Time Series Analysis Intervals and Energy Economics Forecast
Analyse des séries temporelles intervalles et prévision en économie de l'énergie
Résumé
This working paper presents the methods for estimating the parameters of a regression model when the variables are observed in an interval format. It illustrates this estimation procedure on electricity consumption data in France, in order to make a comparison between the forecast values from the interval data and the confidence interval of the forecast from the point data. First, we show that the use of single values to characterize an economic variable leads to a loss of information. In a second step, these estimation methods were applied to interval electricity consumption data in France for forecasting purposes. Examining the evolution of our data via tests allowed us to detect a seasonal effect, but not an extra-seasonal one. Thus, the estimation procedures are implemented on seasonally adjusted data by the Census X12 method, and the forecast will take into account the seasonal coefficients obtained after seasonal adjustment. To measure the value of analysis on interval data, we compared the forecast on interval data to the confidence interval of the forecast on point data. In the last section, the observation of the profile of the forecast confidence intervals and that of the forecasts on the interval data revealed the inclusion of the confidence interval of the forecast on the classical data, in the bounds predicted by the interval data. This inclusion persists with the increase in the level of confidence in the forecast confidence interval. We therefore concluded on the impossibility of conventional data to cover the range of the true value of the variable studied.
Ce document de travail présente les méthodes d’estimation des paramètres d’un modèle de régression lorsque les variables sont observées sous un format intervalle. Il illustre cette procédure d’estimation sur les données de consommation d’électricité en France, afin d’effectuer une comparaison entre les valeurs prévisionnelles issues des données intervalles et l’intervalle de confiance de la prévision issu des données ponctuelles. Dans un premier temps, nous montrons que l’utilisation des valeurs uniques pour caractériser une variable économique entraîne une perte d’informations. Dans un deuxième temps, ces méthodes d’estimation ont été appliquées aux données intervalles de consommation d’électricité en France dans une optique de prévision. L’examen de l’évolution de nos données via des tests nous a permis de déceler un effet saisonnier, mais pas d’extra-saisonnier. Ainsi, les procédures d’estimation sont mises en sur les données désaisonnalisées par la méthode Census X12, et la prévision prendra en compte les coefficients saisonniers obtenus après désaisonnalisation. Pour mesurer l’intérêt de l’analyse sur les données intervalles, nous avons comparé la prévision sur les données intervalles, à l’intervalle de confiance de la prévision sur les données ponctuelles. Dans la dernière section, l’observation du profil des intervalles de confiance prévisionnels et celui des prévisions sur les données intervalles a révélé l’inclusion de l’intervalle de confiance de la prévision sur les données classiques, dans les bornes prévues par les données intervalles. Cette inclusion persiste avec l’augmentation du niveau de confiance accordé à l’IC de la prévision. Nous avons ainsi conclu sur l’impossibilité des données classiques à couvrir l’intervalle de la vraie valeur de la variable étudiée.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...