MM-GSA, analyser la sensibilité avec des données d’observation

LLéna

Des chercheurs présentent MM-GSA, une méthode qui cherche à mesurer le rôle des variables d’entrée quand seules des données observationnelles sont disponibles. Leur publication sur arXiv décrit une approche qui apprend la relation entre ces entrées et les sorties observées. La méthode utilise l’apprentissage supervisé pour approximer la relation systématique entre entrées et sorties. Il dispose de relevés déjà recueillis et construit un modèle pour relier les mesures aux résultats. Il ne peut pas reprendre le mécanisme et le tester selon un plan d’échantillonnage conçu pour cette analyse. C’est une limite importante des données observationnelles utilisées ici. MM-GSA combine deux mesures qui examinent la pertinence des prédicteurs sous des angles différents. La première est un estimateur de l’indice de Sobol de premier ordre. Il mesure la contribution d’une entrée à la variabilité de la réponse systématique, sans attribuer nécessairement à cette entrée toute variation associée dans les données. La seconde mesure est un indice structurel fondé sur des déclencheurs. Il quantifie la façon dont les performances prédictives dépendent de la disponibilité d’un prédicteur dans différents sous-ensembles de prédicteurs. Les deux mesures ne décrivent donc pas exactement la même chose : l’une porte sur la variation de la réponse modélisée, l’autre sur les performances de prédiction selon les variables disponibles. Les auteurs indiquent que des simulations et une application à une enquête américaine illustrent le comportement de ces mesures sur des échantillons de taille finie. Ils établissent aussi la cohérence des deux estimateurs et une propriété de sélection de l’indice structurel lorsque les entrées sont indépendantes. À retenir : MM-GSA propose deux façons complémentaires d’étudier la pertinence des entrées à partir d’observations. Mais la méthode ne peut pas réévaluer le mécanisme selon un plan d’échantillonnage conçu pour cette analyse.