Vous êtes sur la page 1sur 11

Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat

13 Complments : exercices
13.1 Exercices avec correction
Exercise 1 Soit ("
t
) un bruit blanc. Les processus suivants sont-ils stationnaires ? (ventuellement avec
certaines restrictions sur les paramtres)
(i) X
t
= a+b"
t
+c"
t 1
o a; b; c2 R
(ii) X
t
= "
t
cos (ct) +"
t 1
sin(ct) o c2 R
(iii) X
t
tel que X
t
X
t 1
= "
t
(i) Leprocessus X
t
vrieE (X
t
) = a = constante. Sa varianceest donnepar V (X
t
) =

b
2
+c
2

2
o
2
est la variancedu bruit, puisquelebruit est non-autocorrl: cov("
t
; "
t 1
) = 0.
De plus, cov(X
t
; X
t 1
) = bc
2
qui ne dpend pas de t et cov(X
t
;X
t h
) = 0 pour tout h > 1. Aussi, le
processus X
t
est stationnaire.
(ii) Le processus X
t
vrie E (X
t
) = 0 (= constante). De plus, sa variance est donne par V (X
t
) =

cos
2
(ct) + sin
2
(ct)

2
=
2
o
2
est lavariancedubruit, puisquelebruit est non-autocorrl: cov("
t
; "
t 1
) =
0. .
Enn, cov(X
t
; X
t 1
) =
2
[sinct cos c(t 1)] qui dpenddet pour c = 2 Z.Aussi, leprocessusX
t
nest pas stationnaire
(iii) Leprocessus X
t
peut sercrire
X
t
=
t
X
k=1
"
k
+X
0
qui correspond unemarchealatoire. Aussi, leprocessus X
t
nest pas stationnaire. On peut montrer quele
processus exploseen
p
t.
Exercise 2 Soit ("
t
) un bruit blanc et (X
t
) un processus vriant
X
t

7
2
X
t 1
+
3
2
X
t 2
= "
t
pour tout t 2 Z (57)
Montrer quil existe un processus stationnaire, solution de (57) sous la forme
e
X
t
=
X
k2Z
a
k
"
t k
En dduire que "
t
nest pas linnovation du processus
e
X
t
:
Lepolynmecaractristiquedela formeAR est (Z) = 1 7Z=2 + 3Z
2
=2, qui peut scrire
(Z) = 1
7
2
Z +
3
2
Z
2
= (1 3Z)

1
1
2
Z

Lesracinessont alors1=3 et 2:Laracine1=3 nest paslextrieur dudisqueunit: la reprsentation nest pas canonique.
Toutefois, il est possibledinverser lepoylnmeretard . Soit
e
X
t
est dni par
e
X
t
=
1
(L) "
t
=
1
(1 3L)

1
1
2
L
"
t
=

6=5
1 3L

1=5
1 L=2

"
t
=
2
5
1
X
k=1

1
3

k 1
"
t+k
| {z }
dpend du futur
de"
t

1
5
1
X
k=0

1
2

k
"
t k
| {z }
dpend du pass
de"
t
soit
+1
X
1

i
"
t i
Leprocessus "
t
est alors corrlavec
e
X
t 1
;
e
X
t 2
; ::: (puisque
f
X
t
sexprime en fonction du pass et du futur de
"
t
) : leprocessus "
t
nest pas linnovation.
247
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
En revanche, en considrant un bruit blanc de la forme
t
s BB

1;
2
=9

(le coe cient 1=9 venant de


(1=3)
2
, 1=3 tant la racine appartenant au disque unit), on peut mettre
e
X
t
sous formeAR,

1
1
2
L

1
1
3
L

e
X
t
=
t
soit
e
X
t

5
6
e
X
t 1
+
1
6
e
X
t 2
=
t
o
t
s BB

1;
2
=9

Cettecriturecorrespondra lcriturecanoniquedu processus


e
X
t
.
Exercise 3 On considre le processus alatoire AR (2) suivant
X
t
= 40 + 0:4X
t 1
0:2X
t 2
+"
t
o "
t
s BB

0;
2
= 12:8

(i) vrier que leprocessus est stationnaire


(ii) calculer lesprance deX
t
(iii) donner les quations deYule-Walker duprocessus, calculer la variance, ainsi queles 5premires valeurs
des autocorrlations
(iv) calculer les 3 premires autocorrlations partielles
(i) Le processus peut scrire

1 0:4L + 0:2L
2

X
t
= 40 + "
t
. Le processus est stationnaire si les racines
du polynmesont lextrieur du disqueunit:
1 0:4Z + 0:2Z
2
= 0 ssi Z =
0:4 i
p
0:64
0:4
cest direZ =

Z = 1 + 2i
Z = 1 2i
dont lemoduleest
p
1 + 2
2
=
p
5 >1 : leprocessus est stationnaire.
24
(ii) Leprocessus est un AR (2) avec constante: il nest pas centr.
E (X
t
) = 0:4E (X
t 1
) 0:2E (X
t 2
) + 40 + 0 soit = E (X
t
) = 40=0:8 = 50
(iii) Soit Y
t
= X
t
50. Alors Y
t
satisfait Y
t
= 0:4Y
t 1
0:2Y
t 2
+ "
t
avec E (Y
t
) = 0. La fonction
dautocovariancedeY
t
(qui est la mme que celle de X
t
) est obtenuedela faon suivante
E (Y
t
Y
t h
) = 0:4E (Y
t 1
Y
t h
) 0:2E (Y
t 2
Y
t h
) +E ("
t
Y
t h
)
cequi donnelquationdeYuleWalker
h
= 0:4
h 1
0:2
h 2
. Lesinitialisationssont obtenuepar lesrelations

1
= 0:4
0
0:2
1

2
= 0:4
1
0:2
0
La premirequation permet dcrire
1
= 0:4
0
=1:2 =
0
=3, et la seconde
2
= 0:2
0
=3. Or
0
vrie

0
= E (Y
t
Y
t
) = 0:4E (Y
t 1
Y
t
) 0:2E (Y
t 2
Y
t
) +E ("
t
Y
t
) = 0:4
1
0:2
2
+E ("
t
Y
t
)
Et comme"
t
Y
t
= 0:4"
t
Y
t 1
0:2"
t
Y
t 2
+"
2
t
, on en dduit queE ("
t
Y
t
) =
2
. Et donc
0
= 0:4
1
0:2
2
+
2
.
Do nallement, par substitution

0
= 0:4
0
=3 0:2 (0:2
0
=3) +
2
et donc
0
= 3
2
=2:56 = 15
Do nalement 8
>
>
>
>
<
>
>
>
>
:

1
=
0
=3 = 5

2
= 0:2
0
=3 = 1

3
= 0:4 1 0:2 5 = 1:4

4
= 0:4 1:4 0:2 1 = 0:36

5
= 0:4 0:36 0:2 1:4 = 0:136
et donc
8
>
>
>
>
<
>
>
>
>
:

1
= 0:333

2
= 0:068

3
= 0:093

4
= 0:024

5
= 0:009
24
Ceci pouvait galement se noter directement en notant que les conditions de stationnarit dans le cas dun AR (2) scrivent
8
<
:

1
+
2
< 1

1
+
2
< 1

2
> 1
248
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
(iv) Les autocorrlations partielles secalculent laidedes dterminants des matrices dautocorrlations :
(1) =
j
1
j
j1j
= 0:33
(1) =

1
1

1

2

1
1

1
1

=

2

2
1
1
2
1
= 0:199
(1) =

1
1

1

1
1
2

2

1

3

1
1

2

1
1
1

2

1
1

= 0:00069
Onpeut noter quea(3) est trsfaible, cequi conrmelanatureAR (2) dumodle(enthorie, lesautocorrlations
partielles dun processus AR (p) sont nulles au del du rang p).
Exercise 4 Considrons deux processus (X
t
) et (Y
t
) lis par les relations suivantes

Y
t
= Y
t 1
+X
t
+"
t
X
t
= X
t 1
+
t
o "
t
et
t
sont des bruits blancs non-corrls, devariancerespective
2
"
et
2

. Pour les applications pratiques,


on prendra
= 1:5, = 0:4, = 0:6,
2
"
= 0:016 et
2

= 0:036
(i) on pose !
t
= (1 L) (1 L) Y
t
. Calculer les moments de !
t
et en dduire quil sagit dun processus
moyenne mobile ( prciser). Donner la reprsentation canonique de !
t
(ii) en dduire que Y
t
est un processus ARMA dont on prcisera les ordres. Donner la reprsentation
canonique deY
t
(i) Leprocessus !
t
est dni par !
t
= (1 L) (1 L) Y
t
. X
t
et Y
t
tant centrs, on peut dj noter que
E (!
t
) = 0.
(1 L) Y
t
= Y
t
Y
t 2
= Y
t 1
+X
t
+"
t
[Y
t 2
+X
t 1
+"
t 1
]
= [Y
t 1
Y
t 2
] +[X
t
X
t 1
] +"
t
"
t 1
= [Y
t 1
Y
t 2
] +
t
+"
t
"
t 1
= [1 L] Y
t 1
+
t
+"
t
"
t 1
Ainsi (1 L) Y
t
= [1 L] LY
t
+
t
+ "
t
"
t 1
, soit (1 L) (1 L) Y
t
= !
t
=
t
+ "
t
"
t 1
. Le
processus !
t
vriealors,
8
<
:
(0) = E

!
2
t

=
2

1 +
2

2
"
= 0:10276
(1) = E (!
t
!
t 1
) =
2
"
= 0:0096
(h) = 0 pour h 2
Cecomportement delautocorrlogrammeest caractristiquedesprocessus MA (1) (nullitdes autocorrlations
au del du rang 1) : !
t
est un processus moyenne-mobile.
Cherchons crire !
t
sous forme MA (1) : !
t
= u
t
u
t 1
o u
t
est un bruit blanc de variance
2
. Les
paramtres et
2
doivent alors vrier

(0) =

1 +
2

2
(1) =
2
249
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
cest direque doit vrier


1 +
2
=
(1)
(0)
=

2
"

1 +
2

2
"
= 0:0934
doit alors vrier 0:0934
2
+ 0:0934 = 0 soit = 0:095 ou = 10:61. On choisit la racine de module
infrieur 1 pour la reprsentation canonique( tant linverse de la racine du polynme caractristique). !
t
satisfait !
t
= u
t
u
t 1
o u
t
est un bruit blanc devariance
2
= 0:101 et o = 0:095.
(ii) Daprscequenousvenonsdemontrer !
t
= (1 L) (1 L) Y
t
= (1 L) u
t
ou
t
est unbruit blanc,
cest direqueY
t
suiteun processus ARMA (2; 1).
La formedveloppedela dynamiquedeY
t
est
Y
t
= (+) Y
t 1
Y
t 2
+u
t
u
t 1
(58)
Il est galement possibledecalculer les autocorrlations (h) du processus : pour cela, on va multiplier cette
expression par X
t h
, puis prendrelesprance(le processus Y
t
tant centr
25
) :
Y
2
t
= (+) Y
t 1
Y
t
Y
t 2
Y
t
+u
t
Y
t
u
t 1
Y
t
= (+) Y
t 1
Y
t
Y
t 2
Y
t
+u
t
[(+) Y
t 1
Y
t 2
+u
t
u
t 1
]
u
t 1
[(+) Y
t 1
Y
t 2
+u
t
u
t 1
]
(on remplace Y
t
par (58) dans u
t
Y
t
et u
t 1
Y
t
). En prenant lesprance, on obtient
(0) = (+) (1) (2) +
2

1 (+) +
2

Deplus, en multipliant (58) par Y


t 1
on peut crire
Y
t
Y
t 1
= (+) Y
t 1
Y
t 1
Y
t 2
Y
t 1
+u
t
Y
t 1
u
t 1
Y
t 1
= (+) Y
t 1
Y
t 1
Y
t 2
Y
t 1
+u
t
Y
t 1
u
t 1
[(+) Y
t 2
Y
t 3
+u
t 1
u
t 2
]
(u
t
est indpendant du pass de Y
t
, en particulier indpendant de Y
t 1
) do, en prenant lesprance
(1) = (+) (0) (1)
2
En multipliant (58) par Y
t 2
on a
(2) = (+) (1) (0)
et defaon plus gnrale
(h) = (+) (h1) (h2)
Exercise 5 Dcomposition de Beveridge-Nelson dun processus intgr
On sintressedans cet exercice la dcomposition dun processus ARI MA, intgrdordre1, en la somme
dune marche alatoire, et dun processus stationnaire.
(1) Soit Y
t
admettant la dcomposition (1 L) Y
t
= (L) "
t
avec
(L) =
+1
X
k=0

k
L
k
o
0
= 1 et
+1
X
k=0
j
k
j <+1
et "
t
bruit blanc de variance
2
. Posons alors = (1).
(1 i) Soit

tel que(L) = +(1 L)

(L). Donner lexpression des coe cients

k
du polynme

.
(1 ii) Montrer que si
P
kj
k
j <+1 alors
P
j

k
j <+1.
(1 iii) Montrer que lon peut dcomposer Y
t
sous la forme Y
t
= T
t
+C
t
o (1 L) T
t
= "
t
et o C
t
est
un processus stationnaire.
25
Ce qui implique que cov(Xt ; X
t h
) = E (Xt X
t h
) E (Xt ) E (X
t h
) = E (Xt X
t h
) pour tout h. En particulier V (Xt ) =
E

X
2
t

.
250
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
(1 iv) Quelle est la limite de V (Y
t
) =t quand t !1 ?
(1 v) Considrons une dcomposition quelconque du processus Y
t
; Y
t
= T
t
+ C
t
en une somme dune
marche alatoire T
t
et dun processus stationnaire C
t
. Montrer qualors, on a ncessairement
V

(1 L) T
t

=
2

2
(2) On supposera dsormais que le processus Y
t
vrie une quation de la forme
(1 L) (1 L) Y
t
= "
t
o 0 <<1 (59)
(2 i) Ecrire la relation prcdentesous la forme (1 L) Y
t
= (L) "
t
(Forme de Wold)
(2 ii) Dcomposer le processus Y
t
en somme dune marche alatoire et dun processus stationnaire. Les
processus C
t
et T
t
sont-ils indpendants ?
(3) On veut montrer ici quil est impossibledcrireleprocessus Y
t
sous la formeY
t
= T
t
+C
t
o(1 L) T
t
=
u
t
et C
t
= (L) v
t
o les processus u
t
et v
t
sont des bruits blancs indpendants, et o (L) est un polynme
en L dont les racines sont demodule strictement suprieur 1.
(3 i) En utilisant (59) ; calculer la densit spectrale de X
t
= (1 L) Y
t
(3 ii) En supposant que Y
t
= T
t
+ C
t
o (1 L) T
t
= u
t
et C
t
= (L) v
t
; o les processus u
t
et v
t
sont
des bruits blancs indpendants, calculer la densit spectrale de X
t
= (1 L) Y
t
(3 iii) Etudier les comportements pour ! = 0 des deuxdensits spectrales trouves en (3 i) et en (3 ii).
(3 iv) Conclure.
(1 i) Par hypothse, (1 L) Y
t
= (L) "
t
. Soit alors X
t
= (1 L) Y
t
. Lepolynme vrie
(L) =
+1
X
k=0

L
k
1

+
+1
X
k=0

k
=
+1
X
k=0

L
k
1

+ (1)
Or la direnceL
k
1 peut sercrire
L
k
1 = (L 1)

1 +L +::: +L
k 1

et donc
(L) = (1) + (1 L)
+1
X
k=0

1 +L +::: +L
k 1

= (1) (1 L)
+1
X
k=0
0
@
+1
X
j =k+1

j
1
A
L
k
Do nallement lcriture(L) = + (1 L)

(L) o

(L) =
+1
X
k=0

k
L
k
avec

k
=
+1
X
j =k+1

j
(1 ii) En utilisant cetteexpression,
+1
X
k=0

k
=
+1
X
k=0
+1
X
j =k+1

j
= [
1
+
2
+
3
+:::] + [
2
+
3
+:::] + [
3
+:::] +::: =
+1
X
k=0
j
j
et
+1
X
k=0
j

k
j
+1
X
k=0
kj
k
j
Donc nallement si
P
kj
k
j <+1 alors
P
j

k
j <+1.
251
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
(1 iii) Daprs la question prcdente, on peut crireX
t
= (L) "
t
= "
t
+ (1 L)

(L) "
t
Si Y
t
= T
t
+C
t
, alors X
t
= (1 L) Y
t
= (1 L) T
t
+ (1 L) C
t
. Aussi, on devrait avoir

(1 L) T
t
= "
t
C
t
=

(L) "
t
- Montrons queleprocessus C
t
est stationnaire:
C
t
=

(L) "
t
=
+1
X
k=0

k
"
t k
qui sera stationnairesi et seulement si
P
j

k
j <+1, qui sera vrids lors que
P
kj
k
j <+1:
- Leprocessus T
t
dniepar (1 L) T
t
= "
t
est unemarchestationnaire:
T
t
= T
t 1
+"
t
= :
t
X
k=0
"
t k
+T
1
(1 iv) La variancedeY
t
peut sedcomposer en
V (Y
t
) = V (C
t
) + 2cov(C
t
; T
t
) +V (T
t
)
avec V (C
t
) =constanteet V (T
t
) est quivalent
2

2
"
t, carT
t
= T
0
+["
1
+::: +"
t
]. Deplus,
jcov(T
t
;C
t
)j
p
V (T
t
)
p
V (C
t
) = O

p
t

et nalement, on a
V (Y
t
)
t
!
2

2
"
quand t !1
En eectuant exactement lemmegenredecalcul sur Y
t
= T
t
+C
t
, p, a
V (Y
t
) = V

C
t

+ 2cov

C
t
; T
t

+V

T
t

et on obtient alors
lim
t! 1
V (Y
t
)
t
= lim
t! 1
V

T
t

t
=
2

2
"
Do nallement dersultat souhait, V

T
t

=
2

2
"
.
PARTIE 2
(3 i et ii) Leprocessus Y
t
sedcomposeen Y
t
= T
t
+C
t
, avec (1 L) Y
t
= u
t
et C
t
= B (L) v
t
. Aussi, en
direnciant Y
t
, on a
(1 L) Y
t
= (1 L) T
t
+ (1 L) C
t
= u
t
+ (1 L) B (L) v
t
= (L) "
t
o (L) "
t
= u
t
+ (1 L) B (L) v
t
. Leprocessus X
t
= (1 L) Y
t
= (L) "
t
admet pour densitspectrale
f (! ) =
1
2

e
i !

2
"
=

2
u
2
+
1
2

1 e
i !

B

e
i !

2
v
en utilisant lcriture(L) "
t
= u
t
+ (1 L) B (L) v
t
(3 iii) En comparant les deux critures pour ! = 0 on constatealors que

2
u
2
=

2
"
2
j(1)j
2
soit

2
u

2
"
= j(1)j
2
Et comme

1 e
i !

B

e
i !

2
v
0, alors f (! ) f (0) =
2
u
=2: f admet un minimumglobal en ! = 0.
252
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
(3 iv) Soit (1 L) (1 L) Y
t
= "
t
pour 0 <<1. Alors (1 L) X
t
= "
t
en posant X
t
= (1 L) Y
t
, on
peut crire
f (! ) =

2
"
2
1
j1 e
i !
j
2
et f (0) =

2
"
2
1
(1 )
2
Montrons qualors 0 nest pas un minimumgolbal : si ! = =2 alors

1 e
i !

2
= 1 +
2
> (1 )
2
puisque
0 <<1, et donc
1
(1 )
2
>
1
1 +
2
et donc f (0) >f


2

(Y
t
) nepeut donc pas tredcomposeen tendance- cycle, daprs lemodledela question (2). Par contre
il peut ltredapres lemodle(1) :
13.2 Examen de 2001/ 2002
Exercise 6 (i) Soit ("
t
) un bruit blanc et X
t
dni par
X
t
=
t
X
k=0

k
("
t k
"
t k 1
) o 2 R
Le processus X
t
est il stationnaire ? (ventuellement avec certaines restrictions sur les paramtres)
(ii) Soit ("
t
) un bruit blanc, et X
t
, Y
t
et Z
t
dni par X
t
= "
t
, Y
t
= (1)
t
"
t
et Z
t
= X
t
+ Y
t
pour tout
t 2 Z.Les processus X
t
, Y
t
et Z
t
sont-ils stationnaires ?
(iii) La somme de deux processus stationnaires est-elle stationnaire ?
(i) Leprocessus X
t
est un processus centr, E (X
t
) = 0. Leprocessus X
t
peut scrire
X
t
=
0
["
t
"
t 1
] +
1
["
t 1
"
t 2
] +
2
["
t 2
"
t 3
] +::: +
t 1
["
1
"
0
] +
t
["
0
0]
avec la convention "
1
= 0. Cetterelation peut sercrire, en mettant en facteur les "
t i
,
X
t
=
0
"
t
+

"
t 1
+

"
t 2
+

"
t 3
+::: +

t 1

t 2

"
1
+

t 1

"
0
=
0
"
t
+ ( 1)

"
t 1
+"
t 2
+
2
"
t 3
+
3
"
t 4
+::: +
i 1
"
t i
+::: +
t 2
"
1
+
t 1
"
0

Aussi, pour = 1, alors X


t
= "
t
et leprocessus est stationnaire.
Pour 6= 1, on peut crire
X
t
= "
t
+ ( 1)
t 1
X
k=0

k
"
t k 1
Aussi,
V (X
t
) =
2
+ ( 1)
2
t 1
X
k=0

2k

2
=
2
+ ( 1)
2
1
2t
1
2

2
qui nest pas indpendantedet : X
t
nest pas un processus stationnaire.
(ii) Leprocessus X
t
est un bruit blanc donc X
t
est stationnaire.
Leprocessus Y
t
vrieE (Y
t
) = 0 (=constante), et (0) = E

Y
2
t

= E

"
2
t

=
2
(=constante). Enn, pour
tout h 6= 0, (h) vrie
(h) = E (Y
t
Y
t h
) = E

(1)
2t h
"
t
"
t h

= E ("
t
"
t h
) = 0
Leprocessus Y
t
est stationnaire(et cest mme un bruit blanc).
Leprocessus Z
t
est dni dela faon suivante
Z
t
=

2"
t
pour t pair
0 pour t impair
253
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
Si E (Z
t
) = 0 (=constante), on peut noter quela variance, elle, nesera pas constante: E

Z
2
t

= 4
2
pour t
pair, et E

Z
2
t

= 0 pour t impair (car Z


2
t
est alors uneconstante). LavariancedeZ
t
dpend det : leprocessus
Z
t
nest pas stationnaire.
(iii) Danslaquestionprcdante, nousavionsvuqueX
t
et Y
t
taient desprocessusstationnaire, et pourtant,
leur sommeZ
t
nest pa un processus stationnaire: la somme de deux processus stationnaires nest pas
forcment stationnaire.
Exercise 7 Soit "
t
un bruit blanc, centr devariance5=18, et considrons le processus Y
t
dni par
Y
t
= 2Y
t 1
+"
t
On suppose que Y
t
nest observable quavec une erreur dobservation : on ne peut observer que le processus
X
t
= Y
t
+
t
o
t
est un bruit blanc non corrlavec "
t
; devariance1=6 (avec deplus cov

"
t
;
t h

= 0 pour
tout h 2 Z)
(i) montrer queleprocessus !
t
= "
t
+
t
2
t 1
est un processus MA; et en dduirequeX
t
est un processus
ARMA (1; 1) quelon prcisera,
(ii) donner la reprsentation canoniquede X
t
,
(iii) en dduire une reprsentation de X
t
du type
X
t
=
1
X
i =1

i
X
t i
+u
t
avec
1
X
i =1
j
i
j <1 (60)
et o u
t
est un bruit blanc quelon explicitera (donner sa volatilit), non corrlavec X
t
. A quoi sert unetelle
reprsentation ?
(i) Soit !
t
= "
t
+
t
2
t 1
. Ceprocessus est centr: E (!
t
) = 0 + 0 0 = 0. Sa varianceest donnepar
(0) = E

!
2
t

= E

"
t
+
t
2
t 1

"
t
+
t
2
t 1

= E

"
2
t
+
2
t
+ 4
2
t 1
+ 2"
t

t
4
t

t 1
4"
t

t 1

=
2
"
+ 5
2

+ 0 + 0 + 0 =
2
"
+ 5
2

car E ("
t

t
) = E

"
t

t 1

= 0 (les processus sont indpendants) et E

t 1

= 0 (car
t
est un bruit blanc).
Donc E

!
2
t

=
2
"
+ 5
2

qui est uneconstante: (0) = 5=18 + 5=6 = 20=18 = 10=9. Deplus


(1) = E (!
t
!
t 1
) = E

"
t
+
t
2
t 1

"
t 1
+
t 1
2
t 2

= E

"
t
"
t 1
+"
t

t 1
2"
t

t 2
+
t
"
t 1
+
t

t 1
2
t

t 2
2
t 1
"
t 1
2
t 1

t 1
+ 4
t 1

t 2

= 0 + 0 0 + 0 + 0 0 0 2
2

+ 0 = 2
2

do (1) = 2=6 = 1=3. Enn, on peut montrer que (2) = 0 et, plus gnralement, (h) = 0 pour h 2.
Ceprocessus !
t
vrie
(1) =
(1)
(0)
=
1
3
9
10
=
3
10
et (h) = 0 pour h 2
Leprocessus !
t
est un processus MA (1). Aussi, il existeun bruit blanc
t
et un paramtretel que
!
t
=
t

t 1
Leprocessus X
t
vrie
X
t
= Y
t
+
t
= [2Y
t 1
+"
t
] +
t
= 2

X
t 1

t 1

+"
t
+
t
= 2X
t 1
+

"
t
+
t
2
t 1

= 2X
t 1
+!
t
donc, daprs laquestion prcdente, il existebruit blanc
t
et un paramtretel queX
t
= 2X
t 1
+
t

t 1
,
cest direqueX
t
est un processus ARMA (1; 1).
254
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
(ii) Pour expliciter lcrituredeceprocessusARMA, il convient dedonner deux paramtres: (composante
moyenne-mobile) et
2

, la variancedu nouveau bruit blanc. Pour identier ces deux paramtres, on utiliseles
deux quations quenous avions obtenues auparavant. Pour leprocessus !
t
=
t

t 1
, on a

(0) = E

!
2
t

=

1 +
2

= 10=9
(1) = E (!
t
!
t 1
) =
2

= 1=3
En divisant la premirequation par la seconde, on obtient que
1 +
2

=
10
9
3
1
=
10
3
cequi donnelquation dedegr2 suivante, 3
2
10+ 3 = 0, dont les racines sont
=
10
p
10
2
4 3 3
2 3
=
10
p
64
6
=
10 8
6
=

3
1=3
Pour mettre le processus sous forme canonique on choisit de telle sorte que la racine du polynme
moyenne-mobile((L) = 1 L) est lextrieur du disqueunit, cest dire<1. Onchoisit = 1=3:
Cettevaleur permet den dduirela variancedu bruit blanc associ:
2

= 1=3 donc
2

= 1.
La formecanoniquedu processus est alors
X
t
= 2X
t 1
+
t

1
3

t 1
o
t
s BB (0; 1)
(iii) Nousavons crit leprocessussouslaforme(L) X
t
= (L)
t
. An dobtenir unereprsentation dela
forme(60), il convient dinverser lepolynmeretard (L) :
1
(L) (L) X
t
=
t
. Puisquenous avions choisi
laracinede lextrieur du disqueunit, lepolynme(L) est inverbleen fonction des oprateurs passs, et

1
(L) (L) =
1
1 L
(1 +L) = (1 +L)
1
X
i =0

i
L
i
= 1 +
1
X
i =1

i 1
+
i

| {z }
i
L
i
Avec cettecriture, on obtient nalement
X
t
=
1
X
i =1

i
X
t i
+
t
avec

i
=
i 1
+
i
= 2=3
i 1
+ 1=3
i

t
s BB (0; 1)
Cette criture est utile pour faire de la prvision : la meilleur prvision possible, faite la date T pour un
horizon h est
T
b
X

T +h
=
h 1
X
k=1

k
:
T
b
X

T +h k

T +h
X
k=h

k
X
T +h k
Remarque 81 Lexercicesuivant utilisait lessortiesinformatiquesdisponiblessur http:/ / www.respublica.fr/ charthur/ TS/ slides02
Exercise 8 Considrons la srie brute X
t
, srie trimestrielle observe de 1980 2000. Nous noterons dans
toute la suite
- X
t
la sriebrute
- Y
t
la srie direncie une fois Y
t
= X
t
= (X
t
X
t 1
)
- Z
t
la srie direncie deux fois Z
t
=
2
X
t
= Y
t
= X
t
2X
t 1
+X
t 2
- Y 2
t
la srie Y2
t
= Y
t
Y
t 2
et Z2
t
la srie Z2
t
= Z
t
Z
t 2
- Y 4
t
la srie Y4
t
= Y
t
Y et Z4
t
la srieZ4
t
= Z
t
Z
t 4
A partir delensembledessriesinformatiquessuivantes(courbes, histogrammes, tests, estimationdquations...etc),le
but est ici detrouver un (ou plusieurs) modle permettant de modliser au mieux la srie X
t
:
(i) quelle(s) srie(s) peut-on essayer de modliser laide dun processus ARMA ?
255
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
(ii) les modles suivants sont-ils valides ?
(1 L)

1
1
L
2
L
2

3
L
3

4
L
4

5
L
5

6
L
6

7
L
7

X
t
= "
t
o "
t
est un bruit blanc (61)
(1 L)

1 L
2

X
t
= "
t
o "
t
est un bruit blanc (62)
(1 L)

1 L
2

1 L
2

X
t
= "
t
o "
t
est un bruit blanc (63)
(1 L)

1 L
4

X
t
= "
t
"
t 1
o "
t
est un bruit blanc (64)
(iii) les mthodes SCAN et ESCF suggrent-elles de bons modles ? si oui, lesquels ?
(iv) est-il possible de modliser la srie X
t
sans composanteMA ?
(v) la srieX
t
a en fait tsimulesur 80 valeurs, laidedun bruit blanc gaussien N (0; 1), detellesorte
que
(1 L)

1 L
4

(1 0:8L) X
t
=

1 0:6L
2

"
t
Lessimulationscorrespondent-elles eectivement un tel modle? Existe-t-il demeilleurs modles, oudautres
modles permettant de modliser la srie X
t
?
(i) Si lonregardelasriebruteX
t
, noussommesenprsencedunesrienon-stationnaire: nousnobservons
pas la dcroissance exponentielle de lautocorrlogramme, que lon pourrait observer sur un processus AR, et
les 20 premires autocorrlations sont signiactives : X
t
est non-stationnaire, avec prsenceduneracineunit.
Lasriedirencie(unefois) Y
t
semblestationnaire, avectoutefoisprsenceduneracineunitsaisonnire:
touteslesautocorrlationsobtenuesavecunretardpair sont signicativement nonnulle. Y
t
nest pas stationnaire,
avec prsenceduneracineunitsaisonnire.
Lasrie

1 L
2

Y
t
prsentelemmegenredecomportement queY
t
, cest doncque2 ntait paslafrquence
de la racine unit. Y 2
t
nest pas stationnaire. En revanche la srie Y 4t est stationnaire. Les autres sries
proposes tant obtenues partir dune srie (Z
t
) direncie davantage, nous nallons pas les prendre en
compte. Detoutes faons, un raisonnement analogueaurait pousser neretenir queZ4
t
, qui est la seulesrie
stationnaire. Or Y4
t
= (1 L)

1 L
4

X
t
et Z4
t
= (1 L)
2

1 L
4

X
t
= (1 L) Y 4
t
: puisqueY 4
t
est dj
stationnaire, il est inutilededirencier davantage. Nous allons modliser Y 4
t
= (1 L)

1 L
4

X
t
.
Ceci est validpar les tests deDickey-Fuller.
(ii) Lestimation du modle(61) - modleAR (7) pour Y
t
- dni par
(1 L)

1
1
L
2
L
2

3
L
3

4
L
4

5
L
5

6
L
6

7
L
7

X
t
= "
t
o "
t
est un bruit blanc
est donnedansleslide(50). Si tous les paramtres semblent signicatif, on peut noter quelestimation aboutit
uneracineunit(1:01 est racinedupolynmeAR, et Eviews prciseEstimated AR process is nonstationary)
: cemodlenepeut pas treretenu.
Lestimation du modle(62) - modleAR (2) pour Y
t
- dni par
(1 L)

1 L
2

X
t
= "
t
o "
t
est un bruit blanc
est donne dans le slide (67). Le paramtre est signicativement non nul. Toutefefois, si lon considre
lautocorrlogrammedes rsidus obtenus aprs rgression (slide (69)), on peut noter quelon na pas un bruit
blanc : toutes les autocorrlations paires sont non nulles. Cemodlenepeut treretenu.
Lestimation du modle(63) - modleAR (2) pour Y 2
t
- dni par
(1 L)

1 L
2

1 L
2

X
t
= "
t
o "
t
est un bruit blanc
est donne dans le slide (79). Le paramtre est signicativement non nul. Toutefefois, si lon considre
lautocorrlogrammedes rsidus obtenus aprs rgression (slide (81)), on peut noter quelon na pas un bruit
blanc : toutes les autocorrlations paires sont non nulles. Cemodlenepeut pas treretenu.
Lestimation du modle(64) - modleMA (1) pour Y 4
t
- dni par
(1 L)

1 L
4

X
t
= "
t
"
t 1
o "
t
est un bruit blanc
256
Arthur Charpentier - Cours de Sries Temporelles - DESS Mathmatiques de la Dcision & DESS Actuariat
est donnedansleslide(96). Leparamtreest signicativement nonnul. Si lonconsidrelautocorrlogramme
desrsidusobtenusaprsrgression(slide (98)), onpeut noter quaucuneautocorrlationnest signiactivement
non nulle. Si les tests de Box-Pierce (Q) ne sont pas valids 5%, on peut malgr tout noter que ce modle
resterelativement bon Cemodlepourrait treretenu.
(iii) LamthodeSCAN appliqueY 4
t
(cest la variablequenous avions retenu dans la partie (i)) suggre
des modles ARMA (0; 1) ou ARMA (4; 0), alors que la mthode ESACF suggre des modles ARMA (2; 3)
ou ARMA (0; 4).
LemodleARMA (0; 1) appliqu Y 4
t
correspond au modle(64) : cemodlepeut treretenu.
Le modleARMA (4; 0) appliqu Y 4
t
correspond au modle estim slide (106) : les 4 paramtres sont
signicatifs, et si lon considreles autocorrlations, on obtient un bruit blanc : cemodlepeut treretenu.
Le modleARMA (2; 3) appliqu Y4
t
correspond au modle estim slide (110) : on peut noter que le
coecient en AR (1) est non-signicatif. Leslide(111) permet derester la mmequation sans retard dordre
1 sur Y4
t
: tous les coecients sont l aussi signicatifs. Et si lon considrelautocorrlogrammedes rsidus
obtenus aprs rgression (slide (11)), on peut noter quaucuneautocorrlation nest signiactivement non nulle
: l hytpothsedebruit blanc est validegalement par leQtest : cemodlepeut treretenu.
LemodleARMA (0; 4) appliqu Y4
t
correspond au modleestimslide(115) : les composantes dordre
2 et 3 sont ne sont pas signiactivement non nulles, et si lon teste le modle sans les composantes dordre
2 et 3, la composante dordre 1 nest plus signicative. Enn, le modle MA (4) ne marchant pas non plus,
cemodlenepeut pas treretenu.
(iv) LemodleAR (4) applique Y 4
t
(slide (106)) est valide: il est possibledemodliser la srieX
t
sans
composanteMA : lemodle
(1 L)

1 L
4

1 0:6236L 0:5452L
2
0:5238L
3
0:2815L
4

X
t
= "
t
est valide.
(v) Le modle (1 L)

1 L
4

(1 0:8L) X
t
=

1 0:6L
2

"
t
cest dire Y4
t
modlis par une modle
ARMA (1; 2) est estim dans le slide (88). Ce modle est valid : les paramtres sont tous signicatifs, et le
rsidu est un bruit blanc. Cemodleest retenu.
Les dirents modles possibles sont alors
[1] - slide (96) (1 L)

1 L
4

X
t
= (1 L)
t
[2] - slide (111) (1 L)

1 L
4

1 L
2

X
t
=

1
1
L
2
L
2

3
L
3

"
t
[3] - slide (106) (1 L)

1 L
4

1
1
L
2
L
2

3
L
3

4
L
4

X
t
= u
t
[4] - slide (88) (1 L)

1 L
4

(1 L) X
t
=

1 L
2

v
t
[5] - slide (131) (1 L)

1 L
4

1
2
L
2

4
L
4

X
t
=

1
1
L
2
L
2

5
L
5

e
t
[6] - slide (123) (1 L)

1 L
4

1 L
2

X
t
=

1
1
L
3
L
3

4
L
4

e
t
o
t
; "
t
;u
t
et v
t
sont des bruit blancs.
Les indicateurs dechoix demodles donnt les rsultats suivants :
R
2
R
2
log L Akaike Schwarz F -stat
[1] 0:2893 0:2893 101:6273 0:10115 0:07025
[2] 0:3322 0:3032 94:7231 0:13313 0:00763 11:44084
[3] 0:3487 0:3196 91:8485 0:13792 0:01044 11:95962
[4] 0:3273 0:3179 97:4373 0:15038 0:08811 35:02662
[5] 0:9920 0:9916 92:8359 0:15744 0:00056 2117:092
[6] 0:9913 0:9910 99:1440 0:08737 0:036229 2709:168
Comme le montre le tableau ci-dessus, le modle [4] a beau tre celui qui a t simul, ce nest pas celui qui
modliser la mieux la srie. En particulier, [5] prsenteun meilleur critredAkaike, et [6] un meilleur critre
deSchwarz (que lon cherche minimiser), ainsi quunemeilleureF -stat.
257