Université Hassan II

Faculté des Sciences Juridiques, Économiques et

Sociales Mohammedia

ARIMA

 Encadré par: Mr Ouia réalisé par: KERBALI Imane

JAMAL Aziza
TAHIRI Sanaa
SAANANE Fathi Amine
plan
Résumer

Introduction
Partie I:rappel AR,MA, ARMA

Partie II:les modèles ARIMA

 1)Définition
 2)les applications des modèles ARIMA
 3)La notion de la stationnarité
 4)présentation du modèle ARIMA

Partie III:cas pratique

Conclusion
Résumé Français/Anglais
 Ce travail consiste à traiter le modèle ARIMA qui traite les
séries chronologiques dites non stationnaires après avoir
déterminer le niveau d’intégration c'est-à-dire le nombre de fois
qu’il faut pour différencier la série avant de la rendre
stationnaire. Mais ce modèle souffre d’une lacune majeure : il est
incapable de traiter simultanément plus d’une variable (série).
 Pour concrétiser ce modèle, on a procéder à l’étude des
exportations marocaines de phosphate entre 2001 et 2009.

 This work is about the ARIMA model. It treats the time series
called no stationary after determining the level of integration ie
how many times it takes to differentiate the series before
making it stationary. But this model suffers from a major
shortcoming: it is unable to study more than one variable (series).
 To realize this model, we worked on Moroccan phosphate exports
between 2001 and 2009.
introduction
Il existe deux catégories de modèles pour rendre
compte d’une série chronologique.
-la première considère que les données sont une
fonction du temps y=f(t).
-la seconde, et qui fera objet de notre exposé,
cherche à déterminer chaque valeur de la série en
fonction des valeurs qui précèdent y=f(y(t-1) ;y(t-2) ;
………..)
C’est le cas des modèles Auto-Regressive-Integrated-
Moving-Average : ARIMA
partie I: Rappel AR,MA,
ARMA
Les processus auto-régressif AR(P),les processus
moyenne mobile MA(q) et les processus ARMA(p,q) ont
été introduits comme processus aléatoires
stationnaire.

Il serviront de modèles pour décrire l’évolution des

S.C càd première série chronologique pourra être vue
comme une réalisation de ce processus ARMA .
Le modèle ARMA combine la partie AR et la partie
MA. En autre termes il contient des valeurs passées
Xt-1; Xt-2 ;…….; Xt-p et des erreurs passées et-1 ;
et-2….; et-q

Équation de ARMA :
Partie II:les modèles ARIMA
1) définition:

o Pour les modèles ARIMA, c’est le passé de la série ( sa

mémoire) qui explique son comportement présent et
futur.

o L'objectif essentiel donc des modèles ARIMA est de

permettre une prédiction de l'évolution présente ou
future d'un phénomène à partir des données du passé.
2)les applications des modèles ARIMA

 Repérer les tendances et cycles:

Grâce aux tendances et aux cycles, il est ainsi
possible d’analyser les interactions entres diverses
variables, afin d’atteindre un équilibre.

 Corriger des variations saisonnières:

En comparant le niveau saisonnier entre deux
années par exemple, on va pouvoir en déduire un
comportement. Celui-ci apportera des informations
supplémentaires indispensable afin d’affiner les
valeurs saisonnières, et appréhender leurs évolutions.
 Contrôler les processus:
Il est indispensable de dresser une carte des
variables ayant une forte influence sur les reste de
l’économie, afin d’anticiper les évolutions possibles.
Les modèles ARIMA ne sont appropriés que
lorsque la série temporelles ou chronologique
est stationnaire (c'est-à-dire que les
moyennes, variances, et autocorrélations
doivent être sensiblement constantes au cours
du temps).
3)La notion de la stationnarité

Avant de traiter la série chronologique,il faut étudier

son espérance et sa variance.

Si ces derniers varient dans le temps la série

chronologique est non stationnaire,dans le cas
contraire la série est donc stationnaire.
On distingue 2 types de non stationnarité :

Processus de type TS(trend stationary):

Représente le non stationnarité de nature
déterministe.

Processus de type DS(differency stationary):

représente les processus non stationnaire
aléatoires
Test de dickey-fuller (DF) :test de
racine unitaire
Ce test permet de mettre en évidence le
caractère stationnaire ou non d’une chronique
par la détermination d’une tendance
déterministe ou stochastique
4) présentation du modèle ARIMA

Un modèle ARIMA est étiqueté comme modèle ARIMA

(p,d,q), dans lequel:

p est le nombre de termes auto-régressifs.

d est le nombre de différences.
q est le nombre de moyennes mobiles.
la différenciation
L'estimation des modèles ARIMA suppose que l'on

travaille sur une série stationnaire. Ceci signifie que la

moyenne de la série est constante dans le temps, ainsi
que la variance. La meilleure méthode pour éliminer
toute tendance est de différencier, c'est-à-dire de
remplacer la série originale par la série des différences
adjacentes. Une série temporelle qui a besoin d'être
différenciée pour atteindre la stationnarité est
considérée comme une version intégrée d'une série
stationnaire (d'où le terme Integrated).
 Une différenciation d'ordre 1 suppose que la différence entre deux valeurs
successives de y est constante.

μ est la constante du modèle, et représente la différence moyenne en y. Un tel

modèle est un ARIMA(0,1,0). Il peut être représenté comme un
accroissement linéaire en fonction du temps. Si μ est égal à 0, la série est
stationnaire.

Les modèles d'ordre 2 travaillent non plus sur les différences brutes,
mais sur les différences de différence. La seconde différence de y au
moment t est égale à (yt -yt-1) - (yt-1 - yt-2), c'est-à dire à
yt – 2yt-1 + yt-2. 

Un modèle ARIMA(0,2,0) obéira à l’équation de prédiction suivante :

 l’auto-régression

Les modèles autorégressifs supposent que Xt est une fonction linéaire des
valeurs précédentes.

chaque observation est constituée d'une composante aléatoire (choc

aléatoire, ε) et d'une combinaison linéaire des observations
précédentes. φ1, φ2 et φ3 dans cette équation sont les coefficients
d'auto-régression.

Pour un modèle ARIMA(1,1,0) on aura :

 
yt – yt-1 = μ + φ(yt-1 – yt-2) + εt
 la moyenne mobile

Les modèles (MA) supposent que chaque point est fonction des
erreurs entachant les points précédant, plus sa propre erreur.

Yt=et-θ1et-1- θ2 et-2….- θq et-q

 Comme précédemment cette équation porte soit sur les données

brutes, soit sur les données différenciées si une différenciation a
été nécessaire. Pour un modèle ARIMA(0,1,1) on aura :

yt – yt-1 = μ - θεt-1 + ε t
On peut également envisager des modèles mixtes: par
exemple un modèle ARIMA(1,1,1) aura l'équation de
prédiction suivante:

yt = μ + yt-1 + φ(yt-1 – yt-2) - θ1εt-1 + εt

Partie III: cas pratique

Les exportations marocaines de phosphate

Le modèle : ARIMA (5,6,7)
conclusion
Merci pour votre attention