Académique Documents
Professionnel Documents
Culture Documents
yt = Ct + St + t
Où : représente la tendance, St : représente la saisonnalité et t : représente un
terme aléatoire.
yt = Ct x St x t
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
On ajuste le nuage de points (t ; Yt) par une droite passant par deux points calculés :
- On découpe la série en 2 sous ensembles de même effectif.
- Pour chacun des 2 sous ensembles, on calcule la moyenne des t et la moyenne des
Yt.
On obtient ainsi 2 points appelés points moyens. Il reste à tracer la droite passant par
ces 2 points.
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
Remarque :
On peut calculer les points médians au lieu des points moyens. Cela permet de
limiter l’influence les valeurs aberrantes.
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
2- Ajustement par une droite : Méthode des moindres carrés
a) Tendance linéaire
Remarque :
La droite des moindres carrés ajuste au mieux au
sens des moindres carrés (c’est celle qui passe le
plus près de l’ensemble des points), mais elle ne
modélise pas toujours bien la tendance, (cas pour
une série possédant une valeur « aberrante »).
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
2- Ajustement par une droite : Méthode des moindres carrés
b) Tendance polynômiale
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
2- Ajustement par une droite : Méthode des moindres carrés
c) Autre tendance : changement de variable
Pour certaines autres tendances, on peut se ramener à une tendance linéaire ou polynomiale à
l’aide d’un changement de variable.
Exemples :
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
3- Ajustement par lissage par moyennes mobiles
Remarque : dans le cas d’un estimation de Ct par moyennes mobiles, il y a p/2 données
manquantes au début et p/2 données manquantes à la fin.
IV Estimation de la tendance et de la saisonnalité
A- Estimation de la tendance
3- Ajustement par lissage par moyennes mobiles
• Fin séance
IV Estimation de la tendance et de la saisonnalité
B- Estimation de la saisonnalité
Wt = t - E[t ].
IV Estimation de la tendance et de la saisonnalité
B- Estimation de la saisonnalité
Principe de la désaisonnalisation :
• Lorsqu'il est impossible de repérer des effets saisonniers et/ou de calendrier dans
une série chronologique, cette série est réputée désaisonnalisée de facto.
Lj Xt=Xt-j
V Processus linéaires stationnaires type ARMA
Remarques :
- On utilisera l’abréviation anglaise (ACF) pour la fonction d’auto-corrélation
- On utulise l’abréviation anglaise (PACF) pour la fonction d’auto-corrélation partielle
- On appelle leurs graphiques corrélogramme et corrélogramme partiel respectivement.
V Processus linéaires stationnaires type ARMA
Référence : Box&Jenkins
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
La classe des modèles ARMA peut être décomposée en deux sous classes : la
classe des modèles Autorégressives AR et la classe des modèles moyenne
mobile MA.
3.1 Processus MA
défini par:
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA
Ce processus est toujours (pour toutes valeurs de µ) stationnaire, mais il n’est
inversible que lorsque -1<<1 (Box & jenkins 2008). L’espérance du processus Xt
est donnée par :
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA
3. Processus ARMA
3.1 Processus MA
La fonction d’auto-corrélation (ACF) peut être représentée graphiquement en
fonction du k. Le graphique donne la ACF théorique pour = 0.8 et = - 0.35 .
ACF de MA(1)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA
Le comportement de (1) du processus MA(1) en fonction de :
On note que :
• La valeur la plus large du (1) est 0.5 ; celle-ci est obtenue lorsque = 1.
• La valeur la plus faible du (1) =- 0.5 est obtenue pour =-1.
• Pour toute valeur du (1) entre -0.5 et 0.5, on a deux valeurs possibles de qui peuvent
produire cette auto-corrélation.
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA
Ceci se justifie par le fait que la valeur de /( 2+1) reste inchangée si est remplacée
par 1/, en effet :
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA
La fonction d’auto-corrélation partielle : En utilisant la relation précédente :
avec (1)= /( 2+1) et (k)=0 k > 0, on peut montrer que les auto-corrélations
partielles peuvent être obtenues à partir de cette relation :
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA : Exemple
La détermination de ces coefficients se fait soit en utilisant lune des deux relations précédentes.
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA : Exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.1 Processus MA : Exemple
3. Processus ARMA
3.1 Processus MA : Exemple
3. Processus ARMA
3.2 Processus MA d’ordre 2
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2 :MA(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2 :MA(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
3. Processus ARMA
3.3 Processus MA d’ordre q
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.3 Processus MA d’ordre q
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR (1)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(1)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(1)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(1)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(1)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(1)
3. Processus ARMA
3.4 Processus AR
3. Processus ARMA
3.4 Processus AR(1): Etude d’un exemple
3. Processus ARMA
3.4 Processus AR(1): Etude d’un exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(1): Etude d’un exemple
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2)
Caractéristiques du processus AR(2):
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2)
3. Processus ARMA
3.4 Processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2) :Exemple Etude d’un processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2) :Exemple Etude d’un processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2) :Exemple Etude d’un processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2) :Exemple Etude d’un processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(2) :Exemple Etude d’un processus AR(2)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(p)
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(p) : Propriétés
V Processus linéaires stationnaires type ARMA
3. Processus ARMA
3.4 Processus AR(p) : Propriétés