Repository Public
1Reject H₀ Rejeter H₀2Fail to reject H₀ Ne pas rejeter H₀3Decision at α = %@ Décision au seuil α = %@4Intercept Ordonnée à l’origine5Term Terme6Estimate Estimation7Std. error Erreur type8p-value Valeur p9%@ CI lower IC à %@, borne inf.10%@ CI upper IC à %@, borne sup.11“%@” has %d numeric observations; at least %d are needed. « %@ » compte %d observations numériques; il en faut au moins %d.12%d rows without a number were skipped; the remaining %d observations are treated as equally spaced. %d lignes sans nombre ont été ignorées; les %d observations restantes sont traitées comme équidistantes.13Observation Observation14At least two complete rows are needed. Il faut au moins deux lignes complètes.15“%@” is constant and cannot be standardized. « %@ » est constante et ne peut pas être centrée-réduite.16All %d rows were used. Les %d lignes ont toutes été utilisées.17Listwise deletion: %d of %d rows are complete and were used. Suppression par liste : %d lignes complètes sur %d ont été utilisées.18Adds the columns to the right of the data range. One step to undo. Ajoute les colonnes à droite de la plage de données. Une seule étape à annuler.19The columns could not be written. Les colonnes n’ont pas pu être écrites.20Columns written to %@ Colonnes écrites dans %@21Two-sided Bilatéral22Less (lower tail) Inférieur (queue inférieure)23Greater (upper tail) Supérieur (queue supérieure)24ARIMA(p, d, q) ARIMA(p, d, q)25Time series Séries chronologiques26Fits a non-seasonal ARIMA model by exact Gaussian maximum likelihood and forecasts with prediction intervals. Ajuste un modèle ARIMA non saisonnier par maximum de vraisemblance gaussienne exacte et produit des prévisions avec intervalles de prévision.27Data range Plage de données28Series Série29Dates or x values Dates ou valeurs de x30Optional increasing dates or numbers for the chart axis. Dates ou nombres croissants facultatifs pour l’axe du graphique.31AR order p Ordre AR p32Differencing order d Ordre de différenciation d33MA order q Ordre MA q34Constant term Terme constant35Automatic Automatique36Include Inclure37Omit Omettre38Automatic: a mean when d = 0, no drift when d > 0. Automatique : une moyenne lorsque d = 0, aucune dérive lorsque d > 0.39Forecast horizon Horizon de prévision40Prediction level Niveau de prévision41Ljung–Box lags Retards du test de Ljung–Box42Significance level α Seuil de signification α43Estimation: exact Gaussian likelihood (Kalman filter on the differenced series) maximised by Nelder–Mead from 3 starts. Conditional sum of squares is not offered. Estimation : vraisemblance gaussienne exacte (filtre de Kalman sur la série différenciée) maximisée par Nelder–Mead à partir de 3 points de départ. La somme des carrés conditionnelle n’est pas offerte.44At fixed parameters the log-likelihood matches statsmodels to 1e-10. Optimised estimates agree with statsmodels ARIMA.fit() to about 2e-3 in the parameters and 1e-4 in the log-likelihood. À paramètres fixés, la log-vraisemblance concorde avec statsmodels à 1e-10. Les estimations optimisées concordent avec ARIMA.fit() de statsmodels à environ 2e-3 pour les paramètres et 1e-4 pour la log-vraisemblance.45Standard errors come from the numerically differentiated observed information and agree with statsmodels to about 2 %. Les erreurs types proviennent de l’information observée dérivée numériquement et concordent avec statsmodels à environ 2 %.46Seasonal ARIMA (P, D, Q)m and exogenous regressors are not shipped. L’ARIMA saisonnier (P, D, Q)m et les régresseurs exogènes ne sont pas offerts.47Prediction intervals include state uncertainty but ignore parameter uncertainty. Les intervalles de prévision tiennent compte de l’incertitude sur l’état, mais pas de l’incertitude sur les paramètres.48Mean μ Moyenne μ49Drift μ Dérive μ50Innovation variance σ² Variance des innovations σ²51Parameter Paramètre52Parameters Paramètres53A standard error is missing where the information matrix could not be inverted. Une erreur type est absente lorsque la matrice d’information n’a pas pu être inversée.54Log-likelihood Log-vraisemblance55Observations used Observations utilisées56%@ — one-step predictions and forecast %@ — prévisions à un pas et prévision57Ljung–Box test on the residuals Test de Ljung–Box sur les résidus58Quantity Grandeur59Value Valeur60Lags Retards61Q statistic Statistique Q62Degrees of freedom Degrés de liberté63the residuals are not autocorrelated up to the chosen lag les résidus ne sont pas autocorrélés jusqu’au retard choisi64%@ could not be computed: %@ %@ n’a pas pu être calculé : %@65Ljung–Box Ljung–Box66The likelihood optimisation did not report convergence; the best parameters found are shown. L’optimisation de la vraisemblance n’a pas signalé de convergence; les meilleurs paramètres trouvés sont affichés.67Estimates are approximate to the documented tolerances (about 2e-3 against statsmodels); see the method notes. Les estimations sont approximatives, dans les tolérances documentées (environ 2e-3 par rapport à statsmodels); voir les notes de méthode.68ARIMA(%d, %d, %d) ARIMA(%d, %d, %d)69%@ — series: %@ %@ — série : %@70Autocorrelation (ACF / PACF) Autocorrélation (ACF / PACF)71Autocorrelation and partial autocorrelation functions of an equally spaced series, with significance bounds. Fonctions d’autocorrélation et d’autocorrélation partielle d’une série à pas régulier, avec bornes de signification.72Maximum lag Retard maximal730 = automatic: 10·log10(n). 0 = automatique : 10·log10(n).74Difference the series first (order) Différencier d’abord la série (ordre)75Confidence level Niveau de confiance76ACF uses divisor-n autocovariances with Bartlett standard errors; PACF uses the Durbin–Levinson recursion with standard error 1/√n (statsmodels acf / pacf, method “ldb”). L’ACF utilise les autocovariances à diviseur n et les erreurs types de Bartlett; la PACF utilise la récurrence de Durbin–Levinson avec l’erreur type 1/√n (acf / pacf de statsmodels, méthode « ldb »).77The dashed bounds are ±z/√n: coefficients outside them differ from zero at the chosen level under the white-noise hypothesis. Les bornes en tirets valent ±z/√n : les coefficients qui en sortent diffèrent de zéro au niveau choisi sous l’hypothèse de bruit blanc.78Too few observations after differencing. Trop peu d’observations après différenciation.79Lag Retard80ACF std. error Erreur type de l’ACF81ACF lower ACF, borne inf.82ACF upper ACF, borne sup.83Autocorrelations Autocorrélations84%@ for lags 1 to %d; %d coefficients lie outside the ±%@ bounds. %@ pour les retards 1 à %d; %d coefficients sortent des bornes ±%@.85Significance bound ±%@ (%@ level, n = %d). Borne de signification ±%@ (niveau %@, n = %d).86The series was differenced %d time(s) before the analysis. La série a été différenciée %d fois avant l’analyse.87Autocorrelation of %@ Autocorrélation de %@88Autocorrelation function (ACF) Fonction d’autocorrélation (ACF)89Partial autocorrelation function (PACF) Fonction d’autocorrélation partielle (PACF)90Autocorrelation Autocorrélation91Differencing Différenciation92Applies (1 − B^lag)^order to a series: lag 1 removes a trend, the season length removes a seasonal pattern. Applique (1 − B^retard)^ordre à une série : le retard 1 retire une tendance, la longueur de la saison retire un profil saisonnier.931 = regular difference; season length (e.g. 12) = seasonal difference. 1 = différence ordinaire; longueur de la saison (p. ex. 12) = différence saisonnière.94Order Ordre95Each pass shortens the series by “lag” observations (identical to numpy.diff for lag 1). Chaque passe raccourcit la série de « retard » observations (identique à numpy.diff pour le retard 1).96The series is too short for this lag and order. La série est trop courte pour ce retard et cet ordre.97Before and after Avant et après98Observations Observations99Mean Moyenne100Standard deviation Écart type101Minimum Minimum102Maximum Maximum103Differenced Série différenciée104Original series Série d’origine105Line chart of %d observations of %@. Courbe de %d observations de %@.106Differenced series Série différenciée107Difference Différence108Line chart of the %d differences; mean %@. Courbe des %d différences; moyenne %@.109Δ %@ Δ %@110Δ(lag %d, order %d) %@ Δ(retard %d, ordre %d) %@111Write Differenced Series Écrire la série différenciée112%d observations are lost at the start of the series. %d observations sont perdues au début de la série.113Differencing of %@ Différenciation de %@114%@ — lag %d, order %d %@ — retard %d, ordre %d115Fitted Valeurs ajustées116Forecast Prévision117with a %@ prediction band avec une bande de prévision à %@118without a prediction band sans bande de prévision119%d observations of %@ followed by %d forecasts %@; the last forecast is %@. %d observations de %@ suivies de %d prévisions %@; la dernière prévision vaut %@.120Horizon Horizon121%@ lower %@, borne inf.122%@ upper %@, borne sup.123Forecasts Prévisions124Write Forecasts Below the Series Écrire les prévisions sous la série125Writes the point forecasts in the rows under the data, in the column of the series. One step to undo. Écrit les prévisions ponctuelles dans les lignes situées sous les données, dans la colonne de la série. Une seule étape à annuler.126Write Forecasts Écrire les prévisions127Forecasts written to %@ Prévisions écrites dans %@128Simple (level only) Simple (niveau seulement)129Holt (linear trend) Holt (tendance linéaire)130Damped Holt Holt amorti131Holt–Winters, additive seasonality Holt–Winters, saisonnalité additive132Holt–Winters, multiplicative seasonality Holt–Winters, saisonnalité multiplicative133Exponential Smoothing Lissage exponentiel134Fits an exponential-smoothing model with optimised parameters and forecasts the next periods. Ajuste un modèle de lissage exponentiel à paramètres optimisés et prévoit les prochaines périodes.135Model Modèle136Season length Longueur de la saison137Damped trend Tendance amortie138Parameters minimise the sum of squared one-step errors (bounded Nelder–Mead, 5 starts); the damping parameter φ is searched in [0.8, 0.995]. Initial states are heuristic and are not optimised. Les paramètres minimisent la somme des carrés des erreurs à un pas (Nelder–Mead borné, 5 points de départ); le paramètre d’amortissement φ est cherché dans [0,8; 0,995]. Les états initiaux sont heuristiques et ne sont pas optimisés.139At fixed parameters the recursions match statsmodels ExponentialSmoothing to 1e-10. At horizons that are multiples of the season length statsmodels reuses an older seasonal state; this implementation uses the latest one (textbook formula). À paramètres fixés, les récurrences concordent avec ExponentialSmoothing de statsmodels à 1e-10. Aux horizons multiples de la longueur de la saison, statsmodels réutilise un état saisonnier plus ancien; cette mise en œuvre utilise le plus récent (formule des manuels).140Prediction intervals are available for the additive (linear) models only; none is shipped for multiplicative seasonality. Les intervalles de prévision ne sont disponibles que pour les modèles additifs (linéaires); aucun n’est offert pour la saisonnalité multiplicative.141Multiplicative trend and multiplicative-error (ETS) models are not shipped. Les modèles à tendance multiplicative et à erreur multiplicative (ETS) ne sont pas offerts.142A seasonal model needs at least two full seasons (%d observations); the series has %d. Un modèle saisonnier exige au moins deux saisons complètes (%d observations); la série en compte %d.143Level smoothing α Lissage du niveau α144Trend smoothing β Lissage de la tendance β145Seasonal smoothing γ Lissage saisonnier γ146Damping φ Amortissement φ147Initial level Niveau initial148Initial trend Tendance initiale149Sum of squared errors Somme des carrés des erreurs150Root mean squared error Racine de l’erreur quadratique moyenne151Mean absolute error Erreur absolue moyenne152Mean absolute percentage error Erreur absolue moyenne en pourcentage153No prediction interval is available for multiplicative seasonality; only point forecasts are shown. Aucun intervalle de prévision n’est disponible pour la saisonnalité multiplicative; seules les prévisions ponctuelles sont affichées.154The parameter optimisation did not report convergence; the best parameters found are shown. L’optimisation des paramètres n’a pas signalé de convergence; les meilleurs paramètres trouvés sont affichés.155Errors are one-step-ahead, in-sample. Les erreurs sont à un pas, dans l’échantillon.156RMSE REQM157MAE EAM158MAPE EAMP159α α160%@ — fitted values and forecast %@ — valeurs ajustées et prévision161Accuracy Précision162Measure Mesure163%@ — %@ %@ — %@164Smoothing Lissage165GARCH(1,1) GARCH(1,1)166Fits a GARCH(1,1) model to a series of returns by Gaussian maximum likelihood and shows the conditional volatility. Ajuste un modèle GARCH(1,1) à une série de rendements par maximum de vraisemblance gaussienne et affiche la volatilité conditionnelle.167Returns Rendements168Returns are decimals: estimate on percent returns (×100) Les rendements sont en décimales : estimer sur les rendements en pourcentage (×100)169Very small numbers make ω hard to optimise; volatility is then reported in percent. Les très petits nombres rendent ω difficile à optimiser; la volatilité est alors exprimée en pourcentage.170Mean model Modèle de la moyenne171Constant mean Moyenne constante172Zero mean Moyenne nulle173Variance forecast horizon Horizon de prévision de la variance174Model: r = μ + ε, σ²(t) = ω + α·ε²(t−1) + β·σ²(t−1), Gaussian innovations, recursion started by the backcast of the arch package. Modèle : r = μ + ε, σ²(t) = ω + α·ε²(t−1) + β·σ²(t−1), innovations gaussiennes, récurrence amorcée par la rétroprévision (backcast) du paquet arch.175At fixed parameters the log-likelihood and variance path match arch 8 to 1e-10. Optimised parameters agree with arch to about 5e-3 (relative), the log-likelihood to 1e-4. À paramètres fixés, la log-vraisemblance et la trajectoire de variance concordent avec arch 8 à 1e-10. Les paramètres optimisés concordent avec arch à environ 5e-3 (relatif), la log-vraisemblance à 1e-4.176Standard errors of the parameters are NOT shipped (no validated robust standard errors), so no significance tests are shown. Les erreurs types des paramètres ne sont PAS offertes (aucune erreur type robuste validée); aucun test de signification n’est donc affiché.177Other orders and Student-t or skewed innovations are not shipped. Les autres ordres et les innovations de Student ou asymétriques ne sont pas offerts.178percent per period pourcentage par période179return units per period unités de rendement par période180α (reaction to shocks) α (réaction aux chocs)181β (variance persistence) β (persistance de la variance)182Persistence α + β Persistance α + β183Half-life of a variance shock (periods) Demi-vie d’un choc de variance (périodes)184Unconditional volatility Volatilité inconditionnelle185Variance forecast Prévision de la variance186Volatility forecast Prévision de la volatilité187Volatility is the conditional standard deviation, in %@. La volatilité est l’écart type conditionnel, en %@.188No standard errors are shipped for GARCH parameters; estimates are approximate to the documented tolerance (5e-3 against arch). Aucune erreur type n’est offerte pour les paramètres GARCH; les estimations sont approximatives, dans la tolérance documentée (5e-3 par rapport à arch).189α + β ≥ 1: the unconditional variance does not exist. α + β ≥ 1 : la variance inconditionnelle n’existe pas.190Conditional volatility Volatilité conditionnelle191Volatility (%@) Volatilité (%@)192Conditional volatility over %d observations, between %@ and %@; last value %@. Volatilité conditionnelle sur %d observations, entre %@ et %@; dernière valeur %@.193Estimates Estimations194Variance forecasts Prévisions de la variance195Write Conditional Volatility Écrire la volatilité conditionnelle196Augmented Dickey–Fuller Test Test de Dickey–Fuller augmenté197Tests whether a series has a unit root (is non-stationary). Vérifie si une série possède une racine unitaire (si elle est non stationnaire).198Deterministic terms Termes déterministes199Constant Constante200Constant and trend Constante et tendance201None Aucun202Lag selection Choix du retard203Fixed Fixe204Fixed: the number of lagged differences. AIC / BIC: the maximum lag (0 = automatic, 12·(n/100)^¼). Fixe : le nombre de différences retardées. AIC / BIC : le retard maximal (0 = automatique, 12·(n/100)^¼).205The statistic, the selected lag and the number of observations match statsmodels adfuller (validated on 72 cases). La statistique, le retard retenu et le nombre d’observations concordent avec adfuller de statsmodels (validé sur 72 cas).206p-values use MacKinnon's (1994) response surfaces; critical values use MacKinnon (2010). Les valeurs p reposent sur les surfaces de réponse de MacKinnon (1994); les valeurs critiques, sur MacKinnon (2010).207The test rejects for large negative statistics (lower tail). Failing to reject does not prove that a unit root is present. Le test rejette pour les statistiques fortement négatives (queue inférieure). Ne pas rejeter ne prouve pas la présence d’une racine unitaire.208The “ctt” regression, t-statistic lag selection, KPSS and Phillips–Perron tests are not shipped. La régression « ctt », le choix du retard par la statistique t ainsi que les tests KPSS et de Phillips–Perron ne sont pas offerts.209none aucun210constant constante211constant and trend constante et tendance212ADF statistic (τ) Statistique ADF (τ)213p-value (MacKinnon, lower tail) Valeur p (MacKinnon, queue inférieure)214Lags used Retards utilisés215Critical value 1 % Valeur critique à 1 %216Critical value 5 % Valeur critique à 5 %217Critical value 10 % Valeur critique à 10 %218Information criterion at the selected lag Critère d’information au retard retenu219The alternative hypothesis is stationarity (around the chosen deterministic terms); the p-value is a lower-tail probability. L’hypothèse alternative est la stationnarité (autour des termes déterministes choisis); la valeur p est une probabilité de queue inférieure.220(lower tail) (queue inférieure)221Augmented Dickey–Fuller test Test de Dickey–Fuller augmenté222the series has a unit root (it is non-stationary) la série possède une racine unitaire (elle est non stationnaire)223Equally spaced observations in time order. Observations à pas régulier, en ordre chronologique.224The lagged differences capture the serial correlation of the errors. Les différences retardées captent la corrélation sérielle des erreurs.225The chosen deterministic terms match the data (a trending series needs “constant and trend”). Les termes déterministes choisis conviennent aux données (une série à tendance exige « constante et tendance »).226Assumptions Hypothèses227Unit root Racine unitaire228Write Cluster Labels Écrire les étiquettes de groupe229Cluster Groupe230Size Taille231Cluster %d Groupe %d232Cluster sizes Taille des groupes233Bar chart of the sizes of %d clusters: %@. Diagramme à barres de la taille de %d groupes : %@.234k-Means Clustering Classification par k-moyennes235Multivariate Analyse multivariée236Partitions the observations into k clusters that minimise the within-cluster sum of squares. Répartit les observations en k groupes qui minimisent la somme des carrés intragroupe.237Variables Variables238Standardize the variables (z-scores) Centrer et réduire les variables (cotes z)239Recommended when the variables have different units. Recommandé lorsque les variables ont des unités différentes.240Number of clusters k Nombre de groupes k241Random starts Départs aléatoires242Random seed Germe aléatoire243Lloyd's algorithm with squared Euclidean distance; from fixed starting centres it matches scikit-learn exactly. Algorithme de Lloyd avec la distance euclidienne au carré; à partir de centres de départ fixés, il concorde exactement avec scikit-learn.244Starts use plain k-means++ seeding with the xoshiro256** generator: a given seed always gives the same result, but individual runs are not comparable with scikit-learn (which uses a greedy variant). Les départs utilisent l’amorçage k-means++ ordinaire avec le générateur xoshiro256** : un germe donné produit toujours le même résultat, mais les exécutions individuelles ne sont pas comparables à celles de scikit-learn (qui utilise une variante gloutonne).245The silhouette is the mean silhouette coefficient over all observations (O(n²)). La silhouette est le coefficient de silhouette moyen de toutes les observations (O(n²)).246k must be between 1 and the number of complete rows (%d). k doit être compris entre 1 et le nombre de lignes complètes (%d).247Clusters Groupes248Within-cluster sum of squares Somme des carrés intragroupe249Mean silhouette Silhouette moyenne250Iterations Itérations251Centroids (standardized units) Centroïdes (unités centrées-réduites)252Centroids Centroïdes253Cluster means (original units) Moyennes des groupes (unités d’origine)254Seed %d, %d random starts; the run with the smallest sum of squares is reported. Germe %d, %d départs aléatoires; l’exécution ayant la plus petite somme des carrés est retenue.255The iteration limit was reached before the assignments stopped changing. La limite d’itérations a été atteinte avant la stabilisation des affectations.256The silhouette is not computed for k = 1 or for more than 5,000 observations. La silhouette n’est pas calculée pour k = 1 ni au-delà de 5 000 observations.257%@ — %d variables, k = %d %@ — %d variables, k = %d258Cluster (k-means) Groupe (k-moyennes)259k-means k-moyennes260Hierarchical Clustering Classification hiérarchique261Builds a cluster tree by successive merges and cuts it into a chosen number of clusters. Construit un arbre de classification par fusions successives et le coupe en un nombre choisi de groupes.262Linkage Critère d’agrégation263Ward (minimum variance) Ward (variance minimale)264Average (UPGMA) Lien moyen (UPGMA)265Complete (farthest neighbour) Lien complet (voisin le plus éloigné)266Single (nearest neighbour) Lien simple (plus proche voisin)267Cut into k clusters Couper en k groupes268Euclidean distances with Lance–Williams updates; merge order, distances and partitions match SciPy linkage / fcluster. Distances euclidiennes avec mises à jour de Lance–Williams; l’ordre des fusions, les distances et les partitions concordent avec linkage / fcluster de SciPy.269The algorithm needs O(n³) time and O(n²) memory: it is limited to 1,500 observations here. L’algorithme exige un temps en O(n³) et une mémoire en O(n²) : il est limité ici à 1 500 observations.270Centroid, median and weighted linkages and other distance metrics are not shipped. Les liens centroïde, médian et pondéré ainsi que les autres métriques de distance ne sont pas offerts.271Hierarchical clustering is limited to %d observations (the range has %d complete rows) because its cost grows with n³. La classification hiérarchique est limitée à %d observations (la plage compte %d lignes complètes), car son coût croît en n³.272Obs. %d Obs. %d273Merge %d Fusion %d274Step Étape275First Premier276Second Second277Distance Distance278Distances of the last merges Distances des dernières fusions279Clusters remaining after the merge Groupes restants après la fusion280Linkage distance Distance d’agrégation281Linkage distances of the last %d merges; the final merge is at distance %@. Distances d’agrégation des %d dernières fusions; la fusion finale se fait à la distance %@.282Largest cluster Plus grand groupe283Smallest cluster Plus petit groupe284Linkage table Tableau des fusions285A large jump in distance suggests cutting the tree just before that merge. Un saut marqué de la distance suggère de couper l’arbre juste avant cette fusion.286Distances are Euclidean on z-scores. Les distances sont euclidiennes sur les cotes z.287Distances are Euclidean on the original units. Les distances sont euclidiennes dans les unités d’origine.288Cluster (hierarchical) Groupe (hiérarchique)289Clustering Classification290Principal Component Analysis Analyse en composantes principales291Finds the orthogonal directions of largest variance: eigenvalues, explained variance, loadings and scores. Trouve les directions orthogonales de plus grande variance : valeurs propres, variance expliquée, saturations et scores.292Standardize the variables (correlation matrix) Centrer et réduire les variables (matrice de corrélation)293Components to keep Composantes à conserver2940 = all components. 0 = toutes les composantes.295Computed by singular value decomposition; eigenvalues use the divisor n − 1 (matches scikit-learn PCA to 1e-9). Calculée par décomposition en valeurs singulières; les valeurs propres utilisent le diviseur n − 1 (concorde avec PCA de scikit-learn à 1e-9).296Sign convention: in each component the entry of largest absolute value is positive. Convention de signe : dans chaque composante, l’élément de plus grande valeur absolue est positif.297Loadings are eigenvectors × √eigenvalue; for a correlation PCA they are the correlations between variables and components. Les saturations sont les vecteurs propres × √valeur propre; pour une ACP sur corrélations, ce sont les corrélations entre les variables et les composantes.298PC%d CP%d299Component Composante300Eigenvalue Valeur propre301Share of variance Part de la variance302Cumulative share Part cumulée303Explained variance Variance expliquée304Loadings Saturations305Variable Variable306Eigenvectors (principal axes) Vecteurs propres (axes principaux)307Score %@ Score %@308PC1 share of variance Part de variance de CP1309First two components Deux premières composantes310Scree plot Diagramme des valeurs propres311Scree plot of %d components: the first explains %@ of the variance, the first two %@. Diagramme des valeurs propres de %d composantes : la première explique %@ de la variance, les deux premières %@.312Variables were centred and divided by their sample standard deviations (correlation PCA). Les variables ont été centrées et divisées par leur écart type échantillonnal (ACP sur corrélations).313Variables were centred only (covariance PCA): variables with large variances dominate. Les variables ont seulement été centrées (ACP sur covariances) : les variables à forte variance dominent.314Write Scores to Sheet Écrire les scores dans la feuille315Write PCA Scores Écrire les scores de l’ACP316%@ — %d variables %@ — %d variables317Median Médiane318Trimmed mean Moyenne tronquée319Quantile Quantile320Bootstrap Confidence Interval Intervalle de confiance bootstrap321Resampling Rééchantillonnage322Resamples the data with replacement to estimate the sampling variability of a statistic: percentile and BCa intervals. Rééchantillonne les données avec remise pour estimer la variabilité d’échantillonnage d’une statistique : intervalles percentile et BCa.323Statistic Statistique324Proportion trimmed from each tail Proportion tronquée à chaque extrémité325Quantile probability Probabilité du quantile326Resamples Rééchantillons327Percentile interval: type-7 quantiles of the bootstrap replicates. BCa: bias correction z₀ (ties counted ½) and jackknife acceleration. Both match scipy.stats.bootstrap on the same resamples. Intervalle percentile : quantiles de type 7 des répliques bootstrap. BCa : correction du biais z₀ (ex æquo comptés ½) et accélération par jackknife. Les deux concordent avec scipy.stats.bootstrap sur les mêmes rééchantillons.328The generator is xoshiro256**: equal seeds give bit-identical results. Le générateur est xoshiro256** : des germes égaux donnent des résultats identiques au bit près.329Bootstrap-t (studentized), stratified and block bootstraps are not shipped; the plain bootstrap assumes independent observations. Le bootstrap-t (studentisé), le bootstrap stratifié et le bootstrap par blocs ne sont pas offerts; le bootstrap ordinaire suppose des observations indépendantes.330Trimmed mean (%@ per tail) Moyenne tronquée (%@ par extrémité)331Quantile %@ Quantile %@332Method Méthode333Percentile Percentile334BCa (bias-corrected and accelerated) BCa (corrigé du biais et accéléré)335Bootstrap summary Sommaire du bootstrap336Bootstrap standard error Erreur type bootstrap337Bootstrap bias Biais bootstrap338Bias correction z₀ Correction du biais z₀339Acceleration Accélération340Frequency Effectif341%d resamples with replacement of %d observations, seed %d. %d rééchantillons avec remise de %d observations, germe %d.342The BCa interval is not available for this sample (degenerate jackknife or replicates). L’intervalle BCa n’est pas disponible pour cet échantillon (jackknife ou répliques dégénérés).343%d missing values were skipped. %d valeurs manquantes ont été ignorées.344%@ interval (BCa) Intervalle à %@ (BCa)345Confidence intervals Intervalles de confiance346Bootstrap distribution Distribution bootstrap347Histogram of %d bootstrap replicates of the %@; estimate %@, percentile interval %@ to %@. Histogramme de %d répliques bootstrap de la statistique « %@ »; estimation %@, intervalle percentile de %@ à %@.348Observations are independent draws from the same distribution. Les observations sont des tirages indépendants d’une même distribution.349The sample is large enough to represent the population; intervals for extreme quantiles of small samples are unreliable. L’échantillon est assez grand pour représenter la population; les intervalles des quantiles extrêmes de petits échantillons ne sont pas fiables.350%@ — %@ of %@ %@ — %@ de %@351Bootstrap Bootstrap352Permutation Test Test de permutation353Compares two samples without distributional assumptions by re-randomising the group labels (or the signs of paired differences). Compare deux échantillons sans hypothèse de distribution en réattribuant au hasard les étiquettes de groupe (ou les signes des différences appariées).354Sample 1 Échantillon 1355Sample 2 Échantillon 2356Design Plan357Independent samples Échantillons indépendants358Paired samples Échantillons appariés359Difference of means Différence des moyennes360Difference of medians Différence des médianes361Alternative hypothesis Hypothèse alternative362The test is exact when the number of distinct arrangements does not exceed this value. Le test est exact lorsque le nombre d’arrangements distincts ne dépasse pas cette valeur.363Rule and p-value convention of scipy.stats.permutation_test: exact enumeration when C(n+m, n) (or 2ⁿ for pairs) ≤ resamples, otherwise a Monte Carlo p-value (b + 1)/(m + 1). Règle et convention de valeur p de scipy.stats.permutation_test : énumération exacte lorsque C(n+m, n) (ou 2ⁿ pour des paires) ≤ rééchantillons, sinon valeur p de Monte-Carlo (b + 1)/(m + 1).364Two-sided p-value: 2·min(lower, upper), capped at 1. Valeur p bilatérale : 2·min(inférieure, supérieure), plafonnée à 1.365For paired samples the statistic is the mean (or median) of the differences. Pour des échantillons appariés, la statistique est la moyenne (ou la médiane) des différences.366Choose two different columns. Choisissez deux colonnes différentes.367At least two complete pairs are needed. Il faut au moins deux paires complètes.368Each sample needs at least two numeric observations. Chaque échantillon doit compter au moins deux observations numériques.369Median of the differences Médiane des différences370Mean of the differences Moyenne des différences371Permutation test Test de permutation372p-value refers to La valeur p correspond à373paired samples (sign flips) échantillons appariés (inversions de signe)374independent samples (labels reshuffled) échantillons indépendants (étiquettes réattribuées)375Type Type376exact (all arrangements enumerated) exact (tous les arrangements énumérés)377Monte Carlo (random arrangements) Monte-Carlo (arrangements aléatoires)378Arrangements evaluated Arrangements évalués379Observations, sample 1 Observations, échantillon 1380Observations, sample 2 Observations, échantillon 2381Observed Observée382the paired differences are symmetric around zero (no systematic difference) les différences appariées sont symétriques autour de zéro (aucune différence systématique)383the two samples come from the same distribution (labels are exchangeable) les deux échantillons proviennent de la même distribution (les étiquettes sont échangeables)384Arrangements Arrangements385exact exact386Monte Carlo Monte-Carlo387Null distribution of the statistic Distribution de la statistique sous l’hypothèse nulle388Histogram of the statistic over %d arrangements; the observed value is %@ (p = %@). Histogramme de la statistique sur %d arrangements; la valeur observée est %@ (p = %@).389Pairs are independent of one another. Les paires sont indépendantes les unes des autres.390Observations are independent and exchangeable between the groups under the null hypothesis. Les observations sont indépendantes et échangeables entre les groupes sous l’hypothèse nulle.391No normality assumption is needed. Aucune hypothèse de normalité n’est requise.392%@ — %@ vs %@ %@ — %@ c. %@393Classical Classiques394HAC (Newey–West) HAC (Newey–West)395Clustered Par grappes396Linear Regression Régression linéaire397Regression Régression398Ordinary or weighted least squares with classical, heteroskedasticity-robust, HAC or clustered standard errors, diagnostics and residual plots. Moindres carrés ordinaires ou pondérés avec erreurs types classiques, robustes à l’hétéroscédasticité, HAC ou par grappes, diagnostics et graphiques des résidus.399Dependent variable (y) Variable dépendante (y)400Regressors (X) Régresseurs (X)401Categorical regressors Régresseurs catégoriels402Each chosen column is expanded into indicator variables; the first level (sorted) is the reference. Chaque colonne choisie est développée en variables indicatrices; la première modalité (en ordre trié) sert de référence.403Weights (WLS) Poids (MCP)404Positive weights proportional to the inverse error variances. None = ordinary least squares. Poids positifs proportionnels à l’inverse des variances des erreurs. Aucune = moindres carrés ordinaires.405Include an intercept Inclure une ordonnée à l’origine406Standard errors Erreurs types407HAC lags Retards HAC408Cluster by Grappes définies par409Small-sample correction Correction pour petits échantillons410Lags for the autocorrelation tests Retards des tests d’autocorrélation411Coefficients, standard errors and fit statistics follow statsmodels OLS / WLS (validated to 1e-10). Les coefficients, les erreurs types et les statistiques d’ajustement suivent OLS / WLS de statsmodels (validés à 1e-10).412With a robust covariance, p-values and intervals use the normal distribution and F is the robust Wald test. Avec une covariance robuste, les valeurs p et les intervalles utilisent la loi normale et F est le test de Wald robuste.413HAC uses the Bartlett kernel on observations in sheet order; the clustered estimator uses the statsmodels scaling G/(G−1)·(n−1)/(n−k) (Stata's xtreg scaling is not shipped). L’estimateur HAC utilise le noyau de Bartlett sur les observations dans l’ordre de la feuille; l’estimateur par grappes utilise la mise à l’échelle de statsmodels G/(G−1)·(n−1)/(n−k) (celle de xtreg de Stata n’est pas offerte).414For WLS only HC1 and HC3 are validated among the heteroskedasticity-robust estimators. Pour les MCP, seuls HC1 et HC3 sont validés parmi les estimateurs robustes à l’hétéroscédasticité.415Durbin–Watson is reported as a statistic only (no p-value). La statistique de Durbin–Watson est donnée sans valeur p.416Studentized residuals are internally studentized; externally studentized residuals, DFFITS and DFBETAS are not shipped. Les résidus studentisés le sont de façon interne; les résidus studentisés externes, DFFITS et DFBETAS ne sont pas offerts.417Choose the column that identifies the clusters. Choisissez la colonne qui identifie les grappes.418At least two clusters are needed. Il faut au moins deux grappes.419heteroskedasticity-robust (%@) robustes à l’hétéroscédasticité (%@)420HAC Newey–West, %d lags HAC de Newey–West, %d retards421clustered by %@ (%d clusters) par grappes selon %@ (%d grappes)422classical classiques423Weights must be strictly positive. Les poids doivent être strictement positifs.424Adjusted R² R² ajusté425Residual std. error Erreur type résiduelle426F statistic Statistique F427p-value (F) Valeur p (F)428Coefficients Coefficients429all slope coefficients are zero tous les coefficients de pente sont nuls430Null hypotheses of the diagnostic tests Hypothèses nulles des tests diagnostiques431Inference uses Student's t with %@ degrees of freedom. L’inférence utilise la loi t de Student à %@ degrés de liberté.432Inference uses the normal distribution (robust covariance). L’inférence utilise la loi normale (covariance robuste).433Write Fitted Values and Residuals Écrire les valeurs ajustées et les résidus434Fitted %@ Valeur ajustée %@435Residual %@ Résidu %@436Linear Regression (%@) Régression linéaire (%@)437%@ — dependent variable: %@ %@ — variable dépendante : %@438Fit statistics Statistiques d’ajustement439Degrees of freedom (model) Degrés de liberté (modèle)440Degrees of freedom (residual) Degrés de liberté (résidus)441Sum of squared residuals Somme des carrés des résidus442Condition number Conditionnement443No constant in the model: R² is uncentred. Aucune constante dans le modèle : le R² est non centré.444Logistic Regression Régression logistique445Models a 0/1 outcome: coefficients, odds ratios, likelihood-ratio test and classification table. Modélise un résultat 0/1 : coefficients, rapports de cotes, test du rapport de vraisemblance et tableau de classement.446Dependent variable (0 / 1) Variable dépendante (0 / 1)447Classification threshold Seuil de classement448A fitted probability at or above the threshold is classified as 1. Une probabilité ajustée égale ou supérieure au seuil est classée 1.449Estimates follow statsmodels Logit (validated to 1e-9); p-values are two-sided normal (Wald) tests. Les estimations suivent Logit de statsmodels (validées à 1e-9); les valeurs p sont des tests normaux bilatéraux (Wald).450Pseudo-R² is McFadden's: 1 − lnL / lnL of the intercept-only model. Le pseudo-R² est celui de McFadden : 1 − lnL / lnL du modèle à constante seule.451Complete or quasi-complete separation has no finite maximum-likelihood estimate and is reported as “did not converge”. La séparation complète ou quasi complète n’admet aucune estimation finie du maximum de vraisemblance; elle est signalée par « did not converge » (absence de convergence).452The dependent variable “%@” must contain only 0 and 1. La variable dépendante « %@ » ne doit contenir que des 0 et des 1.453The dependent variable “%@” takes a single value in the rows used. La variable dépendante « %@ » ne prend qu’une seule valeur dans les lignes utilisées.454McFadden pseudo-R² Pseudo-R² de McFadden455LR statistic (χ²) Statistique RV (χ²)456p-value (LR) Valeur p (RV)457Coefficients (log-odds) Coefficients (log-cotes)458Odds ratio Rapport de cotes459Odds ratios Rapports de cotes460Odds ratio = exp(coefficient): multiplicative change of the odds for a one-unit increase of the regressor. Rapport de cotes = exp(coefficient) : variation multiplicative de la cote pour une hausse d’une unité du régresseur.461Log-likelihood (intercept only) Log-vraisemblance (constante seule)462Classification table (threshold %@) Tableau de classement (seuil %@)463Predicted 0 Prédit 0464Predicted 1 Prédit 1465Correct Bien classés466Observed 0 Observé 0467Observed 1 Observé 1468Overall Ensemble469Sensitivity %@, specificity %@. Sensibilité %@, spécificité %@.470Fitted probabilities Probabilités ajustées471Fitted probability of 1 Probabilité ajustée de 1472Histogram of %d fitted probabilities between %@ and %@. Histogramme de %d probabilités ajustées comprises entre %@ et %@.473Write Fitted Probabilities Écrire les probabilités ajustées474P(%@ = 1) P(%@ = 1)475Logistic regression Régression logistique476Fixed-Effects Panel Regression Régression de panel à effets fixes477Within estimator with entity fixed effects and optional time effects, for balanced or unbalanced panels in long format. Estimateur intragroupe (within) avec effets fixes d’entité et effets temporels facultatifs, pour des panels équilibrés ou non, en format long.478Long format: one row per entity and period. Format long : une ligne par entité et par période.479Entity identifier Identifiant de l’entité480Time identifier Identifiant de la période481Include time fixed effects Inclure des effets fixes temporels482Heteroskedasticity-robust Robustes à l’hétéroscédasticité483Clustered by entity Par grappes d’entités484Validated against linearmodels PanelOLS and statsmodels LSDV (coefficients and standard errors to 1e-9). Validé par rapport à PanelOLS de linearmodels et au LSDV de statsmodels (coefficients et erreurs types à 1e-9).485R² is the within R²: variation of y after the included effects are removed. Le R² est le R² intragroupe : variation de y une fois retirés les effets inclus.486Clustered standard errors use the linearmodels scaling; Stata's xtreg, fe vce(cluster) scaling is not shipped. Les erreurs types par grappes utilisent la mise à l’échelle de linearmodels; celle de xtreg, fe vce(cluster) de Stata n’est pas offerte.487Time-invariant regressors are not identified by the within estimator and are reported as a singular problem. Les régresseurs invariants dans le temps ne sont pas identifiés par l’estimateur intragroupe et sont signalés comme un problème singulier.488Random-effects, between and first-difference estimators and the Hausman test are not shipped. Les estimateurs à effets aléatoires, intergroupes et en différences premières ainsi que le test de Hausman ne sont pas offerts.489Choose the column that identifies the entities. Choisissez la colonne qui identifie les entités.490Entities Entités491Within R² R² intragroupe492heteroskedasticity-robust robustes à l’hétéroscédasticité493clustered by entity par grappes d’entités494Effects Effets495entity and time entité et période496entity entité497Periods Périodes498Residual variance Variance résiduelle499F statistic (all slopes zero) Statistique F (toutes les pentes nulles)500Robust F statistic Statistique F robuste501p-value (robust F) Valeur p (F robuste)502Poolability F (all effects equal) F de poolabilité (tous les effets égaux)503p-value (poolability) Valeur p (poolabilité)504all fixed effects are equal (pooled OLS is adequate) tous les effets fixes sont égaux (les MCO groupés suffisent)505Estimated entity effects Effets d’entité estimés506Entity Entité507Effect Effet508Estimated time effects Effets temporels estimés509Period Période510The first period is the reference (effect 0). La première période sert de référence (effet 0).511Entity effects Effets d’entité512Bar chart of %d estimated entity effects, from %@ to %@. Diagramme à barres de %d effets d’entité estimés, de %@ à %@.513Write Residuals and Estimated Effects Écrire les résidus et les effets estimés514Fixed effect Effet fixe515Panel regression Régression de panel516Choose at least one regressor other than the dependent variable. Choisissez au moins un régresseur autre que la variable dépendante.517Only %d complete rows: not enough observations. Seulement %d lignes complètes : pas assez d’observations.518The categorical regressor “%@” has a single level in the rows used. Le régresseur catégoriel « %@ » n’a qu’une seule modalité dans les lignes utilisées.519“%@” enters as indicator variables; reference level: %@. « %@ » entre sous forme de variables indicatrices; modalité de référence : %@.520Test Test521Reference distribution Loi de référence522Breusch–Pagan (studentized) Breusch–Pagan (studentisé)523the error variance is constant (homoskedasticity) la variance des erreurs est constante (homoscédasticité)524White White525Durbin–Watson Durbin–Watson526Breusch–Godfrey (%d lags) Breusch–Godfrey (%d retards)527no serial correlation of the errors up to the chosen lag aucune corrélation sérielle des erreurs jusqu’au retard choisi528Ljung–Box on residuals (%d lags) Ljung–Box sur les résidus (%d retards)529Jarque–Bera on residuals Jarque–Bera sur les résidus530the errors are normally distributed (skewness 0, excess kurtosis 0) les erreurs suivent une loi normale (asymétrie 0, aplatissement excédentaire 0)531Ramsey RESET (powers 2–3) RESET de Ramsey (puissances 2–3)532the linear functional form is adequate la forme fonctionnelle linéaire est adéquate533Diagnostics Diagnostics534Durbin–Watson has no p-value: values near 2 indicate no first-order autocorrelation. La statistique de Durbin–Watson n’a pas de valeur p : une valeur proche de 2 indique l’absence d’autocorrélation d’ordre 1.535Variance inflation factors Facteurs d’inflation de la variance536Regressor Régresseur537VIF = 1/(1 − R²) of each regressor on the others; values above 10 are a common sign of strong collinearity. VIF = 1/(1 − R²) de chaque régresseur sur les autres; une valeur supérieure à 10 est un signe courant de forte colinéarité.538Studentized residuals Résidus studentisés539Theoretical normal quantile Quantile théorique de la loi normale540Studentized residual Résidu studentisé541Residuals vs fitted values Résidus en fonction des valeurs ajustées542Residuals Résidus543Fitted value Valeur ajustée544Residual Résidu545Scatter of %d residuals against fitted values; residual standard deviation %@. Nuage de %d résidus en fonction des valeurs ajustées; écart type des résidus %@.546Normal Q–Q plot of studentized residuals Diagramme quantile-quantile normal des résidus studentisés547Ordered studentized residuals against normal quantiles; smallest %@, largest %@. Résidus studentisés ordonnés en fonction des quantiles normaux; plus petit %@, plus grand %@.548Histogram of residuals Histogramme des résidus549Histogram of %d residuals centred on zero with standard deviation %@. Histogramme de %d résidus centrés sur zéro, d’écart type %@.550Leverage and Cook's distance Effet de levier et distance de Cook551Leverage Effet de levier552Cook's distance Distance de Cook553Cook's distance against leverage; the largest Cook's distance is %@ (observation %d). Distance de Cook en fonction de l’effet de levier; la plus grande distance de Cook vaut %@ (observation %d).554