Vous êtes sur la page 1sur 14

22/12/2015

Chapitre 2: Modèles linéaires


(de Box-Jenkins)
Prof. Mohamed El Merouani
Département de Statistique et Informatique
Faculté Polydisciplinaire de Tétouan
Université Abdelmalek Essaâdi
e-mail: m_merouani@yahoo.fr

Modèle MA(q):
• Un modèle MA(q) est donné par
Yt=εt-θ1εt-1-θ2εt-2-…-θqεt-q
• ou en utilisant l’opérateur des retards:
Yt= (1- θ1L- θ2L2-…- θqLq) εt =θ(L)εt
• Si on multiplie les deux membres par de ce
modèle par Yt-τ, et si on calcul des
espérances mathématiques, …
Prof. Mohamed El Merouani 2

1
22/12/2015

on obtient les résultats suivants:

γ 0 = (1 + θ 12 + Λ + θ q2 )σ ε2
(−θτ +θ1θτ +1 +Λ +θq−τθq )σε2 τ =1, 2,Κ , q
γτ = 
 0 τ >q
Par conséquent, dans les auto-covariances
existe une brusque coupure en q,
puisqu’après ce retard leurs valeurs sont
égales à 0.

Prof. Mohamed El Merouani 3

• Le même phénomène se présente avec les


coefficients d’auto-corrélations qui viennent
données par:

−θτ +θ1θτ +1 +Λ +θq−τθq


 τ =1, 2,Κ , q
Rτ =  1+θ12 +θ22 +Λ +θq2
 τ >q
 0
• Lorsqu’on a analysé les propriétés d’un MA(1),
on a remarqué que |R1|≤1/2.
• En général, les coefficients des auto-
corrélations Rτ d’un MA(q) sont bornés.

Prof. Mohamed El Merouani 4

2
22/12/2015

On donne les valeurs maximales des coefficients


des auto-corrélations d’un MA de différents ordres.
Ordre du Ordre du processus des moyennes mobiles (q)
retatrd 1 2 3 4 5 6 7 8 9 10 11 12 13
(τ)
1 0,50 0,71 0,81 0,87 0,90 0,92 0,94 0,95 0,96 0,97 0,97 0,97 0,98
2 0,50 0,50 0,71 0,71 0,81 0,81 0,87 0,87 0,90 0,90 0,92 0,92
3 0,50 0,50 0,50 0,71 0,71 0,71 0,81 0,81 0,81 0,87 0,87
4 0,50 0,50 0,50 0,50 0,71 0,71 0,71 0,71 0,81 0,81
5 0,50 0,50 0,50 0,50 0,50 0,71 0,71 0,71 0,71
6 0,50 0,50 0,50 0,50 0,50 0,50 0,71 0,71
7 0,50 0,50 0,50 0,50 0,50 0,50 0,50
8 0,50 0,50 0,50 0,50 0,50 0,50
9 0,50 0,50 0,50 0,50 0,50
10 0,50 0,50 0,50 0,50
11 0,50 0,50 0,50
12 0,50 0,50
13 0,505

• Pour qu’un MA(q) soit inversible, il faut que


les racines de l’équation polynomiale:
1- θ1L- θ2L2-…- θqLq=0
tombent en dehors du cercle unité.

Prof. Mohamed El Merouani 6

3
22/12/2015

Modèles mixtes auto-régressifs-


moyennes mobiles (ARMA):
• Un modèle ARMA(p,q) est définie par:
Yt-Φ1Yt-1-Φ2Yt-2-…-ΦpYt-p=εt-θ1εt-1-θ2εt-2-…-θqεt-q
• En utilisant les opérateurs polynomials de
retards, le modèle vient dans sa forme
compacte:
Φ ( L)Yt = θ ( L)ε t

Prof. Mohamed El Merouani 7

• Pour que le modèle soit stationnaire, il faut que les


racines de l’équation polynomiale
Ф(L)=1- θ1L- θ2L2-…- θqLq=0
tombent en dehors du cercle unité.
• Si les conditions de stationnarité sont vérifiées, le
modèle ARMA(p,q) peut s’exprimer comme un
MA(∞) et se représente de la forme suivante:
θ ( L)
Yt = ε t = ψ ( L)ε t
Φ ( L)
• Par conséquent, les coefficients de l’opérateur
polynolial ψ (L) , qui a une infinité de termes,
doivent satisfaire l’identité suivante:
Φ ( L)ψ ( L) ≡ θ ( L)
Prof. Mohamed El Merouani 8

4
22/12/2015

ou, par une notation plus détaillée,


(1 − Φ L − ... − Φ
1 p )( ) (
Lp 1 + ψ 1 L + ψ 2 L2 + ... ≡ 1 − θ1 L − ... − θ q Lq )
A partir de cette identité, on peut déduire un
ensemble d’équations qui nous donnent les
ψi, en fonction des coefficients Фh et θi.
Ainsi, dans un modèle ARMA(1,1), l’identité
antérieure sera:
(1 − Φ1 L )(1 + ψ 1 L + ψ 2 L2 + ...) ≡ (1 − θ1 L )
Développant le produit du premier membre et
regroupant selon le degré de l’opérateur
retard, on obtient:
(1 + (ψ 1 )
− Φ 1 ) L + (ψ 2 − Φ 1ψ 1 ) L2 + (ψ 3 − Φ 1ψ 2 ) L3 + ... ≡ (1 − θ91 L )

• En égalisant, terme à terme, les coefficients


des différentes puissances de L des deux
membres, on obtient:
ψ 1 − Φ1 = −θ1 d’où ψ 1 = Φ1 − θ1
ψ 2 − Φ1ψ 1 = 0 d’où ψ 2 = Φ1ψ 1

• Pour τ>1, les coefficients ψτ peuvent s’obtenir


de forme récursive à partir de l’équation aux
différences
ψ τ = Φ1ψ τ −1 pour τ>1

Prof. Mohamed El Merouani 10

5
22/12/2015

• De forme analogue, dans un modèle


ARMA(p,q), les coefficients ψ1 ,ψ2,… ψi
peuvent s’obtenir à partir de l’identité
Φ ( L)ψ ( L) ≡ θ ( L)
• Les valeurs de ψτ pour τ>q peuvent se déduire
de l’équation aux différences suivantes:
ψ τ = Φ1ψ τ −1 + ... + Φ pψ τ − p τ>q
• Pour qu’un modèle ARMA(p,q) soit inversible,
il faut que les racines de l’équation
polynomiale Ф(L)=1- θ1L- θ2L2-…- θqLq=0
tombent en dehors du cercle unité.
Prof. Mohamed El Merouani 11

• Si les conditions d’inversibilité sont verifiées,


le modèle ARMA(p,q) peut s’exprimer en
fonction d’un AR(∞):
Φ ( L)
εt = Y = π ( L)Yt
θ ( L) t
où π (L ) = 1 − π 1 L − π 2 L2 − ...
• Les coefficients de l’opérateur polynomial π(L)
doivent satisfaire l’égalité suivante:
π ( L)θ ( L) ≡ Φ ( L)

Prof. Mohamed El Merouani 12

6
22/12/2015

• Par un raisonnement identique à celui fait


pour passer à un MA(∞), on obtient que, pour
τ>p, les coefficients πτ vérifient l’équation aux
différences suivante
πτ = θ1πτ −1 + ... + θqπτ −q τ>p
• Dans le modèle ARMA(p,q), la moyenne est
nulle. Si on ajoute au second membre un
terme constant δ, la moyenne du processus se
déduit de l’expression suivante:
E [Φ ( L)Yt ] = δ + E [θ ( L)ε t ]

• Donc Φ ( L) E (Yt ) = δ
Prof. Mohamed El Merouani 13

• Si le processus est stationnaire, alors E(Yt)=µ,


pour tout t, et alors
δ δ
µ= =
1 − Φ1 L − ... − Φ p L
p
1 − Φ1 − ... − Φ p

puisque lorsqu’on applique l’opérateur L à une


constante –dans ce cas δ- on obtient la valeur
de la constante elle-même.
• Dans la suite, nous examinons les propriétés
d’un modèle ARMA(1,1), pour les généraliser,
après, à un processus ARMA(p,q).

Prof. Mohamed El Merouani 14

7
22/12/2015

Modèle ARMA(1,1):
• Un modèle ARMA(1,1) est donné par
l’expression
Yt = Φ1Yt −1 + ε t − θ t ε t −1
• En multipliant les deux membre du modèle
par Yt-τ et en prenant les espérances de tous
les termes, on obtient:
γ τ = E[YtYt −τ ] = Φ1γ τ −1 + E[ε tYt −τ ] − θ1E[ε t −1Yt −τ ]
E [ε tYt ] = σ ε2
• En tenant compte que

E [ε t −1Yt ] = E [ε t −1 (Φ1Yt −1 + ε t − θ1ε t −1 )] = (Φ1 −θ1 )σ ε2


Prof. Mohamed El Merouani 15

• Pour τ=0, on obtient l’expression suivante


γ 0 = Φ1γ 1 + σ ε2 − θ1 (Φ1 − θ1 )σ ε2
• Pour τ=1, on trouve facilement,
γ 1 = Φ1γ 0 − θ1σ ε2
• Pour τ>1, il résulte que
γ τ = Φ 1γ τ −1 ; τ >1
• Si on substitue la valeur de γ1 trouvée pour
τ=1, dans l’expression trouvée pour τ=0, on
obtient
γ 0 = Φ1 [Φ1γ 0 − θ1σ ε2 ]+ σ ε2 − θ1 (Φ1 − θ1 )σ ε2 16

8
22/12/2015

• Après, quelques opérations, on trouve


1 − 2θ1Φ1 + θ12 2
γ0 = σε
1 − Φ12
• Et si on substitue cette valeur obtenue dans
l’expression pour τ=1, et après quelques
opérations, on obtient

γ1 =
(1 − Φ 1θ 1 )(Φ 1 − θ 1 ) σ 2
ε
1 − Φ 12
• En divisant cette dernière expression de γ1 et
l’expression de γτ (τ>1) obtenue avant, par γ0, on
obtient la suite suivante des coefficients d’auto-
corrélations

Prof. Mohamed El Merouani 17

R1 =
(1 − Φ 1θ 1 )(Φ 1 − θ 1 )
1 − 2θ 1Φ 1 +θ 12
Rτ = Φ 1 Rτ −1 ; τ >1
Dans les figures suivantes, on représente la
fonction d’auto-corrélation correspondante à
quatre modèles ARMA(1,1).

Prof. Mohamed El Merouani 18

9
22/12/2015

0,9

0,8

0,7

0,6

0,5

0,4

0,3

0,2

0,1

0
1 3 5 7 9 11 13 15 17 19 21 23 25

(a) Yt-0,5Yt-1=εt+0,5εt-1
Prof. Mohamed El Merouani 19

0,5

0
1 3 5 7 9 11 13 15 17 19 21 23 25

-0,5

-1

-1,5

(b) Yt+0,8Yt-1=εt-0,8εt-1
Prof. Mohamed El Merouani 20

10
22/12/2015

0,9

0,8

0,7

0,6

0,5

0,4

0,3

0,2

0,1

0
1 3 5 7 9 11 13 15 17 19 21 23 25

(c) Yt-0,8Yt-1=εt-0,5εt-1
Prof. Mohamed El Merouani 21

0,8

0,6

0,4

0,2

0
1 3 5 7 9 11 13 15 17 19 21 23 25

-0,2

-0,4

(d) Yt-0,5Yt-1=εt-0,8εt-1
Prof. Mohamed El Merouani 22

11
22/12/2015

Remarques:
• Les coefficients d’auto-corrélations décroisent
toujours en valeur absolue en tenant comme
condition initiale R1.
• Rappelons que dans les modèles AR(1), il y avait
aussi une décroissance exponentielle mais la
condition initiale était R0.
• Dans quelques modèles, comme les cas (a) et (b),
la partie des moyennes mobiles atténue
considérablement la condition initiale à partir de
laquelle commence la décroissance
exponentielle.
Prof. Mohamed El Merouani 23

• Dans les figures suivantes, on représente une


réalisation correspondante à chacun des
quatre modèles.

Prof. Mohamed El Merouani 24

12
22/12/2015

(a) Yt-0,5Yt-1=εt+0,5εt-1
25
Nombre d’observations: 120

(b) Yt+0,8Yt-1=εt-0,8εt-1
26
Nombre d’observations: 120

13
22/12/2015

(c) Yt-0,8Yt-1=εt-0,5εt-1
27
Nombre d’observations: 120

(d) Yt-0,5Yt-1=εt-0,8εt-1
28
Nombre d’observations: 120

14

Vous aimerez peut-être aussi