Possibilistic inferential models: a review

Titre : Modèles Inférentiels Possibilistes : Une Revue
Auteur : Ryan Martin
Date : 13 novembre 2025

1. Énoncé du problème et motivation

L'article aborde le défi fondamental de la quantification de l'incertitude basée sur les données et de l'inférence inductive concernant des paramètres inconnus ($\Theta$) en l'absence d'informations a priori authentiques. L'auteur soutient que les approches probabilistes traditionnelles — spécifiquement l'inférence bayésienne avec des priors par défaut et l'argument fiducial de Fisher — souffrent d'un manque inhérent de fiabilité.

Le problème central est identifié comme le phénomène de « fausse confiance ». Comme l'établit le théorème de la fausse confiance (Balch et al., 2019), toute quantification de l'incertitude probabiliste dépendante des données (qu'il s'agisse de Bayes, fiduciale ou autre) qui attribue des valeurs de probabilité précises aux hypothèses attribuera, dans des cas d'informations a priori vides, inévitablement une probabilité élevée à certaines hypothèses fausses. Cela conduit à des « conclusions systématiquement trompeuses ». L'auteur postule que cela ne constitue pas un défaut de priors spécifiques ou de constructions fiduciales, mais une limitation de la théorie des probabilités elle-même lorsqu'elle est appliquée à l'incertitude épistémique (ambiguïté de spécification) sans connaissance préalable.

L'article soutient que pour atteindre la fiabilité, il faut dépasser la probabilité additive pour aller vers la probabilité imprécise, et plus précisément la théorie des possibilités. L'objectif est de construire un cadre offrant une quantification de l'incertitude entièrement conditionnelle, de type bayésien, tout en maintenant une fiabilité fréquentiste prouvable (étalonnage).

2. Méthodologie : Modèles Inférentiels Possibilistes (IP)

L'article examine et étend la construction des Modèles Inférentiels Possibilistes (IP). Contrairement au cadre IP original (Martin et Liu, 2015b) qui reposait sur un processus en trois étapes impliquant une association génératrice de données ($Z = a(\Theta, U)$) et des ensembles aléatoires, l'approche examinée se concentre sur une construction plus directe, basée sur la vraisemblance, qui évite la nécessité d'une réduction manuelle de la dimension ou de choix d'association spécifiques.

Étapes clés de la construction :

1. Classement : La méthode utilise une fonction de classement pour évaluer la compatibilité des valeurs de paramètres $\theta$ avec les données observées $z$. Dans le cas standard, il s'agit de la vraisemblance relative :
   $$R(z, \theta) = \frac{p_\theta(z)}{\sup_{\vartheta} p_\vartheta(z)}$$
   L'article note que d'autres fonctions de classement (par exemple, vraisemblance profilée, risque empirique) peuvent être utilisées selon le contexte.
2. Validation : Pour garantir la fiabilité, la fonction de classement est transformée en un contour de possibilité $\pi_z(\theta)$ via une transformation probabilité-possibilité. Cette étape « valide » le classement en l'étalonnant par rapport à la distribution d'échantillonnage :
   $$\pi_z(\theta) = P_\theta \{ R(Z, \theta) \leq R(z, \theta) \}$$
   Ce contour satisfait $\sup_\theta \pi_z(\theta) = 1$, avec le maximum atteint à l'estimateur du maximum de vraisemblance.
3. Quantification de l'incertitude : Le contour définit une mesure de possibilité (probabilité supérieure) $\Pi_z$ et une mesure de nécessité (probabilité inférieure) $\bigtriangledown_z$ :
   $$\Pi_z(H) = \sup_{\theta \in H} \pi_z(\theta), \quad \bigtriangledown_z(H) = 1 - \Pi_z(H^c)$$
   Ces mesures quantifient la plausibilité et la nécessité des hypothèses $H$ concernant $\Theta$.

Gestion des paramètres de nuisance :
L'article détaille deux stratégies pour éliminer les paramètres de nuisance :

• Extension : Une opération générale utilisant le principe d'extension (optimisation sur l'espace du paramètre de nuisance), qui préserve la validité mais peut être conservatrice.
• Profilage : Une approche plus efficace qui classe les valeurs de paramètres d'intérêt en utilisant une vraisemblance profilée relative avant la validation. Cela génère généralement une efficacité supérieure à la marginalisation basée sur l'extension.

Calcul :
L'article examine une nouvelle stratégie de calcul (Martin, 2025b) qui évite les évaluations de grille coûteuses. Elle construit un « ensemble crédal » (un ensemble de probabilités précises dominées par la mesure de possibilité) et échantillonne à partir d'une « approximation probabiliste interne » (souvent une distribution uniforme sur la frontière des ensembles de confiance). Ces échantillons sont ensuite transformés en une mesure de possibilité, facilitant l'évaluation par Monte Carlo.

3. Contributions et résultats clés

A. Propriétés théoriques

• Validité forte : L'IP possibiliste est prouvé être fortement valide. Spécifiquement, pour tout $\alpha \in [0, 1]$ :
  $$\sup_{\theta \in \mathcal{T}} P_\theta \{ \pi_Z(\theta) \leq \alpha \} \leq \alpha$$
  Cela implique que les ensembles de niveau supérieur $\alpha$ du contour sont des ensembles de confiance exacts à $100(1-\alpha)\%$. Contrairement aux ensembles crédibles bayésiens, ceux-ci ne nécessitent pas d'approximation asymptotique pour atteindre une couverture fréquentiste.
• Contrôle de la fausse confiance : Le cadre IP contrôle le taux de fausse confiance (FCR). Pour toute hypothèse $H$, la probabilité que l'IP attribue une probabilité inférieure élevée à une $H$ fausse est bornée par le niveau de signification $\alpha$. Cela résout le manque de fiabilité inhérent aux méthodes probabilistes.
• Efficacité (Bernstein–von Mises) : Un nouveau théorème possibiliste de Bernstein–von Mises est présenté (Martin et Williams, 2025). Il établit que, sous des conditions de régularité standard, le contour de possibilité $\pi_{Z_n}$ converge vers une mesure de possibilité gaussienne dont la variance correspond à la borne inférieure de Cramér–Rao. Ainsi, l'IP est asymptotiquement efficace, égalant la performance des estimateurs classiques sans sacrifier la validité.

B. Généralisations

• Au-delà des modèles paramétriques : Le cadre est étendu à des contextes où une vraisemblance paramétrique n'est pas disponible (par exemple, apprentissage automatique, minimisation du risque). En remplaçant la vraisemblance par une fonction de classement générale $\rho(z, \theta)$ (par exemple, risque empirique négatif), la construction IP reste valide.
• Prédiction : L'article démontre un lien avec la prédiction conforme. En appliquant le cadre IP aux problèmes de prédiction (traitant l'observation future comme un paramètre de nuisance à éliminer par conditionnement sur la distribution empirique), il est démontré que le contour IP prédictif résultant est équivalent à la sortie des algorithmes de prédiction conforme inductive.
• Paramètres de nuisance : L'article clarifie que, bien que le profilage soit généralement plus efficace, il peut souffrir dans des contextes de nuisance de haute dimension (par exemple, problèmes de Neyman-Scott), suggérant la nécessité de vraisemblances marginales ou conditionnelles dans de tels cas.

4. Importance et affirmations

L'article affirme que les IP possibilistes représentent une avancée significative dans les fondements statistiques en :

1. Unifiant et comblant les lacunes : Le cadre offre une « unification » des objectifs fréquentistes et bayésiens, mais plus important encore, il comble les lacunes des deux. Il fournit l'inférence entièrement conditionnelle et dépendante des données souhaitée par les bayésiens tout en garantissant le contrôle du taux d'erreur fréquentiste requis par les fréquentistes.
2. Résolvant la crise de la « fausse confiance » : Il fournit une solution mathématiquement rigoureuse au problème de la fausse confiance, prouvant que la quantification de l'incertitude probabiliste est intrinsèquement peu fiable en l'absence d'informations a priori, alors que la quantification possibiliste ne l'est pas.
3. Réinterprétant les concepts classiques : L'article soutient que les valeurs p et les intervalles de confiance sont naturellement interprétés comme des mesures de possibilité (mesures de plausibilité) et des ensembles de valeurs de paramètres plausibles, respectivement. Cela fournit une justification rigoureuse pour l'utilisation pratique de ces outils, qui a fait défaut dans la littérature.
4. Applicabilité pratique : Grâce à de nouveaux outils de calcul et à des liens avec la prédiction conforme et les méthodes de bootstrap, l'article soutient que les IP ne sont pas de simples constructions théoriques mais sont évolutifs vers des problèmes statistiques et d'apprentissage automatique modernes, y compris la minimisation du risque et la prédiction.

L'auteur conclut que, bien que le domaine des IP soit encore en développement (notamment en ce qui concerne l'évolutivité en haute dimension et les informations a priori non vides), le cadre offre une alternative robuste, fiable et flexible aux paradigmes existants, répondant à une crise fondamentale dans l'inférence statistique.