(Merci à Myke de ce rappel opportun d'une prédiction faite ….en 2007 et qui ne s'est pas encore produite…)
• • • • •
Un nouveau modèle climatique donne un réchauffement brutal dès 2009.
Publié le lundi 3 septembre 2007. Actualité publiée dans Nature
Article retiré suite à la réclamation du site Spectro Sciences… (Voir commentaire N°32, ci-dessous)
(Mais pour compenser mais toujours sur le même site d'infos, voici une annonce de refroidissement.
La fin du réchauffement climatique ?
Le professeur Lev Karline, recteur de l’Université d’hydrométéorologie de Saint-Pétersbourg, qui est également un Centre régional de formation de l’Organisation météorologique mondiale, estime que le réchauffement climatique touche à sa fin.
Le point de vue le plus répandu parmi les chercheurs, explique Lev Karline, est que le climat a eu, au cours des 150 dernières années, une tendance marquée à un réchauffement progressif. Et les modèles mathématiques donnent parfois raison à certains défenseurs du caractère inévitable d’un prochain réchauffement de notre planète. D’aucuns n’excluent pas de leurs prévisions des scénarios apocalyptiques d’élévation de la température du globe de deux ou trois degrés Celsius dans les toutes prochaines années, avec l’ensemble des conséquences sur notre environnement.
« Mais il existe aussi d’autres points de vue, diamétralement opposés, défendus notamment par les chercheurs de notre Université », poursuit Lev Karline. « Les modifications climatiques que nous avons observées ces cents dernières années s’expliquent, selon nous, mis à part l’influence technologique de l’homme, essentiellement par la versatilité naturelle ». Autrement dit, « par les liens Soleil-Terre, par l’activité solaire et d’autres facteurs ». Il est facile de se convaincre (selon Lev Karline, NDLR), si l’on analyse les facteurs cosmogéophysiques, qu’il y a trois ou quatre ans, ces facteurs étaient au plus bas, et que d’ici quelques années la tendance au réchauffement climatique finira par évoluer vers un refroidissement progressif, poursuit Lev Karline. « Il y a tout lieu de penser que les prévisions augurant un réchauffement climatique ne vont pas se justifier : dans les prochaines décennies, nous retrouverons les normes climatiques que nous avons connues dans les années 70 du XXe siècle, affirme le chercheur pétersbourgeois ».
Origine : BE Russie numéro 21 (9/06/2009) – Ambassade de France en Russie / ADIT
(NdBdP : L'avertissement parle de lecture au premier et au second degré et cite Realclimate. com comme référence, à lire au degré que l'on préfère. Si on lit l'anglais, on peut AUSSI aller là pour avoir tous les termes du débat Watts up whit that, Climate audit, Global warming science -liste non limitative-).
240 réponses à “L’hiver sera-t-il chaud ?”
merci orangina, j’espère que vous n’êtes pas trop secoué par tout cela
Robert (#98),
De la part de quelqu’un qui ne comprend même pas ce qu’il écrit… c’est amusant… 😉
Bah non…. the « standard deviation », ce n’est pas la variance, mais l’écart-type (soit la racine carrée de la variance)….
Les bras m’en tombent…. on parle d’une série de température (donc d’un signal unique), pas d’un ensemble de grandeurs physiques que l’on veut corréler … sauf si tu veux corréler la température avec le temps qui passe…. 😉
La co-variance n’a ici aucun sens…. et non, la variance d’un signal ne tend pas vers 0 quand le nombre de mesures tend vers l’infini, et non, elle ne diminue pas toujours avec le nombre de mesures.
Pour t’en convaincre, fait un tirage aléatoire binaire équiprobable avec des +1 et de -1. La moyenne du tirage sera 0, et la variance sera de 1, quelque soit le nombre de tirages (y compris pour une infinité)
… va donc prendre des cours élémentaires de stats
Quand a ce que tu aurait calculé avec Matlab, je ne sais pas ce que c’est, mais vu ta non-compréhension des bases des statistiques, cela ne doit pas être très utile.
@orangina #99 (déjà secouée) et Robert #100
Nous ne savons pas combien de fois, il va falloir vous le répéter et en quelle langue….
Ce que vous dites est exprimé dans un langage approximatif indigne d’un scientifique. Ensuite et si je comprends malgré tout ce que vous voulez dire, cela n’est vrai que pour des fluctuations aléatoires. Par contre cela est faux pour un signal présentant des variations temporelles significatives, comme pour le climat.
Il vous faut retourner à l’école et revoir les cours élémentaires sur les erreurs de mesure, le rapport signal sur bruit, les différentes sortes de bruit (par exemple en 1/f), les sources de bruit, le traitement du signal etc…
En ce qui me concerne, et tant que vous ne l’aurez pas fait, je ne crois pas possible de continuer la discussion sur ce sujet.
Misère ! Marot, Murps, Minitax, scaletrans etc. Nous avons raté toute une génération d’étudiants !
Il y a un peu d’incompréhension là-derrière… Je n’ai pas voulu dire que variance=déviation standard, mais que tous deux diminuent avec le nombre de mesures.
Autre mésentente aussi en ce qui concerne votre exemple : vous partez de la connaissance – a priori – de la fonction de distribution (1/2 pour chaque valeur). Ceci vous donne la moyenne et la variance stationnaires. Bref, vous confondez grandeurs statistiques formelles et estimateurs.
Voici un exemple qui devrait vous convaincre. Si vous faites l’expérience maintenant, qu icorrespond au système que vous me mentionnez, imaginons que vous faites 5 tirages au sort et vous trouvez
1
1
-1
1
-1
pouvez-vous me calculer la moyenne et la variance sur ces mesures ? Valent-elles respectivement 0 et 1 ? non, bien sûr… MAIS si vous faites une infinité de mesures, vous trouverez en effet que la moyenne vaut 0 et la variance 1.
Je vous retourne le compliment sur les cours de stat
PS: un autre exemple flagrant que votre affirmation que moyenne et variance seront toujours égales à 0 et 1 : que se passe-t-il si on fait une seule mesure ? Que vaut la moyenne ?
Argus : merci de vous inquiéter de mon niveau, mais sachez avant d’aller plus loin que je suis un physicien retraité -avec un doc en physique des processus stochastiques. Je suis donc heureux de vous apprendre que même morsque les fluctuations ne sont pas aléatoires, ma remarque sur moyennes et variances tient toujours. L’aspect non-aléatoire est inclus dans la fonction de corrélation temporelle (à deux points, si vous voulez tout savoir).
je conseille à tous de faire un tour sur Wolfram Math !
bonne étude à tous,
Robert
Orangina (#99),
Ca c’est vrai (par construction), mais:
1) cela ne veut pas dire que la moyenne (ou la tendance) a un sens physique.
2) Tu ne peut pas argumenter que le « signal » mathématique construit à partir de la moyenne glissante d’un signal (qui par construction a un écart-type plus faible que celui du signal dont il est issu), est plus significatif que le signal lui-même, juste parce que son écart-type est plus faible!!!!
Cela revient à aplatir un château de sable avec une pelle, pour pouvoir affirmer qu’un château de sable est toujours plat… autrement dit, c’est le chat qui se mord la queue…
C’est ce que fait Robert… la seule chose qu’on peut en déduire… c’est qu’il a mal quelque part…`
pfff, rien à voir mon brave ! notre discussion ici tournait atour du fait que l’on ne peut pas pas décemment tirer une tendance linéaire issue d’un intervalle court de grandeurs statistiques. A savoir que cette tendance doit avoir une erreur standard acceptable. Ca ne veut pas dire, mais alors pas du tout, que la tendance a un sens « physique » plus acceptable (surtout qu’il s’agit ici d’un problème purement mathématique).
Robert (#103),
C’est bête de vouloir t’enfonce à tout prix comme cela…. 😉
Il n’y a ni mésentente, ni confusion. Je donne juste un exemple simple (pour essayer de me mettre à votre niveau) pour montrer que ce que vous dites est faux.
…et je m’amuse de vous voir donner un exemple qui le confirme.
Effectivement, la moyenne est de 0,2 et la variance de 0,96.
L’exemple que j’avais donné était pour un nombre de tirage statistiquement significatif… ceci dit, merci de donner un exemple démentant votre deuxième affirmation (la première , à savoir que la variance d’un signal tend toujours vers 0 quand le nombre de mesures tend vers l’infini, étant déjà démentie):
Votre exemple montre exactement le contraire… 😉
(Pour un nombre de tirage faible, la variance peut être inférieure à la variance du même signal sur un plus grand nombre de mesures)…. merci encore
Seriez-vous sur la voie de la compréhension?
Soit vous nous bourrez le mou… soit vous avez depuis longtemps dépassé votre seuil de compétence et vous avez oublié les bases….
Dans tous les cas, qui que vous soyez… aucun titre ne dispense de la bonne utilisation de la simple logique…
Robert (#106),
Bah non…. ce que je discute depuis le début, est ton affirmation:
… qui est fausse… et que tu a tenté de « prouver » à l’aide d’arguments tout aussi faux…
Tu peux tenter de noyer le poisson tant que tu veux… ce que tu écris est écrit.
Robert (#104),
« mais sachez avant d’aller plus loin que je suis un physicien retraité -avec un doc en physique des processus stochastiques »
On ne peut pas faire ça sur internet… Soit vous donnez votre nom et référence qu’on puisse vérifier ou alors vous restez « Robert » un internaute lambda sur un blog.
Parce que à ce compte là je suis Abitbol « climatologue du GIEC, polytechnicien, ceinture noire de karaté, champion du monde blitz d’échecs et marié avec un célèbre modèle d’Elite… »
Abitbol (#109),
Et ce n’est pas vrai… on m’aura menti… zut alors!!! 😉
(désolé, pas pu résister…) 😉
Allez, je vous laisse une dernière chance : quand je parlais de diminution de la variance (dans le post que vous citez), il s’agissait bel et bien de la variance autour de la moyenne, soit
VAR() = VAR(1/N sum_i X_i)
je vous laisse continuer ?
Sinon laurent, je vous invite à faire effectivement le calcul comme moi : allez chercher les données de température sur wood for trees par exemple, calculez les tendacens sur 5, 10, 15 etc années et estimez l’erreur standard autour de cette régression.
Robert, vos propos sont clairs pour moi.
Sauf que, contrairement à certains, je ne suis pas enfermé (par idéologie) et quand les arguments tiennent la route je le dis. Mais quand les arguments s’appuient sur des bases de données non fiables (comme cela a été dit sur un autre topic ici), ou sur une trop courte période, je reste dubidatif, et je le dis aussi.
Abitbol (#109),
Vu comment vous procédez avec vos attaques donneur de leçon (moi je sais tout) avec vos allusions condescendantes sur notre savoir (revoir nos études respectives), il devient nécessaire de justifier son propre niveau d’étude même si, sur internet, on peut affirmer ce que l’ont veut. Mais il s’agit tout simplement d’honnêteté et de confiance pas autre chose. Le fait de n’être pas d’accord, cela veut dire pour vous que nous sommes obligatoirement « pro » bidule ou « pro » machin.
C’est à chacun de secouer son bulbe, et après on y voit mieux.
Merci orangina, incroyable toutefois de voir comment il est difficile d’imposer une sage attitude ici. Tout ça pour dire que, comme tout le monde le sait, il faut des temps suffisamment longs et suffisamment de données pour pouvoir tirer des tendances suffisamment fiables. Pfiou !
Bon, en attendant vu les anomalies de température actuelles et l’état de la banquise, ça n’a pas l’air de vouloir se refroidir. La majorité des modèles « dominants » prévoient un réchauffement jusqu’en 2012, et les autres « alternatifs » prévoient un refroidissement. On ne devra pas attendre trop longtemps pour savoir qui avait dans le bon…
Orangina (#113),
Quand me suis-je adressé à vous dans ces termes ? Trouvez-moi ces posts !
Non seulement ce n’est pas nécessaire, mais c’est totalement superflu. En effet, on peut affirmer ce que l’on veut quand on écrit sous un pseudo et s’inventer toutes les qualités du monde.
Robert peut très bien se débrouiller avec des vrais arguments pour essayer de convaincre, non pas avec un argument d’autorité sur sa personne qui est invérifiable.
Abitbol (#110), contre un « docteur en physique stochastique » comme Robert qui n’est pas fichu de savoir qu’on dit en bon français écart-type et non « déviation standard », ton pedigree ne vaut pas un clou.
Ben oui, miniTAX, ça doit être à force de publier en anglais. Vous savez, la langue internationale de la science ?
Bon, mais si vos arguments ne portent que sur mes anglicismes et fautes de grammaire, on n’ira pas très loin
PS : taxe s’écrit avec un e, minitaxe
Robert (#112),
Avec mon regard hors spécialiste des stats, Je trouve que la variabilité du signal température global dépend de toute façon de tellement de paramètres que croire que l’interprétation « juste » peut commencer avec tel nombre d’années masque notre ignorance, et par là nos croyance ou non dans le RCA. Cela ne nous avance pas. Le fait que les temp stagne depuis 10ans par contre nous amène à refléchir sur le rôle du CO2 là-dedans.
Enfin ça discutaille ferme tout cela pour démontrer ce que tout le monde sait, à savoir que la température a quand même grimpé sur 150 ans. Mais là je vais me faire traiter d’obscurantiste (pas par vous), voir même de révisionniste de la science sceptique… 👿
Sinon j’ai une question : on peut aussi faire ce calcul au niveau spatial avec la moyenne mondiale (moyenne des moyennes locales) comparé à une moyenne locale simple comme un poste français. On voit alors qu’il faut multiplier les données mondiales par trois pour la caler sur la série local (en passant l’écart-type est aussi trois fois plus fort).
Certains en déduise alors que le réchauffement est donc trois fois plus fort en France qu’au niveau mondial (ou en Suisse, voir Rebetez).
Je n’arrive pas à saisir. Est-ce qu’on peut comparer une moyenne « spatiale » de séries avec une série unique ? Si cette moy globale est plus faible, cela veut dire que certaines séries n’ont pas enregistré de réchauffement ? Mais où ? Voir même des refroidissement pour arriver à 0.7°C ? Ou bien alors est-ce simplement un effet de lissage ?
Robert (#112), il n’y a PAS de diminution de variance quand on augmente le nombre d’échantillons, arrêtez de raconter n’importe quoi! D’ailleurs, j’ai vérifié, il se trouve que la variance de la température AUGMENTE : la variance calculée sur 1979-2008 (30 ans) est plus grande que celle sur 1979-1998 (20 ans). Quoi que ça puisse vouloir dire, la variance (et donc l’écart-type) augmente quand la durée de mesure augmente, contrairement à votre affirmation gratuite.
D’ailleurs, tracer une droite de tendance sur un signal cyclique comme la température, et en plus, affirmer que plus on allonge la période, plus on a de certitude sur la pente, c’est de la débilité profonde. C’est comme faire une droite de tendance d’un signal périodique sur 10, 50… périodes. Mathématiquement, ça donne une droite horizontale, mais statistiquement et physiquement, ça n’a strictement aucune signification. La seule certitude qu’on a, c’est qu’une droite ne peut pas représenter correctement une oscillation quelle que soit la durée de mesure, mais ça, c’est pas un scoop, sauf pour vous visiblement.
Ca ne veut rien dire « l’erreur standard autour d’une régression« . Pour faire de la science, il faut maîtriser la terminologie et utiliser correctement les définition. Et ce que vous racontez, c’est de la soupe.
Il s’agit de l’erreur standard autour de la valeur de la pente obtenue par régression linéaire, bien entendu, PAS de la variance du signal par rapport à une valeur de référence que vous auriez fixée arbitrairement. Il est en effet normal que votre variance augmente, puisque les valeurs (leur moyenne) augmentent aussi !
Bref : effectuez une régression linéaire qui, si votre programme est correctement construit, vous donnera l’approximation linéaire ayant la variance la plus petite par rapport aux données. Faites-le, cest très instructif, et vous comprendrez peut-être pourquoi l’association météo mondiale fixe à 30 ans la durée minimale d’une tendance climatique.
Robert (#118)
Vous prétendez nous faire des leçons de stat et vous ne savez pas qu’on parle d’écart-type et non de « deviation standard » en français (pourtant, c’est pas faute d’avoir été mis sur la piste par moi et Laurent, c’est sans doute l’alzheimer qui vous guette) ? Vous êtes super crédible comme mec !
Quant à vos soit-disant nombreuses publications en anglais qui vous font oublier le mot écart-type, pour l’instant, tout ce qu’on voit, c’est du vent, aucune référence, aucune date, nada, que dalle. Vu votre incapacité à comprendre même des explications simples, je doute que vous ayez publié quoi que ce soit qui fasse appel à la « deviation standard ». Je crains même que vos papiers ont été rejetés plusieurs fois par Spirou Magazine.
Robert (#120), « pourquoi l’association météo mondiale fixe à 30 ans la durée minimale d’une tendance climatique » heu, à cause d’Evelyne Delhia!!!:twisted:
Tiens, c’est qui cette Evelyne?
Robert (#112),
Faut-il vraiment qu’on vous mette le nez dedans pour que vous compreniez?… Naaan… je pense que cela ne suffira pas… 😉
Robert (#121), mais c’est QUOI « l’erreur standard autour de la valeur de la pente », b.rdel ????
Et c’est quoi la variance « par rapport à une valeur de référence arbitraire » ??? La variance, c’est la variance, point barre, elle a une définition unique (du moment qu’on a établi la loi de probabilité du signal qui est supposée ici gaussien) et sans ambiguité aucune et on peut trouver cette définition UNIQUE en 30 secondes de recherche. Donc vos histoires de « référence arbitraire » ne riment à rien.
Quant à l’affirmation que « la variance qui augmente parce que la moyenne augmente », c’est nouveau, ça vient de sortir ? C’est vous qui aviez dit, je cite, « la variance d’un signal diminue TOUJOURS avec le nombre de mesures » et maintenant que je montre que la variance AUGMENTE et non diminue, vous essayez de vous rattrapper aux branches avec des « lois » sorties d’on ne sait où. C’est franchement pathétique.
bah… planté dans mes « blockquote »….
Pas grave… c’est comprehensible….
Orangina (#113),
Des arguments dont la fausseté est facilement montrée par quelques formules standard et quelques chiffres…. c’est ça qui tiens la route?
L’idéologie, c’est pas plutôt ce qui provoque chez toi de la dissonance cognitive (qui ne te permet pas d’accepter quelques math simple…) ? 😉
Laurent (#128), le problème chez Robert, c’est plus la déconnance que la dissonance cognitive.
Mais j’ai l’impression que Robert, c’est ni plus ni moins le troll Enisor qui nous refait le coup de l’incertitude-de-la-pente-calculée-par-Matlab.
laurent : une seule conclusion possible, vous vous êtes planté en beauté dans vos calculs… Refaites-les sérieusement svp ! Et utilisez u nprogramme scientifique, pas excel dont vous ne connaissez même pas les fonctions !
J’ai utilisé aussi xmgrace et j’obtiens exactement les mêmes résultats qu’auparavant. back to basics…
minitax : erreur standard, enfin…. si vous ne savez pas ce que c’est, inutile d’essayer de vous incruster dans la conversation que diable !
http://mathworld.wolfram.com/StandardError.html
eh bien voilà, maintenant je suis un troll… En plus, je serais quelqu’un d’autre. c’est pathétique, point à la ligne.
Robert (#130),
…et en plus il se fout de ma gueule…. bonjour l’animal…
Une formule de stat simple est une formule de stat simple… quelque soit le programme utilisé (PS. j’ai refais le calcul en python pour m’amuser… de façon tout à fait extraordinaire, cela donne exactement le même résultat ;)….).
Vous avez tout à fait raison… vous êtes pathétique… à la fois en stat et même en logique de base.
Robert (#130), La définition dans ton propre lien, ça concerne tout simplement l’écart-type. Donc, c’est bien toi qui raconte n’importe quoi avec ton erreur-standard-autour-de-la-valeur-de-la-pente pour laquelle tu es incapable de donner une définition précise.
A la rigueur, ça pourrait être la moyenne quadratique des écarts à la tendance linéaire (terme précis et sans équivoque) qui n’est autre que l’écart-type mais calculée par rapport à une droite à pente non-nulle et non par rapport à une moyenne (droite à pente nulle).
Mais cette valeur, calculée par Laurent, augmente aussi quand on augmente la période de calcul (contrairement à ce que tu affirmes).
Au passage, on attend toujours que tu nous cite la liste de tes nombreuses publis en anglais qui te font « oublier » le terme d’écart-type en statistique (warf, warfff). Mais avec un troll menteur comme toi, je ne me fais pas trop d’illusion.
Eh bien mon cher laaurent, puisque vous êtes si fort et si sûr de vous, je vous propose 2 choses :
1- allez sur un forum de stat et dites-leur « quand j’effectue ma régression linéaire, l’erreur sur la pente augmente avec le nombre de points que je prends ». Et observez leur réaction
2- trouvez-moi une référence, une seule, dans laquelle il est indiqué que « l’erreur sur la pente de la régression linéaire augmente avec le nombre de points » . Pour ma part, voici une réf de qualité qui montre que lors d’une régression linéaire, l’erreur standard sur la pente diminue avec le nombre de points
http://mathworld.wolfram.com/L…..tting.html
je suis gentil : c’est le cas relativement simple de la technique des moindres carrés.
Bon courage !
Au passage, pour minitax : on y parle de l’erreur standard sur la pente et même sur l’ordonnée à l’origine. Vous savez, ces trucs qui n’existent soi-disant pas. je suis vraiment trop gentil avec vous !
Robert (#134),
Ma mauvaise foi empire….
On va passer sur votre utilisation toujours aussi approximative du vocabulaire statistique… qui a elle seule montre que vous ne connaissez pas grand chose dans cette discipline…
Vous quotez mal… je n’ai jamais dis que l’écart-type augmentait systématiquement quelque soit le signal.
J’ai dit, et démontré, que votre proposition inverse (à savoir que la variance diminuait systématiquement avec le nombre de mesures) était fausse.
C’est montré, avec un exemple théorique et un exemple réel…. point.
Maintenant, je peux vous trouvez des signaux dont la variance diminuera avec le nombre et la répartition des mesures, c’est facile à construire, à la fois théoriquement, et avec des exemples.
Pas besoin de référence, il a été suffisamment montré que cela peut être le cas plus haut….
Holala…. je retire ce que j’ai dis… vous n’êtes pas pathétique, vous êtes abysalement nul…
Ce que montre votre article, c’est que quand on veut fiter un modèle à une série de mesure en utilisant un moindre carré, alors l’écart au dit modèle diminue avec le nombre de mesures (ce que tout le monde sait)… dans une hypothèses gaussienne, l’erreur (ou l « imprécision du modèle », dans le langage statistique normal), il est même facile de montrer qu’elle diminue en 1/racine(n), n étant le nombre de mesures.
Mais cela n’a strictement rien à voir avec toutes vos grandes affirmations idiotes et complètement fausses d’avant….
C’est quel type de modèle que vous voulez fitter aux séries de mesures?
(De toute façon, quelque soit le modèle, cela ne prouvera en rien que les longues séries de mesures ont une variabilité intrinsèquement moins grande que les courtes….. pour cela, en ce qui concerne les séries de températures, les calculs que je viens de faire plpsu haut montrent le contraire…)
Robert (#135),
Bah non…. on y parle de « standard error » par analogie a « standard deviation » (écart-type), mais par rapport à un modèle non-linéaire (ajusté par moindres carrés).
Vous ne devriez pas lire ce genre d’article…. avant de s’attaquer aux modèles non-linéaires, il faut déjà maitriser les régression linéaires standard…. 😉
inimaginable ! ce n ‘est pas un fitting à un modèle, mais à une série de données, vous ne savez pas lire ? Vous me semblez juste capable de brasser du vent et de vous tromper dans vos calculs. Dès que vos « affirmations » doivent être supportées par des sources externes, pouf, plus rien !
Ce n’est pas comme ça que la science fonctionne mon cher. Il ne suffit pas de dire « et voilà », encore faut-il apporter un support aux affirmations.
Le lien que j’ai donné montre clairement ce que j’essaie de vous dire depuis des jours : lors d’une régression inéaire, l’erreur sur la pente diminue avec le nombre de mesures. Voir formules 34-35 dans le lien. il n’y a aucune hypothèse faite sur l’origine des données, ni sur leur distribution; Le lien ne parle en rien de fitter un « modèle » il parle de fitter une série de données, c’est tout.
« The linear least squares fitting technique is the simplest and most commonly applied form of linear regression and provides a solution to the problem of finding the best fitting straight line through a set of points. »
J’attends impatiamment que vous me donniez vous aussi une référence neutre qui soutient vos affirmations.
Abitbol (#116),
Vous procédez avec vos attaques = certaines personnes ici, avec une certaine solidarité, pour ne pas dire le mot qui fâche : « le clan ».
Pour ce qui est des diplômes :
Il s’agit tout simplement d’honnêteté et de confiance pas autre chose. Pourquoi pretez-vous aux autres vos propres intentions ?
A vous écouter, peu importe vos diplômes, le savoir faire, l’expérience, pourvu que les idées soient diffusées sur le net et peu importe si l’argumentation s’appuie sur des données peu fiables.
Robert (#138),
Vous dites en gros n’importe quoi et confondez tout, et je n’ai pas besoin de référence pour le montrer (c’est déjà fait)
Ok… je viens de comprendre ce que vous appelez « erreur sur la pente »…. il s’agit de l’erreur d’estimation de la pente… et donc de la précision sur le modèle linéaire, ce que je disais plus haut.
Ceci montre encore un fois que vous confondez tout… et par exemple la « précision » du fit linéaire (qui comme pour tout modèle fitté par moindres carrés augmente avec le nombre de mesures), et la variabilité des mesures.
Hors en aucun cas la précision du modèle n’est représentative de la variabilité des mesures
De plus vous confondez « nombre de mesures » et « représentativité temporelle des mesures ».
Même pour les moindre carrés, augmenter le nombre de mesures ne suffit pas…. pour avoir un bon « fit », il faut avoir des mesures suffisamment reparties sur l’ensemble du signal.
Ce qui traduit donne « La technique des moindres carrés est la technique la plus simple et la plus utilisée pour une régression linéaire et donne le meilleur ajustement d’une droite à un ensemble de points ».
… bonjours le scoop 😉
En aucun cas cela ne dit qu’une série temporelle de 30 ans est intrinsèquement moins variable qu’une série temporelle de 5 ans…
… et c’est même le contraire (démontré plus haut), même en utilisant une régression linéaire… ce qui est d’ailleurs normal et évident si on a trois sous de jugeote… plus une série représentante d’un signal non-linéaire sera courte, et mieux elle pourra être « fittée » à sa régression linéaire.
Et en quoi tout ceci est relié à la variabilité intrinsèque des séries temporelles?
Encore une fois… vous vous foutez du monde…
Orangina (#139),
Hé, le secoué du bulbe… quand on dit des conneries sur des choses ultra-simples comme des stats de base, on dit des conneries… quelque soit le diplôme…
Je ne vais pas croire quelqu’un qui me dit « 1+1=5 » juste parce qu’il est docteur en je ne sais pas quoi…. toi oui apparemment ?
Orangina (#139),
De quoi parlez-vous ? A quel post faites-vous référence ici au moment où je parle de Robert et le titre qu’il se donne ?
Pourquoi devrais-je faire confiance aveuglément quant à l’honnêteté d’une personne qui a un pseudo ?
Il n’est pas question ici d’honnêteté ou de confiance ! Il est question d’arguments et de raisonnements…
miniTAX (#129),
Etrange Minitax, je pensais aussi à Enisurpator et son complexe d’autorité…
Orangina (#139),
Ce qui est important, c’est ce qui est dit, pas qui le dit.
Bon, devant votre impossibilité évidente à supporter vos délires par la moindre publication, ou le moindre avis extérieur indépendant, je crois que la messe est dite. Je reviens donc sur mon affirmation initiale :
– on ne peut pas tirer de tendance robuste sur de petits intervalles de temps (post 63)
-la régression linéaire sur 30 ans aura une erreur plus petite que celle sur 3 ans (résultat qui selon laurent est a) soit connu de tous soit b) faux quand il fait lui-même la régression)
-l’erreur sur la pente de la régression peut être déterminée par les moindres carrés (post 74). C’est ce qui est précisé dans mon lien vers Wolfram. remarquez que selon minitax c’est totalement impossible de le faire (mais bon)
Bon, le cas de la régression linéaire étant réglé, on va pouvoir passer à la suite. Je laisse toutefois la discussion sur la variabilité intrinsèque du climat pour demain – j’ai trouvé un super-article qui montre les différences de variabilité à court terme par rapport au long terme. Je vais le lire dans le détail. On va bien rire !
Robert (#135),
Personne ici a dit que l’erreur sur la pente augmente avec le nombre de points, arrête avec ton strawman débile.
Je rappelle que c’est toi qui a affirmé que “la variance d’un signal diminue TOUJOURS avec le nombre de mesures”, alors il faut assume tes inepties et au lieu de couvrir de ridicule en essayant de faire diversion.
Je répète parce que visiblement, tu comprends vite mais il faut répéter souvent, « l’erreur sur la pente », ou « erreur standard autour de la pente », ça ne veut rien dire en français ! La valeur dont il est question ici, qui est dans la définition de Wolfram et que tu as calculée, c’est, en bon français, l’écart-type de la pente ( ou plus exactement de la distribution de la pente) qui, au passage n’a rien à voir l’écart-type du signal qui représente la variabilité dont on parle en climatologie.
Cet écart type de la pente, ça mesure l’incertitude sur la pente a (dans y=ax+b), càd physiquement la dépendance de y par rapport à x selon une relation linéaire (comme par ex. y=poids/x=taille ou y=revenu/x=années étude…).
Et si personne ici n’a discuté de cet écart-type de la pente, c’est parce qu’il faut être crétin pour supposer que la température (y) est une fonction linéaire du temps (x).
Robert (#145), affirmation gratuite ! Tu décrètes que écart-type de la pente = « erreur de la régression linéaire », ce qui est du grand n’importe quoi. « Erreur de la régression linéaire », CA NE VEUT RIEN DIRE !
La preuve : en supposant que la température se maintienne à son palier actuel pendant 90, en faisant une régression linéaire 1900-2100, on aura une droite de pente positive ! En suivant ton raisonnement débile qui consiste à assimiler l’évolution du climat à une droite, on pourrait alors conclure qu’il y a « moins d’erreur » sur la droite de réchauffement 1900-2100 que sur 1900-2000. Bref, que malgré 1 siècle de NON réchauffement, on est plus certain encore qu’avant que ça se réchauffe. Tu parles d’une science !
Robert (#145),
ni sur des grands d’ailleurs… 😉
Bah non…. l’erreur de la régression linéaire c’est la moyenne quadratique des résidus… rien à voir avec la « précision » de la pente.
Cette erreur moyenne quadratique est plus importante sur 30 ans que sur 20, 15, 10 ou 5 (montré en 125)
Bah non… ce qui est connu de tous (et dit dans ta référence), c’est que la précision d’un modèle augmente avec le nombre de mesures (quand l’échantillonnage est réparti sur le domaine de validité du modèle).
Si cette dernière condition est respectée, tu fera un meilleur fit de modèle (linéaire ou autre) avec 10.000 points qu’avec 10 points). Si tes points sont tous concentrés au même endroit, ton fit sera meilleur, mais ton modèle résultat sera pourri (et son erreur considérable).
Tu peux faire l’expérience facilement. fait la régression linéaire sur la série HADCRUT3 sur les cinq dernières années (soit 60 points), et calcule l’erreur sur les 30 années.
… puis extrait 60 points sur les 30 ans (soit 1 point tous les 6 mois), calcule l’erreur et compare.
Dans les deux cas la précision du modèle (de la pente, pour utiliser tes mots) sera la même, mais l’erreur du modèle sera bien plus grande dans le premier cas.
ça aussi, c’est des stats de base…. qui te sont apparemment inconnues..
Exact…. mais l’erreur sur la pente n’est pas l’erreur du modèle. Cette dernière est donnée par la moyenne quadratique des résidus sur un jeu indépendant (qui n’a pas servi pour calculer les moindre carrés).
…. encore des stats de base….
La seule chose qui est réglée… c’est que tu ne comprend rien au stats…
… ce qui énerve un peu de la part de quelqu’un qui commence la discussion par:
Si tu nous sert autant de bêtises qu’aujourd’hui… on va plutôt pleurer…
Laurent (#148), exactement, j’ai dit pareil mais en moins bien, vu comment Robert, il m’a dispersé avec sa terminologie loufoque.
Il doit avoir lancé la fonction de régression linéaire sous Matlab qui lui renvoie une matrice de résultats dont il ne comprend ni d’Adam ni d’Eve. Il a pris au hasard le coeff qui correspond à l’écart-type de la pente et il décrète que ça représente « l’erreur de la régression » parce que ça colle bien à ce qu’il croit comprendre. Et voilà la fameuse théorie Robertienne selon laquelle “la variance d’un signal diminue TOUJOURS avec le nombre de mesures” (dixit le docteur en physique !).
Mais hé, c’est la « science » climatique. Et si Robert, c’est bien Enisupator (je ne vois pas comment ça peut être autrement, vu qu’il a commis exactement la même erreur avec Matlab sur un autre forum, en utilisant le même style), tu peux toujours rêver pour qu’il reconnaisse ses erreurs. Jamais tort, jamais honteux le type.
Bon, revenons-en à nos moutons. Laurent affirme bien haut et fort que la variance sur le calcul de la moyenne d’un ensemble de données ne diminue pas avec le nombre de données. Je vous propose un petit « reality-check » pour vérifier ensemble le niveau REEL de M. Laurent en stat. Je lui ai en effet proposé la série suivante :
1
1
-1
1
-1
extraite de son exemple où un chiffre est tiré de façon aléatoire entre 1 et -1 (la prob est de 1/2 pour chaque). Je lui ai donc demandé :
« pouvez-vous me calculer la moyenne et la variance sur ces mesures ? Valent-elles respectivement 0 et 1 ? non, bien sûr… »
Et voici sa savoureuse réponse :
« Effectivement, la moyenne est de 0,2 et la variance de 0,96. »
C’est drôle, non ? Enfin, je veux dire que ce qui est drôle c’est que la variance vaut 1,2 et pas 0,96. Vlan ! Ca doit faire mal de se prendre le mur de la réalité…
Il s’agit d’une erreur ELEMENTAIRE de stat, le piège qu’on tend habituellement à la toute première séance d’exercice de stats. Alors quand on ne sait pas calculer la variance sur 5 mesures, inutile de parler du reste… Mais comme je suis bon prince, laurent, je vous laisse l’occasion de voous rattraper. Si vous nous expliquez pourquoi la variance sur cet échantillon vaut 1,2 et pas 0,96, nous pourrons à nouveau vous accorder du crédit. Si quelqu’un d’autre a la réponse, qu’il ne se gêne pas !
donc, pour ceux qui suivent : l’erreur standard sur un estimateur d’une série de données diminue toujours avec le nombre de données. Attention, je n’ai pas dit qu’elle tend toujours vers zéro ! Il est évident que cela ne veut pas dire que tous les processus stochastiques ont une variance qui diminue avec le temps (cf par exemple les processus diffusifs), mais bien que l’estimation d’un processu; s devient de plus en plus précise avec le nombre de données
PS : certains ont suggéré que l’appelleation « d’erreur standard » n’a aucun sens en stat. 3 secondes de google plus tard, voici ce qu’on peut trouver :
http://www.irdp.ch/edumetrie/l…..mesure.htm