1. 课程导入与问题界定

在工程与科学计算中，我们几乎不会面对一个“干净”的模型。水文模型里的渗透系数、结构有限元模型里的弹性模量、化工反应器模型里的活化能、乃至机器学习代理模型里的超参数，都带有不确定性。这些输入的不确定性会沿着模型传递，最终让输出——洪峰流量、最大应力、反应转化率、预测误差——也变成一个分布，而不是一个确定的数。敏感性分析要回答的核心问题就是：在输出不确定性的总方差中，各个输入各自贡献了多少？

局部敏感性分析（如在某点求偏导、做单因素±10%扰动）回答的是“在当前工作点附近，输入变化一点点会怎样”。它计算便宜、解释直观，但有两个致命局限：其一，它只在局部有效，而真实输入往往在较大范围内变动；其二，它无法捕捉输入之间的交互作用——当两个参数同时变化时产生的效应，可能远大于它们各自单独变化之和。Sobol方法正是为突破这两点而设计的全局、基于方差分解的敏感性分析框架。

核心思想：把输出方差“分账”

Sobol方法把模型写成 Y = f(X₁, X₂, …, X_d)，其中各输入 Xᵢ 是相互独立的随机变量，各自服从给定的分布（均匀、正态、对数正态等）。在此前提下，输出方差 Var(Y) 可以严格分解为：

Var(Y) = Σᵢ Vᵢ + Σᵢ<ⱼ Vᵢⱼ + … + V₁₂…d
Vᵢ    = Var( E[Y | Xᵢ] )          —— 一阶（主）效应
Vᵢⱼ   = Var( E[Y | Xᵢ, Xⱼ] ) − Vᵢ − Vⱼ   —— 二阶交互效应
Sᵢ    = Vᵢ / Var(Y)               —— 一阶敏感性指数
Sᵀᵢ   = E[ Var(Y | X₋ᵢ) ] / Var(Y) —— 总效应指数

这里 E[Y | Xᵢ] 的含义是：固定 Xᵢ 取某个值，让其余所有输入在其分布上自由变动，得到的条件期望；再让 Xᵢ 遍历其分布，这个条件期望的方差就是 Vᵢ。直观地说，Sᵢ 衡量“只把 Xᵢ 的不确定性消除，输出方差能减少的比例”；Sᵀᵢ 衡量“把 Xᵢ 连同它参与的所有交互全部消除，输出方差能减少的比例”。两者之差 Sᵀᵢ − Sᵢ 就是该输入参与交互作用的程度，这是Sobol方法最有诊断价值的输出之一。

从“是什么”到“怎么用”：本课程的学习路径

理解公式只是起点。真正把Sobol方法用起来，需要打通四个环节。第一是问题界定：明确输出量是什么、输入变量有哪些、每个输入的分布如何设定、变量之间是否满足独立性假设。这一步做错，后面所有指数都会失真。第二是采样设计：Sobol估计依赖特定的样本矩阵结构（如Saltelli采样），样本量 N×(2d+2) 随维数线性增长，需要在精度与计算成本之间权衡。第三是指数估计：用Monte Carlo或拟Monte Carlo方法估计 Sᵢ 与 Sᵀᵢ，并给出置信区间。第四是结果解读与决策：识别关键参数、发现交互结构、指导参数率定优先级或实验设计。

需要特别提醒的是独立性假设。经典Sobol分解要求输入相互独立；若参数间存在相关性（例如两个几何尺寸受同一工艺约束），方差分解不再唯一，需要改用基于Shapley值或条件分解的扩展方法。课程后续会专门讨论这一边界条件。

本课程共30节，将从方差分解的数学基础出发，依次覆盖Saltelli采样、一阶与总效应估计、收敛性诊断、相关性输入的处理、代理模型加速，以及在水文、结构、化工等场景中的完整案例。第1节的任务不是记住所有公式，而是建立一张“问题地图”：知道Sobol方法解决什么问题、不解决什么问题、输入输出分别是什么、结果长什么样。带着这张地图进入后续学习，每一个技术细节才能找到自己的位置。