如何在蒙特卡洛模拟中划分各参数的不确定性贡献？

问题背景 #

假设存在一个含三个参数的函数，每个参数服从正态分布（可扩展到其他分布），函数形式为：

f(x,y,z) = rnorm(mean_x, sd_x) * rnorm(mean_y, sd_y) * rnorm(mean_z, sd_z)

已通过蒙特卡洛模拟量化总不确定性，现在希望通过计算而非分析方法，确定各参数对总不确定性的贡献占比，提出的方法如下：

• 将完整蒙特卡洛模拟的0.05-0.95分位数范围定义为总不确定性（100%模型不确定性）
• 固定单个参数为其均值，开展新模拟，例如：

  f(x,y,z) = mean_x * rnorm(mean_y, sd_y) * rnorm(mean_z, sd_z)
  

• 用总不确定性范围与该模拟的0.05-0.95分位数范围的差值，作为该参数的不确定性贡献
• 对其余参数重复上述步骤

已知该方法忽略了参数间的交互作用，因实际问题复杂无法用分析方法，询问该方法是否可行。

可行性分析与结论 #

核心结论：方法可行，适合特定场景 #

你的方法本质是单因素控制变量法，属于敏感性分析的范畴，在以下场景中完全实用：

1. 当分析方法（比如方差分解、泰勒展开）因模型复杂度无法落地时，这种基于蒙特卡洛的替代方案直观易实现，不需要复杂的统计推导
2. 若你只需要快速识别主导不确定性来源，或者参数间交互作用对总不确定性的影响极小，该方法能给出足够有参考价值的结果
3. 操作逻辑简单，可直接复用已有的蒙特卡洛模拟框架，不需要额外开发复杂工具

需要注意的局限性 #

虽然可行，但要明确其边界：

• 你已经注意到的交互作用遗漏问题：比如在乘积型函数中，参数的不确定性会通过乘积产生交叉影响，固定单个参数后减少的不确定性，不等于该参数独立贡献的部分
• 分位数指标的不稳定：用0.05-0.95分位数的差值衡量不确定性，容易受模拟样本量、极端值的影响，结果波动可能较大；相比之下，方差、标准差这类统计量更稳定，也更便于后续的贡献占比计算
• 贡献占比的逻辑偏差：直接用差值占总不确定性的比例，可能出现各参数贡献之和不等于100%的情况，这是因为交互作用被遗漏，加上分位数本身的非线性特性导致的

优化建议 #

如果需要更精准的结果，可以做以下调整：

• 替换不确定性衡量指标：用方差替代分位数差值，方差的可分解性更强，结果更稳定
• 补充交互作用估算：可以增加双参数固定的模拟（同时固定两个参数为均值），通过「总不确定性 - 单参数固定后的不确定性 - 双参数固定后的不确定性」，反向估算两个参数间的交互贡献

内容的提问来源于stack exchange，提问作者G. Rocher