Initiation aux s eries chronologiques : approche descriptive

On observe N relev es sucessifs dune variable quantitative Y . Il sagit de relev es equidistants dans le temps donc les valeurs observ ees peuvent etre indic ees par des num eros t allant de 1` a N , qui correspondent aux rangs dobservation de ces N relev es. On peut donc ecrire la s erie des valeurs de la fa con suivante : yt , t {1, , N }. On distingue g en eralement : un mouvement de longue dur ee (appel ee trend) not ee (ft ) Le trend sch ematise la tendance g en erale du ph enom` ene. une composante saisonni` ere not ee (St ). Elle traduit les variations dites saisonni` eres qui r esultent d ev` enements se r ep etant ` a lidentique de p eriode en p eriode. On pose St = ci pour t = i + kp o` u p est la longueur de la p eriode. ci est appel e coecient saisonnier (de la saison i), i variant de 1, , p. la composante r esiduelle (et ) correspondant ` a des mouvements perturbateurs irr eguliers et impr evisibles. Traditionnellement, on consid` ere deux types de sch ema : le sch ema additif : yt = ft + St + et le sch ema multiplicatif : yt = ft St + et sch ema additif s erie ajust ee yt = ft + ci sch ema multiplicatif yt = ft ci

s erie corrig ee des variations saisonni` eres

=y c yt t i

= y /c yt t i

pr evision ` a lhorizon h

yt+h = ft+h + ci

yt+h = ft+h ci

Moyennes mobiles (Mt,p ) dordre p : elles ne sont calculables que pour les num eros de relev es t tels que k < t < N k o` u k est lentier tel que p = 2k + 1 ou bien p = 2k). Ordre Moyenne mobile Mt,p p = 2k + 1 i=k 1 = yt+i 2k + 1 i=k 1 p = 2k Mt,p = 1 ( yt+i ) + (ytk + yt+k )/2 2k i=k+1
i=k 1

Initiation aux s eries chronologiques : outils probabilistes

Bruit blanc : On appelle bruit blanc un processus al eatoire (Xt , t T ) stationnaire au second ordre, centr e, de fonction dautocovariance telle que (s, t) = 2 s,t . Bruit blanc fort : On appelle bruit blanc fort une famille (Xt , t T ) de variables al eatoires r eelles i.i.d. de variance 2 . Marche al eatoire : On appelle marche al eatoire un processus (St , t I N ) d eni par St = X1 + X2 + + Xt o` u (Xt , t I N ) est un bruit blanc. Remarquons que t I N , E (St ) = 0, V (St ) = t 2 et h I N , (t, t + h) = t 2 . Op erateur de retard : Cest un op erateur not e B dont leet sur un processus (Yt ) est de retarder ce processus dans le sens o` u BXt = Xt1 . Pour un entier k 2, on note B k = B B k1 les compositions successives de lop erateur B . Op erateur de ltrage lin eaire : Soit {ak } une s equence de nombres r eels, lop erateur ak B k est appel e op erateur de ltrage lin eaire.
k

A un processus (Xt ), il fait correspondre le processus : Yt =

k

ak B k Xt =
k

ak Xtk .

Filtrage des processus stationnaire au second ordre : Soit {ak , k Z Z } une suite |ak | < ), et soit (Xt , t Z Z ) un processus staabsolument sommable (cest-` a-dire tionnaire au second ordre desp erance X et de fonction dautocovariance gX . Alors le processus (Yt , t Z Z ) tel que Yt =
k Z Z k Z Z

ak Xtk est stationnaire desp erance ak (1)

Y = X
k Z Z

de fonction dautocovariance gY telle que gY (h) =

j Z Z k Z Z

aj ak gX (h + k j ).

(2)

Processus AR(p) : Le processus (Xt , t Z Z ) est dit autor egressif dordre p (ou AR(p)) sil est stationnaire au second ordre et sil est solution de l equation de r ecurrence : Xt = a1 Xt1 + + ap Xtp + Zt o` u (Zt ) est un bruit blanc de variance 2 . Existence des Processus AR(p) : L equation r ecurrente : Xt = a1 Xt1 + + ap Xtp + Zt o` u (Zt ) est un bruit blanc de variance 2 , admet une solution stationnaire au second ordre si et seulement si le polyn ome : P (z ) = 1 a1 z ap z p = 0 pour |z | = 1 a|h| 2 . 1 a2 (3)

Cas dun AR(1) : Xt = aXt1 + Zt . Si |a| < 1, alors gX (h) =

Processus MA(q ) : Le processus (Xt , t Z Z ) est dit moving average ou a ` moyenne ajust ee dordre q (ou MA(q )) sil v erie : Xt = Zt + 1 Zt1 + + q Ztq o` u (Zt ) est un bruit blanc de variance 2 . Si (Xt , t Z Z ) est MA(q ), on a donc E (Xt ) = 0 et sa fonction dautocovariance v erie :

|h|

(4)

gX (h) =

2
k =0

k k+|h| si 0 |h| q 0 sinon

Processus ARMA(p, q ) : Le processus (Xt , t Z Z ) est dit autor egressif moving average dordre (p, q ) (ou ARMA(p, q )) sil est stationnaire au second ordre et sil v erie : Xt a1 Xt1 ap Xtp = Zt + 1 Zt1 + + q Ztq o` u (Zt ) est un bruit blanc de variance 2 . Existence des Processus ARMA(p, q ) : on pose P (z ) = 1 a1 z ap z p et Q(z ) = 1 + 1 z + + q z q . On suppose que P et Q nont pas de z eros communs. Alors L equation r ecurrente (5) admet une solution stationnaire au second ordre si et seulement si le polyn ome P (z ) = 1 a1 z ap z p = 0 pour |z | = 1. 3 (5)

Cette solution est unique et a pour expression : Xt =

k Z Z

k Ztk

o` u (k ) est la suite des coecients du d eveloppements en s erie de Laurent de Q(z )/P (z ) au voisinage du cercle unit e. Processus ARIMA(p, q, r ) : Un processus (Xt ) est dit ARIMA(p, q, r ) si apr` es r di erentiations, le processus ainsi obtenu est ARMA(p, q ). Avec les notations pr ec edentes, on a (I B )r Q(B )Xt = P (B )Zt . ARIMA est labr eviation de AutoRegressive Integrated Moving Average. Stationnarit e et di erentiation : La s erie chronologique observ ee v erie t-elle lhypoth` ese de stationnarit e au second ordre des mod` eles ARMA? Pour cela, on visualise cette s erie et si elle semble r epondre aux crit` eres de stationnarit e (oscillations damplitudes pas trop variables autour dune valeur constante au cours du temps), on pose r = 0. Sinon, il faut envisager une transformation stationnarisante. Par exemple, les variables economiques sont souvent consid er ees non stationnaires, mais ` a accroissements stationnaires. En pr esence dune tendance, la meilleure m ethode pour l eliminer est de di erencier la s erie : la di erentiation dordre 1 transforme (Xt ) en (Xt Xt1 ); la di erentiation dordre r consiste ` a eectuer r di erentiations dordre 1. Diagrammes dautocorr elation : On appelle corr elogramme le diagramme repr esentant les coecients dautocorr elation dordre 1, 2, , k, de la s erie. Lautocorr elation dordre k est la corr elation entre la s erie et elle-m eme retard ee de k relev es. On appelle corr elogramme partiel le diagramme repr esentant les coecients dautocorr elation partielle dordre 1, 2, , k, de la s erie. Notons k le coecient dautocorr elation dordre k, notons elation partielle k celui de corr dordre k. On a les formules suivantes :
k 1

1 = 1 ,

2 2 1 , = 2 1 2 1

k k = 1

k1,j kj
j =1 k 1

k1,j j
j =1

avec l equation de r ecurrence :

k,j = k1,j k,k k1,kj

et

k,k = k.

Le coecient dautocorr elation partielle dordre k traduit une corr elation conditionnelle entre la s erie initiale (Xt ) et celle retard ee de k relev es, soit (Xtk ). Le conditionnement correspond ` a la corr elation non expliqu ee par les relev es interm ediaires (Xt1 , Xt2 , , Xtk1 ). Le corr elogramme partiel sert donc ` a d etecter des eets qui ne d ependent pas lin eairement des relev es ` a petite distance (en temps). 4

Phase didentication : Les outils principaux sont les trac es : de la s erie, avant et apr` es di erentiation(s) eventuelle(s), des corr elagrammes partiel et non partiel Le nombre de di erentiations eectu ees an datteindre la stationnarit e dordre 2 fournit la valeur r . La similitude en corr elogrammes observ es et corr elogrammes th eoriques permet de proposer un ou plusieurs couples (p, q ) candidats. Phase destimation et dajustement : Pour un triplet (p, q, r ) donn e, on eectue lestimation des param` etres du mod` ele ARIMA(p, q, r ) et on calcule le crit` ere dAKaike (ou AIC pour Akaike information criterion). Dune fa con g en erale, on a : AIC = 2k 2 ln(L) o` u k est le nombre de param` etres du mod` ele et L la vraisemblance. Les mod` eles ayant beaucoup de param` etres (cest-` a-dire p, q et r grands) sont ainsi p enalis es. Le mod` ele retenu est celui ayant le plus faible AIC. La m ethodologie AIC consiste ` a trouver le mod` ele expliquant le mieux les observations, avec un minimumm de param` etres. Les valeurs faibles pour p, q et r sont donc privil egi ees.