ST1 Arima

Séries temporelles I
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
4 Modèles ARMA / ARIMA
5 Estimation et prévision à partir des modèles ARMA / ARIMA

Objectif et Contenu
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 ;
2 Modèles ARMA (autorégressifs et moyennes mobiles) ;

3 Modèles ARIMA (autorégressifs intégrés et moyennes mobiles) ;
4 Estimation et prévision à partir des modèles ARMA / ARIMA

Généralités
Processus aléatoire et les fonctions fondamentales
Rappel : Processus aléatoire

Suite de variables aléatoires observées à des dates ou instants reguliers :
{X1 , X2 , . . . , Xt , . . .}
avec t désignant l’instant d’observation.
Fonctions fondamentales
Fonction d’espérance
Fonction de variance
Fonction d’auto-covariance

Généralités
Fonction d’espérance
Soit (Xt )t∈Z un processus aléatoire.

La fonction d’espérance m est la fonction qui a tout élément t ∈ Z,
l’espérance mathématique de Xt , ie : ∀t ∈ Z
m(t) = E(Xt )
La fonction d’espérance décrit la tendance du processus.

Exemple :
Soit (Xt )t∈Z un processus aléatoire définie par
Xt = at + b + εt
où (εt )t∈Z est un processus aléatoire tel que E(εt ) = 0, t ∈ Z.

B Déterminer la fonction d’espérance du processus (Xt ).

Généralités
Fonction de variance
La fonction de variance σ(.)2 est la fonction qui a tout élément t ∈ Z,
la variance de Xt , ie : ∀t ∈ Z
σt2 = Var (Xt )
La fonction de variance décrit les amplitudes des fluctuations du

processus.
Exemple :
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 ).
Généralités
Fonction d’auto-covariance
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)
La fonction d’auto-covariance décrit le lien entre le processus brute et

le processus retardé d’ordre h.
Exemple :
Xt = εt−1 + εt
E(εt εt−h ) = 0, ∀t, h ∈ Z.
B Déterminer la fonction d’auto-covariance du processus (Xt ).
Stationnarité
Processus stationnaire : Définition

Soit un processus aléatoire (Xt )t∈Z .
Le processus est dit stationnaire lorsque :
B ∀t, m(t) = µ : une série marquée d’une absence de tendance :
B ∀t, h, cov (t, h) = γ(h) : les liens entre deux observations ne dépend
que de l’écart entre ces observations ie les covariances stables par
translation dans le temps.
On montre que : ∀h, γ(h) = γ(−h).
Soit un processus aléatoire stationnaire (Xt )t∈Z .
B ∀t, cov (t, 0) = σ 2 (t) = γ(0) : les amplitudes des pics et des creux plus
ou moins constantes dans le temps.
Exemple :
Xt = εt−1 + εt
E(εt εt−h ) = 0, ∀t, h ∈ Z.
B Le processus (Xt ) est-il stationnaire ?.
Stationnarité
Processus stationnaire : Exemple
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.
Stationnarité
Bruit blanc (White noise)

Un bruit blanc (Xt ) est un processus satisfaisant deux conditions
suivantes :
B ∀t, m(t) = 0 : une série marquée d’une tendance nulle :
B ∀t, cov (t, 0) = σ 2 (t) = σ 2 : les amplitudes des pics et des creux plus
ou moins constantes dans le temps.
B ∀t, h 6= 0, cov (t, h) = 0 : il n’y a pas de lien entre deux observations à
temps d’observation distincts.
Les bruits blancs sont des processus stationnaires particuliers
sans mémoire .
◦ Le niveau de la série considéré aujourd’hui n’a aucune influence sur son
niveau de demain,
◦ tout comme le niveau d’hier n’a aucune incidence sur le niveau
d’aujourdı́hui.
Exemple :
Soit (Xt )t∈Z un processus aléatoire définie par 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. Le processus (Xt ) est-il un bruit blanc ?
Stationnarité
Décomposition de Wold
Toute processus stationnaire (Xt )t∈Z d’espérance m peut être

représenté sous la forme
+∞
X
Xt = m + ψj t−j
j=0
où les paramètres ψj satisfont

B ψ0 = 1, ψj ∈ R, ∀j ∈ N∗ ,
P+∞ 2
B j=0 ψj < +∞,
et (t ) est bruit blanc iid de variance σ2 .
On dit que la composante stochastique de (Xt ) correspond à la
somme des chocs passés t−j .

Stationnarité
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

Stationnarité
Opérateur retard
La propriété (5) est utile

B pour s’assurer que la décomposition de Wold d’un processus est
possible, et in fine,
B montrer qu’une série est stationnaire.
Preuve de la propriété
P (5) : il suffit de montre que
(1 − aL) limj→+∞ ( ji=0 ai Li )Xt = Xt ; autrement dire
limj→+∞ (1 − aL)( ji=0hai Li )Xt = Xt . On a
P
i
(1 − aL)( ji=0 ai Li ) = ( ji=0 ai Li ) − ( ji=0 ai+1 Li+1 )
P P P
hP i
(1 − aL)( ji=0 ai Li ) = ( ji=0 ai Li ) − ( j+1 i Li ) = 1 − aj+1 Lj+1
P P
i=1 a
Pj
(1 − aL) limj→+∞ ( i=0 a L )Xt = limj→+∞ (1 − aj+1 Lj+1 )Xt = Xt .
i i
car |a| < 1.

Stationnarité
Opérateur retard
Utilisation de la propriété (5)

Xt = 12 Xt−1 + εt , où (εt )t∈Z est un bruit blanc.
(Xt ) est-il stationnaire ?

B Xt − 12 Xt−1 = εt ; 1 − 12 L Xt = εt .

1
P+∞ 1 j j
B Puisque 2 < 1, alors Xt = j=0 ( 2 ) L εt .
+∞ j
X 1
B Finalement, Xt = εt−j . Le processus (Xt ) admet une
2
j=0
+∞ j 2 +∞ j
X 1 X 1 4
décomposition de Wold. Car = = .
2 4 3
j=0 j=0
B Le processus (Xt ) est donc stationnaire.

Stationnarité
Opérateur retard
Utilisation de la propriété (5)
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.
Stationnarité
Processus non stationnaires
Un processus stationnaire est une processus lorsque l’ensemble de ses

moments d’ordre un et d’ordre deux sont indépendants du temps.
La non stationnarité peut provenir d’une dépendance du moment
d’ordre un (fonction d’espérance) par rapport au temps et/ou d’une
dépendance de la variance ou des auto-covariances par rapport au
temps.
Il existe deux principales classes de processus non stationnaires
(Nelson et Plosser, 1982) :
B les processus TS (Time Stationary ) :
B les processus DS (Differency Stationary ) :
Il est important d’identifier la source de la non stationnarité d’une
série afin de choisir la méthode adéquate pour ”stationnariser”.

Stationnarité
Processus non stationnaires TS
Un processus (Xt )t∈Z est un processus TS s’il peut s’écrire sous la

forme
Xt = f (t) + Zt
où f (t) est une fonction du temps (déterministe) et (Zt )t∈Z est un
processus stochastique stationnaire d’espérance β.
Dans ce cas,
E(Xt ) = f (t) + β
La première condition n’est pas satisfaite, d’où la non stationnarité du
processus.
Exemple :
Soit (Xt )t∈Z un processus aléatoire définie par Xt = a0 + a1 t + εt où
(a0 , a1 ) ∈ R2 et (εt )t∈Z est un bruit blanc.
B (Xt ) est un processus TS, donc non stationnaire.
Stationnarité
Processus non stationnaires TS
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.

Stationnarité
Processus non stationnaires DS

Un processus (Xt )t∈Z est un processus DS d’ordre d, où d désigne
l’ordre d’intégration, si le processus filtré défini par
∆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 ) )
Un processus (Xt )t∈Z est intégré d’ordre d si la différence d e de (Xt )

est stationnaire.
Stationnarité
Exemple : Marche aléatoire

Xt = Xt−1 + εt
où (εt )t∈Z est un bruit blanc.

B On a : ∆Xt = Xt − Xt−1 = εt .
B Par conséquent, (∆Xt ) est stationnaire.
B Alors (Xt ) est intégré d’ordre 1.

Stationnarité
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.

Stationnarité

Influence d’un choc
Soit (Xt )t∈Z un processus DS d’ordre d.
Alors l’influence d’un choc à une date T sur (Xt ) est permanente.
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.
Stationnarité
Tests de stationnarité
Les tests de stationnarité sont des tests statistiques permettre de

décider si une série temporelle est stationnaire et non.
Il existe 4 principaux tests :
B Tests de Dickey Fuller (DF) ;
B Tests de Dickey Fuller Augmenté (ADF) ;
B Tests de Phillips et Perron (PP) ;
B Tests de Kwiatkowski-Phillips-Schmidt-Shin (KPSS).

Stationnarité
Tests de Dickey Fuller (DF)
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

La statistique de test est celui du test de Student de significativité de
ρ.

Stationnarité
Le comportement de la statistique de test sous (H0 ) met en évidence

deux problèmes :
◦ Problème 1 : La loi asymptotique de la statistique de test n’est plus
celle de Student mais une loi non standard.
Solution 1 : Calculer et utiliser des seuils spécifiques au test de Dickey
Fuller.
◦ Problème 2 : La loi asymptotique de la statistique de test change
lorsqu’on inclut ou pas une constance et une tendance.
Solution 2 : Tester la non stationnarité dans tous les modèles possibles.
Ainsi, on ne parle plus de tests de Dickey Fuller, mais plutôt d’une
stratégie de tests de Dickey Fuller.

Stationnarité
La stratégie de tests de Dickey Fuller permet de tester la non

stationnarité conditionnellement à la spécification de l’un des trois
modèles suivants :
Modèle 1 (sans constante, sans tendance) : ∆Xt = φXt−1 + εt (1)

Modèle 2 (avec constante, sans tendance) : ∆Xt = φXt−1 + c + εt (2)
Modèle 3 (avec constante, avec tendance) : ∆Xt = φXt−1 + c + βt + εt
(3)

(H0 ) : φ = 0 (non stationnaire) contre (H1 ) : φ < 0 (stationnaire)

Stationnarité
Tests de Dickey Fuller (DF) : Stratégie
(1) Estimer le modèle 3 et tester (H0 )

B (H0 ) n’est pas rejetée ie tφ=0 3 (non stationnaire).
> C(α)
b
On teste la nullité de β sous la condition de la non stationnarité.
? La nullité de β est rejetée (Modèle 3 est bon) =⇒ (Xt ) est I (1), donc
non stationnaire.
? La nullité de β n’est pas rejetée (Modèle 3 pas bon) =⇒ passer au
modèle 2.
B (H0 ) est rejetée ie tφ=0 3 (stationnaire).
≤ C(α)
b
On teste la nullité de β.
? La nullité de β est rejetée (Modèle 3 est bon) =⇒ (Xt ) est I (0), donc
stationnaire.
? La nullité de β n’est pas rejetée (Modèle 3 pas bon) =⇒ passer au
modèle 2.

Stationnarité

B (H0 ) n’est pas rejetée ie tφ=0 2 (non stationnaire).
> C(α)
b
On teste la nullité de c sous la condition de la non stationnarité.
? La nullité de c est rejetée (Modèle 2 est bon) =⇒ (Xt ) est I (1), donc
non stationnaire.
? La nullité de c n’est pas rejetée (Modèle 2 pas bon) =⇒ passer au
modèle 1.
B (H0 ) est rejetée ie tφ=0 2 (stationnaire).
≤ C(α)
b
On teste la nullité de β.
? La nullité de c est rejetée (Modèle 2 est bon) =⇒ (Xt ) est I (0), donc
stationnaire.
? La nullité de c n’est pas rejetée (Modèle 2 pas bon) =⇒ passer au
modèle 1.

Stationnarité

B (H0 ) n’est pas rejetée ie tφ=0 1 (non stationnaire) =⇒ (X ) est
> C(α)
b t
I (1), donc non stationnaire.
B (H0 ) est rejetée ie tφ=0 1 (stationnaire) =⇒ (X ) est I (0), donc
≤ C(α)
b t
stationnaire.

Stationnarité
Tests de Dickey Fuller Augmenté (ADF)
Les tests de Dickey Fuller (DF) reposent sur la validité de l’hypothèse

de ”blancheur” des termes d’erreurs.
Cependant, il est que certains résidus soient auto-corrélés. Ce qui
viole l’hypothèse de ”blancheur” des termes d’erreurs. Par conséquent,
les tests de Dickey Fuller sont factices.
Les tests de Dickey Fuller Augmenté (ADF) prennent en compte une
éventuelle auto-corrélation des résidus : en intégrant des valeurs
retardées de la série différenciée.
La stratégie de tests de Dickey Fuller Augmenté s’appuient les trois
modèles suivants :

Stationnarité

La stratégie de tests de Dickey Fuller Augmenté s’appuient sur les
trois modèles suivants :
p
X
Modèle 1 : ∆Xt = φXt−1 + θj ∆Xt−j + εt (4)
j=1
Xp
Modèle 2 : ∆Xt = φXt−1 + θj ∆Xt−j + c + εt (5)
j=1
Xp
Modèle 3 : ∆Xt = φXt−1 + θj ∆Xt−j + c + βt + εt (6)
j=1

(H0 ) : φ = 0 (non stationnaire) contre (H1 ) : φ < 0 (stationnaire)
La stratégie de tests de Dickey Fuller Augmenté est semblable à celle
de Dickey Fuller.
Comment choisir le retard p ?
Stationnarité

Choix du nombre de retards optimal
Les critères d’information sont fondés sur le pouvoir prédictif d’un

modèle et tiennent compte des paramètres à estimer.
Les critères d’information sont des fonctions de la variance des résidus
estimés du modèle σεb2t et du nombre des paramètres à estimer k.
Objectif : minimiser les critères d’information.
Les critères d’information les plus utilisés
AIC (k) = T log (σεb2t ) + 2k (7)

SC (k) = T log (σεb2t ) + k log (T ) (8)
La stratégie : Estimer plusieurs modèles ADF avec différents nombre

de retards. On cherche le nombre de retard p qui minimise ces deux
critères.
Stationnarité

Validation du nombre de retards optimal choisi
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.

Stationnarité
Tests de Phillips et Perron
Les tests ADF reposent sur la validité de l’homoscédasticité des

termes d’erreurs ie Var (εt ) = σ 2 .
Cependant, il est possible que certains résidus soient
hétéroscédastiques. Ce qui peut rendre factice les tests ADF.
Les tests de Phillips et Perron (PP) prennent en compte une
éventuelle hétéroscédasticité des résidus : en proposant une
statistique de test différente.
La stratégie de tests de Phillips et Perron est identique à celle des
tests ADF.

Stationnarité
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.
Test de Phillips et Perron

H0 : Processus non stationnaire , contre , H1 : Processus stationnaire.
Décision : Le processus est déclaré stationnaire si p − value < α.
Test de KPSS (Kwiatkowski-Phillips-Schmidt-Shin)

H0 : Processus stationnaire , contre , H1 : Processus non 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).
Modèles ARMA / ARIMA

Fonction d’auto-corrélation partielle
Soit un processus aléatoire stationnaire {X1 , X2 , . . . , Xt , . . .}.

Fonction d’auto-covariance partielle : ∀h
γr (h) = E(Xt Xt−h |Xt−h+1 , . . . , Xt−1 )

−E(Xt |Xt−h+1 , . . . , Xt−1 )E(Xt−h |Xt−h+1 , . . . , Xt−1 )
(corrélation entre la série brute et celle rétardée d’ordre h purgée des

influences des valeurs intermédiaires) ;
Fonction d’auto-corrélation partielle : ∀h, r (h) = γγ(0)r (h)
(corrélation entre la série brute et celle rétardée d’ordre h purgée des

influences des valeurs intermédiaires) ;

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.
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 → +∞.

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 → +∞.

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).

Estimation et prévision à partir des modèles ARMA / ARIMA
Démarche de Box - Jenkins

But : Expliquer et prédire un processus aléaloire à partir d’un modèle
ARMA / ARIMA ;
Estimation du modèle :
Identification
* Choix de d : ordre de différenciation
* Choix de (p, q) : ordres respectifs des composantes AR et MA.
Estimation des paramètres

Estimation des aj et bj : paramètres respectifs des composantes AR et MA.
Vérification a posteriori
* Significativité des paramètres ;
* Validation de l’hypothèse de bruit blanc des résidus.
Prévision à partir du modèle du modèle

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 ;
* Si après plusieurs étapes, la série différenciée n’est pas stationnaire,
alors la série brute est marquée par une tendance.
* Il faut donc éliminer au préalable la tendance.

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 .

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.

Diagnostic des modèles optimaux
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.

Tests de bruit blanc sur la composante résiduelle

Soit α le seuil de significativité fixé (=5%).
Ces tests sont fondés sur les auto-corrélations des résidus.
Test de Box-Pierce
0 vs (H1 ) : ∃i ∈ {1, . . . , hmax }ρ(i) 6= 0.
(H0 ) : ρ(1) = . . . = ρ(hmax ) = P
Statistique de test QT ,BP = T hk=1 max
ρb2T (k).
Décision : Le modèle est bon si QT ,BP < χ21−α (hmax ) ou p − value > α.
Test de Ljung et Box

(H0 ) : ρ(1) = . . . = ρ(hmax ) = 0 vs (H1 ) : ∃i ∈ {1, . . . , hmax }ρ(i) 6= 0.
P max ρb2T (k)
Statistique de test QT ,LB = T (T + 2) hk=1 T −k .
2
Décision : Le modèle est bon si QT ,LB < χ1−α (hmax ) ou p − value > α.
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.
MERCI DE VOTRE AIMABLE
ATTENTION

ST1 Arima

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

ST1 Arima

Transféré par

Droits d'auteur :

Formats disponibles

Séries temporelles I

4 Modèles ARMA / ARIMA

5 Estimation et prévision à partir des modèles ARMA / ARIMA

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 2 / 47

2 Modèles ARMA (autorégressifs et moyennes mobiles) ;

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 3 / 47

Processus aléatoire et les fonctions fondamentales

Rappel : Processus aléatoire

avec t désignant l’instant d’observation.

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 4 / 47

Soit (Xt )t∈Z un processus aléatoire.

La fonction d’espérance décrit la tendance du processus.

où (εt )t∈Z est un processus aléatoire tel que E(εt ) = 0, t ∈ Z.

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 5 / 47

σt2 = Var (Xt )

La fonction de variance décrit les amplitudes des fluctuations du

La fonction d’auto-covariance décrit le lien entre le processus brute et

Processus stationnaire : Définition

Processus stationnaire : Exemple

Bruit blanc (White noise)

Toute processus stationnaire (Xt )t∈Z d’espérance m peut être

où les paramètres ψj satisfont

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 11 / 47

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 12 / 47

La propriété (5) est utile

car |a| < 1.

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 13 / 47

Utilisation de la propriété (5)

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 14 / 47

Processus non stationnaires

Un processus stationnaire est une processus lorsque l’ensemble de ses

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 16 / 47

Processus non stationnaires TS

Un processus (Xt )t∈Z est un processus TS s’il peut s’écrire sous la

Processus non stationnaires TS

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 18 / 47

Processus non stationnaires DS

Un processus (Xt )t∈Z est intégré d’ordre d si la différence d e de (Xt )

Processus non stationnaires DS

Exemple : Marche aléatoire

où (εt )t∈Z est un bruit blanc.

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 20 / 47

Processus non stationnaires DS

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 21 / 47

Processus non stationnaires DS

Les tests de stationnarité sont des tests statistiques permettre de

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 23 / 47

Tests de Dickey Fuller (DF)

où (εt )t∈Z est un bruit blanc.

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 24 / 47

Tests de Dickey Fuller (DF)

Le comportement de la statistique de test sous (H0 ) met en évidence

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 25 / 47

Tests de Dickey Fuller (DF)

La stratégie de tests de Dickey Fuller permet de tester la non

Modèle 1 (sans constante, sans tendance) : ∆Xt = φXt−1 + εt (1)

où (εt )t∈Z est un bruit blanc.

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 26 / 47

Tests de Dickey Fuller (DF) : Stratégie

(1) Estimer le modèle 3 et tester (H0 )

SERIES TEMPORELLES I, UIPA MODELES ARMA / ARIMA 8 février 2023 27 / 47

Tests de Dickey Fuller (DF) : Stratégie

(2) Estimer le modèle 2 et tester (H0 )