Was ist der Unterschied zwischen Sensitivitätsanalyse und Modellvalidierung?

Ich habe beide Wikipedia-Seiten zur Sensitivitätsanalyse und Modellvalidierung gelesen (hier nur lineare Regressionsvalidierung), aber es gelingt mir nicht, diese beiden Begriffe zu trennen.

Ich habe den Eindruck, dass der erste eher in der Wissenschaft und im Ingenieurwesen im Allgemeinen und der zweite in der "Datenwissenschaft" verwendet wird.

Eine Option, die ich sehe, besteht darin, die Beschreibungsebene dieser Begriffe zu ändern: Die Sensitivitätsanalyse ähnelt eher allgemeinen Begriffen zum Entwerfen eines Zweigs von Methoden auf hoher Ebene, und die Modellvalidierung kann spezifischer sein und in die Sensitivitätsanalyse einbezogen werden.

Jeder Gedanke?

Der Unterschied interessiert mich mehr als die Ähnlichkeiten zwischen diesen beiden Begriffen.

Dies ist ein bisschen zu einfach, aber die Modellvalidierung sagt im Allgemeinen aus, wie gut das aktuelle Modell zu den vorliegenden Daten passt.

Sensitivitätsanalysen zeigen, wie wahrscheinlich es ist, dass sich Ihre auf diesem Modell basierenden Ergebnisse aufgrund neuer Informationen oder Änderungen Ihrer Annahmen ändern.

Zum Beispiel könnte jemand ein Modell entwickeln, das darauf abzielt, die Auswirkungen einer Intervention auf ein Ergebnis zu bestimmen, und dieses Modell könnte anhand seiner gesammelten Daten gut validiert werden (dh es scheint sehr gut darin zu sein, die Reaktion vorherzusagen). Dieses Modell beruht jedoch auf einer Reihe von Annahmen - eine davon ist, dass alle Kovariaten berücksichtigt werden. Eine Sensitivitätsanalyse könnte Aufschluss darüber geben, um wie viel sich Ihre Modellergebnisse ändern würden, wenn diese neue "imaginäre" Variable mit bestimmten Eigenschaften vorhanden wäre.

Darüber hinaus kann die Sensitivitätsanalyse als Instrument zur Verbesserung der Modellvalidität angesehen werden, indem geeignete Werte (Kalibrierung) für die kritischsten Eingabeparameter ausgewählt werden. Durch die Verwendung der Sensitivitätsanalyse und die Definition von Eingabeparameterwerten erhöhen wir die Glaubwürdigkeit des vorliegenden Modells.