Traitement et analyse de séries chronologiques continues de ...
Traitement et analyse de séries chronologiques continues de ... Traitement et analyse de séries chronologiques continues de ...
Partie 2 – Chapitre 5 : Les méthodes d’évaluation des incertitudes Le principe de la méthode bayésienne pour l’analyse des incertitudes d’un modèle paramétrique est illustré Figure 5.1. La mise en œuvre de l’inférence bayésienne nécessite donc la définition des éléments suivants : - La distribution a priori des paramètres. - La fonction de vraisemblance. - Une méthode pour échantillonner la distribution des paramètres a posteriori suivant la formule de Bayes et Price (1763). Ces trois points sont discutés dans les paragraphes suivants, ainsi que la méthode utilisée pour l’estimation des intervalles de prédiction. Apprentissage Connaissance a priori f pri,p1 Modèle Connaissance a posteriori f post,p1 Modèle p 1 p 1 X f pri,p2 p 2 … Inférence bayésienne f pri,pn f pri,θ f post,p2 f post,pn p 2 … Y , f(X,θ opt ) Temps IC Par IC Tot p n p n f post,θ f , X, | Y L Y | , X, f ( , ) post Echantillonnage de f post pri Figure 5.1. Représentation schématique du principe de la méthode bayésienne pour l’analyse des incertitudes d’un modèle paramétrique ; les densités de probabilité marginales a priori (f pri ) et a posteriori (f post ) des n paramètres du modèle sont représentées ; en rouge sont indiqués les éléments à définir pour la mise en œuvre de l’inférence bayésienne 5.3.2 Choix de la distribution a priori La plupart du temps, faute de calages antérieurs, une distribution a priori non informative est considérée, sur la base de données et d’études antérieures, l’état de l’art dans le domaine d’étude considéré et l’expérience du modélisateur (Reichert 2009, p.196). Ce dernier définit alors seulement les valeurs minimum et maximum que peut prendre chacun des paramètres. Une distribution uniforme entre ces bornes est généralement considérée. Le choix de telles distributions n’est pas problématique, dans la mesure où la validité de l’hypothèse formulée peut être vérifiée a posteriori par l’analyse des résultats obtenus (voir chapitre 6). 66
Partie 2 – Chapitre 5 : Les méthodes d’évaluation des incertitudes Une autre possibilité suggérée par Reichert (2009) ou Vrugt (2010, communication personnelle) est d’effectuer au préalable un calage simple par la maximisation numérique de la vraisemblance, au moyen d’un algorithme de calage global adapté (type SCE-UA) (cf. paragraphe 4.2.2.2). La distribution a priori peut ensuite être approximée par une distribution multi-normale à l’optimum (Gelman et al. 1995; Reichert 2009). L’application de cette méthode est cependant à considérer avec précaution, du fait de la possibilité que la valeur du jeu optimal diffère suivant les méthodes de calage utilisées (Vrugt et al. 2009). 5.3.3 Choix de la vraisemblance L’hypothèse la plus simple sur les caractéristiques des résidus est celle adoptée dans la méthode des Moindres Carrés Ordinaires (cf. paragraphe 5.2.1). La signification de cette hypothèse a déjà été discutée. Elle est d’autant moins probable que le modèle est complexe et comporte une part déterministe non modélisée. L’adoption d’un modèle d’erreur plus complexe est dans la majorité des cas nécessaire, afin de prendre en compte les caractéristiques des résidus mises en évidence dans la littérature (Xu 2001; Engeland et al. 2005; Yang et al. 2007; Beven 2009; Schoups et Vrugt 2010a; Laloy et al. 2010) : - L’hétéroscédasticité des résidus, c’est-à-dire la variance des résidus obtenus pour les grandes valeurs simulées est systématiquement plus élevée que pour les faibles valeurs. - L’auto-corrélation dans les séries de résidus. - La présence d’un biais dans les résidus ; les résidus ne sont pas nuls en moyenne. - Les effets de Kurtosis et d’asymétrie : par rapport à l’hypothèse de normalité, la forme de densité de probabilité plus resserrée vers les faibles valeurs avec des queues de distribution plus larges et une éventuelle dissymétrie par rapport à la valeur moyenne des résidus. Le Tableau 5.1 présente les formes de vraisemblance pour quelques exemples d’hypothèses sur les caractéristiques des résidus. Pour une démonstration de l’expression des différentes formes, nous renvoyons aux références données dans le Tableau. 67
- Page 45 and 46: Partie 1 - Chapitre 2 : Approches d
- Page 47 and 48: Partie 1 - Chapitre 2 : Approches d
- Page 49 and 50: Partie 1 - Chapitre 2 : Approches d
- Page 51 and 52: Partie 1 - Chapitre 2 : Approches d
- Page 53 and 54: Partie 1 - Chapitre 2 : Approches d
- Page 55 and 56: Partie 1 - Chapitre 2 : Approches d
- Page 57: Partie 1 - Chapitre 2 : Approches d
- Page 60 and 61: Partie 1 - Chapitre 3 : Choix des a
- Page 62 and 63: Partie 1 - Chapitre 3 : Choix des a
- Page 65: Partie 2 Test des modèles et incer
- Page 68 and 69: Partie 2 - Test des modèles et inc
- Page 70 and 71: Partie 2 - Chapitre 4 : Le concept
- Page 72 and 73: Partie 2 - Chapitre 4 : Le concept
- Page 74 and 75: Partie 2 - Chapitre 4 : Le concept
- Page 76 and 77: Partie 2 - Chapitre 4 : Le concept
- Page 78 and 79: Partie 2 - Chapitre 4 : Le concept
- Page 80 and 81: Partie 2 - Chapitre 4 : Le concept
- Page 83 and 84: Partie 2 - Chapitre 5 : Les méthod
- Page 85 and 86: Partie 2 - Chapitre 5 : Les méthod
- Page 87 and 88: Partie 2 - Chapitre 5 : Les méthod
- Page 89 and 90: Partie 2 - Chapitre 5 : Les méthod
- Page 91 and 92: Partie 2 - Chapitre 5 : Les méthod
- Page 93: Partie 2 - Chapitre 5 : Les méthod
- Page 97 and 98: Partie 2 - Chapitre 5 : Les méthod
- Page 99 and 100: Partie 2 - Chapitre 5 : Les méthod
- Page 101 and 102: Partie 2 - Chapitre 5 : Les méthod
- Page 103 and 104: Partie 2 - Chapitre 5 : Les méthod
- Page 105 and 106: Partie 2 - Chapitre 5 : Les méthod
- Page 107 and 108: Partie 2 - Chapitre 5 : Les méthod
- Page 109 and 110: Partie 2 - Chapitre 5 : Les méthod
- Page 111 and 112: Partie 2 - Chapitre 5 : Les méthod
- Page 113 and 114: Partie 2 - Chapitre 5 : Les méthod
- Page 115 and 116: Partie 2 - Chapitre 5 : Les méthod
- Page 117 and 118: Partie 2 - Chapitre 6 : Test des mo
- Page 119 and 120: Partie 2 - Chapitre 6 : Test des mo
- Page 121 and 122: Partie 2 - Chapitre 6 : Test des mo
- Page 123 and 124: Partie 2 - Chapitre 6 : Test des mo
- Page 125 and 126: Partie 2 - Chapitre 6 : Test des mo
- Page 127: Partie 2 - Chapitre 6 : Test des mo
- Page 131: Partie 3 Construction de la base de
- Page 135 and 136: Partie 3 - Chapitre 7 : Présentati
- Page 137 and 138: Partie 3 - Chapitre 7 : Présentati
- Page 139 and 140: Partie 3 - Chapitre 7 : Présentati
- Page 141 and 142: Partie 3 - Chapitre 7 : Présentati
- Page 143 and 144: Partie 3 - Chapitre 8 : Traitement
Partie 2 – Chapitre 5 : Les métho<strong>de</strong>s d’évaluation <strong>de</strong>s incertitu<strong>de</strong>s<br />
Une autre possibilité suggérée par Reichert (2009) ou Vrugt (2010, communication<br />
personnelle) est d’effectuer au préalable un calage simple par la maximisation numérique <strong>de</strong> la<br />
vraisemblance, au moyen d’un algorithme <strong>de</strong> calage global adapté (type SCE-UA)<br />
(cf. paragraphe 4.2.2.2). La distribution a priori peut ensuite être approximée par une<br />
distribution multi-normale à l’optimum (Gelman <strong>et</strong> al. 1995; Reichert 2009). L’application <strong>de</strong><br />
c<strong>et</strong>te métho<strong>de</strong> est cependant à considérer avec précaution, du fait <strong>de</strong> la possibilité que la valeur<br />
du jeu optimal diffère suivant les métho<strong>de</strong>s <strong>de</strong> calage utilisées (Vrugt <strong>et</strong> al. 2009).<br />
5.3.3 Choix <strong>de</strong> la vraisemblance<br />
L’hypothèse la plus simple sur les caractéristiques <strong>de</strong>s résidus est celle adoptée dans la<br />
métho<strong>de</strong> <strong>de</strong>s Moindres Carrés Ordinaires (cf. paragraphe 5.2.1). La signification <strong>de</strong> c<strong>et</strong>te<br />
hypothèse a déjà été discutée. Elle est d’autant moins probable que le modèle est complexe <strong>et</strong><br />
comporte une part déterministe non modélisée. L’adoption d’un modèle d’erreur plus complexe<br />
est dans la majorité <strong>de</strong>s cas nécessaire, afin <strong>de</strong> prendre en compte les caractéristiques <strong>de</strong>s<br />
résidus mises en évi<strong>de</strong>nce dans la littérature (Xu 2001; Engeland <strong>et</strong> al. 2005; Yang <strong>et</strong> al. 2007;<br />
Beven 2009; Schoups <strong>et</strong> Vrugt 2010a; Laloy <strong>et</strong> al. 2010) :<br />
- L’hétéroscédasticité <strong>de</strong>s résidus, c’est-à-dire la variance <strong>de</strong>s résidus obtenus pour<br />
les gran<strong>de</strong>s valeurs simulées est systématiquement plus élevée que pour les<br />
faibles valeurs.<br />
- L’auto-corrélation dans les <strong>séries</strong> <strong>de</strong> résidus.<br />
- La présence d’un biais dans les résidus ; les résidus ne sont pas nuls en moyenne.<br />
- Les eff<strong>et</strong>s <strong>de</strong> Kurtosis <strong>et</strong> d’asymétrie : par rapport à l’hypothèse <strong>de</strong> normalité, la<br />
forme <strong>de</strong> <strong>de</strong>nsité <strong>de</strong> probabilité plus resserrée vers les faibles valeurs avec <strong>de</strong>s<br />
queues <strong>de</strong> distribution plus larges <strong>et</strong> une éventuelle dissymétrie par rapport à la<br />
valeur moyenne <strong>de</strong>s résidus.<br />
Le Tableau 5.1 présente les formes <strong>de</strong> vraisemblance pour quelques exemples d’hypothèses<br />
sur les caractéristiques <strong>de</strong>s résidus. Pour une démonstration <strong>de</strong> l’expression <strong>de</strong>s différentes<br />
formes, nous renvoyons aux références données dans le Tableau.<br />
67