Table des matières - Gilles Daniel
Table des matières - Gilles Daniel Table des matières - Gilles Daniel
76 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société. 91], ou [KOB 97] : l’effet d’un facteur à n niveaux est alors décomposé en effets polynomiaux de degrés 1 à n-1 (effet linéaire, quadratique, etc.). L’ANOVA est en fait une méthode bien adaptée au mélange de facteurs qualitatifs et quantitatifs et elle permet, lorsqu’elle est prolongée par l’étude des moyennes, de connaître assez finement l’effet des facteurs et leurs interactions. Pour le modèle gambusies, la transformation logarithmique des données conduit à des réponses sensiblement linéaires (non figurées). On se contente donc de deux niveaux par paramètre, sauf pour le taux de croissance qui affiche la plus grande non linéarité avant transformation et qui en reçoit quatre. Soit 7 paramètres à deux niveaux et un paramètre à quatre niveaux, 2 7 *4 = 512 combinaisons. Le modèle étant stochastique chaque combinaison est répétée 10 fois et nous obtenons un total de 5120 simulations. La part de variance expliquée par les paramètres et leurs interactions est de 94%, en ne gardant que les interactions d'ordre 2. Cela signifie que les 512 combinaisons de paramètres du plan d'expérience peuvent être bien prédites sans tenir compte des interactions d'ordre supérieur. Outre le contrôle sur la part de variance expliquée, cette bonne prédiction doit être vérifiée en analysant le graphe des résidus, c'est à dire le graphe des écarts entre les 512 valeurs du modèle et celles prédites par l'ANOVA (non figuré). Remarquons qu'il est toujours possible d'améliorer à la fois la variance expliquée et la qualité des ajustements en augmentant l'ordre des interactions. Mais un ordre élevé signe presque toujours la présence de fortes non linéarités, non suffisamment réduites par les transformations éventuelles, et probablement mal décrites par les quelques niveaux retenus. On touche alors à la limite de l'ANOVA qui risque dans ce cas de donner des résultats biaisés. Sur notre exemple, la figure 3.6 indique que l'interaction la plus élevée porte sur le couple taux de croissance / taille maximale et reste très modeste. Les paramètres ont donc un effet essentiellement additif sur le logarithme de la sortie (ou plus exactement sur son écart par rapport à la moyenne). Par ailleurs, sur cette même figure, le taux de croissance représente l'effet linéaire de ce paramètre. Les deux autres effets, quadratique et cubique, autorisés par le fait que nous avions pris quatre niveaux pour ce paramètre, sont insignifiants. Ce résultat confirme a posteriori l'efficacité de la transformation logarithmique. En définitive, cette analyse révèle que pour une réponse en échelle logarithmique, la liaison entre la réponse du modèle et les paramètres est sensiblement linéaire et peu sensible aux interactions. Une conséquence importante est que les résultats obtenus lors des analyses locales ont alors une portée beaucoup plus globale. La description plus complète de l'analyse du modèle gambusies pourra être trouvée dans [GIN 06].
Explorer les modèles par simulation : application aux analyses de sensibilité. 77 Taille maximale Taux de croissance Survie adulte Fécondité Seuil fécondité Survie juvénile Durée gestation Taux de crois. : Taille maximale Seuil métamorphose Taux de crois. :Fécondité Taille maximale : Fécondité 0 200 400 600 800 1000 1200 1400 Somme des carrés des écarts Figure 3.6. Analyse de variance du modèle gambusies. Somme des carrés des écarts à la moyenne expliquée par chaque facteur et par les principales interactions. 3.4.3.2. Décomposition de Sobol La décomposition de Sobol est une décomposition orthogonale de la variance d'une fonction en termes d’effets principaux et d’interactions de ses facteurs d’entrée. Cette décomposition généralise celle de l’analyse de variance à des fonctions définies sur des supports continus. Il lui est associée une décomposition analogue (additive) de la variance : s D = Var(M ) = ∑ D i + ∑ D ij + ...+ D 1...s [3.9] i=1 i< j où M désigne la sortie considérée, D sa variance, D i la part de l'effet principal du facteur i dans cette variance, et les D multi-indicés les interactions. Le coefficient de sensibilité associé à l’effet principal du paramètre i est alors défini par D i /D, de même pour les interactions. Outre l'effet principal et les interactions, on peut également définir la sensibilité totale d’un paramètre comme la somme des coefficients de sensibilité associés à tous les effets factoriels dans lesquels ce paramètre intervient. Ce sont les mêmes notions que dans l'ANOVA. Pour estimer sans biais l'effet principal d'un paramètre, le principe est d'effectuer des paires de simulations en tirant aléatoirement, pour ce paramètre, une valeur commune aux deux simulations, et en tirant aléatoirement et indépendamment des
- Page 21 and 22: Concepts et méthodologies multi-ag
- Page 23 and 24: Concepts et méthodologies multi-ag
- Page 25 and 26: Concepts et méthodologies multi-ag
- Page 27 and 28: Concepts et méthodologies multi-ag
- Page 29 and 30: Concepts et méthodologies multi-ag
- Page 31 and 32: Concepts et méthodologies multi-ag
- Page 33 and 34: Chapitre 2 Introduction à la modé
- Page 35 and 36: Introduction à la modélisation et
- Page 37 and 38: Introduction à la modélisation et
- Page 39 and 40: Introduction à la modélisation et
- Page 41 and 42: Introduction à la modélisation et
- Page 43 and 44: Introduction à la modélisation et
- Page 45 and 46: Introduction à la modélisation et
- Page 47 and 48: Introduction à la modélisation et
- Page 49 and 50: Introduction à la modélisation et
- Page 51 and 52: Introduction à la modélisation et
- Page 53 and 54: Introduction à la modélisation et
- Page 55 and 56: Introduction à la modélisation et
- Page 57 and 58: Chapitre 3 Explorer les modèles pa
- Page 59 and 60: Explorer les modèles par simulatio
- Page 61 and 62: Explorer les modèles par simulatio
- Page 63 and 64: Explorer les modèles par simulatio
- Page 65 and 66: Explorer les modèles par simulatio
- Page 67 and 68: Explorer les modèles par simulatio
- Page 69 and 70: Explorer les modèles par simulatio
- Page 71: Explorer les modèles par simulatio
- Page 75 and 76: Explorer les modèles par simulatio
- Page 77 and 78: Explorer les modèles par simulatio
- Page 79 and 80: Explorer les modèles par simulatio
- Page 81 and 82: Explorer les modèles par simulatio
- Page 83 and 84: Chapitre 4 Evaluation et validation
- Page 85 and 86: Evaluation et validation de modèle
- Page 87 and 88: Evaluation et validation de modèle
- Page 89 and 90: Evaluation et validation de modèle
- Page 91 and 92: Evaluation et validation de modèle
- Page 93 and 94: Evaluation et validation de modèle
- Page 95 and 96: Evaluation et validation de modèle
- Page 97 and 98: Evaluation et validation de modèle
- Page 99 and 100: Evaluation et validation de modèle
- Page 101 and 102: Annexe - épistémologie dans une c
- Page 103 and 104: Annexe - épistémologie dans une c
- Page 105 and 106: Annexe - épistémologie dans une c
- Page 107 and 108: Annexe - épistémologie dans une c
- Page 109 and 110: Annexe - épistémologie dans une c
- Page 111 and 112: Annexe - épistémologie dans une c
- Page 113 and 114: Annexe - épistémologie dans une c
- Page 115 and 116: Annexe - épistémologie dans une c
- Page 117 and 118: Evaluation et validation de modèle
- Page 119 and 120: Chapitre 5 Sciences sociales comput
- Page 121 and 122: Sciences sociales computationnelles
76 Modélisation et simulation multi-agents pour Sciences de l'Homme et de la Société.<br />
91], ou [KOB 97] : l’effet d’un facteur à n niveaux est alors décomposé en effets<br />
polynomiaux de degrés 1 à n-1 (effet linéaire, quadratique, etc.). L’ANOVA est en<br />
fait une méthode bien adaptée au mélange de facteurs qualitatifs et quantitatifs et<br />
elle permet, lorsqu’elle est prolongée par l’étude <strong>des</strong> moyennes, de connaître assez<br />
finement l’effet <strong>des</strong> facteurs et leurs interactions.<br />
Pour le modèle gambusies, la transformation logarithmique <strong>des</strong> données conduit<br />
à <strong>des</strong> réponses sensiblement linéaires (non figurées). On se contente donc de deux<br />
niveaux par paramètre, sauf pour le taux de croissance qui affiche la plus grande non<br />
linéarité avant transformation et qui en reçoit quatre. Soit 7 paramètres à deux<br />
niveaux et un paramètre à quatre niveaux, 2 7 *4 = 512 combinaisons. Le modèle<br />
étant stochastique chaque combinaison est répétée 10 fois et nous obtenons un total<br />
de 5120 simulations. La part de variance expliquée par les paramètres et leurs<br />
interactions est de 94%, en ne gardant que les interactions d'ordre 2. Cela signifie<br />
que les 512 combinaisons de paramètres du plan d'expérience peuvent être bien<br />
prédites sans tenir compte <strong>des</strong> interactions d'ordre supérieur. Outre le contrôle sur la<br />
part de variance expliquée, cette bonne prédiction doit être vérifiée en analysant le<br />
graphe <strong>des</strong> résidus, c'est à dire le graphe <strong>des</strong> écarts entre les 512 valeurs du modèle<br />
et celles prédites par l'ANOVA (non figuré). Remarquons qu'il est toujours possible<br />
d'améliorer à la fois la variance expliquée et la qualité <strong>des</strong> ajustements en augmentant<br />
l'ordre <strong>des</strong> interactions. Mais un ordre élevé signe presque toujours la présence de<br />
fortes non linéarités, non suffisamment réduites par les transformations éventuelles,<br />
et probablement mal décrites par les quelques niveaux retenus. On touche alors à la<br />
limite de l'ANOVA qui risque dans ce cas de donner <strong>des</strong> résultats biaisés.<br />
Sur notre exemple, la figure 3.6 indique que l'interaction la plus élevée porte sur<br />
le couple taux de croissance / taille maximale et reste très mo<strong>des</strong>te. Les paramètres<br />
ont donc un effet essentiellement additif sur le logarithme de la sortie (ou plus<br />
exactement sur son écart par rapport à la moyenne). Par ailleurs, sur cette même<br />
figure, le taux de croissance représente l'effet linéaire de ce paramètre. Les deux<br />
autres effets, quadratique et cubique, autorisés par le fait que nous avions pris quatre<br />
niveaux pour ce paramètre, sont insignifiants. Ce résultat confirme a posteriori<br />
l'efficacité de la transformation logarithmique. En définitive, cette analyse révèle<br />
que pour une réponse en échelle logarithmique, la liaison entre la réponse du modèle<br />
et les paramètres est sensiblement linéaire et peu sensible aux interactions. Une<br />
conséquence importante est que les résultats obtenus lors <strong>des</strong> analyses locales ont<br />
alors une portée beaucoup plus globale. La <strong>des</strong>cription plus complète de l'analyse du<br />
modèle gambusies pourra être trouvée dans [GIN 06].