Capsule 3 - Autocorrélation des résidus

MQT-2101 - Analyse et modélisation des données

Pourquoi ça compte

Des résidus organisés dans le temps indiquent une information encore inutilisée.

Que signifie un résidu positif suivi souvent d’un autre résidu positif?

Après modélisation, les résidus devraient ressembler à du bruit. Une dépendance temporelle restante peut rendre les prévisions successivement trop basses ou trop hautes.

Objectifs de la capsule

  • Lire une fonction d’autocorrélation.
  • Interpréter prudemment un test de Ljung-Box.
  • Relier un diagnostic de résidus à un risque concret.

Les résidus successifs ne devraient pas se répondre

  • Un pic au retard 1 concerne des voisins temporels.
  • Le test de Ljung-Box examine plusieurs retards.
  • Une valeur p ne mesure pas à elle seule le coût opérationnel.

Inspecter l’ACF et le test de Ljung-Box

acf(residuals(modele))
Box.test(residuals(modele), lag = 12, type = "Ljung-Box")

    Box-Ljung test

data:  residuals(modele)
X-squared = 29.391, df = 12, p-value = 0.003446

Plusieurs sous-prévisions de suite

Des résidus positifs consécutifs peuvent signaler plusieurs sous-prévisions successives et un risque accru de rupture.

Une valeur p ne remplace pas le graphique

Se limiter à une valeur p sans regarder le graphique des résidus empêche de comprendre le motif et son importance pratique.

À retenir

1

Inspecter le temps avant de conclure.

2

Un diagnostic statistique doit conduire à une question de décision.

3

La décision reste liée aux données disponibles.

Production autonome 9.3

Décrivez le risque pratique associé à une succession de résidus positifs.

Auto-vérification

  • Toutes les méthodes utilisent la même période de validation.
  • J’ai interprété l’erreur dans son unité.
  • J’ai relié le résultat à une décision et à une limite.