📊 statistics

Hybrid Neutrosophic Regression ANOVA (HNRA): An Uncertainty-Aware Statistical Inference Framework Under Measurement Imprecision

Cet article introduit l'Analyse de Variance de Régression Neutrosophique Hybride (HNRA), un nouveau cadre statistique qui modélise l'imprécision des mesures sous forme d'intervalles neutrosophiques afin de fournir une décomposition bornée et sensible à l'incertitude des sommes des carrés ainsi qu'une statistique F formellement garantie, étendant ainsi l'ANOVA de régression classique aux scénarios impliquant des erreurs d'étalonnage d'instruments et une variabilité biologique sans nécessiter d'hypothèses distributionnelles préalables.

Auteurs originaux : Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Publié 2026-07-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jaida Najihah Jamidin, Zahari Md Ro, Sayang Mohd Deni, Siti Meriam Zahari

Article original sous licence CC BY 4.0 (https://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 êtes un détective essayant de résoudre un mystère à l'aide d'une loupe. Dans le monde de la science, cette loupe est un outil statistique appelé ANOVA de régression. Elle aide les chercheurs à déterminer si deux choses sont liées — par exemple, si le fait de vieillir fait rétrécir vos muscles. Pendant des décennies, les scientifiques ont utilisé cet outil en supposant que leurs mesures étaient parfaites, comme lire une règle qui ne vacille jamais. Mais dans le monde réel, rien n'est parfait. Une balance peut être légèrement décalée, un capteur peut avoir un bug, ou une personne peut oublier son âge exact. Ces minuscules erreurs sont appelées « imprécision de mesure ».

Lorsque vous ignorez ces erreurs, votre travail de détective peut paraître clair, mais il pourrait être trompeur. C'est comme essayer de deviner le poids d'un chat en portant des gants épais et brumeux ; vous obtiendrez peut-être un chiffre, mais vous ne saurez pas à quel point ce chiffre pourrait être faux. Certains scientifiques ont essayé de corriger cela en utilisant la logique « floue » (où les choses sont un peu vraies et un peu fausses) ou des méthodes « bayésiennes » (qui nécessitent de deviner une croyance de départ avant de commencer). Mais ces méthodes peuvent être compliquées, nécessiter des hypothèses supplémentaires ou ne pas donner les réponses classiques de type « oui/non » auxquelles les médecins et les régulateurs sont habitués. La grande question est la suivante : pouvons-nous construire un outil de détective qui admette que les gants sont brumeux, nous donne une réponse claire, et suive tout en respectant les vieilles règles établies ?

Ce document présente un nouvel outil appelé ANOVA de régression neutrosophique hybride (HNRA). Considérez cela comme une loupe surpuissante qui ne vous donne pas seulement un chiffre unique pour le poids du chat. Au lieu de cela, elle vous donne une plage — une « zone de sécurité » de possibilités. Si le chat pèse entre 4 et 6 livres, l'outil dit : « Nous sommes sûrs qu'il se situe dans cette plage ». Les auteurs, Jaida Najihah Jamidin et son équipe de l'Universiti Teknologi MARA, ont développé un cadre mathématique qui prend ces plages floues et les fait passer par les calculs de régression standards.

Voici ce qu'ils ont trouvé et prouvé. Premièrement, ils ont montré que cette nouvelle méthode fonctionne comme une traduction parfaite de l'ancienne méthode. Si vous retirez toute la brume (les erreurs de mesure), l'HNRA redevient exactement l'outil classique et de confiance tel qu'il était. Cela est crucial car cela signifie que la nouvelle méthode n'est pas une supposition sauvage ; c'est une mise à niveau sécurisée. Deuxièmement, ils ont prouvé que lorsque la brume s'épaissit (signifiant que les mesures deviennent moins précises), la « zone de sécurité » s'élargit, mais qu'elle ne rétrécit jamais ni ne se comporte étrangement. Elle croît de manière prévisible et constante.

L'équipe a testé cela sur un ensemble de données réelles impliquant 60 adultes, en examinant le lien entre la masse musculaire et l'âge. Dans le monde réel, mesurer la masse musculaire n'est pas exact ; elle peut varier d'environ ±10 % en raison du fonctionnement de la machine, et l'âge peut être erroné de ±0,5 an parce que les gens arrondissent vers le haut ou vers le bas. Lorsqu'ils ont appliqué leur nouvel outil HNRA, le résultat n'était pas un chiffre unique. Au lieu de cela, ils ont obtenu une plage pour la force de la connexion : la statistique F (un score qui indique la force de la preuve) se situait entre 116,52 et 260,02.

Pourquoi cela importe-t-il ? Dans l'ancienne méthode, un score de 174,06 (la moyenne) était déjà considéré comme une « victoire » car il était bien supérieur au seuil critique de 4,00. Mais avec l'HNRA, les scientifiques peuvent dire quelque chose d'encore plus fort : « Même dans le pire des scénarios, où les erreurs sont à leur maximum absolu, le score le plus bas possible est toujours de 116,52 ». Cela signifie que la conclusion — à savoir que l'âge et la masse musculaire sont définitivement liés — est inattaquable, peu importe à quel point les outils de mesure vacillent.

Le papier a également lancé 500 simulations informatiques pour voir comment l'outil gérerait différents niveaux de désordre. Ils ont découvert que même lorsque les mesures devenaient très négligentes (jusqu'à 25 % d'incertitude), l'outil tenait bon, maintenant la « zone de sécurité » large mais la conclusion stable. Cependant, les auteurs notent prudemment que cet outil est préférable pour les situations où l'on doit tenir compte d'erreurs de mesure connues, comme dans un laboratoire d'hôpital ou avec des bracelets connectés de fitness. Ce n'est pas une baguette magique qui répare tout ; si les données sont trop désordonnées ou si le signal est trop faible, la « zone de sécurité » peut devenir si large qu'elle cesse d'être utile. Mais pour les cas où nous connaissons les limites de nos outils, l'HNRA offre un moyen d'être honnête sur ces limites tout en obtenant une réponse fiable. C'est une façon de dire : « Nous savons que notre règle n'est pas parfaite, mais nous savons exactement à quel point elle est imparfaite, et nous pouvons quand même résoudre le mystère ».

Résumé Technique : Régression ANOVA Neutrosophique Hybride (HNRA)

Énoncé du Problème
L'Analyse de la Variance (ANOVA) classique basée sur la régression sous-tend l'inférence biomédicale quantitative, mais repose sur l'hypothèse que les variables prédictives ( $X$ ) et de réponse ( $Y$ ) sont observées comme des quantités exactes et sans erreur. En pratique, cette hypothèse est systématiquement violée par les limites de calibration des instruments, la variabilité biologique, les erreurs de rapport des capteurs et l'arrondi dans les données auto-déclarées. Bien que les méthodologies existantes — telles que la régression par intervalles, la régression floue et la régression bayésienne — tentent d'aborder l'imprécision de la mesure, elles souffrent de limitations spécifiques :

Régression par intervalles : Manque souvent d'une décomposition ANOVA standard ou d'une statistique $F$ conventionnelle.
Régression floue : Nécessite une paramétrisation subjective des fonctions d'appartenance et manque de tableaux ANOVA standards.
Régression bayésienne : Nécessite la spécification de distributions a priori et produit des distributions a posteriori plutôt que des statistiques $F$ fréquentistes.
Modèles neutrosophiques existants : Les travaux antérieurs ont établi la corrélation et la régression simple neutrosophiques, mais n'ont pas dérivé une décomposition complète de l'ANOVA de régression ( $SST_N = SSR_N + SSE_N$ ) avec des carrés moyens valant des intervalles et une statistique $F$ formellement bornée.

Par conséquent, il existe une lacune dans les cadres statistiques capables de propager l'incertitude structurelle de la mesure à travers la décomposition des sommes de carrés de l'ANOVA de régression tout en maintenant l'interprétabilité et la simplicité computationnelle des Moindres Carrés Ordinaires (MCO) classiques.

Méthodologie : Le Cadre HNRA
Le document présente la Régression ANOVA Neutrosophique Hybride (HNRA), un cadre qui représente les observations sous forme d'intervalles neutrosophiques et les propage à travers l'ANOVA de régression en utilisant l'arithmétique d'intervalles fermés.

Représentation par Intervalle Neutrosophique :
Les observations sont transformées en intervalles fermés $A_N = [A_L, A_U]$ . Pour un ensemble de données $(x_i, y_i)$ , les représentations neutrosophiques sont définies comme suit :
$X_{i,N} = [x_i - \delta_x, x_i + \delta_x]$
$Y_{i,N} = [(1-\delta_y)y_i, (1+\delta_y)y_i]$
où $\delta_x$ et $\delta_y$ représentent des paramètres d'incertitude non négatifs pour les prédicteurs et les réponses, respectivement.
Formulation du Modèle :
Le modèle HNRA conserve les estimations de coefficients MCO classiques ( $\hat{\beta}_0, \hat{\beta}_1$ ) calculées à partir des milieux des intervalles. Le modèle est exprimé par $Y_{i,N} = \beta_0 + \beta_1 X_{i,N} + \epsilon_{i,N}$ .

Valeurs Ajustées : Calculées en utilisant l'arithmétique d'intervalles, avec une application de permutation des bornes si $\beta_1 < 0$ pour maintenir l'ordre $[L, U]$ .
Sommes de Carrés : Les sommes de carrés totale ( $SST_N$ ), de régression ( $SSR_N$ ) et d'erreur ( $SSE_N$ ) sont calculées comme des intervalles en utilisant les règles de l'arithmétique d'intervalles fermés pour l'addition, la soustraction et le carré.
Statistique $F$ : La statistique $F$ à valeurs d'intervalle est définie comme $F_N = [F_L, F_U] = [MSR_L / MSE_U, MSR_U / MSE_L]$ , où les Carrés Moyens sont dérivés des sommes de carrés d'intervalles.

Classification de Décision :
Le cadre introduit une classification de signification à trois voies basée sur la relation entre l'intervalle $F$ $[F_L, F_U]$ et la valeur critique classique $F^*$ :

Uniformément Significatif : $F_L > F^*$ (Signification garantie à travers toutes les réalisations de l'incertitude).
Uniformément Non Significatif : $F_U < F^*$ .
Région de Sensibilité à l'Incertitude : $F_L \leq F^* \leq F_U$ (La conclusion dépend de la réalisation spécifique au sein des bornes d'incertitude).

Contributions Théoriques Clés
Le document établit quatre résultats théoriques prouvant que l'HNRA est une généralisation conservatrice et bien structurée de l'ANOVA de régression classique :

Théorème de Décomposition : Prouve que $SST_N \approx SSR_N + SSE_N$ tient composante par composante sous l'arithmétique d'intervalles, la divergence étant bornée par une fonction des paramètres d'incertitude ( $O(\delta_x + \delta_y)$ ).
Théorème de Convergence : Démontre qu'à mesure que les paramètres d'incertitude ( $\delta_x, \delta_y$ ) tendent vers zéro, toutes les quantités d'intervalle de l'HNRA convergent exactement vers leurs homologues "crisp" (nets) classiques.
Théorème de Monotonie : Établit que la largeur de toutes les statistiques à valeurs d'intervalle (y compris la statistique $F$ ) croît de manière monotone avec l'augmentation de l'incertitude de mesure, garantissant que l'augmentation du budget d'incertitude ne réduit jamais de manière fallacieuse les conclusions inférentielles.
Théorème de Bornage et de Positivité : Prouve que si les bornes inférieures des carrés moyens sont positives, la statistique $F$ d'intervalle est strictement positive et finie. Un corollaire garantit une signification statistique uniforme si la borne inférieure $F_L$ dépasse la valeur critique classique.

Résultats Expérimentaux
Le cadre a été validé à l'aide d'un ensemble de données biomédicales ( $n=60$ ) reliant la masse musculaire à l'âge, avec une incertitude de réponse de $\pm 10\%$ et une incertitude du prédicteur de $\pm 0,5$ an.

Application : La statistique $F$ classique était de 174,06. Le résultat HNRA a produit $F_N = [116,52, 260,02]$ . Puisque la borne inférieure (116,52) dépassait largement la valeur critique ( $F^* \approx 4,00$ ), la relation a été classée comme Uniformément Significative.
Analyse de Sensibilité : À travers des niveaux d'incertitude de 5 % à 25 %, la largeur de l'intervalle de $F_N$ a crû de manière monotone, mais la borne inférieure est restée nettement au-dessus du seuil critique, confirmant la stabilité de la conclusion sous une forte imprécision.
Étude de Simulation : Une étude de 500 réplications a confirmé que les estimations classiques tombaient systématiquement dans les intervalles HNRA. Une simulation factorielle étendue (18 000 ensembles de données) a montré une couverture de 100 % des valeurs $F$ classiques par les intervalles HNRA lorsque le carré moyen de l'erreur restait positif.
Scénarios Limites : Des scénarios synthétiques avec des tailles d'effet plus faibles ont démontré la "Région de Sensibilité à l'Incertitude", où l'ANOVA classique pourrait rapporter une signification tandis que l'HNRA identifie correctement que la conclusion est fragile face à l'incertitude de mesure.

Signification et Revendications
Le document affirme que l'HNRA offre une position distincte dans l'inférence statistique en :

Préservant l'Interprétabilité : Il utilise les coefficients MCO classiques, rendant les résultats familiers aux praticiens formés à la régression fréquentiste.
Éliminant les Hypothèses Distributionnelles : Contra\u00e0 la méthode bayésienne, il ne nécessite pas de priors ; contrairement aux méthodes floues, il ne nécessite pas de paramétrisation de fonction d'appartenance.
Fournissant des Garanties Formelles : Il offre une décomposition ANOVA complète et une statistique $F$ bornée avec des propriétés de convergence et de monotonie prouvées, qui étaient absentes des littérature antérieures sur la régression neutrosophique.
Répondant aux Besoins Réglementaires : Le cadre est directement applicable à la science des laboratoires cliniques et à l'épidémiologie où les normes (par exemple, ISO 5725, CLSI) exigent le rapport de l'incertitude de mesure aux côtés des résultats analytiques.

Limites et Travaux Futurs
Les auteurs notent explicitement plusieurs limitations :

Contrôle de l'Erreur de Type I : Le contrôle formel de l'erreur de Type I sous les intervalles neutrosophiques n'a pas encore été établi ; ainsi, l'HNRA est actuellement positionné comme un outil descriptif robuste et d'analyse de sensibilité plutôt que comme un test d'hypothèse fréquentiste entièrement validé.
Enveloppe Opérationnelle : Dans les régimes de faible signal avec une incertitude élevée, l'intervalle $F$ peut devenir informativement large (la "Région de Sensibilité à l'Incertitude") et la borne inférieure du carré moyen de l'erreur ( $MSE_L$ ) peut approcher zéro.
Portée : La formulation actuelle est limitée à la régression simple ( $k=1$ ). Les extensions à la régression multiple, aux bornes d'incertitude asymétriques et aux critères de sélection de modèle à valeurs d'intervalle (par exemple, AIC) sont identifiées comme des travaux futurs.

Résumé Technique : Régression ANOVA Neutrosophique Hybride (HNRA)

Articles similaires