UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique. Examen d introduction aux séries temporelles
|
|
- Pierre-Louis Desmarais
- il y a 7 ans
- Total affichages :
Transcription
1 UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique Deuxième année de Master : Mention Economie Appliquée Mention Monnaie, Banque, Finance, Assurance Année universitaire Février 2009 Cours de Valérie MIGNON Examen d introduction aux séries temporelles Durée : 2 heures L'usage des calculatrices est interdit Aucun document n'est autorisé Les tables de valeurs critiques des tests de racine unitaire figurent en annexe On considère la série hebdomadaire du taux de change Dollar/Euro sur la période allant du 12 mai 1989 au 7 mai Cette série, transformée en logarithme, est notée LEURO. La série en différence première est notée DLEURO. 1. Commenter de façon détaillée les quatre graphiques suivants..2 Figure 1. Représentation de LEURO LEURO 1
2 Figure 2. Représentation de DLEURO DLEURO Figure 3. Corrélogramme de LEURO 2
3 Figure 4. Corrélogramme de DLEURO 2. Commenter de façon détaillée la figure et les statistiques suivantes. Figure 5. Statistiques descriptives sur la série DLEURO Series: DLEURO Sample 5/19/1989 5/07/2004 Observations 782 Mean Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability On s intéresse à présent à l étude de la stationnarité de la série LEURO. Pour cela des tests de Dickey-Fuller Augmenté (ADF) et de KPSS ont été appliqués. Les résultats obtenus figurent dans les tableaux ci-après. 3
4 Tableau 1. Test ADF sur LEURO Null Hypothesis: LEURO has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Fixed) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LEURO) Date: 11/24/04 Time: 16:51 Sample(adjusted): 5/19/1989 5/07/2004 Included observations: 782 after adjusting endpoints LEURO(-1) C E E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Tableau 2. Test ADF sur LEURO Null Hypothesis: LEURO has a unit root Exogenous: Constant Lag Length: 0 (Fixed) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LEURO) Date: 11/24/04 Time: 16:53 Sample(adjusted): 5/19/1989 5/07/2004 Included observations: 782 after adjusting endpoints LEURO(-1) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
5 Tableau 3. Test ADF sur LEURO Null Hypothesis: LEURO has a unit root Exogenous: None Lag Length: 0 (Fixed) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LEURO) Date: 11/24/04 Time: 16:53 Sample(adjusted): 5/19/1989 5/07/2004 Included observations: 782 after adjusting endpoints LEURO(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat Tableau 4. Test KPSS sur LEURO Null Hypothesis: LEURO is stationary Exogenous: Constant, Linear Trend Bandwidth: 22 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic Asymptotic critical values*: 1% level % level % level *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1) Residual variance (no correction) HAC corrected variance (Bartlett kernel) KPSS Test Equation Dependent Variable: LEURO Date: 11/24/04 Time: 09:53 Sample: 5/12/1989 5/07/2004 Included observations: 783 C E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
6 Tableau 5. Test KPSS sur LEURO Null Hypothesis: LEURO is stationary Exogenous: Constant Bandwidth: 22 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic Asymptotic critical values*: 1% level % level % level *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1) Residual variance (no correction) HAC corrected variance (Bartlett kernel) KPSS Test Equation Dependent Variable: LEURO Date: 11/24/04 Time: 09:53 Sample: 5/12/1989 5/07/2004 Included observations: 783 C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat Après avoir brièvement rappelé le principe des tests ADF et KPSS, commenter de façon détaillée les résultats figurant dans les tableaux 1 à Ces mêmes tests ont été appliqués à la série DLEURO. Les résultats provenant des modèles finalement retenus figurent dans les tableaux 6 et 7. 6
7 Tableau 6. Test ADF sur DLEURO Null Hypothesis: DLEURO has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=20) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DLEURO) Date: 11/24/04 Time: 09:53 Sample(adjusted): 5/26/1989 5/07/2004 Included observations: 781 after adjusting endpoints DLEURO(-1) R-squared Mean dependent var -3.08E-05 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat Tableau 7. Test KPSS sur DLEURO Null Hypothesis: DLEURO is stationary Exogenous: Constant Bandwidth: 8 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic Asymptotic critical values*: 1% level % level % level *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1) Residual variance (no correction) HAC corrected variance (Bartlett kernel) KPSS Test Equation Dependent Variable: DLEURO Date: 11/24/04 Time: 09:54 Sample(adjusted): 5/19/1989 5/07/2004 Included observations: 782 after adjusting endpoints C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat
8 Commenter de façon détaillée ces résultats et conclure sur la nature des séries LEURO et DLEURO. 5. On s intéresse à présent à la modélisation de la série DLEURO par un processus de type ARMA Quels sont les différents types de processus ARMA candidats à la modélisation de la série DLEURO? 5.2. Divers processus ont été estimés. Les résultats obtenus figurent dans les tableaux ciaprès. Tableau 8. Estimation du processus ARMA(4,4) Dependent Variable: DLEURO Date: 11/24/04 Time: 09:57 Sample(adjusted): 6/16/1989 5/07/2004 Included observations: 778 after adjusting endpoints Convergence achieved after 71 iterations Backcast: 5/19/1989 6/09/1989 C AR(1) AR(2) AR(3) AR(4) MA(1) MA(2) MA(3) MA(4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Tableau 9. Estimation du processus ARMA(1,1) Dependent Variable: DLEURO Date: 11/24/04 Time: 09:58 Sample(adjusted): 5/26/1989 5/07/2004 Included observations: 781 after adjusting endpoints Convergence achieved after 16 iterations Backcast: 5/19/1989 C AR(1) MA(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
9 Tableau 10. Estimation du processus ARMA(4,4) «troué» Dependent Variable: DLEURO Date: 11/24/04 Time: 09:58 Sample(adjusted): 6/16/1989 5/07/2004 Included observations: 778 after adjusting endpoints Convergence achieved after 12 iterations Backcast: 5/19/1989 6/09/1989 C AR(4) MA(4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Tableau 11. Estimation du processus AR(4) Dependent Variable: DLEURO Date: 11/24/04 Time: 16:54 Sample(adjusted): 6/16/1989 5/07/2004 Included observations: 778 after adjusting endpoints Convergence achieved after 3 iterations C AR(1) AR(2) AR(3) AR(4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Tableau 12. Estimation du processus MA(4) Dependent Variable: DLEURO Date: 11/24/04 Time: 16:55 Sample(adjusted): 5/19/1989 5/07/2004 Included observations: 782 after adjusting endpoints Convergence achieved after 6 iterations Backcast: 4/21/1989 5/12/1989 C MA(1) MA(2) MA(3) MA(4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
10 Commenter ces résultats d estimation. Pour tous les tests de significativité des coefficients, on retiendra un seuil statistique de 10% (valeur critique de la loi de Student : 1,645) Une étude des résidus de chacun des modèles estimés a ensuite été effectuée. Les résultats obtenus figurent ci-après pour chacun des modèles estimés. Figure 6. Corrélogramme des résidus du modèle ARMA(4,4) Tableau 13. Test ARCH. Modèle ARMA(4,4) ARCH Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 11/24/04 Time: 10:23 Sample(adjusted): 7/07/1989 5/07/2004 Included observations: 775 after adjusting endpoints C E RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 7.73E-05 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
11 Figure 7. Corrélogramme des résidus du modèle ARMA(1,1) Tableau 14. Test ARCH. Modèle ARMA(1,1) ARCH Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 11/24/04 Time: 10:25 Sample(adjusted): 6/16/1989 5/07/2004 Included observations: 778 after adjusting endpoints C E RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 8.68E-05 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
12 Figure 8. Corrélogramme des résidus du modèle ARMA(4,4) «troué» Tableau 15. Test ARCH. Modèle ARMA(4,4) «troué» ARCH Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 11/24/04 Time: 10:26 Sample(adjusted): 7/07/1989 5/07/2004 Included observations: 775 after adjusting endpoints C E RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 8.68E-05 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
13 Figure 9. Corrélogramme des résidus du modèle AR(4) Tableau 16. Test ARCH. Modèle AR(4) ARCH Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 11/24/04 Time: 16:58 Sample(adjusted): 7/07/1989 5/07/2004 Included observations: 775 after adjusting endpoints C E RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 8.73E-05 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
14 Figure 10. Corrélogramme des résidus du modèle MA(4) Tableau 17. Test ARCH. Modèle MA(4) ARCH Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 11/24/04 Time: 16:57 Sample(adjusted): 6/09/1989 5/07/2004 Included observations: 779 after adjusting endpoints C E RESID^2(-1) RESID^2(-2) RESID^2(-3) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 8.76E-05 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Rappeler brièvement le principe des tests effectués ici. Comment peut-on choisir le nombre de retards à retenir pour mener à bien le test ARCH? Commenter de façon très détaillée tous ces résultats Quel modèle retiendra-t-on finalement pour décrire l évolution de la série DLEURO? 14
15 Annexe : tables de valeurs critiques Valeurs critiques du test de Dickey-Fuller Valeurs critiques des t de Student pour ρ = 1 Nombre Seuil de probabilité d'observations 1 % 5 % 10 % Modèle sans constante ni tendance 100-2,60-1,95-1, ,58-1,95-1, ,58-1,95-1,62-2,58-1,95-1,62 Modèle avec constante sans tendance 100-3,51-2,89-2, ,46-2,88-2, ,44-2,87-2,57-3,43-2,86-2,57 Modèle avec constante et tendance 100-4,04-3,45-3, ,99-3,43-3, ,98-3,42-3,13-3,96-3,41-3,12 Valeurs critiques de la constante et de la tendance Modèle avec constante Modèle avec constante et tendance sans tendance t constante = 0 t constante = 0 t trend = 0 N obs. 1 % 5 % 10 % 1 % 5 % 10 % 1 % 5 % 10 % 100 3,22 2,54 2,17 3,78 3,11 2,73 3,53 2,79 2, ,19 2,53 2,16 3,74 3,09 2,73 3,49 2,79 2, ,18 2,52 2,16 3,72 3,08 2,72 3,48 2,78 2,38 3,18 2,52 2,16 3,71 3,08 2,72 3,46 2,78 2,38 Valeurs critiques du test KPSS 1% 5% 10% Sans dérive 0,739 0,463 0,347 Avec dérive 0,216 0,146 0,119 15
MODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailTESTS 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 détail1 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 détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailRépartition du tourisme de croisière dans la Caraïbe : quels déterminants?
Centre d Etude et de Recherche en Economie, Gestion, Modélisation et Informatique Appliquée www.ceregmia.eu Document de travail 2010-09 Décembre 2010 Répartition du tourisme de croisière dans la Caraïbe
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailLa Banque nationale doit contrôler le franc en se fixant un objectif de taux de change
CON FERENCE D E P R E S S E D U 6 F E V R I E R 2 0 1 5 Daniel Lampart, premier secrétaire et économiste en chef de l USS La Banque nationale doit contrôler le franc en se fixant un objectif de taux de
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailRésumé non technique
Résumé non technique Constats : selon le FMI, l indexation et l ajustement biennal du salaire social minimum sont des facteurs déterminants à la fois du différentiel d inflation et de l inflation au Luxembourg
Plus en détailIntroduction 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 détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailTests exacts d indépendance sérielle dans les cas de distributions continues et discrètes
Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes Jean-Marie Dufour Université de Montréal Abdeljelil Farhat Université de Montréal First version: August 2001 This
Plus en détailPrincipe 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 détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détailMaster 2: Econométrie 2
Master 2: Econométrie 2 Partie 1 Michel BEINE michel.beine@uni.lu Université du Luxembourg Master 2: Econométrie 2 p. 1/22 Manuel La partie économétrique du cours est basé sur le livre Introductory Econometrics,
Plus en détailNouveautés printemps 2013
» English Se désinscrire de la liste Nouveautés printemps 2013 19 mars 2013 Dans ce Flash Info, vous trouverez une description des nouveautés et mises à jour des produits La Capitale pour le printemps
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailAlgebra & Trigonometry High School Level Glossary English / French
Algebra & Trigonometry High School Level Glossary / Algebra 2 and Trigonometry Problem Solving algebraically alternate approach collaborate constraint critique equivalent evaluate explain formulate generalization
Plus en détailFormulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Programme
Formulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Programme Année universitaire / Academic Year: 2013 2014 A REMPLIR
Plus en détailINVESTISSEMENTS DIRECTS ETRANGERS ET CROISSANCE ECONOMIQUE EN COTE D IVOIRE
INTRODUCTION Aujourd hui, près de 750 millions de personnes vivent en Afrique subsaharienne (ASS) ; elles sont parmi les plus pauvres du globe terrestre. Pour pousser la croissance économique dans un environnement
Plus en détailGestion de Portefeuille. Mesures de Performance Ajustées du Risque
Gestion de Portefeuille Mesures de Performance Ajustées du Risque Le Ratio de Sharpe La mesure de performance (ajustée du risque) la plus utilisée Rappel: Propriétés du ratio de Sharpe Mesure de la stratégie:
Plus en détailUtilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air
Etude n 10 Assistance en modélisation (Rapport 3/3) Utilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air Novembre 2004 Convention : 04000087 Giovanni CARDENAS Utilisation
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailFormulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Program
Formulaire de candidature pour les bourses de mobilité internationale niveau Master/ Application Form for International Master Scholarship Program Année universitaire / Academic Year: 2013 2014 INTITULE
Plus en détailBourses d excellence pour les masters orientés vers la recherche
Masters de Mathématiques à l'université Lille 1 Mathématiques Ingénierie Mathématique Mathématiques et Finances Bourses d excellence pour les masters orientés vers la recherche Mathématiques appliquées
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailModèle 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 détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailSTATISTIQUES. 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détail1 Importer et modifier des données avec R Commander
Université de Nantes 2015/2016 UFR des Sciences et Techniques Département de Mathématiques TP1 STATISTIQUE DESCRIPTIVE Frédéric Lavancier Avant propos Ouvrir l application R Saisir dans la console library(rcmdr)
Plus en détailÉquivalence et Non-infériorité
Équivalence et Non-infériorité Éléments d Introduction Lionel RIOU FRANÇA INSERM U669 Mars 2009 Essais cliniques de supériorité Exemple d Introduction Données tirées de Brinkhaus B et al. Arch Intern Med.
Plus en détailModèle 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 détailESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS*
ESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS* Contexte et justification Le Cameroun constitue l un des six Etats membres de la Communauté Economique
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détailINTRODUCTION AU LOGICIEL R
INTRODUCTION AU LOGICIEL R Variables et mise en jambe Anne Dubois, Julie Bertrand, Emmanuelle Comets emmanuelle.comets@inserm.fr INSERM UMR738 (UMR738) 1 / 68 Sur le site www.cran.r-project.org : Ou trouver
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailDidacticiel - Études de cas. Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat.
1 Objectif Description de quelques fonctions du logiciel PSPP, comparaison des résultats avec ceux de Tanagra, R et OpenStat. Tout le monde l aura compris, je passe énormément de temps à analyser les logiciels
Plus en détail2 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 détailLamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013
Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,
Plus en détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailAcronymes et abréviations. Acronymes / Abbréviations. Signification
Acronymes et abréviations Acronymes / Abbréviations Signification AD CS Active Directory Certificate Services CA Certification Authority CRL Certificate Revocation List CDP Certificate Distribution Points
Plus en détailLe Master Mathématiques et Applications
Le Master Mathématiques et Applications Franck BOYER franck.boyer@univ-amu.fr Institut de Mathématiques de Marseille Aix-Marseille Université Marseille, 20 Mai 2014 1/ 16 Structure générale Vue d ensemble
Plus en détailSITUATION DES PROJETS DU REGISTRE NATIONAL.
SITUATION DES PROJETS DU REGISTRE NATIONAL. ETAT DE LA SITUATION DE QUELQUES PROJETS DU SERVICE DU REGISTRE NATIONAL. PRESENTATION AU COMITE DES UTILISATEURS DU R.N. LE 16 MARS 2007. Liste des projets.
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailBASE DE DONNÉES DES ASPECTS SOCIOÉCONOMIQUES EN MÉDITERRANÉE OCCIDENTALE
BASE DE DONNÉES DES ASPECTS SOCIOÉCONOMIQUES EN MÉDITERRANÉE OCCIDENTALE CETMO-ASE Version 08.01 Année de référence 2008 Février 2013 BASE DE DONNÉES DES ASPECTS SOCIOÉCONOMIQUES EN MÉDITERRANÉE OCCIDENTALE
Plus en détailAVOB sélectionné par Ovum
AVOB sélectionné par Ovum Sources : Ovum ovum.com «Selecting a PC Power Management Solution Vendor» L essentiel sur l étude Ovum AVOB sélectionné par Ovum 1 L entreprise britannique OVUM est un cabinet
Plus en détailPrincipe. Technologies utilisées. 1. Linux et LVM. Les snapshots (instantannés) sous Linux et FreeBSD. Présentation de LVM. Organisation de LVM
Les snapshots (instantannés) sous Linux et FreeBSD Principe Un instantanné permet de pouvoir figer l'état du système de fichier à un instant t pour des besoins de sauvegarde. Une sauvegarde peux parfois
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLITIQUE ECONOMIQUE ET DEVELOPPEMENT EPARGNE, INVESTISSEMENT ET CROISSANCE ECONOMIQUE EN COTE D'IVOIRE ET CONSEQUENCES POUR L'ACTION DES POUVOIRS PUBLICS Loesse Jacques ESSO PED N 08/2008 Cellule d Analyse
Plus en détailMENTION ADMINISTRATION DES TERRITOIRES ET DES ENTREPRISES
MENTION ADMINISTRATION DES TERRITOIRES ET DES ENTREPRISES Les spécialités : MASTER PROFESSIONNEL 00 Management des activités tertiaires () Management public : métiers de l administration territoriale ()
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailACP Voitures 1- Méthode
acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788
Plus en détailPrévision ARFIMA des taux de change : les modélisateurs doivent-ils encore exhorter à la naïveté des prévisions?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 54 1999 Prévision ARFIMA des taux de change : les modélisateurs doivent-ils encore exhorter à la naïveté des prévisions? Sandrine LARDIC, Valérie MIGNON * RÉSUMÉ.
Plus en détailEnvironnement Informatique EMSE Linux
Environnement Informatique EMSE Linux Xavier Serpaggi École Nationale Supérieure des Mines de Saint-Étienne. Septembre 2013 Xavier Serpaggi (ENSM-SE) Environnement Informatique
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailDOSSIER D INSCRIPTION PÉDAGOGIQUE 2015-2016
1 UNIVERSITÉ PIERRE & MARIE CURIE LABORATOIRE DE PROBABILITÉS ET MODÈLES ALÉATOIRES Adresse Postale : 4, Place Jussieu Boîte courrier 188 75252 PARIS CÉDEX 05 Téléphone : 01.44.27.53.20. - Télécopie :
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailLa théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 62 2001 La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? Éric JONDEAU * RÉSUMÉ.
Plus en détailL i c e n c e. www.univ-paris13.fr. Mention «Économie et de gestion» Diplôme Bac + 3. Parcours. Contacts. contact :
Diplôme Bac + 3 Parcours - - Contacts UFR des Sciences Economiques et de Gestion contact : Contact formation continue (Adultes en reprise d'études, Financement / VAE): tél.:01 49 40 37 64 acc-cfc@univ-paris13.fr
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailA PROPOS DES CRITERES D ATTRIBUTION DES EQUIVALENCES
IED PARIS 8 A PROPOS DES CRITERES D ATTRIBUTION DES EQUIVALENCES La procédure d équivalence permet de dispenser les étudiants de certains enseignements dans la mesure où ils peuvent justifier de l acquisition
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailIntroduction à SPSS. Guy Mélard, U.L.B. Mars 2006 (gmelard@ulb.ac.be) Guy Mélard, ULB 1. Introduction à SPSS. Objectif de la leçon.
à SPSS Objectif de la leçon à SPSS Elle a pour but de fournir une introduction à ce logiciel statistique de manière à faciliter son utilisation en complément de SAS, avec l illustration sur des exemples
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailDOCUMENTATION - FRANCAIS... 2
DOCUMENTATION MODULE CATEGORIESTOPMENU MODULE CREE PAR PRESTACREA INDEX : DOCUMENTATION - FRANCAIS... 2 INSTALLATION... 2 CONFIGURATION... 2 LICENCE ET COPYRIGHT... 3 SUPPORT TECHNIQUE ET MISES A JOUR...
Plus en détailDensité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas
Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser
Plus en détailMASTER 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 détailMASTER DROIT, ECONOMIE, GESTION Mention DROIT PUBLIC
Adopté par le conseil d UFR le 10 juillet 2013 Voté au CA du 1 er octobre 2013 Adopté par la CFVU du 09 septembre 2013 MASTER DROIT, ECONOMIE, GESTION Mention DROIT PUBLIC Master année 1 Arrêté d habilitation
Plus en détailMots clés : Relation contemporaine, regroupement de volatilité, effet de levier, GARCH, EGARCH.
Etude empirique de la dynamique de la relation du volume des transactions, des rendements et de la volatilité dans les marchés des pays émergents et moins développés d Afrique Habibou Woroucoubou 1 Abstract
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailUn modèle stochastique du taux d intérêt implicite en microcrédit
Un modèle stochastique du taux d intérêt implicite en microcrédit PHEAKDEI MAUK, MARC DIENER LABORATOIRE J.A. DIEUDONNÉ Dixième colloque des jeunes probabilistes et statisticiens CIRM Marseille 16-20 avril
Plus en détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
Plus en détailUNIVERSITE PARIS 1 PANTHEON SORBONNE
UNIVERSITE PARIS 1 PANTHEON SORBONNE École de Management de la Sorbonne (UFR 06 Gestion et économie d entreprise) MASTER 2 PRO - EGP EVALUATION ET GESTION DE PROJETS Année universitaire 2013-2014 VOS INTERLOCUTEURS
Plus en détailExamen Médian - 1 heure 30
NF01 - Automne 2014 Examen Médian - 1 heure 30 Polycopié papier autorisé, autres documents interdits Calculatrices, téléphones, traducteurs et ordinateurs interdits! Utilisez trois copies séparées, une
Plus en détailMobility of Capital in West Africa: Study case of ECOWAS Countries
MPRA Munich Personal RePEc Archive Mobility of Capital in West Africa: Study case of ECOWAS Countries Lassine Koté and Zakaria Sorgho and Carine Ouedraogo African Centre for International Trade and Development
Plus en détailCryptologie. Algorithmes à clé publique. Jean-Marc Robert. Génie logiciel et des TI
Cryptologie Algorithmes à clé publique Jean-Marc Robert Génie logiciel et des TI Plan de la présentation Introduction Cryptographie à clé publique Les principes essentiels La signature électronique Infrastructures
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailLighting. Tubes LED. Avec les tubes LED Philips, prenez une LED d avance
Lighting Tubes LED Avec les tubes LED Philips, prenez une LED d avance 2 gammes de tubes LED pour répondre à tous vos besoins Les tubes LED Philips, MASTER LEDtube et CorePro LEDtube, une solution simple,
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détail