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