参数设置
因子数 k
筛选对象的输入因子数量（模型维度）
轨道数 r
OAT 轨道的数量。直接关系到 μ*·σ 的估计精度
网格级别 p
输入空间的离散化（偶数，Δ = p/(2(p−1))）
测试函数
作为筛选对象的代理模型
G* 函数系数 a
值越小因子影响越大（a→0 时支配因子）
计算结果
—
因子数 k
—
样本数 r·(k+1)
—
步长 Δ
—
最重要因子 μ*
—
重要因子数（μ* > 平均）
—
相互作用显著的因子数
—
OAT 轨道采样（μ-σ 平面）
各因子在 μ*（横轴）和 σ（纵轴）上的散布。越接近右上角表示「既重要又具有非线性·相互作用」的因子。轨道动态显示 r 条 OAT 路径的采样过程。
因子重要度排序 μ*
μ-σ 散布图（非线性·相互作用检测）
理论·主要公式
$$EE_i = \frac{y(x+\Delta e_i) - y(x)}{\Delta},\quad \mu_i^* = \frac{1}{r}\sum_{j=1}^{r}|EE_i^{(j)}|,\quad \sigma_i = \mathrm{std}(EE_i)$$
μ* 大的因子是重要因子，σ 相对于 μ* 大的因子表示非线性·相互作用较强。Δ = p/(2(p−1))，样本数 = r·(k+1)。
$$g(x)=\prod_{i=1}^{k}\frac{|4x_i-2|+a_i}{1+a_i},\qquad a_i = 0.5\,i$$
Sobol-g 函数（标准基准）。系数 a_i 越小，该因子对输出的贡献越大。