Introduction

Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Économétrie
Chapitre III :
Les processus ARIMA

Professeur: BADDI HICHAM

1/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Plan

1 Introduction

2 Généralités et Notations

3 Définition des processus ARMA

4 La méthode de Box et Jenkins

2/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Introduction :

Les modèles structurels n’ont pas pu prévoir le choc pétrolier en

1973.

En 1970 Box et Jenkins ont introduit les modèles ARMA dans

l’étude des séries temporelles.

Ainsi, ils ont proposé une méthodologie simple qui permet de

faire des prévisions, non pas avec un modèle structurel, mais
plutôt à l’aide des modèles ARMA.

L’objet est de modéliser une série temporelle en fonction de ses

valeurs passées, mais aussi en fonction des valeurs présentes et
passées d’un bruit.

3/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Introduction :

Afin de déterminer le processus ARMA adéquat, Box et Jenkins

ont proposé une procédure en quatre étapes :

Identification du modèle ;

Estimation des paramètres ;

Validation du modèle ;

Prévision à l’aide du modèle validé.

4/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Notations :

Il existe différents modèles de séries temporelles :

Modèle autorégressif (AR) ;

Modèle moyenne mobile (MA) ;

Modèle autorégressif et moyenne mobile(ARMA) ;

Modèle autorégressif et moyenne mobile intégré(ARIMA).

5/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

2- Opérateur de retard :

Définition 1 : On appelle opérateur de retard L l’opérateur

linéaire défini par :
LXt = Xt−1

Plus généralement, on a : Lk Xt = Xt−k

p
ak zk , on lui associé le polynôme
P
Soit P un polynôme, P (z) =
k=0
p
ak Lk
P
retard défini comme suit : P (L) =
k=0

p p
ak Lk )Xt =
P P
Et P (L)Xt = ( ak Xt−k
k=0 k=0

L’opérateur retard est linéaire et inversible. Son inverse L−1 = F

est défini par : FXt = Xt+1 est appelé opérateur avance. 6/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Processus Auto Régressif (AR)

Définition 1 : On appelle processus autorégressif d’ordre p,noté

AR(p), un processus stationnaire Xt vérifiant une relation du
type :
Xt = θ1 Xt−1 + θ2 Xt−2 + · · · + θp Xt−p + εt

Avec θ1 , θ2 , .... , θp des paramètres à estimer et εt est un bruit

blanc.

Cette relation peut s’écrire également :

 
1 − θ1 L − θ2 L2 − · · · − θp Lp Xt = εt

7/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Processus Auto Régressif (AR)

Un processus AR(p) présente un corrélogramme simple caractérisé par

une décroissance géométrique de ses termes et un corrélogramme par-
tiel caractérisé par ses p premiers termes différents de 0.

8/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Processus Auto Régressif (AR)

Exemple d’un processus AR (1)

9/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

2- Processus moyennes mobiles (MA)

Définition 1 : On appelle processus moyene mobile d’ordre

q,noté MA(q), un processus Xt défini par :
Xt = εt − α1 εt−1 − α2 εt−2 − · · · − αq εt−q

où α1 , α2 , .... , αq des paramètres à estimer et εt est un bruit blanc.

De même que pour les processus autorégressifs cette relation

s’écrit comme suit :
 
1 − α1 L − α2 L2 − · · · − αq Lq εt = Xt

10/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

2- Processus moyennes mobiles (MA)

Un processus MA(q) présente un corrélogramme simple défini

par ses q premiers termes significativement différents de 0 et un
corrélogramme partiel caractérisé par une décroissance géométrique
des retards.

11/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Processus moyennes mobiles (MA)

Exemple d’un processus MA(1)

12/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Processus moyennes mobiles (MA)

Exemple d’un processus AR(1) et MA (1)

13/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

Processus moyennes mobiles (MA)

Exemple d’un processus AR(2) et MA (2)

14/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

3- Processus autorégressif et moyenne mobile(ARMA)

Le processus ARMA est une combinaison des processus AR(p) et

MA(q).

Définition 1 : Un processus est dit ARMA(p,q) s’il vérifie la rela-

tion suivante :
Xt −θ1 Xt−1 −θ2 Xt−2 −· · ·−θp Xt−p = εt −α1 εt−1 −α2 εt−2 −· · ·−αq εt−q

où εt est un bruit blanc.

Cette relation peut s’écrire aussi :

   
1 − θ1 L − θ2 L2 − · · · − θp Lp Xt = 1 − α1 L − α2 L2 − · · · − αq Lq εt

15/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

3- Processus autorégressif et moyenne mobile(ARMA)

Un processus ARMA(p,q) présente un corrélogramme simple et par-

tiel qui sont un mélange des deux corrélogrammes des processus AR
et MA purs.

16/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

4- Caractéristiques des corrélogrammes

Tableau des propriétés des fonctions d’autocorrélation

17/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

4- Caractéristiques des corrélogrammes

18/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

5- Conditions d’utilisation

Les modèles AR, MA et ARMA ne sont représentatifs que de chro-

niques :

Stationnaires en tendance.

Corrigées des variations saisonnières.

19/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

6- Processus autorégressif et moyenne mobile intégré(ARIMA)

Processus ARIMA est une généralisation des modèles ARMA.

Il est composé d’une partie autorégressive (AR), d’une partie

moyenne mobile (MA) et d’un certain niveau d’intégration (I).

Il est appliqué à des séries non stationnaires de type DS,

mais pourraient être rendues stationnaires en utilisant la
différenciation.

Il est noté ARIMA(p,d,q), où p, d et q sont respectivement l’ordre

de la partie autorégressif, le degré de la différenciation et l’ordre
de la partie moyenne mobile.

Le modèle SARIMA est un modèle qui devient également sta-

tionnaire par différenciation d’ordre d pour la partie non sai-
sonnière et d’ordre D pour la partie saisonnière. Il est noté SA-
RIMA(p,d,q)(P,D,Q).
20/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

La méthode de Box et Jenkins

L’analyse des séries chronologiques par la méthode de de Box et Jen-

kins comporte quatre étapes :

1 Identification du modèle approprié ;

2 Estimation des paramètres du modèle ;

3 Validation du processus par les tests ;

4 Utilisation du processus en prévision.

21/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Identification du modèle approprié

C’est l’étape la plus importante et la plus délicate.

Elle permet de déterminer le modèle adéquat dans la famille des

modèles ARIMA.

Elle repose sur l’analyse d’autocorrélation et d’autocorrélation

partielle de la série.

Ainsi, on doit d’abord vérifier si la série ne contient ni racine uni-

taire, ni composante saisonnière.

Dans le cas où la série est affectée d’un mouvement saisonnier, il

convient de la désaisonnaliser.

22/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Identification du modèle approprié

La composante saisonnière est ajoutée à la série prévue à la fin du

traitement afin d’obtenir une prévision en terme brut.

On doit également vérifier si la série en question est stationnaire

ou non.

Si elle n’est pas stationnaire, on doit la stationnariser en éliminant

la tendance dans le cas d’un processus (TS) ou en la différenciant
dans le cas d’un processus (DS).

Après la stationnarisation, on identifie les valeurs des paramètres

p, q du modèle ARMA.

23/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

1- Identification du modèle approprié

La méthode d’identification du modèle est alors fondée sur l’ana-

lyse conjointe des auto-corrélations et des auto-corrélations par-
tielles.

Cette méthode s’appuie sur les résultats suivants :

- Pour un processus AR(p) : le corrélogramme partiel n’a que ses p

premiers termes (p = 3 maximum) différents de 0 et les termes du
corrélogramme simple diminuent lentement.

- Pour un processus MA(q) : le corrélogramme simple n’a que ses

q premiers termes (q = 3 maximum) différents de 0 et que les
termes du corrélogramme partiel diminuent lentement.

- Pour un processus ARMA (p,q) : les fonctions d’autocorrélation

simple et partiel ne paraissent pas tronquées.
24/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

2- Estimation des paramètres du modèle

Le processus AR(P) peut être estimé par la méthode des moindres

carrés ordinaire (MCO).

Alors que l’estimation des processus MA ou ARMA repose sur la

méthode de vraisemblance.

Cette méthode exige cependant une hypothèse supplémentaire

sur la distribution.

On suppose que les résidus suivent une loi normale de moyenne

nulle et de variance σε2 .

25/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

3- Validation du processus par les tests

Au début de cette étape on dispose de plusieurs processus ARMA

dont on a estimé les paramètres. Il faut maintenant les valider.
Pour cela, on applique des tests sur les paramètres et sur les
résidus.

Les tests postent sur :

- Les coefficients du modèle : Ils doivent être significativement

différents de 0. Si un coefficient n’est pas significativement
différent de 0, il convient d’envisager une nouvelle spécification
éliminant l’ordre du modèle AR ou MA non valide.

- L’analyse des résidus : Si les résidus obéissent à un bruit blanc,

il ne doit pas exister d’autocorrélation dans la série et les résidus
doivent être homoscédastiques.

26/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

3- Validation du processus par les tests

Pour cela, on utilise les tests suivants :

- Test de Durbin-Watson qui permet de tester la présence d’auto-

corrélation à l’ordre 1 des résidus ;

- Les tests de Box et Pierce et de Ljung et Box (cf. I, C de ce cha-

pitre) qui permettent de tester l’ensemble des termes de la fonc-
tion d’autocorrélation. Si le résidu est à mémoire, cela signifie que
la spécification du modèle est incomplète et qu’il convient d’ajou-
ter au moins un ordre au processus.

- Le test ARCH qui a pour objectif de tester l’hypothèse nulle d’ho-

moscèdasticité contre l’hypothèse alternative d’hétéroscédasticité
conditionnelle.

27/28
Économétrie
 Introduction
Généralités et Notations
Définition des processus ARMA
La méthode de Box et Jenkins

4- Utilisation du processus en prévision

Une fois le modèle est validé, on va faire des prévisions à un horizon

de quelques période, limitées car la variance de l’erreur de prévision
croı̂t très vite avec l’horizon.

28/28
Économétrie