Mean squared error

. . . . . . . 9.6.3 Solution 2 : Contrôle simple . . . . . . . . . . . . . . . . . . . . . 9.6.4 Comparaison des solutions 1 et 2 . . . . . . . . . . . . . . . . . . 9.6.5 Solution 3 : Règle de contrôle de variance minimale (MMSE - Minimum Mean Squared Error Control) . . . . . . . . . . . . . . . . 9.6.6 Comparaison des solutions 1 et 3 . . . . . . . . . . . . . . . . . . 9.6.7 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conciliation du SPC et du APC : l’ASPC, le contrôle

Luettecke, who taught me about Roman names; Dr. Ed Uthman, who helps me with medical stuff; Victoria and Debi, my continuity mavens; Toni L. P. Kelner and Dana Cameron, whose gentle comments after their first reading keep me from committing many an error; Paula Woldan, whose help and friendship keep me going; Lisa Desimini, the cover artist; Jodi Rosoff, my wonderful publicist; Ginjer Buchanan, my long-suffering editor; and my Mod Squad: Michele, Victoria, Kerri, MariCarmen, and Lindsay (current),

selection of good projects ex ante. The second concentrates on the possibility of improving ex post the implementation and value enhancement of the investment, thanks to the sharing of skills. 2.2.1 The better selection hypothesis · Syndication as a mean of increasing expertise in the selection of investments The hypothesis of ex ante project selection was put forward by Lerner (1994). According to this hypothesis, syndication can lead to better selection of investment projects on one hand and better

-58.0000 -165.0000 -108.0000 -18.0000 Std.Error 6.2022 7.7748 8.3211 7.5961 8.0069 8.0069 t value 260.8773 -16.3348 -6.9703 -21.7218 -13.4883 -2.2480 Pr(>|t|) 0.0000 0.0000 0.0000 0.0000 0.0000 0.0321 Residual standard error : 12.4 on 30 degrees of freedom Multiple R-Squared : 0.9644 F-statistic : 162.7 on 5 and 30 degrees of freedom, the p-value is 0 ¿ reg2$fitted.values 1 1618 16 1560 31 1600 2 1618 17 1453 32 1600 3 1618 18 1453 33 1600 4 1618 19 1453 34 1600 5 1491 20 1453 35 1600 6 1491 21

set by the modeler indicating the weight of each measure in the objective function. Examples of the solution robustness measures are the maximum regret and the expected cost. The model robustness can be penalized using, for example, the sum of the squared violations of the constraints. The authors present several applications of the robust optimisation they propose with both discrete scenarios and intervals and with or without probability information. Due to the generality of this model, it has been

quatre mesures suivantes sont les plus communes en pratique et également dans les logiciels du DP [Javel, 2003] [Courtois et al., 2005] : 1 n Mean error - L'Erreur Moyenne (ME) ei ni1 1 n 2 Mean squared error - L'Erreur Quadratique Moyenne (MSE) ei ni 1 1 n Mean absolute deviation Déviation (l'erreur) Absolue Moyenne (MAD) ei ni 1 Mean absolute percentage error (MAPE) - Pourcentage d'Erreur Moyen Absolu (PEMA) 1 n ei n i 1 xi 100 Le ME de prévision correspond à la somme des erreurs de prévision divisée

généralement admis. 88 étudiant cette fois-ci les résidus (c’est-à-dire les écarts entre résultats calculés et données, qui reflètent l’influence des facteurs non pris en compte dans le modèle) peut également être utilisé. Il s’agit du RMR (« Root Mean Square Residual »). Ce dernier donne une indication de la valeur moyenne des résidus du modèle évalués par la différence des covariances estimées et des covariances observées sur les données empiriques. - Au niveau des parties du modèle Pour chacune

Diagnostics Tableau VI. 1. Test de colinéarité pour l’équation (1) Variable L.KAOPEN INS INS.LKAOPEN PIB INFL TRADE VIF 21.26 1.47 20.87 1.37 1.39 1.42 SQRT VIF 4.61 1.21 4.57 1.17 1.18 1.19 Tolerance 0.0470 0.6802 0.0479 0.7278 0.7199 0.7040 R-Squared 0.9530 0.3198 0.9521 0.2722 0.2801 0.2960 Source : calcul de l’auteur par le logiciel STATA Pour détecter la colinéarité, il faut voir les valeurs que prennent les VIF, à savoir les « variance inflation factor ». Si cette valeur est supérieure à

Time: 11:05 Sample: 1 39 Included Observations: 39 Variables C IDL PB SUB R-Squared Adjusted R-squared S.E of regression Sum Squared resid Log likelihood Durbin-Watson stat Coefficients Std. Error t-Statistic Prob. 3, 437 0, 412 1, 012 1, 539 1, 485671 0, 086795 0, 718032 0, 850597 2, 313433 4, 746817 1, 409470 1, 809318 0, 0112 0, 0032 0, 0635 0, 4320 0, 438453 0, 385691 0, 130342 1, 123049 2, 034832 1, 540322 Mean dependent var S.D dependent var Akaike info criterion Schwarz criterion F-