Académique Documents
Professionnel Documents
Culture Documents
com
Retrouver ce titre sur Numilog.com
Christian Alain
GOURIEROUX MONFORT
Professeurs à l'ENSAE
SERIES
TEMPORELLES
ET M O D E L E S
DYNAMIQUES
2e édition
ECONOMICA
49, rue Héricart, 75015 Paris '
Retrouver ce titre sur Numilog.com
Avant-propos
CHAPITRE 1
Généralités
A. I n d i c e m e n s u e l des p r i x à la c o n s o m m a t i o n
Tableau 1.1
Source : INSEE.
B. Trafic voyageur
Les données concernent le trafic voyageur de la SNCF en deuxième
classe. Elles sont exprimées en millions de voyageurs kilomètres. Les ob-
servations mensuelles portent sur la période 1963-1980.
Retrouver ce titre sur Numilog.com
Tableau 1.2
F i g u r e 1.3
F i g u r e 1.5
F i g u r e 1.6
Evolution à moyen t e r m e de l'accroissement relatif de l'indice des prix
F i g u r e 1.7
Evolution de l'accroissement de l'indice des prix
F i g u r e 1.8
Evolution du trafic voyageur entre janvier 1963 et décembre 1966
valeur ajustée au lieu de prévision. Ceci peut par exemple être utile dans le
cas de données manquantes et peut donc permettre de compléter une série
temporelle. Ces valeurs ajustées peuvent aussi servir pour mesurer l'effet
d ' u n phénomène accidentel (grève, phénomène climatique exceptionnel) ; la
valeur ajustée donne une idée de la valeur qu'aurait dû prendre la variable,
si ce phénomène n'avait pas eu lieu.
B. E n l e v e r la t e n d a n c e
C. C o r r e c t i o n des v a r i a t i o n s s a i s o n n i è r e s
Nous avons observé sur la sértie du trafic SNCF que les valeurs prises
pour un mois donné étaient généralement du même côté de la moyenne
annuelle ; par exemple les valeurs associées au mois d'août sont au-dessus
de celle-ci. On appelle série corrigée des variations saisonnières ou série
désaisonnalisée notée Y c v s , la série obtenue en retranchant de la série
initiale cet effet saisonnier.
Cette série corrigée des variations saisonnières est d ' u n grand intérêt
pour l'interprétation des séries temporelles. Supposons, par exemple,
qu'une mesure économique ait été prise au mois de juillet afin de réduire
l'augmentation des prix. L'observation d'un taux d'accroissement des prix
plus faible en août qu'en juillet permet-il d'en déduire un effet de cette
mesure ? Il faut se garder de conclure trop rapidement ; l'observation des
valeurs prises par la série corrigée des variations saisonnières, où l'effet de
la saison est éliminé, permet directement de répondre à cette question.
Signalons d ' a u t r e part que pour une raison similaire à celle décrite en B,
il peut être nécessaire de désaisonnaliser les séries avant de chercher les
liaisons explicatives pouvant exister entre variables.
D. D é t e c t i o n de r u p t u r e
F i g u r e 1.9
PNB espagnol (accroissement)
F i g u r e 1.10
T a u x de change livre/dollar
Retrouver ce titre sur Numilog.com
Il e s t é v i d e m m e n t i m p o r t a n t d ' e s s a y e r de p r é v o i r ces d a t e s d e r u p t u r e
o u , si ceci se r é v è l e i m p o s s i b l e , d e r e p é r e r l e u r e x i s t e n c e le p l u s r a p i d e m e n t
possible.
F. S é p a r a t i o n court et long t e r m e
Les influences e n t r e variables p r e n n e n t plus ou moins de t e m p s , sont
p l u s o u m o i n s p e r s i s t a n t e s . L ' u n des p r o b l è m e s i m p o r t a n t s d e la m a c r o é c o -
n o m é t r i e e s t d e s é p a r e r ces r e l a t i o n s p e r s i s t a n t e s ( d i t e s d e long t e r m e ) d e
celles q u i n e le s o n t p a s . C e s d e r n i è r e s s ' i n t e r p r è t e n t s o u v e n t e n t e r m e
d'ajustement.
F i g u r e 1.11
(I)
(II)
(III)
La première de ces propriétés serait très importante en pratique, puis-
qu'elle p e r m e t t r a i t d'obtenir la série agrégée corrigée de variations sai-
sonnières à partir des séries de base désaisonnalisées. Elle permettrait éga-
lement d'obtenir la série désaisonnalisée d ' u n niveau à partir de la série
désaisonnalisée du flux associé et inversement.
La seconde propriété exprime l'indépendance de la méthode de désai-
sonnalisation vis-à-vis des changements d'unités : désaisonnaliser une série
de consommation de pétrole exprimée en m3 ou exprimée en barils conduira
au même résultat.
La troisième propriété permettrait par exemple d'obtenir le taux de
chômage désaisonnalisé en faisant le r a p p o r t du nombre ce chômeurs désai-
sonnalisé par le nombre d'actifs désaisonnalisé. Ces trois propriétés, qui a
priori semblent naturelles, conduisent cependant à des méthodes inutili-
sables en pratique.
Les deux premières conditions impliquent la linéarité du procédé
d ' a j u s t e m e n t saisonnier ; il existe donc des réels atT tels que :
.
T
Si nous écrivons maintenant la condition (III) :
∀ ≠ t0, a =0,
et
atto = 0 ou 1.
La valeur désaisonnalisée serait égale soit à une valeur décalée, soit à
zéro, ce qui est peu intéressant.
Retrouver ce titre sur Numilog.com
A. Modèles d ' a j u s t e m e n t
1. Le principe
L'observation de données réelles fait généralement apparaître diverses
régularités ; si nous considérons par exemple la série du trafic voyageur
entre janvier 1963 et décembre 1966 (figure 1.8), nous constatons que le
mouvement à moyen terme (tendance) est approximativement constant ;
si nous retranchons cette tendance de la série initiale nous obtenons une
courbe approximativement périodique et nulle en moyenne. On peut donc
penser faire l'hypothèse que la série a été générée par un modèle du type :
Yt — a + St + Ut,
additionnelles peuvent être faites ; un tel modèle est appelé modèle d'ajus-
tement.
Yt = g(t) + ut,
B. M o d è l e s a u t o p r o j e c t i f s
Dans un modèle autoprojectif, on suppose que Y est une fonction de
ses valeurs passées et d'une perturbation aléatoire ut :
Y = ƒ ( Y 1, Y-2, ..., u ) .
C. M o d è l e s explicatifs
Dans cette dernière catégorie de modèles la variable Yt est exprimée
en fonction d'un vecteur de variables observables, dites exogènes, Xt et
d'une perturbation aléatoire ut :
Yt = ƒ ( X , u ) ,
Retrouver ce titre sur Numilog.com
Xt est soit déterministe, soit aléatoire ; dans ce dernier cas, les processus
{ X } et { u } ont certaines propriétés d'indépendance ou de non corrélation.
Ces modèles sont les modèles de base de l'économétrie et nous les
considérerons essentiellement pour faire le lien entre eux et les modèles
autoprojectifs.
CHAPITRE 2
Désaisonnalisation
par la méthode
de la régression linéaire
b1 ... b, c1 ...c sont des constantes inconnues qu'il faudra estimer à partir
des observations. Les perturbations ut sont choisies de moyennes nulles
E = 0 ∀ , de même variance : Vut = cr2 Vt, et non corrélées Cov(ut, UT)
= 0, Vt ^ T.
Finalement, le modèle est :
(2.1)
Retrouver ce titre sur Numilog.com
k
La tendance Zlbl est un élément du sous-espace vectoriel Z en-
F i g u r e 2.2
Retrouver ce titre sur Numilog.com
F i g u r e 2.3
(2.4)
S = [1, 0, 0, 0, 1, 0, 0, 0, 1, 0...]'
S2 = [ 0 , 1 , 0 , 0 , 0 , 1 , 0 , 0 , 0 , 1 . . . ] '
S3 = [ 0 , 0 , 1 , 0 , 0 , 0 , 1 , 0 , 0 , 0 . . . ] '
S4 = [ 0 , 0 , 0 , 1 , 0 , 0 , 0 , 1 , 0 , 0 . . . ] '
(2.5)
(2.6)
L ' é v o l u t i o n à m o y e n t e r m e a u n e f o r m e e x p o n e n t i e l l e c r o i s s a n t e , si
h2 > 0, d é c r o i s s a n t e s i n o n ; si h2 > 0, les effets s a i s o n n i e r s c r o i s s e n t en
v a l e u r a b s o l u e a v e c t (voir figure 2.7V
Retrouver ce titre sur Numilog.com
F i g u r e 2.7
Modèle multiplicatif (62 > 0)
Pour que ce modèle ait un sens, il faut que Xt soit compris entre 0 et
1, quel que soit t.
La variable Xt s'écrit :
F i g u r e 2.8
Modèle logistique
(2.9)
Retrouver ce titre sur Numilog.com
___
(2.10)
De même on a :
(2 1)11)
R e m a r q u e 2.12 :
E n l'absence de saisonnalité (1 = 0), il faut supprimer dans le système
des équations normales les blocs relatifs à S et ê ; l'équation (2.9) se réduit
alors à : b = ( Z ' Z ) - I Z ' X .
Remarque 2.13 :
La méthode que nous venons de décrire suppose que les vecteurs
Z \ . . . , Zk, SI, ..., Si constituent un système libre ; elle ne s'applique donc
pas directement au modèle de Buys-Ballot et nous verrons au paragraphe
2.5b comment l'adapter à ce modèle.
2.5 Applications
a) Considérons le modèle multiplicatif sans saisonnalité défini par :
D'où en développant :
(2.14)
Retrouver ce titre sur Numilog.com
Dans un premier temps, nous allons déterminer b2, 6j. Afin de simpli-
fier les calculs, nous supposons que le nombre T d'observations correspond
à un nombre entier N d'années : T = 4N. L'observation du je trimestre
de la ne année est indexée par t = 4(n — 1) + j n = 1,..., N, j = 1,..., 4.
Nous désignerons par :
xn = la moyenne des observations de X sur les quatre trimestres de
l'année n,
= la moyenne des observations de X relatives au j trimestre,
x = la moyenne de toutes les observations de X.
1 N 1 4
Remarquons que : .
n=l j=l
Les estimateurs des divers paramètres sont : (voir exercice 2.9)
(2.15)
(2.16)
A. M o m e n t s d ' o r d r e 1
Sous l'hypothèse E u t = 0, les estimateurs des m.c.o. sont sans biais,
c'est-à-dire égaux en moyenne aux valeurs à estimer : Vbi, Cj :
B. M o m e n t d ' o r d r e 2
k 1
Une fonction linéaire des paramètres , où les Pi
i=1 j=1
et γ sont des nombres connus est donc estimée sans biais par
(2.18)
(2.19)
Exemple 2.20 :
Reprenons le modèle de Buys-Ballot étudié en 2.5.b), on a :
en particulier, l'expression
C. E s t i m a t i o n d e la v a r i a n c e des p e r t u r b a t i o n s
La matrice obtenue en (2.19) ne peut être calculée numériquement,
puisque son expression dépend du paramètre inconnu σ Celui-ci peut être
estimé sans biais de la manière suivante.
Soit ût le résidu d'estimation à l'instant t : Ût = Xt - Zt —St ; ût est
une approximation aléatoire de la perturbation Ut■
Retrouver ce titre sur Numilog.com
La quantité :
(2.21)
(2.22)
D. Intervalle de confiance
Au lieu de proposer pour d une valeur approchée d, il est souvent
préférable d'en fournir un encadrement : d, < d < d2. L'intervalle de
confiance [ ] est aléatoire et ne contient d qu'avec une certaine pro-
babilité. Lorsque les perturbations sont supposées indépendantes, suivant
une même loi normale N(0, σ un tel intervalle encadrant la valeur d
avec la probabilité 0.95 est donné par :
(2.23)
c'est-à-dire si elles n'ont pas été engendrées de la même façon que les autres
données est un point important. Traiter comme les autres observations des
données aberrantes risque, en effet, d'affecter sensiblement l'analyse.
Ces valeurs atypiques peuvent apparaître pour plusieurs raisons :
- elles peuvent être dues à des erreurs de mesure, de saisie ou de calcul.
On peut dans un tel cas espérer les corriger en examinant la façon,
dont les données ont été recueillies et traitées ;
- elles peuvent refléter des phénomènes accidentels (une grève par
exemple). Les dates auxquelles se sont produits de tels événements
peuvent facilement être retrouvées. Ainsi des valeurs atypiques ap-
paraissent souvent dans les séries économiques françaises en 1963
(grève des mineurs), en 1968 (grève générale), en 1974 (première crise
pétrolière)... Ces phénomènes étrangers à l'évolution habituelle de la
série sont généralement éliminés.
On peut éventuellement considérer comme valeurs aberrantes des
données engendrées de la même façon que les autres données, mais tirées
dans la queue de la distribution. Ainsi dans un échantillon d'individus re-
nouvelé chaque année pourrait à une certaine date figurer un milliardaire.
Le traitement d'un tel cas n'est pas clair ; souvent on élimine ces valeurs
et on effectue l'analyse sur les données obtenues après l'élimination.
Il y a diverses manières de détecter les valeurs aberrantes.
1) Jusqu'à maintenant nous avons considéré une décomposition de Xt
de la forme :
(2.24)
F i g u r e 2.25
Valeurs a b e r r a n t e s
Retrouver ce titre sur Numilog.com
(2.26)
B. D é s a i s o n n a l i s a t i o n
La série corrigée des variations saisonnières peut
être estimée par :
Retrouver ce titre sur Numilog.com
C. P r é v i s i o n
Les estimateurs 6i, êj peuvent servir à prévoir une valeur de X non
encore observée : XT+h h > 1.
Si on suppose que le modèle est encore vrai à l'instant T + h, on a :
(2.27)
' i
E (XT(h) - XT+h) = 0.
k i
où d est l'estimateur de .
i= 1 j=1
Retrouver ce titre sur Numilog.com
A. A u t o c o r r é l a t i o n d ' o r d r e 1
Supposons par exemple que les perturbations satisfassent :
(2.28)
(2.29)
(2.30)
B. Y a-t-il a u t o c o r r é l a t i o n d ' o r d r e 1 ?
Avant de décrire la série chronologique par un modèle avec auto-
corrélation des erreurs, il faut savoir si l'emploi d'un tel modèle, est néces-
saire. Pour cela il faut pouvoir tester l'hypothèse p = 0 (absence de corréla-
tion et donc emploi de la méthode des moindres carrés ordinaires) contre
l'hypothèse contraire (corrélation et emploi de la méthode des moindres
carrés généralisés).
Ce test est habituellement effectué selon la méthode proposée par
Durbin et Watson [Durbin-Watson (1950) (1951)] par :
Retrouver ce titre sur Numilog.com
C. P r é v i s i o n
Lorsque les perturbations sont autocorrélées les formules de prévi-
sion (2.27) doivent être modifiées pour tenir compte des liaisons entre les
observations de deux dates différentes. Supposons par exemple que nous
disposions des observations Xl, ..., XT et que nous souhaitions prévoir la
variable correspondant à la date T + 1 :
(2.31)
Retrouver ce titre sur Numilog.com
D. A u t o c o r r é l a t i o n d ' o r d r e s u p é r i e u r
Dans le modèle linéaire, la perturbation représente notamment les
effets des variables omises. Si ces variables présentent elles-mêmes une
saisonnalité, celle-ci va apparaître dans l'autocorrélation.
Considérons par exemple une série trimestrielle (période 4) ; il peut
alors sembler préférable d'introduire l'autocorrélation entre les perturba-
tions par :
Ut = PUt-4 + Et, ~~1 < p < 1.
Vu = σ ⊗ Id,
Cet estimateur peut être approché par l'estimateur des moindres car-
rés ordinaires obtenu en régressant Xt —PXt-4 sur Z —ρ Z - 4 , S - ρ S - 4
pour t = 5,..., T.
(A⊗B) = A ⊗ B
Retrouver ce titre sur Numilog.com
B. C h a n g e m e n t d e r é g i m e s
Les bonnes propriétés statistiques de la méthode des m.c.o. supposent
que le modèle linéaire :
(2.32)
Retrouver ce titre sur Numilog.com
(2.32) définit donc un modèle linéaire dans lequel les nouvelles variables
explicatives sont Z A, Z - A), S A, S 1 - A) et les paramètres
peuvent être estimés par la méthode des m.c.o. ou des m.c.g. appliquée à
ce nouveau modèle.
F i g u r e 2.33
C o m p a r a i s o n sur la période 1963-1970 des séries réelle et ajustée
Retrouver ce titre sur Numilog.com
F i g u r e 2.34
Evolution des résidus d'estimation
F i g u r e 2.35
Série corrigée des variations saisonnières sur la période 1972-1979
2.11 Exercices
E x e r c i c e 2.1 :
Rappeler les expression des estimateurs des moindres carrés ordinaires
de bi et b2 dans le modèle :
5
Calculer ces estimateurs lorsque tn = 4(n — 1) + - et les comparer
avec les estimateurs b2 et bi obtenus en (2.16) et (2.17).
Exercice 2.2 :
On considère le modèle : Xt = Zt + S + α 1 = l o + ut introduit en (2.26).
On régresse Xt sur les Z; et les S{ de façon à obtenir des estimateurs des
biet Cj. Vérifier que ces estimateurs sont biaisés (si a ≠ 0).
Exercice 2.3 :
Afin de mieux estimer la saisonnalité, on peut penser dans un premier
temps éliminer la tendance. Considérons par exemple le modèle trimestriel
de Buys-Ballot. Calculer X* = Xt - 2Xt-1 + Xt-2 t —3, - - •, T. Vérifier
que la partie déterministe de X ; est une fonction linéaire des Cj' Comment
estimerait-on les Cj ?
Exercice 2.4 :
On considère le modèle de Buys-Ballot ; étudier révolution de l'erreur
quadratique moyenne de prévision eh en fonction de l'horizon h. Conclu-
sion ?
Exercice 2.5 :
On considère deux séries trimestrielles satisfaisant :
E x e r c i c e 2.6 :
On considère un modèle trimestriel où les coefficients saisonniers se-
raient des fonctions linéaires du temps :
Source : INSEE.
Retrouver ce titre sur Numilog.com
Retrouver ce titre sur Numilog.com
CHAPITRE 3
Désaisonnalisation
par la méthode
des moyennes mobiles
(3.1)
où m i , m2 £ N et θ - 1 , . . . , θ 2 e JR.
Le nombre de points m1 + m 2 + 1 intervenant dans la transformation
est appelé ordre de la moyenne mobile.
Le calcul précédent n ' a évidemment de sens que lorsque :
M = Lm [ θ - + θ - + 1 L-1 + ... + θ L .
on a :
M = Lme(F).
P r o p r i é t é 3.4 :
La moyenne composée de deux moyennes mobiles centrées
est une moyenne mobile centrée.
Retrouver ce titre sur Numilog.com
Preuve :
Considérons deux moyennes centrées :
et
B. M o y e n n e s m o b i l e s s y m é t r i q u e s
Définition 3.5 :
U n e moyenne mobile est s y m é t r i q u e si elle est centrée et si les
coefficients d'indices s y m é t r i q u e s p a r r a p p o r t à 0 p r e n n e n t
des valeurs égales :
θ = θ - , i = 1,..., m.
Les caractéristiques (ordre et coefficients) d'une telle moyenne mobile
sont notées symboliquement : {[2m + 1] ; [B-m, θ - + 1 , ..., θ0]} ; le terme
central θ0 est toujours dans la suite écrit en caractère gras.
P r o p r i é t é 3.6 :
U n e moyenne mobile est s y m é t r i q u e si et seulement si le
p o l y n ô m e 0 associé est symétrique.
Preuve :
Cette propriété découle directement des conditions Oi — θ - , i =
1..., m. O
Retrouver ce titre sur Numilog.com
Θ(L) = θ - +θ+
-1L.+. + θ L
P r o p r i é t é 3.7 :
L'ensemble des m o y e n n e s mobiles s y m é t r i q u e s est stable p a r
composition des applications.
Preuve :
Considérons deux moyennes symétriques M et M; leurs polynômes
associés satisfont :
C. L ' e s p a c e v e c t o r i e l des m o y e n n e s m o b i l e s
L'ensemble des moyennes mobiles constitue un espace vectoriel sur M
de dimension infinie ; c'est le plus petit sous-espace contenant les puis-
sances de l'opérateur retard Li, i e Z.. D'autres systèmes de générateurs
de cet espace peuvent être utilisés, en particulier celui formé à partir des
opérateurs "différence première" : { ∇ i ∈ ℕ ; ∆ i , i C N*} (voir exercice
III.7). Ce système peut être intéressant d ' u n point de vue numérique, les
différences premières des valeurs d'une série X étant généralement moins
grandes en valeur absolue que les valeurs de X.
Finalement, nous pouvons remarquer que l'ensemble des moyennes
mobiles symétriques constitue un sous-espace vectoriel de l'espace des
moyennes mobiles. E n utilisant des résultats classiques sur les polynômes
symétriques, on peut montrer que ce sous-espace est engendré par le sys-
tème {(L + F ) i , i G N} ou de manière équivalente par le système
{ δ = ( ∇ ∆ ) = (L + F - 2 I d ) ; i e N}.
par exemple ses valeurs propres et vecteurs propres. Dans la suite nous
prenons des moyennes centrées, mais les résultats se généralisent sans dif-
ficulté au cas de moyennes quelconques.
A. R é s o l u t i o n d ' u n e é q u a t i o n de r é c u r r e n c e linéaire
Nous rappelons dans ce paragraphe quelques résultats classiques sur
les suites (Xt, t e Z) satisfaisant une équation du type :
(3.8)
(3.9)
a) Lorsque cette équation admet 2m racines distinctes λ1, ..., λj, ...,
À2m, on obtient 2m solutions indépendantes de l'équation (3.2) :
(3.10)
(3.11)
B. N o y a u d ' u n e m o y e n n e m o b i l e
Définition 3.12 :
Le noyau d ' u n e moyenne mobile M (noté Ker M) est l'en-
semble des séries temporelles annulées p a r cette moyenne :
Ker M = {X : M X = 0}.
Cette condition s'écrit :
Preuve :
Si X c Ker M, on a : M M X = MO = 0.
Donc Ker M M D Ker M.
Par raison de symétrie, on a aussi Ker M M = Ker M M D Ker M et
comme Ker M M est un sous-espace vectoriel le résultat en découle. 0
C. Séries i n v a r i a n t e s p a r u n e m o y e n n e m o b i l e
Définition 3.14 :
La série X est invariante p a r la moyenne mobile M si et
seulement si :
M X = Xt, Vt.
Les séries invariantes par M satisfont :
∀t : MXt = θ – X – + ... +
θX+ = X,
ou :
Vt : θ – X + e
Elles sont donc solutions d'une équation de récurrence linéaire d'ordre
2m et en particulier, elles constituent un sous-espace vectoriel J ( M ) de
dimension 2m. Ces solutions sont déterminées à partir des solutions de
l'équation caractéristique : Θ(λ) – λ = 0. Parmi les solutions seules celles
présentant peu de changements dans le sens de variation (fonctions expo-
nentielles ou sinusoïdales de longue période) peuvent s'interpréter comme
des tendances.
Conservation des polynômes de degré p
La moyenne mobile conserve les polynômes de degré inférieur ou égal
à p, si À = 1 est racine d'ordre p + 1 de l'équation caractéristique :
Θ(λ) - Am = 0. Le polynôme ©(F) - Fm est alors divisible par Vp+l =
(F – I d )
En fait, appliquer l'opérateur V permet de diminuer de 1 le degré
de tout polynôme. Par exemple si Xt — tn : V Xt = (t + l)n - tn =
n t + ... + 1.
P r o p r i é t é 3.15 :
a) U n e moyenne mobile conserve les constantes si et seule-
m e n t si :
9-m + θ – + 1 + ... + om — 1-
Retrouver ce titre sur Numilog.com
�
I n v a r i a n t s d ' u n e moyenne mobile composée
Lorsque M s'écrit comme composée de deux moyennes mobiles MM,
on a : -
(3.16)
En effet, si X e J) ( n J ( M ) : .
La composée de deux moyennes mobiles conservant les polynômes de
degré inférieur ou égal à p conserve donc aussi ces polynômes.
D. S é r i e s t r a n s f o r m é e s d e séries g é o m é t r i q u e s
Les éléments du noyau et les séries invariantes sont des cas particuliers
de vecteurs propres de la moyenne mobile, M, associés respectivement aux
valeurs propres 0 et 1. Les séries géométriques quelconques fournissent
d'autres exemples de vecteurs propres.
Considérons la série X = λ où À est réel ou complexe :
λ = λ
car les polynôme 8 est symétrique, et comme À = elL0 :
C h a p i t r e 6 : P r é v i s i o n p a r la m é t h o d e de Box et J e n k i n s 179
6.1 Description de la démarche 179
6.2 Estimation d'un modèle ARIMA 181
6.3 Identification 189
6.4 Prévision dans les modèles ARIMA 196
6.5 Quelques compléments 202
6.6 Application à l'étude du trafic voyageur 207
Exercices 214
C h a p i t r e 12 : Anticipations 451
12.1Rappels sur les schémas d'anticipation 452
12.2Modèle avec anticipation de la variable présente 456
12.3Modèles avec anticipation de la variable future 463
12.4Modèles contenant plusieurs anticipations 474
12.5Quelques éléments sur les modèles multivariés
à anticipations rationnelles 484
Exercices 489