Section 1 Les processus autorégressifs : AR(p)

a) Processus AR(1) :

Exercice 1
Soit 𝑋𝑡 un processus autorégressif stationnaire d’ordre un.
𝑋𝑡 = ∅1 𝑋𝑡−1 + 𝜀𝑡
Avec 𝐸 𝜀𝑡 = 0
𝑉 𝜀𝑡 = 𝜎 2
𝐸 𝜀𝑡 𝜀𝑠 = 0 ∀ 𝑡 ≠ 𝑠
1- Exprimer 𝑋𝑡 en fonction de 𝜀𝑡 . Que peut-on conclure ?
2- Donner l’expression de 𝑐𝑜𝑣 𝑋𝑡 ; 𝑋𝑡+𝑠 en fonction de ∅1 𝑒𝑡 𝜎2
pour 𝑠 = 0 𝑒𝑡 𝑠 > 0. En déduire l’expression de 𝛾0 .
3- Donner l’expression du coefficient d’auto-corrélation de 𝜌𝑠 . En
déduire 𝜌1 ; 𝜌2 .
4- Déterminer le coefficient d’autocorrélation partielle 𝜌11 𝑒𝑡 𝜌22 . Que
peut-on conclure pour 𝜌𝑠𝑠 pour 𝑠 > 1.

Données :
𝑐𝑜𝑣 𝑋𝑡 ; 𝑋𝑡+𝑠 = 𝛾𝑠

Soit 𝑋𝑡 un processus autorégressif d’ordre un.Dans ce cas la valeur de 𝑋𝑡 à

l’instant t dépend de sa valeur à l’instant 𝑡 − 1.
𝑋𝑡 = ∅1 𝑋𝑡−1 + 𝜀𝑡
Avec 𝜀𝑡 sont des bruits blancs.

1 − ∅1 𝐵 𝑋𝑡 = 𝜀𝑡
𝜀𝑡
Donc 𝑋𝑡 = ;
1−∅1 𝐵

Si ∅1 < 1 alors 𝑋𝑡 peut être développé en série convergente

𝜀𝑡
Donc 𝑋𝑡 = = 𝜀𝑡 1 + ∅1 𝐵 + ∅12 𝐵2 + ⋯
1−∅1 𝐵

1
 = 𝜀𝑡 + ∅1 εt−1 + ∅12 εt−2 + ⋯ +..
t−1 j
𝑋𝑡 = 𝜀𝑡 + ∅1 εt−1 + ∅12 εt−2 + ⋯ + ∅1t−1 ε1 = j=0 ∅1 εt−j

AR(1) MA(∞)

Si ∅ < 1 alors le processus 𝑋𝑡 est stationnaire parceque la condition

de convergence est vérifiée :
On suppose dans ce qui suit que 𝜇𝜀 = 0 donc 𝐸 𝑋𝑡 = 0 ;

2
La covariance de 𝑋𝑡 :

𝑐𝑜𝑣 𝑋𝑡 , 𝑋𝑡+𝜏 = 𝐸 𝑋𝑡 𝑋𝑡+𝜏

A Partir de la correction de l’exercice 1, nous avons trouvé que :

3
4
5
4) La fonction d’autocorrélation partielle (FACP) du processus AR(1)
prend les valeurs 𝜌11 = 𝜌1 = ∅1 ; 𝜌22 = 0 donc ∀ 𝑠 > 1, 𝜌𝑠𝑠 = 0

Si ∅ < 1 donc :

𝑐𝑜𝑣 𝑋𝑡 , 𝑋𝑡+𝜏 = 𝐸 𝑋𝑡 𝑋𝑡+𝜏 = 𝜎𝜀2 ∅1𝜏 = 𝛾0 ∅1𝜏 = 𝛾𝜏

Le coefficient d’autocorrélation noté 𝜌𝜏
𝛾
𝜌𝜏 = 𝛾𝜏 = ∅1𝜏
0

La fonction d’autocorrélation partielle 𝜌𝜏𝑟 :

𝜌𝜏𝑟 = 𝜌1 = ∅1
𝜌𝜏𝜏 = 0, ∀ 𝜏 > 1

6
 b) Processus AR(2)
Exercice 2
Soit 𝑋𝑡 un processus autorégressif stationnaire d’ordre 2.

Avec 𝐸 𝜀𝑡 = 0
𝑉 𝜀𝑡 = 𝜎 2
𝐸 𝜀𝑡 𝜀𝑠 = 0 ∀ 𝑡 ≠ 𝑠
Le processus 𝑋𝑡 est stationnaire ssi :
∅1 + ∅2 < 1
∅2 − ∅1 < 1 sont vérifiées.
−1 < ∅2 < 1

1- Donner l’expression de 𝑐𝑜𝑣 𝑋𝑡 ; 𝑋𝑡−𝑘 en fonction de

∅1 𝑒𝑡 ∅2 𝑝𝑜𝑢𝑟 𝑘 = 0 𝑒𝑡 𝑘 > 0
2- Donner l’expression des coefficients d’autocorrélations
𝜌1 ; 𝜌2 en fonction de ∅1 𝑒𝑡 ∅2 .
3- Donner l’expression des coefficients d’autocorrélations
partielles 𝜌11 𝑒𝑡 𝜌22 𝑒𝑡 𝜌33 . Que peut-on conclure pour 𝑘 > 2.

Correction de l’exercice 2 :

7
8
9
10
3) La fonction d’autocorrélation partielle 𝜌11 = 𝜌1 ;

𝜌0 𝜌1
𝜌 𝜌2 𝜌0 𝜌2 − 𝜌12 𝜌2 − 𝜌12
𝜌22 = 𝜌1 𝜌1 = 𝜌2 − 𝜌2 = 1 − 𝜌2
0
0 1 1
𝜌1 𝜌0

𝜌33 = 0 ; ∀ 𝑘 > 2 𝑜𝑛 𝑎 𝜌𝑘𝑘 = 0.

Le processus autoregressif d’ordre deux(AR(2)) est un processus de

dépendance à deux étapes :

11
Le processus 𝑋𝑡 est stationnaire ssi :
∅1 + ∅2 < 1
∅2 − ∅1 < 1 sont vérifiées
−1 < ∅2 < 1
Si les conditions de stationnarité du processus AR(2) sont
vérifiées, on peut alors calculer les coefficients
d’autocorrélations 𝜌𝑘 :

12
Pour les autres valeurs de k, on utilise la relation 𝜌𝑘 ci-dessus
d’une manière récursive pour calculer la FAC.
D’autre part, de la première équation on a l’expression de la
variance :

On utilise l’algorithme de Durbin pour calculer les coefficients

d’autocorrélation partielle pour le processus AR(2). On
obtient :

13
∀ 𝑘 > 2; 𝛹𝑘𝑘 = 0
c) Le processus autoregressif d’ordre p : AR(p)

Ces modèles nous montrent comment une observation 𝑋𝑡 est construite en

fonction des observations passées :

𝑋𝑡 = ∅1 𝑋𝑡−1 + ∅2 𝑋𝑡−2 + ⋯ + ∅𝑝 𝑋𝑡−𝑝 + 𝜀𝑡

Avec :

∅1 , ∅2 , …, ∅𝑝 sont des réels. Ils expriment respectivement la corrélation entre

𝑋𝑡 et 𝑋𝑡−1 ; 𝑋𝑡 et 𝑋𝑡−2 ;…., 𝑋𝑡 et 𝑋𝑡−𝑝

𝜀𝑡 est un bruit blanc stationnaire :

𝐸 𝜀𝑡 =0

𝑉 𝜀𝑡 = 𝜎 2 = 𝑐𝑠𝑡

Soit 𝐵 l’opérateur de retard :

𝐵 𝑗 𝑋𝑡 = 𝑋𝑡−𝑗

Cet opérateur exprime une variable 𝑋𝑡 en fonction de ses valeurs dans le passé.

Soit ∅ 𝐵 = 1 − ∅1 𝐵 − ∅2 𝐵2 − ⋯ − ∅𝑝 𝐵𝑝

∅ 𝐵 : appelé polynome de retard.

Le processus AR(p) peut s’écrire de la manièresuivante :

1 − ∅1 𝐵 − ∅2 𝐵2 − ⋯ − ∅𝑝 𝐵𝑝 𝑋𝑡 = 𝜀𝑡

Donc nous aurons :

∅ 𝐵 𝑋𝑡 = 𝜀𝑡

Un processus AR(P ) est stationnaire si et seulement si les racines du polynome

∅ 𝐵 sont en valeur absolue supérieures à 1 (voir exercice du T.D).

Avec ∅ 𝐵 = 1 − ∅1 𝐵 − ∅2 𝐵2 − ⋯ − ∅𝑝 𝐵𝑝 .

14
Condition de stationnarité implique :

15
Les pémes équations de cette fonction d’autocorrélations (FAC)
définissent des équations de yule-Walker pour 𝑘 = 1, … . . , 𝑝
sous la forme matricielle :

Pour déterminer l’ordre du processus autoregressif, on fait

recours à la fonction d’autocorrélation partielle (FACP).En
16
plus, la fonction d’autocorrélation partielle permet d’isoler
l’effet de corrélation des observations intermédiaires.
Soit 𝜌𝑝𝑝 sont les autocorrélations partielles d’ordre 𝑝 dans les
processus autoregressifs AR(p).
𝜌𝑝𝑝 peuvent être obtenus à partir des équations de yule-
walker :

1 𝜌1 ⋯ 𝜌𝑝−2 𝜌1
⋮ ⋱ ⋮ 𝜌2
𝜌𝑝−1 ⋯1 𝜌𝑝
𝜌𝑝𝑝 =
1 𝜌1 ⋯ 𝜌𝑝−1
⋮ ⋱ ⋮
𝜌𝑝−1 ⋯ 1

d) Ananlyse des fonctions d’autocorrélations et

d’autocorrélation partielle

Pour déterminer l’ordre du processus autoregressif, on fait

recous à la fonction d’autocorrélation.

17
Prenons le cas d’un processus autoregressif d’ordre un :
AR(1)

FAC (ACF) : on remarque une décroissance exponentielle.

Plus on s’éloigne, plus les données du présent ne sont pas
corrélées à celles du passé.
FACP (PACF) : pic significatif pour le premier retard. Le
nombre de batons représente l’ordre du processus
autoregressif.

FAC FACP

ACF : on remarque une décroissance sinusoidale

FACP : pic sgnificatif pour le premier retard et il est négatif
car ∅1 < 0.

18
Exemple :
𝑦𝑡 = 0.7𝑦𝑡−1 + 𝜀𝑡
Avec 𝐸 𝜀𝑡 = 0; 𝑣𝑎𝑟 𝜀𝑡 = 1

Fonction d’autocorrélation :

Interprétation : les données à l’instant t=0 sont plus corrélées

aux données à l’instant t=1 qu’avec les données à l’instant t=5.

Fonction d’autocorrélation partielle :

19
Interprétation : on remarque que le premier délai 𝑦𝑡−1 est
corrélé à 0.7 et que les autres délais 𝑦𝑡−2 , 𝑦𝑡−3 , … ne sont
pas significatifs pour l’estimation.

20