1 感度解析の概要
感度解析は、入力値やモデル内部の設定が、出力にどの程度影響するかを調べる一連の手法である。数理モデル、計算機シミュレーション、統計モデルなどに幅広く用いられ、結果を左右する主要因の把握に役立つ。単に値の変化量を見るだけでなく、どの条件が支配的か、どの不確実性が無視できないかを整理する目的でも使われる。
1.1 目的と得られる知見
主な目的は、影響の大きい要因を特定し、モデルの頑健性を評価し、限られた計算資源を有効に配分することにある。解析を通じて、出力が特定の入力に強く依存するのか、複数の因子が組み合わさって効いているのかを確認できる。これにより、追加実験の優先順位づけや、モデル簡約の判断もしやすくなる。
1.2 基本概念（入力・出力・パラメータ・不確実性）
入力とは、外部から与える条件や説明変数を指し、出力はそれに応じて得られる結果である。パラメータは、モデルのふるまいを規定する内部定数で、観測値から推定される場合も多い。不確実性は、測定誤差、ばらつき、未観測の要因などに由来し、感度解析では単なる誤差ではなく、結果の変動要因として扱われる。
1.3 適用場面（工学・科学・統計・機械学習）
工学では構造設計や制御系の安定性評価に使われる。科学分野では気候、流体、化学反応、生態系などの複雑系で重要となる。統計では推定量や予測式の安定性確認に役立ち、機械学習では特徴量の寄与や予測の説明に結びつく。
2 感度の定義と指標
感度の定義は一つではなく、比較の観点によって複数の指標が存在する。ある変数をわずかに動かしたときの変化を見る方法もあれば、入力全体の分布に対する影響を評価する方法もある。したがって、指標の選択は目的に依存する。
2.1 局所感度と大域感度
局所感度は、特定の基準点の近傍での変化率を調べる考え方である。微小な摂動に対する応答を捉えやすい一方、非線形性が強い場合や条件域が広い場合には全体像を十分に表さないことがある。大域感度は、入力範囲全体を見渡して影響度を評価するため、広い条件下での挙動把握に向いている。
2.2 微分係数・弾力性・相対感度
微分係数は、出力が入力に対してどれだけ変わるかを表す基本的な尺度である。弾力性は、入力の相対変化に対する出力の相対変化を示し、単位の異なる変数間でも比較しやすい。相対感度は、基準値で正規化した指標で、変数のスケール差をならして解釈する際に有用である。
2.3 分散寄与（寄与率）の考え方
分散寄与は、出力のばらつきのうち、各入力やその組合せがどれだけ説明するかを評価する考え方である。入力の不確実性が結果の変動へ及ぼす比率を把握できるため、重要因子の順位づけに向く。とくに複数要因が同時に変動する状況で、影響の大きい部分を定量化しやすい。
2.4 感度指標の比較基準（解釈性・計算コスト・再現性）
指標を選ぶ際には、意味が直観的に説明できるか、計算負荷が現実的か、同じ条件で繰り返して安定した結果が得られるかを確認する必要がある。解釈しやすい指標は報告に適し、低コストの方法は大規模モデルで有利である。再現性は、推定のばらつきが小さいかどうかにも左右される。
3 解析手法の分類
感度解析の手法は、変化の見方と計算手順によって大きく分かれる。局所的に微分を使う方法、実験計画に基づく絞り込み、分散分解による寄与推定、乱数を用いた探索、そして近似モデルを介する方法などが代表的である。対象モデルの性質や利用可能な計算量に応じて選択される。
3.1 局所法（微分・テイラー展開）
局所法は、ある基準点の周りでモデルを線形または低次の多項式として近似し、入力変化の影響を調べる。解析式が得られる場合は手軽だが、強い非線形や広い範囲の評価には向きにくい。小さな変化に対する応答を把握する目的でよく使われる。
3.1.1 数値微分と自動微分
数値微分は、入力をわずかに変えて差分から傾きを推定する方法である。実装が容易な反面、刻み幅の選び方によって誤差が増えやすい。自動微分は、計算過程を分解して精密に導関数を求める手法で、機械学習や最適化分野でも広く利用される。
3.1.2 検証のための基準点設定
局所解析では、どの点を基準にするかが結果を大きく左右する。代表値、設計値、観測値の平均などが用いられるが、単一の点だけでは全体傾向を誤認することがある。そのため、複数の基準点で確認し、位置依存性を点検することが望ましい。
3.2 実験計画法（スクリーニング）
実験計画法は、少ない試行回数で有力な要因を見つけるための枠組みである。初期段階で変数の数が多いとき、影響の小さい候補を早期に外し、調査範囲を絞るのに役立つ。統計的な設計により、効率よく比較できる点が特徴である。
3.2.1 要因の絞り込み（スクリーニング設計）
スクリーニング設計では、全要因を詳細に調べるのではなく、支配的なものを抽出する。代表的な手法として、少数の実験点で主効果を確認する方法がある。これにより、後段の精密解析に回す変数を減らせる。
3.2.2 サロゲートの併用戦略
高価なシミュレーションが必要な場合、スクリーニング結果をもとに近似モデルを組み合わせると効率がよい。サロゲートを使えば、探索を粗く広く行い、その後に精査する二段構えが可能になる。計算コストの節約と情報収集の両立に向く。
3.3 分散ベース法（分解・寄与率推定）
分散ベース法は、出力の分散を入力要因ごとに分解し、寄与の大きさを評価する。単独効果だけでなく、複数変数の組合せが生む変動も扱えるため、非線形モデルで特に有効である。確率分布を前提とする点に特徴がある。
3.3.1 全効果と主効果
主効果は、ある変数単独が出力分散に与える影響である。全効果は、その変数が他の要因との相互作用を含めてどれだけ効いているかを示す。両者を比べると、相互作用の強さや、単独では見えにくい寄与を把握できる。
3.3.2 相互作用の扱い
相互作用とは、ある変数の影響が他の変数の値によって変わる現象である。分散分解では、こうした交差項を明示的に評価できる場合が多い。相互作用が大きいと、個々の主効果だけでは説明が不十分になり、複合的な解釈が必要になる。
3.4 モンテカルロ・サンプリング法
モンテカルロ法は、入力を確率的に多数生成し、その結果から出力の性質を推定する。理論式が複雑でも適用しやすく、不確実性の伝播を直感的に扱える。乱数に基づくため、試行数の増加とともに推定の安定性が高まる。
3.4.1 ランダムサンプリングと確率的評価
ランダムサンプリングでは、入力分布に従って多数の条件を生成し、モデルを繰り返し評価する。平均、分散、分位点などを通じて感度を把握できる。条件のばらつきが大きい場合でも、全体の応答傾向を見渡しやすい。
3.4.2 ブートストラップによる安定性確認
ブートストラップは、得られた標本を再抽出して指標のばらつきを調べる方法である。推定値の信頼性や、サンプリング不足による不安定さを確認できる。感度ランキングが再抽出ごとに大きく変わるなら、結論の慎重な扱いが必要になる。
3.5 応答曲面・サロゲートモデル法
応答曲面法やサロゲートモデル法では、元の高負荷モデルを近似する簡便な式を作り、その近似上で感度を調べる。これにより、試行回数を抑えながら広い範囲の影響を評価しやすくなる。近似の精度が結果の信頼性を左右する。
3.5.1 回帰モデルと近似の学習
回帰モデルは、入力と出力の関係を学習して、滑らかな近似式を構成する。線形回帰、多項式回帰、ガウス過程などが利用される。適切に学習できれば、探索と感度評価を高速に行える。
3.5.2 サロゲート誤差の影響評価
近似モデルには誤差が伴うため、元モデルとの差を確認する必要がある。誤差が大きいと、感度の順位や寄与率が歪むおそれがある。検証用データで性能を点検し、近似の限界を明示することが重要である。
4 実務プロセスと注意点
実務では、単に計算を行うだけでなく、前提条件の設定と結果解釈が重要になる。入力分布、変数範囲、尺度変換、試行回数などの決定が、最終的な結論に直結する。解析を再現可能にしつつ、目的に応じた現実的な手順を組む必要がある。
4.1 モデル化と入力分布の設計
まず、何を入力とし、どの変数を固定するかを明確にする必要がある。入力分布は、観測データ、専門知識、仮定のいずれかに基づいて定められる。分布の選び方が不適切だと、感度評価そのものが実態からずれる。
4.2 パラメータレンジ・スケーリングの決め方
探索範囲は、現実的に起こりうる値域に合わせて設定する。スケーリングは、単位の違う変数を比較可能にするために重要である。範囲が狭すぎると影響を見逃し、広すぎると非現実的な挙動を混入させる可能性がある。
4.3 計算資源とサンプリング数の見積もり
必要な試行回数は、モデルの複雑さと求める精度で変わる。計算が重い場合は、少数の評価で情報を最大化する工夫が求められる。予算が限られるときは、段階的にサンプリングを増やし、途中で収束性を確認する方法が有効である。
4.4 結果の解釈（過学習・非線形性・閾値）
結果を読む際には、モデルが訓練データに過度適合していないかを点検する必要がある。非線形性が強い場合、平均的な感度だけでは挙動を取りこぼすことがある。閾値や転換点が存在するなら、わずかな変化で出力が急変する領域を別に扱うべきである。
4.5 可視化と報告（ランキング・感度プロファイル・信頼区間）
感度結果は、順位表、散布図、曲線図などで示すと理解しやすい。感度プロファイルは、入力の変化に応じた応答を可視化する手段である。信頼区間を併記すれば、推定の不確かさを含めて報告できる。
5 よくある応用例
感度解析は、単なる理論的手続きではなく、設計や予測の現場で広く使われる。対象分野ごとに着目点は異なるが、重要因子の把握と不確実性の整理という基本目的は共通している。以下では代表的な活用例を挙げる。
5.1 物理モデルのキャリブレーションと重要因子
物理モデルでは、観測に合わせてパラメータを調整する際に、どの係数が結果へ強く効くかを確認する。これにより、推定対象を絞り込み、識別しにくい要因を見極められる。実験条件の追加や測定精度向上の優先順位づけにも役立つ。
5.2 生態・環境モデルの不確実性伝播
生態系や環境のモデルでは、初期条件や外部要因の不確実性が長期予測に大きく影響する。感度解析によって、どの仮定が結果を左右するかを把握できる。政策評価やシナリオ比較の前提整理にも用いられる。
5.3 設計最適化における頑健性評価
最適化で得られた設計案が、入力のわずかな変動で性能低下しないかを確かめる目的で使われる。最良値だけでなく、変動に対する安定性を重視することで、実用上の信頼性を高められる。製品設計や制御パラメータの決定で重要である。
5.4 データ駆動モデルでの特徴量重要度の検討
機械学習では、予測に寄与する特徴量を調べるために感度的な分析が行われる。入力の変化が出力へ与える影響をみることで、モデルの説明性が向上する。前処理や変数選択の見直しにもつながる。
6 関連概念との関係
感度解析は単独で完結する手法ではなく、不確実性評価、最適化、説明可能性など周辺分野と密接に関係する。目的によっては、これらの概念を組み合わせて用いるほうが有効である。境界を理解すると、適切な方法選択がしやすくなる。
6.1 不確実性解析（UQ）との違いと統合
不確実性解析は、入力やモデルの不確実さが出力にどう伝播するかを扱う広い枠組みである。感度解析は、その中で影響の大きい要素を特定する役割を担うことが多い。両者を統合すると、ばらつきの大きさと原因の両面を同時に把握できる。
6.2 最適化・信頼性工学との接点
最適化では、目的関数や制約に対してどの変数が効くかを知ることが重要である。信頼性工学では、故障や性能低下に結びつく因子の優先順位づけに利用される。感度解析は、重要領域の探索や安全余裕の評価を支える。
6.3 機械学習における説明可能性（XAI）との位置づけ
説明可能性の技術では、予測結果の根拠を人間が理解しやすい形で示すことが求められる。感度解析は、その一部として、入力変化に対する出力応答を示す役割を果たす。局所説明と大域的傾向のどちらを重視するかで、使い方が変わる。
7 実装とツールの考え方
実際の運用では、理論的な選択だけでなく、再現性と計算効率を保つ仕組みが必要である。データの整備、乱数管理、並列化の設計などが結果の品質に影響する。ツールは目的に合わせて選ぶことが望ましい。
7.1 再現可能性の確保（設定・乱数・ログ）
同じ条件で同じ結果を再現できるよう、設定値や乱数種を記録することが重要である。計算手順やソフトウェアの版も残しておくと、後日の検証が容易になる。ログを整備しておけば、途中の失敗や分岐も追跡しやすい。
7.2 データ前処理と欠損・外れ値対策
欠損値や外れ値は、感度推定を不安定にする要因となる。前処理で補完や除外を行う際は、結果への影響を確認する必要がある。変換や標準化も含め、処理方針を明示しておくことが望ましい。
7.3 大規模計算への工夫（並列化・効率化）
試行回数が多い場合は、計算を分担して並列実行することで時間を短縮できる。近似モデルの導入や、段階的な探索を組み合わせると、負荷を抑えやすい。必要に応じて、重要度の低い変数を先に除く方法も有効である。
8 よくある誤解と落とし穴
感度解析は便利だが、使い方を誤ると結論を取り違えやすい。とくに、指標の意味、入力の尺度、相互作用の有無、数値精度の問題は見落とされやすい。方法の違いを理解しないまま比較するのは避けるべきである。
8.1 感度の定義違いによる比較不能
局所指標と大域指標は、見ている対象が異なるため、数値を単純比較してはいけない。評価条件や分布が違えば、同じ変数でも順位が変わる。定義をそろえずに結論を並べると、解釈が混乱しやすい。
8.2 スケーリング不足による誤った結論
変数の単位や範囲が異なると、見かけの影響度が歪むことがある。正規化を行わないと、値の大きい変数が不当に目立つ場合がある。比較の前に尺度を整えることが、妥当な判断につながる。
8.3 相互作用を無視した評価の偏り
複数の入力が組み合わさって効く場合、単独変数だけを見ても全体像はつかみにくい。相互作用を考えないと、重要な組合せを見逃す可能性がある。とくに非線形モデルでは、この問題が顕著になりやすい。
8.4 数値誤差・打切り誤差の見落とし
計算途中の丸め誤差や反復の打切りは、微小な差の比較に影響する。とくに微分に基づく方法では、刻み幅と数値精度の兼ね合いが重要である。誤差源を把握せずに高精度を主張するのは適切でない。
9 参考となる発展的話題
感度解析は、静的で低次元のモデルだけでなく、より複雑な枠組みにも拡張されている。時間変化を伴う系や、多数の変数を含む問題では、別の工夫が必要になる。近年はベイズ的な考え方との統合も進んでいる。
9.1 時系列・動的モデルへの拡張
時間依存のモデルでは、ある時点での入力が将来の出力にどう影響するかを調べる必要がある。静的な一回限りの評価では捉えにくいため、軌道全体での感度を考える。制御や予測の分野で重要性が高い。
9.2 高次元問題での次元削減
変数が非常に多い場合、すべてを個別に調べるのは困難である。次元削減により、主要な変動方向や代表変数を抽出すると、解析が扱いやすくなる。これにより、探索空間を圧縮しながら本質的な影響を追える。
9.3 ベイズ的感度解析の考え方
ベイズ的な枠組みでは、パラメータやモデルの不確実さを確率として表現する。事前情報と観測を組み合わせることで、感度の推定に不確かさを反映しやすい。推定結果に対する信念の更新を含めて扱える点が特徴である。