区分随机输入与未知参数
- 运行中的随机扰动和因为资料不足而不确定的参数，应分别建模。分布形状、范围和变量之间的关联需要依据，不能方便起见一律使用独立均匀分布。对于没有证据的输入，应通过情景比较说明影响。
批量运行如何组织
- 记录种子、配置标识、模型版本与退出状态。方案对比尽量使用可对应的条件，并检查样本是否独立。将失败运行纳入统计规则；如果直接删除异常样本，平均值和成功率都可能产生偏差。
怎样判断样本是否够用
- 观察均值、分位数与目标事件频率是否趋于稳定，并给出相应区间估计。罕见事件可能需要远多于常规指标的样本。预算用尽仍不能支持结论时，应明确样本不足，而不是把未观察到事件写成不会发生。
交付应包含什么
- 保留原始批次记录、统计脚本、过滤规则与图表生成方式。报告同时展示样本数、异常数、指标定义和适用条件。项目组应能追溯任意一个汇总数字到对应运行，而非只收到一张平均曲线。