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. Considérons une variable aléatoire yi, et posons également: E yi i On considère une certaine fonction f et on développe en série de Taylor la fonction f yi autour du point : i 2 STT-3220; Méthodes de prévision Développement au premier ordre On obtient donc: f yi f i f ' i yi i Ici f ' i est la dérivée première évaluée en i . On applique la variance de chaque côté de la formule précédente: V f yi f ' i V yi 2 f ' i 2 3 STT-3220; Méthodes de prévision 2 i Résolution d’une petite équation différentielle Ceci suggère de chercher la fonction f qui satisfait la relation: f ' 2 2 c 2 i i Ceci implique: f ' i c i f ' i d i f i f ' i d i 4 STT-3220; Méthodes de prévision c c i i di di Exemple 1. Supposons que: V yi E yi 2 i Résoudre l’équation donne: f x 5 2 2 i c dx c log x x On pourrait donc poser c 1 et considérer la transformation logarithmique. STT-3220; Méthodes de prévision Exemple 2. Supposons que: V yi E yi i 0 2 i Résoudre l’équation donne: f x 6 c dx 2c x x On peut poser c 1 2 et considérer la transformation racine carrée. STT-3220; Méthodes de prévision Moindres carrés pondérés et repondérés Exemple. Supposons que l’analyste est amené à estimer un modèle de la forme: log yk x β k T k 7 Pour les fins de l’illustration, la variable dépendante y k correspond à un nombre d’usagers d’un système (ex: un guichet automatique). STT-3220; Méthodes de prévision Exemple (suite) Une modélisation possible pourrait être: yk : Poisson k Dans un tel cas: V y E y k k k Puisque le modèle de régression est un modèle transformé: 2 1 1 E yk E yk V log yk E yk 8 STT-3220; Méthodes de prévision Rappel: log yk x β k T k Moindres carrés pondérés Dans l’exemple précédent, effectuer les moindres carrés pondérés suggère de résoudre: 2 T k k k De plus, la discussion précédente suggère de prendre les poids: w log y x β 9 wk k E yk Or ces poids ne sont pas connus! STT-3220; Méthodes de prévision Rappel: wk log yk x β T k 2 wk E yk Moindres carrés repondérés 10 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. STT-3220; Méthodes de prévision 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 log yk sur x k . Garder OLS de b Étape 3. (Estimation des poids) Notons l’estimateur courant bˆ Calculer les poids. Tˆ Dans notre exemple: ˆ wk 1, k wk xk ; β exp xk β 11 STT-3220; Méthodes de prévision Algorithme pour IRLS (suite) Étape 3. (suite) On note que les poids sont fonction de wk E yk On utilise donc les valeurs prédites: Tˆ Tˆ ˆ ˆ log yk xk β yk exp xk β 12 Étape 4. (Moindres carrés pondérés) 2 T Résoudre wk log yk x k β en utilisant les poids estimés. Garder WLS de b. Étape 5. Retourner à l’étape 3. On fait les Étapes 3 à 5 jusqu’à convergence. STT-3220; Méthodes de prévision