Ce module étend les concepts appris dans la semaine 1 sur le processus AR(1) au cas général de AR(p). L'estimation du maximum de vraisemblance et l'inférence bayésienne a posteriori dans le processus AR(p) sont discutées.

Les modèles linéaires dynamiques normaux (NDLM) sont définis et illustrés dans ce module à l'aide de plusieurs exemples. La construction de modèles basés sur la fonction de prévision via le principe de superposition est expliquée. Les méthodes de filtrage, de lissage et de prévision bayésiennes pour les NDLM dans le cas de variances d'observation connues et de matrices de covariance de système connues sont discutées et illustrées.

Dans ce module, vous étendrez les modèles dynamiques linéaires normaux pour traiter la structure saisonnière et des composants de modèle plus complexes en utilisant les représentations de Fourier et le principe de superposition. Vous étudierez également le filtrage, le lissage et la prévision bayésiens lorsque la variance d'observation est inconnue, y compris l'utilisation de facteurs d'actualisation pour spécifier les matrices de covariance du système.

Dans ce projet final, vous utiliserez des modèles linéaires dynamiques normaux pour analyser un ensemble de données de séries temporelles téléchargées à partir de Google trend.