Séries chronologiques
Filtrer les résultats par
Aide à la rechercheMot(s)-clé(s)
Résultats
Tout (3)
Tout (3) ((3 résultats))
- Articles et rapports : 12-001-X200900211040Description :
L'article décrit un modèle de séries chronologiques structurel multivarié qui tient compte du plan de sondage avec renouvellement de panel de l'Enquête sur la population active des Pays-Bas et qui est appliqué pour estimer les taux mensuels de chômage. Comparativement à l'estimateur par la régression généralisée, cette approche accroît considérablement la précision des estimations, grâce à la réduction de l'erreur-type et à la modélisation explicite du biais entre les vagues subséquentes de l'enquête.
Date de diffusion : 2009-12-23 - Articles et rapports : 12-001-X20050029053Description :
Nous proposons un modèle de régression spatial dans un cadre général de modèles à effets mixtes pour résoudre le problème de l'estimation pour petits domaines. L'utilisation d'un paramètre d'autocorrélation commun à l'ensemble de petits domaines permet de produire de meilleures estimations pour petits domaines. Ce paramètre s'avère fort utile dans les cas où l'utilisation de variables exogènes améliore peu ces estimations. Nous élaborons également une approximation de deuxième ordre de l'erreur quadratique moyenne (EQM) du meilleur prédicteur linéaire sans biais empirique (MPLNBE). En suivant l'approche des filtres de Kalman, nous proposons un modèle spatio temporel. Dans ce cas également, nous obtenons une approximation de deuxième ordre de la EQM du MPLNBE. À titre d'étude de cas, nous utilisons les données de la série chronologique sur les dépenses de consommation mensuelles par habitant (DCMH) provenant de la National Sample Survey Organisation (NSSO) du ministère de la Statistique et de la Mise en 'uvre des programmes du gouvernement de l'Inde pour valider les modèles.
Date de diffusion : 2006-02-17 - Articles et rapports : 12-001-X19990014709Description :
Nous élaborons une méthode qui permet d'estimer la variance dans le cas de la désaisonnalisation effectuée à l'aide de la méthode X-11 et qui prend en compte les effets de l'erreur d'échantillonnage et des erreurs liées à l'extension de prévision. Dans notre méthode, l'erreur de désaisonnalisation présente dans les valeurs centrales d'une série chronologique suffisamment longue est causée uniquement par les effets de l'application de filtres X-11 aux erreurs d'échantillonnage. Vers les deux extrémités d'une série, nous prenons également en considération la contribution des erreurs d'extrapolation rétrospective et de prévision à l'erreur de désaisonnalisation. Nous élargissons notre méthode afin d'obtenir la variance d'erreurs contenues dans des estimations de tendance X-11 et de prendre en compte l'erreur d'estimation de coefficients de régression utilisés pour modéliser, par exemple, des effets de calendrier. Dans le cas de nos résultats empiriques, la contribution la plus importante à la variance de la désaisonnalisation provenait souvent de l'erreur d'échantillonnage. Cependant, la variance des estimations de tendance augmentait de façon importante aux extrémités des séries, en raison des effets d'erreurs d'extrapolation rétrospective et de prévision. En outre, des composantes non stationnaires des erreurs d'échantillonnage produisaient des patrons singuliers dans la variance de la désaisonnalisation et de l'estimation de tendance.
Date de diffusion : 1999-10-08
Données (0)
Données (0) (0 résultat)
Aucun contenu disponible actuellement
Analyses (3)
Analyses (3) ((3 résultats))
- Articles et rapports : 12-001-X200900211040Description :
L'article décrit un modèle de séries chronologiques structurel multivarié qui tient compte du plan de sondage avec renouvellement de panel de l'Enquête sur la population active des Pays-Bas et qui est appliqué pour estimer les taux mensuels de chômage. Comparativement à l'estimateur par la régression généralisée, cette approche accroît considérablement la précision des estimations, grâce à la réduction de l'erreur-type et à la modélisation explicite du biais entre les vagues subséquentes de l'enquête.
Date de diffusion : 2009-12-23 - Articles et rapports : 12-001-X20050029053Description :
Nous proposons un modèle de régression spatial dans un cadre général de modèles à effets mixtes pour résoudre le problème de l'estimation pour petits domaines. L'utilisation d'un paramètre d'autocorrélation commun à l'ensemble de petits domaines permet de produire de meilleures estimations pour petits domaines. Ce paramètre s'avère fort utile dans les cas où l'utilisation de variables exogènes améliore peu ces estimations. Nous élaborons également une approximation de deuxième ordre de l'erreur quadratique moyenne (EQM) du meilleur prédicteur linéaire sans biais empirique (MPLNBE). En suivant l'approche des filtres de Kalman, nous proposons un modèle spatio temporel. Dans ce cas également, nous obtenons une approximation de deuxième ordre de la EQM du MPLNBE. À titre d'étude de cas, nous utilisons les données de la série chronologique sur les dépenses de consommation mensuelles par habitant (DCMH) provenant de la National Sample Survey Organisation (NSSO) du ministère de la Statistique et de la Mise en 'uvre des programmes du gouvernement de l'Inde pour valider les modèles.
Date de diffusion : 2006-02-17 - Articles et rapports : 12-001-X19990014709Description :
Nous élaborons une méthode qui permet d'estimer la variance dans le cas de la désaisonnalisation effectuée à l'aide de la méthode X-11 et qui prend en compte les effets de l'erreur d'échantillonnage et des erreurs liées à l'extension de prévision. Dans notre méthode, l'erreur de désaisonnalisation présente dans les valeurs centrales d'une série chronologique suffisamment longue est causée uniquement par les effets de l'application de filtres X-11 aux erreurs d'échantillonnage. Vers les deux extrémités d'une série, nous prenons également en considération la contribution des erreurs d'extrapolation rétrospective et de prévision à l'erreur de désaisonnalisation. Nous élargissons notre méthode afin d'obtenir la variance d'erreurs contenues dans des estimations de tendance X-11 et de prendre en compte l'erreur d'estimation de coefficients de régression utilisés pour modéliser, par exemple, des effets de calendrier. Dans le cas de nos résultats empiriques, la contribution la plus importante à la variance de la désaisonnalisation provenait souvent de l'erreur d'échantillonnage. Cependant, la variance des estimations de tendance augmentait de façon importante aux extrémités des séries, en raison des effets d'erreurs d'extrapolation rétrospective et de prévision. En outre, des composantes non stationnaires des erreurs d'échantillonnage produisaient des patrons singuliers dans la variance de la désaisonnalisation et de l'estimation de tendance.
Date de diffusion : 1999-10-08
Références (0)
Références (0) (0 résultat)
Aucun contenu disponible actuellement
- Date de modification :