Autocorrélation

autoclavable adj. (instr., méd.), qui peut être passé en autoclave autoclave n. (instr., méd.), autoclave m. autocollimation n. (opt.), autocollimation f. autocollimator n. (instr., opt.), autocollimateur m. autocorrelation n. (math.), autocor- rélation f., ~ analysis, analyse par autocorrélation auto-immune adj. (bio.), auto-immun autoimmunity n. (bio.), autoimmunité f. autoionisation (-nization) n., autoionisation f. autolysis n. (bio.), autolyse f. automate (to) v. t. (électr.), automatiser automatic(al)

Journal of Business, 54, p. 363-407 Mitchell (M.) et Pulvino (T.) (2001) “Characteristics of risk in risk arbitrage”, Journal of Finance, 56, p. 2135-75 Newey (W.) et West (K.) (1987) “A simple, positive semi-definite, heteroskedasticity et autocorrelation consistent covariance estimator”, Econometrica, 55, p. 703-708 President’s Working Group on Financial Markets (1999) “Hedge funds, leverage, and the lessons of Long-Term Capital Management”, Report of the President’s Working Group on Financial

combinaison linéaire d’échantillons du signal à des instants précédents. Il existe plusieurs méthodes de prédiction linéaire (cf. Henrich 2001 [139] pour une revue de ces méthodes). Nous avons ici utilisé une méthode de prédiction linéaire par autocorrélation de Matlab, en fenêtrant le signal par une fenêtre de Hanning de 20 ms. Le principe très général de cette méthode consiste à déterminer les coefficients [ 1 c(2) ... c(N+1) ] d’un estimateur Xp d’ordre N du spectre X (Xp(n) = -c(2)*X(n-1) - c(3)*X(n-2)

phénomène se détecte à l’aide de représentations graphiques des résidus par rapport aux prédictions. Les nuages de points qui apparaissent doivent être aléatoires ; − les résidus doivent être indépendants les uns des autres (pas de phénomène d’« autocorrélation »). L’autocorrélation se détecte à l’aide de la statistique d de Durbin-Watson. La valeur de d doit être la plus proche possible de 2 et, en tous les cas, supérieure à 1,65. Enfin, certains individus de la population peuvent avoir une influence

e~)/Il - k = F(k - 1~ Il - k). Contrôle des hypothèses du modèle linéaire Les propriétés de la méthode des moindres carrés dépendent essentiellement du fait que le résidu E a une variance constante quel que soi t x, et qu'il n' y a pas d' autocorrélation entre les diverses réalisations de E. Il convient donc toujours de s'assurer de la validité de ces deux hypothèses, ce que l'on fait usuellement en étudiant de manière empirique (des tests rigoureux sont délicats à établir) les valeurs des écarts