Modéliser et prévoir une série temporelle à l’aide des méthodes d’apprentissage statistique
Objectifs pédagogiques
Cette formation permet de modéliser et prévoir une série temporelle à l’aide de méthodes d’apprentissages statistique : régression régularisée, GAM, MARS, arbres, SVR, etc. qu’il sera possible d’agréger.
Thèmes abordés
De nombreuses séries temporelles doivent être modélisées avec conjointement des variables retards et des variables exogènes. Si les modèles ARMAX constituent une alternative réaliste, ces modèles peuvent largement être complétés avec d’autres méthodes de régression issues en partie du monde de l’apprentissage.
Les cas pratiques seront idéalement traités sous R, mais pourront également être mis en œuvre sous Python.
Régression régularisée (Ridge, Lasso, Lars)
Modèle GAM
Modèle MARS
Méthodes locales : k-plus proches voisins et noyau de lissage.
Modèle SVR
Agrégation de modèles.
Prérequis
Bonnes connaissances du modèle de régression linéaire. En option : connaissance des modèles ARMA.
Autres thèmes en intra — Méthodes statistiques
- Analyse des séries temporelles avec SAS 2 jours
- Économétrie des modèles de durée 3 jours
- Le secret statistique : principes et pratiques 1 jour
- Statistique non paramétrique 2 jours
- Économétrie des modèles multi-niveaux 2 jours
- Modéliser et prévoir des séries temporelles mutivariées à l’aide des modèles VAR et VECM 4 jours
- Panels, enquêtes répétées dans le temps et sondages indirects 2 jours
- Plans d'expériences 3 jours
- Statistique des valeurs extrêmes 2 jours
- Biostatistique : gestion statistique de base des données de santé 3 jours
- Correction de la non-réponse dans les enquêtes 2 jours
- Modéliser et prévoir une série temporelle à l’aide des modèles ARMA (avec des compléments sur les modèles ARMAX et ARCH-GARCH) 4 jours
- Sondages avec SAS 2 jours
- Estimation sur petits domaines : travailler sur les petits échantillons 2 jours
- Bootstrap et rééchantillonnage 2 jours
