📊 statistics

No-prior Bayes reIMagined: probabilistic approximations of inferential models

Cet article propose un cadre « No-prior Bayes » réimaginé qui construit des distributions a posteriori en dérivant des approximations probabilistes internes à partir de modèles inférentiels fondés sur les données, atteignant ainsi une quantification exacte de l'incertitude et une efficacité asymptotique sans dépendre de priors par défaut.

Auteurs originaux : Ryan Martin

Publié 2026-06-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ryan Martin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un détective tentant de résoudre un mystère, mais que vous n'ayez aucune connaissance préalable du suspect. Vous entrez dans la pièce avec une page blanche. Dans le monde des statistiques, c'est ce qu'on appelle le problème du « sans a priori » (no-prior).

Pendant des décennies, la manière standard de résoudre cela a été de prétendre que l'on a un pressentiment (un « a priori par défaut ») puis de mettre à jour ce pressentiment avec les preuves trouvées. C'est comme si un détective disait : « Je vais supposer que c'est le majordome, juste pour commencer », puis qu'il ajustait cette supposition en fonction des empreintes digitales trouvées. Le problème, comme le souligne cet article, est que si votre supposition initiale n'était qu'un espace réservé inventé de toutes pièces, votre conclusion finale peut sembler assurée mais s'avérer en réalité peu fiable. C'est comme construire une maison sur des fondations que vous avez inventées simplement pour que les calculs fonctionnent.

La nouvelle approche : l'inférence « ReIMagined »

L'auteur, Ryan Martin, propose une voie différente. Au lieu de partir d'une supposition inventée, il suggère de commencer par un outil qui est mathématiquement garanti d'être honnête sur ce qu'il ne sait pas.

Voici la décomposition étape par étape de son idée, en utilisant des métaphores simples :

1. La « Carte des Possibilités » (l'IM)

D'abord, l'auteur crée une « Carte des Possibilités ». Imaginez que vous regardiez un paysage de collines et de vallées représentant différents suspects possibles (paramètres).

Le Bayes traditionnel : Tente de dessiner une courbe de probabilité lisse et parfaite sur le paysage, en supposant que chaque point a une chance spécifique d'être vrai.
L'IM (Modèle Inférentiel) : Au lieu d'une courbe lisse, il dessine une carte « floue ». Il met en évidence les zones où les preuves sont fortes et laisse le reste vague. Il ne prétend pas connaître les probabilités exactes ; il dit simplement : « Cette zone est certainement possible, et cette zone est certainement impossible. »

Cette carte est construite sur la Théorie des Possibilités. Considérez la probabilité comme un seau d'eau qui doit être vidé complètement (le total doit être égal à 100 %). La possibilité ressemble plutôt à un projecteur. L'endroit le plus brillant (le suspect le plus probable) est pleinement éclairé (100 %), mais les bords de la lumière peuvent s'estomper sans avoir besoin de remplir toute la pièce. Ce « flou » est en fait une caractéristique, et non un défaut, car il empêche le système d'inventer des faits.

2. L'« Approximation Probabiliste Intérieure »

Maintenant, voici le tour de force. L'auteur sait que la plupart des gens (et des logiciels) sont habitués à travailler avec des courbes de probabilité lisses, et non avec des cartes floues. Ils veulent une réponse unique et nette.

Il prend donc cette « Carte des Possibilités » honnête et floue et se demande : « Quelle est la courbe de probabilité la plus simple et la plus honnête qui s'inscrit entièrement à l'intérieur de cette carte ? »

Il appelle cela l'Approximation Probabiliste Intérieure.

La métaphore : Imaginez que la Carte des Possibilités est un grand emporte-pièce de forme irrégulière. L'« Approximation Intérieure » est le plus gros biscuit lisse et rond que vous pouvez découper qui s'insère parfaitement à l'intérieur de cet emporte-pièce sans toucher les bords.
Pourquoi faire cela ? Parce que la carte originale est mathématiquement prouvée comme étant fiable (elle ne vous mentira pas). En découpant une courbe de probabilité à l'intérieur de cette carte, la nouvelle courbe hérite de cette fiabilité. C'est une distribution de probabilité « sûre ».

3. Pourquoi est-ce mieux ?

L'article soutient que les méthodes traditionnelles de « Bayes sans a priori » souffrent souvent d'une Fausse Confiance.

Le risque : Une méthode traditionnelle pourrait dire : « Je suis sûr à 99 % que le suspect est le Majordome », alors qu'en réalité, les preuves ne soutiennent qu'une chance de 50 %. Elle est trop confiante.
La solution : La nouvelle méthode est calibrée. Si elle dit qu'il y a 90 % de chances de quelque chose, cela arrive réellement 90 % du temps sur le long terme. Elle évite le piège d'être faussement sûre de soi.

4. Comment cela fonctionne en pratique

L'article montre que cette nouvelle méthode :

Est en accord avec les anciennes méthodes lorsqu'elles ont raison : Dans des situations simples et symétriques (comme mesurer la taille d'un groupe de personnes), cette nouvelle méthode donne exactement la même réponse que les célèbres méthodes de l'« a priori de Jeffreys » ou du « fiduciaire de Fisher ».
Résout les problèmes difficiles : Dans les situations délicates où les mathématiques deviennent complexes (comme le problème de Behrens-Fisher, qui implique la comparaison de deux groupes ayant des variances différentes et inconnues), les anciennes méthodes échouent souvent ou donnent des résultats trompeurs. La nouvelle méthode gère ces cas « complexes » avec la même fiabilité que les cas simples.

Résumé

Considérez cet article comme une nouvelle façon de cuisiter un gâteau quand vous n'avez pas de recette.

L'ancienne méthode : Vous devinez les ingrédients (l'a priori), vous les mélangez, et vous espérez que le gâteau aura bon goût. Parfois cela fonctionne, mais souvent c'est un désastre parce que votre supposition était erronée.
La nouvelle méthode : Vous vérifiez d'abord le garde-manger pour voir exactement quels ingrédients vous avez définitivement (la Carte des Possibilités). Ensuite, vous cuisinez un gâteau en utilisant uniquement ces ingrédients, garantissant ainsi que le gâteau sera comestible (l'Approximation Intérieure).

Le résultat est une méthode statistique qui n'a pas besoin d'inventer une histoire pour fonctionner. Elle part des données, construit un périmètre de sécurité « flou » autour de la vérité, puis extrait une réponse de probabilité nette et fiable du centre de cette zone de sécurité.

Résumé technique : No-prior Bayes reIMagined

1. Énoncé du problème

Le papier traite du défi fondamental de l'inférence statistique lorsque de véritables informations a priori font défaut. La stratégie « par défaut » standard dans de tels scénarios est le Bayes objectif (ou « Bayes sans a priori »), qui combine un « a priori par défaut » (par exemple, l'a priori de Jeffreys, l'a priori de droite de Haar) avec la vraisemblance via le théorème de Bayes. D'autres approches incluent l'inférence fiducielle généralisée et les distributions de confiance.

L'auteur soutient que, bien que ces constructions soient naturelles, elles souffrent d'un défaut critique : la fiabilité. Lorsque l'on utilise un a priori par défaut en l'absence de véritables croyances a priori, les probabilités a posteriori résultantes manquent d'une interprétation cohérente de « mise à jour ». Plus important encore, le théorème de la fausse confiance (Balch et al. 2019 ; Martin 2019) démontre qu'aucune de ces solutions de Bayes sans a priori ne possède de propriétés de fiabilité fortes. Plus précisément, il n'est pas rare que ces méthodes attribuent une probabilité élevée à des hypothèses fausses ou une probabilité faible à des hypothèses vraies. Par conséquent, le « poids inférentiel de formation de croyance » de ces a posteriori est discutable.

Le papier pose comme thèse que la racine de ce problème est l'insistance sur une quantification de l'incertitude probabiliste (mesures additives) alors que les données seules ne peuvent supporter une distribution de probabilité unique.

2. Méthodologie : L'approche « reIMagined »

La solution proposée, nommée reIMagined, déplace le cadre fondamental de la probabilité vers la théorie desPossibilités avant de revenir à une approximation probabiliste. La méthodologie procède en trois étapes :

A. Modèles Inférentiels (IM) possibilistes

Au lieu de commencer par un a priori, la méthode commence par un modèle inférentiel (IM) possibiliste.

Construction : L'IM utilise la fonction de vraisemblance relative $R(x, \theta)$ . Pour garantir la validité, il applique une étape de « validation » (une version de la transformation probabilité-vers-possibilité) pour générer un contour de possibilité $\pi_x(\theta)$ :
$\pi_x(\theta) = P_\theta \{ R(X, \theta) \leq R(x, \theta) \}$
Propriétés : Ce contour définit une mesure de possibilité $\Pi_x$ . Crucialement, cette construction garantit la validité :
$\sup_{\theta \in T} P_\theta \{ \pi_X(\theta) \leq \alpha \} \leq \alpha$
Cela implique que l'IM n'attribue des valeurs de possibilité faibles aux paramètres vrais que rarement, garantissant que les ensembles de confiance associés $C_\alpha(x) = \{ \theta : \pi_x(\theta) \geq \alpha \}$ possèdent une couverture fréquentiste exacte. Le résultat est une probabilité imprécise cohérente (mesure de possibilité) qui évite le phénomène de fausse confiance.

B. Approximation probabiliste interne

Reconnaissant que de nombreux praticiens préfèrent les sorties probabilistes, le papier propose d'extraire une approximation probabiliste interne du modèle inférentiel possibiliste.

Définition : L'objectif est de trouver une distribution de probabilité $Q_x$ qui est « dominée » par la mesure de possibilité ( $Q_x \preceq \Pi_x$ ) et qui est « maximalement diffuse ».
Caractérisation (Théorème 1) : Une probabilité $Q_x$ appartient à l'ensemble crédel de $\Pi_x$ si et seulement si elle peut être représentée comme un mélange de noyaux supportés sur les ensembles de niveau (ensembles de confiance) $C_\alpha(x)$ :
$Q_x(\cdot) = \int_0^1 K_\alpha^x(\cdot) M_x(d\alpha)$
où $M_x$ est une mesure de probabilité sur $[0, 1]$ et $K_\alpha^x$ est supportée sur $C_\alpha(x)$ .
La solution « interne » : Une approximation probabiliste interne $Q_x^*$ est définie comme un membre de cet ensemble crédel qui atteint l'égalité dans la condition de couverture :
$Q_x^* \{ C_\alpha(x) \} = 1 - \alpha \quad \text{pour tout } \alpha \in [0, 1]$
Cela correspond à prendre la distribution marginale $M_x$ comme étant Uniform $(0, 1)$ et le noyau $K_\alpha^x$ comme une distribution uniforme sur la frontière $\partial C_\alpha(x)$ .
Stratégie d'échantillonnage : Un échantillon de $Q_x^*$ $Q_{x}^{*}$ peut être tiré via une procédure en deux étapes :
1. Tirer un niveau $\alpha \sim \text{Unif}(0, 1)$ .
2. Tirer un point $\theta$ uniformément de la frontière de l'ensemble de confiance $C_\alpha(x)$ .

C. Calcul

Puisque les frontières exactes des ensembles de confiance sont souvent intraitables, le papier adopte une stratégie de calcul (issue de Martin 2026a) qui approxime le contour de l'IM en utilisant une collection « cousue » de mesures de possibilité gaussiennes. Cela implique de trouver un vecteur $\sigma$ tel qu'un ellipsoïde gaussien $C_\alpha^\sigma(x)$ encadre étroitement le véritable ensemble de niveau de l'IM $C_\alpha(x)$ , permettant ainsi un échantillonnage de Monte Carlo efficace.

3. Contributions clés et résultats

A. Propriétés théoriques

Accord avec les modèles invariants (Théorème 3) : Pour les modèles statistiques invariants sous un groupe de transformations (par exemple, les familles de localisation-échelle), l'approximation probabiliste interne proposée coïncide avec la solution standard de Bayes sans a priori basée sur l'a priori de droite de Haar. Cela établit que la nouvelle méthode récupère les solutions « étalon » dans les cas où un consensus existe.
Efficacité asymptotique (Théorèmes 4 & 5) : Le papier prouve une version du théorème de Bernstein–von Mises pour l'IM possibiliste. Lorsque la taille de l'échantillon $n \to \infty$ , le contour de l'IM converge vers un contour de possibilité gaussien, et l'approximation probabiliste interne converge vers une distribution gaussienne dont la covariance correspond à la borne inférieure de Cramér–Rao. Ainsi, la méthode est asymptotiquement efficace.
Appariement de probabilité (Théorème 2) : Les ensembles crédibles construits à l'aide de fonctions de classement comonotones avec le contour de possibilité (par exemple, le rapport de vraisemblance) sont des appariements de probabilité, ce qui signifie que leur crédibilité bayésienne est égale à leur couverture fréquentiste.

B. Marginalisation et sur-confiance

Le papier examine les risques liés à la marginalisation de ces distributions.

Le risque : La marginalisation probabiliste standard d'une distribution de confiance jointe conduit souvent à une sur-confiance (intervalles anti-conservateurs) pour les paramètres marginaux, particulièrement sous des transformations non linéaires.
La solution : Le papier distingue deux approches :
1. Marginalisation basée sur l'extension : Marginaliser l'IM d'abord (via le principe d'extension) puis l'approximer. Cela préserve la validité.
2. Marginalisation probabiliste : Marginaliser directement l'approximation interne.
Surjectivité de la frontière (Théorème 6) : Le papier montre que la marginale d'une approximation interne est une approximation interne de l'IM marginale si et seulement si la correspondance est surjective sur la frontière. Dans les cas où cela échoue (par exemple, fonctions non linéaires), la marginale probabiliste directe peut être sur-confiante. La stratégie recommandée est d'effectuer la marginalisation au niveau possibiliste (ou via le profilage) d'abord, puis d'extraire l'approximation interne.

C. Illustrations empiriques

Problème de Behrens–Fisher : Le papier applique la méthode au classique problème de Behrens–Fisher (inférence sur la différence de moyennes avec variances inégales et inconnues).
- Résultat : L'approximation probabiliste interne de l'IM marginal basé sur la vraisemblance profilée produit une solution qui est exacte en termes de couverture (contrairement au test $t$ de Welch ou au Bayes de Jeffreys) et plus efficace (longueur d'intervalle attendue plus courte) que la solution de l'a priori de droite de Haar, qui est plus conservatrice.
Données Gamma et directionnelles : Les illustrations sur les modèles Gamma et les données directionnelles (distribution de von Mises) démontrent que l'approximation interne correspond étroitement à la solution de l'a priori de droite de Haar dans les cas invariants, mais corrige la sur-confiance dans les cas non invariants ou marginaux.

4. Signification et revendications

Le papier affirme résoudre le « problème non résolu le plus important en inférence statistique » (Efron 2013) : l'utilisation du théorème de Bayes sans information a priori.

La fiabilité d'abord : La revendication centrale est qu'en privilégiant la fiabilité (étalonnage) via un cadre possibiliste, on évite la fausse confiance inhérente à toutes les solutions probabilistes existantes sans a priori.
Réconciliation : L'approche « reIMagined » comble le fossé entre la validité fréquentiste et le raisonnement de type bayésien. Elle fournit une distribution de probabilité dépendante des données qui :
- Possède des propriétés de couverture exacte (via l'IM sous-jacent).
- Est asymptotiquement efficace.
- Est en accord avec les solutions établies (a prioris de droite de Haar) dans les modèles invariants.
- Évite le besoin de spécification arbitraire d'un a priori.
Praticité : Le papier fournit un algorithme de Monte Carlo concret pour calculer ces approximations, rendant la théorie applicable à des problèmes complexes comme le problème de Behrens–Fisher, où les solutions traditionnelles sont soit conservatrices, soit manquent de consensus.

En résumé, le papier soutitient que le chemin vers une inférence sans a priori fiable n'est pas de trouver un « meilleur » a priori par défaut, mais de construire d'abord un IM possibiliste, puis d'en extraire une approximation probabiliste interne maximalement diffuse. Cela produit un « a posteriori » qui est à la fois probabiliste dans sa forme et valide dans sa performance fréquentiste.