Modèle autoregressif
An autoregressive model (AR model) is a type of statistical model used for analyzing and prévoir des données de séries chronologiques. The core idea of an autoregressive model is to use the relationship between an observation and a number of lagged observations (previous time points) pour prédire les valeurs futures.
In an autoregressive model, the current value of the time series is expressed as a combinaison linéaire of its previous values, plus a stochastic (random) error term. The general form of an autoregressive model of order p, denoted as AR(p), can be described by the equation:
Xt = c + φ₁ Xt-1 + φ₂ Xt-2 + … + φp Xt-p + εt
Où :
- Xt est la valeur de la série temporelle au temps t.
- c est une constante.
- φ₁, φ₂, …, φp are the coefficients that represent the relationship between the current value and its lagged values.
- εt est un terme d'erreur de bruit blanc, représentant l'aléa dans les données.
L'ordre du modèle (p) indique combien de valeurs passées sont utilisées pour prédire la valeur actuelle. Par exemple, un modèle AR(1) utilise uniquement la valeur immédiate précédente, tandis qu'un AR(2) utilise les deux valeurs les plus récentes.
Autoregressive models are particularly useful in fields such as economics, finance, and science de l'environnement for tasks like stock price forecasting, economic indicators analysis, and climate data prediction. However, they assume that the underlying relationships are linear and stationary, meaning that the statistical properties of the time series do not change over time.