Vérifier les résidus de séries temporelles

Lorsqu’on applique une méthode de prévision, il est essentiel de vérifier que les résidus sont bien « sages » (c’est‑à‑dire sans valeurs aberrantes ni motifs) et qu’ils ressemblent à du bruit blanc. Les intervalles de prédiction sont calculés en supposant que les résidus suivent également une loi normale. Vous pouvez utiliser la fonction checkresiduals() pour vérifier ces caractéristiques ; elle fournit notamment les résultats d’un test de Ljung-Box.

Vous n’avez pas encore utilisé l’opérateur pipe (%>%), mais c’est une bonne occasion de l’introduire. Lorsque les fonctions sont fortement imbriquées, le pipe rend le code beaucoup plus lisible. Par cohérence, faites toujours suivre un nom de fonction de parenthèses pour la distinguer des autres objets, même si elle n’a pas d’arguments. Exemple ci‑dessous :

> function(foo)       # Ces deux lignes
> foo %>% function()  # sont équivalentes !

> foo %>% function    # Incohérent

Dans cet exercice, vous testerez les fonctions ci‑dessus sur les prévisions équivalentes à celles produites dans l’exercice précédent (fcgoog obtenu après application de naive() à goog, et fcbeer obtenu après application de snaive() à ausbeer).

Cet exercice fait partie du cours

Prévision en R

Afficher le cours

Instructions

À l’aide de l’opérateur pipe, exécutez checkresiduals() sur une prévision équivalente à fcgoog.
D’après les résultats du test de Ljung-Box, les résidus ressemblent‑ils à du bruit blanc ? Affectez à googwn la valeur TRUE ou FALSE.
Avec un pipe similaire, exécutez checkresiduals() sur une prévision équivalente à fcbeer.
D’après les résultats du test de Ljung-Box, les résidus ressemblent‑ils à du bruit blanc ? Affectez à beerwn la valeur TRUE ou FALSE.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Check the residuals from the naive forecasts applied to the goog series
goog %>% naive() %>% ___

# Do they look like white noise (TRUE or FALSE)
googwn <- ___

# Check the residuals from the seasonal naive forecasts applied to the ausbeer series
___

# Do they look like white noise (TRUE or FALSE)
beerwn <- ___

Modifier et exécuter le code

Cet exercice fait partie du cours

Prévision en R

DébutantNiveau de compétence

4.9+

Commencer le cours gratuitement

La première étape de toute analyse de données consiste à tracer les données. Les graphiques permettent de visualiser de nombreuses caractéristiques : structures récurrentes, valeurs inhabituelles et évolutions dans le temps. Les éléments mis en évidence dans les graphiques doivent ensuite être intégrés, autant que possible, aux méthodes de prévision retenues.

Exercise 1: Bienvenue dans la prévision avec R Exercise 2: Créer des objets de séries temporelles dans R Exercise 3: Graphiques de séries temporelles Exercise 4: Graphiques saisonniers Exercise 5: Tendance, saisonnalité et cyclicité Exercise 6: Autocorrélation d’une série temporelle non saisonnière Exercise 7: Autocorrélation des séries temporelles saisonnières et cycliques Exercise 8: Faire correspondre l’ACF à la série temporelle Exercise 9: Bruit blanc Exercise 10: Cours des actions et bruit blanc

Dans ce chapitre, vous allez découvrir des outils généraux utiles dans de nombreuses situations de prévision. Nous décrirons des méthodes de prévision de référence, des méthodes pour vérifier si une méthode de prévision exploite correctement l’information disponible, ainsi que des méthodes pour mesurer la précision des prévisions. Chacun des outils présentés ici sera réutilisé dans les chapitres suivants, au fur et à mesure que vous développerez et explorerez un éventail de méthodes de prévision.

Exercise 1: Prévisions et futurs possibles Exercise 2: Méthodes de prévision naïves Exercise 3: Valeurs ajustées et résidus Exercise 4: Vérifier les résidus de séries temporelles

Exercice en cours

Exercise 5: Jeux d’entraînement et de test Exercise 6: Évaluer la précision des prévisions pour des méthodes non saisonnières Exercise 7: Évaluer la précision des prévisions pour des méthodes saisonnières Exercise 8: Mon modèle de prévision est-il bon ?Exercise 9: Validation croisée pour séries temporelles Exercise 10: Utiliser tsCV() pour la validation croisée de séries temporelles

Les prévisions issues des méthodes de lissage exponentiel sont des moyennes pondérées des observations passées, avec des poids qui décroissent de façon exponentielle à mesure que les observations vieillissent. Autrement dit, plus l’observation est récente, plus le poids associé est élevé. Ce cadre permet de produire rapidement des prévisions fiables pour un large éventail de séries temporelles, ce qui constitue un avantage décisif et d’une grande importance pour les applications en entreprise.

Exercise 1: Prévisions à pondération exponentielle Exercise 2: Lissage exponentiel simple Exercise 3: SES vs naïf Exercise 4: Méthodes de lissage exponentiel avec tendance Exercise 5: Méthodes de tendance de Holt Exercise 6: Méthodes de lissage exponentiel avec tendance et saisonnalité Exercise 7: Holt-Winters avec des données mensuelles Exercise 8: Méthode de Holt-Winters avec des données quotidiennes Exercise 9: Modèles espace d’états pour le lissage exponentiel Exercise 10: Prévision automatique avec lissage exponentiel Exercise 11: ETS vs saisonnier naïf Exercise 12: Associez les modèles aux séries temporelles Exercise 13: Quand les ETS échouent-ils ?

Les modèles ARIMA offrent une autre approche de la prévision de séries temporelles. Le lissage exponentiel et les modèles ARIMA sont les deux approches les plus utilisées et se complètent. Alors que les modèles de lissage exponentiel décrivent la tendance et la saisonnalité des données, les modèles ARIMA visent à modéliser les autocorrélations présentes dans les données.

Exercise 1: Transformations pour stabiliser la variance Exercise 2: Transformations de Box-Cox pour les séries temporelles Exercise 3: Différenciation non saisonnière pour la stationnarité Exercise 4: Différenciation saisonnière pour la stationnarité Exercise 5: Modèles ARIMA Exercise 6: Modèles ARIMA automatiques pour des séries non saisonnières Exercise 7: Prévision avec des modèles ARIMA Exercise 8: Comparer auto.arima() et ets() sur des données non saisonnières Exercise 9: Modèles ARIMA saisonniers Exercise 10: Modèles ARIMA automatiques pour séries saisonnières Exercise 11: Explorer les options de auto.arima()Exercise 12: Comparer auto.arima() et ets() sur des données saisonnières

Les modèles de séries temporelles présentés dans les chapitres précédents fonctionnent bien pour de nombreuses séries, mais ils sont souvent moins adaptés aux données hebdomadaires ou horaires, et ils ne permettent pas d’inclure d’autres informations comme les effets des jours fériés, l’activité des concurrents, des changements législatifs, etc. Dans ce chapitre, vous verrez des méthodes capables de gérer des saisonnalités plus complexes, et vous examinerez comment étendre les modèles ARIMA afin d’y intégrer d’autres informations.

Exercise 1: Régression dynamique Exercise 2: Prévoir les ventes en tenant compte des dépenses publicitaires Exercise 3: Prévision de la demande d’électricité Exercise 4: Régression harmonique dynamique Exercise 5: Prévision de données hebdomadaires Exercise 6: Régression harmonique pour une saisonnalité multiple Exercise 7: Prévoir les réservations d’appels Exercise 8: Modèles TBATS Exercise 9: Modèles TBATS pour la demande d’électricité Exercise 10: Votre avenir dans la prévision !