Régression Non Paramétrique

Définition de quelques concepts 92.1.1. Le concept d'efficacité technique 92.1.2. Les approches d'estimation de la frontière d'efficacité 112.1.2.1. Frontière déterministe et non paramétrique 122.1.2.1.1. Le modèle CRS (Constant Returns Scale) 132.1.2.1.2. Le modèle VRS (Variable Returns Scale) 142.1.2.2. Frontière déterministe et paramétrique 142.1.2.3. Frontière stochastique 152.1.3. Modélisation des facteurs d'inefficacité 172.2. Facteurs de blocage de la production rizicole : 17Chapitre III : METHODOLOGIE

construction dd’une une population exhaustive : pas tjs facile …. →Ouest Solution : échantillonnage U. Paris L. Ferrara, 20122012-13 2) Modèles économétriques: Modèles probabilistes : loi de distribution de l’échantillon Modèles paramétriques : modèles de régression linéaire et nonnon linéaire, modèles de séries chronologiques, …. → Chaque type de modèle fait appel à des paramètres (de la loi et / ou du modèle), a priori inconnus qu qu’il il faudra estimer. On peut identifier de 2 types de paramètres

de janvier de 6,5% par rapport au même mois de l’année précédente. Dans ce contexte de crise, de nombreuses entreprises ont cessé leurs activités de production et d’exportation en annonçant leur faillite. Cette faillite s’est traduite par la régression des principaux agrégats du secteur tels que les exportations, les recettes en devises et l’emploi. Cette faillite trouve-t-elle cause dans la crise économique actuelle ou est-ce l’aboutissement et la conséquence logiques de l’évolution des indicateurs

..... 51 Chapitre 4 • Segmenter ................................................................... 79 Chapitre 5 • L’analyse de variance .................................................. 107 Chapitre 6 • La régression linéaire ................................................... 133 Chapitre 7 • L’analyse conjointe ...................................................... 155 Chapitre 8 • Communiquer les résultats ........................

en fonction de l’effet du type et du statut de l’emploi des jeunes citadins. Il y a des variantes selon que l’homme est rémunéré ou non, selon qu’il travaille dans le secteur formel ou informel. Dès lors, nous pouvons reformuler ce dernier concept comme étant celui de l’emploi avec deux sous-concepts : le statut de l’emploi avec comme indicateurs « rémunéré » et « non rémunéré » et le type d’emploi avec comme indicateurs « secteur formel » et « secteur informel ». Pour résumer, le cadre analytique

Echantillon avec remplacement si l’on veut un échantillon non exhaustif. 5. Théorie statistique de l’estimation Intervalle de Confiance ▪ Introduire les données dans C1 ▪ Aller dans Stat / Statistiques élémentaires/ Test Z à 1 échantillon ▪ Sélectionner C1, introduire la valeur de Sigma. ▪ Aller dans Options et introduire le niveau de confiance Intervalle pour p ▪ Introduire les données dans C1 (ex. OUI=1, NON=0) ▪ Aller dans Stat / Statistiques élémentaires/

loi de distribution Méthodes: VaR historique : quantile de l'échantillon encore faut il avoir suffisamment de données …. Modélisations/Estimation paramétriques VaR normale, pb: ne tient pas compte des queues épaisses distributions à queues épaisses: t-student, exponentielle, hyperbolique, … Modélisations/Estimation non paramétriques estimation des exposants de queues Approximations (Cornish Fisher): mieux que la VaR normale, mais pb de validité de l'approximation Théorie des valeurs

donné à rechercher des solutions ne faisant aucunement appel à la logique et au rationnel - Les groupes qualitatifs de consommateurs : Réunion de 8 à 10 personnes appartenant à la cible visée et sʼexprimant sur un sujet donné. - Les entretiens non directifs : A partir dʼ un thème défini de façon très générale ,la personne interrogée sʼexprime librement en disant tout ce qui lui vient à lʼ esprit. - Les entretiens semi-directifs: cette méthode ressemble à celle décrite précédemment, mais lʼ

l’analyse des séries temporelles ou la régression : Estimation, Identification, Méthode d’élagage SSM J. Rynkiewicz, M. Cottrell, M. Mangeas, J.F. Yao SAMOS, Université de Paris 1 90, rue de Tolbiac 75013 Paris cottrell@univ-paris1.fr Ce papier porte sur la modélisation de séries temporelles ou de régression à l’aide de réseaux de neurones. En nous appuyant sur des résultats récents sur l’estimation des moindres carrés pour les séries temporelles non linéaires, nous proposons une méthodologie

est : ⎡Y1 ⎤ ⎡1 X 11 L ⎢Y ⎥ ⎢1 X L 12 ⎢ 2⎥ = ⎢ ⎢ M ⎥ ⎢M M L ⎢ ⎥ ⎢ ⎣Yn ⎦ ⎣1 X 1n L (n ;1) = (n ; k + 1) X k 1 ⎤ ⎡γˆ0 ⎤ ⎡ e1 ⎤ ⎥ ⎢ γˆ ⎥ ⎢e ⎥ X k2 ⎥ ⎢ 1 ⎥ + ⎢ 2⎥ ⎢M⎥ M ⎥ ⎢M⎥ ⎥ ⎢ ⎥ ⎢ ⎥ X kn ⎦ ⎣γˆ k ⎦ ⎣e n ⎦ × (k + 1 ;1) + (n ;1) Le vecteur paramétrique à estimer est : γ 0 ; γ 1 ; γ 2 ; γ k et σ 2 ˆ Pour calculer γ , le principe est toujours le même : Il s’agit de minimiser la SCR = ∑e 2 i = e ' e (Evidemment, on suppose que le modèle est plausible, c'est-à-dire que toutes les