analyse compartimentale (3) Flashcards
que suppose le modèle d’analyse cpt
corps humain est représenté par une boite
cmt phoenix estime les paramètres PK qui décrivent le déplacement du med dans la boite (humain)
[ ] prélevées puis :
1. essaye des valeurs de param PK pour chaque individu
2. calcule prédiction des [ ] avec les valeurs de #1
3. compare prédictions avec observations
4. refait jusqu’à avoir la plus petite fct objective
sur un graphique de la fonction objective en fonction de paramètres X et Y, que représentent X et Y
paramètres PK (valeurs posées par phoenix)
que mesure la fct objective?
écart entre ce qui est prédit et observé
2 façons de calculer la fct objective
- moindres carrés ordinaires (OLS)
- moindres carrés pondérés (WLS)
entre OLS et WLS, lequel prioriser?
WLS (donne moins d’erreur)
WLS : nommer les fonctions de poids possibles (4)
- 1/obs
- 1obs^2
- 1/pred
- 1/pred^2
WLS : fct de poids sensibles aux valeurs extrêmes
- 1/obs
- 1obs^2
WLS : fct de poids biaisé lorsque le modèle structural est erroné
- 1/pred
- 1/pred^2
erreur résiduelle
écart entre les données prédites et observées
V ou F : l’erreur résiduelle peut varier avec le temps ou les valeurs
V
utilités de WLS
- avoir une erreur constante (quand l’erreur résiduelle varie en fct du temps ou des valeurs)
- mieux estimer les plus petites concentrations
à quoi faut-il faire attention lorsqu’on tente de trouver la fonction objective minimal
minimum locaux
solution pour éviter les minimum locaux
recommence le modèle avec différents estimés locaux
graph observed Y and Predicted Y vs : axes
- Y : concentration
- X : temps
graphiques diagnostiques : predicted Y vs observed Y : droite idéal
X = Y (donc predicted = observed)
graphique diagnostique : residual Y vs predicted Y : résiduelles inadéquates donnent des tendances …
homoscédastique
graphique diagnostique : residual Y vs predicted Y : résiduelles adéquates donnent des tendances …
hétéroscédastique (erreur est aléatoire)
à quoi ressemble des graph qui ont un mauvais modèle structural
- forme de paraboles + ou -
- forme de pente (une droite)
à quoi ressemble des graph qui ont une mauvaise pondération
- forme de cônes (grossis ou plus petit)
- forme de cercle
solution si on obtient un graphique avec un mauvais modèle structural
changer le nbr de cpt
solution si on obtient un graphique avec une mauvaise pondération
changer la pondération sur pheonix
quel graph utiliser quand on change la pondération?
weighted residual Y vs Predicted Y
comment corriger le problème de pondération?
ajouter le poids
expliquer ce que l’exactitude
la différence entre la valeur estimée et la vraie valeur
expliquer ce que la précision
dispersion de la population p/r à la vraie valeur
que signifie un CV > 40-50%
surparamétrisation (trop cpt, faut simplifier)
nbr de conditionnement
chiffre qui rapporte une idée de la paramétrisation du modèle
que signifie un grand nbr de conditionnement
modèle sur-paramétrisé (un ou plusieurs paramètres ne peuvent être estimés précisément)
AIC
outil permettant de comparer la validité du lissage entre des modèles concurrents pour un même ensemble de données
le CV se calcul à partir de la précision ou de l’exactitude
précision
un petit AIC indique …
meilleur lissage
condition pour que AIC soit utilisée
SLM SI la méthode de calcul de la fct objective est la même (faut que OLS et WLS utilisent même fct objective)
v ou f: l’erreur résiduelle doit être aléatoire
V, on ne recherche pas une erreur qui varie à des moments ou valeurs précises
