Salidas del análisis de sensibilidad - Coeficiente de regresión estandarizado

Al terminar el análisis de incertidumbre y sensibilidad, puedes acceder a los resultados de sensibilidad desde la pantalla Simulación estableciendo el tipo de análisis en 1-Análisis de sensibilidad y el tipo de visualización en 1-Gráfico (SRC). La captura siguiente muestra las características principales del gráfico.

Controles del gráfico

El gráfico representa una salida cada vez.

Salida seleccionada

La opción elegida determina qué salida se representa. La lista contiene todas las salidas disponibles solicitadas en el análisis de incertidumbre.

Orden de entradas

Esta opción ayuda a ordenar las salidas más sensibles:

• 1-Automático: Orden predeterminado según el orden de generación de las entradas.
• 2-Importancia decreciente: Reordena las variables de diseño para mostrar primero las más importantes.
• 3-Importancia creciente: Reordena las variables de diseño para mostrar primero las menos importantes.

Informe de análisis de sensibilidad

Al terminar el análisis de incertidumbre y sensibilidad, puedes acceder al informe de sensibilidad desde la pantalla Simulación estableciendo el tipo de análisis en 1-Análisis de sensibilidad y el tipo de visualización en 6-Informe. El informe contiene estas secciones:

Variables de entrada: Detalles de todas las variables de diseño y sus curvas de distribución.

 

El informe muestra los datos de todas las variables de diseño y sus curvas de distribución (abajo), que se introdujeron en el motor UASA. Las curvas reales del análisis aparecen más abajo en Información del análisis. Si hubo suficientes simulaciones, los 2 perfiles deberían coincidir aproximadamente.

 

Ejemplo de informe de variable de entrada discreta:

 

Ejemplo de informe de variable de entrada continua con distribución normal:

Salidas (KPI): Detalles de todas las salidas analizadas.

 

La sección siguiente enumera todas las salidas analizadas. En el ejemplo se sigue la buena práctica de ejecutar un análisis independiente para cada KPI, por lo que solo se muestra una salida.

 

 

A continuación se incluyen estas secciones para cada salida.

Información del análisis: Resumen del análisis y detalles de las muestras de entrada y la incertidumbre de salida.

 

Las capturas siguientes muestran ejemplos de la sección de detalles de muestras de entrada.

 

Ejemplo de detalles de muestreo para una variable discreta:

Es la frecuencia de distribución simulada para la misma variable «Valor U de cubierta» mostrada arriba en Variables de entrada. La distribución es uniforme, como se solicitó.

 

Ejemplo de detalles de muestreo para una variable continua:

Es la frecuencia de distribución simulada para la misma variable «% ventana/muro» mostrada arriba en Variables de entrada. La distribución es casi «normal», como se solicitó.

 

La sección Incertidumbre de salida presenta los resultados de incertidumbre de todas las salidas solicitadas. Las estadísticas y gráficos correspondientes muestran la dispersión de las salidas debida a la variación de las entradas.

 

Resultados del análisis de sensibilidad: Interpretación de los resultados, gráficos y detalles estadísticos.

 

Los resultados SA se presentan en un histograma con el SRC de cada variable, ordenadas por importancia. La magnitud de cada SRC indica la influencia relativa de la entrada en la salida y el signo indica si la relación es directa o inversa.

 

 

Tras el histograma se ofrece una interpretación en texto legible. Resume los principales hallazgos, incluida la variable más influyente y las menos influyentes. Las variables se ordenan por importancia y un código de colores indica su relevancia: alta en verde, media en amarillo y baja en rojo.

 

 

También se proporciona el valor de R cuadrado ajustado general junto con los coeficientes de regresión, errores estándar y valores p de las variables.

 

Comprobar resultados de regresión

Antes de analizar los coeficientes de regresión estandarizados (SRC), comprueba las estadísticas para asegurarte de que el análisis de sensibilidad por regresión se ha realizado correctamente y los resultados son significativos:

• El valor general de R cuadrado ajustado , si supera 0.7 (idealmente 0.9), indica que la ecuación de regresión puede explicar la salida con alta precisión. Un R cuadrado ajustado menor que 0.7 (idealmente, menor que 0.4) indica que las variables seleccionadas aportan gran incertidumbre a la salida y la regresión no puede determinar resultados precisos. Puede ser necesario comprobar si deben añadirse variables o ajustarse mejor sus intervalos. Los valores bajos de R cuadrado solo son problemáticos si necesitas alta precisión; en muchos casos los valores medios o bajos de R² siguen siendo útiles. En modelos con correlaciones más débiles aún puedes identificar tendencias generales de variables estadísticamente significativas (valores p < 0.05) y extraer conclusiones sobre las relaciones directas o inversas entre entradas y salida.

• Los valores p indican la confianza (significación estadística) del SRC calculado para cada variable e idealmente deben ser inferiores a 0.05; en ese caso aparecen en verde en el gráfico de sensibilidad. Un valor p bajo es esencial para confiar en el SRC de cada variable. Sin embargo, puede haber resultados con R cuadrado ajustado medio o alto y valores p de todas las entradas importantes (SRC alto) <0.05, mientras algunas entradas poco importantes (SRC muy bajo) tienen valores p altos (>0.05). En esos casos puede aceptarse la interpretación del orden de importancia con una confianza razonable.

Si las estadísticas indican buena confianza en la correlación, puedes interpretar los resultados como se ha descrito. Si hay problemas con los resultados SA, algunas acciones recomendadas para mejorar la precisión son:

• Comprueba que las opciones de las variables discretas estén ordenadas por su efecto creciente o decreciente en la salida de interés.

• Comprueba si domina una variable y elimínala del análisis. Seguirá siendo la más importante y el análisis posterior se centrará en la segunda. Por ejemplo, si una variable es el tipo de sistema HVAC y el KPI es el consumo de energía de refrigeración, el sistema HVAC seleccionado suele tener un efecto importante y dominar los resultados. En una optimización, las mismas variables podrían producir grupos en el gráfico de Pareto, uno por cada sistema HVAC. Si domina una variable puede ayudar fijar su valor y repetir el estudio sin ella.

• Elimina variables poco importantes para reducir ruido innecesario.

• Aumentar el número de simulaciones puede mejorar los resultados, especialmente los valores p.

• Comprueba la dispersión de los valores y su distribución. Pueden ser muy estrechos o amplios si los límites máximo y mínimo son incorrectos o si la distribución de muestreo produce intervalos estrechos o muy amplios.