Utilisateur:EtudiantEco
Un article de Wikipédia, l'encyclopédie libre.
Comme mon pseudo l'indique, je suis étudiant en économie politique. Je suis intéressé par la statistique, l'économétrie. Plus particulièrement par l'étude des séries temporelles (modèles VECM, Threshold VECM). Je suis aussi utilisateur de R.
Toute personne intéressée également par ces projets peut volontiers me contacter pour les développer un peu plus.
Bienvenue. Ceci est ta page utilisateur, EtudiantEco.
N’hésite pas à la modifier et à t’y présenter !
--Sire de Hephgé 19 août 2006 à 14:21 (CEST)
Un peu de chenit qui m'est utile
On peut montrer l'équivalence entre ces postulats à l'aide des multiplicateurs de Lagrange. Dans l'ensemble microcanonique, l'énergie est fixée à une valeur E, et on a donc :
{{Théorème|Définition|blabla}}
Définition — Une fonction f d’un intervalle I de vers est dite convexe lorsque, pour tous x1 et x2 de I et tout λ dans [0,1] on a :
Le résumé introductif est trop long ou ne respecte pas les recommandations.
Vous pouvez le raccourcir en déplaçant son contenu ou en discuter.
|
Aide:Comment modifier une page
Test de Dickey Fuller (en) grace à {{Lien|Test de Dickey Fuller|en|trad=Dickey-Fuller test}}
grace a {{article détaillé|1884 au Canada}}
Robinson, Joan. 1953–54. “The Production Function and the Theory of Capital.” Review of Economic Studies. 21:2, pp. 81–106
Even in the first case, in a time series generated from a stochastic process, we cannot say that the time series is stationary or nonstationary unless we know the generating process. In fact, any short time series (theoretically, any time series with finite length) can be generated by infinite stochastic processes, stationary and nonstationary.
{{Périodique | auteur = Philips P.C.B| titre = Understanding Spurious Regression in econometrics | journal = Journal of econometrics | vol = 33 | date= 1986 | pages = 311-340 }}
Philips P.C.B, « Understanding Spurious Regression in econometrics », dans Journal of econometrics, 1986, 33, p. 311-340
Résultat affiché | Code R | |||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Call: lm(formula = x ~ y) Residuals
Coefficients
Residual standard error: 0.972 on 498 degrees of freedom Multiple R-squared: 0.0027, Adjusted R-squared: 0.000695 F-statistic: 1.35 on 1 and 498 DF,p-value: 0.246 |
x<-cumsum(rnorm(100)) #x: simulation d'une variable intégrée d'ordre 1 y<-cumsum(rnorm(100)) #y: simulation d'une variable intégrée d'ordre 1 summary(lm(y~x)) #Régression linéaire |