Académique Documents
Professionnel Documents
Culture Documents
p
X
k=1
k Xtk +
q
X
k Ztk + Zt
k=1
Pp
o`
u Zt BB(0, 2 ) et o`
u (z) = 1 + k=1 k z k 6= 0 pour |z| = 1.
2
Param`etre `a estimer : {k }1kp , {k }1kq , .
Identifiabilite `a partir des proprietes du second ordre
X
Zt ont
t defini par (z)
t = (z)
Xt defini par (z)Xt = (z)Zt et X
les memes f.a.c.
Estimation AR
p
X
k Xtk + Zt
k=1
o`
u Zt BB(0, 2 ) et o`
u (z) 6= 0 pour |z| 1. Elle secrit :
Xt =
+
X
k Ztk
k=0
o`
u 1/(z) =
P+
k=0
k z k .
1.1
t,m |2 = (0) 1 T
C m m = et E |Xt X
m
o`
u
Cm
(0)
(1)
=
..
(m 1)
...
...
(1)
(m 1)
1,m
(1)
.
.
, = .. et = ..
m,m
(m)
(0)
t,m = X
t,p et
On rappelle que pour un AR-p causal on a, pour tout m p, X
h
iT
h
i
2
t,m | = 2
et E |Xt X
m = 1 p 0 0
1.2
M
ethode des moments
2
(0)
=
S:r=
p
1 X
n (h) =
(Xt+|h|
n )(Xt
n )
n t=1
puis on fait pour m p :
1
=
C
n,m
n,m n,m
et
n2 = n (0) 1
Tn,m
n,m
On a vu que si n (0) 6= 0 :
1. C
est positive de rang plein,
n,m
2. m,n (z) 6= 0 pour |z| 1,
Exercice 1 1. Montrer que la matrice C
secrit :
n,m
=
C
n,m
1
DT D
n
n (0)
o`
u D est une matrice de dimension (n + m 1) m construite `
a partir
des donnees Xtc = Xt
n .
2. On suppose que le nombre de valeurs de Xt non nulles est superieur `
a m.
Montrer que D est de rang plein (indication : on note t0 la plus petite
valeur de t telle que Xt 6= 0 et on consid`ere la matrice carree extraite de
1750
1850
0.05
0.1
50
0.15
0.2
100
1950
0.25
0.3
150
0.35
0.4
200
2000
0.45
0.5
250
Fig. 1 haut : releve annuel moyen du nombre de taches solaires entre 1750 et
2000. Milieu : en bleu, spectre moyenne en frequence ; en rouge, spectre de lAR2.
Bas : innovation estimee sous lhypoth`ese AR2.
1.3
Comportement asymptotique
Th
eor`
eme 1 Soit Xt un processus AR(p) causal o`
u Zt IID(0, 2 ) et soit
1
m,n et
un echantillon {X1 , . . . , Xn } de taille n. On note m,n = C m,n
n,m
n2 = n (0) 1
. On suppose m > p. Alors quand n :
n,m
n(
2 1
N
(0,
m )
d
m,n
m
n2 P 2
h
o`
u m = 1 p 0
de dimension m m de Xt .
iT
0
et o`
u m est la matrice de correlation
10
vraies valeurs
0.6000
0.1000
0.3800
0.7200
biais estime
0.0013
0.0061
0.0003
0.0070
0.0164
ect estime
0.0840
0.0416
0.0503
0.0486
0.0408
0.0401
0.0482
0.0482
0.0401
r h
i
U )2 .
ect = E (U
11
Propri
et
e 1 (continuit
e) Soit Xn une suite de vecteurs aleatoires `
a valeurs
dans Rk asymptotiquement normale de moyenne et de covariance :
n(Xn ) d N (0, )
Soit g : Rk Rm une fonction differentiable au point x = , de differentielle
g (de dimension m k) au point telle que g 6= 0. Alors :
n kn (m) d N (0, 1)
(2)
3. En deduire un test dordre pour un mod`ele AR.
12
1.4
Test dordre
1
0.5
0.5
m
1
10
13
1.5
M
ethode du maximum de vraisemblance
...
np
1
log(2 2 ) 2 kX X k2
2
2
xn ]T et :
x
p
xp+1
X =
xn1
x1
..
.
x2
xnp
14
Estimation MA
Xt = Zt + 1 Zt1 + + q Ztq
Pq
2
o`
u Zt BB(0, ) et (z) = 1 + k=1 k z k 6= 0 pour |z| < 1.
2.1
M
ethode des moments
2
2
(1
+
(h) = 2 1
moments :
pour h = 0
pour h = 1
pour |h| 2
15
2.2
M
ethode de Durbin (1)
X
1
(z) =
=1
k z k
(z)
k=1
Propri
et
e 2 On note p (z) = 1
lequation recurrente :
Pp
z
. Alors il existe p0 , t.q. p p0
k
k=1
t = Zt +
X
p
X
k Xtk
k=1
h
i
2
t | p 0.
definit un AR(p) causal et on a E |Xt X
Do`
u lidee dapprocher un processus MA inversible par un AR causal
suffisamment long.
16
M
ethode de Durbin (2)
On choisit p suffisamment grand de telle facon que les observations puissent
etre considerees comme celles dun AR(p). On en estime les coefficients
1 , . . . , p .
Partant de lidentite, (z)(z) = 1, on calcule 1 , . . . , q en fonction de
1 , . . . , p . Il vient :
=
+
= ( )
17
M
ethode de Durbin (3)
En conclusion
on choisit p dautant plus grand que les racines de (z) sont proches du
cercle unite (vallees profondes).
on estime les p coefficients 1 , . . . , p , du predicteur lineaire optimal,
on estime les q coefficients du predicteur lineaire optimal obtenu `a partir
des donnees : 1 1 , . . . , p .
remarque : on estime ainsi la solution `a phase minimale.
18
M
ethode de Durbin (4)
Le tableau donne la moyenne, la variance et le risque, estimes empiriquement
`a partir de 200 realisations, de lestimateur de 1 = 0.95 selon la methode de
Durbin pour un echantillon de longueur 300 dun processus MA(1) o`
u
1 = 0.95 et 2 = 1 et pour differentes valeurs de p. On observe que, quand p
augmente, la variance augmente, tandis que la moyenne et le risque passent
par un minimum.
p
20
40
70
120
250
biais
0.1008
0.0863
0.0841
0.0840
0.0939
variance
0.0007
0.0009
0.0012
0.0016
0.0018
risque
0.0108
0.0083
0.0082
0.0087
0.0106
Lestimateur est biaise car un polynome de degre fini ne peut pas etre egal `a
linverse dun autre polynome.
19
2.3
Xt = Zt + 1 Zt1 + + q Ztq o`
u Zt BB(0, 2 ) gaussien. On a :
X
Z
Z0
Z
1
1
1
..
..
.
..
'
L()
. = L() .. + L0 ()
.
.
Xn
Zn
Z(q1)
Zn
Dans le cas gaussien on a :
log pX1 ,...,Xn (x1 , . . . , xn ; , 2 )
n
1
log(2 2 ) 2 xT LT () L1 ()x
2
2
| {z }
z{t=1:n}
La maximisation donne :
n = arg min Pn
n2 =
k,m=1 ckm ()Xk Xm et
1
n
Pn
20
2.4
M
ethode destimation de linnovation
Propri
et
e 3 Soit le processus ARMA(p, q) :
Xt = Zt +
q
X
k=1
k Ztk +
p
X
k Xtk
k=1
E |Zt t,m |
m 0.
21
M
ethode destimation de linnovation (2)
on choisit m,
on estime les m coefficients de prediction (algorithme de Levinson). On en
deduit par filtrage (reponse impulsionnelle finie) une estimation t,m du
processus de prediction,
on minimise par la methode des moindres carres lecart entre Xt et
Pq
t,m + k=1 k tk,m .
22