OEST - DGAC - base TEMIS

More documents

Recommendations

Info

TRAFIC TOTAL BASTIA NICE BIARRITZ ORLY BORDEAUX CDG LYON TOULOUSE ORLY RENNES fïg 11 : tableau des corrélations entre les variables BASTIA NICE 0,27 1 BIARRITZ ORLY 0,79 0,16 1 BORDEAUX CDG 0,57 0,03 0,52 1 LYON TOULOUSE 0,37 0,26 0,19 0,12 1 ORLY RENNES 0,53 -0,03 0,18 0,04 -0,05 II ne semble pas y avoir de risques graves de multicolinéarité des variables. Néanmoins la corrélation de 0.52 interdit l'interprétation des coefficients en termes d'élasticité (à cause des effets de cache), ce qui n'est pas crucial dans notre cas. 0.03 fîg 12 : Série des erreurs de prévision Série des résidus mois page31 1
La figure 12 permet de visualiser les résidus. On constate que les mois d'août 1988, janvier 1991, août 1992 et septembre 1994 ont été mal reconstitués par le modèle. Les mois remarquables par leur résidu "studentisé", leur levier 6 ou leur DFITS 7 ont été regroupés dans le tableau des "flagged observations". Mois janvier 1988 mai 1988 août 1988 mai 1989 novembre 1989 juin 1990 janvier 1991 août 1992 septembre 1994 Flagged Observations for total Stnd. Residual -1.25480 1.56201 -2.16841 -0.52254 -1.84322 1.69361 -2.69117 -2.36284 -2.18935 Leverage 0.18309 0.16803 0.05921 0.29105 0.09876 0.12411 0.09750 0.01637 0.02704 Mahalanobis Dist. 16.0464 14.3627 3.79573 30.2143 7.34100 9.78184 7.22314 0.27748 1.12490 Number of flagged observations (residual, leverage or DFITS) = 9 DFITS -0.59404 0.70198 -0.54397 -0.33481 -0.61016 0.63752 -0.88452 -0.30478 -0.36496 Résidu "studentisé" 8 : On peut montrer que le résidu et~Yt-Y] est une réalisation d'une variable aléatoire suivant une loi normale N\0,GJ\ -h, J où h, est le levier du mois t. Ainsi, plus un mois est une observation atypique (fort levier), plus il attire le modèle estimé (faible erreur). Pour mesurer l'importance du résidu et on utilise le résidu "studentisé" : RS,= V— Les valeurs considérées comme grandes pour chaque critère ( résidu studentisé, levier et DFITS) sont en gras dans le tableau ci-dessus. On retrouve que les mois d'août 1988, janvier 1991, août 1992 et septembre 1994 sont mal reconstitués par le modèle. Les mois de janvier 1988, mai 1988, août 1988, novembre 1989, juin 1990 et janvier 1991 peuvent être considérés comme influents. On constate que le mois atypique mai 1989 (fort levier) n'a pas une influence particulière sur l'estimation du modèle (DFITS normal). Au vu de la figure 12, les résidus ont bien l'allure de réalisations d'un bruit blanc. Il convient néanmoins d'approfondir leur étude par les graphiques de la figure 13, où l'on ne détecte pas d'hétéroscédasticité. La figure 14, qui visualise les corrélogrammes simples et partiels des résidus, montre qu'il ne semble pas y avoir d'autocorrélation des erreurs (hormis une corrélation d'ordre 10 imputable vraisemblablement à une valeur aberrante). Le modèle est donc satisfaisant sur le plan statistique. voir page 26 voir page 25 tiré de Méthodes statistiques en Gestion (p95) de Michel Tenenhaus page32
Page 1: Ministère de l'Équipement, du Log
Page 4 and 5: ... le trafic est fonction de cinq
Page 7 and 8: TABLE DES MATIERES TABLE DES MATIER
Page 9: INTRODUCTION page4
Page 13: PARTIE I : TRAITEMENT DE LA BASE DE
Page 17 and 18: I - Description de la base de donn
Page 19 and 20: II-3- Fiabilité des sources La né
Page 21: On en déduit alors une approximati
Page 25 and 26: I- Choix du modèle Rappelons l'obj
Page 27 and 28: Nous travaillerons désormais avec
Page 29 and 30: Classe 51 8 7 6 5 4 3 2 1 Voilà un
Page 31 and 32: On constate (et les autres graphiqu
Page 33 and 34: fig 4 : La série de trafic à mod
Page 35 and 36: 2,5 2 1,5 1 0,5 0 -0.51 -1.5 -2 -2.
Page 37 and 38: fig 8 : NIMES - ORLY OU : Y (/) est
Page 39 and 40: BORDEAUX CDG mois LYON TOULOUSE ORL
Page 41: III-2 Validation du modèle Voici l
Page 45: 0.5 -0.5! -1 ! AUTOCORRELATION DES
Page 49 and 50: Maintenant que nous disposons d'un
Page 51 and 52: Pour éviter de biaiser la modélis
Page 53 and 54: Le modèle s'écrit : (1 -.B)(l -B
Page 55 and 56: 0.5 -0.5 -1 ;•• Fig 6 : Corrél
Page 57 and 58: Voilà les résultats des estimatio
Page 59 and 60: -0.5 -1 Fig 11 : Corrélogramme et
Page 61 and 62: 0.5 -0.5 -1 r. Fig 14 : Corrélogra
Page 63 and 64: Nous stabilisons la saisonnalité p
Page 65 and 66: II - Comparaison des deux méthodes
Page 67 and 68: 55000 27000 22000 17000 12000 7000
Page 69 and 70: On constate sur la figure 21 que la
Page 71 and 72: 0-5 -0.5 -1 !•! Fig 24 : Corrélo
Page 73: Trafic de 8RADC0NCUR et sa prévisi
Page 77: Nous avons, dans un premier temps,
Page 81: Bibliographie élémentaire >/ Chri

OEST - DGAC - base TEMIS

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?