Académique Documents
Professionnel Documents
Culture Documents
5 Processus Arma Arima
5 Processus Arma Arima
Pr. R. EL YAMANI
2020-2021
PLAN DE COURS
1 Généralités sur les séries chronologiques
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
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
6
Pr. R. EL YAMANI
Problématique
7
Pr. R. EL YAMANI
Partie I
Rappel sur
les modèles ARMA
ARIMA
8
Pr. R. EL YAMANI
9
Pr. R. EL YAMANI
Équation de ARMA :
𝒑 𝒒
𝒀𝒕 = 𝝋𝒊 𝒀𝒕−𝟏 + 𝜽𝒊 𝜺𝒕−𝟏 , ∀ 𝒕 ∈ 𝒁
𝒊=𝟏 𝒊=𝟎
10
Pr. R. EL YAMANI
11
Pr. R. EL YAMANI
Les applications des modèles ARIMA
12
Pr. R. EL YAMANI
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
14
Pr. R. EL YAMANI
La différenciation
L’auto-régression
𝒀𝒕 = 𝒄 + 𝝋𝒊 𝒀𝒕−𝟏 + 𝜺𝒕
𝒊=𝟏
coefficients d'auto-régression.
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.
17
Pr. R. EL YAMANI
18
Pr. R. EL YAMANI
Les modèles ARIMA permettent de combiner trois
types de processus temporels :
19
Pr. R. EL YAMANI
Processus
Moyenne
Mobile (MA)
20
Pr. R. EL YAMANI
Processus
Moyenne
Mobile (MA)
21
Pr. R. EL YAMANI
Processus
Moyenne
Mobile (MA)
22
Pr. R. EL YAMNAI
Si oui Si Non
2
Pr. R. EL YAMANI
Partie II
CAS
PRATIQUE
24
Pr. R. EL YAMANI
Application
25
Pr. R. EL YAMANI
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
Test de Dickey-Fuller
Test de Dickey-Fuller
29
Pr. R. EL YAMANI
Test de Dickey-Fuller Augmenté
On commence toujours par le 3ème modèle : viewunit root test cocher trend and
interceptok
Null Hypothesis: IPC has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
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
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
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(1) MA(2) MA(3) equation arima12.ls dipc ar(1) ma(2) ma(3)
Modèle AR(1) MA(3) equation arima13.ls dipc ar(1) ma(3)
Modèle AR(2) equation arima14.ls dipc ar(2)
Modèle AR(2) MA(1) equation arima15.ls dipc ar(2) ma(1)
Modèle AR(2) MA(1) MA(2) equation arima16.ls dipc ar(2) ma(1) ma(2)
Modèle AR(2) MA(2) equation arima17.ls dipc ar(2) ma(2)
Modèle AR(2) MA(2) MA(3) equation arima18.ls dipc ar(2) ma(2) ma(3)
Modèle AR(2) MA(3) equation arima19.ls dipc ar(2) ma(3)
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) equation arima22.ls dipc ma(2)
Modèle MA(2) MA(3) equation arima23.ls dipc ma(2) ma(3)
Modèle MA(3) equation arima24.ls dipc 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:
39
Pr. R. EL YAMANI
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
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
ViewCorrelogramm 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
Analyse de la validité du processus Pr. R. EL YAMANI
retenu:
1. Test d’autoccorélation Table01
Date: 03/28/20 Time: 15:50
Sample: 2010M01 2014M03
Included observations: 50
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
Correlogramm -Q-StatisticsOK 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
44
Analyse de la validité du processus Pr. R. EL YAMANI
retenu:
2. Test d’heteroscedasticité Table02
Date: 03/28/20 Time: 15:59
Sample: 2010M01 2014M03
Included observations: 50
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=ViewResidual 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
ResidualOK
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
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
Conclusion
BIBLIOGRAPHIE