Séries chronologiques univariées (STT-6615)

Slides:



Advertisements
Présentations similaires
Rapport de Statistiques Appliquées
Advertisements

Incertitudes lors d’un dosage acide base
Atelier régional des Nations Unies sur lévaluation des recensements et les enquêtes post censitaires, Tunis, décembre 2009 Evaluation des erreurs.
Inférence statistique
Répondez à ces quelques questions
Répondez à ces quelques questions
Le codage de l ’information

1 Intégration numérique garantie de systèmes décrits par des équations différentielles non-linéaires Application à l'estimation garantie d'état et de paramètres.
EXPONENTIELLES FONCTIONS EXPONENTIELLES EN TERMINALE ST2S auteur : Philippe Angot (version adaptée)
Limites d’une fonction
Régression linéaire (STT-2400) Section 3 Tests dhypothèses et lhypothèse linéaire générale Version: 26 janvier 2007.
Commande séquentielle d’un moteur
Chapitre 2 Les indices.
Commande impulsionnelle d'un système mécanique
Chapitre 6 : Restauration d’images

Quels sont les différents modèles ?
Méthodes Numériques appliquées à la
Régression linéaire simple
Téléphoner.
Méthodes de prévision (STT-3220) Section 4 Concepts fondamentaux de séries chronologiques Version: 8 novembre 2004.
Séries chronologiques univariées (STT-6615)
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.
Toutes les variables étaient mesurées au niveau intervalle et sans erreur Toutes les variables étaient mesurées au niveau intervalle et sans erreur ->
Les modèles linéaires (Generalized Linear Models, GLM)
Maintenant que tu as compris, on va passer aux exercices Prends une feuille, un stylo, une règle.
LES PRODUITS DÉRIVÉS troisième partie: Black - Scholes modèle binomial
Le système français des prix de l’immobilier
Bruit. Bruit Méthodologie des études acoustiques Analyse de l’existant (infrastructure, bâti…) Diagnostic acoustique (mesures) Modélisation du site.
Régression linéaire (STT-2400)
04/10/07 MATHÉMATIQUES FINANCIÈRES I Dixième cours.
STT-3220 Méthodes de prévision
Régression linéaire (STT-2400)
La régression multiple
Les séries chronologiques
Régression linéaire (STT-2400)
Séries chronologiques univariées (STT-6615)
Méthodes de prévision (STT-3220)
Échantillonnage (STT-2000) Section 3 Utilisation de variables auxiliaires. Version: 8 septembre 2003.
Méthodes de prévision (STT-3220)
MATHÉMATIQUES FINANCIÈRES I
Chapitre 5 Prévisions.
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
Mesures dans le temps Claude Marois 2012.
(analyse en modèle de Cox multivarié - HR [IC95])
Les Chiffres Prêts?
Probabilités et Statistiques Année 2009/2010
STT-3220 Méthodes de prévision
Probabilités et Statistiques Année 2010/2011
Charges opérationnelles et charges de structure
 BERGOT Guillaume HAVEZ Maxime. Présentation Problématique Endogène Exogènes Résultats Bilan  Présentation du contexte  Problématique  Mise en place.
Classe de 6 ème – Collège Charles-Péguy Bobigny Donnez une écriture décimale des nombres suivants :
STT-3220 Méthodes de prévision
Séries chronologiques univariées (STT-6615)
Soyez les Bienvenus.
SERIES CHRONOLOGIQUES
Séries chronologiques univariées (STT-6615) Chapitre 1 Exemples de calculs d’autocorrélations et d’autocorrélations croisées.
Régression linéaire (STT-2400)
Séries chronologiques univariées (STT-6615)
Le modèle de régression linéaire Claude Marois © 2010.
Analyse des données. Plan Lien entre les statistiques et l’analyse des données Propagation des erreurs Ajustement de fonctions.
Méthodes de prévision (STT-3220)
Paramètres de position et de dispersion
Lectures Volume du cours: Sections 12.1 à 12.6 inclusivement.
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.
Transcription de la présentation:

Séries chronologiques univariées (STT-6615) Chapitre 2 Exemple, construction des modèles ARIMA: Analyse du PNB aux États-Unis

Analyse des données du PNB aux États-Unis Exemple: Produit national brut aux États-Unis. Données trimestrielles couvrant la période: 1947 (1er trimestre) à 2002 (3ième trimestre); n = 223. Les données sont en milliards de dollars enchaînées (1996). Les données ont été désaisonnalisées. STT-6615; Séries chronologiques univariées; Chapitre 2

Ajustement de modèles AR(1) et MA(2) pnbdifflog = diff(log(pnb)) Ajustement d’un AR(1) pnbdifflog.ar1 = arima(pnbdifflog, order = c(1, 0, 0)) Ajustement d’un MA(2) pnbdifflog.ma2 = arima(pnbdifflog, order = c(0, 0, 2)) STT-6615; Séries chronologiques univariées; Chapitre 2

Analyse des résultats: AR(1) Call: arima(x = pnbdifflog, order = c(1, 0, 0)) Coefficients: ar1 intercept 0.3467 0.0083 s.e. 0.0627 0.0010 sigma^2 estimated as 9.03e-05: log likelihood = 718.61, aic = -1431.22 STT-6615; Séries chronologiques univariées; Chapitre 2

Écriture du modèle AR(1) Le modèle prend la forme: La relation entre les paramètres est: STT-6615; Séries chronologiques univariées; Chapitre 2

Écriture du modèle AR(1) basée sur la sortie informatique Le modèle est: On remarque que 0.0083*(1-0.3467) =0.0054 STT-6615; Séries chronologiques univariées; Chapitre 2

Concernant les écarts-type On a directement de la sortie informatique que les erreurs-type de m et f sont 0.010 et 0.0627, respectivement. Concernant l’erreur-type de a, si f était connu, on aurait: On trouve ainsi comme approximation pour l’erreur-type de l’estimateur de a: (1-0.3467)*0.010 = 0.0006533 STT-6615; Séries chronologiques univariées; Chapitre 2

Analyse des résultats: MA(2) Call: arima(x = pnbdifflog, order = c(0, 0, 2)) Coefficients: ma1 ma2 intercept 0.3028 0.2035 0.0083 s.e. 0.0654 0.0644 0.0010 sigma^2 estimated as 8.92e-05: log likelihood = 719.96, aic = -1431.93 Le modèle prend la forme: STT-6615; Séries chronologiques univariées; Chapitre 2

Écriture du modèle MA(2) basée sur la sortie informatique Modèle MA(2) avec paramètres estimés et erreurs-type en indice: STT-6615; Séries chronologiques univariées; Chapitre 2

Illustration que ces deux modèles sont plutôt similaire Rappelons qu’un AR(1) peut s’exprimer comme une moyenne mobile d’ordre infini. Les coefficients de la représentation linéaire s’amortisse habituellement assez rapidement vers zéro. On peut obtenir ces poids y à l’aide de la fonction R ARMAtoMA(). STT-6615; Séries chronologiques univariées; Chapitre 2

Calcul des poids de la représentation linéaire > ARMAtoMA(ar=.35, ma=0, 10) [1] 3.500000e-01 1.225000e-01 4.287500e-02 1.500625e-02 5.252187e-03 [6] 1.838266e-03 6.433930e-04 2.251875e-04 7.881564e-05 2.758547e-05 On peut améliorer l’affichage avec la commande round(). À quatre décimales: > round(ARMAtoMA(ar=.35, ma=0, 10),4) [1] 0.3500 0.1225 0.0429 0.0150 0.0053 0.0018 0.0006 0.0002 0.0001 0.0000 Ce AR(1) est approximativement le MA(2): STT-6615; Séries chronologiques univariées; Chapitre 2