Choix du modèle et analyse des résidus

Modèles ARIMA en R

David Stoffer

Professor of Statistics at the University of Pittsburgh

AIC et BIC

ch2_3.006.png

  • L'AIC et le BIC mesurent l'erreur et pénalisent (différemment) l'ajout de paramètres

  • Par exemple, AIC a $\ k=2$ et BIC a $\ k = log(n)$

  • Objectif : trouver le modèle avec l'AIC ou le BIC le plus faible

Modèles ARIMA en R

Choix du modèle : AR(1) vs MA(2)

gnpgr <- diff(log(gnp))
sarima(gnpgr, p = 1, d = 0, q = 0)

$AIC                          $BIC
-8.294403                     -9.263748

sarima(gnpgr, p = 0, d = 0, q = 2)

$AIC                          $BIC                                       
-8.297695                     -9.251712

ch2_3.010.png

Modèles ARIMA en R

Analyse des résidus

sarima() inclut un graphique d'analyse des résidus montrant :

  1. Résidus standardisés
  2. FAC des résidus (échantillon)
  3. Diagramme Q-Q normal
  4. Valeurs p de la statistique Q

ch2_3.016.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.018.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.019.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.020.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.021.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.022.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.023.png

Modèles ARIMA en R

Mauvais résidus

ch2_3.024.png

Modèles ARIMA en R

Passons à la pratique !

Modèles ARIMA en R

Preparing Video For Download...