Déterminer un modèle qui s’ajuste au plus près des données observées

Bien souvent négligée, l’erreur dans la spécification d’une fonction de mesure (nommée souvent « modèle ») peut avoir un effet significatif sur les résultats d’une méthode de mesure. La modélisation, étape clef de l’étalonnage, ne se limite pas à l’estimation ponctuelle des paramètres de la fonction de mesure choisie (coefficients du modèle). Elle doit aussi évaluer les incertitudes sur les paramètres de cette fonction afin d’estimer la part d’incertitude qui lui est due dans l’expression d’un résultat de mesure. Cette incertitude est qualifiée par abus « d’incertitude de modélisation ». Cette fiche aborde les mécanismes à l’œuvre lorsque l’on réalise une régression linéaire et vous amène à réfléchir quant au choix de votre modèle.