Méthodes de prévision (STT-3220)

Slides:



Advertisements
Présentations similaires
Rapport de Statistiques Appliquées
Advertisements

Approximation CHEBYSHEV.
Contexte 1500 MW fin MW fin MW fin 2008
Sébastien Thomassey Janvier 2005
Modélisation de l’hydrodynamique du plateau atlantique
1 EUROPEAN REGIONAL DEVELOPMENT FUND EUROPEAN REGIONAL DEVELOPMENT FUND Premier appel à proposition– Bilan Stéphane GERBAUD- Région Nord-Pas de Calais.
Construction de Box-Plot ou diagrammes en boîtes ou boîtes à moustaches Construire une boîte à moustaches …
Chapitre 6 La planification du marketing et les prévisions des ventes
Bonjour ! Souriez c’est lundi !
Prévisions des ventes :
Régression linéaire (STT-2400) Section 3 Tests dhypothèses et lhypothèse linéaire générale Version: 26 janvier 2007.
Notions et mesures dans le temps Claude Marois © 2012.
Méthodes de prévision (STT-3220)
Prévision de la Demande
Prévision du nombre de naissances à moyen terme
I- Composantes dun marché en termes de demande A. La demande quantitative : Combien ? B. La demande qualitative : Qui ? Pourquoi ? Comment ?
LA DISCRIMINATION DE PRIX
Régression linéaire (STT-2400)
Méthodes de prévision (STT-3220)
Méthodes de prévision (STT-3220) Section 4 Concepts fondamentaux de séries chronologiques Version: 8 novembre 2004.
Séries chronologiques univariées (STT-6615)
Méthodes de prévision (STT-3220)
STT-3220; Méthodes de prévision; Automne Exemple 8.2 de Pindyck et Rubinfeld Exemple sur les taux dintérêts R = taux dintérêt mensuel IP = Indice.
BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan Présentation du contexte Problématique Mise en place du modèle.
BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan Présentation du contexte Problématique Mise en place du modèle.
BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan Présentation du contexte Problématique Mise en place du modèle.
BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan Présentation du contexte Problématique Mise en place du modèle.
IGL301 - Spécification et vérification des exgiences 1 Chapitre 2 Le processus dingénierie des exigences (ref : Bray chapitre 2)
Econometrie des Series Temporelles Modeles ARIMA ARCH-GARCH
Modelisation Modeles ARIMA ARCH-GARCH
Prédiction multi-step de la volatilité : le modèle ARIMA-GARCH appliqué aux séries temporelles d’affaiblissement par la pluie sur les liaisons Terre-Satellite.
Gestion des stocks GPO-1004 Prévisions Hiver 2002.
Régression linéaire (STT-2400)
STT-3220 Méthodes de prévision Section 2 Modèle avec deux variances inconnues: Méthode reposant sur un test préliminaire Version: 21 janvier 2008.
La recherche scientifique
Théorie de l’échantillonnage (STT-6005)
STT-3220 Méthodes de prévision
Régression linéaire (STT-2400)
STT-3220 Méthodes de prévision Section 5 Estimation de la fonction dautocovariance (k) et de la fonction dautocorrélation (k) Version: 11 décembre 2008.
Les séries chronologiques
Régression linéaire (STT-2400)
Séries chronologiques univariées (STT-6615)
Méthodes de prévision (STT-3220)
Méthodes de prévision (STT-3220)
Techniques de prévision quantitatives
Méthodes de prévision (STT-3220)
STT-3220 Méthodes de prévision
Méthodes de prévision (STT-3220) Section 6 Exemple: Prévisions dans un modèle AR(1) Version: 18 décembre 2008.
STT-6615 Séries chronologiques univariées
EXIGE Un avenir dans le web....
Les principes de la modélisation de systèmes
Dictée en em 1._________________ 2._________________ 3._________________ 4._________________ 5._________________ 6._________________ 7._________________.
STT-3220 Méthodes de prévision
 BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan  Présentation du contexte  Problématique  Mise en place.
TNS et Analyse Spectrale
 BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan  Présentation du contexte  Problématique  Mise en place.
STT-3220 Méthodes de prévision
Séries chronologiques univariées (STT-6615)
 BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan  Présentation du contexte  Problématique  Mise en place.
Présentation de Yellow Box 2.0. Gestion des ventes Module de gestion des ventes Commandes de vente Livraisons Facturation Historique des ventes Étapes.
Séries chronologiques univariées (STT-6615) Chapitre 1 Exemples de calculs d’autocorrélations et d’autocorrélations croisées.
STT-3220 Méthodes de prévision Section 1 Évaluation des prévisions: Coefficient de Theil Version: 9 septembre 2004.
Séries chronologiques univariées (STT-6615)
Méthodes de prévision (STT-3220)
STT-3220 Méthodes de prévision Section 1 Meilleur prédicteur et meilleur prédicteur linéaire Version: 21 janvier 2008.
COURS DE TECHNIQUES QUANTITATIVES
STT-3220; Méthodes de prévision 1 Exemple: Test d’une dépendance d’ordre un Supposons que l’on a observé une série chronologique de taille n = 100. La.
E-Prelude.com Le modèle de prévision.
Méthodes de prévision (STT-3220)
Transcription de la présentation:

Méthodes de prévision (STT-3220) Section 6 Classe des modèles SARIMA Version: 16 décembre 2008

STT-3220; Méthodes de prévision Modèles saisonniers Plusieurs séries chronologiques présentent des cycles qui ont tendance à se répéter dans le temps, et ce après une période fixe de temps. On appelle cette tendance la saisonnalité. La longueur du cycle est appelée la période saisonnière, que l’on note s. Séries mensuelles: s = 12. Séries trimestrielles: s = 4. Exemples de facteurs pouvant occasionner des phénomènes saisonniers: Température: demande d’électricité plus forte en hiver qu’en été. Fêtes: ventes au détail plus fortes en décembre et plus faible en janvier. STT-3220; Méthodes de prévision

Recherche de modèles parcimonieux Les modèles ARMA et ARIMA sont capable de décrire des séries saisonnières. Le problème se situe dans la recherche d’un nombre raisonnable de paramètres permettant de décrire la saisonnalité. Ceci amène à une généralisation des modèles ARIMA: les modèles ARIMA saisonniers multiplicatifs. STT-3220; Méthodes de prévision

STT-3220; Méthodes de prévision Modèles SARIMA Un modèle SARIMA (p,d,q) x (P,D,Q)s peut être écrit comme: Les polynômes sont: STT-3220; Méthodes de prévision

Modèles des données aériennes Un exemple célèbre utilisé par Box et Jenkins dans la modélisation des totaux mensuels de passagers prenant l’avion est le SARIMA (0,1,1) x (0,1,1)12: On peut vérifier que les autocorrélations non-nulles de sont aux délais 1, 11, 12 et 13. STT-3220; Méthodes de prévision

Modèles des données aériennes (suite) On vérifie que les autocovariances non nulles satisfont: STT-3220; Méthodes de prévision

PROC ARIMA: énoncé IDENTIFY IDENTIFY VAR=Ztt(l,12); (1-B)(1-B**12)Zt IDENTIFY VAR=Ztt(l) ; (1-B)Zt IDENTIFY VAR=Ztt(12); (1-B**12)Zt IDENTIFY VAR=Ztt(1,1); {(1-B)**2}Zt = (1-B)(1-B)Zt = (1-2*B+B**2)Zt STT-3220; Méthodes de prévision

PROC ARIMA: énoncé ESTIMATE ESTIMATE p=3 q=(1)(4) METHOD=ML PLOT PRINTALL ; (1- phi1*B - phi2*B**2 - phi3*B**3)Zt = (1-theta1* B)(1-theta4* B**4)at; ESTIMATE p=(1)(3) q=2 METHOD=ULS PLOT PRINTALL; (1-phi1*B)(1-phi3*B**3)Zt = (1-theta1*B-theta2* B**2)at; ESTIMATE p=(3)(12) METHOD=CLS PLOT PRINTALL; (1-phi3*B**3)((1-phi12*B**12)Zt = at; ESTIMATE p=12 NOCONSTANT METHOD=ML ; AR(12); ESTIMATE p=(12) NOCONSTANT METHOD=ML ; (1-phi12*B**12)Zt = at. STT-3220; Méthodes de prévision