Séries Chronologiques

O. DECK - Ecole des Mines de Nancy

1
C - Processus multivariés

2
 Rappels
Les données collectées au cours du temps sont en général autocorrélées
➡ processus univarié
➡ utilisation du passé pour prévoir l’avenir
➡ Technique de décomposition
➡ Technique de lissage exponentiel
➡ Technique ARIMA

Les séries temporelles peuvent être décomposées en 3 composantes

➡ tendance, saisonnalité, résidus

Objectif pratique : modéliser la série et estimer les résidus

➡ bruit blanc de faible écart type

3
 Les modèles ARIMA (p,d,q)
➡ ARMA (1,1) : X(t) = Cte + 𝜑1 X(t-1) + θ1 ε(t-1) + ε(t)

On utilise l’autocorrélogramme (ACF) et le PACF pour détecter l’ordre

des processus AR et MA

➡ ARMA(p,q) : 𝚽p(B)Xt = Cte + 𝚯q(B)εt

𝚽p(B)
(Xt - μx) = εt
𝚯q(B)

➡ ARMA(p,d,q) : 𝚽p(B) ∇d Xt = Cte + 𝚯q(B)εt

La différentiation permet d’enlever la tendance (d)

4
 Les modèles SARIMA (p,d,q)(P,D,Q)𝛕

+ différentiation saisonnière pour enlever la saisonnalité (D)

+ Processus SAR et SMA (P et Q)

➡Toujours tester/rechercher les modèles les plus simples

➡Toujours vérifier la significativité des coefficients

➡Eviter de mélanger SAR et SMA

➡Se limiter à des processus SAR ou SMA d’ordre 1

L’écart type des résidus permet de comparer différents modèles.

5
 Processus multivariés
On souhaite tenir compte de causes exogènes :

➡ influence d’une loi/décision (avant/après la loi), influence d’un évènement

particulier : modèles d’interventions. 1

0,8

0,6
Loi

90
0,4

0,2
Créneau
80
70 0

60 01/1954 01/1956 01/1958 01/1960 01/1962 01/1964 01/1966 01/1968 01/1970 01/1972
OZONE

Date
50
40
1
30
0,8
20
10 0,6

« Dirac »
01/1954 01/1956 01/1958 01/1960 01/1962 01/1964 01/1966 01/1968 01/1970 01/1972 Loi
Date 0,4

0,2

Y(t) : solution à l’Ozone (Los Angeles) 01/1954 01/1956 01/1958 01/1960 01/1962 01/1964
Date
01/1966 01/1968 01/1970 01/1972

➡ influence d’une variable extérieure qui prendra également la forme d’une série
temporelle : fonctions de transfert
3
60
58 2
Input Gas Rate

56 1
Output CO2

54 0
52
50 -1
48 -2
46 -3
0 59 118 177 236 295 0 59 118 177 236 295
Ligne
Ligne

6
Y(t) : émission CO2 X(t) : débit de gaz entrant
 Cas des modèles d’interventions
Pollution moyenne mensuelle dans la ville de Los Angeles
90
80
70
60
OZONE

50

40
30
20
10
01/1954 01/1956 01/1958 01/1960 01/1962 01/1964 01/1966 01/1968 01/1970 01/1972
Date

Loi imposant l’utilisation

d’un pot catalytique

La loi a t’elle une influence significative ? Si oui, comment en tenir compte

dans le modèle ?
7
 90
80
70
60

OZONE
50
Y(t) 40
30
20
10
01/1954 01/1956 01/1958 01/1960 01/1962 01/1964 01/1966 01/1968 01/1970 01/1972
Date

0,8

X(t) Loi
0,6

0,4

0,2

01/1954 01/1956 01/1958 01/1960 01/1962 01/1964 01/1966 01/1968 01/1970 01/1972
Date

On considère la régression linéaire Y*(t) = a X(t) + b

On étudie la série des résidus Y(t) - Y*(t)

8
 90
80
Y*(t)
70
60
OZONE

50
40
30
20
10
0 0,2 0,4 0,6 0,8 1
Loi

40
30 Y(t) - Y*(t)
20
Résidu OZONE

10
0
-10
-20
-30

01/1954 01/1958 01/1960 01/1962 01/1964 01/1966 01/1968 01/1970 01/1972

Date

9
 ACF et PACF de Y(t) - Y*(t)

Identification d’une saisonnalité (12 mois)

différentiation d’ordre 1 saisonnier (D = 1)
10
ARIMA saisonnier (0, 0, 0)(0, 1, 0)12 sur les résidus

Identification d’un AR1

11
ARIMA saisonnier (1, 0, 0)(0, 1, 0)12 Aucune constante

Identification d’un MA saisonnier

12
ARIMA saisonnière (1, 0, 0)(0, 1, 1)12 Aucune constante

Ecart type des résidus : 8,21

13
Résultat sans/avec modèle d’intervention
40 30
30 20
20
Valeur du résidu

Valeur du résidu
10
10
0
0
-10
-10
-20 -20
-30 -30
0 43 86 129 172 215 01/1954 01/1958 01/1962 01/1966 01/1970
Ligne Date

Ecart type des résidus : 8,24 Ecart type des résidus : 8,21
14
 Cas d’une variable exogène
3
2
X(t) : débit de gaz entrant
Input Gas Rate

1 dans une chaudière

0
-1
-2
-3
0 59 118 177 236 295
Ligne

60
58
Y(t) : émission CO2
56
Output CO2

54
52
50
48
46
0 59 118 177 236 295
Ligne

15
 Cadre des fonctions de transfert
On suppose le modèle suivant :

Yt : chronique à expliquer
Yt = Cte + 𝛽0Xt + 𝛽1Xt-1 + 𝛽2Xt-2 …+ et Xt : chronique explicative
et : chronique des résidus (ARMA)

Prise en compte d’un retard « L » et d’un nombre réduit de corrélations

significatives « k »

décalage « L »

Yt = Cte + 𝛽LXt-L …+ 𝛽L+k-1 Xt-L-k-1+ et

k termes
16
 Exemple
ACF de Yt ACF de Xt
corrélations croisées
entre Yt et Xt-décalage

Les deux séries Yt et Xt montrent des autocorrélations qui rendent difficile

l’interprétation des corrélations croisées 17
 Solution : Pre-blanchiment de Xt

On suppose que les deux chroniques Xt et Yt sont stationnaires

1 - Pre-blanchiment de Xt

➡ on ajuste un processus ARMA sur Xt afin d’obtenir une chronique de résidus

sans autocorrélation : Xt → Rx

➡ Le même processus est appliqué à Yt : Yt → Ry

2 - Utilisation de l’autocorrélogramme croisé entre Rx-décallage et Ry

➡ on identifie le retard « L » et le nombre de corrélations significatives « k »

Pre-blanchiment de Xt
3
2

Input Gas Rate

1
0
-1
-2
-3
0 59 118 177 236 295
Ligne

L’ACF et PACF de Xt
suggèrent un AR3

19
 Xt ——> Rx
AR3
Yt ——> Ry

Corrélations croisées entre les

résidus Rx et Ry obtenus à partir du ACF et PACF de Rx (on vérifie qu’il
processus AR3 identifié n’y a plus d’autocorrélations)

Le graphique des corrélations croisées suggère des corrélations significatives sur 5

pas de temps (k=5) et un décalage de L=3 pas de temps. 20
 décalage « L »

Yt = Cte + 𝛽LXt-L …+ 𝛽L+k-1 Xt-L-k-1+ et

k termes

Ce premier modèle n’est pas satisfaisant. Il suggère que les résidus peuvent être
raisonnablement modélisés par un AR2

ACF et PACF de et

21
 On modélise les
résidus et par un
processus ARMA

Quelques itérations permettent d’identifier un modèle satisfaisant

ACF et PACF de et

22
 Plus généralement
Yt = μ + 𝛽0Xt + 𝛽1Xt-1 + 𝛽2Xt-2 …+ et

Ωs1(B)
Peut aussi s’écrire : (Yt - μy) = (Xt - μx) + et
Δr1(B)

Processus ARMA sur les résidus

Ωs1(B) 𝚽 (B)
Soit : (Yt - μy) = (Xt-L - μx) + p εt
Δr1(B) 𝚯q(B)

On se limitera dans le cours à un dénominateur de degré nul

𝚽p(B)
(Yt - μy) = Ωs1(B) (Xt-L - μx) + εt
𝚯q(B)
s1 = k-1, avec k le nombre de corrélations significatives
 Méthode
On suppose que les deux chroniques Xt et Yt sont stationnaires

1 - Pre-blanchiment de Xt

➡ on ajuste un processus ARMA sur Xt afin d’obtenir une chronique de résidus

sans autocorrélation : Xt → Rx

➡ Le même processus est appliqué à Yt : Yt → Ry

2 - Utilisation de l’autocorrélogramme croisé

➡ on identifie le retard « L » et le nombre de corrélations significatives « k »

➡ on cherche le meilleur modèle tel que r1 + s1 + 1 = k
➡ Sans dénominateur : Yt = Cte + 𝛽LXt-L …+ 𝛽L+k-1 Xt-L-k-1+ et

3 - on ajuste un processus ARMA sur la série des résidus et

➡ Les coefficients précédents doivent alors être réajustés
24
 Conclusion

Procédure itérative plusieurs modèles peuvent convenir.

On cherchera toujours le modèle le plus simple et celui qui respecte la

physique des phénomènes étudiés.

Si Yt ou Xt ne sont pas stationnaires, il faut d’abord les stationariser

(différentiation) et chercher le modèle de transfert sur les séries
stationarisées.

25
 Exercices
Rejouer les exemples du cours : séries OZONE et SERIEJ

Modèle d’intervention : la chronique WTC2 présente le trafic aérien mensuel aux

USA de janvier 1996 à mai 2007.

• Faites une première modélisation SARIMA de WTC2.

• Proposez un modèle d’intervention permettant de soustraire l’influence du
mois de septembre 2001.
• Proposez un modèle d’intervention d’influence décroissante sur 6 mois.
• Pour chaque modèle, comparez l’écart type des résidus et les résidus
atypiques.

Fonctions de transfert : la série PUB fournit les dépenses de publicité et ventes

mensuelles d’une société.

• Cherchez une modélisation convenable.

• Comparez les résultats obtenus avec et sans prise en compte de la série des
dépenses de publicité.
26