Pourquoi une distribution prédictive complète vaut mieux qu'un intervalle de confiance classique

Un intervalle de confiance à 95 % délimite une plage. Il ne dit pas si la distribution est unimodale ou bimodale, si la queue gauche est plus épaisse que la droite, ni si la masse de probabilité est concentrée près du centre ou étalée vers les extrêmes. Prenons un exemple : deux modèles de rendements produisent le même intervalle à 95 %, mais l'un place 8 % de sa masse en dessous de zéro et l'autre seulement 3 %. Pour une décision à horizon pluriannuel, cette différence n'est pas anecdotique. L'intervalle, en résumant tout en deux chiffres, rend cette différence invisible. C'est précisément là que commence le problème analytique que la densité prédictive est conçue pour résoudre.

La densité prédictive bayésienne intègre deux sources d'incertitude que l'approche classique traite séparément ou ignore : l'incertitude sur les paramètres du modèle et l'incertitude sur la structure du modèle lui-même. En pratique, cela signifie que la distribution que vous obtenez est une moyenne pondérée sur l'ensemble des configurations plausibles des paramètres, pondérée par leur vraisemblance à la lumière des données. Le résultat est une courbe entière — avec ses asymétries visibles, ses queues explicitement modélisées — plutôt qu'une paire de bornes. Cette courbe est honnête sur ce qu'elle ne sait pas. Ses queues sont souvent plus larges que celles d'un modèle classique calibré sur les mêmes données, précisément parce qu'elle n'élimine pas l'incertitude paramétrique par un artifice de point d'estimation.

Considérons un modèle à volatilité stochastique estimé sur une série de rendements d'actifs sur dix ans. L'approche fréquentiste classique fixe la volatilité à son estimé ponctuel, puis calcule un intervalle de prévision conditionnel à cette valeur. L'approche bayésienne, elle, intègre la distribution postérieure complète de la volatilité — incluant les configurations où elle est significativement plus élevée que l'estimé central. Le résultat : la densité prédictive bayésienne présente des queues nettement plus épaisses, en particulier du côté des pertes extrêmes. Sur un horizon de trois à cinq ans, cette différence se traduit par une évaluation des scénarios défavorables qui est structurellement plus prudente, sans pour autant être pessimiste par construction — elle reflète simplement ce que l'incertitude paramétrique implique vraiment.

La densité prédictive se lit comme une carte de probabilité sur l'ensemble des rendements possibles. La hauteur de la courbe en un point indique la densité de probabilité relative à cet endroit. Les zones sous la courbe à gauche de zéro représentent la masse de probabilité des rendements négatifs. Les asymétries visibles — une queue gauche plus épaisse que la droite — signalent un risque de perte structurellement plus présent que le risque de gain symétrique. Pour un décideur stratégique, trois lectures suffisent pour commencer : la médiane prédictive, la masse sous un seuil critique et la forme générale des queues. Ces trois éléments ensemble disent bien plus qu'un intervalle de confiance ne le fera jamais.

Avant d'utiliser une densité prédictive pour éclairer une décision, il vaut la peine de vérifier quelques points essentiels. Les priors choisis sont-ils justifiés ou adoptés par commodité ? La distribution postérieure a-t-elle convergé — les chaînes MCMC montrent-elles des signes de mélange insuffisant ? La densité prédictive est-elle calibrée : couvre-t-elle bien les réalisations historiques hors-échantillon ? Ces questions ne sont pas des formalités académiques. Elles déterminent si la distribution que vous lisez est informative ou simplement bien habillée. Un modèle qui répond honnêtement à ces questions mérite plus de confiance qu'un modèle qui produit des courbes lisses sans exposer ses hypothèses.