Séries chronologiques univariées (STT-6615)

Slides:



Advertisements
Présentations similaires
Rapport de Statistiques Appliquées
Advertisements

Model de control optimal vs model de système dynamique
FONCTIONS EXPONENTIELLES
EXPONENTIELLES FONCTIONS EXPONENTIELLES EN TERMINALE ST2S auteur : Philippe Angot (version adaptée)
Approximation analytique de filtres quelconques Transformations de fréquence Les méthodes d’approximation ont conduit à l’obtention de FT normalisées opérationnelles.
Continuité Introduction Continuité Théorème des valeurs intermédiaires
Prévision du nombre de naissances à moyen terme
Démarche de résolution de problèmes
Le plan des cours d’analyse ‘Etude des phénomènes variables’
Chapitre 6 : Restauration d’images
Méthodes de prévision (STT-3220) Section 4 Concepts fondamentaux de séries chronologiques Version: 8 novembre 2004.
Méthodes de prévision (STT-3220)
Séries chronologiques univariées (STT-6615)
Séries chronologiques univariées (STT-6615)
Méthodes de prévision (STT-3220)
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.
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 régression multiple
Les séries chronologiques
Méthodes de prévision (STT-3220)
Primitives Montage préparé par : André Ross
Méthodes de prévision (STT-3220)
Transformations linéaires et sous-espaces associés
Techniques de prévision quantitatives
Sciences de la Vie et de la Terre et Mathématiques
Méthodes de prévision (STT-3220)
Régression linéaire (STT-2400)
STT-6615 Séries chronologiques univariées
Mise en forme en Mathématiques
Comparaison entre RIP et OSPF en utilisant OPNET
Méthodes de Biostatistique
Les Entiers Relatifs La règle des entiers relatifs
SUITES cours 24.
Deux sujets traités La segmentation d’images
SIG3141 Partie I: Analyse de Fourier ESIEA D Kateb
01/09/2009 CalculmatricielCalculmatriciel. I. Matrices.
Chapitre 3 Trigonométrie.
Programmes de calcul et équations
CDS#37, _____________________
Chapitre 3 :Algèbre de Boole
Chapitre I Modélisation optimisation I- Optimisation de fonctions d’une seule variable 1 Introduction En gestion, on est souvent confronté à des situations.
STT-3220 Méthodes de prévision
Modèle Conceptuel des Traitements (MCT)
1. TITRE DE LA PRÉSENTATION | 00 mois 2009 | INTERVENANTS | PAGE 2 CME WEB RDV.
08– Arbres Binomiaux Chapitre 12 Hull, 8 éd..
1. TITRE DE LA PRÉSENTATION | 00 mois 2009 | INTERVENANTS | PAGE 2 CME WEB RDV.
Chapitre 3: Translation et Vecteurs
TNS et Analyse Spectrale
Leçon 4 NOTION DE FONCTION Fabienne BUSSAC.
1 Initiation aux bases de données et à la programmation événementielle Responsable : Souheib BAARIR. (le sujet de votre .
Modélisation et simulation de système de production
Séries chronologiques univariées (STT-6615)
César Emmanuel Richard Bruno
Mais quel est donc le taux d’inflation actuel ? J.C. Lambelet et D. Nilles Catherine Roux Alvaro Aparicio Gregor Banzer Daniel Cavallaro.
SERIES CHRONOLOGIQUES
Principes d'économétrie
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)
Méthodes de prévision (STT-3220)
Chapitre 1: Nombres relatifs M. FELT
Equilibre Ecologico Economique Pêche et sur pêche.
Division euclidienne - décimale
© Fujitsu Limited, 2010 Bilan de fin de projet Version exécutive Date: …… Projet d’optimisation de l’aménagement physique des cliniques et de la.
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.
FACTORY systemes Le module de gestion de fiches recettes FORMATION INTOUCH 7.0.
Chapitre 10 : Division décimale
Transcription de la présentation:

Séries chronologiques univariées (STT-6615) Chapitre 2 Modèles SARIMA

STT-6615; Séries chronologiques univariées; Chapitre 2 Introduction Il peut survenir de la non-stationnarité saisonnière lorsque le processus est pratiquement périodique dans la saison. À titre d’exemple, si les mois de janvier sont approximativement les mêmes, les mois de février approximativement les mêmes, etc., on pourrait adopter le modèle suivant: STT-6615; Séries chronologiques univariées; Chapitre 2

STT-6615; Séries chronologiques univariées; Chapitre 2 Introduction (suite) On remarque que la transformation: Et on constate que l’application de cette transformation rend le processus stationnaire. STT-6615; Séries chronologiques univariées; Chapitre 2

STT-6615; Séries chronologiques univariées; Chapitre 2 Introduction (suite) Un examen visuel d’une réalisation du processus précédent, donne un ACF particulièrement grand aux délais h = 12k, avec k = 1,2,3,… qui décroît particulièrement lentement dans le temps. Une différenciation saisonnière consiste à appliquer l’opérateur (1-B12). STT-6615; Séries chronologiques univariées; Chapitre 2

Opérateur différence saisonnière Cet opérateur est définit par la relation: L’ordre D prend des valeurs entières D = 1,2,… Typiquement, D = 1 est suffisant dans les applications avec données réelles. STT-6615; Séries chronologiques univariées; Chapitre 2

Définition d’un modèle SARIMA Définition: Un modèle multiplicatif saisonnier, autorégressif moyenne mobile intégré, ou encore SARIMA, est définit par: Il est noté ARIMA(p,d,q) x (P,D,Q)s. STT-6615; Séries chronologiques univariées; Chapitre 2

Remarques sur la modélisation Examen de la stationnarité: Habituellement on commence par un examen de l’ACF et on tente d’appliquer les opérateurs de différences afin de rendre la série stationnaire: opérateur saisonnier (1-B12) en prenant D = 1 et application de l’opérateur (1-B)d où l’on cherche un d convenable. Ensuite on fait comme d’habitude en cherchant à modéliser les résidus. STT-6615; Séries chronologiques univariées; Chapitre 2