Académique Documents
Professionnel Documents
Culture Documents
Box.test(zlm$residuals, lag = 6)
Box.test(zlm$residuals, lag = 9)
H0 : pas d'autocorr; BOX.TEST 显示 p 大于 5%,所以 on accepte l'hypothèse nulle de non autocorrélation des
résidus pour tous les lags. 所有滞后期的残差都不存在自相关。-----------standard 见第 8 页
#on rejette H0(p<0.05) aux seuils standards--> ce n'est pas un bruit blanc
4. chapitre 3 : Étudier les résidus de cette modélisation test de résidu dans une
modélisation : tracer la fonction d’autocorrélation empirique
acf(Residus)
acf(Residus,na.action=na.pass)
Test de blancheur
interp: il ne rejette jamais H0, il n’est pas aberrant de supposer que les
résidus forment un bruit blanc----il est bb
pour le ARMA11 oui mais pas pour AR1 et MA1 : ces deux modeles sont mal ajustés
aux données
1. Quel autre critère vous permet de choisir entre plusieurs modèles (两种 criteres
是 test blancheur et AIC)
ARMA11
AR1
ar13
maq
3.
plot.ts(oil)
#Ce chronogramme semble avoir une tendance : cela ne ressemble pas à une
réalisation d’un processus stationnaire.
#Cette série n'est pas stationnaire : elle présente une tendance en forme de U
inversé mais cette tendance ne semble pas non-plus quadratique.
#Etant donné qu'il est difficile de proposer une forme fonctionnelle qui collerait à
ce graph, nous proposons de différencier la série
5. x=ts(st)
acf(serie,lag.max=25,type=c("correlation"))
#La ligne pointillée bleue indique le niveau en-dessous duquel la corrélation n’est plus
statistiquement significative.
acf(gnpus)
acf(gnpus,lag.max=12)
PACF 中有几个顶端就是 AR 几
pacf(AR2) chapitre 3
#L’ACF ne semble pas être celle d’un MA, et la PACF ayant deux “pics”
correspond à celle d’un AR(2).
4. acf(r.oil) chapitre 3
acf(seriediff)
pacf(seriediff)
6.
gnpusAR
summary(gnpusAR)
library(forecast)
armaOil
acf(armaOil$residuals)
pacf(armaOil$residuals)
p 看 pacf, q 看 acf
nous rend des résidus qui passent le test de blancheur de Box-Pierce pour les petits
lags uniquement. La modélisation n'est donc pas raisonnable. (有几个 p<5%)
ARMA11<-auto.arima(X,max.p=1,max.q=1,max.d=0,seasonal=FALSE,
stationary=TRUE, allowmean=FALSE)
ARMA11
AR1<-auto.arima(X,max.p=1,max.q=0,max.d=0,seasonal=FALSE,
stationary=TRUE, allowmean=FALSE)
AR1
MA1<-auto.arima(X,max.p=0,max.q=1,max.d=0,seasonal=FALSE,
stationary=TRUE, allowmean=FALSE)
ar13-------r 自带数据库
arima=auto.arima(AirPassengers)
maq
arma11=auto.arima(seriediff,max.p=1,max.q=1,max.d=0,seasonal=FALSE,
stationary= TRUE, allowmean=FALSE)
arma11
5.
set.seed(27)
plot(AR2)
plot(MAtest)
acf(MAtest)
pacf(MAtest)
plot(ARMA21)
acf(ARMA21)
pacf(ARMA21)
Xt 是 ar,𝜖t 是 ma
8. Simuler un processus AR(1), de paramètre 0.3, puis 0.8, puis -0.8 (T=100).---
chapitre 4
x <- arima.sim(list(ar=0.3),n=100)
plot(x)
acf(x)
y <- arima.sim(list(ar=0.8),n=100)
plot(y)
acf(y)
# Il y a une plus forte corrélation (∼1) entre Xt et Xt−1 qu'au graph précédent.
z <- arima.sim(list(ar=-0.8),n=100)
plot(z)
acf(z) 这种对称的图就是 anti
plot(MA3)
acf(MA3)
set.seed(1707)
X <- arima.sim(n=200,list(ar=c(0.8),ma=c(-0.3,0.6)))
plot(X)
acf(X, lag.max=80)
ARIMA
acf(ARIMA$residuals)
set.seed(12345)
X <- arima.sim(n=200,list(ar=c(0.5),ma=c(0.6)))
plot(X)
12.
1. install.packages("forecast")
library(forecast)
1) f<-auto.arima(ARMA21,max.d=0,stationary=TRUE, seasonal=FALSE)
acf(Res)
{# fonction pour calculer les p-value d'un modele arima avec éventuellement
contraintes sur certains paramètres modarima = reg.av3
t_stat(ARIMA)
Parfois le modèle ajusté n'est pas égal au modèle simulé + modification des
pvalues
plot(seriediff)
plot(fcast_arima)
2. Affichez le summary de ces prédictions. Que vaut la prédiction pour le mois
d'aout 1961?
fcast_arima_summary
1.