Résidus et prévisions: Séries chronologiques MATH-342
Graph Chat
Chattez avec Graph Search
Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Couvre la modélisation structurale, le filtre Kalman, la stationnarité, les méthodes d'estimation, la prévision et les modèles ARCH dans les séries chronologiques.
Introduit une régression linéaire simple, les propriétés des résidus, la décomposition de la variance et le coefficient de détermination dans le contexte de la loi d'Okun.
Introduit une estimation de la probabilité maximale pour l'estimation des paramètres statistiques, couvrant le biais, la variance et l'erreur carrée moyenne.
Couvre les bases de la régression linéaire dans l'apprentissage automatique, y compris la formation des modèles, les fonctions de perte et les mesures d'évaluation.
Explore la prévision de la demande par le biais de l'initiation du modèle, y compris l'identification des tendances, les composantes saisonnières et la détermination du niveau de base, afin de valider et de surveiller les erreurs de prévision.
Explore le compromis entre les variables de biais dans l'estimation des crêtes, montrant comment un peu de biais peut augmenter l'erreur carrée moyenne en réduisant la variance.
Explore des modèles pour la prévision, la planification collaborative des ventes et des opérations, la gestion de la chaîne d'approvisionnement et l'optimisation des stocks.
Explore les modèles de facteurs fonctionnels à haute dimension pour prévoir les courbes de mortalité au Japon, en discutant de l'estimation, de la cohérence et de l'application.
Couvre les méthodes Monte Carlo, la réduction de la variance et le contrôle optimal stochastique, explorant les techniques de simulation, l'efficacité et la dynamique d'investissement.
Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.
Explore Vector Autoregression pour la modélisation de séries temporelles à valeur vectorielle, couvrant la stabilité, les équations de Yule-Walker et la représentation spectrale.
