Séries temporelles I

MODELISATION STOCHASTIQUE :
ARMA / ARIMA
Institut Universitaire d’Abidjan (IUA)
Master Actuariat, Première année
Année académique 2023 − 2024

Boris BAFFO
Enseignant - Chercheur, ENSEA
boris.baffo@ensea.ed.ci
+ 225 07 09 08 00 60
Bureau 263

7 novembre 2023
SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 1 / 14
Plan de l’exposé

1 Objectif et Contenu

2 Généralités

3 Modèles linéaires univariés

4 Démarche de Box - Jenkins

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 2 / 14

 Objectif et Contenu

Objectif et Contenu

Objectif
Familiariser les étudiant.e.s à la modélisation des séries chronologiques à
partir des modèles linéaires univariés.

Objectifs spécifiques
1 Définir les modèles univariés classiques ;
2 Décrire la démarche Box-Jenkins ;
3 Mettre en oeuvre la démarche Box-Jenkins.

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 3 / 14

 Généralités

Introduction

Les modèles univariés ont été développés pour modéliser les séries
chronologiques.
Les modèles univariés ont pour principe d’expliquer les séries par leurs
propres valeurs passées.
Les modèles univariés classiques sont :
* les modèles autorégressifs (AutoRegressive models : AR) ;
* les modèles moyennes mobiles (Mean average models : MA) ;
* les modèles autorégressifs moyennes mobiles (AutoRegressive Mean
Average models : ARMA) ;
* les modèles autorégressifs moyennes mobiles intégrés (AutoRegressive
Mean Integrated Average models : ARIMA) ;
La stationnarité de la série joue un rôle primordial dans le choix du
modèle.
Dans la suite, la définition et les caractérisation de ces modèles sont
présentés.
SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 4 / 14
 Modèles linéaires univariés

Modèle auto - régressif (AR)

Soit un processus aléatoire stationnaire {X1 , X2 , . . . , Xt , . . .} et p un entier
non nul.
Le processus est dit auto-régressif d’ordre p s’il vérifie : ∀t ≥ 0,
p
X
Xt = aj Xt−j + εt
j=1

où le processus (εt ) est un bruit blanc et ∀t εt est indépendante de

Xt−1 , Xt−2 , . . ..
Ainsi, le processus est un AR(p).
Interprétation : Xt s’explique par les p observations précédentes
(Xt−1 , . . . , Xt−p ).
Propriétés des processus AR(p) :
* Auto-corrélation : ρ(h) −→ 0, quand h → +∞ ;
* Auto-corrélation partielle : r (h) = 0, pour h > p.
SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 5 / 14
 Modèles linéaires univariés

Modèle moyenne mobile (MA)

Soit un processus aléatoire stationnaire {X1 , X2 , . . . , Xt , . . .} et q un entier

non nul.
Le processus est dit moyenne mobile d’ordre q s’il vérifie : ∀t ≥ 0,
q
X
Xt = bj εt−j + εt
j=1

où le processus (εt ) est un bruit blanc.

Ainsi, le processus est un MA(q).
Interprétation : Xt s’explique par les q erreurs passées.
Propriétés des processus MA(q) :
* Auto-corrélation : ρ(h) = 0, pour h > q ;
* Auto-corrélation partielle : r (h) −→ 0, quand h → +∞.

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 6 / 14

 Modèles linéaires univariés

Modèle auto-régressif en moyenne mobile (ARMA)

Soit un processus aléatoire stationnaire {X1 , X2 , . . . , Xt , . . .} et p, q deux

entiers non nuls.
Le processus est dit auto-régressif en moyenne mobile d’ordre (p, q)
s’il vérifie : ∀t ≥ 0,
p
X q
X
Xt = aj Xt−j + bj εt−j + εt
j=1 j=1

où le processus (εt ) est un bruit blanc et ∀t εt est indépendante de

Xt−1 , Xt−2 , . . ..
Ainsi, le processus est un ARMA(p, q).
Propriétés des processus ARMA(p, q) :
* Auto-corrélation : ρ(h) −→ 0, quand h → +∞ ;
* Auto-corrélation partielle : r (h) −→ 0, quand h → +∞.

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 7 / 14

 Modèles linéaires univariés

Modèle auto-régressif intégré en moyenne mobile (ARIMA)

Soit un processus aléatoire non stationnaire {X1 , X2 , . . . , Xt , . . .} et p, d, q

trois entiers non nuls.
L’opérateur de différenciation ∆ se définit de la manère suivante : ∀t,
* ∆Xt = Xt − Xt−1 : Différence première ;
* ∆2 Xt = ∆Xt − ∆Xt−1 : Différence seconde ;
* ∆k Xt = ∆k−1 Xt − ∆k−1 Xt−1 : Différence d’ordre k (≥ 3).
Le processus est dit auto-régressif intégré en moyenne mobile d’ordre
(p, d, q) si le processus (∆d Xt ) est un ARMA(p, q).
Ainsi, le processus est un ARIMA(p, d, q).

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 8 / 14

 Démarche de Box - Jenkins

Démarche de Box - Jenkins

But : Modéliser et prédire une série chronologique à partir d’un modèle

ARMA / ARIMA.
1 Estimation du modèle :

1 Identification
2 Estimation
3 Validation
2 Prévision à partir du modèle du modèle

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 9 / 14

 Démarche de Box - Jenkins

Identification
Choix de l’ordre d’intégration

Déterminer l’ordre de différenciation d. Les étapes sont :

1 Tester la stationnarité du processus X :
t
* si Xt est stationnaire alors d = 0, sinon passer à l’étape suivante ;
2 Tester la stationnarité du processus ∆Xt :
* si ∆Xt est stationnaire alors d = 1, sinon passer à l’étape suivante ;
3 Tester la stationnarité du processus ∆2 Xt :
* si ∆2 Xt est stationnaire alors d = 2, sinon passer à l’étape suivante ;
4 Ainsi de suite . . .
Remarque
* Il est très rare d’avoir un ordre d ≥ 3 ;

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 10 / 14

 Démarche de Box - Jenkins

Identification
Choix des ordres de AR et MA

Rappel
* Processus AR(p) : r (h) = 0, pour h > p ;
* Processus MA(q) : ρ(h) = 0, pour h > q ;
1 Choix de p ∗ : Retard à partir duquel les valeurs du corrélogramme
partiel sont faibles ;
2 Choix de q ∗ : Retard à partir duquel les valeurs du corrélogramme
sont faibles ;
Dans la pratique
* On choisit des ordres maximaux pmax et qmax ;
* Pour la suite, on considère tous les modèles ARMA(p, q) ou
ARIMA(p, d, q) pour tout p ≤ pmax et q ≤ qmax .

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 11 / 14

 Démarche de Box - Jenkins

Estimation des paramètres des modèles

1 Estimer les coefficients des modèles retenus ;

2 Choix les modèles optimaux sur la base de leurs pouvoirs explicatif :
* le critère d’information d’Akaike (Akaike information criterion - AIC )
* le critère d’information bayésien (bayesian information criterion - BIC )
3 Les meilleurs modèles sont ceux qui présentent des critères
minimaux.

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 12 / 14

 Démarche de Box - Jenkins

Validation

Significativité des paramètres

RappelP: Le processusP
ARMA(p, q) s’écrit :
Xt = pj=1 aj Xt−j + qj=1 bj εt−j + εt
Il s’agit de tester la significativité des paramètres aj et bj ;
Le modèle est bon si les coefficients ap et bq sont significatifs.

Validation de l’hypothèse de bruit blanc des résidus

Le modèle est bon si les tests de bruit blanc indiquent que le processus des
résidus est un bruit blanc.

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 13 / 14

 MERCI DE VOTRE AIMABLE
ATTENTION

SERIES TEMPORELLES I, IUA MODELES ARMA / ARIMA 7 novembre 2023 14 / 14