Le processus de détermination de valeurs numériques des paramètres d'un modèle à partir de données en utilisant des procédures d'ajustement statistiques ou déterministes, produisant souvent des estimateurs ponctuels, des intervalles de confiance ou des distributions a posteriori selon le cadre d'inférence.

Principe

L'estimation de paramètres minimise ou caractérise l'écart entre sorties du modèle et observations selon un critère choisi (p. ex. maximum de vraisemblance, moindres carrés, posterior bayésien), en respectant l'identifiabilité, la structure du bruit et les hypothèses d'erreur du modèle.

Démonstration

Ajuster une régression linéaire fournit des estimations de pente et d'ordonnée à l'origine par moindres carrés ; estimer une constante cinétique en minimisant l'erreur quadratique entre concentrations simulées d'une EDO et séries temporelles expérimentales ; l'estimation bayésienne donne une distribution a posteriori reflétant données et a priori.

Mauvaise application

Publier des estimateurs ponctuels sans évaluer l'identifiabilité ni l'incertitude, ignorer le décalage de modèle, ou utiliser un modèle de bruit mal spécifié (par ex. erreurs gaussiennes indépendantes alors que les résidus sont hétéroscédastiques) entraînant des paramètres biaisés ou trompeurs.

Conséquence

Une estimation de paramètres appropriée fournit des valeurs calibrées avec incertitude quantifiée, permettant des simulations prédictives, des tests d'hypothèses et des décisions éclairées ; elle met aussi en évidence les paramètres non identifiables qui nécessitent de meilleures données ou une reparamétrisation.

Inversion

Traiter les paramètres comme connus et fixes et ne réaliser que des simulations directes ; ou effectuer des prédictions sans estimer ni mettre à jour les paramètres à partir des données, ce qui néglige l'information disponible sur le comportement du système.

Limite

Concerne l'estimation numérique des paramètres pour une structure de modèle spécifiée ; exclut les tâches dont l'objectif principal est le choix structurel du modèle (sélection de modèle) ou l'inversion d'opérateurs mal posés où la régularisation et l'inversion du modèle direct sont les enjeux principaux (problèmes inverses au sens large).

Tension sémantique

Chevauche la calibration de modèle et les problèmes inverses : l'estimation de paramètres met l'accent sur les techniques numériques et les critères statistiques pour quantifier les paramètres, tandis que la calibration peut inclure des ajustements pratiques supplémentaires et la validation, et les problèmes inverses insistent sur l'inversion d'opérateurs et le caractère mal posé.

Synthèse

L'estimation de paramètres est la détermination numérique et statistique des valeurs des paramètres d'un modèle à partir de données selon un critère explicite, produisant des estimations et une quantification de l'incertitude qui soutiennent la prédiction et l'inférence basée sur le modèle.