PRÉLIMINAIRES

I. Épistémologie et Enjeux Scientifiques du Domaine

L’inférence statistique, historiquement dominée par le paradigme fréquentiste de Fisher et Neyman-Pearson, a connu une révolution conceptuelle avec la résurgence du bayésianisme. Cette UE acte la rupture épistémologique en positionnant la probabilité non plus comme une fréquence limite, mais comme une mesure du degré de croyance, actualisée par l’observation. Face à la complexité des données modernes et la fréquente violation des hypothèses classiques, les approches non-paramétriques et robustes s’imposent comme des nécessités méthodologiques. Elles ne sont plus des alternatives, mais le cœur d’une pratique statistique rigoureuse et honnête face à l’incertitude.

II. Cartographie des Compétences et Transversalité

La maîtrise des méthodes spéciales de statistique forge un profil d’analyste de haut niveau, capable de transcender les limites des outils standards. Estimer via des simulations bayésiennes (MCMC) confère une flexibilité inégalée pour modéliser des phénomènes complexes, de la finance à l’épidémiologie. L’application de tests non-paramétriques arme le chercheur pour traiter des données rares ou asymétriques, typiques des études expérimentales en agronomie ou en sciences sociales. Enfin, la construction de M-estimateurs robustes garantit la fiabilité des conclusions face à la contamination des données, une compétence vitale pour l’analyste de données et le statisticien-mathématicien.

III. Alignement Stratégique avec les Réalités Opérationnelles

Sur le terrain africain, les données sont souvent rares, incomplètes ou bruitées. Cette UE est conçue comme une réponse directe à ces défis opérationnels. Le statisticien formé sera capable d’intégrer des savoirs experts locaux via des a priori bayésiens, d’analyser l’efficacité d’une politique publique sur un petit échantillon de population sans postuler de distribution, et de construire des indicateurs économiques (inflation, croissance) insensibles aux valeurs extrêmes ou aux erreurs de saisie. Ces compétences sont immédiatement monnayables auprès des instituts nationaux de statistique, des ONG, des centres de recherche agronomique et des institutions financières.

Chapitre I. Fondements de l’Inférence Bayésienne : Du Théorème à la Distribution a Posteriori

I.1 Le paradigme bayésien : une rupture philosophique

Issu des travaux de Thomas Bayes et formalisé par Laplace, le raisonnement bayésien inverse la logique fréquentiste en traitant les paramètres comme des variables aléatoires. Cette section dissèque cette transition philosophique fondamentale, où la connaissance est un processus dynamique d’actualisation de croyances (le prior) par l’évidence des données (la vraisemblance) pour aboutir à une connaissance affinée (le posterior). L’approche établit la supériorité du cadre bayésien pour quantifier l’incertitude de manière intuitive et cohérente, posant les bases d’une modélisation plus riche et flexible que son homologue classique.

I.2 Mécanique du théorème de Bayes et distributions conjuguées

Sous son apparente simplicité, le théorème de Bayes est un puissant opérateur de mise à jour de l’information. Ce sous-chapitre le décompose en ses éléments fonctionnels : la distribution a priori, la fonction de vraisemblance et la distribution a posteriori. L’accent est mis sur le concept de conjugaison, qui garantit une solution analytique et une interprétation directe en choisissant une famille de lois pour le prior compatible avec la vraisemblance. L’étudiant apprendra à manipuler les couples Bêta-Binomiale et Gamma-Poisson, archétypes de la modélisation bayésienne pour les proportions et les comptages.

I.3 La subjectivité du prior : critique et stratégies de non-informativité

La principale critique adressée à l’approche bayésienne réside dans le choix de la distribution a priori, potentiellement arbitraire. Cette section affronte frontalement cette controverse. Elle analyse l’impact d’un prior sur l’inférence finale et expose les stratégies pour minimiser cette influence, notamment via l’utilisation de priors non-informatifs comme ceux de Jeffreys ou les distributions de référence de Bernardo. L’objectif est de forger un esprit critique, capable de justifier et de défendre chaque choix de modélisation, transformant une apparente faiblesse en une force de transparence méthodologique.

I.4 Application : modélisation de la prévalence d’une maladie endémique

Face à des données de santé publique souvent parcellaires en RDC, l’approche bayésienne offre un cadre rigoureux pour intégrer l’avis des experts locaux. Ce cas pratique guide l’étudiant dans la modélisation de la prévalence d’une maladie (ex: paludisme) dans une zone à faible couverture sanitaire. En utilisant une distribution a priori Bêta informée par les rapports de médecins de terrain et une vraisemblance Binomiale issue d’un petit échantillonnage, l’étudiant calculera une distribution a posteriori de la prévalence, fournissant aux autorités un intervalle de crédibilité robuste pour l’action.

Chapitre II. Simulation Bayésienne et Modèles Hiérarchiques

II.1 L’obstacle de l’intégrale et la révolution MCMC

Lorsque les distributions a priori ne sont pas conjuguées, le calcul de la constante de normalisation dans le théorème de Bayes devient un problème analytiquement insoluble. Cette section expose la nature de cet obstacle computationnel qui a longtemps freiné l’adoption du bayésianisme. Elle introduit ensuite le changement de paradigme apporté par les méthodes de Monte-Carlo par Chaînes de Markov (MCMC). L’idée n’est plus de calculer la distribution a posteriori, mais de générer un échantillon représentatif de celle-ci, transformant un problème d’intégration en un problème de simulation.

II.2 Algorithmes de Gibbs et de Metropolis-Hastings

Au cœur des techniques MCMC se trouvent des algorithmes d’une redoutable efficacité. Ce sous-chapitre détaille le fonctionnement interne de l’échantillonneur de Gibbs, qui simule itérativement à partir des distributions conditionnelles complètes, et de l’algorithme plus général de Metropolis-Hastings, basé sur un mécanisme de proposition-acceptation. L’étudiant apprendra à implémenter des versions simplifiées de ces algorithmes, en se concentrant sur le diagnostic de convergence de la chaîne (trace plots, autocorrélation) pour garantir la validité des inférences produites à partir de l’échantillon simulé.

II.3 Limites et diagnostics de convergence des chaînes

La puissance des méthodes MCMC s’accompagne de pièges potentiels : non-convergence, forte autocorrélation des échantillons, ou exploration lente de l’espace des paramètres. Cette analyse critique se penche sur les pathologies des chaînes de Markov. Elle outille l’étudiant avec un arsenal de diagnostics formels (test de Gelman-Rubin, calcul de la taille d’échantillon effective) et visuels pour évaluer la qualité de la simulation. La maîtrise de ces outils est non-négociable pour tout praticien sérieux, car elle conditionne la fiabilité de l’ensemble des résultats bayésiens obtenus par simulation.

II.4 Application : estimation hiérarchique des rendements agricoles

Pour évaluer l’impact d’un nouvel engrais sur plusieurs petites parcelles paysannes au Kivu, les données sont hétérogènes et les échantillons par parcelle sont faibles. Un modèle bayésien hiérarchique permet de résoudre ce problème en supposant que les effets spécifiques à chaque parcelle sont tirés d’une distribution commune. L’étudiant construira un tel modèle, où l’information “empruntée” entre les parcelles (information borrowing) stabilise les estimations individuelles. La simulation MCMC permettra d’estimer l’effet global de l’engrais tout en quantifiant l’hétérogénéité des résultats.

Chapitre III. Introduction aux Statistiques Non-Paramétriques

III.1 La tyrannie de la normalité et la libération non-paramétrique

La statistique classique repose lourdement sur l’hypothèse de normalité des distributions, une condition rarement satisfaite en pratique, surtout avec de petits échantillons. Cette section expose les dangers d’une application aveugle des tests paramétriques (comme le test t de Student) lorsque leurs hypothèses sont violées. Elle introduit l’approche non-paramétrique comme une alternative rigoureuse et robuste, qui formule des hypothèses sur les rangs ou les médianes plutôt que sur des paramètres de distribution spécifiques, offrant ainsi des conclusions valides sous des conditions beaucoup plus générales.

III.2 Tests de rangs pour échantillons indépendants et appariés

L’arsenal non-paramétrique de base repose sur la transformation des données en leurs rangs. Ce sous-chapitre présente la mécanique détaillée de deux tests fondamentaux : le test de la somme des rangs de Wilcoxon (ou Mann-Whitney) pour comparer deux échantillons indépendants, et le test des rangs signés de Wilcoxon pour les données appariées. L’étudiant apprendra à calculer manuellement les statistiques de test, à comprendre leur distribution sous l’hypothèse nulle et à interpréter les p-valeurs, acquérant ainsi une compétence directe pour l’analyse de données expérimentales.

III.3 Puissance relative et conditions d’application

Opter pour un test non-paramétrique n’est pas sans coût. Cette partie analyse de manière critique le concept d’Efficacité Relative Asymptotique (ERA), qui compare la puissance d’un test non-paramétrique à son équivalent paramétrique. Si l’hypothèse de normalité est vraie, le test non-paramétrique est légèrement moins puissant. Cependant, il devient massivement plus puissant en cas de déviation à la normalité, notamment avec des distributions à queues lourdes. L’étudiant apprendra à arbitrer ce compromis en fonction de la nature de ses données et de la taille de son échantillon.

I.4 Application : comparaison de l’efficacité de deux traitements antipaludiques

Dans un essai clinique mené dans un centre de santé de brousse avec un nombre limité de patients, les temps de guérison ne suivent pas une loi normale. Appliquer un test t serait scientifiquement invalide. Ce cas d’étude guide l’étudiant dans l’utilisation du test de Mann-Whitney pour comparer rigoureusement l’efficacité de deux traitements (l’un standard, l’autre expérimental). L’analyse, basée sur les rangs des temps de guérison, fournira une conclusion statistiquement fondée et défendable, même avec des données “difficiles” et un petit échantillon.

Chapitre IV. Méthodes Non-Paramétriques Avancées et Rééchantillonnage

IV.1 Le test du Khi-deux : ajustement et indépendance

Fondamental pour l’analyse des données catégorielles, le test du Khi-deux de Pearson est une pierre angulaire des méthodes non-paramétriques. Ce sous-chapitre en explore les deux facettes. D’abord, le test d’ajustement, qui permet de vérifier si les fréquences observées d’une variable correspondent à une distribution théorique. Ensuite, le test d’indépendance, qui évalue l’existence d’une association entre deux variables qualitatives dans un tableau de contingence. La maîtrise de cet outil est essentielle pour l’analyse d’enquêtes et de sondages, très courants en sciences sociales.

IV.2 La révolution du Bootstrap : l’inférence par rééchantillonnage

Conceptualisé par Bradley Efron, le bootstrap est une méthode de rééchantillonnage computationnellement intensive qui permet d’estimer la distribution d’un estimateur sans hypothèse distributionnelle. L’échantillon observé est traité comme une population à partir de laquelle on tire avec remise de multiples échantillons “bootstrap”. Cette section expose la philosophie et la mécanique de cette technique. L’étudiant apprendra à construire des intervalles de confiance bootstrap (percentile, BCa) pour n’importe quelle statistique, même complexe, se libérant des formules analytiques classiques.

IV.3 Limites du Bootstrap et tests de permutation

Malgré sa puissance, le bootstrap a ses limites, notamment avec de très petits échantillons ou des estimateurs instables. Cette analyse critique explore les conditions d’échec de la méthode. En contrepoint, elle introduit les tests de permutation comme une alternative exacte pour les tests d’hypothèses. En recalculant la statistique de test sur toutes les permutations possibles des données, cette approche fournit une p-valeur exacte sans aucune hypothèse distributionnelle. Elle est particulièrement adaptée aux plans d’expérience où l’assignation des traitements est aléatoire.

IV.4 Application : évaluer l’impact d’un programme de microcrédit

Une ONG a attribué des microcrédits à un groupe de femmes entrepreneures à Lubumbashi et souhaite évaluer l’impact sur leur revenu, dont la distribution est très asymétrique. L’étudiant utilisera la méthode du bootstrap pour construire un intervalle de confiance robuste pour la différence de revenu médian entre le groupe traité et un groupe contrôle. Cette approche évite les hypothèses irréalistes sur la distribution des revenus et fournit une mesure tangible et crédible de l’efficacité du programme, directement communicable aux bailleurs de fonds.

Chapitre V. Le Problème de la Robustesse et la Théorie des M-estimateurs

V.1 La fragilité des estimateurs classiques face aux données aberrantes

Les estimateurs classiques comme la moyenne ou les moindres carrés ordinaires sont optimales sous des hypothèses strictes, mais dramatiquement sensibles à la présence de quelques observations aberrantes. Une seule erreur de saisie peut ruiner une analyse complète. Cette section démontre mathématiquement cette fragilité à travers les concepts de point de rupture (breakdown point) et de fonction d’influence. Elle établit la nécessité impérieuse de disposer d’estimateurs dont la performance ne s’effondre pas en présence de contamination dans les données, un problème omniprésent en pratique.

V.2 Définition et construction des M-estimateurs

Les M-estimateurs, introduits par Peter Huber, généralisent le concept de maximum de vraisemblance en remplaçant le logarithme de la densité par une fonction ρ moins sensible aux grandes déviations. Ce sous-chapitre formalise cette classe d’estimateurs. L’étudiant apprendra à dériver l’équation d’estimation à partir de la fonction d’influence ψ = ρ’ et à comprendre comment le choix de ρ (par exemple, la fonction de Huber) permet de contrôler l’impact des valeurs extrêmes. La résolution de cette équation se fait par des algorithmes itératifs comme les moindres carrés itérativement repondérés (IRLS).

V.3 Analyse critique : le choix de la fonction de coût et du paramètre de réglage

La robustesse des M-estimateurs dépend crucialement du choix de la fonction ρ et de son paramètre de réglage (le tuning parameter), qui définit le seuil entre les “bonnes” et les “mauvaises” données. Cette section explore ce dilemme. Une fonction comme celle de Huber offre un bon compromis, mais d’autres, comme la bicarrée de Tukey, permettent de rejeter complètement les outliers. L’analyse se concentre sur le compromis entre efficacité (sous le modèle idéal) et robustesse (en cas de contamination), armant l’étudiant pour faire un choix éclairé et justifié.

IV.4 Application : estimation robuste du revenu moyen des ménages

Les enquêtes sur les revenus des ménages à Kinshasa sont notoirement bruitées, avec des valeurs extrêmes dues à des erreurs de déclaration ou à la présence de quelques individus très riches. Utiliser la moyenne arithmétique donnerait une image faussée. Ce cas pratique guide l’étudiant dans le calcul d’un M-estimateur de localisation (une moyenne robuste) pour le revenu. En utilisant une fonction de Huber, il obtiendra une estimation stable et fiable du revenu central, insensible à la présence de quelques millionnaires ou d’erreurs de saisie.

Chapitre VI. Régression Robuste et Détection d’Outliers

VI.1 La régression par les moindres carrés : une sensibilité extrême aux points levier

Le modèle de régression linéaire par les moindres carrés ordinaires (MCO) est l’outil le plus utilisé en analyse de données, mais il est extraordinairement fragile. Cette section démontre comment un seul point aberrant, en particulier un point à fort effet de levier (leverage point), peut complètement fausser la droite de régression et rendre les inférences invalides. Elle introduit les diagnostics graphiques et numériques (distances de Cook, DFFITS) pour identifier ces observations influentes, posant le diagnostic avant de proposer le remède : la régression robuste.

VI.2 Mécanismes de la régression robuste : M-estimateurs, LMS et LTS

Pour immuniser la régression contre les outliers, plusieurs stratégies existent. Ce sous-chapitre détaille les trois approches majeures. La première étend les M-estimateurs au cadre de la régression. La seconde, l’estimateur des moindres carrés médians (LMS), minimise la médiane des carrés des résidus. La troisième, l’estimateur des moindres carrés tronqués (LTS), minimise la somme des plus petits carrés des résidus. L’étudiant apprendra les principes de chaque méthode et les algorithmes (souvent basés sur des sous-échantillonnages) nécessaires à leur implémentation.

VI.3 Le compromis efficacité-robustesse en régression

Les méthodes de régression robuste à très haut point de rupture, comme LTS, offrent une protection maximale contre les outliers mais peuvent être statistiquement moins efficaces (avoir une plus grande variance) que les MCO si les données sont “propres”. Cette analyse critique dissèque ce compromis fondamental. Elle compare les propriétés des différents estimateurs robustes et montre comment une approche en deux temps (détection d’outliers avec une méthode très robuste, puis estimation avec une méthode plus efficace) peut offrir le meilleur des deux mondes.

VI.4 Application : modélisation robuste des déterminants du prix de l’immobilier

À Goma, le marché immobilier est peu structuré et les données de transactions contiennent des anomalies (ventes de biens exceptionnels, erreurs de déclaration). Modéliser le prix en fonction de la surface par MCO serait trompeur. L’étudiant mettra en œuvre une régression LTS pour identifier la relation de base entre prix et surface, insensible aux villas de luxe ou aux terrains vendus à des prix anormaux. Le modèle robuste obtenu fournira une estimation fiable de la valeur marchande “typique”, utile pour la fiscalité locale ou les investisseurs.

ANNEXES

A. Guide Pratique de Stan/PyMC pour la Simulation Bayésienne

Cet appendice est un tutoriel opérationnel destiné au statisticien-mathématicien. Il détaille, sur un cas concret de modèle de régression logistique bayésienne, la syntaxe de déclaration du modèle, la spécification des priors, le lancement des simulations MCMC et l’interprétation des sorties (summary, trace plots) avec la librairie Python PyMC (ou son équivalent R, Stan). L’objectif est de rendre l’étudiant immédiatement autonome pour estimer les paramètres de n’importe quel modèle probabiliste complexe, une compétence clé pour la recherche et l’analyse de données expérimentales avancées.

B. Implémentation et Interprétation des Tests Non-Paramétriques sous R/Python

Cette annexe fournit le code source commenté pour réaliser les principaux tests non-paramétriques (Mann-Whitney, Wilcoxon signé, Kruskal-Wallis, Friedman) en utilisant le langage R et les librairies scipy.stats de Python. Au-delà du code, l’accent est mis sur l’interprétation correcte des résultats dans le contexte d’un rapport d’analyse pour un analyste de données expérimentales. Elle inclut des exemples sur la manière de rapporter la statistique de test, la p-valeur et la conclusion en langage clair, en se concentrant sur la taille de l’effet comme complément indispensable au test d’hypothèse.

C. Calcul de M-estimateurs avec la librairie statsmodels en Python

L’analyste de données est constamment confronté à des jeux de données bruités. Cette section technique démontre comment utiliser le module statsmodels.robust de Python pour calculer des M-estimateurs de localisation et ajuster des modèles de régression linéaire robustes (RLM). Le guide explique pas à pas le choix de la norme (HuberT, TukeyBiweight), l’ajustement du modèle et l’interprétation des coefficients obtenus, qui sont par construction insensibles aux outliers. C’est un outil essentiel pour produire des analyses fiables et défendables dans des environnements opérationnels non contrôlés.

Lire aussi :

Cours de Introduction à la Géométrie différentielle, preparatoire, IGD0111

Cours de Génie Logiciel Avancé, master-2, GLA2231

Cours de Systèmes Distribués, master-1, SYB2121

Cours de Techniques et structures, master-1, TST2121

Cours de Sociologie Critique du Développement, master-1, SCD2121

Cours de Systématique et Taxonomie forestière, master-2, STF2231