Vous êtes sur la page 1sur 4

- Séries Temporelles Univariées -

Master 1 ESA - Semestre 1, session 1 2013-2014


.....
Correction
Gilbert Colletaz

31 mars 2014

Exercice 1
a) Les racines du polynôme caractéristique de la partie MA sont 10/3 et 10/4. En factorisant sur
ces racines, on a :
(1 − 0.7L + 0.12L2 ) = (1 − 0.3L)(1 − 0.4L)
On remarque que les polynômes AR et MA on une racine commune : l’écriture (1) n’est pas
l’écriture ARMA minimale pour x. En simplifiant, on arrive à :

xt = 2.0(1 − 0.3L)−1 + (1 − 0.4L)ut = 2.0/0.7 + (1 − 0.4L)ut

x obéit donc à un MA(1) : il est donc évidemment stationnaire. Par ailleurs, la racine de son
polynôme MA, égale à 2.5, est supérieure à l’unité : il est également inversible.
γ1
b) Avec le résultat précédent, on a évidemment : cor(xt , xt−j ) = 0 si j > 1 et cor(xt , xt−1 ) = γ0 =
−0.4
1+0.16 ≈ −0.34

c) Pour les prévisions :

T xT +1 = ET [xT +1 ] = ET [2.0/0.7 + uT +1 − 0.4uT ] = 2.0/0.7 − 0.4 × (−.37) ≈ 3.0


T xT +2 = ET [xT +2 ] = ET [2.0/0.7 + uT +2 − 0.4uT +1 ] = 2.0/0.7 ≈ 2.86

Pour les intervalles : les erreurs de prévisions associées sont respectivement uT +1 et uT +2 −0.4uT +1
avec des variances égales à σu2 = 2.0 pour la première et à (1 + 0.42 )σu2 = 2.32 pour la seconde.
En conséquence, les intervalles de confiance demandés sont :

pour T + 1 : 3.0 ± 1.96 × 2 = [≈ 0.23, ≈ 5.77]

pour T + 2 : 2.86 ± 1.96 × 2.32 = [≈ −0.13, ≈ 5.85]
(
xt = 2.0/0.7 + ut − 0.4ut−1
d) ⇒ xt ∼ N (2.86, 2.32) ⇒ zt = t −2.86
x√
∼ N (0, 1)
ut ∼ N (0, 2.0) 2.32

et donc :

1
xt − 2.86 −2.86
P rob[xt < 0] = P rob[ √ ]< √
2.32 2.32
= P rob[zt < −1.88]
≈ 2.5%

Exercice 2
Cet exercice s’inspire d’un examen donné par le Professeur Tobias Rydén en mai 2012 ( Advanced
Mathematisk Statistik, Department of mathematics, KTH Royal Institute of Technology).

a) En utilisant le rappel précisé dans l’introduction du sujet,

cov(zt+1 , xt )
β̂1 =
var(xt )
cov(ut+1 + 1.8ut + 0.8ut−1 , ut + 0.8ut−1 ))
=
var(ut + 0.8ut−1 )
(1.8 + 0.82 )σu2
= ≈ 1.50
1.64σu2
et
cov(zt+2 , xt )
β̂2 =
var(xt )
cov(ut+2 + 1.8ut+1 + 0.8ut , ut + 0.8ut−1 )
=
var(ut + 0.8ut−1 )
.8σu2
= ≈ 0.50
1.64σu2

b) Les erreurs de prévisions associées aux prévisions vérifient :

e1t+1 = zt+1 − β1 xt
e2t+2 = zt+2 − β2 xt

et, avec E[zt+1 ] = E[zt+2 ] = E[xt ] = 0, on vérifie bien que les espérances de ces erreurs sont
nulles : les prévisions sont non biaisées.
c) Les prévisions étant sans biais, leurs MSE et sont égales à leurs variances respectives.
∗ ∗
M SE(t zt+1 ) = E[(zt+1 −t zt+1 )2 ]
= var[ut+1 + 1.8ut + 0.8ut−1 − 1.5 × (ut + 0.8ut−1 ]
= var[ut+1 + 0.3ut − 0.4ut−1 ]
= 1.25σu2 = 1.25

2
et
∗ ∗
M SE(t zt+2 ) = E[(zt+2 −t zt+2 )2 ]
= var[(ut+2 + 1.8ut+1 + 0.8ut − 0.5 × (ut + 0.8ut−1 )]
= var[ut+2 + 1.8ut+1 + 0.3ut − 0.4ut−1 ]
= 4.49σu2 = 4.49

d) xt est gouverné par un MA(1) inversible (racine du polynôme = 0.8−1 > 1). Il a donc une
représentation AR(∞) : B a raison.
e) Si B utilise le vrai processus AR(∞), alors il doit naturellement obtenir les mêmes prévisions
que celles fournies par le processus MA(1) qui gouverne x. Ainsi :

t ẑt+1 = Et [zt+1 ] = Et [ut+1 + 1.8ut + 0.8ut−1 ] = 1.8ut + 0.8ut−1 , et


t ẑt+2 = Et [zt+2 ] = Et [ut+2 + 1.8ut+1 + 0.8ut ] = 0.8ut .

f) On montre aisément que les deux prédicteurs t ẑt+1 et t ẑt+2 sont non biaisés, et donc :

M SE(t ẑt+1 ) = var[ut+1 ] = 1.0


M SE(t ẑt+2 ) = var[ut+2 + 1.8ut+1 ] = 4.24

g) Comparaison des MSE

horizon A B gain
1 1.25 1.0 -20%
2 4.49 4.24 -6%

Exercice 3
a) on utilise simplement la définition de y :
1
yt = (xt + xt−1 + xt−2 )
3
1
= (φxt−1 + c + ut + φxt−2 + c + ut−1 + φxt−3 + c + ut−2 )
3 
xt−1 + xt−2 + xt−3 ut + ut−1 + c + ut−2
=φ +c+
3 3
= φyt−1 + c + (1 + L + L2 )vt

où vt = u3t est évidemment un bruit blanc si u en est un. Au total, y obéit à un ARMA(1,2) avec
une variance des innovations égale à σu2 /9, soit σv2 = 1/9.
b) Les polynômes de la composante AR des processus afférents à x et y sont identiques. Sa racine
est φ−1 . Si x est stationnaire, alors φ<1, et y l’est donc également. √
Pour l’inversibilité, il faut chercher les deux racines de (1 + w + w2 ). On trouve ω1 = −1+i
2
3
et

−1−i 3
ω2 = 2 . Avec ||ω1 || = ||ω2 || = 1, la composante MA n’est pas inversible.

3
c) Pour avoir une écriture sur les z, il faut trouver la relation existant entre des y séparés par 3
périodes de temps. Pour cela, on peut partir de la dernière des équations précédentes, il vient :

yt = φyt−1 + c + (1 + L + L2 )vt
= φ(φyt−2 + c + (1 + L + L2 )vt−1 ) + c + (1 + L + L2 )vt
= φ2 (φyt−3 + c + (1 + L + L2 )vt−2 ) + (1 + φ)c + φ(1 + L + L2 )vt−1 + (1 + L + L2 )vt
= φ3 yt−3 + (1 + φ + φ2 )c + t

où t = vt + (1 + φ)vt−1 + (1 + φ + φ2 )vt−2 + (φ + φ2 )vt−3 + φ2 vt−4 . La mémoire de t est de quatre


mois. Ainsi, γj = cov(t , t − j) = 0 si j > 4, alors que γj 6= 0 pour j=1,2,3,4. En particulier,
γ3 6= 0 mais γ6 = γ9 = . . . = 0 : c’est donc un MA(1) lorsque l’on considère des observations
séparés par un trimestre complet. Au final, z obéit à un ARMA(1,1).

Exercice 4
Ph
a) t yt+h = Et [yt+h ] = Et [Tt+h + xt+h ] = Et [a + b(t + h) + xt + i=1 ut+i ] = a + b(t + h) + xt .
b) Le rapport en question vaut :

a + b(t + h) + xt xt
=1+
a + b(t + h) a + b(t + h)

Comme d’une part xt est une observation quelconque du processus, et que donc |xt | < ∞, et que
d’autre part lim a + b(t + h) = ∞, le rapport de la prévision au trend tend vers l’unité.
b>0,h→∞
c) On peut dire que la série y, qui intègre un trend stochastique et un trend déterministe, est
"dominée" par le trend déterministe dans la mesure où les prévisions à long terme du niveau de
la série se calent sur celui de ce trend.

Vous aimerez peut-être aussi