Pr : Elmostafa Erraitab
PhD in Econometrics and Data Analysis
Department of Airport Plannification & PMO
Head of Statistics and Forecasting Department
National Airport Authorities
Analyse des
Séries
Temporelles
Partie I
Analyse des séries temporelles
Partie I
Les prérequis du cours
• Moments of a distribution: Fully caracterizing the distribution
• Estimation Methods: Method of moments versus Maximum Likelihood Estimation
• Basic Estimators: Approach and sampling distribution
• Statistical inference: Confidence intervals and Hypothesis testing
What is a Time Series ? Formal Definition
• Un processus stochastique est une collection de variables aléatoires
définie sur l’espace de probabilité
Une série chronologique est un processus stochastique dans lequel T est un ensemble de
points dans le temps, généralement on a :
• Note : Le terme ‘’séries chronologiques’’ est aussi utilisé pour désigner les réalisations de
tel processus.
• Le niveau de granularité du temps d'une année à une minute dépend de l'objectif du
problème traité.
• La granularité du temps dépend également des ressources nécessaires pour observer le
processus temporel concerné et de la régularité du processus temporel au fur et à
mesure de son évolution.
What is a Time Series ?
o Une collection de données enregistrées sur une période de temps (quotidienne,
hebdomadaire, mensuelle, trimestrielle, annuelle, etc.), analysées pour comprendre le
passé, afin de
i. Faire des prévisions de l'avenir (Prévision),
ii. D'aider les gestionnaires et les décideurs à prendre des décisions éclairées et
solides (Simulations).
o Une caractéristique importante de la plupart des séries chronologiques est que les
observations adjacentes ont tendance à être corrélées (serially dependant).
o Le temps pourra être considéré comme discret :
o Notons la différence entre ‘’Predict ; Regression’’ et ‘’Forecast ; Time series’’
Time Series: Objectives
Description
• Effectuer une analyse descriptive ; tracer les données et obtenir des mesures descriptives
simples des propriétés principales des séries chronologiques.
Explication
• Trouver un modèle adéquat pour décrire la dépendance temporelle des données.
Prévisions
• Sur la base d'un échantillon de réalisations (observations), nous pouvons faire des
prévisions des réalisations futurs.
Control/Tuning
• La prévision fournira des informations supplémentaires sur le comportement des séries
chronologiques, suggérant un ajustement du modèle.
La nature des séries temporelles
Application sur R : Représentation et description de plusieurs séries temporelles
Exemple 1 : Le bénéfice par action trimestriel de 1960Q1 à 1980Q4 de la société
américaine Johnson & Johnson, Inc. (tendance à la hausse).
Les traits marquants de la série
✓ La tendance à la hausse
✓ L’augmentation de la variabilité avec le temps
✓ oscillation légèrement régulière superposée à la tendance qui semble se répéter sur
les trimestres
Exemple 2
Exemple 3 : Enregistrement vocal de la syllabe aaa ... hhh échantillonné à 10 000 points
par seconde avec n = 1020 points.
Main feature: (Regular repetition of small wavelets).
Exemple 4 : Returns of the daily New York Stock Exchange (NYSE)
(Average return of
approximately zero,
however, volatility (or
variability) of data
changes over time ).
✓ La moyenne de la série semble être stable
✓ Le rendement moyen est d’environ 0
✓ les périodes très volatiles (qui montent une volatilité élevée) ont tendance à être
regroupées
✓ Le problème de volatilité est un problème typique des séries fiancières
Exemple : Evolution du nombre mensuel de passagers transités par la voie aérienne
Main feature: (Seasonality appears to increase with the general trend)
Les composantes d’une série chronologique
En général, les séries temporelles peuvent être décomposées en 4 composantes:
la tendance séculaire, la variation saisonnière, la variation cyclique et la variation
irrégulière qui peuvent être modélisées de manière déterministe avec les fonctions
mathématiques du temps (voir la diapositive suivante).
• Tendance générale: La direction à long terme (vers le haut ou vers le bas) d'une série
chronologique.
• Variation saisonnière: Modèles de changement dans une série chronologique sur une
année qui ont tendance à se répéter chaque année.
• Variation cyclique: La montée et la descente d'une série chronologique sur des périodes
de plus d'un an.
• Variation irrégulière: Aléatoire et ne suit aucune régularité dans le modèle d'occurrence.
Les modèles décomposition de séries chronologiques
I. Le modèle de décomposition additif :
• Xt : l’observation a l’instant t
• Tt : la valeur du trend a l’instant t
• S t : la fluctuation saisonnière a l’instant t
• Ct : la fluctuation cyclique a l’instant t
• I t : la variation non régulière a l’instant t
II. Le modèle de décomposition multiplicatif :
III. Le modèle de décomposition mixte : Par exemple, si Tt t Ct sont corrélées entre elles,
mais elles sont indépendantes de St et It , le modèle sera écrit comme suit :
Tendance séculaire : Exemple de graphiques
• L'augmentation ou la diminution des mouvements d'une série chronologique qui ne
semble pas être périodique est appelée tendance.
Variation saisonnière: exemple de graphique
• Fluctuations à court terme dans une série chronologique qui se produisent
périodiquement au cours d’une année. Cela continue à se répéter année après année,
bien que le terme soit plus généralement appliqué à la répétition de certains schémas
(Patterns) dans une période donnée, comme les réservations de restaurant à différents
jours de la semaine.
Variation cyclique: exemple de graphique
• Mouvements à la hausse ou à la baisse récurrents dans une série chronologique où la
période du cycle est supérieure à un an. De plus, ces variations ne sont pas régulières
comme les variation saisonnière.
Décomposition des séries chronologiques sur R
• Dans R, la fonction decompose( ) estime les effets de tendance, saisonniers et irréguliers
en utilisant la méthode des moyennes mobiles (MA). Dans ce cas, la série se décompose
en 3 composantes: composante de tendance-cycle, composante saisonnière et
composante irrégulière.
• Le modèle de décomposition additif :
• Le modèle de décomposition multiplicatif :
• Où T t est la composante du cycle de tendance (contenant à la fois des
composantes de tendance et de cycle).
La fonction decompose() sur R ; Exemple
• Atmospheric concentrations of CO2 (monthly from 1959 to 1997).
• ## decompose function ; Exemple
• D <- decompose(co2)
• [Link] <- D$figure; [Link] <- D$trend
• [Link] <- D$random; plot(D)
Procedure for Decomposition
1. Décomposer la série en ses composantes, par exemple, modèle multiplicatif :
2. Créez la série de moyennes mobiles centrées
3. Désaisonnaliser la série (Dessaisonalisation signifie: supprimer les effets saisonniers
lorsque le schéma saisonnier de la période m existe). Cela se fera comme suit:
i. Trouver la ratio
ii. Prendre la moyenne de chaque saison correspondante pour éliminer le terme
irrégulier (caractère aléatoire) et obtenez les indices saisonniers.
iii. Normaliser les indices saisonniers pour obtenir SIt (diviser la valeur de chaque
indice saisonnier par la somme de toutes les valeurs des indices puis multiplier par
m) pour s’assurer qu’ils sont en moyenne à 1 (somme = m).
iv. Trouvez le ratio de (c'est la série désaisonnalisée )
4. Estimer la tendance pour les séries désaisonnalisées.
5. Prévoir les valeurs futures de chaque composante
6. Résaisonnaliser les prévisions
Estimating the Seasonality: Moving Averages Method
• La méthode des moyennes mobiles (Moving Averages) permet de lisser les fluctuations
à court terme et d’identifier la tendance de long terme de la série originale (c.-à-d. Créer
une série lisse afin de réduire les fluctuations aléatoires de la série originale et d’estimer
la composante tendance-cycle).
• Les moyennes mobiles de longueur sont obtenues en prenant la moyenne du
sous-ensemble initial de m observations consécutives (en général, m désigne le modèle
saisonnier des m périodes). Ensuite, le sous-ensemble est modifié en "décalant vers
l'avant"; c'est-à-dire en excluant la première observation de la série et en incluant la
prochaine observation suivant le sous-ensemble initial de la série. Cela crée un nouveau
sous-ensemble de m observations consécutives, qui sont moyennées. Répétez les
procédures jusqu'à ce que vous obteniez les moyennes mobiles de la période m.
• Continue to next slide ...
Moyennes Mobiles Centrées (Centered Moving Averages(MA))
• Si m est impair, MA est appelée moyenne mobile centrée. Par exemple: Pour les données
d'observations a; b; c; d; e; f; g, les moyennes mobiles de périodicité 3 (ou de longueur 3)
sont :
• Si m est pair, nous appliquons une moyenne mobile de longueur 2 sur la série résultante
créée par la moyenne mobile de même longueur, m, pour obtenir la série de moyennes
mobiles centrées. Par exemple: Les moyennes mobiles sur une plage de 4 sont:
• De sorte que les moyennes mobiles centrées seront :
Example: Moving Averages Method
R-code: The Centered of Moving Averages Series
## Exp: The Centered of Moving Averages Series
x <- c(10,14,11,21,11,16,10,22,14,18,13,22,13)
y <- numeric() ; z <- numeric(); w <- numeric()
## Compute three-years moving averages (say: y)
for (i in 1: (length(x)-2)){y[i] <- sum(x[i:(i+2)])/3}
## Compute four-years moving averages (say: z)
for (i in 1: (length(x)-3)){z[i] <- sum(x[i:(i+3)])/4}
## Compute two-years moving averages (say: w)
for (i in 1: (length(z)-1)){w[i] <- sum(z[i:(i+1)])/2}
round(y,2); round(z,2) ; round(w,2)
plot(ts(x,start=1986),ylab="original series and MA")
points(ts(y,start=1987),pch=1,type="o",col="red")
points(ts(w,start=1988),pch=8,type="b",col="blue")
legend(x="bottomright",c("original series","MA(m=3)",
+ "MA (m=4)"),col=c(1,2,4),[Link]="green4",
+ pch=c(46,1,8),lty=c(1,19,15),merge=TRUE,bg='gray95')
title(main="Smoothing curve: centered moving averages")
Example - Deseasonalizing Using Moving Averages Method
Example: Computing Moving Averages
Example: Computing Seasonal Ratios
• Question : Que représente le vecteur Ratio ?
Example: Calculating Raw Seasonal Indices
Example: Normalizing Seasonal Indices (Make Sum SI =4)
• Question : Que représente le vecteur SI ?
Example: Deseasonalizing Raw Data
Estimation du trend
Estimation du trend : Méthode des moindres carrés
Méthode des moindres carrés : Root Mean Square Error
Méthode des moindres carrés : Root Mean Square Error
• Question :
• Calculer la valeur prédite du 3 ème q de l’année 1997
R Code
Regression Line for Deseasonalized Data
Regression Line for Deseasonalized Data
Plot the Forecast - 2 Years (8 Quarters) Ahead
Eliminating the Cycle Component (Multiplicative Models)
Forecasts Using Exponential Smoothing Method
Exponential Smoothing Weighted MA (EWMA)
Example - Forecasts Using Exponential Smoothing
• Pour les observations quotidiennes suivantes, utilisez la méthode de lissage exponentiel
avec deux paramètres de lissage différents alpha = 0.2 et 0.4 pour prévoir le jour à venir.
• Quelle est la valeur optimale de l'alpha?
Example - Forecasts Using Exponential Smoothing
Exponential Smoothing in R
• Le lissage exponentiel est un cas particulier de l’algorithme de Holt-Winters implémenté
dans la fonction R HoltWinters ( ) où les paramètres supplémentaires beta et gamma sont
définis sur FALSE.
• Si nous ne spécifions pas de valeur pour alpha, la fonction HoltWinters ( ) estimera la
valeur minimisant le MSE.
Example - Forecasts Using Exponential Smoothing in R
• Voir l’exercice sur R.
• ## Example - Forecasts Using Exponential Smoothing in R
Example - Forecasts Using Exponential Smoothing in R
The Mean Function
The Autocovariance Function
The Autocorrelation Function
Remarks
The Plot of the Autocovariance and Autocorrelation
(Correlogram) Functions
Sample Autocovariance and Autocorrelation
Example - Sample Autocorrelation
Example - Sample Autocovariance and Autocorrelation
Stationary Models
• Définition :
• Modèles stationnaires: Suppose que le processus reste en équilibre statistique avec des
propriétés probabilistes qui ne changent pas avec le temps, variants notamment autour
d'un niveau moyen constant et d'une variance constante.
Exemple d’un processus stationnaire Exemple d’un processus non stationnaire
• Le processus stationnaire a un seul image, par contre les processus non stationnaires
peuvent se présenter selon plusieurs formes !
Why does a time series has to be stationary?
• La stationnarité étant définie de manière unique, il n'y a qu'un seul moyen pour que les
données de série chronologique soient stationnaires, mais il en existe de nombreux autres
pour qu'il soit non stationnaire. Ainsi, la stationnarité est nécessaire pour modéliser la
structure de dépendance de manière unique.
• Il est préférable que les estimateurs de paramètres tels que la moyenne et la variance, s’ils
existent, ne soient pas modifiés au fil du temps.
• Dans la plupart des cas, les données stationnaires peuvent être approximées avec le
modèle ARMA stationnaire, comme nous le verrons plus loin.
• Les processus stationnaires nous permettent d’éviter le problème de la régression
fallacieuse. (Existence d’une variable latente ; le temps)
Strong (Strictly) Stationarity
Weak (Covariance) Stationarity
Remarks
Some Useful Trigonometric Functions
Stationary and Non-stationary Examples
White Noise Process
White Noise Process
A Simulated Gaussian White Noise Series
• Simulation sur R :
R> [Link](646)
R> [Link] <- rnorm(200)
R> [Link]<- ts([Link])
R> par(mfrow=c(1,3))
R> plot([Link],ylab="Gaussian Series",main="White Noise")
R> acf([Link], main="Autocorrelation Function")
R> acf([Link], type="partial", main="Partial ACF")
Backward (Lag), Forward (Lead) and Difference Operators
Backward (Lag), Forward (Lead) and Difference Operators
Backshift, Forward and Difference Operators in R
Transform Data to Stationary: Detrending vs. Differencing
Detrending vs. Differencing
Linear Processes
• Pour une série temporelle stationnaire sans tendances ni effets saisonniers. Et si
nécessaire, les tendances, les effets saisonniers ou cycliques ayant déjà été enlevés de la
série, nous pourrions construire un modèle linéaire pour une série chronologique avec
autocorrélation. Les cas particuliers les plus importants de processus linéaires sont:
• Modèle autorégressif (Autoregressive Model(AR)),
• Modèle de moyenne mobile (Moving-Average Model (MA)),
• Modèle autorégressif de moyenne mobile (Autoregressive Moving Average Model
(ARMA)),
• Modèle Autorégressif Moyenne mobile Intégrée (Autoregressive-Integrated-Moving
Average Model (ARIMA)).
• Ces modèles peuvent être utilisés pour mieux comprendre et pour prédire l’évolution
future d’une série chronologique.
Autoregressive (AR ) Models With Zero Mean
• Voir Application sur R :
[Link](12345) #Pour produire les mêmes Random Number Generation
[Link]<-[Link](n=100,list(order=c(1,0,0),ar=0.8)) # Simulate from an ARIMA Model
par(mfrow=c(1,3)) # Set or Query Graphical Parameters
plot([Link], ylab="X(t)", main="A simulated AR(1)") # Generic X-Y Plotting
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
• Voir Application sur R :
[Link](12345)
[Link]<-[Link](n=100,list(order=c(1,0,0),ar=-0.8)) # Remarquer que le para phi
est négatif
par(mfrow=c(1,3))
plot([Link], ylab="X(t)", main="A simulated AR(1)")
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
• Voir Application sur R :
[Link](1965)
ar2<-[Link](n=200,list(order=c(2,0,0),ar=c(1.1,-0.3))) # Permet de simuler un AR(2)
par(mfrow=c(1,3))
plot(ar2, ylab="X(t)", main="A simulated AR(2)")
acf(ar2, main="Autocorrelation Function")
acf(ar2, type="partial", main="Partial ACF")
Moving Average (MA ) Models
• Voir Application sur R :
[Link](6436)
[Link]<-[Link](n=200,list(order=c(0,0,1),ma=0.8)) # Permet de simuler un MA(1)
par(mfrow=c(1,3))
plot([Link], ylab="X(t)", main="A simulated MA(1)")
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
• Voir Application sur R :
[Link](14762)
ma2<-[Link](n=200,list(order=c(0,0,2),ma=c(0.8,0.6))) # Permet de simuler un
MA(2)
par(mfrow=c(1,3))
plot(ma2, ylab="X(t)", main="A simulated MA(2)")
acf(ma2, main="Autocorrelation Function")
acf(ma2, type="partial", main="Partial ACF")
Autoregressive-Moving Average (ARMA ) Models
Autoregressive-Moving Average (ARMA ) Models
Autoregressive-Moving Average (ARMA ) Models
Three Conditions for ARMA Models
Example: Model Redundancy (Shared Common Roots in ARMA Models)
• Voir Application sur R :
[Link](6436);par(mfrow=c(1,3))
[Link]<-[Link](n=200,list(order=c(1,0,1), ar=0.8,ma=-0.6)) # Permet de simuler
un # # # # ARMA(1,1)
plot([Link],ylab="X(t)",main="A simulated ARMA(1,1)")
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
• Voir Application sur R :
[Link](6436);par(mfrow=c(1,3))
[Link]<-[Link](n=200,list(order=c(2,0,1),ar=c(0.8,-0.4),ma=-0.6)) # Permet de
simuler # # un ARMA(2,1)
plot([Link],ylab="X(t)",main="A simulated ARMA(2,1)")
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
• Voir Application sur R :
[Link](6436);par(mfrow=c(1,3))
[Link]<-[Link](n=200,list(order=c(1,0,2),ar=0.8,ma=c(-0.6,0.4)))
plot([Link],ylab="X(t)",main="A simulated ARMA(1,2)")
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
Some Examples of ARMA (p; q) Process
Some Examples of ARMA (p; q) Process
Autoregressive-Integrated-Moving Average (ARIMA ) Models
Remarks
Some Examples of ARIMA(p; d; q) Process
• Voir Application sur R :
[Link](6436);par(mfrow=c(1,3))
[Link]<-[Link](n=200,list(order=c(2,1,1),
ar=c(0.8,-0.4),ma=-0.6))
plot([Link],ylab="X(t)",main="A simulated ARIMA(2,1,1)")
acf([Link], main="Autocorrelation Function")
acf([Link], type="partial", main="Partial ACF")
Seasonal ARIMA (SARIMA ) Models
Seasonal ARIMA (SARIMA ) Models
Remarks
Seasonal Patterns and Correlogram
Figure : Réservations de passagers aériens internationaux aux États-Unis de 1949-1960.
• Il y a une variation saisonnière évidente. À l'époque, les réservations étaient plus fortes
pendant les mois d'été de Juin à Août et plus faibles pendant les mois d'automne Novembre
et d'hiver Février.
Remove Trend and Seasonality Using decompose ( )
Second order properties of MA(1) Models
Second order properties of MA(1) Models
Second Order Properties of MA(q) Models
ACF for Simulated MA (1) and MA (2) process
Example: The ACF of MA(q) Models
Invertibility of MA(q) Models
MA (1) in an In finite AR Representation AR (1)
MA (1) in an In finite AR Representation AR (1)
Examples - Invertibility of MA(1) Models
Finding the Roots in R
• Voir Application sur R :
Cramer's Rule
Partial Autocorrelation Function (𝑃𝐴𝐶𝐹)
Partial Autocorrelation Function (𝑃𝐴𝐶𝐹)
A Numerical Example: How to Calculate 𝑃𝐴𝐶𝐹
Remarks
Sample PACF : Levinson-Durbin Recursive Method
A Numerical Example: How to Calculate PACF
A Numerical Example: How to Calculate PACF
Testing Randomness Based on Individual Autocorrelations
Testing Randomness Based on Individual Autocorrelations
Plot of Autocorrelation & Partial Autocorrelation Functions
Random Walk Process
Random Walk Process is Not Stationary
Random Walk Process is Not Stationary
Test for Non-stationarity: Dickey-Fuller Test Statistics
Dickey-Fuller Unit Root Test Statistics
Test for Non-stationarity: Dickey-Fuller Test Statistic
Critical Values for the Dickey-Fuller Unit Root Statistics
Transform a Non-stationary Series to a Stationary Series
Simulated Random Walk Series
• Voir Application sur R :
Test for a unit root with drift and deterministic time trend
• Voir Application sur R :
• Voir Application sur R :
Analyse des séries temporelles
Partie II
Modeling approach : Box-Jenkins methodology
Examine the time plot of the series
• L'une des étapes les plus importantes d'analyse préliminaire de séries temporelles consiste
à tracer les données ; c'est-à-dire faire une visualisation en fonction du temps des données
de l’échantillon. En R, cela est réalisé avec la fonction générique [Link]().
• Un diagramme d’une série temporelle met l'accent non seulement sur les modèles et les
caractéristiques des données, mais peut également indiquer les valeurs aberrantes, les
valeurs manquantes et erronées.
Examine the time plot of the series (Cont.)
• Les valeurs aberrantes sont des observations qui sont fortement incompatibles avec le
reste des données de la série temporelle. Ils peuvent grandement affecter les résultats de
l'analyse.
• Le diagramme d'une série non stationnaire peut indiquer une tendance, une saisonnalité
ou un changement de la variance en fonction de temps. Dans ce cas, transformer la série
pour être stationnaire est nécessaire. Nous pouvons détrender (supprimer la tendance
après l’avoir estimé) la série
Outliers detection: Sample chart
Plot of the series - model identication stage: example 1
• Bénéfice trimestriel par action du premier trimestre 1960 au quatrième trimestre 1980
de la société américaine Johnson & Johnson, Inc. (tendance à la hausse).
Plot of the series - model identification stage: example 2
• Un petit échantillon 0.1 seconde (1000 points) du discours enregistré pour la phrase "aaa .
.. hhh". (Répétition régulière de petites ondelettes).
Plot of the series - model identification stage: example 3
• Nombre annuel de pièges de lynx dans la rivière McKenzie dans les Territoires du Nord-
Ouest du Canada au cours des années 1821-1934. (Cycles apériodiques d'environ 10 ans).
Plot of the series - model identification stage: example 4
• Nombre mensuel de passagers aériens 1949-1960. (La saisonnalité semble augmenter
avec la tendance générale).
Plot of the series - model identification stage: example 5
• Rendements de la Bourse de New York (NYSE) du 2 février 1984 au 31 décembre 1991.
(Rendement moyen d'environ zéro, toutefois, la volatilité (ou la variabilité) des données
change avec le temps).
La m
dépa odélisatio
s n
genre se l’étend de cet
de u de te s
mod é
élisée série c e cours rie
type s ,
GARC par de sont pl ce
H s mo u
dèles tôt
de
Examine ACF& PACF for ARIMA model identification
• Les fonctions ACF et PACF sont utilisées pour identifier le modèle ARMA (p; q) approprié,
où les ordres p et q peuvent être identifiés à l’aide des fonctions d’autocorrélation
échantillonale et d’autocorrélation partielle échantillonale.
• Le tableau suivant résume le comportement théorique de l'ACF et du PACF des modèles
ARMA.
Questions :
Expliquer le comportement d’ACF du processus Random Walk
ACF and PACF for simulated AR (1)
Figure : Processus AR(1) simulés avec des coefficients
ACF and PACF for simulated AR (2 )
Figure : Processus AR(2) simulés
ACF and PACF for simulated MA(1)
Figure : Processus MA(1) simulés avec des coefficients
ACF and PACF for simulated MA(2)
Figure : Processus MA(2) simulés
ACF and PACF for simulated ARMA (1, 1)
ACF and PACF for simulated ARMA (2,1) & ARMA (1, 2)
Figure : Processus ARMA(2,1) & ARMA(1,2) simulés
A simulated ACF and PACF of white noise series
Figure : ACF et PACF d’une série de type bruit blanc
A simulated ACF and PACF of a random walk
Figure : ACF et PACF d’un processus random walk.
Examine ACF & PACF for SARIMA model identification
A simulated ACF and PACF of SAR model
Figure : ACF et PACF des modèles SAR(1) simulés, (s=4,12)
Main techniques for model verification
Residual analysis: testing for randomness
Residual analysis: testing for randomness
Portmanteau test statistics
Box-Pierce and Ljung-Box portmanteau tests
Chi-square distribution table
Generalized variance portmanteau test
Time series forecasting
Forecasting AR models
Forecasting AR models
Les statistiques, c’est comme le bikini : ça donne des
idées mais ça cache l’essential !
Coluche
The best thing about being a statistician is that you
get to play in everyone's backyard.
John Tukey