Time series

lstat2170  2024-2025  Louvain-la-Neuve

Time series
5.00 crédits
30.0 h + 7.5 h
Q2
Enseignants
Langue
d'enseignement
Anglais
Préalables
Concepts et outils équivalents à ceux enseignés dans les UEs
LSTAT2020Logiciels et programmation statistique de base
LSTAT2120Linear models
Thèmes abordés
Les principaux thèmes de cette introduction aux séries chronologiques incluent la modélisation, l'estimation et la prédiction de deux types de processus - les processus linéaires et les modèles hétéroscédastiques non-linéaires. L'approche pour les deux modélisations sera essentiellement paramétrique - l'étudiant va apprendre comment quantifier l'incertitude statistique en estimation des paramètres du modèle stochastique pour la série observée dans le problème de l'objectif ultimatif, la prédiction des valeurs futures de cette série.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1 A. Eu égard au référentiel AA des programmes de master en statistique, orientation générale et orientation biostatistique, cette activité permet aux étudiants de maîtriser de manière prioritaire les AA : 1.2, 2.2, 2.3, 3.2, 3.3.
B. Après avoir suivi ce cours, l'étudiant aura acquis une compréhension logique et une maîtrise opérationnelle des modèles stochastiques utilisables pour la prévision quantitative des séries chronologiques. Il sera capable d'appliquer les principes de l'analyse Box-Jenkins et la modélisation (G')ARCH aux données réelles.
 
Contenu
  • Modélisation des séries chronologiques : introduction
  • Processus linéaires - modèles paramétriques simples (ARMA)
  • Estimation et prédiction dans des modèles ARMA
  • Méthodologie de Box et Jenkins
  • modèle (S) ARIMA
  • analyse des séries multivariées (bivariées)
  • Processus non-linéaires
  • modèles hétéroscédastiques (G)ARCH
  • Application dans le domaine des finances
Méthodes d'enseignement
Des modèles de base pour des processus linéaires seront discutés dans la première partie du cours. L'analyse des données observées à l'aide de l'estimation des paramètres du modèle ajusté se fera essentiellement avec les méthodes selon Box-Jenkins. Un traitement en pratique sur ordinateur va accompagner le développement théorique. Dans la deuxième partie du cours, on discutera quelques éléments de la modélisation non linéaires du type ARCH et GARCH avec des applications dans le domaine des données financières. Cette partie sera inclue dans l'analyse pratique sur ordinateur (à l'aide du logiciel R). Une dernière partie du cours portera sur l'extension de l'analyse sur des séries multivariees (bivariées).
Modes d'évaluation
des acquis des étudiants
L'examen se réalise comme une interrogation orale. La réalisation d'un travail pratique sur ordinateur est prévue.
Autres infos
Préalables: Une connaissance générale des concepts de base de la statistique (du niveau d'un premier cours introductif en statistique).
Ressources
en ligne
https://moodle.uclouvain.be/course/view.php?id=1960
Bibliographie
Brockwell, P. and R. Davis (1996), Introduction to Time Series and Forecasting. Springer, New York
Brockwell, P and R. Davis (1991), Time Series, Theory and Methods. Springer, New York
Gourieroux, Ch. (1992), Modèles ARCH et applications financières. Economica, Paris
Support de cours
  • Transparents sur moodle
Faculté ou entité
en charge


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en science des données, orientation statistique

Master [120] : ingénieur civil biomédical

Master [120] en statistique, orientation biostatistiques

Master [120] en sciences actuarielles

Master [120] en statistique, orientation générale

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] en sciences économiques, orientation générale

Certificat d'université : Statistique et science des données (15/30 crédits)