Pourquoi une extrapolation loin des données peut-elle être trompeuse ?
Réponse courte
Une extrapolation applique un modèle en dehors de la plage observée. La tendance peut y changer, même si la droite décrit bien les données mesurées, et l’écart entre prévision et réalité peut alors devenir important.
Comprendre
Interpolation et extrapolation
Une interpolation estime une valeur pour une abscisse comprise entre les abscisses observées. Une extrapolation utilise une valeur à l’extérieur de cette plage. Dans ce second cas, on suppose que la tendance constatée continue. Cette hypothèse n’est pas garantie par le calcul de la droite de régression.
L’exemple d’une droite ajustée
Pour les couples (0 ; 1), (1 ; 2), (2 ; 2), (3 ; 5), la droite des moindres carrés est y = 1,2x + 0,7. Elle prévoit 2,5 pour x = 1,5, situé dans la plage observée de 0 à 3. Pour x = 10, elle prévoit 12,7 : cette valeur est une extrapolation, bien au-delà des données. Rien dans les quatre couples ne garantit que le phénomène garde la même pente jusque-là.
Vérifier le contexte avant d’annoncer un résultat
Une évolution peut plafonner, s’accélérer ou changer de régime hors de la zone mesurée. Même une corrélation élevée ou de faibles résidus sur les observations ne valident pas une prévision lointaine. Indique la plage utilisée pour construire le modèle, distingue l’estimation du fait observé et cherche des données supplémentaires dans la zone visée. Le calcul reste celui de la droite, mais sa pertinence dépend du phénomène.
Exemples
- Avec y = 1,2x + 0,7, à x = 1,5 on obtient y = 2,5 : c’est une interpolation dans [0 ; 3].
- La même droite donne y = 12,7 à x = 10 : c’est une extrapolation éloignée, dont la validité ne découle pas de l’équation.
Pièges fréquents
- Présenter la valeur extrapolée comme une observation certaine oublie que la droite prolonge une tendance supposée.
- Confondre interpolation et extrapolation en vérifiant seulement l’équation, sans comparer x à la plage des abscisses mesurées.
