FASEG

Université Cheikh Anta Diop de Dakar (UCAD)

L3 Analyse

Année 2021-2022.
TD1 Séries Temporelles.
Chers collègues ceci est une proposition non exhaustive du corrigé du
TD prière de vérifier les calculs

Processus AR(P)
Processus AR(1)
Soit le processus AR(1) défini par
yt = δ + 0.9yt−1 + εt (1)
1. Calculer E(Y ), V(Y ). Discuter
δ
E(yt ) = E(δ + 0.9yt−1 + εt ) = E(δ) + 0.9E(yt−1 ) + E(εt ) = = 10δ
1 − 0.9
2 σε2
V(yt ) = V(δ + 0.9yt−1 + εt ) = V(δ) + 0.9 V(yt−1 ) + V(εt ) = 2
= 5.263σε2
1 − 0.9
2. Calculer γ(k), k=, 1,. . . , 3.

γ(1) = E[(yt −10δ)(yt−1 −10δ)] = E[(0.9yt −10δ)(yt−1 −10δ)] = 0.9E[(0.9yt −10δ)2 ]

γ(1) = 0.9γ(0)
γ(2) = E[(yt −10δ)(yt−2 −10δ)] = E[(0.9yt −10δ)(yt−2 −10δ)] = 0.9γ(1) = 0.92 γ(0)
γ(3) = E[(yt −10δ)(yt−3 −10δ)] = E[(0.9yt −10δ)(yt−3 −10δ)] = 0.9γ(2) = 0.93 γ(0)
γ(4) = E[(yt −10δ)(yt−4 −10δ)] = E[(0.9yt −10δ)(yt−4 −10δ)] = 0.9γ(3) = 0.94 γ(0)
γ(5) = E[(yt −10δ)(yt−5 −10δ)] = E[(0.9yt −10δ)(yt−5 −10δ)] = 0.9γ(4) = 0.95 γ(0)
3. Montrer que les coefficients d’autocorrélation ne dépendent pas de δ.
0.9γ(0)
ρ(1) = = 0.9
γ(0)
0.9γ(1)
ρ(2) = = 0.92
γ(0)
0.9γ(2)
ρ(3) = = 0.93
γ(0)
0.9γ(2)
ρ(4) = = 0.94
γ(0)
0.9γ(2)
ρ(5) = = 0.95
γ(0)
Les coefficients d’autocorrélation dépendent uniquement de de φ1 donc ils ne
dépendent pas de δ
 UCAD 2

4. Donner une décomposition de Wold du processus [1]. En déduire la valeur d’ancrage

ou l’équilibre de long terme.
Réponse
Tout processus stationnaire peut s’écrire sous la forme suivante:
yt = dt + Ut
où dt et Ut sont respectivement les parties déterministe et stochastique.
Solution homogène:
ytH = φ1 yit−1
Supposons que y0 existe:
t = 1 → ytH1 = φ1 y0
t = 2 → ytH2 = φ1 y1 = φ21 y0
.. ..
.=.
en t → ytHt = φ1 yt−1 = φt1 y0
δ εt
ytp = +
1 − φ1 L 1 − φ1 L
∞
X
ytp = δ(1 + φ1 + φ21 + φ31 . . .) + φj1 Lj εt
j=0
∞ ∞
1 − limt→∞ (φt1 ) X δ X j
ytp = δ + φj1 εt−j = + φ εt−j
1 − φ1 j=0
1 − φ1 j=0 1
avec φ1 = 0.9.
La solution générale est égale à la solution homogène plus la solution particulière:
∞
δ X
yt = φt1 y0 + + ψj εt−j
1 − φ1 j=0
P∞
car |φ1 | < 1 et avec ψ0 = 1 et j= |ψj | < ∞ Valeur d’ancrage
δ
E(yt ) = yt = φt1 y0 +
1 − φ1
On calcule la valeur d’ancrage comme suit:
δ δ
lim E(yt ) = lim (φt1 y0 + )=
t→∞ t→∞ 1 − φ1 1 − φ1
puisque
lim (φt1 y0 ) = 0 du fait que |φ1 | < 1
t→∞
5. On suppose que δ = 0:
yt = 0.9yt−1 + εt (2)
– (a) Monter que le processus [2] est stationnaire.
yt (1 − 0.9L) = εt
Φ(L) = 1 − 0.9L ⇒ Φ(z) = 1 − 0.9z
10
Φ(z) = 1 − 0.9z = 0 ⇔ z = >1
0.9
z supérieur à 1 en module le processus [2] est stationnaire
 UCAD 3

– (b) Ecriver le processus [2] sous la forme d’un processus M A(∞). Commenter
∞
εt X
yt (1 − φ1 L) = εt ⇒ yt = = ψj εt−j : M A(∞) (3)
1 − φ1 L j=0

avec ψ0 = 1 et ∞ j j
P
j= |ψj | < ∞ ψj = φ1 = 0.9
6. Supposons un scénario du taux de croissance du PIB du Sénégal est caractérisé
par les chocs suivants

Table 1. Tableau des valeurs des chocs

ε−1 ε0 ε1 ε2 ε3
0 0 1 0 0

du processus [2]. On suppose que y−1 et y0 sont nulles. Calculer y1 , y2 , y3 . Com-

menter
Réponse

y1 = 0.9y0 + ε1 = 1
y2 = 0.9y1 + ε2 = 0.9
y3 = 0.9y2 + ε3 = 0.92

Pour t > 2 yt = 0.9t−1

Commentaires
(a) Le choc a pour effet de faire évoluer le taux de croissance du PIB qui était
nul en t=0 à 1 en t= 1
(b) L’effet du choc s’estompe ensuite à un rythme géométrique et pour s’annuler
à l’infini.
(c) Le processus est à courte mémoire.

Processus AR(2)
Exercice 1
Soit le porocessus AR(2) suivant: .

yt = yt−1 − 0.21yt−2 + εt (4)

1. Ce modèle est-il stationnaire?

yt (1 − L + 0.21L2 ) = εt (5)

Φ(L) = 1 − L + 0.21L2 ; Φ(z) = 1 − z + 0.21z 2 = 0

Les racines du polynôme caractéristique du second degré sont:

z1 = 1.43 et z1 = 3.33, toutes de module > 1

le processus AR(2) est stationnaire

 UCAD 4

2. Calculer les coefficients ψj , j = 0, . . . , 5 du modèle M A(∞) correspondant en

utilisant le procédé des fractions rationnelles Φ(L)Ψ (L) = 1.
∞
εt X
yt (1 − L + 0.21L2 ) = εt ⇒ yt = = ψj Lj εt
1 − L + 0.21L2 j=0

⇒ 1 = (1 − L + 0.21L2 )ψj Lj = (1 − L + 0.21L2 )(ψ0 + ψ1 L + ψ2 l2 + ψ3L 3 + . . .)

On développe et regroupe les facteurs communs de même puissance en L. En
tenant compte que les deux polynômes sont équivalents on obtient le système
suivant:


 Pour L0 : ψ0 = 1

Pour L1 : ψ1 − φ1 = 0 ⇒ ψ1 = φ1




Pour L2 : ψ − φ ψ − φ = 0 ⇒ ψ = φ ψ + φ

2 1 1 2 2 1 1 2
3


 Pour L : ψ3 − φ1 ψ2 − φ2 ψ1 = 0 ⇒ ψ3 = φ1 ψ2 + φ2 ψ1
Pour L4 : ψ4 − φ1 ψ3 − φ2 ψ2 = 0 ⇒ ψ4 = φ1 ψ3 + φ2 ψ2





Pour L5 : ψ5 − φ1 ψ4 − φ2 ψ4 ⇒ ψ5 = φ1 ψ4 + φ2 ψ3


Ici φ1 = 1 et φ2 = −0.21


 ψ0 = 1

ψ1 − φ1 = 0 ⇒ ψ1 = φ1 = 1





ψ = φ ψ + φ φ =
2 1 1 2 2 1 × 1 − 0.21 = 0.79


 ψ3 = φ1 ψ2 + φ2 ψ1 = 1 × 0.79 − 0.21 = 0.58



 ψ4 = φ1 ψ3 + φ2 ψ2 = 0.41

ψ5 = φ1 ψ4 + φ2 ψ3 = 0.29


3. Pour j > 1 trouver une suite recurrente d’odre 2 de ψj en fonction de φ1 et φ2

En tenant compte de la généralisation de la question 2 on obtient:

ψj = φ1 ψj−1 + φ2 ψj−2

Exercice 2
1. On dispose de la séquence suivante des coefficients d’auto-corrélation

ρ(1) = 0.80; ρ(2) = 0.82; ρ(3) = 0.74; ρ(4) = 0.71; ρ(5) = 0.66; , φ1 = 0.6

De quel processus peuvent provenir ces coefficients. Considérer uniquement des

valeurs petites de p (1, 2, 3).
– (a) Supposons que nous avons un processus AR(1) φ1 = 0.6

ρ(j) = φ1 ρ(j − 1) pour j ≥ 1

ρ(1) = φ1 ρ(0) = 0.8

ρ(2) = φ1 ρ(1) = 0.8 ∗ 0.8 = 0.64 6= 0.82


Donc ce processus ne peut être un processus AR(1)

 UCAD 5

– (b) Supposons que nous avons un processus AR(2):

( (
ρ(1) = φ1 + ρ(1)φ2 0.8 = φ1 + 0.8φ2
=
ρ(1) = φ1 ρ(1) + φ2 0.82 = 0.8φ1 + φ2
La solution du système:
φ1 = 0.4; φ2 = 0.5


 ρ(j) = φ1 ρ(j − 1) + φ2 ρ(j − 2)

ρ(3) = 0.4ρ(2) + 0.5ρ(1) = 0.728


 ρ(4) = 0.4ρ(3) + 0.5ρ(2) = 0.7012

ρ(5) = 0.4ρ(4) + 0.5ρ(3) = 0.6448
Ces coefficients coincident à de petites erreurs près aux coefficients initiaux.
Conclusion on peut dire que ce processus peut provenir d’un processus AR(2).
2. Dans un modèle AR(2) dont on sait que φ1 = 0.8 et ρ(2) = 0.6. Peut-on calculer
φ2 ? Utiliser les équations Yule-Walker d’un processus (AR(2))
(
φ1
ρ(1) = φ1 + ρ1 φ2 (1) ⇒ ρ∗ (1) = 1−φ 2

ρ(2) = φ1 ρ(1) + φ2 (2)

En remplaçant ρ∗ (1) par son expression dans (2) et après quelques manipulations
algébriques on obtient;

(2) ⇒ φ22 − φ2 (1 + ρ(2) + ρ(2) − φ21 = 0

Les solutions de l’équation du second degré sont:

⇒ φ∗2 = 1.62; φ∗∗

2 = −0.02

⇒ ρ∗ (1) = −1.23; ρ∗∗

2 = 0.78

La valeur de ρ∗ (1) est absurde. La valeur retenue de φ2 est donc -0.02 avec
ρ∗∗
2 = 0.78 .

Processus MA(q)
Processus MA(1)
Soit le processus MA(1) suivant:

yt = εt − θ1 εt−1 (6)

1. Donner la condition d’inversibilité de du processus.

yt = εt − θ1 εt−1 = (1 − θ1 L)εt
1
Θ(L) = 1 − θ1 L Θ(z) = 1 − θ1 z = 0 ⇒ z =
θ1
MA(1) est inversible si:
|z| > 1 ⇒ |θ1 | < 1
 UCAD 6

2. Calculer les coefficients d’auto-covariance:

γ(0); γ(1); γ(2);

 2 2 2 2
γ(0) = E(yt ) = V(εt − θ1 εt−1 ) = V(εt ) + θ1 V(εt−1 ) + 2 ∗ θ1 cov(εt , εt−1 ) = (1 + θ1 )σε

γ(1) = E(y y ) = E((ε − θ ε )y ) = E(ε y ) − θ E(ε y ) ⇒ γ(1) = −θ σ 2

t t−1 t 1 t−1 t−1 t t−1 1 t−1 t−1 1 ε


 γ(2) = E(yt yt−2 ) = 0

γ(2) = γ(3) = 0
3. Calculer les coefficients d’auto-corrélation

ρ(0); ρ((1); ρ(2);

( γ(1) −θ1
ρ(1) = γ(0)
= 1+θ12
γ(2)
ρ(2) = γ(0)
= 0 = ρ(3)
4. calculer les coefficients d’auto corrélation partielle du processus en utilisant l’algorithme
de Durbin Levinson
ψ(1, 1); ψ(2, 2); ψ(3, 3).
ALGORITHME DE DURBIN LEVINSON
 −θ1
 ψ11 = ρ(1) = 1+θ 2
1

ψ = ρ(2)−ψ11 ρ(1) = −ρ(1)2 =


22 1−ψ11 ρ(1) 1−ρ(1)2
ρ(1) 3 ρ3 (1)


 ψ33 = (1−ρ(1)2 )(1−ψ ρ(1)) = 1−2ρ2 (1)
21
 ρ(1)2
ψ21 = ψ11 − ψ11 ψ22 = 1−ρ(1)

2

Si pour ψ22 on remplace ρ(1) par son expression il vient:

−θ12
ψ22 =
1 + θ12 + θ14

or 1 + θ12 + θ14 est une suite géométrique de premier terme =1 et de raison θ12 , en
utilisant la sommation:
1 − θ16 −θ12 (1 − θ12 )
1+ θ12 + θ14 = ⇒ ψ22 =
1 − θ12 1 − θ16
Avec le même raisonnement pour ψ33 on aboutit:

−θ13 (1 − θ12 ) −θ13 (1 − θ12 )

ψ33 = =
1 − θ18 1 − θ1
2(3+1)

5. Donner une généralisation de ψ(k, k) pour k ≥ 2. Discuter du signe de ψ(k, k)

en fonction de celui θ1
De (4) on en déduit une généralisation de des coefficients d’autocorréllation par-
tielle
−θ1k (1 − θ12 )
ψ(k, k) = 2(k+1)
1 − θ1
Discussion
– (a) Si θ1 < 0, les ψ(k, k) alternent de signe. On obtient une enveloppe expo-
nentielle.
– (b) sinon ils sont tous positifs et décroissent de manière exponentielle.
 UCAD 7

Processus MA(2)
Soit le processus MA(2) suivant:

yt = εt + 0.6εt−1 − 0.3εt−2 σε2 = 2 (7)

1. Ce modèle est-il stationnaire et inversible?

yt = εt + 0.6εt−1 − 0.3εt−2 = (1 + 0.6L − 0.3z 2 )εt

Θ(z) = 0 ⇔ 1 + 0.6z − 0.3Lz = 0)

La résolution de cette équation donne:

∆ = 1.56; z1 = 1.051 > 1; z2 = −3.07 → |z2 | = | − 3.07| > 1

Remarque 01 Dans le cas général pour un processus MA(2) les conditions

nécessaires et suffisantes d’inversibilité en fonction de θ1 et θ2 sont:

|θ2 | < 1; θ1 + θ2 < 1; θ2 − θ1 < 1

2. Calculer γ(0); γ(1), . . . γ(5)

La fonction d’auto-covariance est définie par:

γ(k) = E[εt εt−k ] − θ1 E[εt εt−k−1 ] − θ2 E[εt εt−k−2 ] − θ1 E[εt−1 εt−k ] + θ12 E[εt−1 εt−k−1 ]
+ θ1 θ2 E[εt−1 εt−k−2 ] − θ2 E[εt−2 εt−k ] + θ1 θ2 E[εt−2 εt−k ] + θ22 E[εt−2 εt−k−2 ]

γ(0) = V(ε2t ) + θ12 V(ε2t−1 ) + θ22 V(ε2t−2 ) = (1 + θ12 + θ22 )σε2

Pour k=1 et k=2 on obtient:

γ(1) = θ1 E[ε2t−1 + θ1 θ2 E[ε2t−2 ] = θ1 (θ2 − 1)σε2

γ(2) = −θ2 E[ε2t−2 ] = −θ2 σε2

et pour k ≥ 3 , γ(k) = 0
3. Calculer les coefficients d’auto-corrélation ρ(1), . . . , ρ(5);

γ1 θ1 (θ2 − 1)
ρ(1) = =
γ0 1 + θ12 + θ22

γ2 −θ2
ρ(2) = =
γ0 1 + θ12 + θ22
et pour k ≥ 3 , ρ(k) = 0

Remarque 02 Une généralisation de la fonction d’autocovariance est donnée

par: (
(−θj + θ1 θj+1 + . . . + θq−j θq ) σ 2 si j = 1, . . . , q
γ(j) =
0 si j > q

4. Calculer les coefficients correspondants au processus AR(∞) du processus [8].

Coefficients AR(∞)
∞
X
yt = Θ(L)εt ⇒ εt = Θ−1 (L)yt = ψj Lj yt
j=0
 UCAD 8

⇒ 1 = (1 + 0.6L − 0.3L2 )(ψ0 L0 + ψ1 L1 + ψ2 L2 + ψ3 L3 + . . .)

En développant en regroupant les termes selon les puissances de L on trouve:


 Pour L0 : ψ0 = 1

Pour L1 : ψ1 − θ1 = 0 ⇒ ψ1 = θ1



Pour L2 : ψ − θ ψ − θ = 0 ⇒ ψ = θ ψ + θ

2 1 1 2 2 1 1 2
3


 Pour L : ψ3 − θ1 ψ2 − θ2 ψ1 = 0 ⇒ ψ3 = θ1 ψ2 + θ2 ψ1
Pour L4 : ψ4 − θ1 ψ3 − θ2 ψ2 = 0 ⇒ ψ4 = θ1 ψ3 + θ2 ψ2





Pour L5 : ψ5 − θ1 ψ4 − θ2 ψ4 ⇒ ψ5 = θ1 ψ4 + θ2 ψ3


Ici θ1 = −0.6 et θ2 = 0.3



 Pour L0 : ψ0 =1

Pour L1 : ψ1 = −0.6




Pour L2

: ψ2 = −06 ∗ −0.6 + 0.3 = 0.66


 Pour L3 : ψ3 = −0.576
Pour L4



 : ψ4 = 0.5436

Pour L5 : ψ5 = −0.4989


Processus ARMA(p,q)
Processus ARMA(1,1)
Soit le processus ARMA(1,1) suivant:

yt − 0.8yt−1 = εt + 0.7εt−1 σε2 = 2 (8)

1. Ce modèle est-il stationnaire et inversible?

– Stationnarité
Φ(L) = 1 − 0.8L ⇒ Φ(z) = 1 − 0.8z
Φ(z) = 1 − 0.8z = 0 ⇔ z = 1.25 > 1 Stationnarité vérifiée
– Calculer γ(0); γ(1), . . . γ(5)
– Inversibilité
Θ(L) = 1 + 0.7L ⇒ Φ(z) = 1 + 0.7z
Φ(z) = 1 + 07z = 0 ⇔ z = 1.42 > 1 Inversibilité vérifiée
2. Calculer les coefficient d’auto-corrélation ρ((1), . . . , ρ(5);
– Coefficients d’auto corrélation

1−2∗θ1 φ1 +θ12 2


 γ0 = V(y t ) = V(φ1 y t−1 + ε t − θ1 ε t−1 ) = 1−θ11
σε

2
γ1 = E(yt yt−1 ) = φ1 γ0 − θ1 σε



 γ2 = E(yt yt−2 ) = φ1 E(yE (yt yt−2 )yt−2 ) = φ1 γ1

 Pour j > 1; γ = φ γ
j 1 j−1

Ici φ1 = 0.8, θ1 = −0.7

 UCAD 9

– Coefficient d’autocorélation
γj
ρ(j) =
γ0

ρ1


= 0.0618
ρ2 = 0.04946



ρ3 = 0.03957

ρ4 = 0.03165





ρ
5 = 0.0255
3. Calculer les coefficients ψ((1), . . . , ψ(5); du modèle M A(∞)
∞
Θ(L) X
Φ(L)yt = Θ(L)εt ⇒ yt = εt = ψj Lj εt
Φ(L j=0

En simplifiant le εt des deux membres de l’égalité on trouve:

∞ ∞
Θ(L) X j
X
= ψj L ⇒ Θ(L) = Φ(L) ψj Lj
Φ(L) j=0 j=0


 1 − θ1 L = (1 − φ1 L)(ψ0 + ψ1 L + ψ2 L2 + ψ3 L3 + . . .)

ψ0 = 1



ψ1 = φ1 − θ1

ψ2 = φ1 ψ1





Pour j > 1 ψ(j) = φ ψ(j − 1)
1

Ici φ1 = 0.8 et θ1 = −0.7



 ψ0 =1

ψ1 = φ1 − θ1 = 0.8 + 0.7 = 1.5





ψ
2 = φ1 ψ1 = 0.8 ∗ 1.5 = 1.2


 ψ3 = 0.8 ∗ 1.2 = 0.96
= 0.8 ∗ 0.96 = 0.77



 ψ4

ψ5 = 0.8 ∗ 0.77 = 0.61


4. Calculer les coefficients β((1), . . . , β(5); du modèle AR(∞) correspondants

∞
Φ(L) X
Φ(L)yt = Θ(L)εt ⇒ εt = yt = βj Lj yt
Θ(L) j=0

En simplifiant le εt des deux membres de l’égalité on trouve:

∞ ∞
Φ(L) X j
X
= βj L ⇒ Φ(L) = Θ(L) ψj Lj
Θ(L) j=0 j=0


 1 − φ1 L = (1 − θ1 L)(β0 + β1 L + β2 L2 + β3 L3 + . . .)

β0 = 1



β1 = θ1 − φ1

β2 = θ1 β1





Pour j > 1 β(j) = θ β(j − 1)
1
 UCAD 10

Ici φ1 = 0.8 et θ1 = −0.7



 β0 = 1

β1 = θ1 − φ1 = −0.8 − 0.7 = −1, 5





β = θ β = −0.7 ∗ −1.5 = 1.05
2 1 1


 β3 = −0.7 ∗ 1.05 = −.74
β4 = −0.7 ∗ −.74 = 0.52





β5 = −0.7 ∗ 0.52 = −0.36


5. On utilise le modèle M A(∞) .

– Donner une prévision de yt aux horizons h = 1, 2, 3.
En T nous avons

yT = εT + ψ1 εT −1 + ψ2 εT −2 + ψ3 εT −3 + . . .

Prévision : h=1,2,3



yT +1 = εT +1 + ψ1 εT + ψ2 εT −1 + +ψ3 εT −1 + . . .
ŷT +1 = E[yT +1 |IT ] = E[εT +1 + ψ1 εT + ψ2 εT −1 + +ψ3 εT −1 + . . . |IT ]





⇒ ŷT +1 = ψ1 εT + ψ2 εT −1 + ψ3 εT −1 + . . .



ŷT +2 = E[yT +2 |IT ] = E[εT +2 + ψ1 εT −1 + ψ2 εT + ψ3 εT −2 + ψ4 εT −2 . . . |IT ]

⇒ ŷT +2 = ψ2 εT + ψ3 εT −1 + ψ4 εT −2 + . . .








ŷT +3 = E[yT +2 |IT ] = E[εT +3 + ψ1 εT +2 + ψ2 εT +1 + ψ3 εT + ψ4 εT −1 . . . |IT ]

⇒ ŷ
T +3 = ψ3 εT + + + ψ4 εT −1 . . .

– Donner une généralisation de ŷT +h

X ∞
X
ŷT +h = ψh+i εT +h−i = ψh εT +h−j
i≥0 j=h

– Donner une généralisation de l’erruer de prévision êT +h

Erreur de prévision


 êT +1 = yT +1 − yTˆ+1 = eT +1

T +2 = yT +2 − yTˆ+2 = eT +2 + ψ1 eT +1
ê


 êT +3 = yT +3 − yTˆ+3 = eT +3 ψ1 eT +2 + ψ2 eT +1
Généralisation : êT +1 = eT +h + h−1
 P
i=1 eT +h−i