Séance de cours

Choix du modèle et prévision

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 couvre le choix du modèle et la prévision dans l'analyse des séries chronologiques. L'instructeur discute des méthodes officielles de comparaison des modèles, comme le critère d'information Akaike (CCI) et le critère d'information bayésien (CCI). La séance de cours se penche également sur les techniques de prévision, y compris la minimisation des erreurs carrées moyennes et le concept d'erreurs de prévision. En outre, la présentation explore les prévisions dans les processus autorégressifs (AR) et les processus de moyenne mobile (MA) ainsi que les modèles généraux de l'ARMA. L'importance de comprendre les propriétés des erreurs de prévision et les implications pour différents types de modèles est soulignée.

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.

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.

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.

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.

Critère d'information bayésien

Le critère d'information bayésien (en anglais bayesian information criterion, en abrégé BIC), aussi appelé critère d'information de Schwarz, est un critère d'information dérivé du critère d'information d'Akaike proposé par en 1978. À la différence du critère d'information d'Akaike, la pénalité dépend de la taille de l'échantillon et pas seulement du nombre de paramètres. Il s'écrit : avec la vraisemblance du modèle estimée, le nombre d'observations dans l'échantillon et le nombre de paramètres libres du modèle.

Afficher plus

Séances de cours associées (55)

Séries chronologiques

Explore les séries chronologiques, couvrant les spécifications du modèle, les diagnostics et les méthodes de prévision.

Prévision & Mémoire longue: Séries chronologiques

Explore les méthodes de prévision et la mémoire longue dans l'analyse des séries chronologiques.

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.

Résidus et prévisions: Séries chronologiques MATH-342

Couvre les résidus, les diagnostics, le surajustement et les méthodes de prévision dans l'analyse des séries chronologiques.

Box-Jenkins Méthodologie: Bâtir des modèles de séries chronologiques

Couvre la méthodologie Box-Jenkins pour construire des modèles de séries chronologiques, y compris l'identification des modèles, les calculs de variance et le diagnostic des modèles.

Afficher plus

Concepts associés (32)

ARMA

Moving-average model

Autoregressive integrated moving average

Processus autorégressif

Critère d'information bayésien

Afficher plus