Chapitre 6 : Prévision avec les modèles ARIMA

1. Formulation du problème :
L’un des principaux but de l’analyse des séries chronologiques est celui de la prévision, à
savoir déterminer la meilleur évaluation de la valeur future Xt+l, l ≥ 1 étant données les
valeurs présentes et passées du processus Xt.
On notera X̂ t(l) cette valeur.
Soit Xt un processus stochastique de type ARIMA(p, d, q). Nous supposerons connue une
réalisation du processus jusqu’en un instant t fixé. Et nous souhaitons estimer les valeurs
futures prises par ce processus (Xt+l, l ≥ 1).
L’instant t est appelée origine des prévisions et l est l’horizon des prévisions. La prévision
d’origine t et d’horizon l est notée X̂ t(l).
Xt peut s’écrire sous trois formes équivalentes qui ont chacune leur utilité dans le calcul des
prévisions.

i. Equation aux différences : Soit ϕ p+d(B)Xt = Θ q(B)at,

où ϕ p+d(B) = Φp(B)(1 – B)d = 1 - ϕ1B - … - ϕp+dBp+d. D’où,
Xt = ϕ1Xt-1 + … + ϕp+dXt-p-d + at - θ1at-1 - … - θqat-q.
On peut utiliser cette équation pour le calcul direct de X̂ t(l).

ii. Représentation en terme de bruit blanc : Soit, Xt = at + ψ1at-1 + ψ2at-2 + ……….

A cause de la stationnarité, la connaissance des φi et des θi entraine la connaissance des ψi.
D’où : Xt+l = at+l + ψ1at+l-1 + ψ2at+l-2 + ……….

iii. Représentation en terme de valeurs passées : Soit, at = Xt + π 1Xt-1 + π 2Xt-2 + ……….

A cause de l’inversibilité, la connaissance des φi et des θi entraine la connaissance des π i.
L’information dont nous disposons en l’instant t est l’histoire présente et passée du
processus : Xt, Xt-1, ….
Cette information est équivalente à la connaissance des réalisations du bruit blanc : at, at-1, ….

2. Prévision d’erreur quadratique moyenne minimale :

P.E.Q.M.M.

La prévision X̂ t(l) faite en l’instant t est nécessairement une fonction de at, at-1, at-2, …
Soit, X̂ t(l) = ψ1* at + ψ1+1*at-1 + ψl+2*at-2 + ……….
Si nous considérons une dépendance linéaire, parmi tous les prédicteurs linéaires, on choisit
celui qui minimise l’erreur quadratique moyenne de prévision. C'est-à-dire que les ψl+j* sont
choisis de façon à minimiser : E[Xt+l - X̂ t(l)]2.
Les ψl+j* sont solution de : min E[Xt+l - X̂ t(l)]2. Or,
∗
ψ l+j

Xt+l - X̂ t(l) = at+l + ψ1at+l-1 + … + ψl-1at+1 + (ψ1 - ψ1*) at + (ψ1+1 - ψ1+1*) at-1 + ……….

1
 +∞
Soit, E[Xt+l - X̂ t(l)]2 = σa2(1 + ψ12 + … + ψl-12) + σa2 ∑ (ψl+j - ψl+j*)2.
j =0
*
Le minimum est atteint pour ψl+j = ψl+j ∀ j ≥ 0.

Donc X̂ t(l) = ψ1 at + ψ1+1at-1 + ψl+2at-2 + ……….

On peut décomposer Xt+l en deux termes. D’une part en la prévision X̂ t(l) et d’autre part en
l’erreur de prévision, notée et(l).

Xt+l = at+l + ψ1at+l-1 + … + ψl-1at+1 + ψ1at + ψ1+1at-1 + ……….

= X̂ t(l) + et(l).

Par suite, et(l) = Xt+l - X̂ t(l).

Remarque : Pour un modèle ARIMA on s’arrête en a0 au lieu d’aller jusqu’à -∝.

3. Propriétés des prévisions

Afin d’étudier les propriétés de l’erreur de prévision, nous aurons besoin de la notion
d’espérance conditionnelle. Nous adoptons la notation suivante pour désigner l’espérance
mathématique conditionnelle à l’histoire passé du processus en t :
Et(.) = E(. /Xt, Xt-1, …) = E(. /at, at-1, …).

i. Et(et(l)) = Et(at+l + ψ1at+l-1 + … + ψl-1at+1) = 0 ∀ l ≥ 1 ⇒ Et(Xt+l) = X̂ t(l).

Les prévisions d’erreurs quadratiques moyennes minimales sont donc non biaisées.

ii. Vart(et(l)) = V(l) = σa2(1 + ψ12 + … + ψl-12).

V(l) est une fonction croissante de l, c'est-à-dire que la précision des prévisions diminue au
+∞
fur et à mesure que l’on s’éloigne de l’origine t. Pour l → ∝, on aura : V(l) → σa2 ∑ ψi2.
i =0

Pour un processus stationnaire, cette dernière quantité est égale à la variance σX2 du
processus.
D’où Vart(Xt+l) = Vart( X̂ t(l) + et(l)) = Vart(et(l)) = V(l).

iii. Pour un même origine t fixé, les deux erreurs de prévisions et(l) et et(l+j) d’horizons
distincts, sont corrélées, j et l > 0.

En effet, et(l) = at+l + ψ1at+l-1 + … + ψl-1at+1,

et(l+j) = at+l+j + ψ1at+l+j-1 + … + ψjat+l + … + ψl+j-1at+1.

l −1
Cov(et(l); et(l+j)) = σa2 ∑ ψiψi+j, avec ψ0 = 1.
i =0

iv. Pour l fixé et t ≠ t’, les erreurs de prévisions et(l) et et’(l) sont en général corrélées entre
elles sauf pour l = 1. En effet :

2
si l = 1 : et(1) = at+1 et et’(1) = at’+1 qui sont non corrélées si t ≠ t’.
Si l > 1 : et(l) = at+l + ψ1at+l-1 + … + ψl-1at+1 et et’(l) = at’+l + ψ1at’+l-1 + … + ψl-1at’+1.
Cov(et(l); et’(l)) ≠ 0 en général.

4. Intervalles de confiance

Le caractère stochastique de Xt nous permet de construire des intervalles de confiance pour

les valeurs futures Xt+l. Rappelons que Xt+l = X̂ t(l) + et(l).
Pour un bruit blanc gaussien, c'est-à-dire i.i.d. de loi commune la loi normale de moyenne 0 et
de variance σa2, on a : et(l) = at+l + ψ1at+l-1 + … + ψl-1at+1 ∼ N(0; V(l)).

Par conséquent : Xt+l / Xt, Xt-1, … ∼ N( X̂ t(l); V(l)). Car X̂ t(l) joue un rôle de constante.

Ce qui permet de déterminer un intervalle de confiance au risque α pour Xt+l. Soit,

P(-u1-α/2 ≤ [Xt+l - X̂ t(l)] / V (l ) ≤ u1-α/2 ) = 1 - α. Avec u1-α/2 est le quantile d’ordre 1 - α/2 de
la loi N(0 ; 1).
D’où, avec un risque α, l’intervalle de confiance pour Xt+l / Xt, Xt-1, … est :

I.C.( Xt+l) = [ X̂ t(l) - u1-α/2 V (l ) ; X̂ t(l) + u1-α/2 V (l ) ].

Remarque : La variance V(l) croit avec l’horizon l. En conséquence la largeur de l’intervalle

de confiance croît également avec l. C'est-à-dire, plus la prévision se fait à une date éloignée,
plus l’intervalle de prévision sera plus large (pas de précision).

5. Calcul et mise à jour des prévisions :

i. Calcul des prévisions : Calculons les prévisions à l’aide de l’équation aux différences,
Xt = ϕ1Xt-1 + … + ϕp+dXt-p-d + at - θ1at-1 - … - θqat-q.
On note Et(at+l) = [at+l] et Et(Xt+l) = [Xt+l]. Nous utilisons les relations suivantes :

[Xt+j] = Xt+j si j ≤ 0 et X̂ t(j) si j > 0 et [at+j] = at+j si j ≤ 0 et 0 si j > 0. D’où,

[Xt+l] = ϕ1[Xt+l-1] + … + ϕp+d[Xt+l-p-d] + [at+l] - θ1[at+l-1] - … - θq[at+l-q].

Le membe de gauche est X̂ t(l), et l’utilisation de cette relation nous permet de déterminer par
récurrence les prévisions pour des horizons croissants ( X̂ t(1), X̂ t(2), … ).

Exemples : i. ARIMA(1, 1, 0) avec φ1 = 0,8 et θ0 = 0. Soit,

(1 – 0,8B)(1 - B) Xt = at ⇔ (1 – 1,8B + 0,8B2)Xt = at ⇔ Xt = 1,8Xt-1 – 0,8Xt-2 + at.
D’où Xt+l = 1,8Xt+l-1 – 0,8Xt+l-2 + at+l l > 0.

X̂ t(1) = 1,8[Xt] – 0,8[Xt-1] + [at+1] = 1,8Xt – 0,8Xt-1.

X̂ t(2) = 1,8[Xt+1] – 0,8[Xt] + [at+2] = 1,8 X̂ t(1) – 0,8Xt = 1,44Xt – 1,44Xt-1.

ii. ARIMA(0, 2, 2) avec θ1 = 0,9 ; θ2 = -0,5 et θ0 = 0. Soit,

3
(1 – B)2 Xt = at - 0,9at-1 + 0,5at-2 ⇒ Xt = 2Xt-1 – Xt-2 + at – 0,9at-1 + 0,5at-2.
D’une part, Xt+1 = 2Xt – Xt-1 + at+1 – 0,9at + 0,5at-1 ⇒ X̂ t(1) = 2Xt – Xt-1 + 0 – 0,9at + 0,5at-1.
D’autre part, X̂ t(2) = 2[Xt+1] – [Xt] + [at+2] - 0,9[at+1] + 0,5[at] = 2 X̂ t(1) – Xt + 0 – 0 + 0,5at.

ii. Règle de mise à jour des prévisions:

A l’instant t on fait des prévisions d’horizons l : X̂ t(l).

Question ? Si on veut refaire des prévisions à partir de l’instant t + 1, X̂ t+1(l). Faut-il refaire
tous les calculs, ou peut-on reprendre les résultats précédents.

Réponse: X̂ t(l+1) = ψ1+1 at + ψ1+2at-1 + … + ψl+t+1a0 + ……….

X̂ t+1(l) = ψ1 at+1 + ψ1+1at + … + ψl+t+1a0 + ……….

Donc X̂ t+1(l) = ψ1 at+1 + X̂ t(l+1).

Mais on peut exprimer at+1 en fonction des prévisions à l’instant t, car :

Xt+1 = X̂ t(1) + et(1) = X̂ t(1) + at+1. Ce qui implique que :

X̂ t+1(l) = X̂ t(l+1) + ψ1[Xt+1 - X̂ t(1)].

Par conséquent, X̂ t+1(l) est obtenu à partir de l’observation en t+1 et des prévisions
antérieurs. Ca veut dire que les prévisions peuvent être obtenues par récurrence.