Vous savez déjà lire l'ACF pour repérer l'ordre q d'un modèle MA et vous avez manipulé le critère AIC dans le contexte ARIMA. Cette leçon cible un cas plus simple : choisir automatiquement l'ordre q d'un modèle MA pur en balayant plusieurs valeurs et en retenant celle qui minimise l'AIC. Vous verrez pourquoi ce critère pénalise la complexité et comment traduire ce principe en quelques lignes de Python. ## Le rôle de pénalisation de l'AIC L'AIC combine deux forces opposées. D'un côté, il récompense l'ajustement aux données via la log-vraisemblance maximisée. De l'autre, il pénalise chaque paramètre supplémentaire avec un terme égal à deux fois le nombre de paramètres estimés. Augmenter q amél
La suite de cette leçon est réservée aux abonnés
Créez votre compte gratuit pour lire les leçons en accès libre, puis passez à l'accès complet quand vous le souhaitez.