Sélectionner l'ordre optimal avec AIC et BIC

Vous savez déjà tracer l'ACF et la PACF pour repérer les ordres d'un modèle. Mais comment trancher lorsque plusieurs combinaisons (p, q) semblent plausibles ? Les critères d'information AIC et BIC offrent une réponse quantitative : ils mesurent la qualité d'ajustement tout en pénalisant la complexité, évitant ainsi le surapprentissage. La logique commune : vraisemblance et pénalité AIC et BIC partagent la même structure : ils soustraient à la log-vraisemblance maximale un terme de pénalité proportionnel au nombre de paramètres d. Plus un modèle est complexe, plus la pénalité est élevée. On retient le modèle dont la valeur est la plus faible. Sans cette pénalité, ajouter des paramètres amélio