Écologie

« Utiliser le bon mot, la bonne notion, le bon concept, avec la définition la plus couramment acceptée, ou mieux avec la définition la mieux acceptée et comprise relève parfois de l’exploit, … »
                                                     
 Patrick Triplet.

> Par cette citation, je souhaite rendre un vibrant hommage au travail de Titan réalisé sur plus de dix ans par ce biologiste, docteur en écologie dont l’ouvrage "Dictionnaire encyclopédique de la diversité biologique et de la conservation de la nature" constitue la source de très nombreuses définitions présentes dans ce glossaire. Utiliser un langage dont les mots recouvrent des concepts clairement définis permet à chacun d’aborder et de comprendre des domaines qui ne sont pas forcément de sa compétence.

> Ce glossaire qui regroupe plus de 6 000 définitions accompagnées de leur traduction anglaise est là pour vous y aider. Il couvre les domaines complémentaires que sont la Géographie, l’Écologie et l’Économie, sans oublier de faire un petit détour par la Finance qui régit dans l’ombre une bonne part de notre existence.

> Par lui-même, de définition en définition, ce glossaire vous invite à explorer l’univers riche de la conservation des milieux naturels, d’en comprendre les mécanismes et les enjeux.

À toutes et tous, nous souhaitons : “Excellente lecture et bon voyage”.

Critère d’information de Akaike

Rechercher par terme du glossaire

Glossaires

Terme Définition
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.