STT-3220 Méthodes de prévision

Slides:



Advertisements
Présentations similaires
Les Saisons de l’Année.
Advertisements

Quel Temps Fait-il?.
Quel Temps Fait-il? Français 1412 Chapître 5.
Série de Fourier s(t) = Une série de Fourier est une série du type :
INTRODUCTION 1. Une représentation du signal où le bruit est isolé
III Phénomène de propagation
LES SUPPORTS DE VENTE 1/ LA CARTE DES METS 1.1 Les différents supports
Méthodes de prévision (STT-3220)
Prévision de la Demande
Échantillonnage (STT-2000)
Transformée de Fourier discrète et transformée de Fourier rapide
Calcul Algébrique.
L’Analyse de Covariance
Les écritures fractionnaires
13/09/07 MATHÉMATIQUES FINANCIÈRES I Quatrième cours.
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)
STT-3220; Méthodes de prévision; Automne Exemple 8.2 de Pindyck et Rubinfeld Exemple sur les taux dintérêts R = taux dintérêt mensuel IP = Indice.
Le comportement des coûts Chapitre 3
Analyse de marchés Lutilisation de la donnée secondaire dans lanalyse du produit/marché SÉANCE 8.
Gestion des stocks GPO-1004 Prévisions Hiver 2002.
Les ondes stationnaires résonantes sur une corde
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.
MATHÉMATIQUES FINANCIÈRES I
09/10/07 MATHÉMATIQUES FINANCIÈRES I Onzième cours.
Les saisons.
STT-3220 Méthodes de prévision
La régression multiple
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)
Échantillonnage (STT-2000) Section 3 Utilisation de variables auxiliaires. Version: 8 septembre 2003.
Régression linéaire (STT-2400)
Méthodes de prévision (STT-3220)
Chapitre 5 Prévisions.
Méthodes de prévision (STT-3220)
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.
STT-6615 Séries chronologiques univariées
Instrumentations & Mesures Mesure de conductivité électrique
OBSERVER : Ondes et matières Chapitre 2 : Caractéristiques des ondes
Gestion du portefeuille 07A – Modèle à facteurs
Chapitre 1 Nombres relatifs.
Les signaux périodiques
Gestion budgétaire des ventes
20/09/07 MATHÉMATIQUES FINANCIÈRES I Sixième cours.
STT-3220 Méthodes de prévision
Séries chronologiques univariées (STT-6615)
Mais quel est donc le taux d’inflation actuel ? J.C. Lambelet et D. Nilles Catherine Roux Alvaro Aparicio Gregor Banzer Daniel Cavallaro.
Les Jours, les mois, et les saisons
SERIES CHRONOLOGIQUES
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 Section 1 Meilleur prédicteur et meilleur prédicteur linéaire Version: 21 janvier 2008.
Statistiques à 2 variables
Distribution à deux variables
Quel temps fait-il? Il fait du vent Quel saison? juin juillet août L’été.
COURS DE TECHNIQUES QUANTITATIVES
Les stratégies de calcul 5 e et 6 e année. Addition.
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:

STT-3220 Méthodes de prévision Section 3 Modèles saisonniers classiques Version: 13 septembre 2004

STT-3220; Méthodes de prévision Séries saisonnières Plusieurs séries chronologiques présentent des cycles qui ont tendance à se répéter dans le temps, et ce après une période fixe dans le 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. Ex. de facteurs créant des composantes saisonnières: Température (Ex: demande d’électricité est plus forte l’hiver que l’été). Temps des fêtes (ventes au détail plus forte en décembre). STT-3220; Méthodes de prévision

Modélisation des séries saisonnières L’approche classique consiste à décomposer la série en trois composantes: Tendance, notée Tt. Composante saisonnière, notée St. Le terme d’erreur, et. Décomposition additive: zt = Tt + St + et. Décomposition multiplicative: zt = Tt x St x et. STT-3220; Méthodes de prévision

Modèles additifs: Modélisation de la tendance Tt Dans le modèle le terme de tendance peut être modélisé par: Tendance linéaire: Tendance quadratique: En général: STT-3220; Méthodes de prévision

Modèles additifs: Modélisation de la saison Utilisation d’indicateurs saisonniers: Fonctions trigonométriques: STT-3220; Méthodes de prévision

STT-3220; Méthodes de prévision Exemple Un modèle pour données mensuelles, présentant une tendance linéaire: où janvier = période 1, février = période 2, … , décembre = période 12. STT-3220; Méthodes de prévision

Étude d’un modèle particulier Considérons: Sous forme matricielle: Les composantes sont: STT-3220; Méthodes de prévision

Dans le modèle précédent XTX n’est pas inversible. Pour éviter ce problème: contraintes sur les di. Trois possibilités math. équivalentes: (1) Retirer b0. Les di sont des ordonnées à l’origine saisonniers. On retrouve s tendances parallèles. (2) Imposer . Dans un tel cas, di est l’effet saisonnier comparé à une tendance moyenne. (3) Poser ds = 0 que l’on retire du modèle. On a alors que di est l’effet saisonnier de la saison i comparé à la saison s. STT-3220; Méthodes de prévision

Calculs des prévisions Si on adopte la troisième paramétrisation: Ce modèle n’est rien d’autre qu’un modèle de régression standard: Fonction de prévision: STT-3220; Méthodes de prévision

Modélisation de la saison avec des fonctions trigonométriques Le modèle que l’on considère est maintenant: La composante saisonnière est alors: Fréquence fi = 2pi/s, le shift est fi, Amplitude = Ai. STT-3220; Méthodes de prévision

STT-3220; Méthodes de prévision Données mensuelles, s = 12. Première harmonique (cycle:un an): et comme fonction de t =1, 2, …, 12, …: Seconde harmonique (cycle:6 mois): Troisième harmonique (cycle:4 mois), quatrième (cycle: 3 mois), cinquième (cycle: 12/5 mois) et la sixième et dernière (cycle de 2 mois) STT-3220; Méthodes de prévision

Écriture comme un modèle de régression linéaire Compte tenu de la relation bien connue: On considère dans le modèle: STT-3220; Méthodes de prévision

STT-3220; Méthodes de prévision Écriture comme Dans un modèle comme: STT-3220; Méthodes de prévision

STT-3220; Méthodes de prévision Remarque Avec un terme constant b0 dans le modèle: on ne peut ajuster que m=s/2-1 harmoniques si s est pair, On ne peut ajuster que m=(s-1)/2 harmoniques si s est impair. Il est suggéré de poser b1,s/2 = 0 lorsque s est pair. STT-3220; Méthodes de prévision

Modèle sinusoïdal en douze points STT-3220; Méthodes de prévision

Modèle avec tendance linéaire et deux harmoniques STT-3220; Méthodes de prévision