Application 5

Application 5
Application 6
Application 7
Séries temporelles
Applications
Abou DIENG
Université Paris-Est Créteil

Master 1 : Économie appliquée
2018
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6
Application 5 : Autocorrélation et autocorrlation

partielle
On considère le processus AR(2)
yt = a1 yt−1 + a2 yt−2 + ut , t = 1, ..., T
où ut est un bruit blanc d’espérance nulle et de variance σ2 .
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 1
[1.] Écrire le processus sous la forme A( L)yt = ut , et rappeler :

sous quelles conditions le polynôme A( L) admet des
solutions réelles, des solutions imaginaires ?
sous quelles conditions sur a1 et a2 le processus yt est
stationnaire ?
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 1
Le processus s’écrit : (1 − a1 L − a2 L2 )yt = ut

Le polynôme de caractéristique : Ã(z) = z2 − a1 z − a2
Stationnarité ? (Cf. cours)
√
1 Si 4 > 0, deux racines réelles α1 , α2 = a1 ±2 4 . Si la valeur
absolue de α1 et/ou α2 <1, le processus yt est stationnaire.
2 Si 4, une racine réelle α1 = α2 = a21 . Si | a1 | > 2, le
processus yt n’est pas stationnaire.
√
3 Si 4 < 0, deux racines imaginaires α1 , α2 = a1 ±i 2 −4 , où
√
i = −1. Une solution imaginaire ne peut exister que si
a2 < 0.
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 2
[2.] Donner les deux premières équations de Yule-Walker. En

déduire les expressions des deux premiers coefficients
d’autocorrélation.
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 2
Equations Yule et Walker :
E(yt yt ) = γ0 = a1 E(yt−1 yt ) + a2 E(yt−2 yt ) + E(ut yt )

= a1 γ1 + a2 γ2 + σ2
E(yt yt−1 ) = γ1 = a1 γ0 + a2 γ1
E(yt yt−2 ) = γ2 = a1 γ1 + a2 γ0
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle I
Question 2
Correlations : diviser equation Yule et Walker par γ0 pour

trouver ρ j
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle II
Question 2
ρ1 ?
ρ1 ρ1
z}|{ z}|{
γ1 γ
= a1 + a2 1
γ0 γ0
ρ1 = a1 + a2 ρ1
(1 − a2 ) ρ1 = a1
a1
[Par simplification ] ⇒ ρ1 = (1− a2 )
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle III
Question 2
ρ2 ?
ρ2 ρ1
z}|{ z}|{
γ2 γ
= a1 1 + a2
γ0 γ0
ρ2 = a1 ρ1 + a2
a21
⇒ ρ2 = + a2
(1 − a2 )
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 3
[3.] En supposant que ρ1 et ρ2 sont estimés de manière

convergente par ρ̂1 et ρ̂2 , en déduire les valeurs des estimations
de a1 et a2 .
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle I
Question 3
Résoudre le système :
( a1
ρ1 = (1− a2 )
(1)
a21
ρ2 = (1− a2 )
+ a2 (2)
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle II
Question 3
en substituant dans (2) :

(ρ1 (1− a2 ))2
ρ2 = (1− a2 )
+ a2
ρ2 = ρ21 (1 − a2 ) + a2
ρ − ρ2
a2 = 12−ρ21
1
ρ2 −ρ21
et a1 = ρ1 (1 − 1−ρ21
)
− ρ2
a1 = ρ1 11− ρ2 1
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 4
[4.] Pour une première série de données, nous obtenons les

autocorrélations empiriques suivantes : ρ̂1 = 0.2143 et
ρ̂2 = −0.3357. En déduire les estimations de a1 et a2 .
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 4
Avec les résultats de la question précédente :
−0.3357 − 0.21432
a2 = = −0.4
1 − 0.21432
b
1 + 0.3357
a1 = 0.2143 = 0.3
1 − 0.21432
b
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 4
Avec les résultats de la question précédente :
−0.3357 − 0.21432
a2 = = −0.4
1 − 0.21432
b
1 + 0.3357
a1 = 0.2143 = 0.3
1 − 0.21432
b
d’où :
yt = 0.3yt−1 − 0.4yt−2 + ut
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 5
[5.] Le processus est-il stationnaire ? Est-il cyclique ?

Stationnarité est déduite des racine du polynôme
caractéristique associé
si a1 + a2 < 1 , le processus est stationnaire.
Cyclique ?
car a1 > 0 et a2 < 0
ADIENG Applications
Question 1
Question 2
Application 5
Question 3
Application 6
Question 4
Application 7
Question 5
Question 6

partielle
Question 6
[6.] Sur la base de combien d’observations le modèle serait

estimé ?
T − 2 au minimum
ADIENG Applications
Question 1
Application 5 Question 2
Question 5
Application 6 : Méthode de Box-Jenkins
Vous disposez d’une série décrivant l’évolution du taux de

chômage aux Etats-Unis d’Amérique pour la période de
1960Q1 à 2008Q1. Votre objectif est de déterminer le modèle le
plus approprié pour expliquer l’évolution du taux de chômage.
L’évolution de la série est décrite par la figure 1 et les
autocorrélations et autocorrélations partielles sont renseignées
dans le tableau 1.
ADIENG Applications
Question 1
Question 5

F IGURE – Evolution du taux de chômage américain de 1960Q1 à
2008Q1
12
10
urate
6
4 8
1960q1 1970q1 1980q1 1990q1 2000q1 2010q1

time
TABLE – Autocorrelation et autocorrelation partielle du taux de

chômage américain
1 2 3 4 5 10 15 20
ACF 0.9746 0.9195 0.8486 0.7718 0.6985 0.3944 0.2365 0.1900
PAC 0.9766 -0.6450 0.0326 0.0070 0.1306 -0.1277 -0.0662 0.0165
ADIENG Applications
Question 1
Question 5
F IGURE – ACF et PACF
ADIENG Applications
Question 1
Question 5

Question 1
[1.] Est-ce que la série vous parait stationnaire ? Argumenter

votre réponse.
ADIENG Applications
Question 1
Question 5

Question 1
Saisonnalité apparente sur le graphique

FAC décroissance constante des ρ
ρ1 proche 1
→ Le processus n’est pas stationnaire.
ADIENG Applications
Question 1
Question 5

Question 2
[2.] Vous décidez d’estimer un AR(2) pour rendre compte de

l’évolution de la série. Vous obtenez les estimations suivantes :
zt = 0.23 + 1.61 zt−1 −0.64 zt−2
(0.07) (0.55) (0.55)
n = 191, AIC = .002 et SBC = .053
où yt désigne le taux de chômage américain.
i Les coefficients sont-ils significatifs au seuil de 5% ?
ii A partir de ces estimations, qu’est ce qui pourrait vous
indiquer si le yt est stationnaire ou non stationnaire.
iii Si le processus est non stationnaire, que pouvez vous dire
de la qualité des estimations ?
ADIENG Applications
Question 1
Question 5
i Significativité seuil de 5% ?
ADIENG Applications
Question 1
Question 5
t â0 = 3.09 > 1.96 Significatif
ADIENG Applications
Question 1
Question 5
ADIENG Applications
Question 1
Question 5
t â2 = −11.6 < 1.96 non Significatif
ADIENG Applications
Question 1
Question 5
ii Stationnarité ?
ADIENG Applications
Question 1
Question 5
ii Stationnarité ?
a1 + a2 = 0.97 → 1 → laisse penser que le processus n’est
pas stationnaire
ADIENG Applications
Question 1
Question 5
ii Stationnarité ?
pas stationnaire
iii Si le processus n’est pas stationnaire ?
ADIENG Applications
Question 1
Question 5
ii Stationnarité ?
pas stationnaire
iii Si le processus n’est pas stationnaire ?
Si le processus n’est pas stationnaire toutes les estimations
sont biaisées
ADIENG Applications
Question 1
Question 5

Question 3
[3.] Vous souhaitez construire la nouvelle variable

y t = z t − z t −1 .
i Que cherchez vous à faire en construisant cette nouvelle
variable ?
ii Comment pourriez vous vérifier que votre but a été
atteint ?
ADIENG Applications
Question 1
Question 5

Question 3
i Écrire le modèle en différences premières → pour rendre le

processus stationnaire
ii En construisant des graphiques des fonctions
autocorrélations (question suivante).
ADIENG Applications
Question 1
Question 5

Question 4
[4.] Les graphiques d’autocorrelations et d’autocorrelations

partielles de yt sont représentés ci-dessous. Que pouvez vous
déduire de ces graphiques ?
0.60 0.40
Partial autocorrelations of y
0.00 0.20
-0.20
0 5 10 15 20 25
Lag
95% Confidence bands [se = 1/sqrt(n)]
⇒ Processus est stationnaire

ADIENG Applications
Question 1
Question 5

Question 5
yt = −.004 + .640 yt−1 −.177 yt−4 −.277 ut−8
(.027) (.045) (.059) (.074)
AIC = −.0445 et SBC = .0063
Q4 = 2.298, Q8 = 9.035, Q12 = 14.887
(.681) (.339) (.248)
yt = −.001 + .619 yt−1 −.128 yt−4 −.141 yt−8

(.017) (.057) (.056) (.054)
AIC = −.0224 et SBC = .0474
Q4 = 1.618, Q8 = 7.206, Q12 = 11.722
(.805) (.514) (.468)
yt = −.0021 + .657 yt−1 −.291ut−4 −.274ut−8

(.0261) (.042) (.067) (.078)
AIC = −.0757 et SBC = −.0248
Q4 = .162 , Q8 = 6.967, Q12 = 11.018
(.997) (.540) (0.528)
ADIENG Applications
Question 1
Question 5

Question 5
i Que devez vous vérifier pour que la comparaison sur la

base des critères AIC et SBC ait du sens ?
ii Que cherchez vous à montrer lorsque que vous calculez la
statistique Q4 ? Quelle hypothèse nulle testez-vous ?
iii Quel modèle prendriez vous pour expliquer l’évolution du
taux de chômage américain ? Vous justifierez votre choix
en réalisant une étude de significativité des coefficients, de
comparaison des critères AIC, SBC, et d’analyse des
statistiques Qi .
ADIENG Applications
Question 1
Question 5

Question 5
i critères AIC et SBC ?

Il faut que les critères soient calculer à partir du même
nombre d’observations pour que la comparaison ait du
sens.
ADIENG Applications
Question 1
Question 5

Question 5
ii Que cherchez vous à montrer lorsque que vous calculez la

statistique Q4 ? Quelle hypothèse nulle testez-vous ?
Nous cherchons à vérifier que les résidus des modèles
estimés sont bien des bruits blancs : Test de Lyung-Box
Hypothse :
H0 : ρ1 = ρ2 = ρ3 = ρ4 = 0
H1 : Il existe au moins un ρi significativement différent de 0.
Statistique de test :
s ρ2i sous H0
Q s = T ( T + 2) ∑ ,→ χ2 ( s )
i =1
T−i
On rejette H0 si Qs > χ2 ( s )
Par exemple ici, nous avons, Q4 = 2.29 < χ2 (4) = 9.45 (au
seuil α=5%)
H0 → les Applications
On ne rejette pas ADIENG rsidus ne sont pas autocorrls.
Question 1
Question 5

Question 5
iii Quel modèle prendriez vous pour expliquer l’évolution du

taux de chômage américain ? Vous justifierez votre choix
en réalisant une étude de significativité des coefficients, de
comparaison des critères AIC, SBC, et d’analyse des
statistiques Qi .
ADIENG Applications
Question 1
Question 5

Question 5
iii Choix de modèle ?
Modèle 1 2 3
Identification ARMA[(1,4) ;8] AR(1,4,8) ARMA[1 ;(4,8)]
Résidus BB BB BB
Signif ps sf ps sf ps sf
AIC -0.0445 -0.0224 -0.0757
SBC 0.0063 0.0474 -0.0248
TABLE – Comparaison des modèles
→ On choisit le modle 3 car les AIC et SBC sont plus petits.

ADIENG Applications
Application 7 : Prévision
Pour chacun des modèles suivants,
(1 − a1 L)yt = (1 − b1 L)ut ut ≈ BB(0, σ2 ) (1)

(1 − L)(1 − a1 L)yt = (1 − b1 L)ut ut ≈ BB(0, σ2 ) (2)
ADIENG Applications
Question 1
[1.] Donner la nature du processus.
ADIENG Applications
Question 1
processus (1) ARMA(1,1) car
(1 − a1 L)yt = (1 − b1 L)ut
yt = a1 yt−1 + ut − b1 ut−1
ADIENG Applications
Question 1
(1 − a1 L)yt = (1 − b1 L)ut
yt = a1 yt−1 + ut − b1 ut−1
(1 − L)(1 − a1 L)yt = (1 − b1 L)ut

(1 − L)(yt − a1 yt−1 ) = (1 − b1 L)ut
yt − (1 + a1 )yt−1 − a1 yt−2 = ut − b1 ut−1
ADIENG Applications
Question 2
[2.] Exprimer à l’aide des paramètres du processus, la fonction

de prévision à la date t, f t ( j) en supposant
Et (ut+ j |yt , yt−1 , · · · , ut , ut−1 , · · · ) = 0 pour tout j > 0.
ADIENG Applications
Question 2
Fonction de prévision décrit comment ŷt ( j) varie pour t

fixe, en fonction de j.
ADIENG Applications
Question 2

Processus (1)
ADIENG Applications
Question 2

Processus (1)
prévision yt+1 :
f t (1 ) = E ( y t +1 | y t , y t −1 , · · · , u t , u t −1 , · · · )
= E( a1 yt + ut+1 − b1 ut )
= a1 y t
ADIENG Applications
Question 2

Processus (1)
prévision yt+1 :
f t (1 ) = E ( y t +1 | y t , y t −1 , · · · , u t , u t −1 , · · · )
= E( a1 yt + ut+1 − b1 ut )
= a1 y t
prévision de yt+ j
f t (2 ) = E ( y t +2 | y t , y t −1 , · · · , u t , u t −1 , · · · )
= a1 f t (1)
f t (3 ) = E ( y t +3 | y t , y t −1 , · · · , u t , u t −1 , · · · ) = a 1 f t (2 )
f t (n) = E(yt+ j |yt , yt−1 , · · · , ut , ut−1 , · · · ) = a1 f t (n − 1) = a1n−1 f t (1)
ADIENG Applications
Question 2
Processus (2)
ADIENG Applications
Question 2
Processus (2)
prévision yt+1 :
f t (1) = E((1 + a1 )yt + a1 yt−1 + ut+1 − b1 ut )

= (1 + a 1 ) y t + a 1 y t −1
ADIENG Applications
Question 2
Processus (2)
prévision yt+1 :
f t (1) = E((1 + a1 )yt + a1 yt−1 + ut+1 − b1 ut )

= (1 + a 1 ) y t + a 1 y t −1
prévision de yt+ j
f t (2) = (1 + a1 ) f t (1) + a1 y t
f t (3) = (1 + a1 ) f t (2) + a1 f t (1)
f t ( n ) = (1 + a1 ) f t ( n − 1) + a1 f t ( n − 2)
ADIENG Applications
Question 3
[3.] Calculer les erreurs de prévisions, et ( j). Pour le deuxième

processus, on s’arrêtera à l’horizon 4.
ADIENG Applications
Question 3
Processus (1)
ADIENG Applications
Question 3
Processus (1)
erreur de prévision et (1) = yt+1 − f 1 (t) :
e t (1 ) = y t +1 − f t (1 )
= a1 yt + ut+1 − b1 ut − a1 yt + b1 ut
= u t +1
ADIENG Applications
Question 3
Processus (1)
erreur de prévision et (1) = yt+1 − f 1 (t) :
e t (1 ) = y t +1 − f t (1 )
= a1 yt + ut+1 − b1 ut − a1 yt + b1 ut
= u t +1
erreur prévision de yt+2
e t (2 ) = y t +2 − a 1 f t (1 )
= a1 yt+1 + ut+2 − b1 ut+1 − a1 f t (1)
= a1 ( a1 yt + ut+1 − b1 ut ) + ut+2 − b1 ut+1 − a1 ( a1 yt − b1 ut )
= a1 ut+1 + ut+2 − b1 ut+1
= ( a1 − b1 )ut+1 + ut+2
ADIENG Applications
Question 3
Processus (1) - suite
ADIENG Applications
Question 3

e t (3 ) = y t +3 − a 1 f t (2 )
= a1 yt+2 + ut+3 − b1 ut+2 − a21 ( a1 yt − b1 ut )
=ut+3 + ( a1 − b1 )ut+2 + a1 ( a1 − b1 )ut+1
ADIENG Applications
Question 3

e t (3 ) = y t +3 − a 1 f t (2 )
= a1 yt+2 + ut+3 − b1 ut+2 − a21 ( a1 yt − b1 ut )
=ut+3 + ( a1 − b1 )ut+2 + a1 ( a1 − b1 )ut+1
erreur prévision de yt+n
e t ( n ) = y t + n − a1 f t ( n )
=ut+n + ( a1 − b1 )[ut+n−1 + a1 ut+n−2 + a1n−2 ut+1 ]
n −2
=ut+n + ( a1 − b1 ) ∑ a1i ut+n−i−1
i =0
ADIENG Applications
Question 3
Processus (2)
ADIENG Applications
Question 3
Processus (2)
erreur de prévision yt+1 :
e t (1 ) = y t +1 − f t (1 ) = u t +1
ADIENG Applications
Question 3
Processus (2)
erreur de prévision yt+1 :
e t (1 ) = y t +1 − f t (1 ) = u t +1
erreur de prévision de yt+ j
e t (2 ) = y t +2 − f t (2 )
= (1 + a1 )et (1) − ut+2 − b1 ut+1
= (1 + a1 − b1 )ut+1 − ut+2
e t (3 ) = y t +3 − f t (3 )
= (1 + a1 )et (2) + a1 et (1) + ut+3 − b1 ut+2 − ut+2 − b1 ut+1
= (1 + a1 )(1 + a1 − b1 )( a1 − b1 )ut+1 + ut+3 − (b1 − a1 )ut+2
et (4) = (1 + a1 )et (3) + a1 et (2) + ut+4 − b1 ut+3
+ a1 − b1 )Applications
= ut+4 + (1 ADIENG ut+3 + [(1 + a1 )(1 + a1 − b1 ) + a1 ]ut+2

Application 5

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Application 5

Transféré par

Droits d'auteur :

Formats disponibles

Application 5

Université Paris-Est Créteil

Application 5 : Autocorrélation et autocorrlation

On considère le processus AR(2)

yt = a1 yt−1 + a2 yt−2 + ut , t = 1, ..., T

où ut est un bruit blanc d’espérance nulle et de variance σ2 .

Application 5 : Autocorrélation et autocorrlation

[1.] Écrire le processus sous la forme A( L)yt = ut , et rappeler :

Application 5 : Autocorrélation et autocorrlation

Le processus s’écrit : (1 − a1 L − a2 L2 )yt = ut

Application 5 : Autocorrélation et autocorrlation

[2.] Donner les deux premières équations de Yule-Walker. En

Application 5 : Autocorrélation et autocorrlation

Equations Yule et Walker :

E(yt yt ) = γ0 = a1 E(yt−1 yt ) + a2 E(yt−2 yt ) + E(ut yt )

Application 5 : Autocorrélation et autocorrlation

Correlations : diviser equation Yule et Walker par γ0 pour

Application 5 : Autocorrélation et autocorrlation

Application 5 : Autocorrélation et autocorrlation

Application 5 : Autocorrélation et autocorrlation

[3.] En supposant que ρ1 et ρ2 sont estimés de manière

Application 5 : Autocorrélation et autocorrlation

Application 5 : Autocorrélation et autocorrlation

en substituant dans (2) :

Application 5 : Autocorrélation et autocorrlation

[4.] Pour une première série de données, nous obtenons les

Application 5 : Autocorrélation et autocorrlation

Avec les résultats de la question précédente :

Application 5 : Autocorrélation et autocorrlation

Avec les résultats de la question précédente :

Application 5 : Autocorrélation et autocorrlation

[5.] Le processus est-il stationnaire ? Est-il cyclique ?

Application 5 : Autocorrélation et autocorrlation

[6.] Sur la base de combien d’observations le modèle serait

Application 6 : Méthode de Box-Jenkins

Vous disposez d’une série décrivant l’évolution du taux de

Application 6 : Méthode de Box-Jenkins

1960q1 1970q1 1980q1 1990q1 2000q1 2010q1

TABLE – Autocorrelation et autocorrelation partielle du taux de

Application 6 : Méthode de Box-Jenkins

F IGURE – ACF et PACF

Application 6 : Méthode de Box-Jenkins

[1.] Est-ce que la série vous parait stationnaire ? Argumenter

Application 6 : Méthode de Box-Jenkins

Saisonnalité apparente sur le graphique

Application 6 : Méthode de Box-Jenkins

[2.] Vous décidez d’estimer un AR(2) pour rendre compte de

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

Application 6 : Méthode de Box-Jenkins

[3.] Vous souhaitez construire la nouvelle variable

Application 6 : Méthode de Box-Jenkins

i Écrire le modèle en différences premières → pour rendre le

Application 6 : Méthode de Box-Jenkins

[4.] Les graphiques d’autocorrelations et d’autocorrelations

⇒ Processus est stationnaire

Application 6 : Méthode de Box-Jenkins