L'incertitude profonde pesant sur l'évolution future des systèmes hydriques représente un défi considérable pour leur modélisation et planification. En réponse à ce défi, plusieurs approches, qualifiées d'ascendantes, proposent une inversion de paradigme, en employant une démarche d'aide à la décision robuste plutôt que prédictive. Parmi ces approches, la surface de réponse est un outil fréquent permettant de comparer des décisions alternatives sous forte incertitude. Cette méthode consiste à modéliser la performance d'un système hydrique pour un grand nombre de conditions possibles, échantillonnées en fonction d'un nombre limité de variables, nommées stresseurs, afin d'identifier deux ensembles : l'espace des conditions acceptables et l'espace des conditions inacceptables, selon que la performance simulée du système y satisfait ou non un seuil d'acceptabilité. Pour comparer différentes options envisagées, ce type de méthode nécessite cependant de départager, dans l'espace des conditions possibles, les régions acceptables ou inacceptables en traçant un front net et unique. Les recommandations de l'analyse sont donc soumises à une incertitude normative pesant sur ce front d'acceptabilité : comment définir une performance acceptable ? Acceptable pour qui ? La présente thèse de doctorat intègre l'effet de cette incertitude normative sur une surface de réponse à travers deux axes : ambiguïté et équité. L'ambiguïté est une incertitude normative sur la capacité des acteurs d'un système hydrique à fournir un seuil précis. L'équité porte sur les conséquences des choix d'agrégation des acteurs entre lesquels la performance du système peut varier considérablement. L'ambiguïté du seuil est traduite en logique floue et intégrée à l'incertitude hydroclimatique propre à la surface de réponse. Une méthodologie est proposée pour combiner deux incertitudes de nature très différente, la stochasticité de la surface de réponse et l'ambiguïté de son évaluation, à travers une régression logistique agrégée et une mesure de possibilité. La méthode est illustrée à travers une modélisation du système de réservoirs du Haut Saint-François (Québec méridional, Canada), sous l'angle de la protection face aux inondations. L'équité est analysée en paramétrant des méthodes d'agrégation selon différentes priorités et appliquées à un grand nombre d'usagers. Cela permet d'identifier quels niveaux d'agrégation conduisent à recommander une politique ou une autre. Un modèle multi-agent du système hydrique Jordanien est utilisé pour simuler l'approvisionnement inégal en eau potable des ménages et l'effet de différentes politiques de développement d'infrastructures ou de restructuration de l'approvisionnement. Les résultats montrent comment ces incertitudes normatives peuvent modifier la recommandation d'une analyse de vulnérabilité et comment intégrer ces incertitudes à la surface de réponse. Dans le cas du système du Haut Saint-François, les surfaces de réponse illustrent comment les niveaux de possibilité sont modifiés par le seuil flou et sa fonction d'appartenance, affectant potentiellement la recommandation. Dans le cas Jordanien, le choix d'agrégation modifie fortement la surface de réponse, parfois plus que les politiques augmentant les ressources disponibles. Les résultats montrent aussi les effets non-linéaires que divers types de distribution statistique de l'approvisionnement en eau peuvent avoir sur les surfaces de réponse. Les niveaux d'agrégation menant à différentes préférences sont identifiables, permettant d'établir une relation entre les options disponibles, choix social et incertitude profonde afin d'expliciter les arbitrages et favoriser la délibération. En proposant des outils pour intégrer ces incertitudes normatives aux approches ascendantes d'analyse des systèmes hydriques, ce travail ouvre également des pistes de recherche futures telles que la combinaison de ces deux approches par agrégation de seuils flous, ou leur inclusion au sein de cadres plus vastes d'analyse de vulnérabilité hydrique.

L'incertitude profonde pesant sur l'évolution future des systèmes hydriques représente un défi considérable pour leur modélisation et planification. En réponse à ce défi, plusieurs approches, qualifiées d'ascendantes, proposent une inversion de paradigme, en employant une démarche d'aide à la décision robuste plutôt que prédictive. Parmi ces approches, la surface de réponse est un outil fréquent permettant de comparer des décisions alternatives sous forte incertitude. Cette méthode consiste à modéliser la performance d'un système hydrique pour un grand nombre de conditions possibles, échantillonnées en fonction d'un nombre limité de variables, nommées stresseurs, afin d'identifier deux ensembles : l'espace des conditions acceptables et l'espace des conditions inacceptables, selon que la performance simulée du système y satisfait ou non un seuil d'acceptabilité. Pour comparer différentes options envisagées, ce type de méthode nécessite cependant de départager, dans l'espace des conditions possibles, les régions acceptables ou inacceptables en traçant un front net et unique. Les recommandations de l'analyse sont donc soumises à une incertitude normative pesant sur ce front d'acceptabilité : comment définir une performance acceptable ? Acceptable pour qui ? La présente thèse de doctorat intègre l'effet de cette incertitude normative sur une surface de réponse à travers deux axes : ambiguïté et équité. L'ambiguïté est une incertitude normative sur la capacité des acteurs d'un système hydrique à fournir un seuil précis. L'équité porte sur les conséquences des choix d'agrégation des acteurs entre lesquels la performance du système peut varier considérablement. L'ambiguïté du seuil est traduite en logique floue et intégrée à l'incertitude hydroclimatique propre à la surface de réponse. Une méthodologie est proposée pour combiner deux incertitudes de nature très différente, la stochasticité de la surface de réponse et l'ambiguïté de son évaluation, à travers une régression logistique agrégée et une mesure de possibilité. La méthode est illustrée à travers une modélisation du système de réservoirs du Haut Saint-François (Québec méridional, Canada), sous l'angle de la protection face aux inondations. L'équité est analysée en paramétrant des méthodes d'agrégation selon différentes priorités et appliquées à un grand nombre d'usagers. Cela permet d'identifier quels niveaux d'agrégation conduisent à recommander une politique ou une autre. Un modèle multi-agent du système hydrique Jordanien est utilisé pour simuler l'approvisionnement inégal en eau potable des ménages et l'effet de différentes politiques de développement d'infrastructures ou de restructuration de l'approvisionnement. Les résultats montrent comment ces incertitudes normatives peuvent modifier la recommandation d'une analyse de vulnérabilité et comment intégrer ces incertitudes à la surface de réponse. Dans le cas du système du Haut Saint-François, les surfaces de réponse illustrent comment les niveaux de possibilité sont modifiés par le seuil flou et sa fonction d'appartenance, affectant potentiellement la recommandation. Dans le cas Jordanien, le choix d'agrégation modifie fortement la surface de réponse, parfois plus que les politiques augmentant les ressources disponibles. Les résultats montrent aussi les effets non-linéaires que divers types de distribution statistique de l'approvisionnement en eau peuvent avoir sur les surfaces de réponse. Les niveaux d'agrégation menant à différentes préférences sont identifiables, permettant d'établir une relation entre les options disponibles, choix social et incertitude profonde afin d'expliciter les arbitrages et favoriser la délibération. En proposant des outils pour intégrer ces incertitudes normatives aux approches ascendantes d'analyse des systèmes hydriques, ce travail ouvre également des pistes de recherche futures telles que la combinaison de ces deux approches par agrégation de seuils flous, ou leur inclusion au sein de cadres plus vastes d'analyse de vulnérabilité hydrique.

Titre de l'écran-titre (visionné le 6 juin 2023) / Le sujet de ce mémoire concerne l'utilisation de données incomplètes qui sont utilisées à des fins d'apprentissage statistique, dans un contexte où une méthode de traitement des données manquantes a été appliquée aux données. La problématique motivant ce travail est la prédiction de l'abandon scolaire chez les étudiants collégiaux. La caractéristique principale de la non-réponse au sein de ces données est que les étudiants ayant le statut d'immigrant ont une non-réponse quasi complète pour certaines variables. À partir d'une étude de simulation répliquant le comportement des données collégiales, différentes méthodes d'imputation sont utilisées sur des jeux de données ayant différentes configurations de non-réponse. Ces données imputées sont ensuite utilisées pour entraîner des modèles d'apprentissage statistique afin d'en évaluer les performances. À partir des résultats de cette étude de simulation, les combinaisons de méthodes d'imputation et de modèles d'apprentissage statistique ayant le mieux performé au niveau des prédictions sont appliquées aux données collégiales afin de déterminer quelles méthodes d'imputation permettent d'obtenir les meilleures performances prédictives. / This thesis deals with the use of incomplete data, to which a missing data treatment has been applied, in a statistical learning problem. The issue motivating this project is the prediction of school dropout among college students. The main characteristic of non-response in these data is that students with immigrant status have non-response for almost all the variables. Based on a simulation study replicating the behavior of college data, different imputation methods are applied on datasets with different nonresponse patterns. The imputed data are then used to train statistical learning models and to evaluate their performance. Based on the results of the simulation study, the best-performing combinations of imputation methods and statistical learning models are applied to college data.

La présence de réponses manquantes pour certains items d’une échelle de mesure est un phénomène que tout chercheur est susceptible de rencontrer au cours de ses travaux. Bien que les biais que peut causer un traitement inadéquat de cette non-réponse soient connus depuis près de 30 ans (Rubin, 1976), les connaissances quant à l’efficacité des diverses méthodes de traitement des valeurs manquantes sont encore très restreintes. La présente étude vise à faire évoluer les connaissances et les pratiques concernant le traitement des valeurs manquantes dans le contexte d’utilisation d’échelles de type Likert. Le problème fondamental que posent les valeurs manquantes est qu’il est impossible de ne pas en tenir compte lors de l’application d’une méthode d’analyse statistique. La majorité de ces méthodes ayant été développées pour traiter des matrices de données complètes. Les modèles de mesure utilisés dans le traitement des données issues d’échelles de type Likert n’échappent pas à cette réalité. Deux modèles de mesure sont étudiés plus en profondeur dans ce projet soit, le modèle classique et le modèle gradué de Samejima. La recherche entreprise avait comme objectif d’évaluer l’efficacité de cinq méthodes de traitement des valeurs manquantes, dont la méthode d’imputation multiple. De plus, il était visé d’évaluer l’impact du nombre de sujets, du nombre d’items et de la proportion des valeurs manquantes sur l’efficacité des méthodes. Les résultats issus de cette recherche semblent suggérer que la méthode d’imputation multiple présente une efficacité supérieure aux autres méthodes bien que, tout dépendant du modèle de mesure considéré, d’autres méthodes plus simples semblent aussi efficaces. Il importe de noter en conclusion qu’aucune méthode de traitement ne peut éliminer complètement les biais causés par les valeurs manquantes et qu’à ce sujet, il serait préférable de prévenir plutôt que de guérir. / The presence of missing answers for some items of a scale of measurement is a phenomenon which any researcher is suitable to meet during his work. Although bias that an inadequate treatment of this non-response can cause are known since nearly 30 years (Rubin, 1976), knowledge of the effectiveness of the various missing values treatment is still very restricted. The present study aims at making knowledge and practices concerning the treatment of the missing values evolve in the context of Likert type scale. The fundamental problem that missing values pose is that it is impossible not to take it into account at the time of the application of a method of statistical analysis, the majority of these methods having been developed to treat matrices of complete data. The models of measurement used in the analysis of Likert type scale data do not escape from this reality. Two models of measurement are studied more in-depth in this project, the classical test model and the Samejima graded model. The main objective of the research undertaken is to evaluate the effectiveness of five missing values treatment, including the multiple imputation method. Moreover, it was aimed to evaluate the impact of the number of subjects, the number of items and the proportion of the missing values on the effectiveness of the methods. The results of this research seem to suggest that the effectiveness of multiple imputation is higher than the other methods, although depending on the model of measurement considered, other simpler methods seem also effective. In conclusion, it is important to note that because no method of treatment can eliminate completely the bias caused by the presence of missing values, it would be preferable to prevent rather than to cure.