Contenido

Existe un gran número de enfoques para realizar un análisis de sensibilidad, muchos de los cuales se han desarrollado para abordar una o varias de las limitaciones comentadas anteriormente. También se distinguen por el tipo de medida de sensibilidad, ya sea basada en (por ejemplo) descomposiciones de varianza"), derivadas parciales o efectos elementales. En general, sin embargo, la mayoría de los procedimientos se ciñen al esquema siguiente:.

En algunos casos, este procedimiento se repetirá, por ejemplo en problemas de gran dimensión en los que el usuario tenga que descartar variables sin importancia antes de realizar un análisis de sensibilidad completo.

Los distintos tipos de "métodos básicos" (que se examinan más adelante) se distinguen por las diversas medidas de sensibilidad que se calculan. Estas categorías pueden solaparse de algún modo. Se pueden dar formas alternativas de obtener estas medidas, bajo las restricciones del problema.

Um de cada vez (OAT)

Artigo principal: Método de fator único.

Uma das abordagens mais simples e comuns é alterar um fator de cada vez (OAT), para ver que efeito isso tem no resultado.[13]​[14]​[15]​ OAT geralmente envolve:.

A sensibilidade pode ser medida monitorizando alterações no resultado, por exemplo, utilizando derivadas parciais ou regressão linear. Esta parece ser uma abordagem lógica, uma vez que qualquer alteração observada no resultado será inequivocamente devida à única variável alterada. Além disso, alterando uma variável por vez, você pode manter todas as outras fixas em seus valores centrais ou de referência. Isto aumenta a comparabilidade dos resultados (todos os “efeitos” são calculados com referência ao mesmo ponto central no espaço) e minimiza as chances de travamentos de programas de computador, que são mais prováveis ​​quando vários fatores de entrada são alterados simultaneamente. OAT é frequentemente preferido pelos modeladores por razões práticas. Em caso de falha do modelo, o modelador sabe imediatamente qual fator de entrada é responsável pela falha.

Porém, apesar de sua simplicidade, esta abordagem não explora completamente o espaço de entrada, pois não leva em consideração a variação simultânea das variáveis ​​de entrada. Isto significa que a abordagem OAT não consegue detectar a presença de interações entre variáveis ​​de entrada e não é adequada para modelos não lineares[16].

A proporção do espaço de entrada deixado inexplorado por uma abordagem OAT cresce superexponencialmente com o número de entradas. Por exemplo, um espaço de parâmetros de 3 variáveis ​​explorado uma de cada vez é equivalente a tomar pontos ao longo dos eixos x, y e z de um cubo centrado na origem. O casco convexo que limita todos esses pontos é um octaedro que possui um volume de apenas 1/6 do espaço total de parâmetros. De forma mais geral, a casca convexa dos eixos de um hiperretângulo forma um hiperoctaedro que tem um volume de . Com 5 entradas, o espaço explorado já cai para menos de 1% do espaço total de parâmetros. E mesmo isso é uma estimativa exagerada, uma vez que o volume fora do eixo não está sendo amostrado. Compare com a amostragem aleatória do espaço, na qual o casco convexo se aproxima de todo o volume à medida que mais pontos são adicionados.[17] Embora em teoria a dispersão do OAT não seja um problema para modelos lineares, a verdadeira linearidade é rara na natureza.

Métodos locais baseados em derivadas

Os métodos baseados na derivada local consistem em calcular a derivada parcial da saída Y em relação a um fator de entrada X:.

onde o subscrito x indica que a derivada é obtida em um ponto fixo no espaço de entrada (daí o "local" no nome da classe). Modelagem adjunta[18][19]​ e diferenciação automatizada[20]​ são métodos desta classe. Assim como o OAT, os métodos locais não tentam explorar completamente o espaço de entrada, pois examinam pequenas perturbações, normalmente uma variável por vez. É possível selecionar amostras semelhantes de sensibilidade com base em derivadas utilizando Redes Neurais e realizar quantificação de incertezas.

Uma das vantagens dos métodos locais é que é possível fazer uma matriz para representar todas as sensibilidades de um sistema, fornecendo assim uma visão geral que não pode ser alcançada com métodos globais se houver um grande número de variáveis ​​de entrada e saída.[21]​.

Análise de regressão

A análise de regressão, no contexto da análise de sensibilidade, envolve ajustar uma regressão linear à resposta do modelo e usar coeficientes de regressão padronizados como medidas diretas de sensibilidade. A regressão deve ser linear em relação aos dados (ou seja, um hiperplano, sem termos quadráticos, etc., como regressores) porque, caso contrário, os coeficientes normalizados serão difíceis de interpretar. Portanto, este método é mais adequado quando a resposta do modelo é linear; A linearidade pode ser confirmada, por exemplo, se o coeficiente de determinação for grande. As vantagens da análise de regressão são a simplicidade e o baixo custo computacional.

Métodos baseados em variância

Artigo principal: Análise de sensibilidade baseada em variância.

Métodos baseados em variância[22]​ são uma classe de abordagens probabilísticas que quantificam incertezas de entrada e saída como distribuições de probabilidade e decompõem a variância de saída em partes atribuíveis a variáveis ​​de entrada e combinações de variáveis. A sensibilidade da saída a uma variável de entrada é medida pela quantidade de variação na saída causada por essa entrada. Elas podem ser expressas como expectativas condicionais, ou seja, considerando um modelo Y = f(X) para X = {X, X, ... X}, uma medida de sensibilidade da i-ésima variável X é dada por,.

onde "Var" e "E" denotam os operadores de variância e valor esperado respectivamente, e X denota o conjunto de todas as variáveis ​​de entrada, exceto X. Esta expressão mede essencialmente a contribuição de X sozinho para a incerteza (variância) em Y (média das variações em outras variáveis), e é conhecida como índice de sensibilidade de primeira ordem ou índice de efeito principal. É importante notar que não mede a incerteza causada pelas interações com outras variáveis. Outra medida, conhecida como índice de efeito total, fornece a variância total em Y causada por X e suas interações com qualquer uma das outras variáveis ​​de entrada. Ambas as quantidades são normalmente normalizadas dividindo-as por Var(Y).

Os métodos baseados em variância permitem uma exploração completa do espaço de entrada, levando em consideração interações e respostas não lineares. Por estas razões são amplamente utilizados quando é viável calculá-los. Normalmente, esse cálculo envolve o uso de métodos de Monte Carlo, mas como isso pode envolver milhares de execuções de modelos, outros métodos (como emuladores) podem ser usados ​​para reduzir a sobrecarga computacional quando necessário.

Análise variográfica de superfícies de resposta (VARS)

Uma das principais deficiências dos métodos de análise de sensibilidade acima é que nenhum deles considera a estrutura espacialmente ordenada da superfície de resposta/saída do modelo Y=f(X) no espaço de parâmetros. Usando os conceitos de variogramas direcionais e covariogramas, a análise de variograma de superfícies de resposta (VARS) aborda essa fraqueza reconhecendo uma estrutura de correlação espacialmente contínua nos valores de Y e, portanto, também nos valores de.

.[23][24]​.

Basicamente, quanto maior a variabilidade, mais heterogênea será a superfície de resposta ao longo de uma determinada direção/parâmetro, em uma escala de perturbação específica. Consequentemente, na estrutura VARS, os valores do variograma direcional para uma determinada escala de perturbação podem ser considerados como uma ilustração completa da informação de sensibilidade, ligando a análise do variograma aos conceitos de direção e escala de perturbação. Como resultado, a estrutura VARS leva em consideração o fato de que a sensibilidade é um conceito dependente de escala e, portanto, supera o problema de escala dos métodos tradicionais de análise de sensibilidade. e abordagens baseadas em variância e derivadas.

Se han desarrollado varios métodos para superar algunas de las limitaciones comentadas anteriormente, que de otro modo harían inviable la estimación de las medidas de sensibilidad (la mayoría de las veces debido a los gastos de cálculo). En general, estos métodos se centran en el cálculo eficiente de medidas de sensibilidad basadas en la varianza.

Emuladores

Emuladores (também conhecidos como metamodelos, modelos substitutos ou superfícies de resposta) são abordagens de modelagem de dados/aprendizado de máquina que envolvem a construção de uma função matemática relativamente simples, conhecida como emulador, que aproxima o comportamento de entrada/saída do próprio modelo. Em outras palavras, é o conceito de "modelar um modelo" (daí o nome "metamodelo"). A ideia é que embora os modelos computacionais possam ser uma série muito complexa de equações que podem levar muito tempo para serem resolvidas, eles sempre podem ser considerados como uma função de suas entradas Y = f(X). Ao executar o modelo em uma série de pontos no espaço de entrada, pode ser possível ajustar um emulador muito mais simples η(X), tal que η(X) ≈ f(X) dentro de uma margem de erro aceitável.[28] As medidas de sensibilidade podem então ser calculadas a partir do emulador (com Monte Carlo ou analiticamente), o que terá um custo computacional adicional insignificante. É importante ressaltar que o número de execuções do modelo necessárias para ajustar o emulador pode ser ordens de magnitude menor do que o número de execuções necessárias para estimar diretamente as medidas de sensibilidade do modelo [29].

Claramente, o ponto crucial de uma abordagem de emulador é encontrar um η (emulador) que seja uma aproximação suficientemente próxima do modelo f. Isso requer as seguintes etapas:

A amostragem de modelos muitas vezes pode ser feita com sequências de baixa discrepância, como a sequência de Sobol - devido ao matemático Ilya M. Sobol - ou amostragem de hipercubo latino, embora desenhos aleatórios também possam ser usados, com alguma perda de eficiência. A seleção do tipo de emulador e o treinamento estão intrinsecamente ligados, pois o método de treinamento dependerá da classe do emulador. Alguns tipos de emuladores que foram usados ​​com sucesso para análise de sensibilidade são:

O uso de um emulador introduz um problema de aprendizado de máquina, que pode ser difícil se a resposta do modelo for muito não linear. Em todos os casos, é útil verificar a precisão do emulador, por exemplo, por validação cruzada.

Representações de modelos de alta dimensão (HDMR)

Uma representação de modelo de alta dimensão (HDMR)[35]​[36]​ (o termo é devido a H. Rabitz[37]​) é essencialmente uma abordagem de emulador, que consiste em decompor a saída da função em uma combinação linear de termos de entrada e interações de dimensionalidade crescente. A abordagem HDMR aproveita o fato de que o modelo geralmente pode ser bem aproximado, negligenciando interações de ordem superior (segunda ou terceira ordem e superiores). Os termos da série truncada podem então ser aproximados, por exemplo, por polinômios ou splines (REFS) e a resposta pode ser expressa como a soma dos principais efeitos e interações até a ordem de truncamento. Desta perspectiva, os HDMRs podem ser vistos como emuladores que negligenciam interações de alta ordem; A vantagem é que eles são capazes de emular modelos com maior dimensionalidade do que emuladores de ordem completa.

Teste de sensibilidade de amplitude de Fourier (FAST)

O teste de sensibilidade de amplitude de Fourier (FAST) usa a série de Fourier para representar uma função multivariada (o modelo) no domínio da frequência, usando uma única variável de frequência. Portanto, as integrais necessárias para calcular os índices de sensibilidade tornam-se univariadas, o que representa economia computacional.

Outros

Métodos baseados na filtragem de Monte Carlo.[38] Estes também são baseados em amostragem e o objetivo aqui é identificar regiões no espaço dos fatores de entrada correspondentes a valores particulares (por exemplo, altos ou baixos) da saída.

Uma análise de sensibilidade de um estudo baseado em modelos pode ter como objetivo apoiar uma inferência e certificar a sua robustez, num contexto em que a inferência alimenta uma política ou um processo de tomada de decisão. Nestes casos, o próprio enquadramento da análise, o seu contexto institucional e as motivações do seu autor podem assumir grande importância, e uma análise de sensibilidade pura - com ênfase na incerteza paramétrica - pode ser considerada insuficiente. A ênfase no enquadramento pode derivar, entre outras coisas, da relevância do estudo político para diferentes grupos de interesse que são caracterizados por diferentes normas e valores e, portanto, por uma história diferente sobre “qual é o problema” e, acima de tudo, sobre “quem está contando a história”. Na maioria dos casos, o quadro inclui pressupostos mais ou menos implícitos, que podem ser políticos (por exemplo, que grupo precisa de ser protegido) ou técnicos (por exemplo, que variável pode ser tratada como uma constante).

Para ter devidamente em conta estas preocupações, os instrumentos AS foram ampliados para fornecer uma avaliação de todo o processo de geração de conhecimento e modelo. Esta abordagem foi chamada de “auditoria de sensibilidade”. É inspirado no NUSAP,[39]​ método utilizado para qualificar o valor da informação quantitativa com a geração de 'Pedigrees' de números. A auditoria de sensibilidade foi especialmente concebida para um contexto controverso, em que não só a natureza da evidência, mas também o grau de certeza e incerteza a ela associado, será objeto de interesses partidários.[40]​ A auditoria de sensibilidade é recomendada nas diretrizes da Comissão Europeia para avaliação de impacto,[41]​ bem como no relatório do Conselho Consultivo Científico das Academias Europeias.[42]​.

Contenido

Existe un gran número de enfoques para realizar un análisis de sensibilidad, muchos de los cuales se han desarrollado para abordar una o varias de las limitaciones comentadas anteriormente. También se distinguen por el tipo de medida de sensibilidad, ya sea basada en (por ejemplo) descomposiciones de varianza"), derivadas parciales o efectos elementales. En general, sin embargo, la mayoría de los procedimientos se ciñen al esquema siguiente:.

En algunos casos, este procedimiento se repetirá, por ejemplo en problemas de gran dimensión en los que el usuario tenga que descartar variables sin importancia antes de realizar un análisis de sensibilidad completo.

Los distintos tipos de "métodos básicos" (que se examinan más adelante) se distinguen por las diversas medidas de sensibilidad que se calculan. Estas categorías pueden solaparse de algún modo. Se pueden dar formas alternativas de obtener estas medidas, bajo las restricciones del problema.

Um de cada vez (OAT)

Artigo principal: Método de fator único.

Uma das abordagens mais simples e comuns é alterar um fator de cada vez (OAT), para ver que efeito isso tem no resultado.[13]​[14]​[15]​ OAT geralmente envolve:.

A sensibilidade pode ser medida monitorizando alterações no resultado, por exemplo, utilizando derivadas parciais ou regressão linear. Esta parece ser uma abordagem lógica, uma vez que qualquer alteração observada no resultado será inequivocamente devida à única variável alterada. Além disso, alterando uma variável por vez, você pode manter todas as outras fixas em seus valores centrais ou de referência. Isto aumenta a comparabilidade dos resultados (todos os “efeitos” são calculados com referência ao mesmo ponto central no espaço) e minimiza as chances de travamentos de programas de computador, que são mais prováveis ​​quando vários fatores de entrada são alterados simultaneamente. OAT é frequentemente preferido pelos modeladores por razões práticas. Em caso de falha do modelo, o modelador sabe imediatamente qual fator de entrada é responsável pela falha.

Porém, apesar de sua simplicidade, esta abordagem não explora completamente o espaço de entrada, pois não leva em consideração a variação simultânea das variáveis ​​de entrada. Isto significa que a abordagem OAT não consegue detectar a presença de interações entre variáveis ​​de entrada e não é adequada para modelos não lineares[16].

A proporção do espaço de entrada deixado inexplorado por uma abordagem OAT cresce superexponencialmente com o número de entradas. Por exemplo, um espaço de parâmetros de 3 variáveis ​​explorado uma de cada vez é equivalente a tomar pontos ao longo dos eixos x, y e z de um cubo centrado na origem. O casco convexo que limita todos esses pontos é um octaedro que possui um volume de apenas 1/6 do espaço total de parâmetros. De forma mais geral, a casca convexa dos eixos de um hiperretângulo forma um hiperoctaedro que tem um volume de . Com 5 entradas, o espaço explorado já cai para menos de 1% do espaço total de parâmetros. E mesmo isso é uma estimativa exagerada, uma vez que o volume fora do eixo não está sendo amostrado. Compare com a amostragem aleatória do espaço, na qual o casco convexo se aproxima de todo o volume à medida que mais pontos são adicionados.[17] Embora em teoria a dispersão do OAT não seja um problema para modelos lineares, a verdadeira linearidade é rara na natureza.

Métodos locais baseados em derivadas

Os métodos baseados na derivada local consistem em calcular a derivada parcial da saída Y em relação a um fator de entrada X:.

onde o subscrito x indica que a derivada é obtida em um ponto fixo no espaço de entrada (daí o "local" no nome da classe). Modelagem adjunta[18][19]​ e diferenciação automatizada[20]​ são métodos desta classe. Assim como o OAT, os métodos locais não tentam explorar completamente o espaço de entrada, pois examinam pequenas perturbações, normalmente uma variável por vez. É possível selecionar amostras semelhantes de sensibilidade com base em derivadas utilizando Redes Neurais e realizar quantificação de incertezas.

Uma das vantagens dos métodos locais é que é possível fazer uma matriz para representar todas as sensibilidades de um sistema, fornecendo assim uma visão geral que não pode ser alcançada com métodos globais se houver um grande número de variáveis ​​de entrada e saída.[21]​.

Análise de regressão

A análise de regressão, no contexto da análise de sensibilidade, envolve ajustar uma regressão linear à resposta do modelo e usar coeficientes de regressão padronizados como medidas diretas de sensibilidade. A regressão deve ser linear em relação aos dados (ou seja, um hiperplano, sem termos quadráticos, etc., como regressores) porque, caso contrário, os coeficientes normalizados serão difíceis de interpretar. Portanto, este método é mais adequado quando a resposta do modelo é linear; A linearidade pode ser confirmada, por exemplo, se o coeficiente de determinação for grande. As vantagens da análise de regressão são a simplicidade e o baixo custo computacional.

Métodos baseados em variância

Artigo principal: Análise de sensibilidade baseada em variância.

Métodos baseados em variância[22]​ são uma classe de abordagens probabilísticas que quantificam incertezas de entrada e saída como distribuições de probabilidade e decompõem a variância de saída em partes atribuíveis a variáveis ​​de entrada e combinações de variáveis. A sensibilidade da saída a uma variável de entrada é medida pela quantidade de variação na saída causada por essa entrada. Elas podem ser expressas como expectativas condicionais, ou seja, considerando um modelo Y = f(X) para X = {X, X, ... X}, uma medida de sensibilidade da i-ésima variável X é dada por,.

onde "Var" e "E" denotam os operadores de variância e valor esperado respectivamente, e X denota o conjunto de todas as variáveis ​​de entrada, exceto X. Esta expressão mede essencialmente a contribuição de X sozinho para a incerteza (variância) em Y (média das variações em outras variáveis), e é conhecida como índice de sensibilidade de primeira ordem ou índice de efeito principal. É importante notar que não mede a incerteza causada pelas interações com outras variáveis. Outra medida, conhecida como índice de efeito total, fornece a variância total em Y causada por X e suas interações com qualquer uma das outras variáveis ​​de entrada. Ambas as quantidades são normalmente normalizadas dividindo-as por Var(Y).

Os métodos baseados em variância permitem uma exploração completa do espaço de entrada, levando em consideração interações e respostas não lineares. Por estas razões são amplamente utilizados quando é viável calculá-los. Normalmente, esse cálculo envolve o uso de métodos de Monte Carlo, mas como isso pode envolver milhares de execuções de modelos, outros métodos (como emuladores) podem ser usados ​​para reduzir a sobrecarga computacional quando necessário.

Análise variográfica de superfícies de resposta (VARS)

Uma das principais deficiências dos métodos de análise de sensibilidade acima é que nenhum deles considera a estrutura espacialmente ordenada da superfície de resposta/saída do modelo Y=f(X) no espaço de parâmetros. Usando os conceitos de variogramas direcionais e covariogramas, a análise de variograma de superfícies de resposta (VARS) aborda essa fraqueza reconhecendo uma estrutura de correlação espacialmente contínua nos valores de Y e, portanto, também nos valores de.

.[23][24]​.

Basicamente, quanto maior a variabilidade, mais heterogênea será a superfície de resposta ao longo de uma determinada direção/parâmetro, em uma escala de perturbação específica. Consequentemente, na estrutura VARS, os valores do variograma direcional para uma determinada escala de perturbação podem ser considerados como uma ilustração completa da informação de sensibilidade, ligando a análise do variograma aos conceitos de direção e escala de perturbação. Como resultado, a estrutura VARS leva em consideração o fato de que a sensibilidade é um conceito dependente de escala e, portanto, supera o problema de escala dos métodos tradicionais de análise de sensibilidade. e abordagens baseadas em variância e derivadas.

Se han desarrollado varios métodos para superar algunas de las limitaciones comentadas anteriormente, que de otro modo harían inviable la estimación de las medidas de sensibilidad (la mayoría de las veces debido a los gastos de cálculo). En general, estos métodos se centran en el cálculo eficiente de medidas de sensibilidad basadas en la varianza.

Emuladores

Emuladores (também conhecidos como metamodelos, modelos substitutos ou superfícies de resposta) são abordagens de modelagem de dados/aprendizado de máquina que envolvem a construção de uma função matemática relativamente simples, conhecida como emulador, que aproxima o comportamento de entrada/saída do próprio modelo. Em outras palavras, é o conceito de "modelar um modelo" (daí o nome "metamodelo"). A ideia é que embora os modelos computacionais possam ser uma série muito complexa de equações que podem levar muito tempo para serem resolvidas, eles sempre podem ser considerados como uma função de suas entradas Y = f(X). Ao executar o modelo em uma série de pontos no espaço de entrada, pode ser possível ajustar um emulador muito mais simples η(X), tal que η(X) ≈ f(X) dentro de uma margem de erro aceitável.[28] As medidas de sensibilidade podem então ser calculadas a partir do emulador (com Monte Carlo ou analiticamente), o que terá um custo computacional adicional insignificante. É importante ressaltar que o número de execuções do modelo necessárias para ajustar o emulador pode ser ordens de magnitude menor do que o número de execuções necessárias para estimar diretamente as medidas de sensibilidade do modelo [29].

Claramente, o ponto crucial de uma abordagem de emulador é encontrar um η (emulador) que seja uma aproximação suficientemente próxima do modelo f. Isso requer as seguintes etapas:

A amostragem de modelos muitas vezes pode ser feita com sequências de baixa discrepância, como a sequência de Sobol - devido ao matemático Ilya M. Sobol - ou amostragem de hipercubo latino, embora desenhos aleatórios também possam ser usados, com alguma perda de eficiência. A seleção do tipo de emulador e o treinamento estão intrinsecamente ligados, pois o método de treinamento dependerá da classe do emulador. Alguns tipos de emuladores que foram usados ​​com sucesso para análise de sensibilidade são:

O uso de um emulador introduz um problema de aprendizado de máquina, que pode ser difícil se a resposta do modelo for muito não linear. Em todos os casos, é útil verificar a precisão do emulador, por exemplo, por validação cruzada.

Representações de modelos de alta dimensão (HDMR)

Uma representação de modelo de alta dimensão (HDMR)[35]​[36]​ (o termo é devido a H. Rabitz[37]​) é essencialmente uma abordagem de emulador, que consiste em decompor a saída da função em uma combinação linear de termos de entrada e interações de dimensionalidade crescente. A abordagem HDMR aproveita o fato de que o modelo geralmente pode ser bem aproximado, negligenciando interações de ordem superior (segunda ou terceira ordem e superiores). Os termos da série truncada podem então ser aproximados, por exemplo, por polinômios ou splines (REFS) e a resposta pode ser expressa como a soma dos principais efeitos e interações até a ordem de truncamento. Desta perspectiva, os HDMRs podem ser vistos como emuladores que negligenciam interações de alta ordem; A vantagem é que eles são capazes de emular modelos com maior dimensionalidade do que emuladores de ordem completa.

Teste de sensibilidade de amplitude de Fourier (FAST)

O teste de sensibilidade de amplitude de Fourier (FAST) usa a série de Fourier para representar uma função multivariada (o modelo) no domínio da frequência, usando uma única variável de frequência. Portanto, as integrais necessárias para calcular os índices de sensibilidade tornam-se univariadas, o que representa economia computacional.

Outros

Métodos baseados na filtragem de Monte Carlo.[38] Estes também são baseados em amostragem e o objetivo aqui é identificar regiões no espaço dos fatores de entrada correspondentes a valores particulares (por exemplo, altos ou baixos) da saída.

Uma análise de sensibilidade de um estudo baseado em modelos pode ter como objetivo apoiar uma inferência e certificar a sua robustez, num contexto em que a inferência alimenta uma política ou um processo de tomada de decisão. Nestes casos, o próprio enquadramento da análise, o seu contexto institucional e as motivações do seu autor podem assumir grande importância, e uma análise de sensibilidade pura - com ênfase na incerteza paramétrica - pode ser considerada insuficiente. A ênfase no enquadramento pode derivar, entre outras coisas, da relevância do estudo político para diferentes grupos de interesse que são caracterizados por diferentes normas e valores e, portanto, por uma história diferente sobre “qual é o problema” e, acima de tudo, sobre “quem está contando a história”. Na maioria dos casos, o quadro inclui pressupostos mais ou menos implícitos, que podem ser políticos (por exemplo, que grupo precisa de ser protegido) ou técnicos (por exemplo, que variável pode ser tratada como uma constante).

Para ter devidamente em conta estas preocupações, os instrumentos AS foram ampliados para fornecer uma avaliação de todo o processo de geração de conhecimento e modelo. Esta abordagem foi chamada de “auditoria de sensibilidade”. É inspirado no NUSAP,[39]​ método utilizado para qualificar o valor da informação quantitativa com a geração de 'Pedigrees' de números. A auditoria de sensibilidade foi especialmente concebida para um contexto controverso, em que não só a natureza da evidência, mas também o grau de certeza e incerteza a ela associado, será objeto de interesses partidários.[40]​ A auditoria de sensibilidade é recomendada nas diretrizes da Comissão Europeia para avaliação de impacto,[41]​ bem como no relatório do Conselho Consultivo Científico das Academias Europeias.[42]​.