-
Notifications
You must be signed in to change notification settings - Fork 0
/
serie_16.Rmd
286 lines (195 loc) · 6.29 KB
/
serie_16.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
---
title: "Étude de la série temporelle 16"
author: "OSMAN Ahmed"
date: "2/9/2022"
output:
pdf_document: default
html_document: default
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(timeSeries)
```
## Importation :
```{r}
data <- scan("serie_16.dat")
# transformation en série temporelle
x <- ts(data[-205], frequency = 12, start = c(2000, 1), end = c(2016, 12))
```
## Décomposition de la série temporelle :
### Éstimation de la tendance m :
On crée un vecteur **`m`** tel que :
- les 6 premières et dernières coordonnées valent **`NA`**.
- sinon :
$$
m_{t}=\frac{1}{12}\left(\frac{1}{2} X_{t-6}+\sum_{i=t-5}^{t+5} X_{i}+\frac{1}{2} X_{t+6}\right)
$$
```{r}
# Fonction qui estime la tendance
tendance_estim <- function(X) {
m <- rep(NA, times = length(X))
for(i in 7:(length(X)-6))
m[i] <- (0.5*X[i-6] + sum(X[(i-5):(i+5)]) + 0.5*X[i+6])/12
return(ts(m, frequency = 12))
}
# Estimation de notre serie
estimation_m <- tendance_estim(x)
estimation_m
```
### Estimation de la saisonnalité s :
- On crée un vecteur $w_k$ qu'on le recentra pour estimer la saisonnalité, avec $w_k$ :
$$
w_{k}=\frac{1}{17} \sum_{j=1}^{17}\left(X_{k+12(j-1)}-m_{k+12(j-1)}\right)
$$
```{r}
saisonalite_estim <- function(X) {
m <- tendance_estim(X)
w <- rep(NA, times = 12)
for (k in 1:12) {
ind <- k+12*((1:17)-1)
w[k] <- mean(x[ind] - m[ind], na.rm=T)
}
s <- w - mean(w)
s <- ts(rep(s, 15), frequency = 12)
return(s)
}
estimation_s <- saisonalite_estim(x)
estimation_s
# plot(estimation_s)
```
### Estimation du bruit :
On estime le bruit en retranchant la tendance et la saisonnalité de notre série temporelle.
```{r, warning = FALSE}
# Bruit
estimation_z <- c(x) - c(estimation_m) - c(estimation_s)
estimation_z <- ts(estimation_z)
estimation_z
# décomposition du bruit en base train et test.
n <- length(na.omit(estimation_z))
# on choisit les 6 dernière valeurs qu'on prédira
z_test <- window(estimation_z, 187, 192)
# on prend le reste comme la base d'apprentissage
z_train <- window(estimation_z, 1, 186)
```
### Comparaison avec la fonction decompose
```{r}
dec <- decompose(x)
par(mfrow = c(3, 2))
# comparaison de la tendance m :
plot(estimation_m)
plot(dec$trend)
# comparaison de la saisonnalité s :
plot(estimation_s)
plot(dec$seasonal)
# comparaison du bruit z :
plot(estimation_z)
plot(dec$random)
```
```{r}
ts.plot(data)
#plot.ts(data)
monthplot(data)
lag.plot(rev(data), 12, layout = c(3, 4), diag.col = 2)
```
---
```{r}
dec <- decompose(x)
plot(dec)
```
```{r}
# stationnarité des résidus Z
acf(na.omit(estimation_z))
# paril qu'avec z_train
acf(na.omit(z_train))
# acf(na.omit(dec$random))
```
On remarque que d'après cette figure que la stationnarité Z des résidus est bien vérifiée.
## Proposition et estimation des modèles ARMA pour le résidu
```{r}
par(mfrow = c(1, 2))
# Pour l'estimation de MA
acf(na.omit(estimation_z)) # MA(5)
# Pour l'estimation de AR
pacf(na.omit(estimation_z)) # AR(6)
```
D'après les graphes précédents, on peut proposer un modèle ARMA(6, 5).
On procedera par la méthode backward et on enlevera les derniers coefficients non significatifs.
```{r}
modele1 <- arima(na.omit(z_train), order = c(6, 0, 5))
modele1
```
### Testons maintenant la blancheur des résidus :
```{r}
acf(modele1$residuals)
```
On voit d'après le graphique que les résidus sont corrélés (le 19ème individu), ainsi on peut constater que les résidus ne sont pas blancs, on rejette donc le modèle.
Proposons un autre modèle : ARMA(5, 5)
```{r}
modele2 <- arima(na.omit(z_train), order = c(5, 0, 5))
modele2
```
### Testons maintenant la blancheur des résidus :
```{r}
acf(modele2$residuals)
```
On voit d’après le graphique que les résidus ne sont pas corrélés, ainsi on peut constater que les résidus sont blancs.
### Testons la significativité des coefficients
```{r}
confint(modele2)
```
On remarque bien que 0 appartient à l'intervalle de confiance des estimateurs : ar1, ar3, ar5, ma1, ma3.
ainsi ces coefficients ne sont pas significatifs.
On peut enlever le coefficient ar5 et donc proposer un nouveau modèle ARMA(4, 5)
```{r}
modele3 <- arima(na.omit(z_train), order = c(4, 0, 5))
acf(modele3$residuals)
```
On voit d’après le graphique que les résidus ne sont pas corrélés, ainsi on peut constater que les résidus sont blancs.
### Testons la significativité des coefficients
```{r}
confint(modele3)
```
On remarque bien que 0 n'appartient à l'intervalle de confiance des estimateurs : ar4 et ma5
ainsi ces coefficients sont pas significatifs.
On peut aussi proposer un autre modèle comme MA(5) :
```{r}
modeleMA <- arima(na.omit(z_train), order = c(0, 0, 5))
acf(modeleMA$residuals)
```
On voit d'après le graphique que les résidus sont corrélés (l'avant dernier individu), ainsi on peut constater que les résidus ne sont pas blancs, on rejette donc le modèle.
On pouvait aussi proposer un modèle AR(6) :
```{r}
modeleAR <- arima(na.omit(z_train), order = c(6, 0, 0))
acf(modeleAR$residual)
```
Les résidus ne sont pas blancs, on rejette donc le modèle.
### Conclusion
On rejette tous les modèles sauf le modèle : ARMA(4, 5) "modele3".
## Prédiction
```{r}
predict(modele3, n.ahead = 6)
z_test
```
### Prédiction des bruits
```{r}
plot(na.omit(z_train), type = "o", pch = 19)
points(predict(modele3, n.ahead = 6)$pred, col = 2, type = "o", pch = 19)
points(z_test, col = 3, type = "o", pch = 19)
```
### Prédiction de la série
```{r}
prediction <- ts(predict(modele3, n.ahead = 6)$pred, start = c(2016, 1), end = c(2016, 6), frequency = 12)
estimation_m <- ts(estimation_m, start = c(2000, 1), end = c(2016, 12), frequency = 12)
estimation_s <- ts(estimation_s, start = c(2000, 1), end = c(2016, 12), frequency = 12)
plot(window(x, start = c(2000, 1), end = c(2015, 12)), type = "o", pch = 19)
points(prediction +
window(estimation_s, start = c(2016, 1), end = c(2016, 6)) +
window(estimation_m, start = c(2016, 1), end = c(2016, 6)),
col = 2, type = "o", pch = 19)
points(window(x, start = c(2016, 1), end = c(2016, 6)), col = 3, type = "o", pch = 19)
```
```{r}
ecart <- var(c(prediction) - c(z_test))
sqrt(ecart)
```
Si le graphe n'est pas trop clair, regarder l'image **prediction_serie_16.png** qui se trouve dans le même fichier.