méthodes de prévision (stt-3220)
DESCRIPTION
Méthodes de prévision (STT-3220). Section 2 Transformation stabilisatrice de variance; moindres carrés pondérés; moindres carrés repondérés Version: 22 août 2005. Transformation stabilisatrice de variance. Technique qui vise à contrer certains problèmes d’hétéroskédasticité. - PowerPoint PPT PresentationTRANSCRIPT
Méthodes de prévision (STT-3220)
Section 2
Transformation stabilisatrice de variance; moindres carrés pondérés; moindres
carrés repondérés
Version: 22 août 2005
STT-3220; Méthodes de prévision2
Transformation stabilisatrice de variance
Technique qui vise à contrer certains problèmes d’hétéroskédasticité.
Considérons une variable aléatoire yi, et posons également:
On considère une certaine fonction et on développe en série de Taylor la fonction autour du point :
iiyE f
iyfi
STT-3220; Méthodes de prévision3
Développement au premier ordre
On obtient donc:
Ici est la dérivée première évaluée en . On applique la variance de chaque côté de la
formule précédente:
iiiii yffyf ' if ' i
22
2
'
'
ii
iii
f
yVfyfV
STT-3220; Méthodes de prévision4
Résolution d’une petite équation différentielle
Ceci suggère de chercher la fonction qui satisfait la relation:
Ceci implique:
f 222' cf ii
ii
iii
ii
iii
i
dc
dff
dc
dfc
f
'
''
STT-3220; Méthodes de prévision5
Exemple 1.
Supposons que:
Résoudre l’équation donne:
On pourrait donc poser et considérer la transformation logarithmique.
222iiii yEyV
xcdxx
cxf log
1c
STT-3220; Méthodes de prévision6
Exemple 2.
Supposons que:
Résoudre l’équation donne:
On peut poser et considérer la transformation racine carrée.
02 iiii yEyV
xcdxx
cxf 2
21c
STT-3220; Méthodes de prévision7
Moindres carrés pondérés et repondérés
Exemple. Supposons que l’analyste est amené à estimer un modèle de la forme:
Pour les fins de l’illustration, la variable dépendante correspond à un nombre d’usagers d’un système (ex: un guichet automatique).
kTkky βxlog
ky
STT-3220; Méthodes de prévision8
Exemple (suite)
Une modélisation possible pourrait être:
Dans un tel cas: Puisque le modèle de régression est un
modèle transformé:
kk Poissony : kkk yEyV
kkk
k yEyEyE
yV 1
21
log
STT-3220; Méthodes de prévision9
Moindres carrés pondérés
Dans l’exemple précédent, effectuer les moindres carrés pondérés suggère de résoudre:
De plus, la discussion précédente suggère de prendre les poids:
Or ces poids ne sont pas connus!
2
log βxTkkk yw
kkk yEw
kTkky βxlogRappel:
STT-3220; Méthodes de prévision10
Moindres carrés repondérés
Puisque les poids sont inconnus, on peut tenter de les estimer.
La technique des moindres carrés repondérés (en anglais: Iteratively Reweighted Least Squares ou IRLS) est une procédure itérative qui cherche à effectuer des moindres carrés pondérés avec des poids estimés.
On doit répéter l’algorithme jusqu’à convergence.
2
log βxTkkk ywRappel:
kk yEw
STT-3220; Méthodes de prévision11
Algorithme pour IRLS On va donner l’algorithme pour notre exemple.
Il faut modifier l’algorithme, cas par cas.
Étape 1. (Initialisation des poids) Poser
Étape 2. (Régression usuelle) Faire une régression usuelle, dans notre exemple de la variable sur . Garder OLS de
Étape 3. (Estimation des poids) Notons l’estimateur courant Calculer les poids. Dans notre exemple:
kwk ,1
kylog kx
βxβx ˆexpˆ; Tkkkw
STT-3220; Méthodes de prévision12
Algorithme pour IRLS (suite)
Étape 3. (suite) On note que les poids sont fonction de On utilise donc les valeurs prédites:
Étape 4. (Moindres carrés pondérés) Résoudre en utilisant les poids estimés. Garder WLS de
Étape 5. Retourner à l’étape 3. On fait les Étapes 3 à 5 jusqu’à convergence.
kk yEw
βxβx ˆexpˆˆˆlog Tkk
Tkk yy
2
log βxTkkk yw