Régressions et Séries Temporelles
AHAMADOU TRAORE
2024-10-14
Exemple détaillé de RMarkdown pour une présentation Beamer
Introduction
▶ Régression : Technique statistique pour modéliser la relation
entre une variable dépendante et une ou plusieurs variables
explicatives.
▶ Séries temporelles : Données collectées à intervalles
réguliers.
Lien entre régressions et séries temporelles
▶ Régressions traditionnelles : supposent l’indépendance des
observations.
▶ Séries temporelles : corrélation temporelle (dépendance des
observations dans le temps).
▶ Exemple : Modèles ARIMA pour capturer cette dépendance.
Régression linéaire simple
▶ Modèle : 𝑌 = 𝛼 + 𝛽𝑋 + 𝜖
▶ 𝑌 : Variable dépendante
▶ 𝑋 : Variable explicative
▶ 𝛼 : Interception
▶ 𝛽 : Coefficient de pente
▶ 𝜖 : Erreur aléatoire
Exemple de régression linéaire simple
▶ Exemple : Prévoir les ventes en fonction du prix.
▶ Attente : Une relation négative entre le prix et les ventes.
Exemple de régression linéaire
9
8
7
Ventes
6
5
4
3
2 4 6 8 10
Prix
Régression multiple
▶ Modèle : 𝑌 = 𝛼 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 + 𝜖
▶ Plusieurs variables explicatives : Exemple de prévision de
ventes en fonction du prix, de la publicité, et de la qualité du
produit.
Régression logistique
▶ Utilisée pour prédire une variable binaire.
▶ Modèle logistique :
𝑃 (𝑌 = 1)
log ( ) = 𝛼 + 𝛽1 𝑋1 + ⋯ + 𝛽𝑛 𝑋𝑛
1 − 𝑃 (𝑌 = 1)
Régression polynomiale
▶ Utilisée pour modéliser des relations non linéaires.
▶ Modèle : 𝑌 = 𝛼 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝛽3 𝑋 3 + 𝜖
Introduction aux séries temporelles
▶ Données collectées à des intervalles réguliers (ex : cours de
bourse, météo).
▶ Objectif : Identifier des patterns (tendance, saisonnalité) pour
la prédiction.
Composantes des séries temporelles
▶ Tendance : Orientation générale des données.
▶ Saisonnalité : Fluctuations régulières liées aux cycles.
▶ Cycle : Fluctuations économiques à long terme.
▶ Bruit : Variations aléatoires.
Autocorrélation
▶ Lorsque les observations sont corrélées avec elles-mêmes à
différents délais (lags).
▶ Important à modéliser dans les séries temporelles car cela
influence les prédictions.
Stationnarité
▶ Une série est stationnaire si ses propriétés statistiques restent
constantes dans le temps (moyenne, variance).
▶ La stationnarité est essentielle pour appliquer des modèles
comme ARIMA.
▶ Techniques de transformation : différenciation, logarithmes.
Modèles ARIMA
▶ ARIMA : AutoRegressive Integrated Moving Average
▶ Combinaison de :
▶ AR : Auto-régression
▶ I : Différenciation pour stationnarité
▶ MA : Moyenne mobile
Exemple d’ARIMA
▶ Exemple d’usage : Prévision des ventes mensuelles d’un
produit.
Prévision avec ARIMA
700
600
500
400
300
200
100
1950 1952 1954 1956 1958 1960 1962
Modèles SARIMA
▶ Extension des modèles ARIMA pour inclure la saisonnalité.
▶ SARIMA est utile pour des séries temporelles avec un
comportement cyclique (ex : les ventes saisonnières).
Modèles VAR
▶ VAR (Vector Auto-Régressif) : Modélisation multivariée où
plusieurs séries sont interconnectées.
▶ Exemple : Relations entre le PIB, l’inflation, et les taux
d’intérêt.
Défis dans les séries temporelles
▶ Autocorrélation des résidus.
▶ Non-stationnarité des données.
▶ Multicolinéarité.
Tests de diagnostic
▶ Test de Dickey-Fuller : Pour vérifier la stationnarité.
▶ Test de Durbin-Watson : Pour l’autocorrélation.
▶ Test de Ljung-Box : Pour vérifier l’indépendance des résidus.
Application : Prédiction des prix des actions
▶ Utilisation des modèles ARIMA pour la prévision des cours de
bourse.
Prévision des prix des actions
2
1
0
−1
−2
2 4 6 8 10
Avancées récentes
▶ Intégration des séries temporelles avec le machine learning.
▶ Modèles hybrides qui combinent réseaux de neurones et
ARIMA pour une meilleure précision.
Conclusion
▶ Les régressions et les séries temporelles permettent de
modéliser et prédire des phénomènes dans divers domaines
(économie, finance, climat).
▶ Les avancées technologiques ouvrent des perspectives pour
des modèles plus sophistiqués.
Merci pour votre attention !
“‘
Instructions supplémentaires :
1. Sauvegarde le fichier : Une fois le code ci-dessus collé dans
un fichier .Rmd, sauvegarde-le sous un nom comme
presentation_beamer.Rmd.
2. Exécute la présentation :
▶ Dans RStudio, clique sur Knit pour générer le fichier PDF
avec la présentation Beamer.
Ce fichier va générer automatiquement une présentation Beamer
avec 34 diapositives minimum. Le contenu inclut des graphiques
simples pour illustrer certains concepts (par exemple, la régression
linéaire et les modèles ARIMA) en utilisant les capacités de
génération graphique de R directement dans la présentation.
Tu peux personnaliser le thème, ajouter des images, et ajuster le
contenu selon tes préférences.