Séance de cours

Séries chronologiques: Modélisation structurelle et filtre Kalman

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.

Dans cours

MATH-342: Time series

A first course in statistical time series analysis and applications. ...

Description

Cette séance de cours porte sur la modélisation structurelle des séries chronologiques, y compris les composantes tendancielles, cycliques, saisonnières et irrégulières, ainsi que sur l'application du filtre Kalman pour l'estimation et la prévision. Il se décline en modèles de tendance linéaire locale, en modélisation spatiale d'état, et en mécanismes mathématiques derrière ces composantes. La séance de cours explore également les concepts de faible et forte stationnarité, les processus mobiles moyens et autorégressifs, la densité spectrale et les filtres numériques. On discute des méthodes d'estimation comme les moindres carrés, les équations de Yule-Walker et le cadre de Box-Jenkins, ainsi que des techniques de prévision des processus AR, MA et ARMA. La séance de cours se termine par l'analyse des modèles ARCH et la mise en œuvre du filtre Kalman dans les modèles spatiaux d'état.

Enseignant·e

Sofia Charlotta Olhede

Sofia Olhede is a professor of Statistics at EPFL in Switzerland. She joined UCL prior to this in 2007, before which she was a senior lecturer of statistics (associate professor) at Imperial College London (2006-2007), a lecturer of statistics (assistant professor) (2002-2006), where she also completed her PhD in 2003 and MSci in 2000. She has held three research fellowships while at UCL: UK Engineering and Physical Sciences Springboard fellowship as well as a five-year Leadership fellowship, and now holds a European Research Council Consolidator fellowship. Sofia has contributed to the study of stochastic processes; time series, random fields and networks. Sofia was part of the multi-institutional team that set up the UK national data science institute, the Alan Turing Institute. She organised and served as chair of the science committee that developed the initial 500 000 pounds scientific programme of the institute; peer-reviewing over 100 workshop proposals and hosting over 30. She also chaired the first recruitment wave of the institute hiring 13 data scientists as a multi-university recruitment drive. Sofia was a member of the Royal Society and British Academy Data Governance Working Group, and the Royal Society working group on machine learning. Most recently she was one of 3 commissioners on a law society commission on the usage of algorithms in the justice system.

Source officielle

Proximité ontologique

Statistique

Analyse des données: Série temporelle

Concepts associés (32)

ARMA

En statistique, les modèles ARMA (modèles autorégressifs et moyenne mobile), ou aussi modèle de Box-Jenkins, sont les principaux modèles de séries temporelles. Étant donné une série temporelle , le modèle ARMA est un outil pour comprendre et prédire, éventuellement, les valeurs futures de cette série. Le modèle est composé de deux parties : une part autorégressive (AR) et une part moyenne-mobile (MA). Le modèle est généralement noté ARMA(,), où est l'ordre de la partie AR et l'ordre de la partie MA.

Processus autorégressif

Un processus autorégressif est un modèle de régression pour séries temporelles dans lequel la série est expliquée par ses valeurs passées plutôt que par d'autres variables. Un processus autorégressif d'ordre p, noté AR(p) est donné par : où sont les paramètres du modèle, est une constante et un bruit blanc. En utilisant l'opérateur des retards, on peut l'écrire : Un processus autorégressif d'ordre 1 s'écrit : On peut formuler le processus AR(1) de manière récursive par rapport aux conditions précédentes : En remontant aux valeurs initiales, on aboutit à : Il est à noter que les sommes vont ici jusqu'à l'infini.

Moving-average model

In time series analysis, the moving-average model (MA model), also known as moving-average process, is a common approach for modeling univariate time series. The moving-average model specifies that the output variable is cross-correlated with a non-identical to itself random-variable. Together with the autoregressive (AR) model, the moving-average model is a special case and key component of the more general ARMA and ARIMA models of time series, which have a more complicated stochastic structure.

Processus stationnaire

Pour accéder aux propriétés essentielles d'un signal physique il peut être commode de le considérer comme une réalisation d'un processus aléatoire (voir quelques précisions dans Processus continu). Le problème est largement simplifié si le processus associé au signal peut être considéré comme un processus stationnaire, c'est-à-dire si ses propriétés statistiques caractérisées par des espérances mathématiques sont indépendantes du temps.

Autoregressive integrated moving average

In statistics and econometrics, and in particular in time series analysis, an autoregressive integrated moving average (ARIMA) model is a generalization of an autoregressive moving average (ARMA) model. To better comprehend the data or to forecast upcoming series points, both of these models are fitted to time series data. ARIMA models are applied in some cases where data show evidence of non-stationarity in the sense of mean (but not variance/autocovariance), where an initial differencing step (corresponding to the "integrated" part of the model) can be applied one or more times to eliminate the non-stationarity of the mean function (i.

Afficher plus

Séances de cours associées (64)

Séries chronologiques: Représentation et modélisation

Couvre les propriétés stochastiques des séries temporelles, de la stationnarité, de l'autocovariance, des processus stochastiques spéciaux, de la densité spectrale, des filtres numériques, des techniques d'estimation, du contrôle des modèles, de la prévision et des modèles avancés.

Séries chronologiques: Propriétés stochastiques et modélisation

Explore les propriétés stochastiques et la modélisation des séries chronologiques, couvrant l'autocovariance, la stationnarité, la densité spectrale, l'estimation, la prévision, les modèles ARCH et la modélisation multivariée.

Modèles de signaux paramétriques : Matlab Practice

Couvre les modèles de signaux paramétriques et les applications Matlab pratiques pour les chaînes de Markov et les processus AutoRegressive.

Choix du modèle et prévision

Explore le choix des modèles, les prévisions et les techniques de prévision dans l'analyse des séries chronologiques.

Processus intégrés et saisonniers : séries chronologiques

Explore l'estimation paramétrique, les processus intégrés, la modélisation saisonnière et la construction de modèles ARIMA dans l'analyse des séries chronologiques.

Afficher plus

Concepts associés (32)

ARMA

Processus autorégressif

Moving-average model

Processus stationnaire

Autoregressive integrated moving average

Afficher plus