Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Test de Granger
Test statistique développé par Clive Granger pour déterminer si une série temporelle contient de l'information prédictive sur une autre série temporelle future. Ce test repose sur l'hypothèse que la connaissance des valeurs passées d'une variable X améliore la prévision d'une variable Y au-delà de ce qui est possible avec seulement les valeurs passées de Y.
Prédiction linéaire
Méthode de prévision qui utilise une combinaison linéaire des valeurs passées d'une ou plusieurs variables pour estimer les valeurs futures. Le test de Granger classique repose sur des modèles de prédiction linéaire pour évaluer les relations de causalité entre séries temporelles.
Lag temporel
Délai temporel entre une cause et son effet, représenté par le nombre de périodes passées utilisées pour prédire les valeurs futures dans les modèles de causalité. Le choix approprié du lag est crucial pour la validité du test de Granger et peut être déterminé par des critères d'information comme l'AIC ou le BIC.
Test F de Granger
Version spécifique du test de Granger utilisant la statistique F pour comparer deux modèles de régression : un modèle contraint (sans la variable causale supposée) et un modèle non contraint (avec cette variable). La nullité des coefficients de la variable causale dans le modèle contraint est testée contre leur non-nullité dans le modèle complet.
Intégration
Ordre d'intégration d'une série temporelle, noté I(d), indiquant le nombre de fois où la série doit être différenciée pour devenir stationnaire. La connaissance de l'ordre d'intégration est fondamentale pour appliquer correctement les tests de Granger et éviter les régressions fallacieuses.
Test de causalité multivarié
Extension du test de Granger au cas de plusieurs variables simultanées, utilisant des modèles VAR (Vector Autoregressive) pour analyser les relations de causalité dans un système complexe. Cette approche permet de contrôler les effets des autres variables et d'identifier les relations de causalité directes.
Test de Granger instantané
Test de causalité qui examine si des changements simultanés dans deux variables à la même période temporelle sont statistiquement significatifs, contrairement au test de Granger classique qui se concentre sur les décalages temporels. Ce test est particulièrement pertinent pour les données à haute fréquence où les effets instantanés peuvent être importants.
Critère d'information d'Akaike (AIC)
Métrique statistique utilisée pour sélectionner le nombre optimal de lags dans les modèles de test de Granger, équilibrant l'ajustement du modèle et sa complexité. L'AIC pénalise moins sévèrement la complexité que le BIC, tendant à sélectionner des modèles avec plus de paramètres.
Critère d'information bayésien (BIC)
Critère de sélection de modèle pour déterminer le nombre optimal de lags dans les tests de Granger, privilégiant la parcimonie par rapport à l'AIC. Le BIC impose une pénalité plus forte pour les paramètres supplémentaires, réduisant le risque de surajustement dans les modèles de causalité.
Modèle VAR (Vector Autoregressive)
Modèle économétrique où chaque variable est régressée sur ses propres valeurs passées et sur les valeurs passées des autres variables du système, base des tests de causalité multivariés de Granger. Les modèles VAR permettent de capturer les interdépendances dynamiques entre plusieurs séries temporelles.
Impulsions-réponses
Analyse complémentaire aux tests de Granger qui trace l'évolution des variables au cours du temps suite à un choc sur une variable spécifique dans un modèle VAR. Cette technique permet de quantifier l'amplitude et la durée des effets de causalité identifiés par les tests de Granger.
Décomposition de variance
Méthode statistique qui détermine la proportion de la variance de l'erreur de prévision d'une variable attribuable aux chocs sur elle-même et sur les autres variables du système. Cette analyse quantifie l'importance relative des relations de causalité de Granger dans l'explication des variations des variables.
Test de non-linéarité
Extension des tests de Granger aux relations non-linéaires entre séries temporelles, utilisant des modèles comme les réseaux de neurones ou les modèles à transition de régime. Ces tests détectent des causalités que les tests linéaires classiques pourraient manquer.
Causalité conditionnelle
Test de Granger qui évalue la relation de causalité entre deux variables en conditionnant sur un ensemble de variables de contrôle, isolant ainsi l'effet direct de causalité. Cette approche permet de distinguer la causalité directe de la causalité indirecte médiatisée par d'autres variables.
Test de Granger non-linéaire
Variante du test de Granger conçue pour détecter des relations prédictives non-linéaires entre séries temporelles, utilisant des méthodes comme les modèles à seuil ou les noyaux. Ce test est particulièrement utile lorsque les relations économiques présentent des asymétries ou des changements de régime.