Les posteurs les plus actifs de la semaine
Aytan
Autorégression / Time serie Vote_lcapAutorégression / Time serie Voting_barAutorégression / Time serie Vote_rcap 
c@ssoulet
Autorégression / Time serie Vote_lcapAutorégression / Time serie Voting_barAutorégression / Time serie Vote_rcap 
Adddd
Autorégression / Time serie Vote_lcapAutorégression / Time serie Voting_barAutorégression / Time serie Vote_rcap 
Eric Wajnberg
Autorégression / Time serie Vote_lcapAutorégression / Time serie Voting_barAutorégression / Time serie Vote_rcap 
gg
Autorégression / Time serie Vote_lcapAutorégression / Time serie Voting_barAutorégression / Time serie Vote_rcap 


Autorégression / Time serie

Aller en bas

Autorégression / Time serie Empty Autorégression / Time serie

Message par lenny868 le Ven 17 Mai 2019 - 21:36

Bonjour à tous

Dans mon expérimentations une série de taches est proposée à une personne, dès qu'il fini la première il passe à la suite.
Je souhaite expliquer la décision d'une personne  à travers deux variables :  décision~ var1 + var2
Seulement, je pense que, il y a un impact fort des choix précédents sur le choix actuelle donc :
Code:
décision (t) ~ var1(t) + var2(t) et  décision t ~ var1(t) + var2(t) + décision (t -1)   

J'ai tenté de me renseigner sur le net sur la modélisation de mes données, je tombe sur deux mots clés : autoregression et time series.

J'ai compris qu'il faut évaluer le lag : combien de t remonter pour expliquer le t actuel.
Je ne trouve pas de support de code R pour l'essayer sur mon exemple. Je vous serais reconnaissante si vous pouvez m'orienter. Merci.

Code:
structure(list(var1 = c(1L, 6L, 3L, 4L, 3L, 2L, 6L, 6L, 5L,
2L, 4L, 3L, 5L, 5L, 4L, 2L, 2L, 4L, 3L, 2L, 5L, 2L, 6L, 6L, 4L,
1L, 1L, 1L, 2L, 1L, 3L, 1L, 6L, 6L, 3L, 6L, 1L, 4L, 2L, 5L, 1L,
6L, 3L, 3L, 4L, 2L, 1L, 6L, 6L, 2L, 6L, 4L, 2L, 3L, 5L, 4L, 1L,
4L, 5L, 4L, 6L, 6L, 3L, 1L, 1L, 2L, 1L, 2L, 5L, 1L, 6L, 2L, 5L,
3L, 4L, 6L, 6L, 5L, 3L, 6L, 3L, 5L, 3L, 1L, 2L, 5L, 1L, 5L, 4L,
1L, 4L, 6L, 5L, 3L, 4L, 1L, 3L, 5L, 1L, 6L, 4L, 5L, 2L, 4L, 2L,
2L, 1L, 5L, 2L, 3L, 1L, 2L, 2L, 6L, 3L, 3L, 2L, 2L, 2L, 1L, 6L,
3L, 6L, 6L, 2L, 1L, 4L, 5L, 3L, 1L, 2L, 5L, 6L, 6L, 3L, 4L, 4L,
5L, 2L, 4L, 1L, 1L, 1L, 3L, 1L, 2L, 2L, 1L, 1L, 3L, 1L, 1L, 2L,
1L, 3L, 3L, 6L, 5L, 1L, 6L, 5L, 2L, 6L, 6L, 3L, 2L, 4L, 1L, 1L,
1L, 6L, 5L, 5L, 3L, 4L, 3L, 5L, 2L, 5L, 2L, 2L, 3L, 4L, 1L, 6L,
4L, 6L, 2L, 5L, 1L, 1L, 1L, 5L, 5L, 3L, 2L, 5L, 2L, 6L, 4L, 3L,
5L, 2L, 4L, 5L, 6L, 2L, 5L, 4L, 5L, 1L, 1L, 2L, 3L, 6L, 3L, 4L,
4L, 1L, 5L, 1L, 3L, 3L, 5L, 5L, 4L, 2L, 6L, 1L, 6L, 6L, 6L, 2L,
4L, 5L, 4L, 2L, 3L, 2L, 1L, 1L, 1L, 1L, 6L, 6L, 5L, 5L, 2L, 1L,
3L, 3L, 6L, 2L, 2L, 3L, 6L, 2L, 1L, 4L, 2L, 3L, 2L, 4L, 2L, 5L,
6L, 2L, 4L, 5L, 5L, 3L, 4L, 4L, 1L, 5L, 6L, 6L, 4L, 5L, 2L, 1L,
5L, 5L, 4L, 3L, 5L, 3L, 4L, 3L, 3L, 5L, 5L, 3L, 5L, 5L, 5L, 1L,
4L, 6L, 5L, 4L, 3L, 5L, 4L, 1L, 2L, 1L, 1L, 4L, 5L, 4L, 3L, 6L,
6L, 6L, 2L, 2L, 6L, 2L, 6L, 1L, 6L, 2L, 4L, 4L, 1L, 5L, 5L, 4L,
1L, 1L, 2L, 5L, 4L, 3L, 4L, 4L, 3L, 3L, 4L, 3L, 1L, 5L, 2L, 4L,
5L, 4L, 4L, 6L, 3L, 5L, 1L, 3L, 4L, 3L, 3L, 1L, 4L, 2L, 1L, 4L,
1L, 4L, 4L, 2L, 1L, 4L, 3L, 6L, 5L, 6L, 3L, 6L, 6L, 6L, 6L, 6L,
2L, 6L, 5L, 3L, 2L, 6L, 4L, 6L, 2L, 3L, 1L, 2L, 4L, 2L, 5L, 1L,
4L, 2L, 1L, 1L, 4L, 2L, 4L, 3L, 5L, 6L, 5L, 3L, 5L, 1L, 6L, 6L,
6L, 4L, 1L, 2L, 2L, 2L, 4L, 5L, 4L, 6L, 6L, 2L, 5L, 3L, 2L, 1L,
3L, 5L, 2L, 6L, 6L, 5L, 3L, 5L, 2L, 3L, 1L, 3L, 3L, 3L, 3L, 4L,
5L, 3L, 4L, 4L, 4L, 5L, 5L, 4L, 6L, 5L, 6L, 4L, 2L, 1L, 4L, 6L,
1L, 5L, 3L, 6L, 5L, 4L, 5L, 1L, 6L, 6L, 3L, 4L, 1L, 5L, 4L, 3L,
6L, 5L, 2L, 4L, 5L, 3L, 1L, 6L, 2L, 3L, 1L, 1L, 3L, 2L, 2L, 4L,
3L, 2L, 2L, 3L, 6L, 5L, 3L, 1L, 5L, 5L, 1L, 4L, 1L, 3L, 4L, 2L,
5L, 3L, 6L, 1L, 3L, 2L, 1L, 1L, 4L, 1L, 1L, 5L, 1L, 6L, 6L, 4L,
1L, 6L, 3L, 4L, 4L, 4L, 6L, 6L, 6L, 6L, 6L, 4L, 3L, 2L, 3L, 5L,
5L, 6L, 1L, 6L, 6L, 5L, 1L, 3L, 6L, 4L, 6L, 6L, 3L, 5L, 5L, 2L,
4L, 2L, 2L, 4L, 3L, 3L, 5L, 3L, 2L, 5L, 3L, 3L, 1L, 5L, 2L, 4L,
4L, 6L, 1L, 5L, 1L, 6L, 2L, 1L, 1L, 4L, 3L, 5L, 2L, 2L, 2L, 6L,
3L, 3L, 1L, 2L, 2L, 6L, 4L, 6L, 2L, 5L, 1L, 6L, 2L, 5L, 3L, 1L,
4L, 1L, 1L, 4L, 1L, 4L, 2L, 3L, 3L, 4L, 3L, 3L, 4L, 1L, 3L, 3L,
5L, 2L, 6L, 4L, 6L, 4L, 5L, 5L, 3L, 5L, 5L, 1L, 5L, 2L, 2L, 3L,
4L, 6L, 6L, 5L, 3L, 2L, 4L, 3L, 2L, 5L, 6L, 4L, 2L, 5L, 1L, 6L,
3L, 4L, 3L, 6L, 6L, 5L, 2L, 4L, 3L, 5L, 5L, 4L, 2L, 2L, 4L, 3L,
5L, 2L, 5L, 2L, 6L, 6L, 3L, 4L, 1L, 1L, 1L, 2L, 1L, 5L, 3L, 1L,
6L, 6L, 3L, 5L, 6L, 1L, 1L, 4L, 2L, 5L, 1L, 6L, 3L, 3L, 4L, 2L,
1L, 6L, 6L), var2 = c(5L, 4L, 6L, 3L, 5L, 1L, 3L, 1L, 4L,
3L, 2L, 4L, 2L, 1L, 2L, 3L, 2L, 5L, 1L, 2L, 3L, 3L, 2L, 1L, 3L,
6L, 6L, 5L, 6L, 6L, 3L, 5L, 3L, 1L, 4L, 3L, 2L, 4L, 3L, 4L, 1L,
5L, 3L, 6L, 2L, 2L, 3L, 3L, 2L, 1L, 5L, 6L, 3L, 3L, 1L, 5L, 2L,
1L, 1L, 6L, 2L, 5L, 5L, 4L, 1L, 1L, 2L, 2L, 2L, 1L, 6L, 3L, 4L,
4L, 1L, 5L, 1L, 4L, 2L, 1L, 3L, 1L, 1L, 2L, 6L, 4L, 3L, 5L, 3L,
2L, 6L, 3L, 6L, 3L, 5L, 5L, 3L, 3L, 6L, 6L, 2L, 4L, 6L, 5L, 5L,
4L, 6L, 6L, 2L, 1L, 3L, 4L, 2L, 6L, 6L, 3L, 6L, 4L, 2L, 6L, 5L,
2L, 1L, 5L, 5L, 4L, 2L, 5L, 5L, 2L, 3L, 5L, 2L, 6L, 6L, 1L, 4L,
1L, 4L, 4L, 6L, 6L, 1L, 3L, 2L, 3L, 2L, 4L, 3L, 3L, 6L, 5L, 5L,
1L, 4L, 4L, 4L, 6L, 1L, 1L, 1L, 3L, 6L, 6L, 1L, 1L, 3L, 6L, 6L,
4L, 2L, 3L, 2L, 1L, 3L, 2L, 5L, 6L, 5L, 4L, 1L, 5L, 4L, 4L, 6L,
4L, 4L, 6L, 6L, 2L, 3L, 1L, 5L, 2L, 5L, 3L, 4L, 5L, 3L, 4L, 2L,
1L, 6L, 6L, 2L, 5L, 4L, 5L, 1L, 4L, 3L, 5L, 5L, 5L, 1L, 5L, 3L,
3L, 6L, 1L, 2L, 1L, 4L, 2L, 5L, 4L, 5L, 5L, 1L, 4L, 2L, 4L, 4L,
2L, 2L, 3L, 1L, 4L, 4L, 5L, 1L, 2L, 3L, 1L, 2L, 6L, 5L, 5L, 3L,
2L, 6L, 1L, 6L, 2L, 3L, 3L, 5L, 2L, 6L, 4L, 6L, 1L, 4L, 6L, 4L,
4L, 3L, 6L, 3L, 3L, 3L, 2L, 3L, 5L, 4L, 1L, 3L, 4L, 3L, 5L, 5L,
5L, 4L, 6L, 6L, 5L, 2L, 3L, 5L, 5L, 5L, 2L, 1L, 2L, 1L, 4L, 1L,
2L, 1L, 5L, 3L, 3L, 2L, 2L, 2L, 6L, 6L, 4L, 2L, 2L, 3L, 4L, 4L,
4L, 1L, 4L, 5L, 3L, 4L, 2L, 1L, 3L, 6L, 1L, 2L, 5L, 3L, 6L, 2L,
6L, 3L, 5L, 5L, 2L, 2L, 6L, 5L, 1L, 1L, 6L, 1L, 4L, 4L, 6L, 5L,
1L, 5L, 1L, 4L, 6L, 6L, 3L, 6L, 3L, 3L, 6L, 3L, 1L, 1L, 1L, 6L,
1L, 1L, 5L, 4L, 3L, 5L, 5L, 1L, 6L, 6L, 2L, 6L, 4L, 6L, 5L, 2L,
3L, 6L, 1L, 5L, 1L, 2L, 3L, 1L, 1L, 4L, 2L, 5L, 1L, 2L, 6L, 4L,
2L, 1L, 3L, 5L, 6L, 1L, 3L, 1L, 6L, 3L, 4L, 4L, 3L, 2L, 6L, 2L,
3L, 2L, 2L, 5L, 4L, 5L, 6L, 6L, 4L, 4L, 2L, 4L, 4L, 6L, 4L, 6L,
2L, 6L, 1L, 3L, 1L, 3L, 6L, 3L, 4L, 3L, 3L, 4L, 2L, 2L, 2L, 6L,
6L, 2L, 4L, 2L, 6L, 3L, 2L, 5L, 6L, 3L, 6L, 3L, 2L, 3L, 1L, 1L,
4L, 3L, 1L, 3L, 6L, 3L, 3L, 6L, 5L, 2L, 2L, 2L, 4L, 6L, 5L, 4L,
5L, 3L, 3L, 4L, 5L, 2L, 2L, 5L, 6L, 3L, 5L, 1L, 4L, 5L, 2L, 4L,
3L, 2L, 6L, 4L, 2L, 4L, 5L, 4L, 5L, 4L, 2L, 6L, 5L, 3L, 1L, 1L,
1L, 4L, 4L, 3L, 4L, 5L, 5L, 1L, 6L, 4L, 5L, 1L, 4L, 5L, 2L, 3L,
4L, 2L, 1L, 4L, 5L, 5L, 4L, 4L, 4L, 4L, 5L, 4L, 1L, 2L, 6L, 2L,
1L, 4L, 4L, 2L, 3L, 2L, 5L, 1L, 6L, 1L, 2L, 3L, 5L, 6L, 1L, 5L,
1L, 3L, 4L, 4L, 2L, 5L, 2L, 2L, 2L, 2L, 6L, 6L, 1L, 1L, 1L, 6L,
1L, 1L, 5L, 5L, 6L, 5L, 6L, 1L, 5L, 4L, 6L, 3L, 2L, 2L, 6L, 3L,
5L, 4L, 1L, 3L, 6L, 3L, 2L, 6L, 3L, 4L, 3L, 5L, 3L, 1L, 1L, 4L,
4L, 2L, 4L, 1L, 3L, 1L, 2L, 4L, 3L, 6L, 1L, 6L, 5L, 4L, 1L, 5L,
6L, 5L, 6L, 1L, 6L, 5L, 6L, 3L, 2L, 3L, 2L, 6L, 1L, 6L, 4L, 5L,
1L, 5L, 4L, 5L, 6L, 3L, 5L, 5L, 1L, 2L, 5L, 5L, 1L, 6L, 5L, 4L,
6L, 3L, 5L, 3L, 1L, 4L, 3L, 2L, 4L, 2L, 1L, 2L, 3L, 2L, 5L, 1L,
3L, 2L, 3L, 3L, 2L, 1L, 2L, 3L, 6L, 6L, 5L, 6L, 6L, 3L, 3L, 5L,
3L, 1L, 4L, 2L, 3L, 6L, 2L, 4L, 3L, 4L, 1L, 5L, 3L, 6L, 2L, 2L,
3L, 3L, 2L), Décision = c(5L, 3L, 5L, 1L, 4L, 5L, 5L, 6L, 3L, 5L,
1L, 3L, 4L, 5L, 4L, 3L, 5L, 6L, 2L, 4L, 2L, 5L, 2L, 6L, 5L, 1L,
3L, 6L, 2L, 2L, 1L, 3L, 5L, 1L, 3L, 3L, 2L, 1L, 3L, 6L, 1L, 2L,
5L, 4L, 6L, 1L, 4L, 3L, 6L, 1L, 5L, 5L, 3L, 6L, 2L, 6L, 2L, 3L,
3L, 1L, 3L, 5L, 6L, 2L, 3L, 1L, 3L, 3L, 2L, 3L, 2L, 6L, 5L, 4L,
3L, 1L, 3L, 1L, 4L, 2L, 4L, 2L, 2L, 5L, 4L, 6L, 2L, 6L, 2L, 6L,
2L, 5L, 4L, 2L, 1L, 5L, 1L, 1L, 6L, 4L, 2L, 6L, 4L, 5L, 2L, 5L,
6L, 4L, 1L, 4L, 6L, 3L, 5L, 6L, 2L, 5L, 6L, 2L, 6L, 1L, 1L, 4L,
5L, 6L, 2L, 1L, 3L, 6L, 3L, 5L, 3L, 5L, 1L, 6L, 4L, 5L, 4L, 3L,
4L, 3L, 2L, 1L, 1L, 4L, 3L, 5L, 4L, 2L, 5L, 6L, 2L, 4L, 3L, 5L,
6L, 2L, 3L, 5L, 3L, 2L, 3L, 5L, 4L, 6L, 5L, 4L, 3L, 2L, 3L, 5L,
1L, 3L, 5L, 2L, 5L, 3L, 6L, 3L, 5L, 6L, 2L, 1L, 3L, 5L, 6L, 4L,
2L, 4L, 1L, 3L, 5L, 3L, 6L, 2L, 4L, 5L, 6L, 3L, 3L, 6L, 2L, 5L,
3L, 5L, 2L, 3L, 5L, 4L, 2L, 5L, 4L, 3L, 5L, 3L, 6L, 4L, 3L, 2L,
4L, 5L, 6L, 3L, 4L, 6L, 3L, 5L, 6L, 2L, 5L, 3L, 2L, 4L, 5L, 2L,
1L, 4L, 6L, 3L, 2L, 4L, 5L, 6L, 2L, 3L, 5L, 1L, 6L, 2L, 5L, 6L,
2L, 4L, 1L, 4L, 6L, 5L, 2L, 4L, 3L, 3L, 2L, 4L, 6L, 3L, 2L, 1L,
6L, 4L, 2L, 6L, 5L, 1L, 5L, 3L, 4L, 2L, 5L, 4L, 5L, 6L, 5L, 3L,
4L, 3L, 2L, 3L, 4L, 3L, 5L, 6L, 6L, 4L, 3L, 4L, 4L, 5L, 1L, 3L,
3L, 5L, 3L, 4L, 3L, 2L, 5L, 4L, 3L, 5L, 3L, 3L, 5L, 3L, 5L, 4L,
3L, 6L, 3L, 2L, 4L, 1L, 4L, 3L, 5L, 3L, 4L, 2L, 4L, 4L, 3L, 6L,
2L, 6L, 1L, 5L, 3L, 5L, 5L, 4L, 3L, 5L, 3L, 2L, 4L, 1L, 5L, 4L,
3L, 4L, 5L, 4L, 3L, 6L, 4L, 3L, 4L, 5L, 2L, 6L, 2L, 3L, 4L, 3L,
5L, 3L, 1L, 2L, 5L, 6L, 4L, 2L, 4L, 3L, 2L, 5L, 2L, 3L, 5L, 3L,
5L, 3L, 2L, 1L, 3L, 4L, 3L, 1L, 3L, 2L, 5L, 4L, 3L, 5L, 4L, 3L,
2L, 1L, 3L, 5L, 3L, 5L, 4L, 3L, 4L, 2L, 3L, 4L, 6L, 2L, 3L, 4L,
1L, 3L, 6L, 3L, 4L, 5L, 3L, 1L, 4L, 6L, 3L, 4L, 2L, 3L, 2L, 4L,
5L, 3L, 4L, 3L, 6L, 5L, 2L, 4L, 3L, 4L, 3L, 2L, 4L, 3L, 5L, 4L,
3L, 2L, 4L, 5L, 2L, 4L, 2L, 3L, 6L, 3L, 2L, 1L, 1L, 4L, 5L, 3L,
5L, 3L, 2L, 6L, 3L, 2L, 1L, 4L, 5L, 3L, 4L, 5L, 3L, 5L, 2L, 4L,
3L, 2L, 6L, 3L, 2L, 5L, 2L, 3L, 6L, 1L, 4L, 5L, 3L, 6L, 4L, 2L,
4L, 5L, 6L, 4L, 3L, 4L, 5L, 6L, 3L, 4L, 5L, 2L, 4L, 5L, 1L, 3L,
5L, 3L, 2L, 3L, 5L, 4L, 2L, 4L, 3L, 6L, 3L, 2L, 2L, 3L, 2L, 1L,
4L, 3L, 5L, 3L, 6L, 3L, 5L, 4L, 5L, 3L, 4L, 2L, 1L, 5L, 2L, 6L,
3L, 5L, 3L, 4L, 2L, 4L, 5L, 3L, 3L, 6L, 3L, 4L, 2L, 3L, 3L, 5L,
2L, 2L, 6L, 5L, 4L, 5L, 6L, 3L, 3L, 4L, 5L, 4L, 3L, 2L, 4L, 3L,
6L, 3L, 2L, 3L, 4L, 5L, 3L, 6L, 2L, 3L, 6L, 2L, 1L, 3L, 5L, 4L,
3L, 6L, 3L, 4L, 2L, 4L, 5L, 2L, 3L, 1L, 4L, 2L, 5L, 4L, 4L, 3L,
6L, 4L, 6L, 3L, 2L, 4L, 2L, 5L, 1L, 4L, 3L, 6L, 5L, 4L, 3L, 2L,
6L, 3L, 2L, 3L, 4L, 3L, 4L, 5L, 4L, 3L, 1L, 4L, 5L, 6L, 5L, 4L,
5L, 2L, 3L, 4L, 6L, 4L, 3L, 2L, 4L, 5L, 4L, 3L, 5L, 6L, 3L, 5L,
2L, 5L, 6L, 4L, 5L, 3L, 6L, 3L, 4L, 5L, 5L, 6L, 5L, 6L, 4L, 5L,
6L, 6L, 5L, 6L, 4L, 5L, 6L, 4L, 6L, 6L, 6L, 6L, 5L, 5L, 6L, 6L,
5L, 6L, 4L, 3L, 6L, 4L, 5L, 5L, 6L, 5L, 3L, 5L, 2L, 4L, 4L, 5L,
6L, 6L)), .Names = c("var1", "var2", "Décision"), row.names = c(1L,
2L, 3L, 5L, 6L, 7L, 8L, 9L, 10L, 11L, 12L, 13L, 14L, 15L, 17L,
18L, 19L, 20L, 21L, 22L, 23L, 24L, 25L, 26L, 27L, 28L, 30L, 31L,
32L, 33L, 34L, 35L, 37L, 38L, 39L, 40L, 42L, 44L, 45L, 46L, 49L,
51L, 52L, 53L, 55L, 56L, 57L, 58L, 59L, 60L, 61L, 63L, 64L, 65L,
66L, 67L, 68L, 69L, 70L, 71L, 72L, 73L, 74L, 75L, 76L, 79L, 80L,
81L, 82L, 83L, 84L, 85L, 86L, 87L, 89L, 90L, 91L, 92L, 93L, 94L,
95L, 96L, 97L, 98L, 99L, 100L, 101L, 103L, 104L, 106L, 107L,
108L, 109L, 110L, 111L, 112L, 113L, 114L, 115L, 116L, 117L, 118L,
119L, 120L, 121L, 122L, 123L, 124L, 125L, 126L, 127L, 128L, 129L,
130L, 131L, 132L, 133L, 134L, 135L, 136L, 139L, 140L, 141L, 142L,
143L, 145L, 146L, 147L, 148L, 149L, 150L, 151L, 152L, 153L, 154L,
155L, 157L, 158L, 160L, 161L, 162L, 164L, 167L, 168L, 171L, 172L,
173L, 174L, 175L, 177L, 178L, 179L, 181L, 182L, 183L, 184L, 186L,
187L, 188L, 189L, 190L, 191L, 192L, 194L, 195L, 197L, 198L, 199L,
200L, 201L, 202L, 203L, 204L, 205L, 206L, 207L, 208L, 209L, 210L,
211L, 212L, 213L, 214L, 215L, 218L, 219L, 220L, 222L, 223L, 224L,
225L, 226L, 227L, 229L, 230L, 231L, 232L, 233L, 234L, 236L, 237L,
238L, 239L, 240L, 241L, 242L, 243L, 244L, 245L, 246L, 247L, 248L,
249L, 251L, 252L, 253L, 254L, 255L, 256L, 257L, 258L, 259L, 260L,
262L, 263L, 265L, 266L, 267L, 268L, 269L, 270L, 271L, 272L, 273L,
274L, 275L, 276L, 277L, 278L, 279L, 280L, 281L, 282L, 283L, 284L,
285L, 286L, 288L, 289L, 290L, 291L, 292L, 293L, 294L, 295L, 297L,
298L, 299L, 300L, 302L, 303L, 304L, 305L, 306L, 307L, 308L, 309L,
310L, 311L, 313L, 314L, 316L, 317L, 318L, 319L, 320L, 323L, 324L,
326L, 330L, 331L, 332L, 333L, 334L, 335L, 336L, 337L, 338L, 339L,
340L, 341L, 343L, 345L, 346L, 347L, 348L, 350L, 351L, 352L, 353L,
354L, 355L, 356L, 357L, 358L, 359L, 360L, 362L, 363L, 364L, 365L,
366L, 367L, 368L, 369L, 370L, 371L, 372L, 373L, 374L, 375L, 376L,
377L, 378L, 379L, 380L, 381L, 383L, 384L, 385L, 386L, 387L, 388L,
389L, 391L, 392L, 393L, 395L, 396L, 397L, 399L, 400L, 401L, 402L,
403L, 404L, 405L, 406L, 407L, 408L, 410L, 411L, 412L, 413L, 415L,
416L, 417L, 419L, 420L, 421L, 422L, 423L, 424L, 425L, 426L, 428L,
429L, 430L, 432L, 433L, 434L, 435L, 436L, 437L, 438L, 440L, 441L,
442L, 443L, 445L, 446L, 447L, 448L, 449L, 450L, 451L, 452L, 454L,
455L, 456L, 457L, 458L, 459L, 460L, 461L, 462L, 463L, 464L, 466L,
467L, 468L, 469L, 470L, 471L, 472L, 473L, 474L, 475L, 476L, 477L,
478L, 479L, 480L, 481L, 485L, 486L, 488L, 489L, 491L, 492L, 493L,
494L, 495L, 496L, 497L, 498L, 499L, 500L, 501L, 502L, 503L, 504L,
505L, 506L, 507L, 509L, 510L, 511L, 512L, 513L, 514L, 515L, 516L,
517L, 518L, 519L, 520L, 521L, 522L, 523L, 524L, 525L, 526L, 527L,
528L, 529L, 530L, 531L, 532L, 534L, 536L, 537L, 538L, 539L, 540L,
541L, 543L, 544L, 545L, 546L, 547L, 549L, 550L, 551L, 552L, 553L,
554L, 555L, 556L, 557L, 558L, 559L, 560L, 561L, 562L, 563L, 564L,
566L, 568L, 569L, 570L, 571L, 572L, 573L, 574L, 575L, 576L, 577L,
578L, 579L, 580L, 581L, 582L, 583L, 584L, 585L, 586L, 589L, 590L,
591L, 592L, 593L, 594L, 595L, 597L, 598L, 599L, 600L, 601L, 602L,
603L, 604L, 605L, 606L, 607L, 608L, 610L, 611L, 613L, 614L, 616L,
617L, 618L, 619L, 621L, 622L, 623L, 624L, 625L, 627L, 628L, 629L,
630L, 631L, 632L, 633L, 635L, 637L, 638L, 639L, 640L, 641L, 643L,
644L, 645L, 646L, 648L, 649L, 652L, 653L, 655L, 656L, 657L, 658L,
659L, 660L, 661L, 662L, 663L, 664L, 666L, 667L, 668L, 669L, 670L,
671L, 672L, 674L, 675L, 676L, 677L, 678L, 679L, 680L, 681L, 682L,
683L, 684L, 685L, 686L, 687L, 688L, 689L, 690L, 691L, 692L, 693L,
694L, 695L, 696L, 697L, 698L, 699L, 700L, 703L, 704L, 705L, 706L,
707L, 708L, 709L, 712L, 713L, 714L, 715L, 716L, 717L, 718L, 719L,
720L, 721L, 724L, 725L, 726L, 729L, 730L, 731L, 732L, 733L, 734L,
737L, 738L, 739L, 740L, 741L, 742L, 743L, 744L, 745L, 746L, 747L,
748L, 749L, 750L, 752L, 753L, 4104L, 4105L, 4107L, 4108L, 4110L,
4111L, 4112L, 4113L, 4114L, 4115L, 4117L, 4118L, 4119L, 4120L,
4122L, 4123L, 4124L, 4125L, 4126L, 4127L, 4128L, 4129L, 4130L,
4131L, 4132L, 4133L, 4134L, 4135L, 4137L, 4138L, 4139L, 4140L,
4141L, 4142L, 4143L, 4145L, 4146L, 4147L, 4148L, 4149L, 4151L,
4152L, 4154L, 4155L, 4156L, 4159L, 4161L, 4162L, 4163L, 4165L,
4166L, 4167L, 4168L, 4169L), class = "data.frame")

lenny868

Nombre de messages : 48
Date d'inscription : 16/01/2018

Voir le profil de l'utilisateur

Revenir en haut Aller en bas

Autorégression / Time serie Empty Re: Autorégression / Time serie

Message par Eric Wajnberg le Sam 18 Mai 2019 - 7:04

Avant tout chose, il vous faut regarder la fonction d'autocorrelation, et il y a une fonction acf() sous R qui calcule ça. Ceci vous donnera une information sur le lag (comme vous dites), et sa significativité statistique.

Tenez-nous informés.

HTH, Eric.
Eric Wajnberg
Eric Wajnberg

Nombre de messages : 1059
Date d'inscription : 14/09/2012

Voir le profil de l'utilisateur

Revenir en haut Aller en bas

Autorégression / Time serie Empty Re: Autorégression / Time serie

Message par lenny868 le Sam 18 Mai 2019 - 9:20

Merci pour ce retour,

Je viens de trouver ce code qui correspond a peut prés à ce que j'ai pu voir en cours :

Code:

require("forecast")
require("vars")

x <- x[c(2,3)]
plot.ts(x)
summary(x)


#Run Augmented Dickey-Fuller tests to determine stationarity and differences to achieve stationarity.
ndiffs(x[, "Var2"], alpha = 0.05, test = c("adf"))
ndiffs(x[, "Décision"], alpha = 0.05, test = c("adf"))

#Difference to achieve stationarity
d.x1 = diff(x[, "Var2"], differences = 1)
d.x2 = diff(x[, "Décision"], differences = 1)

dx = cbind(d.x1, d.x2)
plot.ts(dx)

#Lag optimisation
lag.select=VARselect(dx, lag.max = 2, type = "both")
lag.select$selection

#Vector autoregression with lags set according to results of lag optimisation.
var = VAR(dx, p=2)

#Test for serial autocorrelation using the Portmanteau test
#Rerun var model with other suggested lags if H0 can be rejected at 0.05
serial.test(var, lags.pt = 10, type = "PT.asymptotic")

#ARCH test (Autoregressive conditional heteroscedasdicity)
arch.test(var, lags.multi = 10)

summary(var)

#Granger Causality test
#Does x1 granger cause x2?
grangertest(d.x2 ~ d.x1, order = 2)

#Does x2 granger cause x1?
grangertest(d.x1 ~ d.x2, order = 2)

#Forecasting
prd <- predict(var, n.ahead = 10, ci = 0.95, dumvar = NULL)
print(prd)
plot(prd, "single")

Je vais essayer de reprendre mes questions point par point pour ce code. J'ai simplifié la problématique : la variable indépendant est "Var2" et la variable dépendant est "Décision"

(1) plot.ts(x)
Var 2 est presque remplie, je suppose que c'est à cause de la répartition équiprobable de Var2?
Exemple : table(x$Var2)
 1       2       3      4       5     6
1943 1944 1944 1944 1943 1944


(2)d.x1 = diff(x[, "Var2"], differences = 1)
Comment selectionner la difference ?

(3)lag.select=VARselect(dx, lag.max = 2, type = "both")
Quoi que je mette dans lag.max, tous les criètres sortent la même valeur que j'ai entrée. Normalement l'AIC comptabilise la "meilleure valeure" ?

(4) Le ACF(x, max.lag=2) me sort un graphique mais pas de valeurs pour déterminer le lag.
Tout cela est nouveau pour moi. Merci pour votre aide
Lenny

lenny868

Nombre de messages : 48
Date d'inscription : 16/01/2018

Voir le profil de l'utilisateur

Revenir en haut Aller en bas

Autorégression / Time serie Empty Re: Autorégression / Time serie

Message par Eric Wajnberg le Sam 18 Mai 2019 - 16:36

lenny868 a écrit:Merci pour ce retour,

[...]

(4) Le  ACF(x, max.lag=2) me sort un graphique mais pas de valeurs pour déterminer le lag.
Tout cela est nouveau pour moi. Merci pour votre aide
Lenny
Je ne connais pas l'argument max.lag de la fonction acf(). En revanche, je connais l'argument lag.max (..). Par ailleurs, l’intérêt de la fonction acf() est de chercher (et donc de ne pas imposer) la valeur du lag. Laissez cette fonction calculer l'autocorrelation pour tous les décalages de la série. S'il y a un lag, vous le verrez apparaitre.

Cordialement, Eric.
Eric Wajnberg
Eric Wajnberg

Nombre de messages : 1059
Date d'inscription : 14/09/2012

Voir le profil de l'utilisateur

Revenir en haut Aller en bas

Autorégression / Time serie Empty Re: Autorégression / Time serie

Message par lenny868 le Sam 18 Mai 2019 - 20:24

D'accord, essayons acf :

Code:
> b=acf(x)
> b

Autocorrelations of series ‘x’, by lag

, , Var

 Var          Choice     
  1.000 (  0)  0.046 (  0)
  0.014 (  1) -0.007 ( -1)
 -0.009 (  2)  0.001 ( -2)
 -0.042 (  3) -0.001 ( -3)
  0.048 (  4) -0.013 ( -4)
  0.006 (  5) -0.010 ( -5)
  0.017 (  6)  0.003 ( -6)
 -0.018 (  7)  0.003 ( -7)
 -0.002 (  8) -0.004 ( -8)
  0.003 (  9)  0.000 ( -9)
  0.002 ( 10) -0.001 (-10)
  0.020 ( 11)  0.005 (-11)
 -0.035 ( 12) -0.003 (-12)
 -0.034 ( 13)  0.004 (-13)
 -0.024 ( 14)  0.003 (-14)
 -0.009 ( 15)  0.003 (-15)
 -0.024 ( 16) -0.010 (-16)
  0.024 ( 17) -0.005 (-17)
  0.023 ( 18) -0.015 (-18)
 -0.031 ( 19) -0.013 (-19)
  0.007 ( 20) -0.011 (-20)
  0.031 ( 21) -0.004 (-21)
 -0.016 ( 22)  0.006 (-22)
 -0.009 ( 23)  0.009 (-23)
 -0.011 ( 24)  0.004 (-24)
  0.031 ( 25)  0.000 (-25)
 -0.003 ( 26)  0.012 (-26)
  0.004 ( 27) -0.003 (-27)
 -0.001 ( 28) -0.005 (-28)
  0.028 ( 29) -0.001 (-29)
 -0.004 ( 30)  0.004 (-30)
 -0.031 ( 31) -0.006 (-31)
 -0.024 ( 32)  0.001 (-32)
 -0.016 ( 33)  0.007 (-33)
  0.004 ( 34) -0.005 (-34)
 -0.013 ( 35) -0.001 (-35)
 -0.019 ( 36) -0.009 (-36)
  0.023 ( 37) -0.006 (-37)

, , Choice

 Var          Choice     
  0.046 (  0)  1.000 (  0)
  0.000 (  1)  0.390 (  1)
  0.001 (  2)  0.321 (  2)
  0.002 (  3)  0.283 (  3)
  0.004 (  4)  0.288 (  4)
 -0.005 (  5)  0.301 (  5)
  0.001 (  6)  0.296 (  6)
 -0.013 (  7)  0.297 (  7)
  0.013 (  8)  0.287 (  8)
 -0.005 (  9)  0.300 (  9)
 -0.001 ( 10)  0.292 ( 10)
  0.008 ( 11)  0.293 ( 11)
  0.002 ( 12)  0.282 ( 12)
  0.005 ( 13)  0.276 ( 13)
 -0.004 ( 14)  0.291 ( 14)
  0.002 ( 15)  0.298 ( 15)
 -0.005 ( 16)  0.295 ( 16)
 -0.018 ( 17)  0.273 ( 17)
 -0.015 ( 18)  0.289 ( 18)
  0.003 ( 19)  0.281 ( 19)
  0.001 ( 20)  0.283 ( 20)
  0.006 ( 21)  0.297 ( 21)
 -0.001 ( 22)  0.282 ( 22)
  0.004 ( 23)  0.289 ( 23)
  0.000 ( 24)  0.269 ( 24)
 -0.012 ( 25)  0.274 ( 25)
 -0.013 ( 26)  0.278 ( 26)
 -0.020 ( 27)  0.262 ( 27)
 -0.006 ( 28)  0.263 ( 28)
  0.005 ( 29)  0.281 ( 29)
 -0.005 ( 30)  0.266 ( 30)
 -0.008 ( 31)  0.282 ( 31)
 -0.001 ( 32)  0.266 ( 32)
 -0.010 ( 33)  0.254 ( 33)
 -0.001 ( 34)  0.275 ( 34)
 -0.006 ( 35)  0.274 ( 35)
  0.007 ( 36)  0.257 ( 36)
 -0.011 ( 37)  0.251 ( 37)

Ce que je comprends c'est que la correlation entre Choix(t) et choix(t-1) est la plus élevée = 0.39. Pas de corrélation entre les stimuli 'Var1' (normalement car ils sont aléatoirement émis). Peut-on dire qu'il y a un effet du précédent choix et que le meilleur lag =1 ? Quelle direction il faut suivre après cela ?
Merci
Lenny,


lenny868

Nombre de messages : 48
Date d'inscription : 16/01/2018

Voir le profil de l'utilisateur

Revenir en haut Aller en bas

Autorégression / Time serie Empty Re: Autorégression / Time serie

Message par Eric Wajnberg le Dim 19 Mai 2019 - 15:41

Je ne comprends pas bien les sorties que vous avez. De mon côté, R me sort les sorties sous un autre format. Mais bon.

Dans votre post initial, vous disiez "je pense que, il y a un impact fort des choix précédents sur le choix actuel". On parle bien d'autocorrélation sur la variable choix (et c'est pour ceci que je vous ai orienté sur ce choix). Par ailleurs, une corrélation en soit de 0.39 ne dit rien. Il faut tester si elle est significative. Par défaut (de mon côté en tout cas) R trace la fonction d'autocorrélation et donne une bande de confiance.

Pour finir, s'il y a une auto-corrélation, vous pouvez la prendre en compte dans votre modèle de régression.

J'avoue ne pas être un spécialiste de l'analyse de séries chronologiques. Je ne pense pouvoir vous aider d'avantage que ceci.

Dans tous les cas, merci de nous tenir informés de la suite de votre analyse.

Cordialement, Eric.
Eric Wajnberg
Eric Wajnberg

Nombre de messages : 1059
Date d'inscription : 14/09/2012

Voir le profil de l'utilisateur

Revenir en haut Aller en bas

Autorégression / Time serie Empty Re: Autorégression / Time serie

Message par Contenu sponsorisé


Contenu sponsorisé


Revenir en haut Aller en bas

Revenir en haut

- Sujets similaires

 
Permission de ce forum:
Vous ne pouvez pas répondre aux sujets dans ce forum