Evaluation de la performance prédictive de modèles robustes

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Evaluation de la performance prédictive de modèles robustes"

Transcription

1 Evaluation de la performance prédictive de modèles robustes 1 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.

Introduction à l approche bootstrap

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

Plus en détail

Etude des propriétés empiriques du lasso par simulations

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

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

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,

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

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

Plus en détail

Atelier d économétrie

Atelier d économétrie Atelier d économétrie Chapitre 4 : Le problème de la multicolinéarité : application sous SAS Vincent Bouvatier Université de Paris Ouest - Nanterre La Défense Bâtiment G, bureau 308A vbouvatier@u-paris10.fr

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

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

Plus en détail

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

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

Plus en détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

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,

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

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

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

Plus en détail

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

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

Plus en détail

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 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

Plus en détail

Analyse de la variance à deux facteurs

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

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

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

Plus en détail

L essentiel sur les tests statistiques

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

Plus en détail

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

Plus en détail

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

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

Plus en détail

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon

Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie (EA3181) CHRU Besançon PACES - APEMK UE 4 Evaluation des méthodes d analyses appliquées aux sciences de la vie et de la santé Estimateur et Estimation Prof Franck Bonnetain Unité de méthodologie & de qualité de vie en cancérologie

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Documentation sur les indices des prix de transaction

Documentation sur les indices des prix de transaction Documentation Indice des prix de transaction 1/7 Wüest & Partner AG Gotthardstrasse 6 CH-8002 Zürich Telefon +41 44 289 90 00 Fax +41 44 289 90 01 www.wuestundpartner.com 1 Etat Décembre 2012 Documentation

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

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

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

Révision. Oliver Sonnentag, PhD: GÉO1512 Géographie Quantitative I

Révision. Oliver Sonnentag, PhD: GÉO1512 Géographie Quantitative I 1 Révision 2 Table des matières Pondération Révision (11 decèmbre 2012 [moi] & 17 decèmbre 2012 [Margarita]) Structure de l'examen final! Examen final: première partie! questions théoriques (exemples)!

Plus en détail

COMMUNIQUÉ DE PRESSE Bruxelles, le 25 mars 2015

COMMUNIQUÉ DE PRESSE Bruxelles, le 25 mars 2015 COMMUNIQUÉ DE PRESSE Bruxelles, le 25 mars 2015 Indice des prix des logements 4 trimestre 2014 o L indice belge des prix des logements augmente de 1,0% au quatrième trimestre 2014 par rapport au trimestre

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

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

Plus en détail

Répercussions de la TVA et de certaines réformes de la TVA. sur l économie

Répercussions de la TVA et de certaines réformes de la TVA. sur l économie Répercussions de la TVA et de certaines réformes de la TVA sur l économie par Frank Bodmer Economiste indépendant et chargé de cours, Université de Bâle Etude demandée par l Administration fédérale des

Plus en détail

Intégration de données multiples générées

Intégration de données multiples générées Intégration de données multiples générées par les techniques à haut débit (séquençage, CGH, SNP, transcriptome ) Pascal Roy 1 MD-PhD, Caroline Truntzer PhD 2, Delphine Maucort-Boulch 1 MD-PhD 1 Equipe

Plus en détail

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30

Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 Comparaison entre un groupe expérimental et un groupe témoin (Corrigé) /30 I1 Connaissances préalables : Buts spécifiques : Outils nécessaires: Consignes générales : Test t de comparaison de moyennes pour

Plus en détail

Principe d un test statistique

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

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

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 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

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

Agrégation séquentielle d'experts

Agrégation séquentielle d'experts Agrégation séquentielle d'experts avec application à la prévision de consommation électrique Pierre Gaillard pierre-p.gaillard@edf.fr avec Yannig Goude (EDF R&D) et Gilles Stoltz (CNRS, HEC Paris) 27 août

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

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

Plus en détail

Redécouvrir Ricardo au sujet du commerce international : un paradoxe? Gilbert Faccarello Journées de l économie Lyon, 14-16 novembre 2013

Redécouvrir Ricardo au sujet du commerce international : un paradoxe? Gilbert Faccarello Journées de l économie Lyon, 14-16 novembre 2013 Redécouvrir Ricardo au sujet du commerce international : un paradoxe? Gilbert Faccarello Journées de l économie Lyon, 14-16 novembre 2013 1 Table 2 1. L héritage théorique à l époque de Ricardo 2. Qu apporte

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

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

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

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

Plus en détail

La régression logistique

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

Plus en détail

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

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

Plus en détail

Emmanuel Jeandel MÉTHODES STATISTIQUES EN INFORMATIQUE

Emmanuel Jeandel MÉTHODES STATISTIQUES EN INFORMATIQUE Emmanuel Jeandel MÉTHODES STATISTIQUES EN INFORMATIQUE ii TABLE DES MATIÈRES iii iv TABLE DES MATIÈRES INTRODUCTION Voici une liste de livres dont je m inspire pour le cours v vi INTRODUCTION Chapitre

Plus en détail

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Jean-François Beaumont, Statistics Canada Cyril Favre Martinoz, Crest-Ensai

Plus en détail

Introduction à l analyse quantitative

Introduction à l analyse quantitative Introduction à l analyse quantitative Vue d ensemble du webinaire Le webinaire sera enregistré. Les diapositives et tous les autres documents seront envoyés aux participants après la séance. La séance

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

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

Plus en détail

Table des matières. 1. Tests de Granger 1. 2. Test de Haugh-Pierce 1. 3. Méthode de Sims 2. 4. Notes bibliographiques 3

Table des matières. 1. Tests de Granger 1. 2. Test de Haugh-Pierce 1. 3. Méthode de Sims 2. 4. Notes bibliographiques 3 Tests de causalité Jean-Marie Dufour Ý Université de Montréal Première version: Octobre 2000 Révisions: Avril 2002 Cette version: 15 avril 2002 Compilé: 15 avril 2002, 10:16am Cette recherche a bénéficié

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Analyse de la variance

Analyse de la variance M2 Statistiques et Econométrie Fanny MEYER Morgane CADRAN Margaux GAILLARD Plan du cours I. Introduction II. Analyse de la variance à un facteur III. Analyse de la variance à deux facteurs IV. Analyse

Plus en détail

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

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

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

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

Plus en détail

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES Jean-Cléophas ONDO (*) (*) Institut Sous-régional de Statistique et d Economie Appliquée (ISSEA) Résumé Les procédures couramment utilisées

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

PLAN DE COURS MAT-350 Probabilités et statistiques

PLAN DE COURS MAT-350 Probabilités et statistiques École de technologie supérieure Service des enseignements généraux Local B-2500 (514) 396-8938 Site internet : http://www.etsmtl.ca/departements/enseignements-generaux/accueil PLAN DE COURS MAT-350 Probabilités

Plus en détail

Chapitre 4 : Régression linéaire

Chapitre 4 : Régression linéaire Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

«Cours Statistique et logiciel R»

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

Plus en détail

Analyse de la Variance pour Plans à Mesures Répétées

Analyse de la Variance pour Plans à Mesures Répétées Analyse de la Variance pour Plans à Mesures Répétées Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

11. Tests d hypothèses (partie 1/2)

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

Plus en détail

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

Les indices de prix des logements

Les indices de prix des logements Chapitre 6 Les indices de prix des logements à l étranger On a jusqu ici décrit la méthode de construction d un indice de prix hédonique et présenté sa mise en oeuvre pour obtenir les indices INSEE-Notaire.

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Sfev. Matinales de la SFEV. Bsar, stock options, management package les modèles d évaluation d options dans la pratique

Sfev. Matinales de la SFEV. Bsar, stock options, management package les modèles d évaluation d options dans la pratique Sfev Matinales de la SFEV Bsar, stock options, management package les modèles d évaluation d options dans la pratique Thomas Bouvet, Directeur Général délégué d Europe Offering Frédéric Dubuisson, Director

Plus en détail

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

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

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

ESTIMATION DE L ELASTICITE PRIX DE LA DEMANDE ELECTRIQUE EN FRANCE. Régis BOURBONNAIS et Jan Horst KEPPLER

ESTIMATION DE L ELASTICITE PRIX DE LA DEMANDE ELECTRIQUE EN FRANCE. Régis BOURBONNAIS et Jan Horst KEPPLER CEEM Working Paper 2013-6 ESTIMATION DE L ELASTICITE PRIX DE LA DEMANDE ELECTRIQUE EN FRANCE Régis BOURBONNAIS et Jan Horst KEPPLER 1 ESTIMATION DE L ELASTICITE PRIX DE LA DEMANDE ELECTRIQUE EN FRANCE

Plus en détail

Le risque Idiosyncrasique

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

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

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

Plus en détail

Analyse de données longitudinales continues avec applications

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

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

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

Plus en détail

De 2001 à 2004, les exportations allemandes ont été nettement

De 2001 à 2004, les exportations allemandes ont été nettement Dossiers Anne-Juliette Bessone Benoît Heitz Division synthèse conjoncturelle De 2001 à 2004, les exportations allemandes ont été nettement plus dynamiques que les exportations françaises. Géographiquement,

Plus en détail

Le modèle de régression linéaire

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

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

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

Plus en détail

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 Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Fondements et étapes du processus de recherche, 3 e édition

Fondements et étapes du processus de recherche, 3 e édition Fondements et étapes du processus de recherche, 3 e édition Nouveauté Méthodes quantitatives et qualitatives Prix : 81,95 $ Auteurs : Marie-Fabienne Fortin, Johanne Gagnon ISBN13 : 9782765050063 Nombre

Plus en détail

Analyse d un système de freinage récupératif d un véhicule électrique

Analyse d un système de freinage récupératif d un véhicule électrique Analyse d un système de freinage récupératif d un véhicule électrique Par Mohamed Amine Bey, Gabriel Georges, Pascal Jacq, Doha Hadouni, Roxane Duroux, Erwan Scornet, Encadré par Alexis Simonnet 1 Compréhension

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

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

Plus en détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr

Plus en détail

Au sujet des corrections du biais pour les enquêtes en ligne

Au sujet des corrections du biais pour les enquêtes en ligne Recueil du Symposium 2014 de Statistique Canada Au-delà des méthodes traditionnelles d enquêtes : l adaptation à un monde en évolution Au sujet des corrections du biais pour les enquêtes en ligne Lingling

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Évaluation de la régression bornée

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

Plus en détail

Théorie des sondages : cours 5

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

Plus en détail

Table des matières. I Mise à niveau 11. Préface

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

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

Section 3 - Méthode des prix hédoniques

Section 3 - Méthode des prix hédoniques Section 3 - Méthode des prix hédoniques L3 économétrie - Modélisation et inférence statistique Florence Goffette-Nagot GATE CNRS - Université Lyon 2 - ENS-LSH XX Section 3 - Estimation de prix hédoniques

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

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

Plus en détail

Exemple 3.4 : Modélisation MCO incluant plusieurs variables explicatives quantitatives (reprise de l étude du jugement des enseignants)

Exemple 3.4 : Modélisation MCO incluant plusieurs variables explicatives quantitatives (reprise de l étude du jugement des enseignants) Exemple 3.4 : Modélisation MCO incluant plusieurs variables explicatives quantitatives (reprise de l étude du jugement des enseignants) GET FILE='C:\Users \Desktop\donnees stats\jugement.sav'. Indique

Plus en détail