Time series

Enseignants

Kiriliouk Anna;

Langue
d'enseignement

Anglais

Préalables

Concepts et outils équivalents à ceux enseignés dans les UEs

• LSTAT2120 Linear models
• LDATS2030 Programmation et data reporting en R

Thèmes abordés

Introduction aux séries chronologiques qui se focalise sur la modélisation, l'estimation et la prédiction de deux types de processus : les processus linéaires et les modèles hétéroscédastiques non-linéaires. L'approche sera essentiellement paramétrique - l'étudiant va apprendre comment quantifier l'incertitude statistique dans l’estimation des paramètres du modèle stochastique pour la série observée, avec la prédiction des valeurs futures de cette série comme objectif principal.

Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :
1	A la fin de cette unité d’enseignement, l’étudiant est capable de : A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.3, 2.2, 3.2, 3.3, 3.4, 4.4 Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.3, 2.2, 3.2, 3.3, 3.4, 4.3 B. Au terme du cours les étudiants auront acquis une compréhension théorique et une maîtrise opérationnelle des modèles stochastiques utilisables pour la prédiction quantitative des séries chronologiques.

Contenu

• Modélisation des séries chronologiques : introduction
• Processus linéaires - modèles paramétriques simples (ARMA)
• Estimation et prédiction dans des modèles ARMA
• Méthodologie de Box et Jenkins
• modèle (S) ARIMA
• analyse des séries multivariées (bivariées)
• Processus non-linéaires
• modèles hétéroscédastiques (G)ARCH
• Application dans le domaine des finances

Méthodes d'enseignement

Seances du cours magistral completés par des tutorials en R.

Modes d'évaluation
des acquis des étudiants

Les étudiant·es sont évalué·es de deux manières:

• Un travail obligatoire (projet sur ordinateur en R) est à remettre en fin de quadrimestre et comptera pour 50% de la note finale. Des devoirs (à remettre pendant le quadrimestre) constitueront ensemble 10% de la note finale. 
• Un examen oral en session qui portera sur toute la matière du cours (40% de la note finale). Des questions sur le travail seront également posés lors de l'examen.

En vertu de l'article 72 du Règlement général des études et examens, le titulaire du cours pourra proposer au jury de s'opposer à l'inscription à l’examen d'un·e étudiant·e qui n'aurait pas rendu le travail dans les délais requis.

Autres infos

Préalables: Une connaissance générale des concepts de base de la statistique (du niveau d'un premier cours introductif en statistique).

Ressources
en ligne

https://moodle.uclouvain.be/course/view.php?id=1960

Bibliographie

Brockwell, P. and R. Davis (2016), Introduction to Time Series and Forecasting (3rd edition). Springer.
Shumway & Stoffer (2019), Time series: a data analysis approach using R. CRC Press. 
Shumway & Stoffer (2025), Time series analysis and its applications: with R examples. Springer.
Cowpertwait & Metcalfe (2009). Introductory Time Series with R. Springer.

Support de cours

• Transparents sur moodle

Faculté ou entité
en charge

> LSBA