La pensée bayésienne pour les prévisionnistes

La pensée bayésienne est une façon disciplinée de changer d’avis : on part d’une croyance a priori, on évalue à quel point une nouvelle preuve y correspond, et on aboutit à une croyance mise à jour appelée a posteriori. Le théorème de Bayes n’est que l’arithmétique qui vous dit exactement de combien vous déplacer.

La plupart d’entre nous se mettent mal à jour. Soit on s’accroche à une première impression, soit on bascule vers le dernier titre en date. Le raisonnement bayésien est la voie médiane : chaque preuve fait bouger votre estimation d’un montant qui dépend de son degré de surprise si vous aviez tort. Prenez l’habitude et vos prévisions deviennent plus stables, mieux calibrées et bien plus difficiles à tromper.

Les trois mots dont vous avez vraiment besoin

Le théorème de Bayes a la réputation d’être intimidant, mais toute l’idée tient en trois termes simples.

• A priori : ce que vous croyiez avant l’arrivée de la nouvelle preuve. Souvent, c’est un taux de base, la fréquence de fond de l’événement.
• Vraisemblance : à quel point la preuve serait attendue dans chaque monde, celui où votre hypothèse est vraie et celui où elle est fausse.
• A posteriori : votre croyance révisée après avoir combiné l’a priori et la vraisemblance. Elle devient l’a priori de la preuve suivante.

Le mécanisme est simple à énoncer : une preuve bien plus probable quand votre hypothèse est vraie que quand elle est fausse doit fortement relever votre croyance ; une preuve à peu près aussi probable dans les deux cas ne vous apprend presque rien et ne devrait guère vous faire bouger. La plupart des erreurs de raisonnement viennent de l’oubli d’un côté de cette comparaison.

La règle porte le nom de Thomas Bayes, un pasteur du XVIIIe siècle dont l’essai sur la « doctrine des chances » fut publié en 1763, deux ans après sa mort. Les mathématiques n’ont pas changé depuis ; ce qui a changé, c’est la fréquence avec laquelle on les utilise pour raisonner sur l’avenir.

L’a priori est le plus souvent un taux de base

L’erreur la plus courante est de partir du mauvais a priori, ou d’oublier d’en fixer un. Avant de regarder les détails d’un cas, demandez-vous à quelle fréquence ce genre de chose arrive en général. Cette fréquence de fond est votre a priori, et elle ancre tout ce qui suit.

Les psychologues appellent ce manquement la « négligence du taux de base ». Daniel Kahneman a documenté avec quelle facilité les gens abandonnent les taux de base dès qu’ils entendent un récit vivant et précis, même quand ce récit est bien moins informatif que les simples statistiques.

Choisir la bonne classe de référence pour ce taux de base est une compétence en soi. Voyez les taux de base et la prévision par classe de référence pour savoir comment choisir le groupe auquel appartient votre cas.

Un exemple concret, avec de vrais chiffres

Rien ne fait mieux comprendre Bayes qu’un calcul concret. Voici le cas classique du test médical, qui piège même des professionnels aguerris.

Supposons qu’une affection touche 1 personne sur 100. Un test la détecte dans 99 % des cas réels, mais il signale aussi à tort 5 % des personnes en bonne santé. Votre test est positif. Quelle est la probabilité que vous ayez réellement l’affection ? La plupart des gens estiment autour de 95 %. La vraie réponse est d’environ 17 %, et Bayes montre pourquoi.

1. Partez de l’a priori. Dans la population générale, 1 personne sur 100 a l’affection, donc avant tout test votre a priori est de 1 %.
2. Notez les vraisemblances. Le test signale 99 % des personnes qui l’ont et 5 % de celles qui ne l’ont pas.
3. Imaginez 10 000 personnes. Environ 100 ont l’affection, et le test en signale correctement 99.
4. Regardez les 9 900 personnes en bonne santé. Le test en signale à tort 5 %, soit 495 faux positifs.
5. Comptez tous les résultats positifs : 99 vrais positifs plus 495 faux positifs, cela fait 594 personnes au test positif.
6. Lisez l’a posteriori. Sur ces 594, seules 99 ont réellement l’affection, donc votre probabilité mise à jour est de 99 / 594, soit environ 17 %.

Le résultat semble faux parce que le fait marquant, un test positif, éclipse le fait discret, le faible taux de base. Mais il y a tout simplement bien plus de personnes en bonne santé pour générer de fausses alertes que de personnes malades pour en générer des vraies. Un seul positif vous a fait passer de 1 % à 17 %, une grosse mise à jour, mais pas jusqu’à la quasi-certitude. Un second test positif indépendant vous ferait encore bouger, cette fois à partir de 17 % vers le haut. C’est la mise à jour bayésienne en action : chaque nouveau résultat remodèle le précédent.

Les bons prévisionnistes se mettent à jour par petits pas

Les meilleurs prévisionnistes traitent leur probabilité comme un cadran, pas comme un interrupteur. Quand une nouvelle donnée arrive, ils se posent une seule question : combien est-ce plus probable si mon point de vue est juste que s’il est faux ? Puis ils ajustent, ils ne sautent pas.

• Ils partent d’un taux de base plutôt que du premier détail marquant.
• Ils bougent un peu sur une preuve faible et beaucoup sur une preuve forte, en proportion de son pouvoir diagnostique.
• Ils évitent les deux écueils : s’ancrer si fort que la preuve ne compte jamais, et surréagir au point que chaque titre renverse leur avis.
• Ils continuent à se mettre à jour, car une prévision est une estimation en cours, pas un verdict unique.

Cette habitude progressive est l’un des traits qui distinguent les prévisionnistes d’élite de la foule. Voyez les superprévisionnistes expliqués pour l’éventail plus large de compétences qui l’accompagnent.

Pourquoi c’est important pour prédire l’actualité

Les questions du monde réel arrivent rarement avec des chiffres bien nets, mais la discipline se transpose directement. Un sondage tombe, une entreprise rate ses résultats, une rumeur circule : chacun est une preuve, et Bayes vous dit de la peser face à un taux de base plutôt que de la traiter comme toute l’histoire. Un sortant en tête de trois points dans un sondage ne devrait pas effacer ce que des dizaines de sondages précédents et des décennies de taux de base électoraux vous ont déjà appris.

Cette habitude vous protège aussi de la manipulation. Une preuve sensationnelle est conçue pour paraître diagnostique, mais posez la question bayésienne, quelle est sa probabilité si l’affirmation est fausse, et beaucoup de « bombes » se réduisent à du bruit. Sur de nombreuses prédictions, bouger du bon montant plutôt que du montant spectaculaire, voilà ce qui produit un historique bien calibré.

La calibration est la façon de vérifier au fil du temps si vos mises à jour ont la bonne ampleur. Voyez la calibration des prévisions expliquée pour découvrir à quoi ressemble un historique bien réglé.

Entraînez-vous sur de vraies questions

La mise à jour bayésienne est un muscle, et la seule façon de le développer est de faire des paris probabilistes et de les voir se résoudre. Prédisez, observez le résultat, et remarquez si vous avez trop ou trop peu bougé.

Clutch vous permet de prédire l’actualité et le sport réels avec des crédits intégrés et tient les comptes, pour que vous sentiez vos a priori se confronter à la réalité et voyiez votre calibration s’améliorer. Téléchargez l’application et commencez à vous mettre à jour comme un bayésien.