Mthodes de prvision (STT-3220)

Section 5
Modlisation de sries chronologiques
avec la mthodologie de Box-Jenkins

Version: 11 dcembre 2008

Identification des modles ARIMA

On
Un

dsire ajuster un modle ARMA(p,q):

B Z t 0 B at , t.

autre type de modles est le modle

ARIMA(p,d,q):

B 1 B Z t 0 B at , t.
d

Un

modle ARIMA est simplement un modle

dont la dime diffrence est ARMA.

STT-3220; Mthodes d

Mthode de Box et Jenkins

Box

et Jenkins ont popularis lutilisation des

modles ARMA, en insistant sur les tapes
ncessaires la modlisation dune srie
chronologique quelconque:
Les trois tapes sont:

Identification des modles (choix des ordres p, d et q).

Estimation des paramtres; moindres carrs
conditionnels, inconditionnels, maximum de
vraisemblance.
Validation du modle (statistiques portmanteau;
prvisions).
STT-3220; Mthodes d

tape 1: Identification
1.

Est-ce que la variance semble constante?

On veut sassurer que le terme de variance dans le
modle est constant, par exemple comme fonction du
temps.
Transformations populaires:
Transformation

racine, transformation inverse, transformation

logarithmique.
Prfrablement (mais de manire optionnelle dans le cours),
mthodologie de Box-Cox pour trouver la transformation.

On veut stabiliser la variance, et en plus, se

rapprocher de la normalit des erreurs.
STT-3220; Mthodes d

Transformation de Box-Cox
La

transformation a la forme:

y 1

0
,

log y , 0.

choix de se fait souvent en effectuant un

graphique de la vraisemblance en fonction de

Le

STT-3220; Mthodes d

Identification (suite)
2.

Choix du niveau de diffrentiation. Ici on

veut une srie stationnaire. En particulier la
moyenne ne doit pas dpendre du temps.
Si la srie est stationnaire: Si Z t est
ARMA(p,q), alors les autocorrlations (k)
sont en nombre infini et dcroissent vers 0
plutt rapidement.
Un estimateur de (k) est donn par r(k).
6

STT-3220; Mthodes d

Identification (suite)
De

plus, on devrait avoir que:

P

r k k

la srie Z t est non-stationnaire,

que se passe-t-il? On sait que cov(Zt,Zt-k) va
dpendre de k, mais aussi de t. Ainsi les
autocorrlations (k) ne sont pas dfinies.
Mais que sera la comportement des
statistiques r(k)?

Cependant,

STT-3220; Mthodes d

Thorme
une srie chronologique Z1 , Z 2 , , Z n
gnre dun processus ARIMA(p,d,q), o d 1 ;
on prsume que le terme derreur at est un
bruit blanc Gaussien.
Alors pour chaque dlai k fix, on a que:
Soit

r k 1, 1 k K n
8

STT-3220; Mthodes d

Cas stationnaire versus cas nonstationnaire, comportement des r(k), k

fix, comme fonction de n.
Cas

stationnaire:

Cas

non-stationnaire:

r k k

r k 1, 1 k K n
9

STT-3220; Mthodes d

Autres lments dinformation

10

Cas stationnaire: Les r(k) comme fonction de k

dcroissent 0 de faon exponentielle (dcroissance
vers 0 trs rapide).
Cas non-saisonnier: partir de k = 20, toutes les
autocorrlations devraient tre trs prs de 0.
Cas non-stationnaire: Dcroissance des r(k) de
manire linaire vers 0? Dcroissante trs lente? Les
r(k) sont toutes de mme signes? Ce sont tous des
indices dun problme de stationnarit.
STT-3220; Mthodes d

Identification: choix de p et de q
Ayant

identifi d, on a maintenant comme

modle Wt d Z t .
Important lments dinformation:

Pour un autorgressif, toutes les autocorrlations

partielles sannulent aprs un certain dlai.
Pour un moyenne-mobile, toutes les
autocorrlations sannulent aprs un certain dlai.

fait-on si les (k) et les kk semblent tous

les deux en nombre infini?

Que

11

STT-3220; Mthodes d

Modlisation des rsidus

Supposons

que le processus est:

B 1 B Z t B bt , t.
d

le processus bt nest pas un

~
~

p
,
q
bruit blanc mais un ARMA
. Donc:

Cependant,

~
~
B bt B at , t.
~ 1 ~
bt B B at

12

STT-3220; Mthodes d

Modlisation des rsidus (suite)

Quelques

manipulations donnent:
d
B 1 B Z t B bt , t.
~ 1 ~
d
B 1 B Z t B B B at ,
~
~
d
B B 1 B Z t B B at

B 1 B Z t * B at ,
*

Ce

13

modle nest rien dautre quun ARIMA p , d , q

*

STT-3220; Mthodes d

Modlisation des rsidus: exemple

14

Supposons que vos disposez dune srie. Vous la

diffrenciez une fois pour la rendre stationnaire. Vous
disposez ce stade dun ARIMA(p,1,q).
Vous trouvez que r(1) suggre une composante MA.
Vous modliser un ARIMA(0,1,1).
Un examen des rsidus suggre une composante
AR(1). Vous tentez finalement un ARIMA(1,1,1) qui
devrait faire laffaire.
En rsum: ce sont les rsidus qui permettent de
construire des modles ARMA en pratique.
STT-3220; Mthodes d

tape 2: Estimation
Dans

le modle:

B 1 B Z t 0 B at , t.
d

On

15

doit procder lestimation de:

Paramtres autorgressifs: 1 , , p
Paramtres moyenne-mobiles: 1 , , q
Paramtre 0 2
Paramtre a
STT-3220; Mthodes d

Estimation de 0
Dans

Donc:
Or

B 1 B Z t 0 B at , t.
B Wt 0 B at ,
Wt 1 1 0 1 B B at

H 0 : 0 0 H 0' : W 0 o
E Wt W 1 1 0
W2
vu W N W , , n
2
W

2
W

u n1 1 n W u

n 1

on a
W
On rejette H0 si
T
1.96 2.0
W
16

STT-3220; Mthodes d

Estimation des paramtres

autorgressifs et moyenne-mobiles
Plusieurs

techniques sont possibles:

Mthode du maximum de vraisemblance,

Mthode par moindres carrs conditionnels,
Mthode par moindres carrs inconditionels,

Ces

techniques sont discutes dans Abraham

& Ledolter (pp. 250-258).

17

STT-3220; Mthodes d

tape 3: Validation du modle

Quand

on cherche valider un modle de

rgression, une tape consiste habituellement
analyser les rsidus.
La situation est similaire en sries chronologiques.
d
Considrons le modle: B 1 B Z t 0 B at
Les rsidus sont: a
t Z t Z t
sont obtenus en estimant les divers
Les Z
t
paramtres.
18

STT-3220; Mthodes d

Test approximatif: test de bruit

blanc sur les rsidus
se rappelle que si at est un bruit blanc,
alors les ra k sont asymptotiquement
indpendants, admettant pour un k donn une
loi normale:
1

On

ra k N 0,
n

test de lhypothse H0 : (k) = 0 peut

12
reposer sur le test: n r k et la rgle de
dcision consiste rejeter la nulle si:

Un

19

STT-3220; Mthodes d

n1 2 r k 2

Introduction aux tests de type

portemanteau
les n r k sont
approximativement de lois N(0,1), et utilisant
lindpendance, lorsque at est bruit blanc
fort, on trouve que:

Puisque

12

Q K n r k
k 1

2
a

2
K

Pour

lhypothse nulle dadquation, on rejette

pour de grandes valeurs, i.e. Q K 2
K ,1

20

STT-3220; Mthodes d

Test de Box-Pierce et de Ljung-Box

En suivant un raisonnement similaire au test de bruit blanc,

mais tenant compte du fait que lon construit une statistique
de test base sur des rsidus, Box et Pierce, ainsi que Ljung
et Box ont montr que pour tester ladquation dun modle
K
ARMA(p,q):
L

QBP K n ra2 k K2 p q
k 1

n 2 L 2
QLB K n 2
ra k K p q
k 1 n k
K

La logique des tests est la mme: on rejette pour de grandes

valeurs. Ex: avec Ljung-Box, on rejette ladquation 2si
21
STT-3220; Mthodes d QLB K K p q ,1