Rethinking Model Selection in Choice Behavior

Résumé technique : Repenser la sélection de modèles dans le comportement de choix

Énoncé du problème
La recherche traditionnelle dans l'analyse expérimentale du comportement de choix s'est largement appuyée sur un « monisme théorique », où un modèle canonique unique (le plus souvent la Loi de Correspondance Généralisée ou des formulations spécifiques logit/probit) est sélectionné pour décrire le choix à travers divers contextes. Cette approche cadre la comparaison de modèles comme une recherche du modèle de formulation « correct » unique. Cependant, l'auteur soutient que cette perspective est fondamentalement en décalage avec les objectifs de l'analyse du comportement, qui privilégie la prédiction et le contrôle du comportement par la manipulation de variables environnementales (ex. : taux de renforcement, magnitudes, délais de changement de programme).

L'article postule qu'aucune forme paramétrique unique ne décrit de manière adéquate le choix dans tous les contextes. Les modèles statiques basés sur des rapports peuvent bien fonctionner sous des contingences stables, mais échouent à capturer les dynamiques dépendantes de l'histoire ou les environnements faiblement structurés. De plus, le recours à un modèle unique occulte souvent le fait que différents modèles capturent des composantes distinctes et manipulables de l'environnement. Le cadre méthodologique actuel, qui cherche un « meilleur » modèle universel, limite la capacité de construire des espaces d'hypothèses flexibles nécessaires au contrôle prospectif.

Méthodologie
L'article, rédigé par Naoki Kamiya, qui était affilié à l'Institut de mathématiques statistiques lorsque les travaux rapportés dans le manuscrit ont été menés et qui mène désormais ses recherches via le Relations & Behavior Lab à Tokyo, Japon, emploie un cadre bayésien unifié pour évaluer et intégrer plusieurs modèles de comportement de choix. La méthodologie se compose de trois composantes primaires :

1. Techniques d'apprentissage d'ensemble (Ensemble Learning) : Au lieu de sélectionner un seul « vainqueur », l'étude utilise deux méthodes d'ensemble :

   • Moyennage de modèles bayésiens (BMA - Bayesian Model Averaging) : Calcule les probabilités postérieures des modèles, en supposant qu'un des modèles candidats est le véritable mécanisme générateur de données (une perspective « M-close »).
   • Empilement (Stacking) : Détermine les poids optimaux en maximisant la densité de log prédictive hors échantillon (LOO - leave-one-out) d'une distribution de mélange, en supposant qu'aucun modèle candidat n'est pleinement correct (une perspective « M-open »). L'empilement privilégie la complémentarité prédictive plutôt que la fidélité structurelle.

2. Études de simulation :

   • Simulation 1 (Statique) : Des données de choix virtuelles ($N=2000$) ont été générées à l'aide d'une fonction logistique. Trois modèles linéaires généralisés (GLM) statiques ont été testés : un modèle de log-rapport (Loi de Correspondance Généralisée), un modèle Logit et un modèle Probit.
   • Simulation 2 (Dynamique) : Des données virtuelles ($N=3000$) ont été générées à l'aide d'un processus dépendant de l'histoire (modèle de Différence de Valeur). Quatre modèles ont été testés : un modèle simple (conséquence précédente uniquement), un modèle d'Interaction (choix $\times$ conséquence), un modèle de Différence de Valeur (mise à jour dynamique de la valeur) et un modèle GML Dynamique (mise à jour de rapport basée sur l'histoire).

3. Réanalyse empirique :

   • Deux ensembles de données classiques sur des programmes d'intervalle variable concurrents (VI) (Alsop & Elliffe, 1988 ; Elliffe & Alsop, 1996) ont été réanalysés.
   • Parce que les données étaient agrégées au niveau de la condition, une régression Beta a été utilisée avec des effets aléatoires spécifiques aux sujets.
   • Cinq modèles ont été comparés : trois modèles statiques (GML, différence de Logit, différence de Probit) et deux modèles pseudo-dynamiques incorporant des historiques de renforcement par moyenne mobile exponentielle (EWMA).
   • La sensibilité au paramètre de décroissance EWMA ($\lambda$) et la précision prédictive (ELPD) ont été évaluées.

Principales contributions

• Recadrage de la sélection de modèles : L'article soutient que la sélection de modèles ne doit pas être vue comme une compétition pour une loi universelle, mais comme une évaluation d'« approximations raisonnables » de questions théoriques spécifiques. L'adéquation d'un modèle est conditionnelle à l'objectif (explication vs prédiction), au mécanisme et au contexte.
• Distinction entre BMA et Empilement : L'étude démontre que les poids du BMA et de l'Empilement divergent souvent. Les poids du BMA reflètent la fidélité structurelle au processus générateur supposé, tandis que les poids de l'Empilement reflètent la complémentarité prédictive. Cette divergence souligne que différents modèles peuvent capturer des aspects distincts et non chevauchants de l'organisation comportementale (ex. : sensibilité à l'état stationnaire vs effets transitoires de l'histoire).
• Conception de modèles hybrides : L'article propose des formulations « hybrides » qui intègrent des structures de rapport statiques avec des termes dynamiques dépendants de l'histoire. Cela permet de tester systématiquement comment différents mécanismes temporels (ex. : répétition à court terme vs accumulation à long terme) contribuent conjointement au contrôle du choix.
• Espaces d'hypothèses dépendants du contexte : L'analyse montre que le « meilleur » espace d'hypothèses n'est pas invariant ; il se réorganise en fonction de la structure des contingences arrangées. Dans certains contextes, un modèle unique domine ; dans d'autres, l'espace est diffus, nécessitant plusieurs modèles pour expliquer les données.

Résultats

• Simulation 1 : Lorsque le processus générateur réel était un modèle Logit, le BMA a correctement attribué le poids le plus élevé au modèle Logit (0,72). Cependant, l'Empilement a attribué le poids le plus élevé au modèle Probit (0,70), le modèle Logit recevant 0,30. Cela s'est produit parce que la structure d'erreur du modèle Probit était légèrement plus complémentaire à celle du Logit dans le mélange, bien que le Logit soit le générateur réel. Le modèle de log-rapport a mal performé dans les deux mesures en raison d'un désaccord structurel (rapport vs différence).
• Simulation 2 : Lorsque le processus réel était dépendant de l'histoire (modèle de Différence de Valeur), le modèle réel a reçu le poids BMA le plus élevé (0,97). Cependant, l'Empilement a distribué les poids entre le modèle d'Interaction (0,23) et le GML Dynamique (0,31), indiquant que ces modèles capturaient des motifs temporels complémentaires (interactions à court terme vs tendances à long terme) qui amélioraient la précision prédictive globale.
• Réanalyse empirique (Données de 1988) : L'espace d'hypothèses était « fortement concentré » autour de la Loi de Correspondance Généralisée (GML). Les modèles de rapport statiques dominaient à la fois les poids BMA et d'Empilement, et les termes dynamiques n'ajoutaient que peu de valeur prédictive. Cela suggère que les contingences dans cet ensemble de données produisaient un contrôle basé sur des rapports stables.
• Réanalyse empirique (Données de 1996) : L'espace d'hypothèses était « diffus ». Aucun modèle unique n'a obtenu une dominance constante. Les poids des modèles étaient répartis entre les formulations GML, Logit et Probit, et les modèles dynamiques montraient des changements directionnels instables. Cela suggère que les contingences étaient faiblement structurées et que la relation entre le renforcement et le choix n'était pas invariante.
• Robustesse : La sensibilité du coefficient de l'historique de renforcement ($\beta_1$) et la précision prédictive (ELPD) étaient robustes à travers une large gamme de paramètres de décroissance EWMA ($\lambda$), indiquant que les conclusions concernant les effets de l'histoire n'étaient pas des artefacts de choix de paramètres spécifiques.

Signification et affirmations
L'article affirme que la recherche traditionnelle d'un modèle unique « correct » du choix est conceptuellement erronée compte tenu de la nature contextuelle du contrôle du comportement. En adoptant un cadre d'apprentissage d'ensemble, les chercheurs peuvent :

1. Construire des espaces d'hypothèses flexibles : Dépasser les hypothèses « M-close » pour reconnaître que plusieurs modèles peuvent être partiellement valides et capturer différentes composantes du processus comportemental.
2. Améliorer le contrôle prospectif : Les méthodes d'ensemble fournissent des distributions prédictives plus robustes pour prévoir le comportement sous de nouvelles contingences ou des contingences non stationnaires (ex. : changements dans les taux de renforcement ou les programmes).
3. S'aligner sur les objectifs de l'analyse du comportement : Cette approche aligne l'inférence basée sur les modèles avec les buts fondamentaux de l'analyse du comportement — description, prédiction et contrôle — en traitant les modèles comme des outils pour identifier les variables manipulables (sensibilité, biais, noyaux d'histoire) plutôt que comme des lois fixes de la nature.

L'auteur conclut que le progrès théorique en analyse du comportement dépend moins de la défense d'une forme paramétrique spécifique que de la conception d'espaces d'hypothèses plus riches qui reflètent les dimensions manipulables de l'environnement et les multiples processus par lesquels le renforcement exerce son contrôle.