Evaluation de la performance prédictive de modèles robustes
|
|
|
- Luc Laviolette
- il y a 8 ans
- Total affichages :
Transcription
1 Evaluation de la performance prédictive de modèles robustes 1 olivier.schoeni@unifr.ch 1 Département d Informatique Université de Fribourg (Suisse)
2 Table des matières 1 2 Tests sur la performance prédictive 3 4 5
3 On note par P et X := (X 1,..., X K ) le prix et les K caractéristiques d un bien. Pour un échantillon aléatoire de n observations indépendantes (P i, X i ) := (P i, X i1,..., X ik ) on considère le modèle log-linéaire suivant : log(p i ) = β 0 + X i1 β X ik β K + ɛ i, (1) où ɛ i représente un terme d erreur stochastique avec E(ɛ i X i ) = 0 et V(ɛ i X i ) = σ 2, i. L expression (1) est un modèle de régression hédonique.
4 On note par P et X := (X 1,..., X K ) le prix et les K caractéristiques d un bien. Pour un échantillon aléatoire de n observations indépendantes (P i, X i ) := (P i, X i1,..., X ik ) on considère le modèle log-linéaire suivant : log(p i ) = β 0 + X i1 β X ik β K + ɛ i, (1) où ɛ i représente un terme d erreur stochastique avec E(ɛ i X i ) = 0 et V(ɛ i X i ) = σ 2, i. L expression (1) est un modèle de régression hédonique.
5 On note par P et X := (X 1,..., X K ) le prix et les K caractéristiques d un bien. Pour un échantillon aléatoire de n observations indépendantes (P i, X i ) := (P i, X i1,..., X ik ) on considère le modèle log-linéaire suivant : log(p i ) = β 0 + X i1 β X ik β K + ɛ i, (1) où ɛ i représente un terme d erreur stochastique avec E(ɛ i X i ) = 0 et V(ɛ i X i ) = σ 2, i. L expression (1) est un modèle de régression hédonique.
6 Prédiction et fonctions de perte Soit ˆPr, r = 1, 2 le prix estimé dans l échelle originale obtenu grâce à une technique de régression r. Dans notre cas r représente la méthode des moindres carrés ordinaires ou la technique de régression robuste proposée par Maronna et Yohai (2000). Le but de l analyse sera de comparer la distribution des variables aléatoire L(P, ˆPr (X)), r = 1, 2, où L : R 2 R + représente une fonction de perte liée à l erreur de prédiction. Les trois fonctions de perte suivantes ont été considérées : quadratique, valeur absolue, biquadratique.
7 Prédiction et fonctions de perte Soit ˆPr, r = 1, 2 le prix estimé dans l échelle originale obtenu grâce à une technique de régression r. Dans notre cas r représente la méthode des moindres carrés ordinaires ou la technique de régression robuste proposée par Maronna et Yohai (2000). Le but de l analyse sera de comparer la distribution des variables aléatoire L(P, ˆPr (X)), r = 1, 2, où L : R 2 R + représente une fonction de perte liée à l erreur de prédiction. Les trois fonctions de perte suivantes ont été considérées : quadratique, valeur absolue, biquadratique.
8 Prédiction et fonctions de perte Soit ˆPr, r = 1, 2 le prix estimé dans l échelle originale obtenu grâce à une technique de régression r. Dans notre cas r représente la méthode des moindres carrés ordinaires ou la technique de régression robuste proposée par Maronna et Yohai (2000). Le but de l analyse sera de comparer la distribution des variables aléatoire L(P, ˆPr (X)), r = 1, 2, où L : R 2 R + représente une fonction de perte liée à l erreur de prédiction. Les trois fonctions de perte suivantes ont été considérées : quadratique, valeur absolue, biquadratique.
9 Prédiction et fonctions de perte Soit ˆPr, r = 1, 2 le prix estimé dans l échelle originale obtenu grâce à une technique de régression r. Dans notre cas r représente la méthode des moindres carrés ordinaires ou la technique de régression robuste proposée par Maronna et Yohai (2000). Le but de l analyse sera de comparer la distribution des variables aléatoire L(P, ˆPr (X)), r = 1, 2, où L : R 2 R + représente une fonction de perte liée à l erreur de prédiction. Les trois fonctions de perte suivantes ont été considérées : quadratique, valeur absolue, biquadratique.
10 2.0 Loss functions Square Absolute Bisquare Relative Residuals
11 Afin de mesurer la performance prédictive, on considère les valeurs attendues µ r := E(L(P, ˆPr (X))), r = 1, 2. La performance prédictive dans et hors échantillon est donc estimée par : ˆµ in r = 1 n n L(P i, ˆPr (X i )), r = 1, 2 i=1 et ˆµ out r = 1 n n L(P i, ˆPr, s(i) (X i )), r = 1, 2. i=1
12 Afin de mesurer la performance prédictive, on considère les valeurs attendues µ r := E(L(P, ˆPr (X))), r = 1, 2. La performance prédictive dans et hors échantillon est donc estimée par : ˆµ in r = 1 n n L(P i, ˆPr (X i )), r = 1, 2 i=1 et ˆµ out r = 1 n n L(P i, ˆPr, s(i) (X i )), r = 1, 2. i=1
13 Afin de mesurer la performance prédictive, on considère les valeurs attendues µ r := E(L(P, ˆPr (X))), r = 1, 2. La performance prédictive dans et hors échantillon est donc estimée par : ˆµ in r = 1 n n L(P i, ˆPr (X i )), r = 1, 2 i=1 et ˆµ out r = 1 n n L(P i, ˆPr, s(i) (X i )), r = 1, 2. i=1
14 Hennig et Kutlukaya (2007) soulignent le fait que le choix de l indicateur de tendance centrale est arbitraire mais pourrait être lié à la fonction de perte utilisée (et vice-versa). Le fait que l estimation de µ 1 soit plus petite que la valeur estimée de µ 2 n implique pas forcément la même relation pour les paramètres théoriques. La littérature hédonique, cependant, contient de nombreux exemples où la performance prédictive est évaluée sur la base des estimations ponctuelles de µ 1 et µ 2 (voir par exemple Laurice et Bhattacharya (2005) et Hannonen (2008)).
15 Hennig et Kutlukaya (2007) soulignent le fait que le choix de l indicateur de tendance centrale est arbitraire mais pourrait être lié à la fonction de perte utilisée (et vice-versa). Le fait que l estimation de µ 1 soit plus petite que la valeur estimée de µ 2 n implique pas forcément la même relation pour les paramètres théoriques. La littérature hédonique, cependant, contient de nombreux exemples où la performance prédictive est évaluée sur la base des estimations ponctuelles de µ 1 et µ 2 (voir par exemple Laurice et Bhattacharya (2005) et Hannonen (2008)).
16 Hennig et Kutlukaya (2007) soulignent le fait que le choix de l indicateur de tendance centrale est arbitraire mais pourrait être lié à la fonction de perte utilisée (et vice-versa). Le fait que l estimation de µ 1 soit plus petite que la valeur estimée de µ 2 n implique pas forcément la même relation pour les paramètres théoriques. La littérature hédonique, cependant, contient de nombreux exemples où la performance prédictive est évaluée sur la base des estimations ponctuelles de µ 1 et µ 2 (voir par exemple Laurice et Bhattacharya (2005) et Hannonen (2008)).
17 Tests sur la performance prédictive Pour voir si la performance prédictive des deux modèles est statistiquement différente pour une fonction de perte donnée, on considère les deux tests suivants : et H 0 : µ in 1 = µin 2 contre H 1 : µ in 1 µin 2 H 0 : µ out 1 = µ out 2 contre H 1 : µ out 1 µ out 2. Soient D i := L(P i, ˆP1 (X i )) L(P i, ˆP2 (X i )) et Dn := 1 n n i=1 D i la i-ème différence de perte de prédiction et sa moyenne. Comme on travaille avec des observations indépendantes, on suppose que les D i sont aussi indépendants.
18 Tests sur la performance prédictive Pour voir si la performance prédictive des deux modèles est statistiquement différente pour une fonction de perte donnée, on considère les deux tests suivants : et H 0 : µ in 1 = µin 2 contre H 1 : µ in 1 µin 2 H 0 : µ out 1 = µ out 2 contre H 1 : µ out 1 µ out 2. Soient D i := L(P i, ˆP1 (X i )) L(P i, ˆP2 (X i )) et Dn := 1 n n i=1 D i la i-ème différence de perte de prédiction et sa moyenne. Comme on travaille avec des observations indépendantes, on suppose que les D i sont aussi indépendants.
19 Tests sur la performance prédictive Pour voir si la performance prédictive des deux modèles est statistiquement différente pour une fonction de perte donnée, on considère les deux tests suivants : et H 0 : µ in 1 = µin 2 contre H 1 : µ in 1 µin 2 H 0 : µ out 1 = µ out 2 contre H 1 : µ out 1 µ out 2. Soient D i := L(P i, ˆP1 (X i )) L(P i, ˆP2 (X i )) et Dn := 1 n n i=1 D i la i-ème différence de perte de prédiction et sa moyenne. Comme on travaille avec des observations indépendantes, on suppose que les D i sont aussi indépendants.
20 Soit L := (L 1 1, L 1 2,..., L 2 n 1, L 2 n ) le vecteur contenant les pertes des deux méthodes de régression, où L r i := L(P i, ˆPr (X i )). On définit L = ((L 1, 1, L 2, 1, ),..., (L 1 n, L 2, n )) comme une permutation aléatoire de L. Récemment Konietschke et Pauly (2012) ont démontré à l aide d une simulation que la statistique t KP := n D n V n N(0, 1), améliore la puissance du t-test et que le niveau du test est plus proche à celui nominal (D représente les différences i des pertes permutées, Vn 2 la variance empirique).
21 Soit L := (L 1 1, L 1 2,..., L 2 n 1, L 2 n ) le vecteur contenant les pertes des deux méthodes de régression, où L r i := L(P i, ˆPr (X i )). On définit L = ((L 1, 1, L 2, 1, ),..., (L 1 n, L 2, n )) comme une permutation aléatoire de L. Récemment Konietschke et Pauly (2012) ont démontré à l aide d une simulation que la statistique t KP := n D n V n N(0, 1), améliore la puissance du t-test et que le niveau du test est plus proche à celui nominal (D représente les différences i des pertes permutées, Vn 2 la variance empirique).
22 Soit L := (L 1 1, L 1 2,..., L 2 n 1, L 2 n ) le vecteur contenant les pertes des deux méthodes de régression, où L r i := L(P i, ˆPr (X i )). On définit L = ((L 1, 1, L 2, 1, ),..., (L 1 n, L 2, n )) comme une permutation aléatoire de L. Récemment Konietschke et Pauly (2012) ont démontré à l aide d une simulation que la statistique t KP := n D n V n N(0, 1), améliore la puissance du t-test et que le niveau du test est plus proche à celui nominal (D représente les différences i des pertes permutées, Vn 2 la variance empirique).
23 Le test suivant est une version modifiée du test proposé par Diebold et Mariano (1995). Dans ce cas, on ne suppose pas que les variables D i possèdent la même variance. L hypothèse nulle d une performance prédictive égale est testée à l aide de la statistique t DM := D n N(0, 1). 1 ˆV( n n i=1 D i) La statistique t DM peut facilement être calculée en régressant les différences D i sur une constante et en calculant la déviation standard du coefficient à l aide d un estimateur HC (Heteroskedastic-Consistent).
24 Le test suivant est une version modifiée du test proposé par Diebold et Mariano (1995). Dans ce cas, on ne suppose pas que les variables D i possèdent la même variance. L hypothèse nulle d une performance prédictive égale est testée à l aide de la statistique t DM := D n N(0, 1). 1 ˆV( n n i=1 D i) La statistique t DM peut facilement être calculée en régressant les différences D i sur une constante et en calculant la déviation standard du coefficient à l aide d un estimateur HC (Heteroskedastic-Consistent).
25 Le test suivant est une version modifiée du test proposé par Diebold et Mariano (1995). Dans ce cas, on ne suppose pas que les variables D i possèdent la même variance. L hypothèse nulle d une performance prédictive égale est testée à l aide de la statistique t DM := D n N(0, 1). 1 ˆV( n n i=1 D i) La statistique t DM peut facilement être calculée en régressant les différences D i sur une constante et en calculant la déviation standard du coefficient à l aide d un estimateur HC (Heteroskedastic-Consistent).
26 Données Les données utilisées on été fournies par Wüest & Partner, une entreprise internationale d expertise immobilière. Les prix de transaction de maisons individuelles, ainsi que leurs caractéristiques, ont été collectés pour le canton de Zurich. On a considéré, en particulier, 411 transactions qui ont eu lieu le quatrième trimestre 2010 (pour ce trimestre l hypothèse d homoscédasticité n a pas pu être rejetée au niveau de 5%).
27 Données Les données utilisées on été fournies par Wüest & Partner, une entreprise internationale d expertise immobilière. Les prix de transaction de maisons individuelles, ainsi que leurs caractéristiques, ont été collectés pour le canton de Zurich. On a considéré, en particulier, 411 transactions qui ont eu lieu le quatrième trimestre 2010 (pour ce trimestre l hypothèse d homoscédasticité n a pas pu être rejetée au niveau de 5%).
28 Données Les données utilisées on été fournies par Wüest & Partner, une entreprise internationale d expertise immobilière. Les prix de transaction de maisons individuelles, ainsi que leurs caractéristiques, ont été collectés pour le canton de Zurich. On a considéré, en particulier, 411 transactions qui ont eu lieu le quatrième trimestre 2010 (pour ce trimestre l hypothèse d homoscédasticité n a pas pu être rejetée au niveau de 5%).
29 Variables kaufpr : prix de transaction age : âge vol : volume land : surface du terrain stand : standing zust : condition mikro : emplacement dans la commune frei : maison individuelle zimmer : nombre de chambres ms : emplacement dans le canton garage : nombre de places de parking
30 Variables kaufpr : prix de transaction age : âge vol : volume land : surface du terrain stand : standing zust : condition mikro : emplacement dans la commune frei : maison individuelle zimmer : nombre de chambres ms : emplacement dans le canton garage : nombre de places de parking
31 dans l échantillon Quadratique Absolue Biquadratique OLS Robust Table : Pertes moyennes. Quadratique Absolue Biquadratique D-M K-P Table : Valeurs p d égalité des moyennes.
32 dans l échantillon Quadratique Absolue Biquadratique OLS Robust Table : Pertes moyennes. Quadratique Absolue Biquadratique D-M K-P Table : Valeurs p d égalité des moyennes.
33 dans l échantillon Quadratique Absolue Biquadratique OLS Robust Table : Pertes moyennes. Quadratique Absolue Biquadratique D-M K-P Table : Valeurs p d égalité des moyennes.
34 hors échantillon Fold Quadratique Absolue Biquadratique Tous Table : Valeurs p d égalité des moyennes du K-P test.
35 hors échantillon Fold Quadratique Absolue Biquadratique Tous Table : Valeurs p d égalité des moyennes du K-P test.
36 En se basant que sur des estimations ponctuelles de la performance prédictive on peut tirer de fausses conclusions. La variance des pertes de prédiction doit aussi être considérée. La fonction de perte joue un rôle important dans le choix de la technique de régression. Les tests de la performance prédictive peuvent donner des résultats différents dans et hors échantillon.
37 En se basant que sur des estimations ponctuelles de la performance prédictive on peut tirer de fausses conclusions. La variance des pertes de prédiction doit aussi être considérée. La fonction de perte joue un rôle important dans le choix de la technique de régression. Les tests de la performance prédictive peuvent donner des résultats différents dans et hors échantillon.
38 En se basant que sur des estimations ponctuelles de la performance prédictive on peut tirer de fausses conclusions. La variance des pertes de prédiction doit aussi être considérée. La fonction de perte joue un rôle important dans le choix de la technique de régression. Les tests de la performance prédictive peuvent donner des résultats différents dans et hors échantillon.
39 En se basant que sur des estimations ponctuelles de la performance prédictive on peut tirer de fausses conclusions. La variance des pertes de prédiction doit aussi être considérée. La fonction de perte joue un rôle important dans le choix de la technique de régression. Les tests de la performance prédictive peuvent donner des résultats différents dans et hors échantillon.
40 En se basant que sur des estimations ponctuelles de la performance prédictive on peut tirer de fausses conclusions. La variance des pertes de prédiction doit aussi être considérée. La fonction de perte joue un rôle important dans le choix de la technique de régression. Les tests de la performance prédictive peuvent donner des résultats différents dans et hors échantillon.
41 Merci pour votre attention!
42 I Francis X. Diebold et Roberto S. Mariano : Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3): , Marko Hannonen : Predicting urban land prices : A comparison of four approaches. International Journal of Strategic Property Management, 12(4): , Christian Hennig et Mahmut Kutlukaya : Some thoughts about the design of loss functions. REVSTAT-Statistical Journal, 5(1):pp , 2007.
43 II Frank Konietschke et Markus Pauly : Bootstrapping and permuting paired t-test type statistics. Statistics and Computing, pages 1 14, Jennifer Laurice et Radha Bhattacharya : Prediction performance of a hedonic pricing model for housing. The Appraisal Journal, 73(2): , Ricardo A. Maronna et Víctor J. Yohai : Robust regression with both continuous and categorical predictors. Journal of Statistical Planning and Inference, 89(1-2): , 2000.
Etude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Introduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
TABLE 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,
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Cours (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,
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Introduction 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
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Principe 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
Principe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Estimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Le 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
NON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Équivalence 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.
Évaluation 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
Coup 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
La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
8 Certifications Minergie
8 Chapitre 8 Être Minergie, est-ce aussi être «autrement»? Pour de nombreux acteurs du marché immobilier, un label de durabilité devrait s accompagner d une appréciation de la valeur de leur immeuble,
Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Chapitre 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
I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
PROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
FIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
La survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Économétrie, causalité et analyse des politiques
Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de
Table 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
TESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Tests 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
Introduction 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
Exemple 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
FOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Théorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Statistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Trafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur
Trafic aérien de passagers au Canada : une analyse exploratoire du modèle origine-destination de Transports Canada pour le marché intérieur Ismaëlh Cissé Directeur : Carlos Ordás Criado Problématique Transports
Le risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Introduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Cours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
LES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
La tarification d options
La tarification d options Proposition pour une approche déterministe Pierre Bernhard 1 Stéphane Thiery 2 Marc Deschamps 3 Nous proposons ici une théorie de la tarification d options sur la base d un modèle
10 Cycle de vie des immeubles de bureaux
10 Cycle de vie des immeubles de bureaux Surfaces de bureaux et mutations structurelles Les immeubles de bureaux sont exposés à trois cycles distincts: premièrement, au cycle de vie de tout objet immobilier,
Analyses 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
ERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
CAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
1 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
Chapitre 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
Résumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Exemples 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
Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Biostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
T de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Correction 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
Contents. 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
Le WACC est-il le coût du capital?
Echanges d'expériences Comptabilité et communication financière Dans une évaluation fondée sur la méthode DCF, l objectif premier du WACC est d intégrer l impact positif de la dette sur la valeur des actifs.
FORMULAIRE 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)
Le montant des garanties constituées aux fins du STPGV est-il excessif?
Le montant des garanties constituées aux fins du STPGV est-il excessif? Kim McPhail et Anastasia Vakos* L e système canadien de transfert des paiements de grande valeur (STPGV) sert à effectuer les paiements
Processus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Filtrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Comment évaluer une banque?
Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans
Tests 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.
LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE.
LE ROLE DES INCITATIONS MONETAIRES DANS LA DEMANDE DE SOINS : UNE EVALUATION EMPIRIQUE. Synthèse des travaux réalisés 1. Problématique La question D7 du plan d exécution du Programme National de Recherches
LA 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
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Master en Droit et Economie / Automne 2013 / Prof. F. Alessandrini. Immobilier. Nicolas Di Maggio, CIIA (BCV) 22.11.2013
Immobilier Nicolas Di Maggio, CIIA (BCV) 22.11.2013 Contenu Marché suisse description et évolution bulle immobilière et position de la BNS Marchés internationaux cycles immobiliers Investissements immobiliers
Durées d utilisation des facteurs et fonction de production : une estimation par la méthode des moments généralisés en système
Banque du Canada Bank of Canada Document de travail 2004-12 / Working Paper 2004-12 Durées d utilisation des facteurs et fonction de production : une estimation par la méthode des moments généralisés en
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
Didacticiel - 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
Soutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Formations 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
IFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Ameth Saloum NDIAYE. Colloque régional UEMOA-CRDI 2009 1
Ameth Saloum NDIAYE CEPOD, Ministère de l Economie et des Finances, Sénégal Colloque régional UEMOA-CRDI, Ouagadougou, Burkina Faso, 8-10 décembre 2009 1 Problématique et justification Objectifs du papier
Nouveau Programme de Troisième Cycle Interuniversitaire (NPTCI)
Nouveau Programme de Troisième Cycle Interuniversitaire (NPTCI) Pays membres : Bénin, Burkina Faso, Burundi, Cameroun, Centrafrique, Congo, Côte d Ivoire, Gabon, Guinée, Madagascar, Mali, Mauritanie, Niger,
Révision des équations hédoniques relatives aux prix des ordinateurs
Révision des équations hédoniques relatives aux prix des ordinateurs Fred Barzyk Division des prix Statistique Canada Immeuble Jean-Talon, 13-C2, Ottawa K1A 0T6 Télécopieur : (613) 951-2848 Téléphone :
Prévisions 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
Le théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
AICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Probabilités 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
Equation LIDAR : exp 2 Equation RADAR :
Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion
UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Valeur verte des logements d après les bases Notariales BIEN et PERVAL Synthèse
Valeur verte des logements d après les bases Notariales BIEN et PERVAL Synthèse La valeur verte correspond à l augmentation de valeur 1 engendrée par la meilleure performance énergétique et environnementale
FONDS DE PLACEMENTS IMMOBILIERS SUISSES
FONDS DE PLACEMENTS IMMOBILIERS SUISSES Octobre 2011 Gabriela TURCATTI Jordi GUILLO SOMMAIRE IMMOBILIER SUISSE 3 CATÉGORIES L immobilier résidentiel 4 L immobilier commercial 5 L immobilier de bureau 5
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Le 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
Analyse 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
Ce que vous n avez pas dans les statistiques de votre DMS / CRM
quick guide #4 Ce que vous n avez pas dans les statistiques de votre DMS / CRM PILOTEZ VOS POINTS DE VENTE AVEC LA MEILLEURE VISIBILITÉ INTRODUCTION La nécessité actuelle de se doter d outils appropriés
PROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Analyse 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