Académique Documents
Professionnel Documents
Culture Documents
MODELISATION STOCHASTIQUE :
ARMA / ARIMA
Université Internationale Privée d’Abidjan (UIPA)
Master Economie, Première année
Année académique 2022 − 2023
Boris BAFFO
Enseignant - Chercheur, ENSEA
boris.baffo@ensea.ed.ci
+ 225 07 09 08 00 60
Bureau 263
8 février 2023
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 1 / 47
Plan de l’exposé
1 Objectif et Contenu
2 Généralités
3 Stationnarité
Objectif et Contenu
Objectif
Familiariser les étudiant.e.s aux méthodes d’analyse univariée des
processus aléatoires à partir des modèles linéaires ;
Points
1 Généralités ;
{X1 , X2 , . . . , Xt , . . .}
Fonctions fondamentales
Fonction d’espérance
Fonction de variance
Fonction d’auto-covariance
Fonction d’espérance
m(t) = E(Xt )
Xt = at + b + εt
Fonction de variance
Soit (Xt )t∈Z un processus aléatoire.
La fonction de variance σ(.)2 est la fonction qui a tout élément t ∈ Z,
la variance de Xt , ie : ∀t ∈ Z
Xt = εt−1 + εt
où (εt )t∈Z est un processus tel que E(εt ) = 0, Var (εt ) = σ 2 , et
E(εt εt−h ) = 0, ∀t, h ∈ Z.
B Déterminer la fonction de variance du processus (Xt ).
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 6 / 47
Généralités
Fonction d’auto-covariance
Soit (Xt )t∈Z un processus aléatoire.
La fonction d’auto-covariance est la fonction qui a tout élément
(t, h) ∈ Z2 , la covariance entre Xt et Xt−h , ie : ∀(t, h) ∈ Z2
" #
Cov (t, h) = E Xt − m(t) Xt−h − m(t − h)
Figure – Série 2
Figure – Série 1
B Série centrée en 0.
B Décroissance dans la série.
B Variance plus ou moins
B Variance non constante.
constante.
B La série n’est pas stationnaire.
B La série est à priori stationnaire.
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 9 / 47
Stationnarité
Décomposition de Wold
Opérateur retard
Soit processus aléatoire (Xt )t∈Z .
L’ opérateur retard, noté L, est défini par la relation :
L Xt = Xt−1
Propriétés :
1 Lj Xt = Xt−j , ∀j ∈ Z. En particulier, on a L0 Xt = Xt .
2 Si Xt = c ∈ R, ∀j ∈ Z, Lj Xt = Lj c = c.
3 Li (Lj Xt ) = Li+j Xt = Xt−i−j , ∀(i, j) ∈ Z2 .
4 (Li + Lj )Xt = Lij Xt + Lj Xt = Xt−i + Xt−j , ∀(i, j) ∈ Z2 .
5 Si |a| < 1, alors 1 − aL est inversible et on a
X j X +∞
−1 Xt i i j j
(1 − aL) Xt = = lim a L Xt = a L Xt
1 − aL j→+∞
i=0 j=0
j +∞
Xt X X
(1 − aL)−1 Xt = = lim ai Xt−i = aj Xt−j
1 − aL j→+∞
i=0 j=0
Opérateur retard
Opérateur retard
Opérateur retard
Utilisation de la propriété (5)
Soit (Xt )t∈Z un processus aléatoire définie par
Xt = 56 Xt−1 − 16 Xt−2 + εt , où (εt )t∈Z est un bruit blanc.
(Xt ) est-il stationnaire ?
B Xt − 56 Xt−1 + 61 Xt−2 = εt ; 1 − 56 L + 16 L2 Xt = εt .
B 1 − 13 L 1 − 12 L Xt = εt
+∞ j
X 1
B Puisque 12 < 1, alors 1 − 13 L Xt = εt−j .
2
j=0
+∞ X
+∞ k j
1
X 1 1
B Puisque 3 < 1, alors Xt = εt−j−k .
3 2
k=0 j=0
B Le processus (Xt ) admet une décomposition de Wold. Car
+∞ X+∞ k j 2 X+∞ k X +∞ j
X 1 1 1 1 94 3
= = = .
3 2 9 4 83 2
k=0 j=0 k=0 j=0
B Le processus (Xt ) est donc stationnaire.
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 15 / 47
Stationnarité
Transformation stationnaire
Soit (Xt )t∈Z un processus TS avec Xt = f (t) + Zt , où f (t) est une
fonction du temps et (Zt )t∈Z est un processus stationnaire.
Alors le processus (Yt )t∈Z défini par
Yt = Xt − f (t)
est stationnaire.
”Stationnariser” un processus TS consiste à lui ôter sa composante
tendancielle.
∆d Xt
est stationnaire.
On dit aussi que (Xt )t∈Z est un processus intégré d’ordre d, noté I (d).
Série différenciée
On définit
∆Xt = Xt − Xt−1 (Différence première de (Xt ) )
∆2 Xt = ∆Xt − ∆Xt−1 (Différence seconde de (Xt ) )
∆k Xt = ∆k−1 Xt − ∆k−1 Xt−1 (Différence k e de (Xt ) )
Xt = Xt−1 + εt
Transformation stationnaire
Soit (Xt )t∈Z un processus DS d’ordre d.
Alors le processus (Yt )t∈Z défini par
Yt = ∆d Xt
est stationnaire.
”Stationnariser” un processus DS d’ordre d consiste à le différencier d
fois.
Preuve :
◦ Considérons le processus (Xt )t∈Z définie par Xt = m + Xt−1 + εt ,
avec (εt )t∈Z est un bruit blanc.
◦ En substituant Xt−1 par son expression, on obtient :
Xt = 2m + Xt−2 + εt−1 + εt .
◦ En itérant t fois cette
P substitution, on obtient finalement,
Xt = t m + X0 + t−1 j=1 εt−j + εt .
◦ Le processus (Xt ) correspond à une accumulation des chocs passés et
présent.
◦ Dès lors, un choc à une date T quelconque à un impact permanent
sur le niveau processus pour toutes les dates ultérieures.
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 22 / 47
Stationnarité
Tests de stationnarité
Les tests de Dickey Fuller sont fondés sur deux résultats clés :
◦ Le processus (Xt )t∈Z , défini par Xt = Xt−1 + εt (Marche aléatoire) où
(εt )t∈Z est un bruit blanc, est non stationnaire.
◦ Le processus (Xt )t∈Z , défini par Xt = ρXt−1 + εt (Marche aléatoire) où
|ρ| < 1 et (εt )t∈Z est un bruit blanc, est stationnaire.
Les hypothèses du test de Dickey Fuller sont les suivantes :
(H0 ) : ρ = 1 (non stationnaire) contre (H1 ) : |ρ| < 1 (stationnaire) et
basées sur le modèle de base
Xt = ρXt−1 + εt
Quelque soit le modèle finalement retenu pour le test ADF, les résidus
doivent satisfaire l’hypothèse de ”blancheur” des termes d’erreurs.
La stratégie : Appliquer les tests de bruit blanc sur les résidus.
B Hypothèse de ”blancheur” des termes d’erreurs rejetée =⇒ Choix validé
B Hypothèse de ”blancheur” des termes d’erreurs pas rejetée =⇒ Choix
invalidé - Refaire le choix.
Tests de stationnarité
But : Tester si un processus est stationnaire ou pas.
Soit α le seuil de significativité.
Test de Dickey and Fuller augmenté
H0 : Processus non stationnaire , contre , H1 : Processus stationnaire.
Décision : Le processus est déclaré stationnaire si p − value < α.
Les tests de bruit blanc : Tests de Box-Pierce et Ljung et Box (Module 2).
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 35 / 47
Modèles ARMA / ARIMA
Vérification a posteriori
* Significativité des paramètres ;
* Validation de l’hypothèse de bruit blanc des résidus.
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 .
où χ21−α (hmax ) est le quantile d’ordre 1 − α de la loi Khi 2 à hmax degrés
de liberté, χ21−α (hmax ).
Le test de Ljung et Box est généralement meilleur que celui de Box-Pierce.
SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 46 / 47
MERCI DE VOTRE AIMABLE
ATTENTION