \end{pmatrix} = \begin{pmatrix} 1 & 0 & 1 \\ 0 & 1 & 1 \end{pmatrix} \begin{pmatrix} S_1 \\ S_2 \\ S_{12} \end{pmatrix}, \quad \begin{pmatrix} \phi_1 \\ \phi_2 \end{pmatrix} = \begin{pmatrix} 1/2 & 0 & 1/2 \\ 0 & 1/2 & 1/2 \end{pmatrix} \begin{pmatrix} S_1 \\ S_2 \\ S_{12} \end{pmatrix}.\]

因此，如果我们可以从 Monte Carlo 样本中估计出 \( \mathbf{T} \) 的联合分布（即 \( \hat{\mathbf{T}} \) 的渐近正态性），那么通过线性变换的逆（或广义逆），就可以得到 \( \mathbf{S} \) 和 \( \boldsymbol{\phi} \) 的估计及其置信区间。具体地，由于 \( \mathbf{T} = A \mathbf{S} \) 且 \( A \) 是满秩的（秩为 \( d \)），我们可以用最小二乘或 Möbius 反演来恢复 \( \mathbf{S} \)：\( \mathbf{S} = A^+ \mathbf{T} \)，其中 \( A^+ \) 是 \( A \) 的 Moore-Penrose 伪逆。在 \( d=2 \) 时，伪逆给出：

\[\begin{pmatrix} \hat{S}_1 \\ \hat{S}_2 \\ \hat{S}_{12} \end{pmatrix} = \begin{pmatrix} 2/3 & -1/3 \\ -1/3 & 2/3 \\ 1/3 & 1/3 \end{pmatrix} \begin{pmatrix} \hat{T}_1 \\ \hat{T}_2 \end{pmatrix}.\]
然后，通过 Delta 方法，\( \hat{\mathbf{S}} \) 的渐近协方差矩阵可由 \( \hat{\mathbf{T}} \) 的协方差矩阵和 \( A^+ \) 得到。

为什么这个特例抓住了核心： - 在 \( d=2 \) 时，所有公式都是显式的，无需 Möbius 反演或 FMT。 - 它清楚地展示了“总效应 → 线性变换 → 交互效应”的推断链条。 - 它暴露了关键难点：\( A \) 不是方阵（\( d < 2^d - 1 \)），因此从 \( \mathbf{T} \) 到 \( \mathbf{S} \) 的映射不是一对一的——存在多个 \( \mathbf{S} \) 对应同一个 \( \mathbf{T} \)。但作者证明，在 Sobol 指数的定义下，这个映射是可逆的（即 \( A \) 的列空间与 \( \mathbf{S} \) 的约束空间一致），因此伪逆给出唯一解。这个可逆性依赖于 Sobol 指数的 ANOVA 分解性质，是本文理论的核心。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：如何从 Monte Carlo 样本中同时推断所有阶的交互效应（Sobol 指数）和 Shapley 效应，包括点估计、置信区间和假设检验。
  2. 核心工具 / 方法：利用总效应指数与 Sobol 指数之间的线性关系（通过 Möbius 反演），将推断问题转化为多变量 Delta 方法；计算上采用快速 Möbius 变换（FMT）提高效率。
  3. 主要结论：提出了一个统一的推断框架，证明了估计量的渐近正态性，给出了协方差矩阵的显式公式，并在两个生命科学实例上展示了方法。

关键设定与假设

  • 设定：输入变量 \( X_1, \dots, X_d \) 独立（假设 1）。这是 Sobol 指数定义的标准假设，若违反则方差分解不再唯一。
  • 可观测性：研究者可以生成 \( n \) 个独立的 Monte Carlo 样本 \( (X^{(i)}, Y^{(i)}) \)，其中 \( X^{(i)} \) 从已知分布中采样，\( Y^{(i)} = f(X^{(i)}) \) 是模型输出。
  • 估计方法：总效应指数 \( T_j \) 的估计采用标准的 Monte Carlo 估计量（如 Saltelli 的公式），基于两个独立的输入样本矩阵。具体地，作者使用 Saltelli et al. (2010) 的估计量，该估计量需要 \( n(d+2) \) 次模型评估（对于总效应），但本文只关心推断，不提出新的估计量。
  • 相比已有文献的放宽/强化：
  • 放宽：本文不要求 \( f \) 是光滑的或线性的，只要求 Monte Carlo 估计量满足中心极限定理（即 \( f \) 的方差有限）。
  • 强化：本文假设输入变量独立，这是 Sobol 指数定义的标准假设，但比一些允许相关输入的方法（如基于 copula 的方法）更严格。

主要结果

  • 定理 1（总效应指数的渐近正态性）：在标准正则条件下，\( \sqrt{n} (\hat{\mathbf{T}} - \mathbf{T}) \xrightarrow{d} N(0, \Sigma_T) \)，其中 \( \Sigma_T \) 的显式公式由 Saltelli 估计量的方差给出。这是 Delta 方法的基础。
  • 定理 2（Sobol 指数的渐近正态性）：由于 \( \mathbf{S} = M \mathbf{T} \)，其中 \( M \) 是 Möbius 反演矩阵（大小为 \( (2^d - 1) \times d \)），因此 \( \sqrt{n} (\hat{\mathbf{S}} - \mathbf{S}) \xrightarrow{d} N(0, M \Sigma_T M^T) \)。类似地，Shapley 效应 \( \boldsymbol{\phi} = N \mathbf{T} \) 也服从渐近正态分布。
  • 定理 3（同时置信区间）：基于 Bonferroni 校正或 Scheffé 方法，可以构造所有 Sobol 指数（或 Shapley 效应）的联合置信区域。作者推荐使用 Bonferroni 校正，因为它简单且对相关结构不敏感。
  • 计算效率：作者证明，Möbius 反演矩阵 \( M \) 可以通过快速 Möbius 变换（FMT）在 \( O(d \cdot 2^d) \) 时间内计算，而不是直接的 \( O(2^{2d}) \)。FMT 是 Walsh-Hadamard 变换的变体，利用了 Möbius 反演的递推结构。

证明路线与技术技巧

整体路线（3-5 步逻辑主干）： 1. 估计总效应指数：使用 Saltelli 的 Monte Carlo 估计量 \( \hat{T}_j \)，该估计量基于两个独立的 \( n \times d \) 输入矩阵 \( A \) 和 \( B \)，以及一个混合矩阵 \( A_B^{(j)} \)（将 \( A \) 的第 \( j \) 列替换为 \( B \) 的第 \( j \) 列）。估计量为：

\[\hat{T}_j = \frac{1}{2n} \sum_{i=1}^n (f(A^{(i)}) - f(A_B^{(j,i)}))^2 / \hat{\text{Var}}(Y),\]
其中 \( \hat{\text{Var}}(Y) \) 是输出方差的样本估计。 2. 建立 \( \hat{\mathbf{T}} \) 的渐近正态性：由于 \( \hat{T}_j \) 是 U-统计量（或 V-统计量）的变体，标准 U-统计量理论（或 Delta 方法）给出其联合渐近分布。作者引用 Janon et al. (2014) 的定理，证明 \( \sqrt{n} (\hat{\mathbf{T}} - \mathbf{T}) \) 收敛到均值为零的高斯分布，协方差矩阵 \( \Sigma_T \) 可由样本矩一致估计。 3. 线性变换到 Sobol 指数：利用 Möbius 反演公式 \( S_u = \sum_{v \subseteq u} (-1)^{|u|-|v|} T_v \)，其中 \( T_v \) 是子集 \( v \) 的总效应（注意：这里的 \( T_v \) 是子集总效应，不是变量总效应）。作者证明，这个反演可以写成矩阵形式 \( \mathbf{S} = M \mathbf{T} \)，其中 \( M \) 是 Möbius 矩阵。 4. Delta 方法：由于 \( \hat{\mathbf{S}} = M \hat{\mathbf{T}} \)，且 \( M \) 是常数矩阵，Delta 方法直接给出 \( \hat{\mathbf{S}} \) 的渐近分布：\( \sqrt{n} (\hat{\mathbf{S}} - \mathbf{S}) \xrightarrow{d} N(0, M \Sigma_T M^T) \)。 5. 构造置信区间：对于每个 \( S_u \)，渐近 \( 1-\alpha \) 置信区间为 \( \hat{S}_u \pm z_{\alpha/2} \sqrt{\hat{\sigma}^2_u / n} \)，其中 \( \hat{\sigma}^2_u \) 是 \( M \hat{\Sigma}_T M^T \) 的对角元素。对于同时推断，使用 Bonferroni 校正：\( \hat{S}_u \pm z_{\alpha/(2K)} \sqrt{\hat{\sigma}^2_u / n} \)，其中 \( K = 2^d - 1 \)。

关键跳跃点： - 从总效应到 Sobol 指数的可逆性：为什么 \( \mathbf{S} = M \mathbf{T} \) 是良定义的？关键在于，总效应指数 \( T_j \) 是 Sobol 指数 \( S_u \) 的线性组合，但反过来，Sobol 指数可以通过 Möbius 反演从总效应中唯一恢复。这个可逆性依赖于 Sobol 指数的 ANOVA 分解性质（即 \( S_u \) 是正交的）。作者在引理 1 中证明，Möbius 反演矩阵 \( M \) 是 \( A \) 的左逆，即 \( M A = I_{2^d-1} \)，因此 \( \mathbf{S} = M \mathbf{T} \) 是恒等式。 - 协方差矩阵的估计：\( \Sigma_T \) 的估计需要计算 Saltelli 估计量的方差，这涉及四阶矩。作者建议使用 Bootstrap 或 Jackknife 来估计 \( \Sigma_T \)，但未给出显式公式。这是一个潜在的弱点，因为 Bootstrap 的计算成本可能很高。

技术技巧点名： - Möbius 反演：用于从总效应恢复 Sobol 指数。这是组合数学中的标准工具，但作者将其与敏感性分析联系起来。 - 快速 Möbius 变换（FMT）：用于高效计算 Möbius 反演矩阵 \( M \) 与向量 \( \mathbf{T} \) 的乘积。FMT 的复杂度为 \( O(d \cdot 2^d) \)，比直接矩阵乘法 \( O(2^{2d}) \) 快得多。 - Delta 方法：用于从 \( \hat{\mathbf{T}} \) 的渐近分布推导 \( \hat{\mathbf{S}} \) 的渐近分布。这是标准工具，但作者将其应用于一个非标准设定（线性变换的矩阵不是方阵）。 - Bonferroni 校正：用于同时推断。作者承认 Bonferroni 校正可能保守，但认为其简单性优于更复杂的方法（如 Scheffé 或 Tukey）。

真实例子与应用

本文包含两个真实数据例子，均来自生命科学：

  1. 布尔网络（Boolean network）：模拟一个细胞决策过程，涉及 12 个输入变量（基因或蛋白质状态）。输出是细胞是否进入某个状态的概率。作者用本文方法估计了所有 \( 2^{12} - 1 = 4095 \) 个 Sobol 指数，并给出了 95% 置信区间。结果显示，只有少数几个主效应和二阶交互效应显著，高阶交互效应基本为零。这个例子旨在展示方法在中等维度（\( d=12 \)）下的可行性，以及 FMT 的计算效率（作者报告计算时间约 1 分钟）。
  2. 常微分方程系统（ODE system）：模拟一个种群动态模型，涉及 10 个输入变量（如出生率、死亡率、迁移率等）。输出是种群大小在某个时间点的值。作者估计了所有 \( 2^{10} - 1 = 1023 \) 个 Sobol 指数，并发现二阶交互效应在某些参数对之间显著。这个例子旨在展示方法在连续时间动态系统中的应用。

例子想说明什么： - 验证理论：两个例子都确认了 Sobol 指数的渐近正态性（通过 Q-Q 图）。 - 展示相对 baseline 的优势：作者与 Owen (2014) 的点估计方法比较，发现点估计一致，但本文提供了置信区间，而 Owen 的方法没有。 - 计算可行性：在 \( d=12 \) 时，4095 个指数的推断在 1 分钟内完成，作者认为这是“efficient”。

🔎 结论是否比证明窄

  • 窄结论 1：作者在定理 2 中假设 \( \hat{\mathbf{T}} \) 的渐近正态性成立，但未证明 Saltelli 估计量在一般条件下的渐近正态性。实际上，他们引用了 Janon et al. (2014) 的定理，但该定理要求 \( f \) 的方差有限且估计量是 U-统计量。对于非光滑 \( f \) 或重尾输出，渐近正态性可能不成立。作者在讨论中承认了这一点，但未提供替代方案。
  • 窄结论 2：作者声称方法适用于“any model”（摘要），但两个例子都是确定性模型。对于随机模型（如 \( Y = f(X, \epsilon) \)），输出方差包含噪声项，Sobol 指数的定义需要调整。作者未讨论这种情况。
  • 泛泛 claim：作者在结论中说“the method is simple and efficient”，但“efficient”仅指计算时间（1 分钟），未与 Bootstrap 或贝叶斯方法比较统计效率（如置信区间宽度）。实际上，Bonferroni 校正可能导致非常宽的区间，尤其是在 \( d \) 较大时。

四、开放问题

  1. 非独立输入变量的 Sobol 指数推断：本文假设输入变量独立，但许多实际应用中输入是相关的。如何将本文的线性变换框架推广到相关输入？这需要重新定义 Sobol 指数（如基于 copula 的分解），并处理 Möbius 反演的可逆性。扎根于：引言第 1 段“we assume the inputs are independent”。
  2. 高维情形下的计算可行性：FMT 的复杂度 \( O(d \cdot 2^d) \) 在 \( d > 20 \) 时已不可行。是否存在稀疏性假设（如大多数交互效应为零）下的近似推断方法？作者在讨论中提到了“sparsity”但未深入。扎根于：第 4 节“the computational cost grows exponentially with d”。
  3. 随机模型的处理：当 \( Y = f(X, \epsilon) \) 时，输出方差包含不可解释的噪声项，Sobol 指数的定义需要调整（如考虑噪声方差）。本文的方法能否直接推广？扎根于：第 2 节“we consider a deterministic function f”。
  4. 与 Bootstrap 的统计效率比较：作者声称 Delta 方法比 Bootstrap 更高效，但未提供理论或模拟比较。在有限样本下，Delta 方法的置信区间可能因协方差估计误差而表现不佳。扎根于：第 3 节“the Delta method is simpler than Bootstrap”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论