Modélisation et lecture critique des données

Commencer par la question et les données

Modéliser commence par formuler une question concrète. Veut-on décrire ce qui s'est passé, prévoir une situation ou expliquer un mécanisme ? Ces trois tâches peuvent nécessiter des preuves différentes. Définis la population étudiée, les variables, les unités et la manière dont chaque observation a été obtenue. Un ensemble de nombres sans contexte peut permettre des opérations, mais pas des conclusions rigoureuses.

Les données d'un échantillon ne décrivent pas automatiquement toute la population. Si l'on étudie le temps de trajet des élèves en interrogeant seulement ceux qui arrivent tôt, la méthode de sélection peut exclure précisément les trajets les plus longs. Agrandir cet échantillon biaisé ne supprime pas le problème. Distingue aussi mesure et comptage : le nombre d'élèves est discret, tandis qu'un temps est continu, même si un appareil l'enregistre avec une résolution limitée. La collecte influence le sens des différences observées.

Revoir les fonctions et les unités des paramètres

Dans un modèle affine y=a+bx, a est la sortie prévue en x=0 et b la variation de sortie par unité d'entrée. L'unité de b est celle de y divisée par celle de x. Si C=200+15d décrit un coût en unités monétaires et une distance d en kilomètres, 200 représente un coût fixe et 15 un tarif par kilomètre. L'interprétation de x=0 n'est physique que si ce point appartient au contexte.

La proportionnalité directe est le cas particulier y=bx, avec a=0. Une droite qui ne passe pas par l'origine n'exprime pas une proportionnalité directe. En revanche, y=y₀rᵗ, pour des temps discrets régulièrement espacés et r>0, modélise une variation par facteur constant. Des différences approximativement constantes suggèrent un modèle affine ; des rapports approximativement constants suggèrent une exponentielle. Cette suggestion doit être testée et avoir un sens pour le phénomène. Une courte régularité numérique peut être compatible avec de nombreux modèles.

Construire et comparer des prévisions

Deux points d'abscisses distinctes déterminent une droite : b=(y₂−y₁)/(x₂−x₁), puis a=y₁−bx₁. Toutefois, les données mesurées se trouvent rarement toutes sur cette droite. On peut estimer les paramètres avec plusieurs points, par exemple par les moindres carrés : on choisit a et b pour minimiser la somme des carrés des résidus. Ici, l'objectif est de comprendre le critère, sans exiger sa démonstration complète.

Pour un point observé (xᵢ,yᵢ), la prévision est ŷᵢ et le résidu eᵢ=yᵢ−ŷᵢ. Un résidu positif indique une observation au-dessus de la prévision ; négatif, en dessous. Il a l'unité de y. Les carrés empêchent des erreurs opposées de se compenser dans la mesure globale, mais donnent un poids élevé aux grands écarts. Un ajustement avec une petite somme ne prouve pas un mécanisme causal et ne rend pas chaque erreur individuelle négligeable.

Le dessin des résidus raconte une histoire

Un graphe des résidus aide à déterminer si la forme du modèle convient. Si une droite prévoit systématiquement trop aux extrémités et pas assez au milieu, une courbure peut exister qu'elle ne décrit pas. Si la dispersion augmente avec l'entrée, une seule échelle d'erreur peut être insuffisante. Un point très éloigné mérite une vérification de la saisie, de l'instrument ou d'une condition différente ; il ne doit pas être effacé simplement pour améliorer le résultat.

Il est utile de séparer les données servant à l'ajustement de celles servant à tester les prévisions. Un modèle très flexible peut suivre chaque irrégularité de l'échantillon et mal prévoir en dehors. La précision doit s'évaluer avec des erreurs dans l'unité pertinente : une erreur de 2 minutes peut être faible pour un voyage de plusieurs heures et décisive pour une courte correspondance. Une mesure globale doit être accompagnée d'observations sur les régularités et le contexte.

La corrélation ne démontre pas la cause

La corrélation linéaire mesure l'intensité et le sens d'une association approximativement linéaire. Le coefficient r est sans dimension et se situe entre −1 et 1 lorsqu'il est défini ; des valeurs proches de ±1 indiquent un fort alignement linéaire. Si toutes les valeurs d'une variable sont égales, le coefficient usuel n'est pas défini. Une forte association non linéaire peut avoir un r proche de zéro.

Même une forte corrélation ne démontre pas que modifier x causera le changement prévu de y. Il peut exister une troisième variable, une causalité inverse ou une sélection des données. Par exemple, deux ventes peuvent augmenter simultanément lors des journées plus chaudes parce qu'elles dépendent toutes deux de la température. Pour étudier les effets causaux, il faut un protocole adapté, un contrôle des facteurs et des arguments dépassant un graphe. La répartition aléatoire dans une expérience aide, mais chaque conclusion conserve son domaine de validité.

Prévisions, frontières et honnêteté

Interpoler consiste à prévoir dans la plage observée ; extrapoler consiste à prévoir en dehors. La seconde opération exige généralement des hypothèses plus fortes, car la tendance peut changer. Un modèle de croissance exponentielle peut décrire une phase initiale puis échouer lorsque des limites de ressources apparaissent. Une droite de coût peut fonctionner entre 1 et 20 km puis échouer après un changement de tarif.

Pour communiquer un résultat, sépare les données, les choix de modèle, le calcul et la conclusion. Indique la plage observée et le degré d'incertitude effectivement évalué. N'invente pas un intervalle de confiance simplement parce qu'une prévision décimale existe. Précise les conditions qui pourraient invalider le modèle et les nouvelles données qui permettraient de le tester. Modéliser ne consiste pas à trouver une formule définitive de la réalité : c'est construire une relation vérifiable aidant à répondre à une question délimitée.

Exemples résolus, sans sauter d'étapes

Suis d'abord le raisonnement. Cache ensuite la résolution et essaie de la reconstruire avec tes propres mots.

À toi d'essayer maintenant

Il n'y a pas de chronomètre. Écris ce que tu sais, choisis une relation et justifie chaque étape. Les indices et les corrigés sont disponibles lorsque tu en as besoin.

Les erreurs à éviter

Un ajustement parfait garantit les prévisions futures.

Il peut décrire seulement les points observés ; les mécanismes et les conditions peuvent changer.

Une corrélation nulle signifie l'absence de toute relation.

Une forte relation non linéaire peut exister.

Davantage de données éliminent tout biais.

La collecte doit représenter la population ; répéter une sélection biaisée ne corrige pas la méthode.