Les séries temporelles:

ARIMA & ARMA

1

Encadré par:
MR. OUHMANE EL MEHDI
Elaboré par:
Belghaouti Wafa
Laamiri Saida
Elouargua Imane
Boujaadia Fatine
Plan
Plan Introduction

 La méthodologie de Box and Jenkins

A. Stationnarité de la série
B. Corrélogramme
C. Test de Dickey Fuller ( test de racine unitaire)
La non stationnarité:
les processus d’autocorrélation simple et partielle
Les processus générateurs de données TS & DS
D. la stratégie
1
séquentielle
2
de test
E. Validation de Modèle (Test de « bruit blanc »)
F. Prévisions
 Les modèles ARMA & ARIMA

Etude de cas
Conclusion
 Introduction

Rappel sur les séries chronologiques

1 3
 Définition, domaines d’application, composantes, et objectifs

SERIE CHRONOLOGIQUE
=
Suite d’observations indicées par le temps
yt , t = 1, …, T
En général, dates d’observation régulières :
1 t = heure …
4

jour …
mois …
année …
 Domaines d’application

Financ
e
Cours de bourse
quotidiens

Epidémiologie 1 5

décès dus au coronavirus  (Maroc)

Domaines d’application:

Démographie
Population, total-Morocco

Marketing
1 6

Evolution des ventes

 Objecti fs D’une série chronique

L’étude d’une série chronologique permet de:

•Analyser un phénomène
«Décrire/comprendre/juger l’évolution de la série »

1 7

•Prévoir en utilisant des modèles ARIMA & ARMA

« Prévoir les valeurs futurs de Yt »
 Composantes
La tendance Ct

La tendance correspond à l’évolution à long terme de la série , l’évolution fondamentale de la série

Exemple: augmentation du chiffre d’affaire de 2000 à 2021.

Les variations
saisonnières St

Les variations saisonnières sont des fluctuations périodiques à l’intérieur d’une année, et qui se reproduisent de
façon plus ou moins permanente d’une année à l’autre. Ces variations sont dues au rythme des saisons

Exemple: la consommation de tomate pendant le mois de Ramadan

1
Les variations
résiduelles £t
Les variations accidentelles ou résiduelles sont des fluctuations irrégulières et imprévisibles .

Elles proviennent de circonstances imprévisibles: catastrophes naturelles, crise boursière, grèves….

Exemple: la crise sanitaire de 2019 est à l’origine des variations accidentelles dans la série
chronique mensuelle de nombre des passagers
 La méthodologie de Box & Jenkins

• La méthodologie de Box & Jenkins vise à formuler un modèle permettant de représenter une
chronique avec comme finalité de prévoir des valeurs futures.

•De ce fait, l'objet de cette méthodologie est de modéliser une série temporelle en fonction de ses valeurs
passées et présentes afin de déterminer le processus ARMA /ARIMA.
 Éléments d’analyse des séries temporelles (Stationnarité)
Définition

La notion de stationnarité consiste à déterminer si les moments des

variables aléatoires de la série temporelle, sont indépendants du temps.
Mathématiquement parlant un processus stochastique t X est dit
stationnaire si et seulement si:

Intérêt de la stationnarité
1 10

On peut estimer l’espérance, la variance

et les autocovariances à partir d’une
seule réalisation.
Corrélogramme : Fonctions d’Autocorrélation Simple et Partielle

• le corrélogramme nous donne une idée sur la non stationnarité, le corrélogramme d’une
série chronologique est la représentation graphique de la fonction d’autocorrélation simple
et partielle il fournit des résultats avec des bornes de l’intervalle de confiance qui sont
stylisées par des traits pointillés horizontaux ; chaque terme qui sort de cet intervalle est
donc significativement différent de 0 au seuil de 5 % cad sa probabilité est inferieure a 0.05

•Les tests informels consistent à l'analyse des moments et des plots afin de détecter la
1 11

stationnarité ; mais ce ne sont que des tests de présomption de stationnarité. Puis une
vérification de ces intuitions (tests informels) est faite par l'application des tests formels
notamment le test de racine unitaire de Dickey Fuller.
 Corrélogramme : Fonctions d’Autocorrélation Simple et Partielle

La fonction d’autocorrélation simple l’autocorrélation partielle

(FAC) est la fonction notée ρk qui
1 12
mesure la corrélation de la série avec
elle-même décalée de k périodes.
PAC l’autocorrélation partielle de retard k comme le
coefficient de corrélation partielle entre yt et yt−k ,
c’est-à-dire comme étant la corrélation entre yt et
yt−k l’influence des autres variables décalées de k
périodes (yt−1 , yt−2 , ... , yt−k+1 ) ayant été retirée.
 Test de Racine Unitaire et la Stratégie Séquentielle

•Le test de racine unitaire « Unit Root Test » permet de :

 Détecter l’existence d’une non-stationnarité

Déterminer de quel type de non-stationnarité s’agit il (processus TS ou DS)

1 13
La non-stationnarité : Test de Racine Unitaire
Pour analyser la non-stationnarité, deux types de processus sont distingués:

le processus TS (Trend Stationary) qui

représentent une non-stationnarité de type
déterministe.

TS

La non stationnarité
1

DS
le processus DS (Differency Stationary) pour les
processus non stationnaires aléatoires
(stochastique).
1 15
 L’estimation des ordres p et q
ARMA/ARIMA

Le Model ARMA:

Le modèle ARMA est simplement la combinaison

des 2 précédents modèles AR et MA

Le Model ARIMA.

Le modèle ARIMA ajoute une différence à un modèle ARMA(ARIMA est un modèle ARMA qui a été stationnarisé) :
La différenciation soustrait la valeur actuelle de la précédente et peut être utilisée pour transformer une série temporelle en une série
stationnaire. ;
Par exemple, la différenciation du premier ordre traite des tendances linéaires et utilise la transformation ZI = yi – yi-1.
On peut arrêter à ce niveau si la série est devenue stationnaire sinon on procède à une différenciation du deuxième et ainsi de suite.
Trois entiers (p, d, q) sont généralement utilisés pour paramétrer les modèles ARIMA :
p : nombre de termes autorégressifs (ordre AR)
d : nombre de différences non saisonnières (ordre de différenciation)
q : nombre de termes moyens mobiles (ordre MA)
Données mensuelles des passagers aériens de janvier 1949 à décembre 1960.
Cette série est non stationnaire de type DS.

1 17
Après avoir rendre la série stationnaire on va appliquer le modèle ARIMA pour faire
les prévisions.
Evolution du nombre de passagers
aériens au cours du temps

1 18
Corrélogramme

Comme mentionné précédemment, avant

de pouvoir construire un modèle, nous
devons nous assurer que la série temporelle
est stationnaire.

1 19
1 20
1 21
 On utilise le Test de Dickey Fuller pour
confirmer la stationnarité de la série on va
commencer par le modèle 3 qui contient
la tendance et la constante où on étudie la
significativité du coefficient de la
tendance.

1
t-statistique 2,21<t-tabulée 3.14

La tendance n’est pas significative

2éme Modèle : la
Constante

1 23
 t-statistique 1,44<t-tabulée 2,86

La constante n’est pas significative

1er Modèle : ni constante ni
tendance
la probabilité
est supérieure à
5%

la série est non

stationnaire

1 25

Un processus DS
sans dérive .
 • Pour rendre une série de processus DS stationnaire on utilise la méthode de différenciation , on fait la première
différenciation , si la série ne devient pas stationnaire on procède au deuxième différenciation et ce par la commande
suivante :

La commande d’une différenciation de premier ordre

genr dx1=X1-X1(-1)

La commande d’une différenciation de deuxième ordre

genr dX1= X1-X1(-2)

 

Avec X : la série étudiée

Première différenciation

Le graphe après la première

différenciation

1 27
1
Corrélogramme après la différenciation

1 29
 AR(2) et MA(2) SONT
SIGNFICATIFS

1 30
 Validation du modèle : analyse des résidus

Processus
avec
mémoire
1 31

Selon les conditions de validation du modèle on remarque que les probabilités figurant dans le corrélogramme des
résidus sont inférieures à 5% donc on conclut qu’il s’agit d’un processus avec mémoire.
Ainsi que les probabilités du corrélogramme des résidus au carré sont aussi inférieures à 5% alors on a des résidus
hétéroscédastiques , alors on constate l’absence du bruit blanc .
Donc le modèle n’est pas valide .
 Validation du Modèle

La validation du modèle c’est simplement l’analyse des résidus

Corrélogramme du résidu Corrélogramme du résidu au carré

Le Corrélogramme du résidu indique est

ce qu’il s’agit d’un processus sans Le Corrélogramme du résidu au carré indique
mémoire ou avec mémoire. est ce que les résidus sont homoscédastiques
ou hétéroscédastiques
 La validation du modèle

Processus sans mémoire Un bruit blanc

résidus homoscédastiques Normalité des résidus

(test Jarque Bera)

Un bruit blanc Un bruit blanc gaussien

Test de « Bruit Blanc »

Un processus de bruit blanc est une suite de variables aléatoires

de même distribution et mutuellement indépendantes. Ce terme
est emprunté à la physique faisant référence au spectre de la
lumière blanche.
Exécution De Prévisions ARIMA Automatiques Dans Eviews

•Pour prévoir automatiquement une série à l'aide de modèles ARIMA, ouvrez la série et cliquez sur Proc/Automatic ARIMA... qui fera apparaître
la boîte de dialogue Automatic ARIMA Forecasting :

1 35
L' onglet Options de la boîte de dialogue fournit des options supplémentaires sur la sélection
et la sortie du modèle :

1 36
Le graphique Réel et Prévision indique que le modèle choisi a assez bien prévu les valeurs
réelles.

1 37
1 38
 Conclusion
1 39
Bibliographie

https://www.memoireonline.com/07/07/521/prevision-serie
-chronologique-methode-box-jenkins.html
https://www.ladissertation.com/Archives-du-BAC/BAC-Espag
nol-LV1/La-m%C3%A9thode-de-Box-and-Jenkins-399827.html
https://fr.m.wikipedia.org/wiki/Test_augment%C3%A9_de_D
ickey-Fuller
https://slideplayer.fr/slide/5422542/
https://slideplayer.fr/slide/5422542/

1 40