5 Processus Arma Arima

Module :
Analyse des séries

chronologiques
2ème Semestre Masters: MFEA
Pr. R. EL YAMANI
2020-2021
PLAN DE COURS
1 Généralités sur les séries chronologiques
2 Détection de de la saisonnalité et Décomposition de la série
3 Stationnarité et processus non stationnaires
4 Tests de racine unitaire
5 Identification du processus générateur ARIMA
6 Méthode de Box & Jenkins
7 Modèles ARCH
8 Modèles GARCH
Pr. R. EL YAMANI 2
Pr. R. EL YAMANI
Identification du
processus
générateur
ARIMA
3
PLAN
1. Introduction
2. Partie I: Rappel sur les modèles ARIMA
 Définition
 Applications des modèles ARIMA
 Notion de stationnarité
 Présentation du modèle ARIMA
3. Partie II: cas pratique

4. Conclusion
Pr. R. EL YAMANI
Introduction
Il existe deux catégories de modèles pour rendre compte
d’une série chronologique.
 La première considère que les données sont une fonction
du temps Y=f(t) Cette catégorie de modèle peut être
ajustée par la méthode des moindres carrés, ou
d'autres méthodes itératives.
 La seconde, et qui fera objet de cette séance, cherche
à déterminer chaque valeur de la série en fonction des
valeurs précédentes Y=f(𝑌𝑡−1 ; 𝑌𝑡−2 ;………..).
 C’est le cas des modèles Auto-Regressive-Integrated-
Moving-Average : ARIMA
5
Pr. R. EL YAMANI
Introduction
 On distingue notamment une multitude de modèles

voire modèle AR, MA, ARMA, ARIMA, SARIMA, etc.
 Ces modèles font partie des Processus stochastiques.
 Une série temporelle, quand elle n’est pas
déterministe, comme ce sera le cas dans toutes les
situations que nous rencontrerons, est vue comme une
réalisation d’un processus stochastique.
 Conditions d’utilisation: les modèles AR, MA, ARMA ne sont
représentatifs que de chroniques :
– stationnaires en tendance ;
– corrigées des variations saisonnières.
6
Pr. R. EL YAMANI
Problématique
En procédant à l’analyse par

les modèles ARIMA, Quel
est le modèle le plus
adéquat pour avoir une
bonne qualité de prévision?
7
Pr. R. EL YAMANI
Partie I
Rappel sur
les modèles ARMA
ARIMA
8
Pr. R. EL YAMANI
Rappel AR,MA, ARMA
 Les processus auto-régressif AR(P),les processus

moyenne mobile MA(q) et les processus ARMA(p,q) ont
été introduits comme processus aléatoires stationnaires.
 Il serviront de modèles pour décrire l’évolution des

séries chronologiques (S.C) c-à-d première série
chronologique pourra être vue comme une réalisation de
ce processus ARMA .
9
Pr. R. EL YAMANI
Rappel AR,MA, ARMA

 Le modèle ARMA combine la partie AR et la partie
MA. En autre termes il contient des valeurs passées
Yt-1; Yt-2 ;…….; Yt-p et des erreurs passées et-1 ; et-2….;
et-q
 Équation de ARMA :
𝒑 𝒒
𝒀𝒕 = ෍ 𝝋𝒊 𝒀𝒕−𝟏 + ෍ 𝜽𝒊 𝜺𝒕−𝟏 , ∀ 𝒕 ∈ 𝒁
𝒊=𝟏 𝒊=𝟎
10
Pr. R. EL YAMANI
Les modèles ARIMA: définition
o Pour les modèles ARIMA, c’est le passé de la série (sa

mémoire) qui explique son comportement présent et
futur.
o L'objectif essentiel donc des modèles ARIMA est de

permettre une prédiction de l'évolution présente ou
future d'un phénomène à partir des données du passé.
11
Pr. R. EL YAMANI
Les applications des modèles ARIMA
Corriger les variations

Repérer les Contrôler les processus
saisonnières
tendances et cycles  Il est indispensable
 Pouvoir en déduire
 Grâce aux de dresser une carte
un comportement.
tendances et aux des variables ayant
Celui-ci apportera
cycles, il est une forte influence
des informations
possible d’analyser sur les reste de
supplémentaires afin
les interactions entre l’économie, afin
d’affiner les valeurs
diverses variables, d’anticiper les
saisonnières, et
afin d’atteindre un évolutions possibles
appréhender leurs
équilibre évolutions
12
Pr. R. EL YAMANI
Rappel sur la notion de stationnarité
Série stationnaire Série non stationnaire
Forte stationnarité
Processus de type TS
f 𝒁𝟏 , 𝒁𝟐 , . . , 𝒁𝒕 et Non stationnarité de nature
f 𝒁𝟏+𝒌 , 𝒁𝟐+𝒌 , . . , 𝒁𝒕+𝒌 déterministe
Processus ARMA
Faible stationnarité
Processus de type DS
 E 𝒁𝒊 = 𝝁 ∀𝒊 = 𝟏, … , 𝒕 Non stationnaire de nature
stochastique
 V𝐚𝐫 𝒁𝒊 = 𝝈𝟐 ≠ ∞ ∀𝒊 = 𝟏, … , 𝒕
Processus ARIMA
 C𝐨𝐯 𝒁𝒊 , 𝒁𝒊−𝒌 = 𝒇 𝒌 = 𝝆𝒌
∀𝒊 = 𝟏, … , 𝒕, ∀𝒌 = 𝟏, … , 𝒕
13
Pr. R. EL YAMANI
La différenciation
L'estimation des modèles ARIMA suppose que l'on travaille

sur une série stationnaire.
Ceci signifie que la moyenne de la série est constante dans le
temps, ainsi que la variance.
La meilleure méthode pour éliminer toute tendance est de
différencier, c'est-à-dire de remplacer la série originale par
la série des différences adjacentes.
Une série temporelle qui a besoin d'être différenciée pour
atteindre la stationnarité est considérée comme une version
intégrée d'une série stationnaire (d'où le terme Integrated).
14
Pr. R. EL YAMANI
La différenciation
 Une différenciation d'ordre 1 suppose que la différence entre deux

valeurs successives de Y est constante.
𝒀𝒕 − 𝒀𝒕−𝟏 − 𝝁 + 𝜺𝒕
 μ est la constante du modèle, elle représente la différence moyenne
en Y. Un tel modèle est un ARIMA(0,1,0).
 Il peut être représenté comme un accroissement linéaire en fonction
du temps. Si μ est égal à 0, la série est stationnaire.
 Les modèles d'ordre 2 travaillent non plus sur les différences
brutes, mais sur les différences de différence.
 La seconde différence de Y au moment t est égale à (𝑌𝑡 -𝑌𝑡−1 ) - (𝑌𝑡−1 -
𝑌𝑡−2 ), c'est-à dire à 𝑌𝑡 – 2𝑌𝑡−1 + 𝑌𝑡−2 .
 Un modèle ARIMA(0,2,0) obéira à l’équation de prédiction suivante :
𝒀𝒕 − 𝟐𝒀𝒕−𝟏 + 𝒀𝒕−𝟐 = 𝝁 + 𝜺𝒕
ou encore 𝒀𝒕 = 𝝁 + 𝟐𝒀𝒕−𝟏 − 𝒀𝒕−𝟐 + 𝜺𝒕
15
Pr. R. EL YAMANI
L’auto-régression
Les modèles autorégressifs supposent que Y𝒕 est une fonction
linéaire des valeurs précédentes.

𝒑
𝒀𝒕 = 𝒄 + ෍ 𝝋𝒊 𝒀𝒕−𝟏 + 𝜺𝒕
𝒊=𝟏
Chaque observation est constituée d'une composante aléatoire
(choc aléatoire, ε) et d'une combinaison linéaire des observations
précédentes. φ1, φ2 et φ3 dans cette équation sont les
coefficients d'auto-régression.
Pour un modèle ARIMA(1,1,0) on aura :
𝒀𝒕 − 𝒀𝒕−𝟏 = μ + 𝝋 𝒀𝒕−𝟏 − 𝒀𝒕−𝟐 + 𝜺𝒕
16
Pr. R. EL YAMANI
La moyenne mobile
Les modèles (MA) supposent que chaque point est fonction des
erreurs entachant les points précédant, plus sa propre erreur.
𝒀𝒕 = 𝒆𝒕 - θ𝟏 𝒆𝒕−𝟏 - θ𝟐 𝒆𝒕−𝟐 ….- θ𝒒 𝒆𝒕−𝒒

Comme précédemment cette équation porte soit sur les données
brutes, soit sur les données différenciées si une différenciation a
été nécessaire.
Pour un modèle ARIMA(0,1,1) on aura :
𝒀𝒕 – 𝒀𝒕−𝟏 = μ – θ ε𝒕−𝟏 + ε𝒕
On peut également envisager des modèles mixtes: par exemple un

modèle ARIMA(1,1,1) aura l'équation de prédiction suivante:
Yt = μ + Yt-1 + φ(Yt-1 – Yt-2) - θ1εt-1 + εt
17
Pr. R. EL YAMANI
Les modèles ARIMA
 La classe des modèles ARIMA [Box et Jenkins, 1976] a été

introduite pour reconstituer le comportement de processus
soumis à des chocs aléatoires au cours du temps.
 Les modèles ARIMA permettent de combiner trois types de

processus temporels : les processus autorégressifs (AR), les
processus intégrés (I), et les moyennes mobiles (MA).
 ARIMA (p, d, q), où p est l’ordre du processus autorégressif

AR(p), d le degré d’intégration d’un processus I(d), et q
l’ordre de la moyenne mobile MA(q).
18
Pr. R. EL YAMANI
Les modèles ARIMA permettent de combiner trois
types de processus temporels :
p,d et q désignant respectivement l’ordre du processus

autorégressif, l’ordre d’intégration et l’ordre de la moyenne
mobile.
19
Pr. R. EL YAMANI
Processus
Moyenne
Mobile (MA)
 Le processus est dit autorégressif du

premier ordre et noté AR(1) :
 Un processus AR(2) s’écrit :
20
Pr. R. EL YAMANI
Processus
Moyenne
Mobile (MA)
 Une série chronologique déterminée par

l’effet cumulatif d’une activité appartient à la
classe des processus intégrés.
 Les processus intégrés constituent
l’archétype des séries non stationnaires.
 Un exemple de processus I(1), intégré d’ordre
1, est la marche aléatoire définie par :
21
Pr. R. EL YAMANI
Processus
Moyenne
Mobile (MA)
 L’ordre de la moyenne mobile indique

le nombre de périodes précédentes
incorporées dans la valeur courante.
Ainsi, une moyenne mobile d’ordre 1,
MA(1), est définie par l’équation
suivante :
22
Pr. R. EL YAMNAI
Les étapes du modèle ARIMA
Etape 1 : Identification du modèle (détermination des : p ; d ; q )
Etape 2 : Estimation des paramètres des modèles choisis
Etape 3 : Vérification du diagnostic ( les résidus de l’estimation

sont-ils un bruit blanc)
Si oui Si Non
Etape 4 : Prévision Retourner à l’étape 1
2
Pr. R. EL YAMANI
Partie II
CAS
PRATIQUE
24
Pr. R. EL YAMANI
Application
 Construisons un modèle ARIMA à partir de la série

de l’indice des prix à la consommation, notée
(IPC).
 Les données considérées à cet effet sont
mensuelles et la période retenue pour l’étude va
de janvier 2010 à mars 2014.
 Pour construire le modèle de prévision, nous
allons emprunter la méthodologie de Box-Jenkins,
mais avant tout, nous commençons par l’analyse
exploratoire puis l’analyse de la stationnarité .
25
Pr. R. EL YAMANI
Présentation graphique de la série
IPC
114
113
112
111
110
109
108
107
106
I II III IV I II III IV I II III IV I II III IV I
2010 2011 2012 2013 2014
Pour afficher le graphe : double click sur la série == View = Graph = Ok
26
Pr. R. EL YAMANI
Présentation du corrélogramme de la série

Date: 03/25/20 Time: 21:42
Sample: 2010M01 2014M03
Included observations: 51
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |******| . |******| 1 0.891 0.891 42.877 0.000

. |******| .*| . | 2 0.776 -0.081 76.122 0.000
. |***** | . |** | 3 0.722 0.229 105.50 0.000
. |***** | . |*. | 4 0.700 0.109 133.68 0.000
. |***** | . |*. | 5 0.692 0.131 161.86 0.000
. |***** | **| . | 6 0.627 -0.229 185.49 0.000
. |**** | .*| . | 7 0.520 -0.176 202.11 0.000
. |*** | .*| . | 8 0.433 -0.066 213.92 0.000
. |*** | . |*. | 9 0.411 0.162 224.79 0.000
. |*** | . |*. | 10 0.417 0.080 236.27 0.000
. |*** | . | . | 11 0.394 -0.001 246.77 0.000
. |** | .*| . | 12 0.326 -0.088 254.15 0.000
. |** | .*| . | 13 0.236 -0.147 258.10 0.000
. |*. | . | . | 14 0.180 -0.055 260.46 0.000
. |*. | .*| . | 15 0.142 -0.162 261.97 0.000
. |*. | .*| . | 16 0.086 -0.137 262.54 0.000
. | . | . |*. | 17 0.039 0.124 262.66 0.000
. | . | .*| . | 18 -0.037 -0.071 262.78 0.000
.*| . | . | . | 19 -0.104 0.020 263.69 0.000
.*| . | . | . | 20 -0.126 0.051 265.07 0.000
.*| . | . | . | 21 -0.130 0.066 266.60 0.000
.*| . | . | . | 22 -0.142 -0.030 268.49 0.000
.*| . | . |*. | 23 -0.152 0.086 270.72 0.000
.*| . | .*| . | 24 -0.182 -0.128 274.04 0.000
La statistique Q de Ljung-Box confirme ce fait :

Q-Stat = 274,04 (au retard k = 24) > χ2 0,05;24 = 36,41, on refuse l'hypothèse
de nullité des coefficients ρk (la probabilité critique de ce test est indiquée αc =
0,000 < 0,05, donc on refuse H0).
Le processus IPC n'est pas un bruit blanc. A partir des tests de Dickey-Fuller nous
allons examiner si le processus est non stationnaire.
Pour afficher le graphe : double click sur la série == View = Correlogram = Ok
27
Pr. R. EL YAMANI
Test de Dickey-Fuller
 Modèle [1] : xt =φ1xt−1+εt Modèle autorégressif d’ordre 1.

 Modèle [2] : xt =φ1xt−1+β+εt Modèle autorégressif avec constante.
 Modèle [3] : xt =φ1xt−1+bt+c+εt Modèle autorégressif avec tendance.

28
Pr. R. EL YAMANI
Test de Dickey-Fuller
29
Pr. R. EL YAMANI
Test de Dickey-Fuller Augmenté
On commence toujours par le 3ème modèle : viewunit root test  cocher trend and
interceptok
Null Hypothesis: IPC has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.458961 0.0551

Test critical values: 1% level -4.152511
5% level -3.502373
10% level -3.180699
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(IPC)
Method: Least Squares
Date: 03/25/20 Time: 22:16
Sample (adjusted): 2010M02 2014M03
Included observations: 50 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
IPC(-1) -0.401216 0.115993 -3.458961 0.0012

C 43.30663 12.45138 3.478057 0.0011
@TREND("2010M01") 0.045133 0.015443 2.922544 0.0053
Le coefficient de la droite de tendance n’est pas Tendance :

significativement différent de 0 (t∗ = 2,922< t-tabulée 𝑯𝟎 : b = 0
= 3,18 au risque de 5%.), on rejette l’hypothèse d’un
𝑯𝟏 : b ≠ 0
processus TS.
30
Pr. R. EL YAMANI
On passe à l’estimation du modèle 2 : ViewUnit Root test  Cocher
InterceptOk
Exogenous: Constant
t-Statistic Prob.*

5% level -2.921175
10% level -2.598551

Date: 03/25/20 Time: 22:23
IPC(-1) -0.085537 0.045475 -1.880982 0.0660

C 9.575699 5.025636 1.905371 0.0627
Le terme constant n’est pas significativement différent Constante :

de 0 (t∗ = 1,90< t-tabulée = 2,89 au risque de 5%), on 𝑯𝟎 : c = 0
rejette l’hypothèse d’un processus DS avec dérive et
tˆφ1 = −1,88 > t-tabulée = −2,92 ; on accepte 𝑯𝟏 : c ≠ 0
l’hypothèse H0 ; le processus n’est pas stationnaire. 31
Pr. R. EL YAMANI
On passe à l’estimation du modèle 1 : ViewUnit Root test  Cocher NoneOk

Exogenous: None
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 1.350547 0.9537

5% level -1.947520
10% level -1.612650

Date: 03/25/20 Time: 22:26
IPC(-1) 0.001096 0.000812 1.350547 0.1830
Racine unitaire :
tˆφ1 = 1,350 > ttabul´e = −1,947 , on
accepte l’hypothèse 𝐻0 ; le processus n’est 𝑯𝟎 : φ1 ≥ 1 Admet une racine unitaire
pas stationnaire.== Il s’agit d’un 𝑯𝟏 : φ1 < 1 N’admet pas une racine unitaire
processus DS sans dérive.
32
Pr. R. EL YAMANI
La série stationnaire
Il faut appliquer le filtre de différence pour stationnariser la série IPC.
Par la commande suivante: Genr DIPC=d(IPC)
Les résultats du test sur la variable différence première (DIPC) sont récapitulés
dans le tableau suivant :
DIPC
Null Hypothesis: DIPC has a unit root
Exogenous: None 2.0
t-Statistic Prob.* 1.5

1.0
5% level -1.947665
10% level -1.612573

0.5
Augmented Dickey-Fuller Test Equation 0.0

Dependent Variable: D(DIPC)
Date: 03/25/20 Time: 22:34 -0.5
-1.0
DIPC(-1) -0.788206 0.137721 -5.723191 0.0000 -1.5

I II III IV I II III IV I II III IV I II III IV I
2010 2011 2012 2013 2014
33
Pr. R. EL YAMANI
Identification du processus ARIMA
 La série DIPC est stationnaire, on va lui

chercher un modèle ARMA(p,q) pour connaitre
les ordres du modèle ARMA(p,q), nous allons
nous servir de corrélogrammes de la série
stationnaire DIPC.
 En effet le corrélogramme simple
(Autocorrelation) permet d’identifier un
modèle MA(q), alors que le corrélogramme
partiel (Partial Correlation) permet d’identifier
un modèle AR(p).
34
Pr. R. EL YAMANI
Identification du processus ARIMA

Date: 03/25/20 Time: 22:38
Sample: 2010M01 2014M03 Il ne s’agit pas d’une marche au
Included observations: 50 hasard (les probabilités critiques
Autocorrelation Partial Correlation AC PAC Q-Stat Prob de la Q-Stat sont toutes très
1 0.184 0.184 1.7896 0.181
largement inférieures à 0,05), le
2 -0.32... -0.36... 7.4013 0.025 processus est à mémoire, il existe
3 -0.36... -0.25... 14.663 0.002
4 -0.18... -0.22... 16.561 0.002 donc une représentation dans la
5 0.209 0.085 19.079 0.002 classe des processus ARMA.
6 0.246 -0.00... 22.655 0.001
7 -0.03... -0.10... 22.714 0.002
8 -0.21... -0.12... 25.651 0.001 On va prendre en considération
9 -0.15... -0.06... 27.184 0.001 que les décalages qui sont
1... 0.090 0.023 27.714 0.002
1... 0.256 0.086 32.094 0.001 significativement différents de
1... 0.231 0.188 35.757 0.000
1... -0.20... -0.15... 38.586 0.000
zéro.
1... -0.23... 0.074 42.514 0.000
1... -0.09... -0.05... 43.183 0.000  Dans la colonne de la fonction
1... 0.011 -0.10... 43.192 0.000
1... 0.140 -0.07... 44.743 0.000
d’autocorrélation, on trouve :
1... 0.037 -0.06... 44.857 0.000 MA(2) et MA(3).
1... -0.11... -0.09... 46.042 0.000
2... -0.10... -0.09... 47.015 0.001
2... 0.008 -0.05... 47.021 0.001
 Dans la colonne de la fonction
2... 0.051 -0.16... 47.261 0.001 d’autocorrélation partielle, on
2... 0.083 -0.04... 47.925 0.002
2... 0.069 0.014 48.395 0.002 trouve : AR(2).
35
Pr. R. EL YAMANI
Estimations
 Comme il s’agit de processus ARIMA (2,1,3), les schémas ci-
dessous nous serviront de guide pour les estimations.
MA(1) MA(2) MA(3)
AR(2)
MA(2) MA(3)
MA(3)
AR(1)
MA(1) MA(2) MA(3)
MA(2) MA(3)
MA(3)
36
Pr. R. EL YAMANI
Estimation
Pour estimer le processus ARIMA (2,1,3), nous optons pour la régression SET WISE.
Modèle à estimer Commande sur Eviews
Modèle AR(1) equation arima1.ls dipc ar(1)
Modèle AR(1) AR(2) equation arima2.ls dipc ar(1) ar(2)
Modèle AR(1) AR(2) MA(1) equation arima3.ls dipc ar(1) ar(2) ma(1)
Modèle AR(1) AR(2) MA (1) MA(2) equation arima4.ls dipc ar(1) ar(2) ma(1) ma(2)
Modèle AR(1) AR(2) MA(1) MA(2) MA(3) equation arima5.ls dipc ar(1) ar(2) ma(1) ma(2)
ma(3)
Modèle AR(1) AR(2) MA(2) MA(3) equation arima6.ls dipc ar(1) ar(2) ma(2) ma(3)
Modèle AR(1) AR(2) MA(3) equation arima7.ls dipc ar(1) ar(2) ma(3)
Modèle AR(1) MA(1) equation arima8.ls dipc ar(1) ma(1)
Modèle AR(1) MA(1) MA(2) equation arima9.ls dipc ar(1) ma(1) ma(2)
Modèle AR(1) MA(1) MA(2) MA(3) equation arima10.ls dipc ar(1) ma(1) ma(2)
ma(3)
37
Pr. R. EL YAMANI
Estimations
Modèle à estimer Commande sur Eviews
Modèle AR(1) MA(1) MA(2) MA(3) equation arima11.ls dipc ar(1) ma(1) ma(2) ma(3)
Modèle AR(2) equation arima14.ls dipc ar(2)
Modèle MA(1) equation arima20.ls dipc ma(1)
Modèle MA (1) MA(2) equation arima21.ls dipc ma(1) ma(2)
Modèle MA(2) MA(3) equation arima23.ls dipc ma(2) ma(3)
38
Donc, on est censé d’estimer 24 modèles
Pr. R. EL YAMANI
Estimations
Après l’estimation des différents modèles, l’analyse de la
significativité des coefficients (Tous les coefficients doivent être
significatifs) nous conduit à conserver les quatre modèles ci-
après qui ont donné des résultats satisfaisants:
Modèle AR(1) AR(2) MA(1) MA(2)

Modèle AR(2)
Modèle MA(1)
Modèle MA(2)
39
Pr. R. EL YAMANI
Choix du processus optimal

D’après les critères d’information (AIC et SC), il ressort que le modèle AR(1)
AR(2) MA(1) MA(2) dispose d’une qualité supérieure (Ie modèle a les critères
d’infirmation AIC et CS les plus petits et le R² le plus grand ).
Le fait de retenir ce modèle ne signifie pas que les autres modèles ne peuvent
pas être utilisés pour la prévision. Ces critères n’accordent au modèle retenu
qu’une certaine prééminence sur les autres.
Akaike info Schwarz

Modèle criterion criterion R²
(AIC) (SC)
Modèle AR(1) AR(2) MA(1) MA(2) 1.805970 1.99717 0.28684
Modèle AR(2) 1.927274 2.00375 0.06025
Modèle MA(1) 1.937621 2.014102 0.04873
Modèle MA(2) 1.895060 1.971541 0.091688
D’où le modèle ARIMA (p=2; d=1; q=2) est celui le plus adéquat
40
pour modéliser notre série.
Pr. R. EL YAMANI
Estimation du modèle retenu

Dependent Variable: DIPC
Method: ARMA Maximum Likelihood (BFGS)
Date: 03/28/20 Time: 14:22
Sample: 2010M02 2014M03
Convergence achieved after 21 iterations
Coefficient covariance computed using outer product of gradients
AR(1) 0.879324 0.051972 16.91921 0.0000

0.0000
AR(2) -0.965954 0.031950 -30.23314 0.0000
0.0000
MA(1) -0.851779 0.133144 -6.397444 0.0000
0.0000
MA(2) 0.766336 0.122679 6.246689 0.0000
0.0000
SIGMASQ 0.280572 0.064821 4.328408 0.0001
R-squared 0.286846 Mean dependent var 0.124000

Adjusted R-squared 0.223454 S.D. dependent var 0.633603
S.E. of regression 0.558343 Akaike
Akaike info
info criterion
criterion 1.805970
1.805970
Sum squared resid 14.02860 Schwarz
Schwarz criterion
criterion 1.997173
1.997173
Log likelihood -40.14926 Hannan-Quinn criter. 1.878781
Durbin-Watson stat 1.788233
Les coefficients estimés sont tous statistiquement significatif comme l’atteste la

statistique de student.
 Donc:
DIPC = 0,879324 * DIPCt-1 - 0,965954*DIPCt-2 - 0,851779 *εt-1 +0. 280572 *εt-2

41
Pr. R. EL YAMANI
Corrélogramme des résidus:

Date: 03/28/20 Tim e: 15:30
Sam ple: 2010M01 2014M03
Included obs ervations : 50
Pour obtenir le corrélogramme des Autocorrelation Partial Correlation AC PAC Q-Stat Prob
residus: 1
2
0.017
-0.07...
0.017
-0.07...
0.0149
0.3388
0.903
0.844
1) Restimer l’ équation du modèle 3
4
0.057
-0.17...
0.061
-0.18...
0.5215
2.2405
0.914
0.692
retenu: ls dipc ar(1) ar(2) ma(1) 5
6
-0.14...
-0.14...
-0.13...
-0.18...
3.4289
4.6243
0.634
0.593
ma(2); 7
8
-0.08...
0.082
-0.09...
0.033
5.0290
5.4434
0.656
0.709
2) Double clic sur Resid (la série 9 0.133 0.093 6.5678 0.682
1... 0.074 0.028 6.9242 0.733
des résidus= 1... 0.023 -0.03... 6.9599 0.802
1... 0.160 0.146 8.7180 0.727
ViewCorrelogramm 1... -0.18... -0.17... 11.067 0.605
1... -0.05... 0.041 11.274 0.664
1... 0.009 0.007 11.280 0.733
1... -0.15... -0.06... 13.105 0.665
1... -0.06... -0.10... 13.429 0.707
1... -0.05... -0.11... 13.630 0.753
1... -0.07... -0.14... 14.101 0.778
Le corrélogramme de la série des résidus montre qu’aucun terme n’est extérieur aux
deux intervalles de confiance (Toutes les probabilités sont supérieures à 0,05).
On accepte l’hypothèse que la série des résidus est un bruit blanc.
La série des indices de prix à la consommation (IPC) est valablement représenté par un
ARIMA(2,1,2).
42
Analyse de la validité du processus Pr. R. EL YAMANI
retenu:
La phase de validation est plus importante, elle nécessite le plus
souvent un retour à la phase d’identification.
Pour valider le processus retenu, on doit réaliser les tests suivants:
1. Test d’autoccorélation;
2. Test d’heteroscedasticite;
3. Test de normalité.
43
retenu:
1. Test d’autoccorélation Table01
Date: 03/28/20 Time: 15:50
Sample: 2010M01 2014M03
Analyse du corrélogramme des résidus: Q-statistic probabilities adjusted for 4 ARMA terms
Cliquer sur l’équation du modele Autocorrelation Partial Correlation AC PAC Q-Stat Prob
retenu=ViewResidual Diagnostics 1 0.017 0.017 0.0149
 Correlogramm -Q-StatisticsOK 2
3
-0.07...
0.057
-0.07...
0.061
0.3388
0.5215
4 -0.17... -0.18... 2.2405
5 -0.14... -0.13... 3.4289 0.064
6 -0.14... -0.18... 4.6243 0.099
7 -0.08... -0.09... 5.0290 0.170
8 0.082 0.033 5.4434 0.245
9 0.133 0.093 6.5678 0.255
Le correlogramme des résidus indique 1... 0.074 0.028 6.9242 0.328
que toutes les probabilités sont 1...

1...
0.023
0.160
-0.03...
0.146
6.9599
8.7180
0.433
0.367
supérieures à 0,05. 1...
1...
-0.18...
-0.05...
-0.17...
0.041
11.067
11.274
0.271
0.337
Donc il s’agit d’un processus sans 1... 0.009 0.007 11.280 0.420
1... -0.15... -0.06... 13.105 0.361
mémoire (Absence d’autocorrélation). 1... -0.06... -0.10... 13.429 0.415
1... -0.05... -0.11... 13.630 0.478
1... -0.07... -0.14... 14.101 0.518
2... -0.00... -0.13... 14.104 0.591
2... 0.065 -0.01... 14.484 0.633
2... -0.03... -0.12... 14.570 0.691
2... 0.008 -0.06... 14.576 0.749
2... 0.126 0.008 16.154 0.707
44
retenu:
2. Test d’heteroscedasticité Table02
Date: 03/28/20 Time: 15:59
Sample: 2010M01 2014M03
Analyse du corrélogramme des résidus

Autocorrelation Partial Correlation AC PAC Q-Stat Prob
au carré : 1
2
0.065
-0.06...
0.065
-0.06...
0.2244
0.4187
0.636
0.811
Cliquer sur l’équation du modele 3
4
0.097
-0.10...
0.106
-0.13...
0.9411
1.6159
0.815
0.806
retenu=ViewResidual Diagnostics 5 -0.11... -0.08... 2.3174 0.804
6 0.005 -0.00... 2.3191 0.888
 Correlogramm Squared 7 0.137 0.155 3.4580 0.840
ResidualOK
8 -0.00... -0.02... 3.4602 0.902
9 -0.13... -0.14... 4.5445 0.872
1... 0.093 0.078 5.1101 0.884
1... -0.06... -0.05... 5.3483 0.913
Le correlogramme des résidus au carré 1...

1...
0.101
0.086
0.191
-0.00...
6.0491
6.5746
0.914
0.923
indique que toutes les probabilités sont 1...
1...
0.209
0.056
0.234
-0.01...
9.7288
9.9649
0.782
0.822
supérieures à 0,05. 1...
1...
-0.12...
0.072
-0.05...
0.065
11.107
11.512
0.803
0.829
Donc aucun terme n’est 1... -0.02... 0.000 11.560 0.869
1... -0.10... -0.03... 12.515 0.862
significativement diff é rent de 0. 2... -0.02... -0.11... 12.571 0.895
Les résidus sont alors 2...

2...
0.032
-0.14...
0.054
-0.21...
12.663
14.726
0.920
0.874
homoscédastiques 2...
2...
-0.13...
0.134
0.000
0.024
16.357
18.159
0.840
0.795
Les résidus ne sont pas autocorrélés et ils sont homoscédastiques

== les résidus constituent un bruit blanc 45
retenu:
2. Test de normalité 7
Graph01
Series: Residuals
6 Sample 2010M02 2014M03
Observations 50
5
Mean 0.140152
Median 0.100020
4 Maximum 1.223541
Minimum -0.967247
3 Std. Dev. 0.515999
Skewness 0.118797
2 Kurtosis 2.453675
1 Jarque-Bera 0.739422
Probability 0.690934
0
-1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
Analyse de la normalité des résidus :

Cliquer sur l’équation du modele retenu=ViewResidual Diagnostics 
Histogram-Normality TestOK
Le test de normalité: Les résidus sont-ils guassiens?

La statistique de Jarque-Bera (JB=0,739422<χ2 =5.99 ) indique une probabilité
critique de 0,6909>0,05, nous acceptons l’hypothese de normalité des résidus.
= La représentation est validée le processus de IPC est donc un bruit

blanc gaussien. 46
Pr. R. EL YAMANI
Conclusion
 Les modèles ARIMA sont, en théorie, la classe la plus générale de

modèles pour prévoir une série temporelle que l'on peut faire par
différenciation.
 ARIMA est une méthode rigoureuse, basée sur des algorithmes,
permettant de faire des prévisions, notamment sur des séries
temporelles.
 La qualité d’une prévision dépend en grande partie du choix porté sur
plusieurs méthodes.
 Elle dépend également de «l’art» du prévisionniste d’intégrer un
ensemble de connaissances et de déceler dans une foule
d’informations celles qui sont les plus indiquées à donner des
prédictions probantes.
47
Pr. R. EL YAMANI
BIBLIOGRAPHIE
 Régie Bourbonnais,(2018), « Econometrie »

10ème édition, Dunod Paris.
 Jean-Paul Tsasa Vangu ,(2010),
« Statistique appliquée», CCAM.
 Georges Bresson, Alain Pirotte, (1995), «
Econométrie des séries temporelles ».
 Michel Tarraza & Régie Bourbonnais,
(2010), « Analyse des séries temporelles »,
«3ème édition, Dunod Paris.
48

5 Processus Arma 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

5 Processus Arma Arima

Transféré par

Droits d'auteur :

Formats disponibles

Module :

Analyse des séries

2 Détection de de la saisonnalité et Décomposition de la série

3 Stationnarité et processus non stationnaires

4 Tests de racine unitaire

5 Identification du processus générateur ARIMA

6 Méthode de Box & Jenkins

3. Partie II: cas pratique

 On distingue notamment une multitude de modèles

En procédant à l’analyse par

Rappel AR,MA, ARMA

 Les processus auto-régressif AR(P),les processus

 Il serviront de modèles pour décrire l’évolution des

Rappel AR,MA, ARMA

Les modèles ARIMA: définition

o Pour les modèles ARIMA, c’est le passé de la série (sa

o L'objectif essentiel donc des modèles ARIMA est de

Corriger les variations

Rappel sur la notion de stationnarité

Série stationnaire Série non stationnaire

L'estimation des modèles ARIMA suppose que l'on travaille

 Une différenciation d'ordre 1 suppose que la différence entre deux

Les modèles autorégressifs supposent que Y𝒕 est une fonction

linéaire des valeurs précédentes.

Chaque observation est constituée d'une composante aléatoire

(choc aléatoire, ε) et d'une combinaison linéaire des observations

précédentes. φ1, φ2 et φ3 dans cette équation sont les

Pour un modèle ARIMA(1,1,0) on aura :

𝒀𝒕 − 𝒀𝒕−𝟏 = μ + 𝝋 𝒀𝒕−𝟏 − 𝒀𝒕−𝟐 + 𝜺𝒕

𝒀𝒕 = 𝒆𝒕 - θ𝟏 𝒆𝒕−𝟏 - θ𝟐 𝒆𝒕−𝟐 ….- θ𝒒 𝒆𝒕−𝒒

On peut également envisager des modèles mixtes: par exemple un

Yt = μ + Yt-1 + φ(Yt-1 – Yt-2) - θ1εt-1 + εt

Les modèles ARIMA

 La classe des modèles ARIMA [Box et Jenkins, 1976] a été

 Les modèles ARIMA permettent de combiner trois types de

 ARIMA (p, d, q), où p est l’ordre du processus autorégressif

p,d et q désignant respectivement l’ordre du processus

 Le processus est dit autorégressif du

 Un processus AR(2) s’écrit :

 Une série chronologique déterminée par

 L’ordre de la moyenne mobile indique

Les étapes du modèle ARIMA

Etape 1 : Identification du modèle (détermination des : p ; d ; q )

Etape 2 : Estimation des paramètres des modèles choisis

Etape 3 : Vérification du diagnostic ( les résidus de l’estimation

Etape 4 : Prévision Retourner à l’étape 1

 Construisons un modèle ARIMA à partir de la série

Présentation graphique de la série

Présentation du corrélogramme de la série

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

. |******| . |******| 1 0.891 0.891 42.877 0.000

La statistique Q de Ljung-Box confirme ce fait :

 Modèle [1] : xt =φ1xt−1+εt Modèle autorégressif d’ordre 1.

 Modèle [3] : xt =φ1xt−1+bt+c+εt Modèle autorégressif avec tendance.

Augmented Dickey-Fuller test statistic -3.458961 0.0551

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

IPC(-1) -0.401216 0.115993 -3.458961 0.0012

Le coefficient de la droite de tendance n’est pas Tendance :

Augmented Dickey-Fuller test statistic -1.880982 0.3384

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

. || . || 1 0.891 0.891 42.877 0.000

DIPC = 0,879324 * DIPCt-1 - 0,965954DIPCt-2 - 0,851779 εt-1 +0. 280572 *εt-2