Valeurs ajustées et résidus

Prévision en R

Rob J. Hyndman

Professor of Statistics at Monash University

Valeurs ajustées et résidus

Une valeur ajustée est la prévision d'une observation à partir de toutes les observations précédentes

Autrement dit, ce sont des prévisions à un pas
Souvent pas de vraies prévisions, car les paramètres sont estimés sur toutes les données

Un résidu est l'écart entre une observation et sa valeur ajustée

Autrement dit, ce sont des erreurs de prévision à un pas

Exemple : production de pétrole

fc <- naive(oil)
autoplot(oil, series = "Data") + xlab("Year") +
  autolayer(fitted(fc), series = "Fitted") +
  ggtitle("Oil production in Saudi Arabia")

Production de pétrole – Arabie saoudite

Exemple : production de pétrole

autoplot(residuals(fc))

Résidus – production de pétrole

Les résidus devraient ressembler à du bruit blanc

Hypothèses essentielles

Ils doivent être non corrélés
Ils doivent avoir une moyenne nulle

Propriétés utiles (pour calculer les intervalles de prévision)

Variance constante
Distribution normale

On peut vérifier ces hypothèses avec la fonction checkresiduals().

checkresiduals()

checkresiduals(fc)

    Ljung-Box test
data:  residuals
Q* = 12.59, df = 10, p-value = 0.2475
Model df: 0.   Total lags used: 10

Résultats de checkresiduals()

Passons à la pratique !

Prévision en R