Bonjour,
En toute rigueur, pour un article de thèse, il faut que tu justifies le choix de la courbe que tu as retenue.
Dans l'idéal, si cette courbe est consensuelle pour la problématique traitée, il suffit de rappeler pourquoi (d'autres ont déjà expliqué ce choix). Sinon, c'est à toi de donner une justification.
Toujours dans l'idéal, si le phénomène observé est régi instantanément par une équation différentielle basée sur un modèle de comportement, alors en intégrant cette équation tu es supposée trouvée ta formule. On retrouve cette approche en biologie ou en marketing notamment, lorsque des cellules ou des comportements d'achats sont stimulés par des variables d'état et limités ou freinés par d'autres...
L'intérêt d'avoir une justification théorique à ta formule, c'est que celle-ci a dans ce cas plus de chances d'être juste, robuste et significative dans ses paramètres.
La justesse, tu peux la mesurer avec la qualité d'ajustement (R²), ou mieux avec la p-value de la régression non linéaire utilisée pour l'ajustement. Le nombre de points joue évidemment beaucoup. Ajuster une courbe de dix points avec une formule à 10 paramètres c'est faire un lissage technique mais qui n'a pas de signification.
La robustesse tu peux la jauger de différente manières. C'est délicat. Une solution qui ne coûte pas très cher consiste à bruiter les données en entrée ou à les bootstraper (retirer des valeurs arbitrairement), pour observer la stabilité du modèle (variation des coefficients).
La significativité des paramètres c'est ce qui fait qu'ils ont un "sens". Par exemple, a est la limite infinie à gauche (cela a-t-il un sens pour le modèle étudué ?). (a+c) est la limite à droite : saturation de la cible (limite infinie à droite). Et b est un paramètre de vitesse pour l'ensemble de la courbe : cela a-t-il un sens ?
Plus les paramètres ont du sens, plus ils ont de chance de porter une information pertinente et significative.
Le risque avec un modèle choisi pour ses qualités pures d'ajustement (R²) est d'aboutir à une formule vide de sens et dont les coefficients sont instables. Si par exemple une toute petite modification des mesures induit une grande variation du paramètre de vitesse, et que ta recherche est axée sur l'interprétation et la comparaison des vitesses, tu risques de faire n'importe quoi.
Bon ici, l'ajustement semble tellement bon que ce risque est peut-être à relativiser. Mais en principe tu dois te poser ce genre de question. Pourquoi avoir choisi CETTE courbe et pas une autre courbe avec une forme de S aplati comme il en existe beaucoup... Et est-ce que chaque paramètre est légitimé ? ... Chaque paramètre introduit artificiellement améliore le R² mais crée potentiellement du sur-apprentissage (donne de l'importance à des configurations qui n'ont pas de sens et ne sont pas généralisables).
Dans le même ordre d'idée, si tu avais plus de points, ou si tu as une justification forte pour certains des paramètres (limite à gauche et à droite, vitesse à l'inflexion)... et que ton modèle de base soit supposé très robuste et représentatif, tu peux aussi songer à l'améliorer en introduisant de nouveaux paramètres capables de capter d'autres effets.
Par exemple, avoir une limite à droite qui varie dans le temps, parce que la cible elle-même évolue. Dans ce cas, tu aurais une expression avec un c = c(T). Une expression linéaire pour c(T) te donnerait une asymptote oblique au lieu d'être horizontale.