Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007"

Transcription

1 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH

2 Outline 1 Identification 2

3 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH 1 Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH 2

4 Identification d un ARMA-GARCH Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH P Q X t a i X t i = ǫ t b i ǫ t i i=1 i=1 q p ǫ t = σ t η t, σt 2 = ω + α i ǫ 2 t i + β j σt j 2 i=1 j=1 Absence d autocorrélation? P et Q. Effet ARCH? Identification des ordres GARCH p et q.

5 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Outils pour l identification i) Corrélogrammes de X 1,...,X n ou de ˆǫ 2 1,..., ˆǫ2 n : (ǫ2 t ) suit un ARMA(p q,p); ii) Tests portmanteau, tests d effet ARCH; iii) Méthode du coin, epsilon-algorithme,...; iv) Critères d information (AIC, BIC,...); v) Test de significativité de coefficients ; vi) Analyse de résidus.

6 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Vérification de l absence d autocorrélation : ǫ t = X t ˆρ(h) Fig.: Autocorrelations de l indice S&P (en pointillé ±1.96/ n, avec n = 5804). h Si (ǫ t ) bruit blanc iid nˆρ(h) L N (0,1), pour tout h 0. ˆρ(h) = ˆγ(h) ˆγ(0), n h ˆγ(h) = n 1 t=1 ǫ t ǫ t+ h

7 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Autocorrélations empiriques d un GARCH ˆγ m = (ˆγ(1),..., ˆγ(m)), ˆρ m = (ˆρ(1),..., ˆρ(m)) Si Eǫ 4 t < alors nˆγm L N (0,Σˆγm ) et où nˆρm L N ( 0,Σˆρm := γ(0) 2 Σˆγm ), Σˆγm = ( Eǫ 2 t ǫ t iǫ t j ). Remarque : Σˆρm est diagonale lorsque la loi de η t est symétrique.

8 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Exemple : ARCH (1) On a, si µ 4 α 2 < 1, D où Eǫ 2 t = ω 1 α, Eǫ2 tǫ 2 t 1 = n 1/2ˆρ(1) L N ω 2 (1 + αµ 4 ) (1 µ 4 α 2 )(1 α) { 0, (1 α)(1 + αµ } 4) (1 µ 4 α 2. ) La variance asymptotique est plus grande que pour un bruit indépendant : 1 + α(µ 4 1) (1 µ 4 α 2 ) > 1. Cependant, l écart diminue avec h : Eǫ 2 t ǫ2 t h γ 2 (0) 1 = α(eǫ 2 t ǫ2 t (h 1) γ 2 (0) 1)

9 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Ne pas faire confiance aux bandes de confiance { ǫt = σ t η t, η t N(0,1) σ 2 t = ǫ2 t σ2 t Fig.: Autocorrélations empiriques d une simulation d un bruit blanc fort (graphe de gauche) et du GARCH(1,1) (graphe de droite).

10 Estimations des limites de significativité Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Fig.: Corrélogramme d une simulation de taille n = 5000 d un GARCH(1,1).

11 Tests portmanteau Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Q m = nˆρ mˆσ 1 L ˆρ m ˆρ m χ 2 m et Q r m = nˆr mˆσ 1 L ˆρ mˆr m χ 2 m m mais := n ˆρ 2 L (i) χ 2 m, Q BP m i=1 Q LB m := n(n + 2) Q r,bp m := n m ˆρ 2 L (i)/(n i) χ 2 m, i=1 m ˆr 2 L (i) χ 2 m i=1 où ˆr m = (ˆr(1),..., ˆr(m)) : vecteur d autocorrélations partielles

12 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Tab.: Tests portmanteau sur une simulation de taille n = 5000 d un GARCH(1,1). Tests de bruit GARCH basés sur Q m m ˆρ(m) ˆσˆρ(m) Q m P(χ 2 m > Q m) Tests usuels, pour hypothèse de bruit blanc fort m ˆρ(m) ˆσˆρ(m) Q LB m P(χ 2 m > Q LB m )

13 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Tab.: Comme le tableau précédent, mais pour des tests fondés sur les autocorrélations partielles à la place des autocorrélations. Tests de bruit GARCH basés sur Q r m m ˆr(m) ˆσˆr(m) Q r m P(χ 2 m > Qr m ) Tests de bruit blanc fort basés sur Q r,lb m m ˆr(m) ˆσˆr(m) Q r,lb m P(χ 2 m > Q r,lb m )

14 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH X t = η t η t η t 2, η t iid N(0,1). Tab.: Tests portmanteau de GARCH pur, sur une simulation de taille n = 100 d une MA(2) Tests de bruit GARCH fondés sur les autocorrélations m Q m P(χ 2 m > Q m) Tests de bruit GARCH fondés sur les autocorrélations partielles m Q r m P(χ 2 m > Q r m)

15 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH X t = η t η t η t 2, η t iid N(0,1). Tab.: Tests portmanteau de bruit blanc fort, sur une simulation de taille n = 100 d une MA(2) Tests de bruit blanc fort fondés sur les autocorrélations m Q LB m P(χ 2 m > Q LB m ) Tests de bruit blanc fort fondés sur les autocorrélations partielles m Q r,bp m P(χ 2 m > Qr,BP m )

16 Test LM d effet ARCH Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Cas GARCH pur (P = Q = 0). H 0 : p = q = 0 Corrélogrammes des carrés ǫ 2 t + tests portmanteau; Test LM. Le test du multiplicateur de Lagrange (ou du score, ou de Rao) : ǫ 2 t = β 0 + β 1 ǫ 2 t β qǫ 2 t q + u t LM := nr 2 χ 2 q sous H 0

17 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH X t ARMA(P,Q) et Eǫ 4 t < (i.e. EX 4 t < ) MA(Q) ρ X (h) = 0 pour tout h > Q, AR(P) r X (h) = 0 pour tout h > P. Formule de Bartlett généralisée Si Eǫ t1 ǫ t2 ǫ t3 ǫ t4 = 0 quand t 1 t 2, t 1 t 3 et t 1 t 4 alors lim ncov {ˆρ(i), ˆρ(j)} = v ij + v n ij, où v i,j = ϕ {ρ X ( )} (formule de Bartlett usuelle) v i,j = ϕ {ρ X ( ),ρ ǫ 2( ),η ǫ := Kur(ǫ t )}.

18 Expressions explicites : Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH v ij = ρ X (l)[2ρ X (i)ρ X (j)ρ X (l) 2ρ X (i)ρ X (l + j) l= 2ρ X (j)ρ X (l + i) + ρ X (l + j i) + ρ X (l j i)], vij = +(η ǫ 1) ρ ǫ 2(l) [ 2ρ X (i)ρ X (j)ρ 2 X (l) 2ρ X(j)ρ X (l)ρ X (l + i) l= 2ρ X (i)ρ X (l)ρ X (l + j) + ρ X (l + i) {ρ X (l + j) + ρ X (l j)}].

19 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Algorithme pour estimer les v ij et v ij : L algorithme suivant est rapide quand on utilise l algorithme de Durbin-Levinson pour ajuster les modèles AR. i) On ajuste un AR(p 0 ) à la série X 1,...,X n en utilisant un critère d information pour sélectionner l ordre p 0 ; ii) On calcule les ACRT ρ 1 (h), de ce modèle AR(p 0 ); iii) On calcule les résidus e p0 +1,...,e n du modèle AR(p 0 ); iv) On ajuste un AR(p 1 ) à la série e 2 p 0 +1,...,e2 n en utilisant un critère d information pour sélectionner p 1 ; v) On calcule les ACRT ρ 2 (h), de ce modèle AR(p 1 ); vi) On estime lim n ncov {ˆρ(i), ˆρ(j)} par ˆv ij + ˆv ij, où

20 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH ˆv ij = l max l= l max ρ 1 (l)[2ρ 1 (i)ρ 1 (j)ρ 1 (l) 2ρ 1 (i)ρ 1 (l + j) 2ρ 1 (j)ρ 1 (l + i) + ρ 1 (l + j i) + ρ 1 (l j i)], ˆv ij = ˆγ ǫ 2(0) ˆγ 2 ǫ (0) lmax [ ρ 2 (l) 2ρ1 (i)ρ 1 (j)ρ 2 1 (l) 2ρ 1(j)ρ 1 (l)ρ 1 (l + i) l= l max 2ρ 1 (i)ρ 1 (l)ρ 1 (l + j) + ρ 1 (l + i) {ρ 1 (l + j) + ρ 1 (l j)}], l max : paramètre de troncation déterminé numériquement de sorte que ρ 1 (l) et ρ 2 (l) soient inférieurs à une certaine tolérance (ex ) pour tout l > l max.

21 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH ARMA(2,1)-GARCH(1,1) X t 0.8X t X t 2 = ǫ t 0.8ǫ t 1 ǫ t = σ t η t, η t iid N(0,1) σt 2 = ǫ 2 t σ2 t Fig.: Corrélogramme (graphe de gauche) et corrélogramme partiel (graphe de droite) : bandes de confiance à 95% pour n = 1000.

22 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH ARMA(2,1)-GARCH(1,1) X t 0.8X t X t 2 = ǫ t 0.8ǫ t 1 ǫ t = σ t η t, η t iid N(0,1) σt 2 = ǫ2 t σ2 t h 20 h Fig.: Autocorrélations et autocorrélations partielles empiriques d une simulation de taille n = Les traits en pointillé estiment les bandes de confiance à 95%.

23 Méthode du coin Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH (l,k) = det[ρ X (l + i j)] 1 i k,1 j k ARMA(P, Q) minimal si et seulement si (i,j) = 0 i > Q et j > P, (i,p) 0 i Q, (Q,j) 0 j P. i\j Q Q ρ 1 ρ 2... ρ q ρ q P P

24 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Valeurs studentisées t(i, j) = n ˆ (i,j) ˆσˆ (i,j) Sur une simulation de taille n = 1000 d un ARMA(2,1)-GARCH(1,1).p..q

25 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Identification d un GARCH pur : ǫ 2 t ARMA(p q, p) Sur une simulation de taille n = 5000 du GARCH(2,1) σ 2 t = ǫ 2 t σ 2 t σ 2 t 2.max(p,q)..p

26 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Identification de p et q pour un ARMA-GARCH ˆǫ 2 t ǫ 2 t Sur une simulation de taille n = 1000 du ARMA(2,1)-GARCH(1,1).max(p,q)..p

27 1 Identification 2

28 Estimation par MCO de modèles ARCH(q) ARCH(q) : u t = ǫ 2 t σ2 t = (η2 t 1)σ2 t différence de martingale Représentation AR semi-forte q ǫ 2 t = ω 0 + α 0i ǫ 2 t i + u t, t = 1,...,n i=1 où Y = Xθ 0 + U, Y = (ǫ 2 1,...,ǫ2 n ), θ 0 = (ω 0,α 01,...,α 0q ). ˆθ n = (X X) 1 X Y

29 Convergence des MCO Si Eǫ 8 t < + hypothèses de régularité n (ˆθ n θ 0 ) L N(0, (κη 1)A 1 BA 1 ) où A = E θ0 (Z t 1 Z t 1 ), B = E θ 0 (σ 4 t Z t 1Z t 1 ), Z t 1 = ( 1,ǫ 2 t 1,...,ǫ2 t q). ( ω = 1, α = 0.1 ) ( ω = 1, α = 0.2 ) ( ω = 1, α = 0.3 ) Tab.: Matrice de variance asymptotique des MCO dans le cas ARCH(1)

30 Estimation par MCG Identification Afin de tenir compte de l hétéroscédasticité conditionnelle on définit l estimateur des moindres carrés pondérés θ = ( X X) 1 X Ỹ. (1) où X = σ 2 1 (ˆθ) ǫ ǫ 2 q+1. σn 2 (ˆθ) ǫ 2 n 1... ǫ 2 n q, Ỹ = ǫ 2 1. ǫ 2 n. Si Eǫ 8 t < + hypothèses de régularité n ( θn θ 0 ) L N(0, (κη 1)J 1 ), J = E(σt 4 Z t 1 Z t 1).

31 Quasi-Maximum de Vraisemblance Un estimateur QMV de θ = (θ 1,...,θ p+q+1 ) = (ω,α 1,...,α q,β 1,...,β p ) est une solution mesurable ˆθ n de ˆθ n = arg min ln (θ), θ Θ où ln (θ) = n 1 n t=1 l t, et lt = l t (θ) = ǫ2 t σ 2 t + log σ 2 t.

32 Convergence : Identification A θ (z) = q i=1 α iz i, B θ (z) = 1 p j=1 β jz j. A1 : θ 0 Θ [ω, ) [0, ) p+q et Θ compact. A2 : γ(a 0 ) < 0 et θ Θ, p j=1 β j < 1. A3 : A4 : η 2 t a une distribution non dégénérée. si p > 0, A θ0 (z) et B θ0 (z) n ont pas de racine commune, A θ0 (1) 0, et α 0q + β 0p 0. Convergence Sous A1-A4, l estimateur QMV est fortement convergent : ˆθ n θ 0 p.s.

33 Normalité asymptotique : A5 : κ η := Eηt 4 <. A6 : θ 0 Θ, où Θ désigne l intérieur Θ. Normalité asymptotique Sous A1-A6, n(ˆθn θ 0 ) D N { 0,(κ η 1)J 1}, où ( 2 ) ( l t (θ 0 ) 1 J := E θ0 θ θ = E θ0 σt 4(θ 0) σ 2 t (θ 0) θ σt 2(θ ) 0) θ.

34 Exemple : le cas ARCH(1) ( ω = 1, α = 0.1 ) ( ω = 1, α = 0.5 ) ( ω = 1, α = 0.95 ) Tab.: Matrice de variance asymptotique du QMV dans le cas ARCH(1)

35 Expériences de simulation n α n RMSE(α) {Var as [ n(ˆα n α 0 )]} 1/2 / n ˆP[ˆα n 1] Tab.: Comparaison de la loi asymptotique et de la loi empirique de l estimateur de α 0, pour 1000 simulations d un ARCH(1), ω 0 = 0.2, α 0 = 0.9.

36 Problème cette théorie ne marche pas lorsque certains coefficients GARCH sont nuls q p σ t 2 (θ) = ω + α i ǫ 2 t i + β j σ t j(θ) 2 0 i=1 j=1 contraintes sur Θ α 0i = 0 ou β 0j = 0 θ 0 Θ Ce n est pas le cas pour les ARMA

37 Quand le paramètre est sur le bord (coefficients nuls) : La loi asymptotique n est pas normale Quand θ 0 (i) = 0, } n {ˆθ(i) θ0 (i) 0 p.s., n. La matrice d information J = E θ0 ( 1 σ 4 t (θ 0) σ 2 t (θ 0 ) θ σt 2 ) (θ 0 ) θ peut ne pas exister sans conditions de moments supplémentaires.

38 Loi asymptotique Λ = lim n(θ θ0 ) = Λ 1 Λ p+q+1, n Λ i = R si θ 0i 0, Λ i = [0, ) si θ 0i = 0. Comportement asymptotique du QMV Sous des hypothèses de régularité, n(ˆθn θ 0 ) D λ Λ où λ Λ := arg inf λ Λ {λ Z} J {λ Z}, avec Z N ( 0,(κ η 1)J 1).

39 Exemple 1 : Un seul coefficient est nul θ 0 = (θ 01,θ 02,...,θ 0,p+q,0) Λ = R p+q [0, ), γ i = E(Z p+q+1z i ) Var(Z p+q+1 ) n(ˆθn θ 0 ) N λ Λ = Z 1 γ 1 Z p+q+1. Z p+q γ p+q Z p+q+1 Z + p+q+1

40 Modèle ARCH(1) ajusté à un bruit : θ 0 = (ω 0, 0) Fig.: Distribution asymptotique de n(ˆω n ω 0 ) Fig.: Distribution asymptotique de nˆα n

41 Exemple 2 : Aucun effet GARCH ARCH(q) avec θ 0 = (ω 0,0,...,0). Λ = R [0, ) q et Z N { ( 0,(κ η 1)J 1 (κη + 1)ω = 0 2 ω 0 e ω 0 e I q )}. n(ˆθn θ 0 ) L λ Λ = Z 1 + ω 0 (Z Z q+1 ) Z + 2. Z + q+1.

42 Test de nullité de certains coefficients θ 0 = (θ (1) 0,θ(2) 0 ), θ (i) R d i, d 1 + d 2 = p + q + 1. Hypothèse nulle : H 0 : θ (2) 0 = 0 Hypothèse maintenue : θ (1) 0 > 0 (+ A1 A5, A7 et A8 ou A9)

43 Statistiques de test : W n = n (2) ˆθ n ˆκ η 1 Identification { KĴn 1 K } 1 ˆθ(2) n Wald, ) ) n l n (ˆθ n 2 l n (ˆθ n 2 R n = ˆκ η 1 θ Ĵ 1 n 2 M. Lagrange (Rao, score) θ { } L n = 2 log L n (ˆθ) log L n (ˆθ n 2 ) Quasi rapport de vrais., ˆθ n 2 : estimateur contraint de θ 0 et K = ( I d1, 0 d1 d 2 ). Région critiques usuelles au niveau asymptotique α : {W n > χ 2 d 2 (1 α)}, {R n > χ 2 d 2 (1 α)}, {L n > χ 2 d 2 (1 α)}.

44 Distributions sous la nulle : Sous H 0 et les hypothèses précédentes W n L W = λ Λ Ωλ Λ, R n L χ 2 d2, L n L L = 1 2 Ω = K { (κ η 1)KJ 1 K } 1 K. { } inf Z Kλ 0 λ 2 J inf Z Kλ=0 λ 2 J.

45 Le comportement asymptotique du test de Rao est très différent de celui des 2 autres tests. Sous H 0 et sous des alternatives locales o P (1) W n = 2 ˆκ η 1 L n.

46 Exemple 1 : Tester qu un coefficient est nul. H 0 : α 0i = 0 (ou H 0 : β 0j = 0) W = 2 κ η 1 L = U2 1l U δ χ2 1 où U N(0,1). Les tests { } 2 {W n > χ 2 1 (1 2α)} ˆκ η 1 L n > χ 2 1 (1 2α) ont même niveau asymptotique α (pour α 1/2). Le test standard {W n > χ 2 1 (1 α)} a le niveau asymptotique α/2.

47 Fig.: Puissance locale asymptotique du test de Wald (trait plein) et du test du score (en pointillé) pour tester qu un coefficient GARCH est nul.

48 Exemple 2 : Tester l homoscédasticité contre un ARCH(q). H 0 : α 01 = = α 0q = 0 Le test du score est très simple : R n n R 2 où R 2 est le coefficient de détermination dans la régression de ǫ 2 t sur c et ǫ2 t 1,...,ǫ2 t q. Le test de Wald est aussi très simple : W n n q ˆα 2 i. i=1

49 Comparaison empirique des puissances Tab.: Pourcentage de rejet de l hypothèse d homoscédasticité conditionnelle. Le nombre de répliques est N = 5000, le niveau nominal est 5%, le DGP est ARCH(q) avec α i = n 1/2. q n = 500 n = 1000 n = W n R n L n W n R n L n W n R n L n

50 En résumé Pour les modèles GARCH, convergence and normalité asymptotique peuvent être obtenus sans hypothèse de moment sur ǫ t. On a besoin de θ 0 Θ pour la normalité asymptotique. Quand θ 0 / Θ, la loi asymptotique n est pas normale, mais c est la projection d un vecteur gaussien sur un cône convexe. Pour tester H 0 : ǫ t GARCH(p 0,q 0 ) contre H 1 : ǫ t GARCH(p,q) avec (p,q) > (p 0,q 0 ) la loi asymptotique de la statistique de Wald ou du rapport de vraisemblance n est pas χ 2, asymptotiquement, le test du score n est pas affectée par des coefficients nuls sous H 0.

51 Le test de Wald modifié d homoscédasticité conditionnelle { } ( q n ˆα 2 i > c 1 q ( ) ) q 1 q,α, P 2 q δ 0 + i 2 q χ2 i > c q,α = α, i=1 i=1 semble attractif pour sa simplicité et ses performances.

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

Modèles GARCH et à volatilité stochastique

Modèles GARCH et à volatilité stochastique Christian Francq Chapitre 3: GARCH asymétriques Plan 1 Asymétrie des séries financières et inadéquation des GARCH standard 2 3 1 Asymétrie des séries financières et inadéquation des GARCH standard 2 3

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

Détection de ruptures offline et online pour des processus causaux

Détection de ruptures offline et online pour des processus causaux Détection de ruptures offline et online pour des processus causaux Travaux avec W. Kengne (Paris 1, Yaoundé) et O. Wintenberger (Paris IX) Jean-Marc Bardet bardet@univ-paris1.fr Trimestre du Laboratoire

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Modèles GARCH et à volatilité stochastique

Modèles GARCH et à volatilité stochastique Christian Francq CREST-ENSAE & Université Lille 3 Chapitre 1: Séries financières et modèles GARCH Modèles AutoRégressifs Conditionnellement Hétéroscédastiques Engle (1982) : "Autoregressive Conditional

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

Économétrie. Francesco Quatraro M1 EFM 2010/2011 Francesco Quatraro M1 EFM 2010/2011 1 La violation des hypothèses Le modèle des MCO considère que les hypothèses suivantes sont toutes respectées: H1: le modèle est linéaire en x i,t H2: les valeurs x

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

Analyse économétrique des prix d électricité

Analyse économétrique des prix d électricité Analyse économétrique des prix d électricité Modélisation de la moyenne des log-rendements Rapport de recherche Août 2006 Nom de l étudiant : Qingzhou YANG Directeur de recherche : Nour MEDDAHI Sommaire

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Estimation ARMA. Un processus ARMA est la solution stationnaire de l équation récurrente : θ k Z t k + Z t. k=1. k=1 φ kz k 0 pour z = 1.

Estimation ARMA. Un processus ARMA est la solution stationnaire de l équation récurrente : θ k Z t k + Z t. k=1. k=1 φ kz k 0 pour z = 1. Estimation ARMA Un processus ARMA est la solution stationnaire de l équation récurrente : X t = p φ k X t k + k=1 q θ k Z t k + Z t k=1 où Z t BB(0, σ 2 ) et où φ(z) = 1 + p k=1 φ kz k 0 pour z = 1. Paramètre

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

Econométrie. février 2008. Boutin, Rathelot

Econométrie. février 2008. Boutin, Rathelot 5ème séance Xavier Boutin Roland Rathelot Supélec février 2008 Plan Variables binaires La question y = β 0 + β 1 x 1 +...β k x k + u Que se passe-t-il lorsque y est une variable {0, 1} et non plus une

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Modèles GARCH et à volatilité stochastique 1

Modèles GARCH et à volatilité stochastique 1 Modèles GARCH et à volatilité stochastique 1 Christian FRANCQ Jean-Michel ZAKOÏAN 14 décembre 2009 1 Correction des exercices sur http://perso.univ-lille3.fr/~cfrancq Chapitre 1 Introduction Les modèles

Plus en détail

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

Plus en détail

Def Spec Est Valid Prev Appli Inter. ARMA models. Laurent Ferrara. Master 2 EIMPC Université Paris Ouest Octobre 2011

Def Spec Est Valid Prev Appli Inter. ARMA models. Laurent Ferrara. Master 2 EIMPC Université Paris Ouest Octobre 2011 ARMA models Laurent Ferrara Master 2 EIMPC Université Paris Ouest Octobre 2011 Overview 1. Définition 2. Spécification 3. Estimation 4. Tests 5. Prévision 6. Applications 6.1 Stock prices : BNP-Paribas

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens.

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. . Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. Benoîte de Saporta Université de Nantes Université de Nantes - 9 juin 2005 p. 1/37 Plan de l exposé 1.

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire

Plus en détail

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. UE Modélisation pour la biologie STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres

Plus en détail

Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe

Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe Université de Nantes UFR des Sciences et Techniques Département de Mathématiques Master 2 Ingénierie mathématique 2012-2013 Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe Étude préliminaire

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance Deuxième partie II Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance (version corrigée, 4 avril 27) Construction d estimateurs 4 Construction d estimateurs Estimateur

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA

Analyse de variance à un facteur Tests d hypothèses Analyse de variance à deux facteurs. Analyse de la variance ANOVA Analyse de la variance ANOVA Terminologie Modèles statistiques Estimation des paramètres 1 Analyse de variance à un facteur Terminologie Modèles statistiques Estimation des paramètres 2 3 Exemple. Analyse

Plus en détail

L analyse de variance à un critère de classification (ANOVA)

L analyse de variance à un critère de classification (ANOVA) Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section 14.1.1.1 et 14.1. 1 - Introduction Objectif:

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38 Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

Plus en détail

Les modèles MA, AR et ARMA multidimensionnels : estimation et causalité

Les modèles MA, AR et ARMA multidimensionnels : estimation et causalité CaMUS 4, 112 136 Les modèles MA, AR et ARMA multidimensionnels : estimation et causalité Steven Fortier Résumé Le monde tel qu on le connait est rempli de phénomènes dépendant du temps. En statistique,

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab scilab à l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab Tests de comparaison pour l augmentation du volume de précipitation 13 février 2007 (dernière date de mise à jour) Table

Plus en détail

IFT3245. Simulation et modèles

IFT3245. Simulation et modèles IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques

Plus en détail

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Exercices - Réduction des endomorphismes : énoncé. Réduction pratique de matrices

Exercices - Réduction des endomorphismes : énoncé. Réduction pratique de matrices Réduction pratique de matrices Exercice 1 - Diagonalisation - 1 - L1/L2/Math Spé - Diagonaliser les matrices suivantes : 0 2 1 A = 3 2 0 B = 2 2 1 0 3 2 2 5 2 2 3 0 On donnera aussi la matrice de passage

Plus en détail

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en détail

Suites et Convergence

Suites et Convergence Suites et Convergence Une suite c est se donner une valeur (sans ambigüité) pour chaque N sauf peutêtre les premiers n. Donc une suite est une fonction : I R où I = N: = N. Notation : On note ( ) I R pour

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Exercice : la frontière des portefeuilles optimaux sans actif certain

Exercice : la frontière des portefeuilles optimaux sans actif certain Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué

Plus en détail

Chapitre 4. Estimation, Tests de Validation et Prévisions des Processus ARMA

Chapitre 4. Estimation, Tests de Validation et Prévisions des Processus ARMA Chapitre 4 Estimation, Tests de Validation et Prévisions des Processus ARMA Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA 49 a procédure de modélisation de Box et Jenkins (1976)

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Evaluation de la performance prédictive de modèles robustes

Evaluation de la performance prédictive de modèles robustes Evaluation de la performance prédictive de modèles robustes 1 olivier.schoeni@unifr.ch 1 Département d Informatique Université de Fribourg (Suisse) Table des matières 1 2 Tests sur la performance prédictive

Plus en détail

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Shuyan LIU Université Paris - SAMM Youri DAVYDOV et Radu STOICA Université Lille - Laboratoire Paul Painlevé

Plus en détail

Cours 11 : Homogénéité de la variance et transformations non linéaires

Cours 11 : Homogénéité de la variance et transformations non linéaires Cours 11 : Homogénéité de la variance et transformations non linéaires Table des matières Section 1. Régularité de la nature et effets linéaires... 2 Section 2. Homogénéité des variances... 2 Section 3.

Plus en détail

Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie

Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie September 21, 2004 1 Le modèle linéaire - Rendements d une fonction de production Cobb-Douglas Présentation du problème: On considère

Plus en détail

Jackknife, bootstrap et cross-validation

Jackknife, bootstrap et cross-validation But de l inférence statistique On a X = (X 1,..., X n) un échantillon i.i.d. de fonction de répartition F θ(f ) une quantité d intérêt, qui dépend de F T (X ) une statistique, estimateur de θ(f ), on voudrait

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013 Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Machines à sous (compléments)

Machines à sous (compléments) CHAPITRE 28 Machines à sous (compléments) Résumé. Ce qui suit complète le chapitre 22. On explique ici brièvement comment rre non-asymptotiques les résultats de convergence qui reposaient sur la loi des

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Econométrie. 1. Matière: Problèmes de spécification et variables explicatives binaires

Econométrie. 1. Matière: Problèmes de spécification et variables explicatives binaires Econométrie Répétition 9 1. Matière: Problèmes de spécification et variables explicatives binaires Utilisation des variables explicatives binaires. Test de la forme fonctionnelle. Testd hétéroscédasticitéetutilisationde

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre : Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant

Plus en détail

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31 1/31 Mémoire de n d'étude: Etudes statistiques Nicolas Sutton-Charani Université Montpellier 1 Plan Rappels de cours La base La Statistique Types des variables Outils mathématiques Statistiques descriptives

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Modélisation de séries temporelles. V. Monbet - 2012-2013

Modélisation de séries temporelles. V. Monbet - 2012-2013 Modélisation de séries temporelles V. Monbet - 2012-2013 Table des matières 1 Introduction 3 1.1 Objectifs (et moyens).................................. 3 1.2 Qu est-ce qu une série temporelle?..........................

Plus en détail

CHAPITRE I. Michel LUBRANO. Septembre 2008. 1 Introduction 2

CHAPITRE I. Michel LUBRANO. Septembre 2008. 1 Introduction 2 CHAPITRE I Introduction à la modélisation des séries temporelles univariées Michel LUBRANO Septembre 2008 Contents 1 Introduction 2 2 Processus stochastiques 3 2.1 Processus stationnaires............................

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

Plus en détail

La régression logistique

La régression logistique La régression logistique Présentation pour le cours SOL6210, Analyse quantitative avancée Claire Durand, 2015 1 Utilisation PQuand la variable dépendante est nominale ou ordinale < Deux types selon la

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier

Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier Zaher Mohdeb Université Mentouri Département de Mathématiques, Constantine, Algérie E-mail: zaher.mohdeb@umc.edu.dz

Plus en détail

Modèles statistiques pour l analyse des séquences biologiques

Modèles statistiques pour l analyse des séquences biologiques Modèles statistiques pour l analyse des séquences biologiques Franck Picard UMR CNRS-5558, Laboratoire de Biométrie et Biologie Evolutive franck.picard@univ-lyon1.fr F. Picard (LBBE) 1 / 60 Outline Introduction

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Econométrie de la Finance

Econométrie de la Finance Econométrie de la Finance Florian Ielpo 1 24 février 2008 1 Dexia Group, 7/11 Quai André Citroën, 75015 Paris, Centre d Economie de la Sorbonne - Antenne de Cachan, Avenue du Président Wilson, 94230 Cachan.

Plus en détail