Vous n'êtes pas identifié.
Vous êtes sur le forum du master ESA !
Le site du master ESA - description de la formation, notes de cours, contacts... vient de déménager !!!
Venez visiter notre nouveau site : www.master-esa.fr
Bonsoir,
J'ai deux interrogations sur l'étude des séries temporelles quotidiennes.
J’ai pu lire que certains auteurs préconisaient que quand les données sont quotidiennes il faut envisager une autocorrélation maximum de 6 jours. Pourquoi 6 jours? on pourrait prendre 30 jours cela me semble aussi cohérant.
Ma seconde question porte sur la fonction d'autocorrélation que l'on calcul pour des décalages allant de 0 à K. En général on considère que si le nombre d'observation est supérieure à 150, on prend un retard maximum de K/5. Mais pourquoi K/5? est ce une règle?
J'espère que quelqu'un pourra me donner des réponses car mes recherches n'ont rien données.
Cordialement
Hors ligne
- Sur la première question : vous avez raison, il n'y a aucune raison de prendre un retard maximum de 6 jours. C'est même curieux sur des données quotidiennes puisque la durée de la semaine doit être considérée. Celle-ci peut être de 5 jours ou de 7 jours. En cas de saisonalité hebdomadaire vous allez donc observer des pics dans vos corrélogrammes soit pour des multiples de 5, soit pour des multiples de 7. Dans tous les cas il n'y a aucune raison au moment de l'identification des processus, à se limiter à 6 puisque les corrélations aux multiples de 5 (ou 7) aident à la sélection. Dans ce cas, prendre 30 jours est certainement préférable (naturellement si on a assez d'observations).
- Sur la deuxième : attention vous semblez utiliser le terme K pour désigner à la fois le nombre d'observations de la série et le nombre d'autocorrélations. Si T est le nombre d'observations et K le nombre d'autocorrélations, il n'y a pas de choix idéal par défaut pour K à T donné. Vous pouvez prendre un nombre fixe (qui peut dépendre de la nature des données, Cf le point précédent), mais souvent ce nombre est une fonction croissante de T, l'idée étant que lorsque T augmente alors on peut également faire croître K sans détériorer la précision des calculs. Ainsi les règles utilisées dans le logciel RATS sont du type K=Min(SQRT(T), T/4) lorsque l'utilisateur n'impose pas une valeur a priori. Pour SAS si aucune valeur n'est indiquée par l'utilisateur alors K=Min(24, T/4).
Dernière modification par esa_gc (10-02-2009 16:31:51)
Hors ligne
Bonjour,
Je vous remercie pour la précédente réponse mais j'ai une autre interrogation de méthodologie.
Disposant d'une série chronologique que je veux étudier, je procède par étape.
Je dispose d'une série a donnée quotidienne et je souhaite la modéliser en utilisant la méthode de Box et Jenkins.
Je dois tout d'abord identifier la série. Pour cela j'utilise la fonction d'autocorrélation qui me donne des retards significatifs pour un retard 1 et 3.
Puis je en déduire un modèle AR(3) et l'estimer par MCO de la manière suivante: Pt=A1Pt-1+A3Pt-3+E, E étant un bruit blanc?
Hors ligne
Avec les info que vous donnez, la réponse est oui. Mais éventuellement faites les tests de validation par augmentation préconisés par box-jenkins.
Par exemple
- vous estimez un AR(3) non troué et testez si la nullité de b2 n'est pas rejetée dans x(t)=b1 x(t-1) + b2 x(t-2) + b3 x(t-3) + u(t)
- vous estimez un AR(4) troué et testez si la nullité de b4 n'est pas rejetée dans x(t)=b1 x(t-1) + b3(x(t-3) +b4 x(t-4) + u(t)
vous pouvez aussi employer un critère de sélection du type Akaike ou Schwartz
Dernière modification par esa_gc (19-02-2009 10:27:45)
Hors ligne
Bonjour,
Je reviens encore sur mes données quotidienne. Je me suis posé une question, peut être inutile mais bon j'ai pas trouvé de réponse.
Peut-on analyser la saisonnalité d'une série chronologique (prix du cours d'une matière première) avec des données quotidiennes? (5 jours par semaine)
Pour analyser la saisonnalité je connais que le test de Buys-Ballot, donc je souhaiterais savoir s'il existe une méthode pour analyser des données quotidiennes?
Hors ligne
Si vous restez dans la méthodologie box-jenkins, regardez les corrélations aux multiples d'un span qui vaut 5 (relisez ma réponse concernant le choix du nombre de retards) pour voir si un modèle saisonnier multiplicatif (ou non) serait présent. Vous pouvez aussi envisager de prendre en compte une dummy qui serait indicatrice d'un effet journalier particulier (par exemple un effet "lundi").
Dernière modification par esa_gc (21-03-2009 14:23:07)
Hors ligne
Je ne comprend pas bien la phrase "c'est quoi les corrélations aux multiples d'un span qui vaut 5"?
Pour trouver le nombre de décalage, j'ai pu lire l'article de Schwert (1989) qui préconise de prendre un retard maximum de (T)^(1/4) avec T le nombre d'observations.
Je souhaiterais avoir plus de précision s'il vous plait.
Hors ligne
Je ne peux pas exposer l'ensemble de la démarche ici : il vous faut regarder dans un manuel la procédure d'identification d'un filtre à partir des autocorrélations totales et partielles. Dans votre cas, si un modèle saisonnier est mis en évidence se sera à partir notamment des corrélations aux ordres 5, 10, 15,...
Hors ligne
Bonjour
J'ai besoin d'un cite où on peut télécharger les cours sur les faibles dependances des processus INGARCH.
Merci.
Hors ligne
Est ce qu'on peut faire la cointégration pour des données panels et des séries temporelles affin d'obtenir une relation à long terme entre eux?? c faisable ou non???????
c un peut urgent svp
Hors ligne
bonjour
j'ai un probleme avec l'estimation d'un FIGARCH avec le logiciel R
j'ai besoin du package qu'il faut faire appel ainsi que le scripte qui permet de l'estimer. urgent
merci
Hors ligne
Jetez quand même un coup d'oeil ici : http://cran.r-project.org/web/packages/ … fGarch.pdf
Hors ligne
Merci
Hors ligne