Глоссарий ИИ
Полный словарь искусственного интеллекта
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.
Байесовский информационный критерий (BIC)
Критерий выбора модели для определения оптимального количества лагов в тестах Грейнджера, отдающий предпочтение простоте по сравнению с AIC. BIC накладывает более строгое наказание за дополнительные параметры, снижая риск переобучения в моделях причинно-следственной связи.
VAR-модель (векторная авторегрессионная модель)
Эконометрическая модель, в которой каждая переменная регрессируется на свои собственные прошлые значения и на прошлые значения других переменных системы, являющаяся основой для многомерных тестов причинности по Грейнджеру. VAR-модели позволяют улавливать динамические взаимозависимости между несколькими временными рядами.
Импульсные отклики
Дополнительный анализ к тестам Грейнджера, который отслеживает изменение переменных во времени после шока конкретной переменной в VAR-модели. Эта техника позволяет количественно оценить амплитуду и длительность эффектов причинности, выявленных с помощью тестов Грейнджера.
Разложение дисперсии
Статистический метод, определяющий долю дисперсии ошибки прогнозирования переменной, обусловленную шоками самой переменной и других переменных системы. Этот анализ количественно оценивает относительную важность отношений причинности по Грейнджеру в объяснении колебаний переменных.
Тест на нелинейность
Расширение тестов Грейнджера на нелинейные отношения между временными рядами, использующее такие модели, как нейронные сети или модели с переходом режимов. Эти тесты выявляют причинно-следственные связи, которые могут быть упущены классическими линейными тестами.
Условная причинность
Тест Грейнджера, который оценивает отношение причинности между двумя переменными при условии набора контрольных переменных, тем самым изолируя прямой эффект причинности. Этот подход позволяет отличить прямую причинность от косвенной причинности, опосредованной другими переменными.
Нелинейный тест Грейнджера
Вариант теста Грейнджера, предназначенный для обнаружения нелинейных предсказательных отношений между временными рядами, использующий такие методы, как пороговые модели или методы ядер. Этот тест особенно полезен, когда экономические отношения характеризуются асимметрией или сменой режимов.