Bonjour,
Je souhaiterais lancer une proc ARIMA en utilisant presque 242 combinaisons de parametres. et Résupérer le modéle optimal c'est à dire le meilleur AIK.
Y'a il un pro de times series sur ce forum?
Merci
Bonjour,
Je souhaiterais lancer une proc ARIMA en utilisant presque 242 combinaisons de parametres. et Résupérer le modéle optimal c'est à dire le meilleur AIK.
Y'a il un pro de times series sur ce forum?
Merci
Bonjour,
Tu parles des paramètres p et q?
Oui les parametres p et q.
Merci pour votre aide
Ok, mais pourquoi as tu autant de combinaisons possibles?
Lors de la première étape d'identification des paramètres tu trouve quelles valeur pour p et q?
Si tu connais un peu le logiciel R j'ai une procédure qui te séléctionne automatiquement les ordres p et q pour les modèles ARMA...
Le bur de jeu est d'avoir le modèle optimal.
Donc il faut que je fasse tourner le modele avec tous les paramètres et choisir le modele dont le critere AKAIKE est maximal.
merci
D'accord, mais au préalable tu dois bien déterminer le nombre de retard p et q à l'aide des fonctions d'autocorrélation et d'autocorrélation partielle...tu trouve combien pour p et q?
Ensuite tu procéde à un test de validation sur les paramètres( pour voir si tu peux baisser les ordres p et q)
Ensuite tu test les résidus ( homoscédasticité et normalité).
Et enfin tu compare les modèles restant à l'aide des critères AIC, BIC ou SIC
Si on prend par exemple la table AIR qui se trouve sous la librairie SASHELP, pourrais tu m'indiquer la procédure avec le code?
Merci d'avance
Etape 1 :
Tu trace la fonction d'autocorrélation :
Pour q+1 : la valeur est nn significative (ie à l'intérieure de l'intervalle de confiance)
Etape 2 :
Tu trace la fonction d'autocorrélation partielle
Pour p+1 : la valeur est nn significative (ie à l'intérieure de l'intervalle de confiance)
Jusque la tu as determiner p et q
Etape 3 : Validation des paramètres
On essaie de voir si on peut diminuer l'ordre du modèle
On test l'hypothèse nulle ARMA(p-1,q)(Coeff(p)=0) contre l'hypothèse ARMA(p,q)(Coeff(p)<>0)
On calcule la stat de Student associé : t(Coeff(p))=Coeff(p)/écart type(Coeff(p))
Règle de décision : si |t(Coeff(p)|<1.96 alors : l'ordre p est nn significatif
Attention : on ne peut pas tester simultanément p'=p-1 et q'=q-1
Etape 4 : Test sur les résidus
-test d'autocorrélation de Box Pierce ou de Ljung Box
- Test d'homoscédasticité : ARCH
Etape finale :
Ici tu as donc garder les modèles les plus parcimonieux(=avec le moins de paramètres) et qui vérifient les conditions sur les résidus.
Tu choisit ensuite ton modèle en fonction des critères d'informations :
-AIC
-SIC
-HQ
(tu prend celui qui les minimise)
Avant tt sa : il faut t'assurer que la série est stationnaire( faire un test de non stationnarité : ADF, Phillips-Perron,KPSS)
Pour avoir des info sur comment faire tt sa sur sas :
- "Emploi de la proc arima de SAS" sur google
- "Statistiques Mohamed BOUTAHAR arma arima" sur google
- "Modélisation ARIMA des dépenses de consommation des ménages français" sur google
- http://foad.univ-tlse1.fr/mod/resour...w.php?id=18385
Vous avez un bloqueur de publicités installé.
Le Club Developpez.com n'affiche que des publicités IT, discrètes et non intrusives.
Afin que nous puissions continuer à vous fournir gratuitement du contenu de qualité, merci de nous soutenir en désactivant votre bloqueur de publicités sur Developpez.com.
Partager