Modèle de banister explication

La réparamétrisation du modèle de rampe peut améliorer le conditionnement (Bates et watts, 1988; Huet et coll., 1996). Étant donné qu`une corrélation élevée entre les constantes de temps de dégradation de la forme physique et de la fatigue et entre les facteurs de forme physique et de magnitude de fatigue a été constatée, les fonctions de conditionnement physique et de fatigue peuvent surmonter la corrélation des paramètres. Par exemple, l`une des constantes de temps de décomposition et l`un des facteurs de magnitude peuvent être inversés: υa = 1/τa, la = 1/ka. Ces opérations n`affectent pas l`interprétation des paramètres (car les paramètres initiaux peuvent être facilement calculés à partir des nouveaux), cependant, ils peuvent être numériquement avantageux. Une autre question importante est de savoir combien de points de données sont nécessaires par paramètre pour permettre une analyse statistique pertinente. Pour la régression linéaire multiple, un nombre nominal de 15 observations par paramètre (à l`exception du paramètre d`interception) est recommandé (Stevens, 1986). Mais puisque le modèle de Banister est non-linéaire, l`inférence est basée sur la théorie asymptotique (Bates et watts, 1988; Sen et Shrivastava, 1990; Davidian et Giltinan, 1995; Huet et coll., 1996), ce qui implique plus de points de données par paramètre que pour un modèle de régression linéaire. En fait, les études ayant modélisé des performances «réelles» dans le sport d`élite n`ont pas dépassé plus de 20 représentations par an (Mujika et coll., 1996a; Millet et coll., 2002). Les relations entre la formation et le rendement peuvent être utiles aux entraîneurs sportifs d`élite lors de l`Organisation des programmes de formation de leurs athlètes. On sait que ces relations sont très individualisées (Mujika et coll., 1996b; Avalos et coll., 2003).

Ces différences peuvent être attribuées à des facteurs génétiques (Wolfarth et al., 2000), formation individuelle (Mujika et coll., 1996a; Avalos et coll., 2003), facteurs psychologiques (Banister et coll., 1975), facteurs techniques (Toussaint et Hollander, 1994; Wakayoshi et al., 1995) et spécialité (Mujika et coll., 1996a, b; Stewart et Hopkins, 2000; Avalos et coll., 2003). Il existe un large consensus sur le fait que la modélisation des relations formation-performance fournit des informations pertinentes sur les différences interindividuelles permettant des programmes de formation hautement individualisés (Banister et coll., 1975, 1999; Morton et coll., 1990, 1991, 1997; Mujika et coll., 1996a, b; Avalos et coll., 2003). Le modèle proposé par Banister et coll. (1975) et ses différentes extensions (Calvert et coll., 1976; Busso et coll., 1997, 2002; Busso, 2003) visait à relier les charges de formation à la performance, en tenant compte des caractéristiques dynamiques et temporelles de la formation et donc des effets des séquences de charge au fil du temps. Ces effets peuvent être décrits par deux fonctions de transfert antagoniste: Premièrement, une influence positive qui synthétise tous les effets positifs conduisant à une augmentation de la performance, deuxième une fonction négative qui synthétise tous les effets négatifs conduisant à fatigue à court ou à long terme et ayant une influence négative sur la performance (Busso et al., 1994; Mujika et coll., 1996a). La fonction est la suivante (Banister et coll., 1975; Busso et coll., 1994): sinus nous avons mesuré beaucoup de variables, il faut décider lequel inclure dans le modèle. Nous pouvons même brancher des mesures de rétablissement (par exemple le temps passé dans l`eau glacée) et le bien-être. La vérification de modèle pourrait nous donner des informations quelle variable donne la meilleure prédiction, quand les modèles deviennent trop complexes (variable de critère AIC, etc) et quand il suradapte.