1.1.8 Taxonomie des variables dans un modèle
La nature multidimensionnelle du monde représente l’une des difficiles réalités de la modélisation statistique et de la planification d’expériences. On voudrait souvent mener des expériences pour comprendre les systèmes observés mais non expérimentaux et leur performance, ce qui nous permettrait d’en décrire de nombreuses caractéristiques et d’identifier les nombreuses variables qui les affectent. À la lumière de cette complexité, il convient de disposer d’une terminologie précise pour faciliter la réflexion et la discussion.
DÉFINITION 1.1.8.1. Variable de réponse
Une variable de réponse dans une expérience est une variable surveillée pour caractériser la performance ou le comportement du système. Il s’agit de la variable dépendante dans le modèle du système.
DÉFINITION 1.1.8.2. Variable d’entrée
Pour les données existantes recueillies autrement que par une expérience, une variable d’entrée d’un système se comporte comme la variable qui influence le modèle, ou la variable indépendante d’intérêt dans le modèle du système.
Dans les études expérimentales, la variable d’entrée est une variable supervisée (ou gérée) au cours de l’expérience, sur laquelle on exerce un certain contrôle en sélectionnant un ou plusieurs réglages à utiliser dans le cadre de l’étude. Lorsqu’une variable supervisée est maintenue constante (à un seul réglage), on dit alors qu’il s’agit d’une variable contrôlée; lorsqu’une variable supervisée prend plusieurs valeurs dans le cadre d’une étude, on dit qu’il s’agit d’une variable expérimentale.
Toutefois, on observe aussi certaines des variables qui ne sont ni des réponses principales, ni des variables gérées au cours d’une expérience.
DEFINITION 1.1.8.3 Variable d’accompagnement
Une variable d’accompagnement (ou variable concomitante) dans une expérience est une variable qui est identifiée et comprise dans l’analyse, mais qui n’est ni une variable de réponse principale, ni une variable d’entrée. Une telle variable peut changer en réaction à des variables d’entrée ou à des causes inconnues. En outre, cette variable peut avoir ou non une impact sur une variable de réponse.
La figure 1.1.8.1 illustre les définitions 1.1.8.1 à 1.1.8.3. Dans cette figure, le processus physique de la boîte noire produit d’une manière ou d’une autre des valeurs de réponse au cours d’une expérience. Les « boutons » du processus représentent les variables gérées. Les variables concomitantes flottent dans l’environnement de l’expérience sans en être l’objet principal.
L’identification des variables susceptibles d’affecter la réponse du système nécessite une connaissance approfondie du processus étudié. Les ingénieur.e.s qui n’ont pas d’expérience pratique d’un système peuvent parfois apporter des idées tirés de leur expérience avec des systèmes similaires et de la théorie de base mais il est également sage (et, dans la plupart des cas, essentiel) d’inclure dans une équipe de projet plusieurs personnes qui ont une connaissance directe du processus en question et de s’entretenir longuement avec celles et ceux qui travaillent régulièrement avec le système.
En général, l’identification des facteurs potentiellement importants dans une étude d’ingénierie statistique est une activité de groupe, réalisée dans le cadre de séances de remue-méninges. Il est donc utile de disposer d’outils pour mettre de l’ordre dans ce qui serait sinon un processus inefficace et désorganisé. Un outil qui s’est révélé efficace est connu sous le nom de diagramme de cause et d’effet, de diagramme en arête de poisson ou de diagramme d’Ishikawa. La figure 1.1.9.2 représente un modèle de diagramme en arête de poisson pour un système. Dans une analyse des causes profondes, la méthode 5M (ou 8M) est l’un des cadres les plus courants de l’analyse des causes profondes. (Contributeurs Wikipedia. [2023b, 3 décembre.] Diagramme de causes et effets. Wikipedia. https://fr.wikipedia.org/wiki/Diagramme_de_causes_et_effets).
Si on ne prend pas le temps de réfléchir à ces variables de manière organisée, il est souvent difficile de dresser une liste complète des facteurs importants d’un système réel complexe.
