Tous les modèles qui répondent à des questions de santé publique doivent d'abord être comparés, ou "calibrés", à des données réelles afin de s'assurer que la dynamique simulée par le modèle est cohérente avec ce qui est observé. Dans ce module, vous examinerez les relations de base entre les modèles et les données. En utilisant le modèle SIR de base que vous avez développé jusqu'à présent, vous calibrerez ce modèle sur des données épidémiques. En effectuant cette calibration à la main, vous comprendrez comment les paramètres du modèle peuvent être ajustés de manière à capturer les données du monde réel.

Dans la pratique, l'étalonnage des modèles compartimentaux est rarement effectué à la main. Nous construisons plutôt une fonction qui résume l'adéquation entre le modèle et les données, puis nous utilisons les algorithmes informatiques disponibles pour maximiser cette adéquation. Dans les deux prochains modules, vous découvrirez deux approches simples de l'étalonnage informatique des modèles : l'approche des moindres carrés et l'approche du maximum de vraisemblance. Vous effectuerez des calibrages de modèles selon chacune de ces approches dans R.

Veuillez noter que les résultats d'apprentissage sont les mêmes pour ce module et le dernier. Dans la pratique, la calibration des modèles compartimentaux est rarement effectuée à la main. Nous construisons plutôt une fonction qui résume l'adéquation entre le modèle et les données, puis nous utilisons les algorithmes informatiques disponibles pour maximiser cette adéquation. Dans ces deux modules, vous découvrirez deux approches simples de l'étalonnage de modèles par ordinateur : l'approche des moindres carrés et l'approche du maximum de vraisemblance. Vous effectuerez des calibrages de modèles selon chacune de ces approches en R.