COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS
|
|
- Jean-Paul Larivière
- il y a 8 ans
- Total affichages :
Transcription
1 COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS VOLUME Modèles linéaires multivariés : VAR et cointégration Introduction aux modèles ARCH et GARCH Introduction à la notion de mémoire longue Exercices corrigés et compléments informatiques ARTHUR CHARPENTIER arthur.charpentier@ensae.fr DESS Actuariat & DESS Mathématiques de la Décision
2 Contents Les séries temporelles multivariées 4. La notion de causalité Dépendence stochastique Causalité au sens de Granger La notion de cointégration Modèles à correction d erreur (ECM ) Tests de cointégration Généralisation à k variables Di érences entre les approches de Engle/Granger et de Johansen La modélisation VAR (p) La représentation V AR (p) Les modèles ARMAX ou V ARMA Estimation des paramètres d un modèle V AR Autocovariances et autocorrélations Application sur un exemple Prévision à l aide des modèles V AR Tests de bruit blanc des erreurs Test de causalité (Granger (969)) sur des mod èles VAR Les modèles V AR (p) : analyse des chocs Application des modèles V AR Application : investissement, revenu et consommation Application des modèles V AR : rendements d une action et d un indice Régression linéaire dans un cadre dynamique Les retards échelonnés Le modèle d ajustement partiel Les modèles autorégressifs à retards échelonn és (ADL (p;q)) Compléments : modèles multivariés sous SAS Estimation d un modèle VAR Estimation d un modèle à correction d erreur Conseils bibliographiques Les modèles ARCH - Autorégressifs Conditionellement Hétéroscédastiques 4. Notions de stationnarité et notions de linéarité Préséntation des modèles ARCH Processus ARCH () Processus ARCH (p) Processus GARCH (p;q) Modèles avec erreurs ARCH Erreurs ARCH () Erreurs ARCH (p) Remarque : test de racine unité en présence d erreurs ARC H Estimation et prévision Estimation des paramètres d un modèles ARCH La procédure de Diebold (987) : test d autocorrélation en présence d e et ARCH Prévision et intervalle de con ance Modèles ARCH et nance Liens entre temps continu et temps discret Modèles avec variance stochastique/déterministe en temps continu Modèles avec variance stochastique/déterministe en temps discret Autres types de modèles non-linéaires Les modèles bilinéaires - notés BL (p;q;p;q) Les modèles autorégressifs exponentiels - EXP AR Les modèles autorégressifs à seuils - TAR, STAR ou SETAR Les généralisations des modèles ARCH Les tests de linéarité Les tests du multiplicateur de Lagrange
3 .7. Le test du CUSUM Le test BDS Le test RESET (Regression error speci cation test ) La procédure AUTOREG sous SAS=ETS Application sur des données réelles Modélisation GARCH du CAC Modélisation des rendements du cours Intel : modèle ARCH Modélisation des rendements de l indice S&P : modèle GARCH Modélisation des rendements de l action IBM (avec dividendes) : modèle TAR Modélisation du taux de chômage aux Etats Unis : modèles TAR et ARCH Conseils bibliographiques Compléments sur les séries temporelles en nance Introduction historique Complément sur les données disponibles Introduction à la notion de mémoire longue 75. Processus self-similaires Accroissements stationnaires de processus self-similaires Processus FARIMA - ARIMA Fractionnaires Processus fractionnaire sans composante AR et MA : processus FARIMA (;d; ) Autocorrélations des processus ARF IMA Estimation du paramètre d Méthode du log-autocorrélogramme Méthode du log-périodogramme Méthode de Whittle Exemples d applications des processus à mémoire longue Applications en nance : rendements d indices boursier Applications en nance : taux de change Applications en hydrologie Applications en économie Conseils bibliographiques Compléments : exercices Exercices avec correction Examen de / Examen de / Examen de / Compléments : simulation de séries temporelles 5. Simulation de processus en temps discret Simulation d un bruit blanc gaussien Simulation d un processus ARMA Simulation d un processus ARCH Introduction à la simulation de processus en temps continu Compléments : Logiciels de séries temporelles 6 6. Introduction à EViews Les données sous EViews Les graphiques sous Eviews La régression linéaire sous Eviews Estimation des paramètres () () Statistique de Student F () (4) Coe cient R (5) (6) Somme des carrés (7) (8) Log-vraissemblance du modèle (9) Test du Durbin-Watson () Dependent var () () Critère d Aikaïké () et de Schwarz (4)
4 6..9 Statistique de Fisher F (5) (6) Statistique sur les résidus Copier/coller des sorties dans un rapport La régression linéaire sur d autres logiciels Lecture de l autocorrélogramme sous Eviews Estimation d un modèle ARMA sous Eviews Racines des polynômes AR et MA (7) Tests sur les erreurs " t Les sorties de la procédure ARIMA sous SAS Utilisation de SAS avec des séries chronologiques Méthode de lissage exponentiel : Holt-Winters Modèles ARIMA sous SAS Syntaxe de la procédure ARIMA sous SAS La lecture des sorties SAS
5 V_DISTRIB V_SERVICE_FI Séries temporelles : théorie et applications Les séries temporelles multivariées Les graphiques ci-dessous donnent l évolution des indices sectoriels du CAC, pour les secteurs de l agro-alimentaire, de la distribution, des services nanciers, et de l immobilier. Un portefeuille diversi é pourrait correspondre à un portefeuille comportant des titres de chacun de ces secteurs. Pour prévoir les rendements futurs du portefeuille, il convient de modéliser conjointement l évolution de ces di érents indices. Comme le con rment les graphiques ci-dessous, l évolution de ces indices ne se fait pas indépendemment les uns des autres..8 V_AGRO_ALIM.4. AGRO_ALIM DISTRIB IMMO RESID V_IMMO Le graphique de gauche correspond à l évolution conjointe de ces indices, alors que les graphiques de droites permettent de comparer les rendements de ces indices. Nous allons introduire dans cette partie un certain nombre de concepts a n de bien comprendre la dynamique de la dépendence entre di érentes séries (notions de dépendence, de causalité, de cointégration...). Nous verrons également une classe de modèles, généralisant les modèles AR (p) univariés dans un cadre multivarié : les modèles V AR (p). Exemple Le graphique ci-dessous représente l évolution du spread des obligations d Etat pour l Argentine, le Brésil et le Mexique, entre 997 et, source : Bazdresch, S & Werner, A.M. Contagion of International nancial crises : the case of Mexico (). 4
6 . La notion de causalité.. Dépendence stochastique Dépendance à partir les lois conditionnelles : information de Kullback Kullback par µ µ f (yjx) K (yjx) = E log jx : f (y) On peut dé nir l information de D après la propriété de Jensen, µ µ µ µ µµ f (yjx) f (y) f (y) K (yjx) = E log jx = E log jx log E jx = ; f (y) f (yjx) f (yjx) et on peut noter que K (yjx) = si et seulement si f (yjx = x) = f (y) presqe sûrement. Remarque Dans le cas gaussien, cov (X;Y ) = si et seulement si X et Y sont indépendants. Supposons que µ X X s N ; XY : Y Y X Y Alors les lois marginales et conditionelles véri ent Y s N (; Y ), et Y jx s N (E (YjX);V (Y jx)) où ½ E (Y jx) = Y X X X V (YjX) = Y Y X X XY : Aussi la loi du rapport gurant dans l information de Kullback est donné par f (yjx) f (y) = p µ det (V (Y )j) p exp det (V (Y jx)) [Y E (Y jx)] V (Y jx) [Y E (Y jx)] ; d où nalement (après calculs) µ f (y) log = h ³ i f (yjx) log det V (Y ) :V (YjX) : La notion de causalité La loi du processus est la loi du processus du couple (X t ;Y t ). Cette dernière s écrit, à la date t; conditionellement au passé (noté x t et y t ), ` ³x t ;y t jx t ;y t. Dans le cas où les processus (X t ) et (Y t ) sont indépendants, alors ` ³x t ;y t jx t ;y t = ` ³x t jx t ` ³y t jy t : On peut montrer que ` ³x t ;y t jx t ;y t = ` ³x t jx t ` ³y t jy t ` ³x t jx t ;y t ` ³x t jx t ` ³y t jx t ;y t ` ³y t jy t ` ` ³x t ;y t jx t ;y t ³x t jx t ;y t ` ³y t jx t ;y t : En passant au log et en prenant l espérance (et en multipliant par ) alors ` ³x t ;y t jx t ;y t ` ³x t jx t ;y t A = E@log A ` ³x t jx t ` ³y t j;y t ` ³x t jx t {z } {z } Mesure de dépendance C X;Y Causalité unidirectionnelle C Y!X +E@log ` ³x t jx t ;y t ³x t ;y t jx t ;y t ` ³y t jx t ;y t + E@log A ` ³y t jy t {z } Causalité unidirectionnelle C X!Y A: ` ` ³y t jx t ;y t {z } Causalité instantannée C XÃ!Y 5
7 .. Causalité au sens de Granger Soient (X t ) et (Y t ) deux séries temporelles, et notons le passé de (X t ) et (Y t ), X t = fx t ;X t ;:::g et Y t = fy t ;Y t ;:::g. Granger a introduit en 969 di érentes notions de causalité : Dé nition (i) Y cause X à la date t si et seulement si E X t jx t ;Y t 6= E Xt jx t : (ii) Y cause X instantanément à la date t si et seulement si Il y a équivalence entre () X ne cause pas Y instantanément à la date t () Y ne cause pas X instantanément à la date t Exemple Soient (X t ) et (Y t ) dé nis par E X t jx t ;Y t 6= E Xt jx t ;Y t : ½ Xt = " t + Z t + Z t Y t = Z t ; où (" t ) et (Z t ) sont des bruits blancs indépendants. (i) E X t jx t ;Y t = Zt = Y t : Y cause X à la date t si et seulement si 6= ; (ii) E X t jx t ;Y t = Zt + Z t = Y t + Y t : il y a causalité instantanée de Y vers X si et seulement si 6= :. La notion de cointégration L analyse de la cointégration permet d identi er la relation entre plusieurs variables. Cette notion a été introduite dès 974 par Engle et Newbold, sous le nom de spurious regressions, ou régressions fallacieuses, puis formalisée par Engle et Granger en 987, et en n par Johansen en 99 et 995. Une série est intégrée d ordre d s il convient de la di érencier d fois avant de la stationnariser. Dé nition La série (X t ) sera dite intégrée d ordre d (d ) si d X t n est pas stationnaire et d X t est stationnaire. Une série stationnaire sera dite intégrée d ordre. Remarque Soient (X t ) une série stationnaire et (Y t ) intégrée d ordre, alors (X t + Y t ) est intégrée d ordre. Toutefois, si (X t ) et (Y t ) sont intégrées d odre d, alors (X t + Y t ) peut être soit intégrée d ordre d, soit stationnaire (dans le cas où les tendances s annulent). Le graphique ci-dessous à gauche présente deux séries non-cointégrées, alors que le graphique de droite correspond à des séries cointégrées OEUFS POULET PIB CONSOMMATION avec à droite, les P IB et la consommation aggrégée en France, et à gauche, le prix de la douzaine d oeufs et d un poulet, aux Etats Unis. Comme nous le verrons plus tard, même si les courbes de gauche semblent avoir une tendance commune, elles ne sont pas pour autant coïntégrées. Dé nition Deux séries (Xt) et (Yt) sont cointégrées si (i) (X t ) et (Y t ) sont intégrées d ordre d (ii) il existe une combinaison linéaire de ces séries qui soit intégrée d ordre strictement inférieur à d, noté d b 6
8 Dans le cas de l intégration, on notera X t s I (d), et pour la cointégration X t ;Y t s CI (d;b). Le vecteur ( ; ) tel que X t + Y t s I (d b) sera appelé vecteur de cointégration. Exemple Le cas le plus simple est le suivant : deux séries (X t ) et (Y t ) intégrées d ordre seront cointégrées s il existe une combinaison linéaire X t + Y t telle que le processus (Z t ) dé ni par Z t = X t + Y t soit stationnaire. Aussi, si X t est intégré d ordre (par exemple une marche aléatoire), et si (" t ) un un bruit blanc (X t ) et (X t + " t ) sont cointégrés. Ce cas est représenté ci-dessous, avec à gauche (X t ) et (Y t ) où Y t = X t + " t +, et à droite la di érence ( + " t ) PROCESSUS_X PROCESSUS_Y PROCESSUS_DIFF Les graphiques ci-dessous représentent les séries (X t ) et (Z t ) où Z t = X t + " t +, et à droite la somme ( " t ) PROCESSUS_X PROCESSUS_Z PROCESSUS_SOMME Les deux combinaisons linéaires étant stationnaires, les séries sont cointégrées. La notion de cointégration peut également se visualiser en représentant le nuage de points (scatterplot) des observations (X t ;Y t ) - à gauche - et (X t ;Z t ) - à droite 5 5 PROCESSUS_X 5 PROCESSUS_X PROCESSUS_Y PROCESSUS_Z Remarque Le dernier point de l exemple précédant permet d avoir d avoir une intuition visuelle sur la présence ou absence de relation de cointégration (linéaire) entre les variables présentées initialement, avec à gaucheles observations 7
9 des prix du poulet et des oeufs, et à droite, le PIB et la consommation OEUFS PIB POULET CONSOMMATION.. Modèles à correction d erreur (EC M) Les modèles dits à correction d erreur ont été introduits au début des années 8, par Hendry en particulier. Ces modèles dynamiques permettent d intégrer les évolutions à long terme et à courte terme des variables. Consédérons deux variables (X t ) et (Y t ) cointégrées d ordre (X t ;Y t s CI (; )) et soit [ ; ] le vecteur de cointégration. L idée des modèles à correction d erreur est de considérer des relations de la forme Y t = X t + ¹ [Y t X t ] + " t ; () ce qui revient à décomposer un processus stationnaire ( Y t ) en une somme de deux processus stationnaires ( X t et Y t X t ). De façon plus générale que (), ces modèles s écrivent Y t = ¹ + px i Y t i + i= qx b i X t i + c [Y t X t ] + t; () j= où les variables interviennent soit à travers leurs di érences premières (supposées stationnaires), soit à travers un terme d écart à la cible à long terme, à la période précédante (qui doit être stationnaire si la théorie économique sous-jacente est pertinente ). Propriété Théorème de représentation de Granger - Toutes les séries cointégrées peuvent être représentées par un modèle à correction d erreur Preuve. Engle,R.E. & Granger,C.W.J. (987). Cointegration and error-correction : representation, estimation and testing. Econometrica. 55 Remarque 4 Le théorème de représentation de Granger présente l intérêt de faire la synthèse entre les deux approches: - l approche ECM issue de l idée de concilier des préoccupations de théorie économique avec une écriture rigoureuse des équations économétriques - l approche VAR (que nous développeront dans la partie suivante) issue d une approche purement statistique, de type boîte noire. Exemple 4 Considérons les variables économiques (C t ) et (R t ), correspondant respectivement à la consommation et au revenu. D un point de vue théorique, il est souvent admis qu il existe une relation à long terme de la forme C t = R t, ce qui donne, sous forme logarithmique, c t = k + r t: D un point de vue économique, l expression long terme ne correspond pas uniquement à une valeur limite, mais plus généralement, à un comportement asymptotique : on suppose que l on a une chemin de croissance équilibré à taux constant, i.e. c t c t = cste. On suppose qu il existe une relation dynamique liant consommation et revenu de la forme suivante, A (L)c t = ¹ + B (L) + " t () où A et B sont ici supposés de degré p et q respectivement, et où (" t ) est un bruit blanc. Or, d après la formule de Taylor, il est possible d écrire A (L) = A () + ( L) A (L) où A (L) = 8 px ( ) k A (k) () ( L) k ; k! k=
10 et de même B (L) = B () + ( L)B (L). Par substitution dans (), on peut alors écrire A () c t = ¹ A (L) c t + B () r t + B (L) r t + " t : On dit que cette expression combine les termes en niveau et les termes en di érence première. D après la relation de long terme ( c t = ¹ C, r t = ¹ R et c t = k + r t: ) on en déduit A ()c t = ¹ A (L)¹ C + B () r t + B (L)¹ R ; (4) en supposant le terme d erreur nul à long terme. (4) est dite relation de long terme associée à (). Il faut toutefois rajouter l équation suivante, correspodant à l hypothèse d élasticité unitaire de la consommation au revenu, A () = B (). Dans le cas par exemple, où p = q =, alors A (L) = + a L et B (L) = b + b L, alors () s écrit d où nallement c t + a c t = ¹ + b r t + b r t + " t ; c t = ¹ ( + a ) c t + b r t + (b + b ) r t + " t : Et en utilisant l égalité A () = B () =, cette équation s écrit c t = ¹ ( + a ) [c t r t ] + b r t + " t : qui correspond à l écriture proposée dans l équation (). Sous la forme c t = [¹ + ( + a )k] ( + a ) [c t r t k] + b r t + " t : il s agit de la forme générale d un modèle à correction d erreur, décrivant l ajustement instantané de la consommation c t aux varations de revenu et à l écart à la cible à long terme, (c t r t k). De façon pratique, supposons que l on dispose de (ou plus) séries (X t ) et (Y t ) intégrées à l ordre. Notons Z t = (X t ;Y t ). D après le théorème de Wold, on peut représenter (Z t ) sous la forme ( L) Z t = (L)" t où (" t ) est un bruit blanc (en dimension ), () = I et aucune ligne de () n est nulle (sinon une des composantes est stationnaire). (i) si les composantes (X t ) et (Y t ) ne sont pas cointégrées, alors le vecteur (Z t ) peut s écrire sous forme V AR, ou V ARMA, en di érences premières, (L) Z t = " t ou (L) Z t = (L)" t : (ii) si les composantes (X t ) et (Y t ) sont cointégrées, alors le vecteur (Z t ) peut s écrire sous forme V ARMA, A (L) Z t = B (L)" t, avec une représentation à correction d erreur A (L) Z t = Z t + B (L)" t. La relation V ARMA est dite relation de court terme, et la seconde relation de long terme, dans laquelle apparait une force de rappel vers la cible de long terme... Tests de cointégration A n de tester la cointégration entre deux variables, on peut utiliser l algorithme mis en place par Engle et Granger. () tester l ordre d intégration des variables : une des conditions nécessaire pour qu il y ait cointégration étant que les deux séries doivent être intégrées de même ordre. Ces tests reposent sur l utilisation des tests de Dikey & Fuller. On cherche alors d tel que X t s I (d) et Y t s I (d). () estimation de le relation de long-terme. Compte tenu du thérème de représentation de Granger, il est également possible de tester la cointégration en estimant le modèle à correction d erreur associé. Cette estimation peut se faire en deux étapes, en estimant par mco la relation de long-terme Y t = b + b X t + b" t ; puis en estimant, toujours par mco la relation de court-terme Y t = X t + ¹b" t + t: Le coe cient ¹ doit alors être signi cativement négatif : dans le cas contraire, on rejette l hypothèse d une modélisation de la forme ECM:.. Généralisation à k variables La notion de cointégration peut se généraliser de à k variables. 9
11 ..4 Di érences entre les approches de Engle/Granger et de Johansen Comme nous venons de le voir la méthode de Engle et Granger (987) s articule en deux étapes () régression statistique entre variables intégrées (après avoir véri é que les variables sont intégrées de même ordre ) () test de véri carion de la stationnarité des résidus (test de Dikey & Fuller) La méthode Johansen consiste à tester les restrictions imposées par la cointégration sur le modèle VAR non restreint. On considère un modèle V AR (p) de la forme Y t = A Y t + :: + A p Y t p + " t ou Y t = Y t + Y t + Y t + ::: + p Y t p+ + " t ; (5) où = (A + ::: + A p ) I et i = (A i+ + ::: + A p ). Le théorème de représentation de Granger a rme alors que le coe cient de la matrice a un rang réduit r < k, nombre de variables cointégrées, et donc, il existe des matrices U et V de rang r, telles que = UV et telles que V Y t soit stationnaire. r est alors le nombre de relations de cointégration (rang de cointégration), chaque clonne de V est le vecteur de cointégration, et les éléments de U sont des paramètres d ajustement. La méthode de Johansen consiste à estimer la matrice et de voir si on peut rejeter des restrictions impliquées par le rang réduit de : si on ak variables endogènes, toutes avec une racine unitaire (non stationnaire, mais stationnaire après di érenciation - une fois ), on peut avoir k relations de cointégration linéaires indépendantes. S il n y a aucune relation de cointégration, des analyses standards de séries chronologiques telles que les VAR peuvent être appliquées aux di érences premières des données. Exemple 5 Sur les données détaillées dans l exemple (::5), intégrées, le test de de causalité de Granger proposé par EV iews donne les résultats suivants, à droite Z Z Pairwise Granger Causality Tests Sample: 99: 999: Lags: Null Hypothesis: Obs F-Statistic Probability Z does not Granger Cause Z Z does not Granger Cause Z Lags: Null Hypothesis: Obs F-Statistic Probability Z does not Granger Cause Z E-9 Z does not Granger Cause Z Lags: Null Hypothesis: Obs F-Statistic Probability Z does not Granger Cause Z E-8 Z does not Granger Cause Z avec à gauche les courbes des processus Z et Z. Trois cas sont présentés ici : lorsque le modèle contient, et retards. L hypothèse nulle est ici qu il n y a pas causalité, à savoirque Z ne cause pas Z dans la première équation, et que X ne cause pas Y dans la seconde. Ici, on rejette l hypothèse nulle selon laquelle Z ne cause pas Z car la puissance associée aux tests est très faible (dans les trois cas), et au seuil 5, on accepte l hypothèse que Z cause Z au sens de Granger. Au contraire, on rejete l hypothèse de causalité de Z vers Z. Ce test (test de Johansen) est un test de coïntégration : il n est donc valable que sur des variables non-stationnaires.
12 Le test de Johansen est présenté ci-dessous Included observations: 9 Test assumption: No deterministic trend in the data Series: Z Z Lags interval: to 4 Likelihood 5 Percent Percent Hypothesized Ratio Critical Value Critical Value No. of CE(s) Eigenvalue None most At *(**) denotes rejection of the hypothesis at 5%(%) significance level L.R. rejects any cointegration at 5% significance level Unnormalized Cointegrating Coefficients: Z Z Included observations: 9 Test assumption: No deterministic trend in the data Series: Z Z Lags interval: to 4 Likelihood 5 Percent Percent Hypothesized Ratio Critical Value Critical Value No. of CE(s) Eigenvalue None most At *(**) denotes rejection of the hypothesis at 5%(%) significance level L.R. rejects any cointegration at 5% significance level Unnormalized Cointegrating Coefficients: Z Z Normalized Cointegrating Coefficients: Cointegrating Equation(s) Z Z (.77) Log likelihood Normalized Cointegrating Coefficients: Cointegrating Equation(s) Z Z C (.5) Log likelihood Included observations: 9 Test assumption: No deterministic trend in the data Series: Z Z Lags interval: to Likelihood 5 Percent Percent Hypothesized Ratio Critical Value Critical Value No. of CE(s) Eigenvalue None most At *(**) denotes rejection of the hypothesis at 5%(%) significance level L.R. rejects any cointegration at 5% significance level Unnormalized Cointegrating Coefficients: Z Z Normalized Cointegrating Coefficients: Cointegrating Equation(s) Z Z. -. (.59) Sample: 99: 999: Included observations: 9 Series: Z Z Lags interval: to Data Trend:None None Linear Linear Quadratic Rank No Intercept Intercept Intercept Intercept Intercept No. No Trend No Trend No Trend Trend Trend Log Likelihood by Model and Rank Akaike Information Criteria by Model and Rank Schwartz Criteria by Model and Rank L.R. Test: Rank = Rank = Rank = Rank = Rank = Log likelihood EViews propose plusieurs options pour les tests de cointégration. La sortie en bas à droite est la sortie récapitulative. Pour les autres, les valeurs propres sont présentées dans la première colonne. Le LR - Likelihood Radio - est dé ni par kx Q (r) = T log ( i); pour r = ; ;:::;k ; i=r+ où i est la ième valeur propre (lorsqu elle sont rangées par ordre croissant). Cette statistique est aussi appelée statistique de la trace. La première ligne de la cinquième colonne (Hypotheized No. of CE(s)) teste l hypothèse de non-cointégration (r = : relation de cointégration). Ladeuxième ligne teste l hypothèse d une relation de coïntégration (r = ), la deuxième ligne teste l hypothèse de deux relations de coïntégration (r = )...etc. Toutes ces hypothèses sont testées contre l hypothèse alternative que la matrice est de plein rang (c est à dire que toutes les séries sont stationnaires). Dans l exemple ci-dessus, la statistique de la trace ne rejette aucune des hypothèse au seuil de 5% : il n y a donc aucune relation de cointégration car on n a pas rejeté (None) relation de cointégration pour au moins une. Le vecteur de cointégration n est pas identi é, à moins d imposer une normalisation arbitraire : EViews adopte une normalisation de sorte que les r premières séries dans le vecteur Y t soient normalisés à une matrice identité. Dans le cas présenté en haut à droite, par exmple, la relation de cointégration normalisée qui fait l hypothèse ( ctive) d une relation de cointégration est donnée par Normalized Cointegrating Coefficients: Cointegrating Equation(s) Z Z C (.5) Log likelihood ce qui donne la relation de cointégration de la forme Z :887:Z + :869. En n, le graphique ci-dessous montre le scatterplot de (Z ;Z ), qui montre (graphiquement) qu il n y a pas de relation de cointégration a priori, compte tenu Les 5 cas étudiés sont les suivants : (i) pas de trend, pas de constante dans la relation de coïntégration Y t = Y y (ii) pas de trend dans la relation de coïntégration Yt = ( Yy +¹) (iii) trend linéaire dans la relation de coïntégration Y t = ( Y y +¹)+? (iv) trend linéaire dans la relation de coïntégration Yt = ( Yy +¹+ t)+? (v) trend quadratique dans la relation de coïntégration Yt = ( Yy +¹+ t)+? ( +±t)
13 de cette rupture pour les valeurs positives, avec deux tendances distinctes. - Z Z Pour reprendre l exemple introductif, les prix de la douzaine d oeufs et d un poulet, bien que non-stationnaires, ne sont pas pour autant coïntégrées, OEUFS POULET omme cela peut se voir sur les sorties des tests de Johansen Included observations: 67 Test assumption: Linear deterministic trend in the data Series: OEUFS POULET Lags interval: to Likelihood 5 Percent Percent Hypothesized Ratio Critical Value Critical Value No. of CE(s) Eigenvalue None most At * *(**) denotes rejection of the hypothesis at 5%(%) significance level L.R. rejects any cointegration at 5% significance level Unnormalized Cointegrating Coefficients: OEUFS POULET Normalized Cointegrating Coefficients: Cointegrating Equation(s) OEUFS POULET C (.45) Log likelihood La lecture des sorties des tests de cointégration sous Eviews 4. se fait de la façon suivante, On considère un modèle V AR pour (Y t ), à savoir Y t = A Y t + ::: + A p Y t p + " t, où (Y t ) est un vecteur de processus I (). On réécrit alors ce modèle sous la forme décrite ci-dessus, à savoir Y t = Y t + Y t + Y t + ::: + p Y t p+ + " t ;
14 où = (A + ::: + A p ) I et i = (A i+ + ::: + A p ). D après le théorème de représentation de Granger, il existe et matrices k r, où r < k, telles que = et telles que Y t soit stationnaire. r est alors le nombre de relations de cointégration, et les colonnes de correspondent aux vecteurs de cointégration. De la même façon que Johansen (995) 5 cas sont distingués, suivant la tendance retenue,. Pas de tendance déterministe pour (Y t ), équations de cointégration sans constantes,. Pas de tendance déterministe pour (Y t ), équations de cointégration avec constantes,. Tendance déterministe pour (Y t ), équations de cointégration avec constantes, 4. Tendance déterministe pour (Y t ), équations de cointégration avec tendances linéaires, 5. Tendance quadratique pour (Y t ), équations de cointégration avec tendances linéaires. Les modèles testés s écrivent alors. Y t = Y t. Y t = Y t + ¹. Y t = Y t + ¹ + 4. Y t = Y t + ¹ + t + 5. Y t = Y t + ¹ + t + + t Il est d ailleurs possible sous Eviews de rajouter des compostantes exogènes. On considère alors des modèles de la forme Y t = A Y t + :: + A p Y t p + +BX t + " t. Exemple 6 Pour reprendre l exemple introductif, les PIB français et l indice de la cnsommation sont des séries non-stationnaires, et cointégrées, PIB CONSOMMATION comme cela peut se voir sur les sorties des tests de Johansen Included observations: 9 Test assumption: No deterministic trend in the data Series: PIB CONSOMMATION Lags interval: to Likelihood 5 Percent Percent Hypothesized Eigenvalue Ratio Critical Value Critical Value No. of CE(s) None ** At most * *(**) denotes rejection of the hypothesis at 5%(%) significance level L.R. test indicates cointegrating equation(s) at 5% significance level Unnormalized Cointegrating Coefficients: PIB CONSOMMATION Normalized Cointegrating Coefficients: Cointegrating Equation(s) PIB CONSOMMATION (.58) Log likelihood -44.5
15 Il est toutefois possible, sur la version 4., d obtenir des sorties plus complètes sur ce test, Included observations: 9 after adjusting endpoints Trend assumption: Quadratic deterministic trend Series: CONSOMMATION PIB Lags interval (in first differences): to Unrestricted Cointegration Rank Test Hypothesized Trace 5 Percent Percent No. of CE(s) Eigenvalue Statistic Critical Value Critical Value None At most * *(**) denotes rejection of the hypothesis at the 5%(%) level Trace test indicates no cointegration at both 5% and % levels Hypothesized Max-Eigen 5 Percent Percent No. of CE(s) Eigenvalue Statistic Critical Value Critical Value None At most * *(**) denotes rejection of the hypothesis at the 5%(%) level Max-eigenvalue test indicates no cointegration at both 5% and % levels Unrestricted Cointegrating Coefficients (normalized by b'*s*b=i): CONSOMMA PIB TION Unrestricted Adjustment Coefficients (alpha): D(CONSOMM ATION) D(PIB) Cointegrating Equation(s): Log likelihood Normalized cointegrating coefficients (std.err. in parentheses) CONSOMMA PIB TION (.85) Adjustment coefficients (std.err. in parentheses) D(CONSOMM -.49 ATION) (.9) D(PIB).598 (.695) La lecture de la sortie se fait de la façon suivante : il s agit ici d un test de type ADF où les deux séries sont supposées avoir une tedance et une constante Sample: 96 Included observations: 9 Series: CONSOMMATION PIB Lags interval: to Data Trend: None None Linear Linear Quadratic Rank or No Intercept Intercept Intercept Intercept Intercept No. of CEs No Trend No Trend No Trend Trend Trend Selected (5% level) Number of Co integrating Relations by Model (columns) Trace Max-Eig Log Likelihood by Rank (rows) and Model (columns) Akaike Information Criteria by Rank (rows) and Model (columns) *.586* Schwarz Criteria by Rank (rows) and Model (columns) *.8955* La modélisation V AR(p).. La représentation V AR (p) La représentation V AR à k variables et à p décalages V AR (p) s écrit sous forme matricielle, avec Y t = 6 4 Y t Y t. Y k t 7 5 A i = 6 4 Y t = A + A Y t + ::: + A p Y t p + " t ; (6) a i a i a k i a i a i a k i..... a ki a ki a k ki 7 5 A = 6 4 a a. a k 7 5 et " t = 6 4 La matrice de covariance des erreurs = E (" t"t) est ici inconnue. De la même façon que dans le cas univariarié, on pourra noter A (L) Y t = A + " t ; " t " t. " k t 7 5 : 4
16 où A est un polynome matriciel (k k); A (z) = I A z A z ::: A p z p, et on appera polynôme charactéristique let polynôme det I A z A z ::: A p z p. Remarque 5 L écriture V AR présentée ici suppose que la ième équation, dé nissant Yt i ne fasse intervenir aucun Y j t. Ceci n est pas forcément toujours le cas : considérons les deux processus stationnaires (X t ) et (Y t ) dé nis par les relations suivantes Y t ½ Xt = + Xt + ::: + pxt p ±Yt + Yt + ::: + q Yt q + "t Y t = a + b Y t + ::: + b r Y t p dx t + c X t + ::: + c s X t s + t; qui peut se réécrire sous forme matricielle DZ t = A + Z t + ::: + n Z t n + u t où n = max fp;q;r;sg avec les notations matricielles Xt "t ± Z t =, u t =, D =, A = et pour i = ;:::;n A d a i = i i ; t avec la convention, par exemple, i = pour p < i n. On supposera que les bruits (" t ) et ( t) sont non-corrélés. Il est alors possible d écrire l équation sous forme réduite, obtenue en mutipliant par par D : Z t = ª + ª Z t + ::: + ª n Z t n + v t où v t = B u t : On constate que les innovations (v t ) sont alors fonctions des innovations de la forme structurelle, (" t ) et ( t), et peuvent être corrélés : µ "t ± t v t = ±d ; t d" t : ±d Si chacunes des composantes sont i:i:d: les variances sont alors respectivement ¾ " + ±¾ = [ ±d] et ¾ + d¾ " =[ ±d On constate que l on peut alors toujours se ramener à des processus de la forme (6). Dé nition 4 Le processus Y t est stationnaire (au second ordre) si (i) E (Y t ) = ¹ pour tout t (ii) V (Y t ) est nie et constante (iii) cov (Y t ;Y t+k ) = E ([Y t ¹] [Y t+k ¹]) = k pour tout t Propriété U,n processus V AR (p) est stationnaire si le polynôme caractérisque (dé ni à partir du déterminant det I A z A z ::: A p z p ) a ses racines à l extérieur du cercle unité. Preuve. Hamilton (994) page 59 b i c i Exemple 7 Le processus bivarié dé ni par Y t Yt = + :7 :4 : : Y t Y t + " t " t ; a pour polynôme caractéristique µ det :7 :4 : : z = :7z :4z :z :z = z + :z ; qui admet pour racines z = :84 et z = :5 : le processus n est pas stationnaire. Exemple 8 Le processus dé ni par Y t Y t = + : :4 :7 : Y t Y t + " t " t ; a pour polynôme caractéristique µ det : :4 :7 : z = :z :4z :7z :z = :5z :z ; qui admet pour racines conjuguées z = :5 :79i et z = :5 + :79i : le processus n est pas stationnaire. 5
17 Exemple 9 Le processus dé ni par Y t Y t = + : :7 : :4 Y t Y t + " t " t ; a pour polynôme caractéristique µ det : :7 : :4 z = :z :7z :z :4z = :6z + :z ; qui admet pour racines z = : et z = 5:9 : le processus est stationnaire. Les processus VAR (p) peuvent se mettre sous forme V AR () en utilisant l écriture suivante. Soit Y t = Yt ;::::;Yt n R n satisfaisant la représentation VAR (p) suivante : pour tout t, Y t = + A Y t + ::: + A p Y t p + " t soit A (L)Y t = + " t : (n;) ³ L espérance de ce processus est alors E (X t ) = E (L) [ + " t ] = () c = ¹ pour tout t: On peut alors réécrire (L) [Y t ¹] = " t. Considérons alors Z t = (np;) Y t ¹ Y t ¹. Y t p+ ¹ C A A = (np;np) A A A p A p I n n n n n I n n n.... n n I n n C A " t ṇ et t = B On peut alors noter que le processus V AR (p) (Y t ) peut se réécrire sous la forme d un processus transformé Z t satisfaisant une représentation VAR () : Z t = AZ t + t: n C A : Exemple Considérons le processus bivarié dé ni par Y t : :7 Y Yt = + t : :4 Yt :4 :6 : :8 Y t Y t + " t " t ; suivant un modèle VAR (). Le polynôme autorégressif A (L) est alors donné par A (L) = L espérance ¹ du processus (Y t ) est alors donnée par = : :7 :4 :6 + L + : :4 : :8 :L + :4L :7L + :6L :L + :L :4L + :8L : ¹ = A (L) = :59 :8 : L On a alors 6 4 t :59 t :8 t :59 t :8 Y Y Y Y 7 5 = 6 4 : :7 :4 :6 : :4 : : t :59 t :8 7 t : t :8 Y Y Y Y " t " t 7 5 :.. Les modèles ARMAX ou V ARMA Les modèles ARMAX sont une généralisation des processus V AR (p), de la même façon que les processus ARMA (p;q) sont une généralisation des processus AR (p) : Y t = A + A Y t + ::: + A p Y t p + " t + B " t + ::: + B q " t q ; 6
18 où A i et B j sont des matrices k k. Il est possible de distringués les processus V MA (obtenus quand p = ) : moyennes mobiles mutivariées. - les processus VAR sont toujours inversibles, et sont stationnaires si les racines du polynôme caractéristique sont à l extérieur du disque unité - les processus VMA sont toujours stationnaires, et sont inversibles si les racines du polynôme caractéristique sont à l extérieur du disque unité - les conditions d inversibilité et de stationnarité des processus ARMA dépendent des parties VAR et VMA du processus. Remarque 6 Il est possible de montrer que les processus V ARMA peuvent se mettre sous forme V AR (): Soit Y t suivant un modèle VARMA (p;q), tel que et notons On posera alors Z t = 6 4 Y t. Y t p+ " t. " t q où les blocs B ij sont dé nis par Y t = A Y t + ::: + A p Y t p + " t M " t ::: M q " t q vecteur de taille K (p + q) et U t = B B = de taille K (p + q) K (p + q) ; B B = 6 4 B = 6 4 B A A p A p I K..... I K M M q M q.... B = 6 4 I K.... I K Alors, le processus (Z t ) suit un modèle V AR () ; Z t = BZ t + U t :.. Estimation des paramètres d un modèle V AR " t. " t. 7 de taille Kp Kp, 5 7 de taille Kp Kq; 5 7 de taille Kq Kq: 5 de taille Kp + Kq: 7 5 Chacun des paramètres peut être obtenue soit par mco (moindres carrés ordinaires), soit par maximum de vraissemblance. Pour un modèle V AR stationnaire, la stationnarité de la série va entraîner la convergence et la normalité asymptotique des estimateurs obtenus par mco, ce qui permet de mener des tests sur les paramètres du modèle, ou de donner des intervalles de con ance pour les prévisions. Toutefois, comme nous l avons déjà dit dans le cas univarié, les variables économiques sont souvent intégrées (d ordre ou plus ). Dans ce cas, l écriture (6) est toujours valable, mais le determinant du polynôme charactéristique admet des racines de module. Les coe cients du modèles peuvent toujours être estimés par des mco et les estimateurs obtenus sont toujours convergents (en fait, ils sont même super-convergents puisqu ils convergent à la vitesse =T et non pas = p T). Cependant, ces estimateurs ne sont pas asymptotiquement normaux, et l on peut plus, dans ce cadre, mener les tests usuels sur les paramètres du modèle, ni déterminer d intervalle de con ance pour les prévisions. 7
19 Cependant, lorsque les variables sont non-stationnaires et cointégrées, les résultats de Engle et Granger (987) montrent que la bonne spéci cation du modèle consiste à utiliser une forme à correction d erreur (développé dans la partie (::)), qui permet de se ramener à une écriture ne faisant intervenir que des variables stationnaires, et dans lesquels il est possible d e ectuer des tests sur les paramètres du modèle...4 Autocovariances et autocorrélations La k-ième autocovariance croisée entre la i-ième et la j-ième variable est donnée par ij (h) = E h³ Y i t Y i ³ Y j t h Y j i : Remarque 7 La propriété de symétrie valable dans le cas univarié n est plus véri ée ici : pour h 6=, ij (h) 6= ij ( h). En e et, si Y t dépend fortement de X t, ce ne signi e pas que Y t dépende, de la même façon, de X t+. Et de même ij (h) 6= ji (h) La fonction d autocorrélation est alors ½ ij (h) = q ij (h) : i () j () Aussi, on peut dé nir, pour tout retard h la matrice d autocorrélation ½ (h) ½ (h) ½ n (h) ½ (h) ½ (h) ½ n (h) (h) = ½ n (h) ½ n (h) ½ nn (h) 7 5 : On peut alors noter que (h) = ( h), et que les éléments sur la diagonale correspondent aux autocorrélations usuelles...5 Application sur un exemple Considérons les séries suivantes, Y et Y, Y Y 8
20 Les observations sont les suivantes, Y Y Y Y Y Y 99 :999 : :86 : : :9 99 :45 :5 994 :79 : :7 :45 99 : : :55 : : : :5 : :6 : :97 : :56 : :59 : :555 : :847 : :6 : :48 : :446 :4 995 :64 : : : :6 : :9 : :97 : :46 : : :5 998 :848 :48 99 : : :6 : :7 : 99 :889 : :77 : :74 :64 99 :96 : :9 : :77 :46 99 :96 : :5 : :6 : :74 : :6 : :46 :89 99 :9 :4 995 :64 : :9 : :66 : :95 : :47 : :94 : : : :6 : :899 : :5 : :5 : :67 :5 996 : : :5 : :84 : :767 :8 998 :75 : 99 9 :6 : :696 : :67 :87 99 :95 : :9 :6 999 :98 :95 99 :9 : :586 : 999 :7 :58 99 : : :4 : :47 : : : :559 : : : 994 :5 : :696 : :78 : :47 :9 996 :979 : : : :79 : :65 : :496 : :8 : :7 : :74 : :66 : :5 : :7 : :76 :9 997 :47 :5 999 :899 : :596 : :68 :5 999 :7 :7 L analyse univariée des séries Y et Y donne les autocorrélogrammes suivants, 9
21 L autocorrélogramme croisé permet de représenter ½ Y!Y (h) = corr Yt ;Yt h et ½Y!Y (h) = corr Yt ;Yt h, Estimation d un modèle V AR () avec constante Estimons le modèle suivant sur notre échantillon, Y t a a a Yt = + Y t " a a a Yt + t " ; t qui peut se réécrire ½ Y t = a + a Yt + a Yt + " t Yt = a + a Yt + a Yt + " t : Pour estimer les paramètres de ce modèle, nous pouvons utiliser les mco sur chacune des équations indépendament : LS // Dependent Variable is Y Sample: 99: 999: Included observations: 96 Variable Coefficient Std. Error T-Statistic Prob. C Y(-) Y(-) R-squared Mean dependent var Adjusted R-squared S.D. dependent var.4899 S.E. of regression Akaike info criterion Sum squared resid 88.7 Schwartz criterion.6674 Log likelihood F-statistic Durbin-Watson stat.999 Prob(F-statistic). LS // Dependent Variable is Y Sample: 99: 999: Included observations: 96 Variable Coefficient Std. Error T-Statistic Prob. C Y(-) Y(-) R-squared.87 Mean dependent var Adjusted R-squared.9547 S.D. dependent var.496 S.E. of regression.549 Akaike info criterion.7 Sum squared resid.6457 Schwartz criterion.7 Log likelihood F-statistic.69 Durbin-Watson stat.96 Prob(F-statistic). dont les sorties graphiques donnent respectivement Residual Actual Fitted Residual Actual Fitted Les résidus estimés, b" t et b" t sont alors estimés (représentés ci-dessus ). Leur matrice de variance-covariance est alors :9475 :5458 b = ; :5458 :889
22 d où les expressions des critères AIC et SC, AIC () = ln b + k n SC () = ln b + k ln n n = ln : = :44759; = ln : ln Cette estimation peut être faite directement sous EV iews, de façon globale = :79: Sample: 99: 999: Included observations: 96 Standard errors & t-statistics in parentheses Y Y Y(-) (.96) (.88) (.774) (.8) - - Y Residuals Y(-) (.495) (.879) ( ) (.5) C (.8) (.655) (-.9646) (-.8997) R-squared Adj. R-squared Sum sq. resids S.E. equation Log likelihood Akaike AIC Schwartz SC Mean dependent S.D. dependent Y Residuals Toutefois, si l on considère les deux régressions faite au début, on peut noter que la constante n est pas signi cative (à un seuil de 5%) : on peut tester un modèle V AR () sans constante. Estimation d un modèle V AR () sans constante Y t Y t Estimons le modèle suivant sur notre échantillon, a a = Y t a a Yt + " t " t ; qui peut se réécrire ½ Y t = a + a Yt + a Yt + " t Yt = a + a Yt + a Yt + " t: Pour estimer les paramètres de ce modèle, nous pouvons utiliser les mco sur chacune des équations indépendament : LS // Dependent Variable is Y Sample: 99: 999: Included observations: 96 Variable Coefficient Std. Error T-Statistic Prob. Y(-) Y(-) R-squared.5574 Mean dependent var Adjusted R-squared.555 S.D. dependent var.4899 S.E. of regression.995 Akaike info criterion.4 Sum squared resid 9.8 Schwartz criterion Log likelihood F-statistic 8.47 Durbin-Watson stat.77 Prob(F-statistic). LS // Dependent Variable is Y Sample: 99: 999: Included observations: 96 Variable Coefficient Std. Error T-Statistic Prob. Y(-) Y(-) R-squared.879 Mean dependent var Adjusted R-squared.89 S.D. dependent var.496 S.E. of regression.548 Akaike info criterion.485 Sum squared resid 8.9 Schwartz criterion.674 Log likelihood F-statistic 4.87 Durbin-Watson stat.9968 Prob(F-statistic).
23 dont les sorties graphiques donnent respectivement Residual Actual Fitted Residual Actual Fitted Les résidus estimés, b" t et b" t sont alors estimés (représentés ci-dessus ). Leur matrice de variance-covariance est alors :996 :5565 = ; :5565 :974 d où les expressions des critères AIC et SC, AIC () = lnj j + k n = ln : = :647; SC () = ln j j + k ln n = ln : ln 96 = :66: n 96 Cette estimation peut être faite directement sous EViews, de façon globale Sample: 99: 999: Included observations: 96 Standard errors & t-statistics in parentheses Y Y Y(-) (.95) (.79) (.84546) (.4875) - - Y Residuals Y(-) (.588) (.968) (6.948) (.946) R-squared Adj. R-squared Sum sq. resids S.E. equation Log likelihood Akaike AIC Schwartz SC Mean dependent S.D. dependent Y Residuals Comparaison de di érents modèles VAR (p) Pour di érents modèles VAR (p), les critères AIC et SC sont j j AIC Y AIC Y AIC tot SC Y SC Y SC tot VAR () avec constante :7965 :646 :7 :44759 :6674 :7 :79 V AR () sans constante :8547 :4 :485 :647 :56665 :674 :66 VAR () avec constante :744 :8655 :44 :8 :55 :7596 :888 V AR () sans constante :74965 :884 :5479 :478 :449 :664 :97 VAR () avec constante :599 :55 :46 :4754 V AR () sans constante :74667 :76974 :499 :4746 VAR (4) avec constante :988 :8976 :6 :54 V AR (4) sans constante :5 :854 :5 :5 La comparaison des critères AIC pousse à choisir un modèle V AR () sans constante. Le modèle retenu Y t :75 :75 Y Yt = t " :67 :94 Yt + t " où b :996 :5565 = : t :5565 :974
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 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 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 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailTempérature 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 détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailChapitre 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 détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailExercice : 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 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 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 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 détailChapitre 2. Les Processus Aléatoires Non Stationnaires 1. Chapitre 2. Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires
Chapitre 2. Les Processus Aléatoires Non Stationnaires 1 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. Les Processus Aléatoires Non Stationnaires 2 Dans le
Plus en détailTests 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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailCalcul 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailUne analyse économétrique multivariée du comportement des ménages
Revue de l OFCE n 66 / juillet 1998 Une analyse économétrique multivariée du comportement des ménages Françoise Charpin Professeur à l Université de Paris II, Conseiller scientifique à l OFCE Cette étude
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
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 détailFiltrage 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 détailCONCOURS 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 détailNON-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 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 détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailLa 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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailAnalyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailUNIVERSITÉ 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailTABLE 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailTests 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 détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailBaccalauréat 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 détailt 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
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 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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
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 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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
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 détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailFonctions 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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailEtude 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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailChapitre 3 Les régimes de fonctionnement de quelques circuits linéaires
Chapitre 3 Les régimes de fonctionnement de quelques circuits linéaires 25 Lechapitreprécédent avait pour objet l étude decircuitsrésistifsalimentéspar dessourcesde tension ou de courant continues. Par
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
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 détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailPrévisions des prix des négociants de vin par les cours producteurs :
Prévisions des prix des s de vin par les cours producteurs : une étude empirique à partir de 10 appellations de vin de Bourgogne. (première version Mai 2000 - Version révisée juillet 2000) Résumé Cette
Plus en détail