Validation croisée pour séries temporelles

Prévision en R

Rob J. Hyndman

Professor of Statistics at Monash University

Validation croisée pour séries temporelles

ch2_vid4_slides.002.png

Validation croisée pour séries temporelles

ch2_vid4_slides.003.png

Validation croisée pour séries temporelles

ch2_vid4_slides.004.png

Validation croisée pour séries temporelles

ch2_vid4_slides.005.png

Fonction tsCV

MSE avec validation croisée pour séries temporelles

e <- tsCV (oil, forecastfunction = naive, h = 1)
mean(e^2 , na.rm = TRUE)

2355.753

Quand il n'y a aucun paramètre à estimer, tsCV avec h=1 donne les mêmes valeurs que les résidus

Fonction tsCV

  sq <- function(u){u^2}
  tsCV(oil, forecastfunction = naive, h = 10) %>%
    sq() %>% colMeans(na.rm=TRUE)

      h=1       h=2       h=3       h=4       h=5       h=6
 2355.753  5734.838  9842.239 14299.997 18560.887 23264.410
      h=7       h=8       h=9      h=10
26932.799 30766.136 32892.200 32986.214

Le MSE augmente avec l'horizon de prévision

Fonction tsCV

Choisir le modèle avec le MSE le plus faible, calculé par validation croisée de séries temporelles
Le calculer à l'horizon de prévision qui vous importe le plus

Passons à la pratique !

Prévision en R