Chapitre II
Matériel et méthodes
22
Ainsi, toutes les valeurs des paramètres sont estimées en une seule étape pour toutes les données
disponibles, en minimisant la somme pondérée des écarts quadratiques entre les données observées
et les prédictions du modèle :
𝐸 𝑟 = √∑ 𝛽𝑖
𝑛
i=1
(
𝑌𝑖 − 𝑌 ̂ 𝑖
𝑌𝑖
)²
Où
• n est le nombre total de points de données (réel et 'pseudo-données') ;
• βi le coefficient de pondération ;
• 𝑌𝑖 et 𝑌 ̂ 𝑖 sont respectivement les observations et les prédictions du modèle.
Le concept de « pseudo-données » est utilisé pour éviter une combinaison irréaliste de paramètres
et pour maintenir les règles de covariation des valeurs de paramètres impliquées par les lois
physiques, sur lesquelles la théorie DEB est construite.
Les « pseudo-données » sont en fait un ensemble de valeurs de paramètres primaires ou composés
pour un animal généralisé obtenu à partir d'une grande collection de paramètres estimés à partir de
divers ensembles de données pour une grande variété d'espèces (Kooijman et al., 2010).
Les estimations ne devraient pas entraîner d'écarts importants par rapport à ces valeurs, car les
animaux partagent la plupart des propriétés métaboliques (Kooijman et al., 2010; Lika et al.,
2011).
Différents coefficients de pondération sont associés à la fois aux vraies observations et aux pseudodonnées : un coefficient de poids élevé implique une grande confiance dans les données et / ou les
pseudo-données. Ils ont typiquement des coefficients de poids plus faibles par rapport aux données
réelles. Parmi les données réelles, les coefficients de pondération visent principalement à refléter
la certitude des données. La comparaison entre les différents ensembles de paramètres (Veer et al.,
2006; Rosland et al., 2009) est faite par une erreur globale (E) et une note de qualité d'ajustement
calculée comme :
𝐸 =
√
∑ (
𝑌𝑖 − 𝑌 ̂ 𝑖
𝑌𝑖
)²
𝑛
i=1
∑ 𝛽𝑖
𝑛
i=1
Où n est le nombre de points de données, βi le coefficient de pondération et 𝑌𝑖 et 𝑌 ̂ 𝑖 sont
respectivement les observations et les prédictions du modèle.