Régression non linéaire

prévision • Méthodes qualitatives • Méthodes quantitatives Méthodes qualitatives • Dans quelles circonstances les méthodes qualitatives sont-elles appropriées? – si aucune donnée chiffrée n’est disponible. – si les données passées sont non fiables. – s’il y a des changements majeurs dans les valeurs et les comportements qui empêchent l’utilisation des données existantes. Quelles sont les méthodes qualitatives? 1. Étude de marché 2. Prévisions visionnaires 3. Méthodes Delphi

technique permet de capter la non linéarité des séries financières et macroéconomiques en prenant l’exemple du taux de change Euro/Dollar. Nous expliquons une méthode permettant d’éviter la situation de sur apprentissage. Nous quantifions également l’apport de cette technique sur les prévisions relativement à une prévision linéaire. ABSTRACT. This paper presents neural network modeling applied to times series. We show how this pattern provides a better fit of non linearity concerning financial

Économétrie Appliquée Emmanuel Flachaire Emmanuel Flachaire Plan du cours Économétrie Appliquée Quatres séances: 1. Qu'est ce que l'économétrie ? 2. Le modèle de régression simple 3. Le modèle de régression multiple 4. Applications E. Flachaire E. Flachaire A. Taranco A. Taranco Travaux dirigés: exercices appliqués en salle informatique Emmanuel Flachaire Économétrie Appliquée Plan du cours Références: 1. Behagel (2006), Lire l'économétrie, Repères, La découverte

3.3) Régression GLM 13 3.3.1) Principe général 13 3.3.2) Construction du GLM 14 3.3.3) Modèles utilisés 15 3.4) Régression PLS 16 3.4.1) Principe 16 3.4.2) Modèle PLS1 17 3.4.3) Conclusion PLS 17 3.5) Extension de la PLS au cadre du modèle linéaire généralisée 18 3.6) Critère de qualité du modèle et sélection de variables 18 3.6.1) Critère de qualité du modèle 18 3.6.2) Sélection de variables 18 3.6.3) Choix du nombre H de composantes pour la régression PLS 19

SERIES TEMPORELLES SÉRIES TEMPORELLES Une série temporelle, notée Yt est une suite d’observations à des dates données indexées par un ensemble d’indices {t1,…,tN}. La série peut présenter une périodicité (jour, mois, trimestre, année,…) ou non. 2 1 SÉRIES TEMPORELLES Exemples La variable étudiée peut être de nature : – Macroéconomique : le PIB , l’inflation – Microéconomique : les ventes d’une entreprise, le revenu d’un individu – financière : indice boursier (CAC 40), cours

Francesco Quatraro – 2010/2011 1 Le modèle de régression simple • La régression simple est le modèle le plus simple: une variable endogène est expliquée par une variable exogène Soit la fonction de production keynésienne: • – • • • • C=a0+a1Y C=consommation Y=revenu a1=propension marginale à consommer a0=consommation autonome ou incompressible Économétrie Francesco Quatraro – 2010/2011 2 Le modèle de régression simple • La variable consommation est appelée variable

d’installation du logiciel gère cela très bien. Figure 3 : Apprentissage et évaluation d’un arbre de décision sous ORANGE ORANGE est clairement d’obédience « machine learning ». On y retrouve essentiellement la trilogie : méthodes supervisées, non supervisées et règles d’association. Particularité intéressante, il intègre des outils graphiques exploratoires interactifs, il est possible par exemple de sélectionner des individus dans un nuage de points et obtenir automatiquement la liste correspondante

Plan du cours Introduction générale : rappels fondamentaux sur la démarché économétrique Chapitre 1 : Le modèle linéaire à deux variables et à plusieurs variables Chapitre 2 : L’Analyse Factorielle des correspondances A.F.C Chapitre 3 : L’Analyse Composantes Principales A.C.P 1 en BIBLIOGRAPHIE • JOHSSTON (J.), méthodes économétriques, tome 1 et tome 2, Paris, 1985. • PAULRE (B.), la causalité en économie, collection des sciences des systèmes, Lyon, 1985. • SALVATORE (D.), économétrie et statistiques

marché, 1 c’est-à-dire la différence espérée par les investisseurs lorsqu’ils placent leur argent sur le marché plutôt que sur un actif sans risque. L’interprétation est similaire pour la différence E(RA − RF ). Le coefficient βA mesure la liaison linéaire entre le rendement de l’actif A et le rendement du marché. Si ce coefficient est petit (plus petit que 1), nous dirons que le rendement de l’actif A n’est pas très sensible aux rendements du marché. Le coefficient βA est donc un indice de sensibilité

sexe MASC et d’avoir un diplôme égal ou supérieur au bac dans ce cas le taux de FORT est de 61,6%. * La différence de pourcentage de FORT lecteur est de 38,00-61,6=-23,6. C’est l’effet marginal du non diplôme dans la population masculine. * Pour la population de sexe féminin le même effet de non-diplôme est de : | FORT | FAIBLE | TOT | FORT | FAIBLE | TOT | FEMI-NDIP | 794 | 980 | 1774 | 44.8 | 55.2 | 100 | FEMI-BACS | 621 | 198 | 819 | 75.8 | 24.2 | 100 | L’effet marginal est de