Discussion :

[mathieu_r]

Bonjour


J'essaie de me mettre aux séries temporelles via ARIMA et le paquet ts

Je n'ai pas vraiment compris l'intérêt de simuler un modèle:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sim.ar<-arima.sim(list(ar=c(0.4,0.4)),n=1000)

dans la mesure où on ne l'utilise pas par la suite (en tout cas, pas dans le tuto)

Aussi, je me demande comment choisir les paramètres p,d,q, respectivement SAR, time differencing et MA lorsqu'on applique un modèle à ses données:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

arima(data,order=c(p,d,q))

A quoi correspondent time differencing et MA? MA= Moving Average?

Voilà, si quelqu'un peut m'éclairer!

mathieu

[dickoa]

Tu parles de quel tuto ???

[mathieu_r]

Bonjour,

Il s'agit de celui-ci:
http://www.statoek.wiso.uni-goetting...ts_r_intro.pdf

[Caspi]

Bonjour


J'essaie de me mettre aux séries temporelles via ARIMA et le paquet ts

Je n'ai pas vraiment compris l'intérêt de simuler un modèle:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sim.ar<-arima.sim(list(ar=c(0.4,0.4)),n=1000)

dans la mesure où on ne l'utilise pas par la suite (en tout cas, pas dans le tuto)

Aussi, je me demande comment choisir les paramètres p,d,q, respectivement SAR, time differencing et MA lorsqu'on applique un modèle à ses données:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

arima(data,order=c(p,d,q))

A quoi correspondent time differencing et MA? MA= Moving Average?

Voilà, si quelqu'un peut m'éclairer!

mathieu

Je crois que ton problème est plus un problème de fond qu'un problème de langage R.

Le MA (moving average) est une composante d'un processus ARIMA (Autoregressive integrated moving average).

En résumé (si mes souvenirs sont bons) un ARIMA(p,d,q) est un processus qui permet de stationnariser une série chronologique (par différentiation d'ordre d) et de la modéliser ensuite selon une ARMA(p,q= (Autoregressive Moving Average), qui elle-même se décompose en une partie AR(p) (la valeur y_t dépend des valeurs précédentes y_t-1, ..., y_t-p) et une partie MA(q) (y_t dépend d'une moyenne pondérée des erreurs epsilon_t, epsilon t-1, ..., epsilon t-q).

Ton outil R ARIMA peut aussi simplement modéliser un ARMA en posant d=0, ou une AR en posant d=1 et q=0, ou encore une MA en posant d=0 et p=0


En résumé, je te suggère de commencer par te documenter sur l'aspect théorique, ensuite l'application sous R te paraitra beaucoup plus claire.

[dickoa]

En résumé (si mes souvenirs sont bons)......

pour quelqu'un qui l'a (apparement) fait depuis un moment c'est très bien résumé. Et comme tu l'as souligné c'est plus une question de fond (théorie...) que de forme (R ...)

[Caspi]

Si je peux ajouter encore un conseil: il est très dangereux d'utiliser une méthode statistique qu'on ne connaît pas en se disant "R va me donner la solution, pas besoin d'en savoir plus, il suffit d'appuyer sur un bouton".

La plupart des méthodes statistiques reposent sur des hypothèses plus ou moins restrictives. Si les données ne sont pas conformes à ces hypothèses (en régression par exemple, tu peux avoir des résultats faussés par de l'hétéroscédasticité, ou par une autocorrélation des erreurs, ou par de la simultanéité pour ne citer que quelques exemples très fréquents), les résultats risquent de ne pas vouloir dire grand chose et de t'amener à tirer des conclusions erronées, alors que de résultats robustes auraient pu être obtenus en utilisant une méthode plus adaptée.