Vous êtes sur la page 1sur 30

Le processus AR(1)

Stphane Adjemian
Universit Maine, GAINS & CEPREMAP
30 mars 2008
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 1
DFINITION
{y
t
; t Z} est un processus autorgressif dordre un, on note
AR(1), sil est dni par :
y
t
= + y
t1
+
t
o
t
BB(0,
2
) est linnovation du processus (ie la part de
y
t
non prdictible partir de y
t1
, y
t2
, . . . ), et o les
paramtres , et
2
sont respectivement dans R, R et R
+
.
On suppose que || 1.
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 2
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(1)
Supposons que y
0
, la condition intiale soit connue
(dterministe).
On cherche calculer E[y
t
] pour t = 1, 2, . . .
On peut rcrire y
t
en remplaant y
t1
par sa dnition :
y
t
= + ( + y
t2
+
t1
) +
t
soit de faon quivalente :
y
t
= (1 + ) +
2
y
t2
+
t1
+
t
En itrant la substitution pour y
t2
, il vient :
y
t
= (1 + +
2
) +
3
y
t3
+
2

t2
+
t1
+
t
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 3
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(2)
En itrant, par substitution arrire, jusqu atteindre la
condition initiale y
0
, il vient :
y
t
= (1 + +
2
+ +
t1
) +
t
y
0
+
t1

1
+ +
2

t2
+
t1
+
t
ou de faon quivalente :
y
t
=
t1

i=0

i
+
t
y
0
+
t1

i=0

ti
ou encore si est strictement infrieur un en valeur
absolue (on reconnat une srie gomtrique) :
y
t
=
1
t
1
+
t
y
0
+
t1

i=0

ti
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 4
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(3)
Par linarit de lesprance, et puisque les deux premiers
termes sont dterministes, nous avons :
E[y
t
] =
1
t
1
+
t
y
0
+
t1

i=0

i
E[
ti
]
Puisque
t
est un bruit blanc desprance nulle, il vient
nalement :
E[y
t
] =
1
t
1
+
t
y
0
Lesprance est gnralement une fonction du temps, mais on
note quelle tend (de faon monotone si 0 < 1) vers un
niveau constant :
lim
t
E[y
t
] =

1
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 5
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(4)
Lesprance est nulle si et seulement si = 0 (il sagit du cas
vu en cours).
Il est important de noter quil existe un cas o lesprance ne
dpend pas du temps. En effet, si y
0
=

/1 alors on a :
E[y
t
] =
1
t
1
+
t

1
=
1
t
+
t
1
=

1
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 6
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(5)
Pour bien comprendre cette proprit, notons quen posant

t
= E[y
t
] et en appliquant loprateur esprance la
dnition du processus nous avons :

t
= +
t1
+E[
t
]
ou encore puisque
t
est centr :

t
= +
t1
Le point xe (ie la valeur de constante telle que lquation
prcdante est vrie, ou pour utiliser le vocabulaire du
cours de croissance : ltat stationnaire) de cette rcurrence
est :
=

1
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 7
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(6)
Si la condition initiale est gale au point xe de la rcurrence
dnissant la dynamique de lesprance de y
t
alors
lesprance est invariante (elle ne dpend pas du temps).
Notons que dans le cas o = 1 il nest pas possible de
trouver une condition initiale telle que lesprance est
constante.
En effet, dans ce cas nous avons :
y
t
=
t1
X
i=0
1
i
+ 1
t
y
0
+
t1
X
i=0
1
i

ti
y
t
= t + y
0
+
t1
X
i=0

ti
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 8
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(7)
En appliquant loprateur esprance on trouve directement :
E[y
t
] = y
0
+ t
Lesprance est une fonction afne du temps. Lorsque t tend
vers linni lesprance diverge (vers plus ou moins linni
selon le signe de ).
Calculons la variance de y
t
. nouveau, nous allons voir que
celle-ci dpend du temps mais quelle converge vers un
niveau constant ds lors que est strictement infrieur un
en valeur absolue.
Par dnition, nous avons : V[y
t
] = E
_
(y
t
E[y
t
])
2
_
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 9
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(9)
On se concentre tout dabord sur le cas o || < 1.
Commenons par donner une expression pour le processus
centr :
y
t
E [y
t
] =
1
t
1
+
t
y
0
+
t1

i=0

ti

1
t
1

t
y
0
y
t
E [y
t
] =
t1

i=0

ti
Nous avons alors :
_
t1

i=0

ti
_
2
=
t1

i=0
t1

j=0

ti

tj
=
t1

i=0
t1

j=0

i+j

ti

tj
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 10
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(10)
Il ne nous reste plus qu appliquer loprateur esprance
la double somme pour obtenir la variance de y
t
.
Par linarit de loprateur esprance, nous avons :
V[y
t
] =
t1

i=0
t1

j=0

i+j
E[
ti

tj
]
Linnovation
t
est un bruit blanc desprance 0 et de
variance
2
, nous avons donc :
E[
ti

tj
] =
_
_
_

2
, si i = j
0 sinon.
Ainsi de nombreux termes sont nuls dans la double somme.
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 11
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(11)
Nous avons :
V[y
t
] =
t1

i=0 et j=i

i+j
E[
ti

tj
]
=
t1

i=0

2i
E
_

2
ti

=
2
t1

i=0
_

2
_
i
=
2
1
2t
1
2
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 12
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(12)
La variance dpend du temps, mais on note quelle tend (si
comme nous lavons implicitement suppos dans le calcul
de la srie gomtrique) vers un niveau constant :
lim
t
V[y
t
] =

2
1
2
Asymptotiquement, la variance de y
t
est dautant plus
importante que :
1. La taille de linnovation est grande (
2
grand).
2. Le processus est persistant (ie proche de 1).
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 13
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(13)
On peut trouver un cas o la variance est constante.
Nous avons suppos que y
0
est dterministe, cest--dire que
la condition initiale est une variable alatoire de variance
nulle.
Par analogie avec ce que nous avons vu pour lesprance, si
nous choisissons pour condition initiale une variable
alatoire desprance

2
/1
2
(la variance de y
t
lorsque t tend
vers ) alors on peut montrer que la variance de y
t
devient
invariante (on suppose aussi que y
0
est indpendant des
innovations
1
,. . .,
t
et que E[y
0
] =

/1).
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 14
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(14)
En effet, dans ce cas on montre facilement que :
y
t
E
t
[y
t
] =
t
y
0
+
t1

i=0

ti
o y
0
est la condition initiale centre ( y
0
= y
0

/1).
En levant au carr puis en appliquant lesprance, par
linarit de lesprance et orthogonalit entre la condition
initiale et les innovations il vient :
V[y
t
] =
2t

2
1
2
+
2
1
2t
1
2
En regroupant les deux termes, on obtient nalement :
V[y
t
] =

2
1
2
pour tout t.
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 15
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(15)
Comme pour lesprance on peut obtenir lintuition de ce
rsultat en crivant une quation rcurrente pour la variance
de y
t
. La variance asymptotique est le point xe cette
rcurrence
a
.
Il est important de noter que dans le cas o = 1, on ne
peut exhiber une condition initiale telle que la variance est
constante. Dans ce cas, on montre mme que la variance est
une fonction linaire (ou afne si la variance de la condition
initiale est strictement positive) du temps.
a
Si on note
t
la variance de y
t
alors cette rcurrence est donne par

t
=
2

t1
+
2
. Pour crire cette quation il suft de ne pas oublier que
y
t1
et orthogonale linnovation
t
et dappliquer loprateur variance la
dnition du processus AR(1).
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 16
CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(16)
Si = 1 on sait que :
y
t
= t + y
0
+
t1

i=0

ti
Supposons que la condition initiale soit une variable
alatoire de variance
0
.
Sachant que
t
BB(0,
2
) et que la somme de v.a.
orthogonales est la somme des variances des v.a., on montre
facilement que (en noubliant pas que la condition initiale est
orthogonale aux innovations) :
V[y
t
] =
0
+ t
2

30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 17


CALCUL DE LESPRANCE ET DE LA VARIANCE DE y
t
(17)
Rsumons les rsultats :
Si || < 1 alors la variance et lesprance varient
gnralement dans le temps (sauf pour un choix
particulier de la condition initiale) mais tendent vers des
niveaux constants :
E[y
t
]
t

1
et V[y
t
]
t

2
1
2
Si = 1 alors la variance et lesprance varient dans le
temps et on ne peut trouver une condition initiale telles
que ces moments sont invariants. Asymptotiquement ces
moments ne sont pas dnis (ils tendent vers linni).
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 18
PROCESSUS ASYMPTOTIQUEMENT STATIONNAIRE
Dnition. On dit dun processus quil asymptotiquement
stationnaire au second ordre si on peut exhiber une condition
initiale telle que les moments dordre un et deux du processus
sont invariants.
Le processus AR(1) est asymptotiquement stationnaire au
second ordre ds lors que le paramtre autorgressif est
infrieur un en valeur absolue.
Nous navons pas calcul la fonction dautocovariance
(h) = E[(y
t
E[y
t
]) (y
t+h
E[y
t+h
])] mais nous pourrions
facilement montrer que celle-ci ne dpend pas de t ds lors
que || < 1 et que la distribution initiale est correctement
choisie.
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 19
REPRSENTATION MA() (1)
La reprsentation naturelle du processus AR(1) exprime y
t
en fonction de son pass (y
t1
) et de linnovation
t
(la partie
de y
t
non prdictible en utilisant son pass, ie y
t1
) :
y
t
= + y
t1
+
t
On peut crire de faon quivalente ce processus en
exprimant y
t
en fonction de sa condition initiale, dune
fonction du temps et dune combinaison linaire des
innovations passes :
y
t
=
1
t
1
+
t
y
0
+
t1

i=0

ti
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 20
REPRSENTATION MA() (2)
En supposant que le processus soit asymptotiquement
stationnaire au second ordre, cest--dire en supposant que
|| < 1, nous pouvons aller encore plus loin dans le pass
(plutt que de sarrter y
0
nous allons jusqu y

) :
y
t
= lim
t
1
t
1
+ y

lim
t

t
+

i=0

ti
Puisque lim
t

t
= 0, il vient :
y
t
=

1
+

i=0

ti
Il sagit de la reprsentation MA() du processus AR(1)
(MA de langlais Moving Average).
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 21
REPRSENTATION MA() (3)
La reprsentation MA() est la somme de lesprance et
dune combinaison linaire des innovations passes.
La forme MA() peut sinterprter comme la solution de
lquation rcurrente stochastique dnie par la
repsentation AR(1). En effet si on substitue la
reprsentation MA() dans la reprsentation AR(1) :

1
+

X
i=0

ti
= +

1
+

X
i=0

t1i
+
t
=

1
+ (
t1
+
t2
+
2

t3
+ . . . ) +
t
=

1
+ (
t1
+
2

t2
+
3

t3
+ . . . ) +
t
=

1
+
t
+
t1
+
2

t2
+
3

t3
+ . . .
=

1
+

X
i=0

ti
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 22
CALCUL DES MOMENTS DORDRE 1 & 2, (1RE APPROCHE, 1)
En supposant que || < 1, on peut calculer les moments
(asymptotiques) de lAR(1) partir de la solution MA().
Pour lesprance le calcul est directe :
E[y
t
] = E
"

1
+

X
i=0

ti
#
=

1
+

X
i=0

i
E[
ti
] =

1
La variance est dnie de la faon suivante :
V[y
t
] = E
_
(y
t
E[y
t
])
2
_
= E
__

i=0

ti
__
= E
_
_

i=0

j=0

i+j

ti

tj
_
_
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 23
CALCUL DES MOMENTS DORDRE 1 & 2, (1RE APPROCHE, 2)
Par linarit de lesprance et en utilisant les proprits de
t
(un bruit blanc), il vient :
V[y
t
] =

i=0 et j=i

i+j
E[
ti

tj
]
=

i=0

2i

2
=

2
1
2
Lautocovariance dordre h est dnie par :
(h) = E[(y
t
E[y
t
]) (y
t+h
E[y
t+h
])]
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 24
CALCUL DES MOMENTS DORDRE 1 & 2, (1RE APPROCHE, 3)
En substituant la solution MA() il vient :
(h) = E
"

X
i=0

ti
!

X
j=0

t+hj
!#
=

X
i=0

X
j=0

i+j
E[
ti

t+hj
]
Lesprance de
ti

t+hj
est non nulle (gale
2
) ssi
t i = t + h j ou de faon quivalente j = i + h. Ainsi :
(h) =

X
i=0 et j=i+h

i+j

2
=
h

X
i=0

2i
=

2

h
1
2
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 25
CALCUL DES MOMENTS DORDRE 1 & 2, (2ND APPROCHE, 2)
Il est possible de calculer les moments (asymptotiques) du
processus sans passer par la solution MA() et les sommes
innies.
En supposant toujours que || < , posons et (h) (h Z)
lesprance et la fonction dautocovariance de {y
t
, t Z}.
Nous avons en appliquant loprateur esprance :
y
t
= y
t1
+
t
E[y
t
] = E[y
t1
] +E[
t
]
= +
=

1
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 26
CALCUL DES MOMENTS DORDRE 1 & 2, (2ND APPROCHE, 3)
Pour le calcul de (0) (la variance) nous devons travailler
partir du processu centr. Nous avons :
y
t
= + y
t1
+
t
y
t
= (1 ) + y
t1
+
t
par dnition de lesprance. De faon quivalente, nous
avons :
y
t
= (y
t1
) +
t
y
t
= y
t1
+
t
o { y
t
, t Z} est le processus centr (les moments dordre 2
de { y
t
, t Z} et {y
t
, t Z} sont identiques).
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 27
CALCUL DES MOMENTS DORDRE 1 & 2, (2ND APPROCHE, 4)
Pour donner une expression de (0), notons que :
y
t
= y
t1
+
t
y
2
t
= y
t1
y
t
+ y
t

t
En appliquant loprateur esprance et par dnition de la
fonction dautocovariance, il vient :
(0) = (1) +E[y
t

t
]
(0) = (1) +E[(y
t1
+
t
)
t
]
(0) = (1) +E[
t

t
]
(0) = (1) +
2
une expression de (0) en fonction de
2
et de (1).
Calculons (1)...
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 28
CALCUL DES MOMENTS DORDRE 1 & 2, (2ND APPROCHE, 5)
Pour donner une expression de (1), notons que :
y
t
= y
t1
+
t
y
t
y
t1
= y
2
t1
+ y
t1

t
En appliquant loprateur esprance et par dnition de la
fonction dautocovariance, il vient :
(1) = (0) +E[y
t1

t
]
(1) = (0)
une expression de (1) en fonction de (0). Nous avons
donc deux quations pour deux inconnues :
_
_
_
(0) = (1) +
2
(1) = (0)
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 29
CALCUL DES MOMENTS DORDRE 1 & 2, (2ND APPROCHE, 6)
En substituant la deuxime quation dans la premire, on
trouve :
_
_
_
(0) = (1) +

2
1
2
(1) = (0)
Plus gnralement on montre que (h) = (h 1) ou que
(h) =
h
(0)
30 mars 2008 Universit Maine, GAINS & CEPREMAP Page 30