Académique Documents
Professionnel Documents
Culture Documents
ARIMA
Introduction
Partie I:rappel AR,MA, ARMA
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.
Équation de ARMA :
Partie II:les modèles ARIMA
1) définition:
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.
Les modèles autorégressifs supposent que Xt est une fonction linéaire des
valeurs précédentes.
Les modèles (MA) supposent que chaque point est fonction des
erreurs entachant les points précédant, plus sa propre erreur.
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: