感度分析

このフォルダにある各手法の参考情報です。 詳細な理論は各手法の個別ページを参照してください。

手法別のまとめ

手法	わかること	強み	注意点	目安コスト
Spearman	単調な関係の強さ（順位相関）	高速、頑健、少データでも使いやすい	非単調（U字など）や交互作用は苦手	低
Ridge	線形近似での寄与の強さ（係数）	高速、解釈しやすい、多重共線性に比較的強い	非線形や強い交互作用は表現しにくい	低
MDI	学習中にどの特徴が分岐に効いたか	高速で直感的	高カーディナリティ特徴を過大評価しやすい	低〜中
RF-ANOVA	fANOVA による分散分解（RF の葉ボックス上の主効果重要度）	学習済みフォレスト上で厳密に分解でき、追加の評価パスが不要	交互作用を単一パラメータの主効果に帰属しない・木の葉分割に依存する	中
Permutation	特徴量をシャッフルしたときのホールドアウト MSE 増加（5 回平均）	予測寄与を直接測定でき、単回シャッフルより分散が小さい	評価パスが約 5 倍必要・相関特徴の影響を受ける	中〜高
SHAP	予測への寄与を Shapley 値で分解	理論的に一貫、局所/大域の解釈に強い	他手法より重い	中〜高
Sobol	分散分解による一次効果/全効果	交互作用まで含めた大域感度を評価できる	サロゲート品質とサンプル数の影響を受ける	中〜高
PDP (1D/2D)	目的関数の応答形状（曲面/断面）	「どう変わるか」を可視化しやすい	相関が強いと外挿的な見え方になる場合がある	低〜高（モデル依存）
ARD 重要度	パラメータごとの GP 長さスケール関連度	GP 長さスケールによる大域的・平滑さベース感度	GP-FITC 学習を伴う・分散分解ではない	中〜高（GP 学習を伴う）

どれを選ぶかの目安

まず最初に全体を把握したい

• 第一候補: Spearman
• 理由: 速く、前提が少なく、スクリーニングに向きます

線形寄与を素早く見たい

• 第一候補: Ridge
• 補助: Spearman
• 理由: Ridge は係数で方向と強さを把握しやすく、Spearman は単調関係を頑健に確認できます

モデル上の特徴重要度を安定して見たい

• 第一候補: Permutation（重要度推定の分散が小さい）
• 補助: RF-ANOVA（高速な確認用）、MDI（学習コストゼロの簡易確認）
• 理由: Permutation はシャッフルを 5 回繰り返して平均するため、少数サンプルや分散の大きいデータでも安定した結果が得られます。 速度を優先する場合は、追加の評価パスが不要な RF-ANOVA を選びます。

説明責任を重視したい（寄与を理論的に説明したい）

• 第一候補: SHAP
• 理由: Shapley 値ベースで説明可能性が高いです

交互作用まで含めた大域感度を見たい

• 第一候補: Sobol（特に ST と S の差を見る）
• 理由: 交互作用寄与を定量化できます

パラメータを動かしたときの形状を見たい

• 第一候補: PDP
• 理由: 1D/2D の応答形状を可視化でき、最適化の直感が得やすいです

学習済み GP サロゲートから追加計算なしで感度を得たい

• 第一候補: ARD 重要度
• 理由: サロゲート最適化で GP を学習済みなら、追加計算なしでパラメータごとの関連度を読み取れます

実務での使い分け

1. Spearman + Ridge で一次スクリーニング（候補を絞る）
2. RF-ANOVA で重要度を素早く確認し、安定性が重要なら Permutation を優先します（必要なら MDI も併記）
3. 上位パラメータを PDP で可視化
4. 交互作用が重要なら Sobol を追加
5. レポートや説明資料では SHAP を採用

判断時のチェックポイント

• データ数が少ない（目安 n < 50）: Spearman を優先し、重い手法は参考扱い
• 線形モデルで十分説明できる: Ridge を優先し、R² が低ければ非線形手法へ切り替え
• 強い非線形が疑われる: RF-ANOVA / SHAP / Sobol を優先
• 交互作用が疑われる: Sobol の ST-S を確認
• 実行時間制約が厳しい: Spearman + MDI を先に実行
• 手法間で結論が割れる: 相関特徴の影響や R²、サロゲート品質を再確認

補足

• 重要度は「因果効果」ではなく、基本的には観測データ上の関連や予測寄与を示す指標です。
• 1 つの手法だけで断定せず、2 手法以上で整合性を確認することをおすすめします。