Académique Documents
Professionnel Documents
Culture Documents
I. Modèles autorégressifs
1. Définition : Un processus autorégressif d’ordre p, noté AR(p), est un processus Xt tel que :
où θ0, φ1, … , φp sont des constantes réelles de IR et at est un bruit blanc de moyenne 0 et de
variance σa2.
Remarque : Un processus AR(p), peut s’écrire aussi sous la forma : Φp(B)Xt = θ0 + at, où
⇔ Φp(1) µ = θ0.
Remarque : On peut sans perte de généralité supposer que µ = 0 (ou θ0 = 0), car sinon on
posera : Yt = Xt - µ.
2. Opérateurs inversibles
L’opérateur Φp(B) = 1 - φ1B - … - φpBp est dit inversible si toutes les racines de Φp(z) = 0
sont de module supérieur à 1. C’est-à-dire : Φp(z) = 0 ⇒ |z| > 1.
+∞
Théorème : Si Φp(B) est inversible, alors Φp (B) = 1 + ψ1B + ψ2B + …… =
-1
∑ ψi Bi.
i=0
1
Où les ψi convergent exponentiellement vers 0 lorsque i → ∝.
D’où ψi = φ1i qui décroit exponentiellement vers 0. En effet, Φ1(B) =1 – φ1B est
inversible si |φ1| < 1.
Autrement dit, Φ1(z) = 0 ⇒ 1 – φ1z = 0 ⇒ z = 1/φ1 ⇒ |z| > 1.
+∞ +∞
=a ∑ α1i Bi + b ∑ α2i Bi
i=0 i=0
+∞
= ∑ (aα1i + bα2i )Bi
i=0
+∞
= ∑ ψi Bi avec ψi = aα1i + bα2i qui décroit exponentiellement vers 0. En
i=0
effet, Φ2(z) = 0 ⇒ 1 – φ1z - φ2z2 = 0 ⇒ (1 – α1B)(1 – α2B) = 0
ψi = φ1ψi-1 + … + φpψi-p.
= xp Φp(1/x).
2
Par conséquent les racines de P(x) sont l’inverse des racines de Φp(x).
Donc les ψi convergent exponentiellement vers 0, car ils sont une combinaison linéaire des
racines du polynôme caractéristique, qui sont de module inférieur à 1. Puisque les racines de
Φp(x) sont de modules supérieures à 1.
+∞ +∞ +∞
=[2 ∑ (1/2)i Bi - ∑ (1/4)i Bi] at = [ ∑ ψi Bi] at =
i=0 i=0 i=0
+∞
= ∑ ψi at-i , avec ψi = 2(1/2)i – (1/4)i qui décroit exponentiellement vers 0.
i=0
Φp(B) Xt = at.
Par suite Xt est un processus linéaire. Et une condition nécessaire et suffisante pour que Xt
+∞
soit SSL est que : ∑ ψi2 < ∝.
i=0
+∞ +∞
Or ceci est vrai, car : ∑ ψi2 <c 2
∑ ϕ2i = c2 /(1 - ϕ2) < ∝.
i=0 i=0
+∞
Φp(B) Xt = θ0 + at ⇔ Φp(B) (Xt - µ) = at ⇔ Xt - µ = ∑
i =0
ψi at-i avec ψ0 = 1.
Soit Xt un processus AR(p) SSL, i.e. Φp(B) (Xt - µ) = at avec Φp(B) est inversible. Pour
simplifier, on suppose que µ = 0. D’où :
⇒ E(at Xt-k) = 0 ∀ k ≥ 1.
γk - φ1γk-1 - … - φpγk-p = 0 ∀ k ≥ 1.
γ0 - φ1γ1 - … - φpγp = σa2, car E(at Xt) = σa2. Et en divisant par γ0 on obtient :
Or les ρk sont solution de l’équation aux différences qui a pour polynôme caractéristique :
4
= xp [1 – φ1/x – … - φp-1/(xp-1) – φp/(xp)]
= xp Φp(1/x).
D’où les racines de P(x) sont de modules inférieures à 1, car les racines de Φp(x) sont de
modules supérieures à 1.
Et puisque les ρk sont une combinaison linéaire des racines de P(x), on déduit facilement que
ρk ↓0 exponentiellement.
P(x) = x2 - φ1 x - φ2. Supposons que P(x) = 0 possède deux racines réelles α1 et α2. On aura :
ρk = Aα1k + Bα2k avec A et B déterminés à partir des conditions initiales. Et puisque, |α1| et
|α2| sont inférieures à 1, on a bien : ρk ↓0 exponentiellement, lorsque k → ∝.
5. Equation de Yule-Walker :
ρ1 ρ 0 ρ1 . . . ρ p −1 φ1
ρ 2 ρ1 ρ0 . . . ρ p − 2 φ2
. . . . .
=
. . . . .
. . . . .
ρ ρ ρ p−2 . . . ρ0 φ p
p p −1
5
Ainsi le vecteur des paramètres peut se déduire à partir des corrélations du processus, et qu’on
peut estimer en pratique, par la relation : φˆ = M ρˆ −1 ρ̂ .
ρ1 ρ 0 ρ1 φ1
= .
ρ 2 ρ1 ρ0 φ2
−1
Donc, ( φˆ1 , φˆ2 )’ = M (r1, r2)’.
ρˆ
Soit Xt un processus SSL quelconque qui n’est pas nécessairement un AR(p). On s’intéresse
à la solution de l’équation :
ρ0 ρ1 . . . ρ k −1 φk ,1 ρ1
ρ
1 ρ0 . . . ρ k − 2 φk ,2 ρ 2
. . . . .
=
. . . . .
. . . . .
ρ k −1 ρk −2 . . . ρ0 φk , k ρk
Ce système admet une solution unique donnée par : φ(k) = (φk,1, φk,2, …, φk,k)’. Pour une valeur
de k donnée, la dernière composante de φ(k) est appelée coefficient d’autocorrélation partielle
de délai k.
Où Xt* est le meilleur estimateur dans le sens des M.C. de Xt comme fonction de Xt+1, … ,
Xt+k-1. De même pour Xt+k*.
6
ii. Si k = 2 alors,
ρ0 ρ1 φ2,1 ρ1
=
ρ1 ρ0 φ2,2 ρ2
Appelation :
Alors:
ρ0 ρ1 . . . ρp-1 φ1 ρ1
ρ1 ρ0 . . . ρp-2 φ2
ρ2
. . . . .
=
. . . . .
. . . . .
ρ ρ p-2 . . . ρ0 φ p ρ p
p-1
φp,p = φp et φk,k = 0 si k ≥ p + 1.
7
ρ0 ρ1 ρ p −1 ρ p φ1 ρ1
ρ1 ρ0 ρ p −2 ρ p −1 φ2
ρ2
. . . . . .
. . . . . = .
. . . . . .
ρ p −1 ρ p −2 . . . ρ0 ρ1 φ p ρ p
ρ
p ρ p −1 . . . ρ1 ρ 0 0 ρ p +1
Remarque : Les PACF sont calculés pour tout processus SSL Xt.
Le corrélogramme partiel est la représentation graphique qui a pour abscisse les délais k et
pour ordonnés les autocorrélations partielles φk,k.
Dans le cas d’un AR(p), le corrélogramme partiel s’annule à partir du délai p+1. Ainsi les φk,k
vont nous permettre de dire si le processus est un AR ou pas et de déterminer la valeur de p
dans le cas d’un AR.
Les φk,k se calculent à partir des ρk qui sont inconnues en pratique. En les remplaçant par leur
estimateurs rk les φk,k ne seront plus inconnues.
8
1. Définition : Un processus MA(q) est un processus Xt tel que :
Xt = µ + at - θ1at-1 - … - θqat-q ,
où µ, θ1, …, θq, sont des constantes de IR et at est un bruit blanc de moyenne 0 et de variance
σa2.
+∞
C’est un processus linéaire avec, ∑
i =0
ψi2 = 1 + θ12 + … + θq2 < ∝.
Remarque : Un processus MA(q) est une combinaison linéaire finie de processus SSL.
On va supposer µ = 0 sans perte de généralité. D’où Xt = Θ q(B)at. Par suite Xt est inversible
si et seulement si Θ q(B) est inversible et,
Remarque : Autrement dit, Xt est inversible si et seulement si les racines du polynôme Θ q(z)
sont à l’extérieur du disque unité. C’est-à-dire que : Θ q(z) = 0 ⇒ |z| > 1.
+∞ +∞
at = 1/(1 – 0,5B) Xt = ∑ (0,5)iBi Xt = ∑ (0,5)iXt-i.
i=0 i=0
+∞
Donc π i = (0,5)i décroit exponentiellement vers 0 et ∑ |π i| < ∝.
i=0
9
ii. Θ 2(B) = 1 – B + 0,25B2.
iii. Θ 2(B) = 1 – 2,5B + B2.
+∞
= ∑ (Aα1i +Bα2i)Bi.
i=0
π i = θ1 π i-1 + … + θq π i-q.
γk = 0 pour k ≥ q+1.
ρq ≠ 0 et ρk = 0 si k ≥ q+1. *
Réciproquement, si (*) est satisfaite par les autocorrélations d’un processus SSL, alors ce
processus est un MA(q) avec : ρq = γq/γ0 = -θq/(1 + θ12 + … + θq2).
10
Conclusion : Pour une fonction d’autocorrélation vérifiant (*) on ne peut associer qu’un seul
processus MA(q) inversible.
H0 : ρk = 0 si k ≥ q+1
H1 : sinon risque α, en général 5%.
Avec un risque α, on rejette H0 si pour k ≥ q+1 on a | rk | > 1,96srk. Autrement dit, pour α =
5% (erreur de première espèce), on ne rejette pas H0 si moins de 5% des rk se trouve à
l’extérieur de la zone de confiance : [-1,96srk ; 1,96srk]. Et on rejette H0 sinon.
Remarque : Ceci nous permettra de tester la nullité des autocorrélations à partir du délai q+1
pour les MA(q).
1. Définition : Généralement les modèles AR(p) sont largement utilisés pour décrire
l’évolution des séries chronologiques,
εt = at - θ1at-1 - … - θqat-q .
En combinant les deux relations ci-dessus, on obtient un modèle mixte ARMA(p, q) défini
par:
Stationnarité : Une condition nécessaire et suffisante pour que le processus Xt soit SSL et
admette la décomposition MA(∝) :
11
Xt - µ = at + ψ1at-1 + ψ2at-2 + ………. = ψ(B) at,
est que l’opérateur Φp(B) soit inversible. i.e. les racines du polynôme Φp(z) = 0 soient à
l’extérieur du disque unité (Φp(z) = 0 ⇒ |z| > 1).
est que l’opérateur Θ q(B) soit inversible. i.e. les racines du polynôme Θ q(z) = 0 soient à
l’extérieur du disque unité (Θ q(z)= 0 ⇒ |z| > 1).
Calcul des ψi: Les deux méthodes déjà faites pour les modèles AR(p) et MA(q) sont
encore valables. Prenons par exemple le cas d’un ARMA(1,1). i.e.
Remarque : Le calcul des πi se fait de la même façon que pour celui des ψi.
12
D’où E(at Xt-k) = 0 ∀ k > 0. Soit E(at Xs) = 0 ∀ t > s.
Xt Xt-k = φ1Xt-1 Xt-k + … + φpXt-p Xt-k + at Xt-k - θ1at-1 Xt-k - … - θqat-q Xt-k.
Remarques : On a pris k > q pour être sûre que t > t-k ; t-1 > t-k ; … ; et t-q > t-k.
Puisque Φp(B) est inversible (condition de stationnarité), les solutions ρk de cette équation
aux différences décroit exponentiellement vers 0 lorsque k → ∝.
1. Processus non stationnaires : Les modèles que nous avons vu AR, MA et ARMA
servent à décrire l’évolution des séries stationnaires au sens large (SSL), i.e. moyenne et
variance stable dans le temps. De telles séries ont la forme suivante :
Or les séries économiques par exemple, n’ont pas en général un niveau stable ou une
variance stable dans le temps. Ces séries peuvent être sous la forme suivante :
13
Niveau instable et variance stable
Nous allons appliquer des transformations aux séries observées pour stabiliser leurs niveau
ou leurs variances.
On déduit que ∇ Xt est SSL. Ainsi, lorsque le niveau est instable, on applique une
différence 1 – B à la série Xt. Si une différence ne suffit pas, on applique une deuxième
différence et ainsi de suite jusqu’à la stabilisation du niveau.
14
Ce modèle est appelé : ARIMA(p,d,q) : AR Integrated MA.
Si θ0 = 0 alors Xt = Xt-1 + at dite marche aléatoire (qu’on peut générer par ordinateur).
où, ϕp+d(B) est un opérateur de degré p + d ayant d racines égales à 1. Et donc ϕp+d(B) n’est
pas inversible.
+∞
Pour que 1 – B soit inversible, c'est-à-dire (1 – B)-1 = 1/(1 – B) = ∑ Bi appliqué à Xt ou
i=0
à at existe, on suppose qu’on travaille dans l’ensemble P(IN) = {Xt / t ∈ IN}. C'est-à-dire :
Xt = 0 ∀ t < 0 et at = 0 ∀ t < 0. D’où :
Remarque: Puisque ϕp+d(B) = Θ q(B) π(B), alors : ϕp+d(1) = Θ q(1) π(1) ⇒ Θ q(1) π(1) = 0.
t
Or Θ q(1) ≠ 0 ⇒ π(1) = 0 ⇒ 1 - π 1 - π 2 - …. = 0 ⇒ ∑
i =0
π i = 1, avec π 0 = 1.
15
Souvent, une différenciation stabilise le niveau et pas la variance. On doit faire une autre
transformation pour stabiliser la variance. On utilisera plutôt une autre transformation
appelée la transformation de Box-Cox (1964). Cette transformation de paramètre λ est :
Tλ(Xt) = (Xtλ – 1)/λ si λ ≠ 0 et Log(Xt) si λ = 0.
1 n
Remarque : Soit Zt = Tλ(Xt) et Z = ∑ Z t. Un estimateur de la variance de Zt est :
n t =1
1 n 2
∑ (Z t – Z ) .
n t =1
n
On choisira le λ qui minimise ∑ (Z t – Z )2.
t =1
1 Xt – 1 Xt
½ 2(Xt1/2 – 1) Xt1/2
0 Log(Xt) Log(Xt)
-1 - [(1/ Xt) - 1] 1/ Xt
16