📊 statistics

Time-Averaged Drift Approximations are Inconsistent for Inference in Drift Diffusion Models

Cet article démontre que l'approximation de la dérive moyennée dans le temps (TADA), couramment utilisée pour l'inférence efficace de paramètres dans les modèles de diffusion avec une dérive variant dans le temps, est statistiquement incohérente et conduit à des biais systématiques ainsi qu'à de fausses conclusions scientifiques.

Auteurs originaux : Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

Publié 2026-06-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sicheng Liu, Alexander Fengler, Michael J. Frank, Matthew T. Harrison

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

La vue d'ensemble : Une boussole cassée pour la prise de décision

Imaginez que vous essayiez de comprendre comment une personne prend une décision. Les scientifiques utilisent un outil mathématique appelé Modèle de Diffusion de Dérive (DDM - Drift Diffusion Model) pour faire cela. Considérez ce modèle comme un randonneur marchant dans une vallée brumeuse.

Le randonqueur est le cerveau de la personne qui accumule des preuves.
La brume est le bruit ou l'aléa dans ses pensées.
La vitesse et la direction du randonneur (la « dérive ») dépendent de son penchant pour l'Option A par rapport à l'Option B.
Les falaises de chaque côté de la vallée sont les limites de décision. Une fois que le randonneur atteint une falaise, il fait un choix.

Dans de nombreuses expériences modernes, la vitesse du randonneur n'est pas constante. Elle change d'un instant à l'autre en fonction de l'endroit où la personne regarde (son « regard »). S'il regarde l'Option A, il se déplace plus vite vers elle ; s'il regarde l'Option B, il ralentit ou part dans la direction opposée. C'est ce qu'on appelle un Modèle de Diffusion de Dérive Attentionnel (aDDM - Attentional Drift Diffusion Model).

Le problème : Le « raccourci » qui ment

Calculer exactement comment ce randonneur se déplace lorsque sa vitesse change constamment est incroyablement difficile et lent pour les ordinateurs. C'est comme essayer de calculer le trajet exact d'une voiture qui change de vitesse chaque seconde en fonction des feux de signalisation, tout en tenant compte de chaque nid-de-poule.

Pour faciliter les mathématiques, de nombreux chercheurs utilisent un raccourci appelé Approximation de Dérive Moyennée dans le Temps (TADA - Time-Averaged Drift Approximation).

L'analogie : Imaginez que vous vouliez savoir à quelle vitesse une voiture a parcouru un trajet. Au lieu de regarder le compteur de vitesse chaque seconde, vous prenez simplement la distance totale et la divisez par le temps total. Vous obtenez une « vitesse moyenne ».
L'hypothèse : Les chercheurs utilisant le TADA supposent que s'ils remplacent la vitesse changeante du randonneur par cette vitesse « moyenne » unique, les mathématiques fonctionneront de la même manière. Ils pensent : « Si j'utilise cette vitesse moyenne, je peux utiliser une formule simple et rapide pour déterminer les véritables préférences du randonneur. »

La découverte de l'article : Le raccourci est cassé

Les auteurs de cet article (Liu, Fengler, Frank et Harrison) ont prouvé que ce raccourci est fondamentalement erroné.

Ils ont montré qu'utiliser la « vitesse moyenne » (TADA) pour deviner les véritables préférences du randonneur conduit à des réponses fausses, et plus vous collectez de données, plus vous devenez confiant dans ces réponses fausses.

Voici les trois principales manières dont ils l'ont prouvé :

1. Le paradoxe du « voyage dans le temps »

L'article explique que le TADA est mathématiquement impossible à définir correctement.

L'analogie : Pour calculer la « vitesse moyenne » du randonneur en utilisant le TADA, vous devez savoir combien de temps le voyage a duré avant même que le voyage ne soit terminé.
La réalité : La « vitesse moyenne » dépend du moment exact où le randonneur atteint la falaise (le temps de décision). Or, le temps de décision est précisément ce que vous essayez de prédire !
Le résultat : Parce que le raccourci repose sur des informations provenant du futur (le temps de décision) pour calculer le présent (la vitesse), il crée un modèle « fantôme ». Ce n'est pas une description réelle du fonctionnement du cerveau ; c'est une illusion mathématique.

2. Le biais du « toujours trop élevé »

Les auteurs ont mené une démonstration mathématique simple et des simulations informatiques pour montrer ce qui se passe lorsqu'on utilise ce raccourci.

L'analogie : Imaginez que vous essayez de deviner le poids réel d'une boîte mystère. Vous utilisez une balance défectueuse qui ajoute toujours 5 livres au poids affiché.
- Si la boîte pèse 10 livres, la balance affiche 15.
- Si la boîte pèse 100 livres, la balance affiche 105.
- Peu importe le nombre de fois où vous pesez la boîte, la balance ne se rapproche jamais de la vérité. Elle est « incohérente ».
Le résultat : L'article prouve que le TADA surestime systématiquement la force de la « dérive ». Si une personne a une préférence modérée, le TADA vous dira qu'elle a une préférence très forte. Il ment systématiquement sur l'ampleur de l'effet.

3. Le « mauvais gagnant » dans les tests scientifiques

C'est la partie la plus dangereuse. Les auteurs ont montré que ce raccourci défectueux peut amener les scientifiques à tirer la mauvaise conclusion sur quel groupe de personnes est différent.

L'analogie : Imaginez que vous compariez deux coureurs, Alice et Bob, pour voir qui est plus rapide.
- Alice court sur une piste avec une légère pente montante.
- Bob court sur une piste plate.
- Vous utilisez un chronomètre défectueux (TADA) qui tourne lentement en montée mais rapidement sur terrain plat.
- Même si Alice est réellement plus rapide, votre chronomètre défectueux pourrait dire que Bob est plus rapide, simplement à cause des conditions de la piste, et non à cause de leurs capacités de course.
Le résultat : L'article a simulé deux groupes de personnes ayant des styles d'attention légèrement différents. Lorsqu'ils ont utilisé les mathématiques correctes et standards, ils ont trouvé la différence réelle. Lorsqu'ils ont utilisé le raccourci TADA, les résultats étaient si déformés qu'ils ont conclu que le groupe opposé était le plus fort. Ils ont trouvé une « signification statistique » pour une différence qui n'existait pas, ou ont manqué une différence réelle.

La solution : Ne pas utiliser le raccourci

L'article conclut que bien que le TADA soit rapide et facile, il est dangereux pour la recherche scientifique. Il conduit à des résultats biaisés et à de fausses conclusions.

Au lieu du raccourci, les auteurs pointent vers une nouvelle méthode, rapide et mathématiquement correcte, qu'ils ont développée dans un article séparé (appelée efpt).

L'analogie : Au lieu de la balance défectueuse de la « vitesse moyenne », ils ont construit une nouvelle balance de haute technologie capable de gérer les vitesses complexes et changeantes du randonneur sans s'embrouiller. Elle est aussi rapide que le raccourci, mais elle donne la vraie réponse.

Résumé

L'outil : Les scientifiques utilisent des modèles pour comprendre comment l'attention affecte la prise de décision.
L'erreur : Beaucoup utilisent un raccourci de « moyenne temporelle » (TADA) pour simplifier les mathématiques.
La découverte : Ce raccourci est mathématiquement incohérent. Il ne converge pas vers la vérité ; il surestime systématiquement les effets et peut inverser les résultats des tests scientifiques, faisant croire qu'un groupe est différent des autres alors qu'il ne l'est pas (ou vice versa).
Le conseil : Arrêtez d'utiliser le TADA. Utilisez les nouvelles méthodes rapides et précises (comme efpt) développées par les auteurs pour obtenir la bonne réponse.

Résumé technique : Les approximations de la dérive par moyenne temporelle sont incohérentes pour l'inférence dans les modèles de diffusion de dérive (DDM)

Énoncé du problème
Les modèles de diffusion de dérive (DDM) sont largement utilisés pour modéliser l'accumulation de preuves dans les tâches de prise de décision. Bien que les DDM standards avec des paramètres de dérive constants admettent des solutions de vraisemblance en forme close, de nombreuses extensions — particulièrement le Modèle de Diffusion de Dérive Attentionnelle (aDDM) — intègrent des taux de dérive qui varient à la fois au sein d'un essai (variation temporelle) et entre les essais (variation inter-essais). Dans l'aDDM, le taux de dérive $\mu(t)$ dépend de la trajectoire de fixation visuelle instantanée du participant.

L'évaluation de la vraisemblance pour de tels modèles est extrêmement coûteuse en termes de calcul car la fonction de dérive est unique à chaque essai, ce qui empêche le partage de calculs entre les essais. Pour contourner cela, les chercheurs utilisent fréquemment l'Approximation de la Dérive par Moyenne Temporelle (TADA). La TADA simplifie le modèle en remplaçant la dérive variable dans le temps $\mu(t)$ par sa moyenne temporelle sur la durée de l'essai $\tau$ , convertissant ainsi efficacement le problème en un DDM standard avec une dérive « effective » constante. Cette approximation permet d'utiliser des formules de vraisemblance analytiques, permettant une inférence rapide des paramètres. Cependant, la validité de la TADA en tant que substitut du véritable aDDM, particulièrement concernant la cohérence de ses estimateurs, n'a pas été rigoureusement établie.

Méthodologie
Les auteurs emploient une combinaison d'analyse mathématique et de simulation numérique pour évaluer les propriétés statistiques de la TADA.

Preuve mathématique d'incohérence :
Les auteurs construisent un contre-exemple simplifié : un mouvement brownien avec une dérive constante par morceaux (dérive $\mu$ pour $t \in [0, T]$ et 0 par la suite) atteignant une limite supérieure unidirectionnelle.
- Ils dérivent la densité exacte du premier temps de passage (FPTD) pour ce processus, notée $f_{aDDM}(\tau; \mu)$ .
- Ils dérivent la FPTD impliquée par la TADA, notée $f_{TADA}(\tau; \mu)$ , qui repose sur la dérive moyenne $\alpha(\mu, \tau, T) = \frac{1}{\tau}\int_0^\tau \mu(t) dt$ .
- Ils démontrent que $f_{TADA}$ n'est pas une fonction de densité de probabilité valide (elle ne s'intègre pas à 1) car la dérive « effective » dépend du temps d'arrêt $\tau$ lui-même, créant une dépendance circulaire qui viole la définition d'un modèle génératif.
- En utilisant la loi forte des grands nombres, ils prouvent que l'estimateur de maximum de vraisemblance de la TADA ( $\hat{\mu}_{TADA}$ ) converge presque sûrement vers une valeur $\tilde{\mu}$ qui est strictement supérieure à la véritable dérive $\mu$ (spécifiquement, $\tilde{\mu} > \max\{\mu, b/T\}$ ), établissant ainsi une incohérence statistique.
Simulations numériques :
Les auteurs valident leurs résultats théoriques à travers trois expériences numériques :
- Limite unidirectionnelle : Simulation du modèle de dérive constante par morceaux pour confirmer que $\hat{\mu}_{TADA}$ converge vers la limite théorique biaisée plutôt que vers le vrai $\mu$ , tandis que l'estimateur de maximum de vraisemblance (MLE) standard reste cohérent.
- Limites bidirectionnelles : Simulation d'un DDM avec des dérives alternées entre deux limites. En utilisant un nouvel algorithme efficace (efpt) développé dans des travaux parallèles (Liu et al., 2025) pour calculer les vraisemblances exactes, ils montrent que la TADA surestime systématiquement l'amplitude des paramètres de dérive.
- aDDM complet : Simulation du modèle attentionnel complet avec des dérives dépendantes du regard. Ils estiment le paramètre de réduction attentionnelle $\eta$ (où $\eta=1$ implique l'absence d'effet attentionnel et $\eta=0$ implique un effet attentionnel maximal). Ils comparent les estimations TADA aux MLE exacts à travers différentes tailles d'échantillon.

Résultats clés

Incohérence statistique : L'estimateur TADA est mathématiquement prouvé comme étant incohérent. Lorsque la taille de l'échantillon $n \to \infty$ , l'estimateur ne converge pas vers la valeur réelle du paramètre mais vers une limite biaisée.
Biais systématique : Dans les exemples numériques, la TADA surestime systématiquement les magnitudes de dérive et sous-estime systématiquement le paramètre de réduction attentionnelle $\eta$ . Par exemple, lorsque le vrai $\eta$ est faible (effets attentionnels forts), les estimations de la TADA peuvent devenir négatives, ce qui est physiquement dépourvu de sens.
Échec des tests d'hypothèse : Le biais introduit par la TADA n'est pas uniforme ; il dépend des paramètres de nuisance (ex: séparation des limites, échelle de dérive) et des distributions de covariables. Par conséquent, lors de la comparaison de deux populations ayant des paramètres de nuisance différents, la TADA peut conduire à des conclusions qualitativement incorrectes. Les auteurs démontrent des scénarios où la TADA inverse incorrectement le signe de la différence d'effets attentionnels entre deux groupes, menant à des faux positifs ou des faux négatifs dans les tests de rapport de vraisemblance.
Validité des méthodes exactes : En revanche, le MLE standard (calculé via l'algorithme efpt) reste cohérent et récupère avec précision les vrais paramètres dans tous les scénarios testés.

Signification et revendications
L'article affirme que l'utilisation généralisée de la TADA pose un risque important de biais dans les conclusions scientifiques. Les auteurs soutiennent que, puisque la TADA ne définit pas un modèle génératif bien spécifié (la dérive dépend du futur temps de passage), sa fonction de vraisemblance est invalide et ses estimateurs sont fondamentalement erronés.

La portée de ce travail réside dans :

Correction d'une pratique courante : Elle remet en question l'hypothèse selon laquelle la TADA est une approximation valide pour l'aDDM, suggérant que les études précédentes s'appuyant sur cette approximation pourraient avoir rapporté des estimations de paramètres biaisées.
Mise en évidence des risques qualitatifs : Elle démontre que le biais n'est pas seulement quantitatif mais peut altérer la direction des conclusions scientifiques concernant les différences de population.
Promotion d'alternatives rigoureuses : Les auteurs préconisent l'utilisation de méthodes de calcul de vraisemblance rapides et mathématiquement justifiées (telles que l'algorithme efpt cité dans leurs travaux parallèles) plutôt que des approximations statistiquement incohérentes mais opportunes sur le plan computationnel. Ils recommandent de réexaminer les résultats existants obtenus via la TADA.

Les auteurs maintiennent un ton modeste quant à la portée de leurs conclusions, notant que si leur analyse invalide la cohérence de la TADA, elle n'invalide pas nécessairement toutes les conclusions qualitatives des études antérieures, bien qu'elle soulève de sérieuses inquiétudes quant à leur fiabilité. Ils soulignent que l'incohérence provient spécifiquement du fait que le « paramètre effectif » dépend du premier temps de passage lui-même, une condition courante dans les DDM dépendant du temps.