В прикладной статистике, то метод Морриса для глобального анализа чувствительности представляет собой так называемый одностадийным-на-время метод (ОИТ), а это означает, что в каждом цикле только один входной параметр задается новое значение. Он облегчает глобальный анализ чувствительности, делая ряд локальных изменений r в разных точках x (1 → r) возможного диапазона входных значений.
Конечное распределение элементарных эффектов, связанных с i-м входным фактором, получается путем случайной выборки различных x из Ω и обозначается Fi
В оригинальной работе Морриса двумя предложенными мерами чувствительности были соответственно среднее значение μ и стандартное отклонение σ Fi. Однако выбор Морриса имеет недостаток, заключающийся в том, что если распределение Fi содержит отрицательные элементы, что происходит, когда модель немонотонна, при вычислении среднего некоторые эффекты могут компенсировать друг друга. Таким образом, мера μ сама по себе не является надежной для ранжирования факторов в порядке важности. В то же время необходимо учитывать значения μ и σ, поскольку фактор с элементарными эффектами разных знаков (которые компенсируют друг друга) будет иметь низкое значение μ, но значительное значение σ, что позволяет избежать недооценки факторов..
Если распределение Fi содержит отрицательные элементы, что происходит, когда модель немонотонна, при вычислении среднего некоторые эффекты могут компенсировать друг друга. Когда цель состоит в том, чтобы расположить факторы по степени важности, используя единую меру чувствительности, научный совет состоит в том, чтобы использовать μ ∗, который, используя абсолютное значение, позволяет избежать появления эффектов противоположных знаков.
В пересмотренном методе Морриса μ * используется для обнаружения факторов входа, оказывающих важное общее влияние на выход. σ используется для обнаружения факторов, участвующих во взаимодействии с другими факторами или влияющих на них нелинейно.
Метод начинается с выборки набора начальных значений в определенных диапазонах возможных значений для всех входных переменных и вычисления последующего результата модели. На втором этапе изменяются значения для одной переменной (все остальные входные данные остаются в своих начальных значениях) и вычисляется результирующее изменение результата модели по сравнению с первым запуском. Затем значения другой переменной изменяются (предыдущая переменная сохраняет свое измененное значение, а все остальные сохраняют свои начальные значения), и вычисляется результирующее изменение результата модели по сравнению со вторым прогоном. Это продолжается до тех пор, пока не будут изменены все входные переменные. Эта процедура повторяется r раз (где r обычно берется от 5 до 15), каждый раз с другим набором начальных значений, что приводит к количеству запусков r ( k + 1), где k - количество входных переменных.. Такое количество очень эффективно по сравнению с более сложными методами анализа чувствительности.
Анализ чувствительности метод широко используется для факторов экрана в моделях большой размерности является проект Моррис. Метод Морриса эффективно работает с моделями, содержащими сотни входных факторов, не полагаясь на строгие предположения о модели, такие как, например, аддитивность или монотонность отношений между входами и выходами модели. Метод Морриса прост для понимания и реализации, а его результаты легко интерпретируются. Кроме того, он экономичен в том смысле, что требует ряда оценок модели, линейных по количеству факторов модели. Метод можно рассматривать как глобальный, поскольку окончательная мера получается путем усреднения ряда локальных мер (элементарных эффектов), вычисленных в разных точках входного пространства.