- 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)

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)

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)

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,...

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

Ce forum n'est pas un forum de support du logiciel R
(que par ailleurs le master ESA n'utilise pas)

a+

qu'est ce que tu es fort avec google !!!!