Glossary

"Using the right word, the right idea, the right concept, with the most commonly accepted definition, or even better, with the best accepted and understood definition, can sometimes be a feat...”

Patrick Triplet

> With this quote, we wish to pay tribute to the colosal work of this biologist, and doctor of ecology whose great oeuvre, Dictionnaire encyclopédique de la diversité biologique et de la conservation de la nature (The Encyclopaedic Dictionary of Biological Diversity and Nature Conservation) ─ compiled over the course of more than ten years ─ is the basis of many of the definitions found in this glossary. Indeed, it is by using a language with precise words and clearly defined concepts that everyone and anyone can approach and understand fields of study that may not necessarily be within their own expertise.

This glossary of over 6,000 definitions, written in French with corresponding English translations, is here to help you. It covers the complementary fields of Geography, Ecology, and Economics, without forgetting a small detour into the world of Finance, which of course regulates a large part of our existence.

Travelling from one definition to another, this glossary invites you to explore the rich world of conservation and to understand its mechanisms and challenges.

We wish you all : "Happy reading and a safe journey through our world".

Critère d’information de Akaike

Search for glossary terms (regular expression allowed)

Glossaries

Term Definition
Critère d’information de Akaike

♦ Quand de nombreux modèles doivent être comparés entre eux, le risque de rejeter l’hypothèse nulle alors qu’elle est vraie augmente substantiellement.
Pour résoudre ce problème, une solution possible consiste à comparer les modèles en utilisant le critère d’information d’Akaike :

AIC = −2 log eL + 2k

     où     •  eL    est la vraisemblance maximisée
               •  k       le nombre de paramètres dans le modèle

L’AIC représente un compromis entre le biais (qui diminue avec le nombre de paramètres) et la parcimonie (nécessité de décrire les données avec le plus petit nombre de paramètres possible).
Il est nécessaire de vérifier que ce modèle « complet » ajuste correctement les données par un test de la qualité et une comparaison des valeurs observées et prédites. La liste des modèles comparés doit être établie avant l’analyse selon des critères de plausibilité biologique. Le meilleur modèle est celui possédant l’AIC le plus faible. Lorsque le nombre de paramètres k est grand par rapport au nombre d’observations n, c’est-à-dire si N / k < 40, il est recommandé d’utiliser l’AIC corrigé.

Le critère d’information d’Akaike corrigé, AICc, est défini par :

AICc = AIC + 2k (k + 1) / n - k - 1

   où        •  n    est le nombre d’observations

> Le critère AIC s’applique aux modèles estimés par une méthode du maximum de vraisemblance : les analyses de variance, les régressions linéaires multiples, les régressions logistiques et de Poisson peuvent rentrer dans ce cadre. L’utilisation de l’AIC est en premier lieu pour un objectif de prédiction et non de décision vis-à-vis de la signification statistique des paramètres retenus dans le modèle.

♦ Équivalent étranger : Akaike’s Information Criterion.