Méthodes de prévision (STT-3220)

Slides:



Advertisements
Présentations similaires
Fonctions & procédures
Advertisements

Inférence statistique
Échantillonnage-Estimation
M. EL Adel & M. Ouladsine LSIS – UMR-CNRS 6168 Marseille - France
Modélisation des systèmes non linéaires par des SIFs
variable aléatoire Discrète
Régression linéaire (STT-2400) Section 3 Tests dhypothèses et lhypothèse linéaire générale Version: 26 janvier 2007.
Méthodes de prévision (STT-3220)
Chapitre 2 Les indices.
Sémantique axiomatique
Échantillonnage (STT-2000)
Examen partiel #2 Mercredi le 15 novembre de 13h30 à 15h20
Signaux aléatoires.
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.
Méthodes de prévision (STT-3220)
Méthodes de prévision (STT-3220)
Econometrie des Series Temporelles Modeles ARIMA ARCH-GARCH
Modelisation Modeles ARIMA ARCH-GARCH
Courbes de Hermite Michael E. Mortenson, Geometric Modeling. Wiley, 1997, 523p.
3.2 PRODUIT VECTORIEL Cours 7.
Prédiction multi-step de la volatilité : le modèle ARIMA-GARCH appliqué aux séries temporelles d’affaiblissement par la pluie sur les liaisons Terre-Satellite.
Mise en oeuvre des MMCs L'utilisation des MMCs en reconnaissance des formes s'effectue en trois étapes : définition de la topologie de la chaîne de Markov,
Échantillonnage (STT-2000) Section 2 Tirage aléatoire simple (plan SI). Version: 22 août 2003.
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.
Théorie de l’échantillonnage (STT-6005)
STT-3220 Méthodes de prévision
STT-3220 Méthodes de prévision Section 5 Estimation de la fonction dautocovariance (k) et de la fonction dautocorrélation (k) Version: 11 décembre 2008.
Séries chronologiques univariées (STT-6615)
Méthodes de prévision (STT-3220)
Échantillonnage (STT-2000) Section 3 Utilisation de variables auxiliaires. Version: 8 septembre 2003.
Régression linéaire (STT-2400)
Méthodes de prévision (STT-3220)
Transformations linéaires et sous-espaces associés
l’algorithme du simplexe
Techniques de prévision quantitatives
Régression linéaire (STT-2400)
STT-3220 Méthodes de prévision
Méthodes de prévision (STT-3220) Section 6 Exemple: Prévisions dans un modèle AR(1) Version: 18 décembre 2008.
Échantillonnage (STT-2000)
Présentation de la méthode des Eléments Finis
Régression linéaire multiple : hypothèses & tests. Partie 3.
Corrélation et régression linéaire
LES LOIS BINOMIALES.
Méthodes de Biostatistique
Fabienne BUSSAC EQUATIONS (1) 1. Définition
Suites numériques Définitions.
La Logique du premier ordre LPO
Chapitre 2 : Inéquations.
ASI 3 Méthodes numériques pour l’ingénieur
Chapitre I Modélisation optimisation I- Optimisation de fonctions d’une seule variable 1 Introduction En gestion, on est souvent confronté à des situations.
Cours NOMBRES COMPLEXES ET TRANSFORMATIONS.
STT-3220 Méthodes de prévision
Présentation du marché obligataire
Échantillonnage (STT-2000)
3.1 DÉTERMINANTS Cours 5.
TNS et Analyse Spectrale
TNS et Analyse Spectrale
STT-3220 Méthodes de prévision
Méthode des moindres carrés (1)
Séries chronologiques univariées (STT-6615)
Échantillonnage (STT-2000) Section 5 Types d’erreur de sondage. Version: 22 août 2003.
Régression linéaire (STT-2400)
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 1 Exemple: Test d’une dépendance d’ordre un Supposons que l’on a observé une série chronologique de taille n = 100. La.
Méthodes de prévision (STT-3220)
Transcription de la présentation:

Méthodes de prévision (STT-3220) Section 6 Autocorrélations partielles Version: 16 décembre 2008

Identification des ordres dans les modèles ARMA(p,q) Lors de la modélisation des séries chronologiques avec des données réelles, une question d’importance est le choix des ordres p et q. Ceci correspond à l’étape d’identification d’un modèle, dans la procédure de Box et Jenkins. Deux outils sont fondamentaux à cette fin: les autocorrélations (ACF) et les autocorrélations partielles (PACF). STT-3220; Méthodes de prévision

Définition intuitive des autocorrélations partielles Supposons que l’on dispose de trois variables aléatoires, X, Y et Z. Souvent, la corrélation entre X et Y pourrait être attribuable au fait que: X et Z sont corrélées; Y et Z sont corrélées. L’autocorrélation partielle cherche à quantifier la dépendance entre X et Y en retirant la dépendance avec Z. STT-3220; Méthodes de prévision

Corrélations partielles dans un contexte de séries chronologiques Considérons un processus stochastique que l’on présume SSL et tel que . Comme dans le transparent précédent, la dépendance entre Zt et Zt+k pourrait être grandement attribuable à la dépendance de ces variables aléatoires avec Zt+1, Zt+2,…Zt+k-1. On voudrait calculer la corrélation conditionnelle: STT-3220; Méthodes de prévision

Définition formelle de la corrélation partielle Soient Zt et Zt+k. On note et les meilleures prévisions linéaires de Zt et Zt+k, respectivement, au sens de l’erreur quadratique moyenne, fonctions linéaires de Zt+1,Zt+2,…Zt+k-1. On définit autocorrélation partielle: STT-3220; Méthodes de prévision

Calcul des autocorrélations partielles Soit le processus SSL tel que . 1. On formule le modèle de régression: 2. On multiplie par Zt+k-j, j positif: On prend l’espérance: STT-3220; Méthodes de prévision

On forme le système d’équations suivant pour j = 1,2,…,k: Le système devient: Il suffit de résoudre ce système avec la règle de Cramer; l’autocorrélation partielle de délai k est fkk. STT-3220; Méthodes de prévision

Règle de Cramer pour le calcul des fkk Par la règle de Cramer: STT-3220; Méthodes de prévision

Propriétés générales des fkk 1. C’est par définition une corrélation, donc on a que 2. Puisqu’il n’y a pas de variables intermédiaires entre Zt et Zt+1: f11 = r(1). 3. On trouve que: STT-3220; Méthodes de prévision

STT-3220; Méthodes de prévision Estimation des fkk L’estimateur de fkk, que l’on pourrait noter , est obtenu en remplaçant dans l’acétate 8 les r(k) inconnues par les r(k). Les estimateurs ainsi obtenus sont convergents en probabilité sous des conditions générales pour fkk. La raison essentielle de ce résultat est que r(k) est convergent pour r(k). Si est un bruit blanc: STT-3220; Méthodes de prévision

Identification d’un ARMA(p,q) avec l’ACF et la PACF Si processus est AR(p): Nombre infini d’autocorrélations. Nombre fini d’autocorrélations partielles. En fait pour un AR(p): fkk = 0, si k > p. Si processus est MA(q): Nombre fini d’autocorrélations. En fait, pour un MA(q), on a que r(k) = 0, si k > q. Nombre infini d’autocorrélations partielles. STT-3220; Méthodes de prévision