"
Atg6ti"*"
Ddmocratique
et
F'opulaire
t,rlinistdre de
Jt'EnsEignement
Sup6rieur
et de
la
RechLerc'he
t/ljr
u"
tt
Scientifique
[Jniversitd
I
Mai
1945
Guelma
Facult{
des
Mattrdrnatiques
et
de
l'Inrfonnatiqurl
et
des
liciences
de la
Matidre
D6Parternent
de
Mathdmatiques
M6.mo-ire"
Prtise,nt6
en vue
de
l'obtention du
diplome
de
Master Acad6mique en Math6maticlues
Option
:
F
robabilit6
et
application
Par
.ry1elre
Kouarta Asma
;Ylerre
hadjoudji
mounira
;Ylerre
Azzedinne Habiba
lntitul6
P'ITEISI]DEF{T
P51P'PIJI]RTBU
R
[])KA.MI][]\ATBUR
Diriq€ Par
:Dr.
Otmani
I
Devant
le
jurY
Dr"Rallai
MCA
Univ-Guelrna
Dr.
Otmani MCA
Univ-tGuelmat
Dr.
Bakhouche
MCA
Univ-Guehna
Le
nnudBle
Auturfgressive
Moyenrne Mnbiful lrutBlpre
ARIMA(p,d,q)
JFJFgg}
ffi
Fg
s
#
g
w
#
g
g
#
6
g
#
I
g
#
#
#
#
#
#
#
#
g
#
#
#
#
#
#
#
#
tr
#
#
s
#
g
s
g
#
w
#
g
H
#
#
#
tr
#
g
#
tr
#
ff
#
#
F
#
#
#
F
#
sS#SrSj
t#
# # fr # g fr # # tr 6 # g g fr # g g fr # tr
9'
#
Pf sr'#s
#
frir ses
p
^lc
t,
'lF
#
"]F
F
,#
-#r
f
,#
$Flf
.tf
JF
-#
,
IWiff
a ii#
$F,l
'l
3Fftr
i
s#
#f
I As€f
F &st
#+
F &sF
s{
s
1Pn€r
s-js
s
fllr-F
fi
#l
#'-,#
,#
,#
,#-#
'iff
Jff-J#
JF
jff-#
,tr
cF_
lil
rt
,lf
*S-I$ff
?'. +nf
*
ii
.1j ;1;.;;:'.-r;: u1,..*;
i3'(7n,tnmil
e
*e
dalidi
fuD'#rU{#
te
faat
p^rua,amt
W
ryt{l-
drt &ard
dr4
/ia4dtsrta'ftl,
?lh*
@
d
r+acrc e$eadnccst,
e&
h
p#unq*rc
dE
%#B
:
0t
nasi
tua*t,
?tuar
ozo
fnia:(nx
car4asle,
c&t
t&aerffi.ta*sdanaw
e:,t
o@
ottce:ofrl4,lch$A.
Fa4tr
FtzuTnAAat,
drtaL
0&,
dnwtat)to,
C{d a{a
44itnri4,
kfu*rc
,w??tsrcd00r+
ilfalstrternt
taaa
{sa
auttfqattta
dz
h
D,pnndta*a+t
P4at,
{'eort*tc
dtlar&f/f
ataa,a
td
ttuuwrtu&ta
deq,
oar,to6w, d.(hdi
W
d
tara
ta,.
pnuwaata
dqnat
u"ctpaetr*
d
h
,rca/A,aAiaot
dn
outaa
t-'i Srl; !" -"-.-,*;,i
**rii5.$
'(D6fiicace
d6&e
ce
mimoire
&
toute
ma
6eliteJami$e,
pire
0q6[e
atfraft)
pour
s&
dductrtisn
qu'if
rn'a
e
{es
,ye'ines
qu'i{
s'est
donnrfe
pour
Tfta
rdussite.
],t
wa
Ttu,i
m'o
(fr[assaouc{a)
qui
m'*
6c{ak6,e
tn$n
cfremin
et:
our*gd
et soutenue
tsute
au
fan6
{e
mes
dtufes.
Mesfrdres
flmar
et
gk{.ofiamnfe,
%.a
tie$e
seur
Safrrc.
J'e
ltt
i
tou:s mes
onc{es:
touframi
%rtfrg,
W{,
St{at:ii{
e,t
{eur
mes
S\{a$ime,
Lirda,
Nadia,
t%eriim,
Lin{a.
te:
,{edt
particw{iireffient ma tstfie Soria et
son
ipou.X,{Fares.
J$
rue
wi terminer
$&?ts
citer
mes
amis Sousou,
!T{ada,
fiartr,
t\fadjat,
I{frnrrce,
S{a{a, lMoufida.
{e
dddie
d
tous
mes
awis
que
je
n'ai
pas
citds
et
d.t,aus
ceu"gqui me
conttn"issent.
lEt
tn
ts
fisfoni{fx:
Kp*arta
rt$o&
svfusi
:q
if
"t t : i' hffio,'ffi
:ffiP'ffi
&ffiffi&%KffktrtuffiffiK€mil
6ieu
ft
tout
puissant
{e
m'ar,,sk dcnne
f
fionneur
fe
caur*g,t
tlnTrf t/17
rvw, Jwe
{ake
#
trs.,s'i!"
ftf.r'
'lP. flP.d.1e
fe
tnctn.ol.re
.fr-
rnon
(tutofrpmeQ
pour
sa
€ducatian
qu''i{m'a
incu{qune
iles
peiruzs
qu'i{
s'est donnie
f;our
ma
i'ffissiie.
*),rn /flf^rnn"r*n\
iia'itiV
n*i nnta 6rfair6o
tr!t-r!!
r6ttain o! nti mtn
irtLJl,ili'ii44j
alrr,
iia. ai'ra.i4n,'toe it.,r'tte {,rt*/t,et"r'
ve
rTtr'etr.'
wens*u/ggi st s*uteru$ tsttte
au
krg
de #tes
ftu6es.
A
mon
ehers
frires:
Noure:ddine.
A
tnan chers
Scr'urs
:
Samia,
AbIa,
Neims.
qu'e
tous
ieurs epoax: Ghuni,
wainsb. Aussi
qu'e
toaw
ieurs
:
Nsdire, Chaimu,
S€if, Mouhsrne'd,
y4rwu
et ma
grande
mdre{hmama}
A
enfi
amie\ surtout :Asm*,
N#diet, AmeI,
M*aftda
,
Ilham
,,Sihem,
Ifds@
toas
lu
promo
de
probabititi:
2013-2014
.
ma
ch/rs:
Soahilu,
Foufa,
Habiba,
)Tinna,
Imane,
Amtina,
H*$s,Mareim,
Nadai,
Aieha,
AhlemrS*brin*
tous
lelftmilles:
Hadioadji,
Djouide,,
Djamaa,
Gemihi,,
Mousasui
,sellnoui
$
taus ceux
que
j'aiwe
et
qui **'siment
t -^-Tt ?rD ,
lWUUIVTITA
nte
1.1.1 1.1.2 1.1.3 1.1.4 Ires Quelque s€rieschronologiques.
. al6atoiresstationnarite
. .
.foncti'ons
ACV. ACF et
PACF!.J
Le us
bruit
blanc (white
noise)1.2.1
retard
1.3.1 1.3.2 1.3.3 1.3.4ARMA(p,q)
autor6gressifAR(p)
de moyennemobile
MA{d
ARMA(p,q)
conditions de
stationnarit6 et d'inversibilit6
.{e
La moyenne,ACV, ACF et PACF
de
la fonction
d'autocolaniancedes fonctions
d'autocorrdlation
.
.par la
m6thode MoindresCarr(b
Ordinakes a Moiadree Cars€es Conditionnelsimation
dumaximum
de waisemblance .test
de r€sidus)central
limite pour
rdsidus1 1 1 3 3 6 8
I
I
9 L2 15 16 l-9 20 2A 20 2L ?3 28 31 31 34 34 36.19
2.1.1 dela
movenne
19 2.1.2 2.1.5 2.2.r 2.2.2v
2.3.1 2.2.3 2.2.4 2.2.5des proceesus
ARMA
manuelle
IY 3 3
CONTEMTS
rrtodCle
ARIMA
(p,drq)
D6finition
dela
nonstationnarite
.
.
.tlpes
de nonstationnarit6
.
.
.3.2.1
Nonstationnarit€ d6terministe (Stationnaritd
en tendance)3.2.2
Nonstationnaritd
stochastique(Stationnaritd
en diffErence)3.2.3
D6tection de la nonstationnarit6
enutilisant
les fonctiorrsACF et PCAF
3.2.4
Ddtection
de Ia nonstationnaritd
enutilisant
les tests tle Dickey-frrller3.2.5
D€tection
dela
nonstationnaritd
enutilisant
lestmts
tlePhilips-Perron
3.2.6
Confirmation
d.u nonstationnarit6
enutilisant
le
tests deKPSS (Kwiatowski, Phillips,
Schmidt,Shitt)
.3.2.7
Stationnarisation
en diff€rence3.2.8
Moddlisation de processus stationnaireApplication
tl
3.3.1 s.ghilation
3.3.2
IntroductionsurR
.
.
.3.3-3 Etapc
de
la
modalisation
d'une
s6rie des donu€es(I,x
temp€ratures denotre wilaya
Guelma)Conclusion 46 47 47 56
37
37 37 37 38 39 40 45 .46 46 46I
I
I
I
I
I
ro
ion
g6n6rale
effecU serie
est
une successiond'obsenations d'une
grandeural
r6guliers au coursdu temps.
Les s6ries temporellescon-tres
importent dont I'objet est l'6tude
des r'ariables au cours u temps. 'importance de ce dornaine est illustrdepar
les nombreuxdo'
d'
:
(M6teorologie:
analyse de donn6es climatiques, Eeonomie 6conomiques, Finance:
€r.olution des cours dela
bourse,de lo€l'olution d'r:ne
population,
\{6deciD€, . '.ext..
Noustravaille
de donnerun
compte syst6matique de moddle delin€aire
et
leur application
d la
mod€lisation
des donn6essequentielle dans
le temps. Le
processtrsARNIA ont joud
darx
de nombreuxnouveatx
d€veloppements dans I'analysepar exemple
la simulation
de moddle non stationnaire Lebut
defournir
une technique specifiquepour la simuiation de;
le
logicietR et
en m€me tempsii fownir
unecompr6hen-base rnath6matique
pour
cette techniqrreet pour
cela
nous entrois
chapitres.chapitre, nous introduisons une classe extr€mement
impor-ues(
Xr,t
e
V'
)
ddfini en
terrnesd'6quations
auxavec des coeffi.cients constants.
L'imposition
de cette struc-dEfinit une famille param6trique de processus stationnaires.avons selle , un des
AR
sion divir serle ldmes, apris
.
Dans der sllsAR
enutili
tant
ce f,fa,le
pr, s6riestwe
I'Au
moyenne mobile ou processusARMA.
d'un
moddle appropridARMA
(p,q) pour
representer unstationnaire
observ6implique un certain
nombre deprob-trl
s'agit
notamment du choix de p et q, etI'estimation
de desj:1
...,ql
etq). de
I'
du modBle doib 6galement €tre v6rifi€e d€pend d'une dela
de
testsd'ajustement,
m€mesi la
s6lectionfinale
des pluspeut €tre
syst6matis6 dans une large mesurepar I'utilisation
tels
I'AIC.
Nous allons discuter ces principes dans le deuxidme la classe des mod€lesARMA,
qui intdgre une large gafirmeest
fourni
1mr le processusARIN{A,
i
savoir }esproces-iation un
nombrefini
defois,
der6duire aux
plocessrr'sle nidre
chapitre
nons abordonsde d6finir le logiciel R,
puiss, c'est d
dire la
moyenne: les coeffficients{f
,r8,:
i
:
1, ..., Piles
notre
ARINIA
quiann€es en
INTTRODUCTIOJV
GEMfRAIE
la
mod6lisation de eette processus' Finalementi{/par
unesimulation d'un
ens€mble des don.n€es dekh
degr€s de temp6rature denotre
n'ilayaGutima
lesI
l
I
I
-l
I
-t
I
pr
cessus
stationrlaire
est
d'introduire la notion
de procesisus temporel et plusclasse des processus
ARI{A
(famille
de processus lin6airesprocessus sont trds g6n6raux et sp6cialement Ie
modile
clas-srqueLe de ce
par
iirement
).
1.1
Ia s6rie , qui sont particulidrement utiles
pour
d6c.rire lecom-des temporelles unirariEes. Cette presentation suppose que I'on
un certain
nombre de notions essentiellesd
I'analyse deset
enparticulier la notion
destationnarit6.
Les
s6rie
d6finition
chronologiques
(Xt,
t
g
Jn)
est une suite d'obserrations
d'uneXt
ddfiniessur un
espace deprobabilitE d
diff€rentes datesn
est un.T)
et
T
de temps
qui peut €tre
discret,
(dans ce cas,fn:
le nornbre
d'obsenations)
oucontinu.
Habituellement
fn
able ).
temporelles:
La
partiti
de musique estun
exemple de s€rie temporelle, m6me s'i1de la math€matiquement {si on excepte
la
musique s6rielle ::
modifier
I'emplacement d'une note a des cons€quencesLa
s€rier.1).
reprdsente
la
population
desEtats Unis de
1890d
1950,nombre de decdes accidente en USA (197&1979), (figure 1.2).
1 d€fini series
r.
on
{1,2,
. estI
l
I
I
I
I
I
I
I
I
I
TI
I
I
I
I
I
I
I
I
CHAPTER
1.
LE
PROCI'SSUSS?i{?IONNA]RE AHMA
/
) Populatic,n de
geglAa
2008-201'1,(figure
1.3).(
o e c8s
fe TiEnefigure 1.1:
population
des Etahs-Unis 189G1950I
6 oQ 5O 6 a 1975 1976 19'rf Tinefigule
i.2
:
Nombre mersuel,1\rI9P/
DEFII\TITION
2010 2011 2012 2013
2014 Tin€ iste. U du Ps, IaI
figure
1.3:population
de geulma 2008-201{al6atoires
utilise
lerme
cle processus al€atoirepour d'€crire
une variabledont
le,
peut pas €tre exprfun6 entidrementpar
unerelation d6termin{
proc€ssufi
toire
est une suite dereriables
al6atoires indexdes dans led€liniesr un espace des 6tats de
la nature. Ainsi
pour chaqueinstant
dela quantit6
6tudi6eXt
est appel6e rrariable alEatoire etdes
Xi
quandf
nie
est appel€ processus alEatoire.profil
temporel d'une s6rie chronologiquer6vile:
tendance globale plus ou moins 6videtrte(Evolution polyge. ) un aspect local trds
irr€gulier,
impossitrle une courbe simpled'un
tit
nombre de paramdtres,A
(
Xt'
est i ue. vue de lae ?')
par la suide recommenger la suite des mesules dans des conditions
ii),
on tente
de mod6liserla suite
des obserlatiorus processlls al6atoireX :
(Xt,
t
€
T),
cequi revient
i
af-Xr,
t
€
T)
est une trajectoiyd typique du processus, D'aprds pou\rouQuand
N
---+ oa, la loi du processus.ll faui
donc se restreindre( Xt,
t
€
T)
est unetrajectof#
typique du processus, D'aprdsrl-pire le
modile
desdonneell
f/t
quela donnee (Xr,
t
€
f),
tY7
CHAPTEN
L
LE
PROCESSUSSIi{TIONNAIREIAR]VIA
sur
la loi
P
du
processus.La
La
vt€
quetrois
s6rie dans dansag4ens
strict (
la
stationnarit6 forte)
(
Yle
he
d,e
r
un
processns temporel al6atoire(Xr,t
e
Z).
I
Le
prvceaws X7 est d,it strietenzent oufortement
stati,onnaire si-uplet
du
ternpstr
{
tzaaec
t;
+
h e
Z,
Vi,,i,: lr...rfl
la suite t*rr*o,...,
rr_*^)
d,la
nt€me loi,que Ia suite
(str,...,#r.).
autre
fagon 6quivalente ded6finir la stationnarit€ forte
:2
Un
processl.rs estdit
stationna'ireau sens
strict
si,
pouir toutesjt,jzr....rjn
lad,istributionjointed,elasuite
{*r,*r+jr,...,rt+j*)
d*pend, des i,nter"ualles ile ternpsjt,
j2r....,
j*
et est ind,Cpend,ante d,e lapEri-3
Une.suite de aariable
aldatoir.es(Xr,te Z)
ind€pendanteset
d,eloi
est stat'ionnai,rc.au
sensstrict"
porte sur
les momentsd'ordre
un
et
signifietout
simplernent que lesitions,
il
existe alors uneou
plusieurs repr6sentations possibles de laX6, ces repr€sentations ou processus ayant la m€me
distriibution
temps (m6me mornents). Cette hypothdse d'invar.iance de la distrjitrutiontemps permet ainsi de se
limiter
d une certaine classe de processru.s"totl
:dtordre deux
(la
stationnaire
faible)
Un stochastique (X1) est
dit
lbiblement stationnaire ou stati,onnairedu
oldre
si:eZ,E
(xf)
S
"".
e
Z,E (X*)
:
m
,inddpendant det.
(f,
h) €
Zzcw
{X1,X.+a)
:
T(h)
inddpendant d.et.
premidre condition
E (Xrt)
{
oogarantit
tout
simplement I'existence (oula
)
des momentsd'ordre deux. La
secondecoudition E
(&,)
: *,
allatoires
Xt
doiventavot
la
mdme esp€rance quelle qnesoit la
datef.A
t dit,
I'esp6rancedu
pfoce$susXr
cloit 6tre ind6pendantedu
temps.d'
la
troisidme condition 'y(h) ind€pendant de
t,
porte sur les
uroments deux rersum6s par la fonctiond'autocorariance.
Cette condition irnpliquemonrents doivent €tre ind€pendants de
la
date consid6r6eet
ne doivent uniquement quede I'ordre
desretards.
Autrement
dit
la
fonction
d'a
ancedu
processnsX;
doit €tre
ind6pendantedu temps.
S,rus cesprocessus
{ Xr,
t
e
Q te\p
que poru presquetout
r,r toute portionLsu-ffisa-longue de la
trajectoire
(X)
t
e T),
fournisse des indications su-ff.snmmenttury(r,
/'
oErrnrrrrow
io'n 4
nEsumE, an procesllrs est stat'isnna'irc au second srdre si l'ensembletd,e fixonlents ind4pend,ants du temps-
Par la
su'ite le ter"rne stati,onnaire fem,, at at'i ann arit Ef
aib I e.Ex
ple
5odA
et
,B sontua,r\
:
L amec€
[-r,
r],
on uEri,fi,e queX1
estun
proceEslusstationnaire
duordre put:,
(
*oo,
VteZ,.
(dh)
ne d€pant pas det.
B1)
X1
est Jortement stati,onnai,rcet
E
tX?)
K.x,
aloraX1
estit
Le
rec'iproque est fausse en g6,n|ml.7e)
X1 est fai,blement stati,onnai,reet
gaussienne, alorsXx
esttelle
que Ie pweessts gauss'iensdtfinie par
:8{
gaussierzs)ll
lea
gaussiennereelle).
Ondit
queX
est une variabie al6atoirereell[e sa
loi
deprobabilit6
apour fonction
caract6ristique :E
E
"v
le processus
(Xt,
t
e
Z)
def,nipar
X1:
Acos (d*)+ Bsin
(0t)deu,x
v.a non
contl,IEeset
E
(d)
: E(B) :
0, uar(A)
:
€IRettr
en d6duil;
E[X]
:
;,r,et
queuor(X)
:
02.
Si
o
*
O,la
loi
possddede qur a
pour
expresslon :<bx(*)
: zll"*t]
/.
o2r2\
: exp\?pu-
2 ).
R+.
px@):#"*(-%#)
(tx,t''
r(Xr)=
(h):c
iorn
I
f$
gaussienreel).
Un aecteur al€ato'ire yreel dedirtension
n(xr'.
,X"")
est aecteur gaussien s'i toute combi,naison lin1ai,re deX1,...,Xn
est zsuriqble gaussienne r6elle.
10[
gaussi,en{eel).
On di,t qu'un
prvcessus r€elX
=
tx
{t
t e,T)
gau,ss'i,en si,pour toute
suitefinie
d'instants {t1rtzr...rtn!-
,X
(fr))
estun
uecteur gaussien.(x
(tr
,X
(tz)'
:11 P, oppos:ition,
un
prrl.ces*tls non stationna'ire est unptcessus
quipas I
oil
l'autre
d,e ces condi;ti,ons de stationnari,t€ faible.Nousun
qu€
CHilPTER
1.
LE
PROCESSUSSTA.?IONNAIREIARJ!fA
12
(prvcessus non stat'ionnaire:
nzarche aleatiore)Ss le processus
d6flni
sw
f
€ N
p*
&
:
Xo*
Xr
*...
*
Xt,
ohXt
estit
blanc. Un tel
processus est appel€ une mareheal6atoire.
On e:ndduit
,sr]
:0,
que"y(t;t)
:.8
[xf]
:
toz et pour
que,h>0,
ona
:'v(t
+
n,4:
"EK&
*
&+r
+
.'.+
x41")sr|
:162
processus{,$}
n'est donc passtationnaire
au second ordre.Les
fnnctions
ACV, ACF et
PACF
d?autocovariance
(ACV)
ion d'autocovariance d'un processus
(Xr, t
e Z),
de moyenneJ4(Xr)
:
1{h) ou.y6,
est d€finiepar
:
VIre
Z:
I (h):
cw(X1,,Xt+il: Ei(Xr
-
m)(Xt+r.
-
O(Xr+r,)))
rtrice
d'autocovariance(de dimension
m.)est d€finie de
la
mani€re| 'l(o)
'i(1)
?(h-1)
I r(t)
?(0)
1&*2)
Fl'ra: I
I
:
: I\
r
(t,- t)
1(h
-2)
? (0)ion
d'autocorr€lation (ACF)
La
iond'autocorr€lation
d'u:r processus(Xr
,t
e Z)
de rnoyennelt(&) :
n-Ltp{h)
oripr
ffit
d6finie par Yhe
Z
:p(h):oo:
#
p(ft)
e
[-1;1],
et
"y(h)
-'yu
designela
foacti,on d'autocovariance :1
p(1)
p{2)
p (3)p(n
-
1) p (1) 1 p (1)p(2)
.-.
p(2)
p(3)
p(1)
p(2)
1
p(1)
p(r)
1oirr
,irt
p(n
*
r)
p("
-
2)p(n-3)
p(n-
a)prit
i
NI Un de fagon,ition
13 I'es foncti,ont p(h)
et 7(h)
sont sym€triques Yhe
Z
;p(h):
p(-a)
r(h):r(-i,)
partielle
(PACF)
i
un lien
entre des donnees observ6esd
diff6rents instants.de Iien co4siste d mesurer La relation entre deux observations,
aux
obeilratione intermdiafues.
Il
s'agit
deI'application
deaux s€ries chronologiques.
p!
(notee aussipLr )
designela projection
orthogonale dansform€ des combinaisons lin6aires des
Xr,
orls
(
r
(
t.
(xr)r.,
proceasus stationnaire centr€, defonction
d'autocorr€lation. est d€finie par:corr
(X1,X2)
:
p(1)
corr (x1,a1
-
P*(xo+r),&
-
P*
(xt))
I'autocorr6lation
entre deuxinstants,
une foistir€ partie
lin6aire disponible entre ces deux instarrts. D'une certaineles observations
faites
en cesdeux instants
detout
ce les obserr,ationsintermffiaires.
def
CHAPTER
1.
LE
PROCESSUSSTATIONNAIRE ARMA
-t
"tr*,:..t1.
figure
1.4:Autocorrlation
entre deux instantsstatinnnaire
S.accroissernents
ind6pendants
pf,oc€ssus
(X*,t
g
V,)*f
un
processusstationnaire d
accroissenrentsin-si la loi de
probabilitd
des accroissements (4111, 116) est ind6pendanteYh
e
Z:
C'est
donc une classeparticulidre
des processus stationnaires d.dans
la
pratique
on retient plus
g€n€ralementla
d6finiti,on suivante dublanc.
Le
processus
bruit
blanc (white
noise)
processus le plus simple mais veritable atome de ba"se de tous nos modiles
processun
dit
rtbruitblanc",
(v'hite noise). Le processus (et)tes cornpos6 debles al€atoires rGelles
{v.a.r)
centr€es de rrarianceflnie o2'
sans corr6lationun
bruit
blanc (0,o2) not6
BB(0,o2;'
Btoit
blanc
estun
proc€ss'sii
accroissements inddpendants.'exemple Ie plus classique est celui form6 de suites de
v.a.r
de variarncefinie
it t it r*
1.3
1.3.
AEMA(P,Q)
ll:t::*itfigure 1.5
:
graphe debruit
blancretard
B
(
Backward) est d6finBpar la relation
suir,ante :BX2:X;1
VteZ
permet de dEfinir une application
qui d
toute variatrle
Xgretardde.
Cet
op6rateur{
les propri€tessuilantes
:i
Yj,t eZ.
*i
Vj,t
eV,.=
Xt-i-r
Yi,i,t eZ.
sont trds g€n€raux, appellent
le
modelARN{A(p,q).
ARJvtA(p,q)
us
autoregressif ARIA)
&1,APU
rporel
(X1)s€zest.un
proc€ssus autorF.gresifd'ordre p
not6prOce6$uff
) s'iiegtdrend,tes
conditions suirantes :| -r)
la
varia-ll.
:;g
B_]Xt:
Bi{Bi
Xt
silol
<
1, intenant CrsL€S
X1 rest
stat
du
seconde ordre.*
aB)-1*
:
$frt
:;!f*
(r +
"r
+
at*z
+
a5B3+
...+ oi
gi)
xt.
station-10
CHAPTER
1.
LE
PROCESSUSSTAflONNA]R.E AR]!fA
Existe un processuc("r)te"
estB.B(0,os)
et p nombres rdels @1...@o, telleproces€us (X1) v6rifie
l'6quation
de r€currencei
second membre al6atoireXt
*
6tXt-1
-
...-
flpXt-p:
e1 (1)d'un
procesars AR' p)
(Xr,
t
€:L4
Lafonction
d'autoccaariance 1 (h)une rrelati,sn de rdeunence de
la
forrne :2 que
(Xt,
o(B
[dfln;-t-
dz"tn_z
Qpln-r-t
fi
I
dt'yo-t
*
6z]n-z +
...+
6p'ta-r
si h:0
sih>0
(2).
On coneiddrela
d6bition
deX1
:& :
c+
f.rt-r
+...
+
$"'et-p*
eg apresla d(ftrition
dela fonction
?h, on a Vh>
0:
r
.Et(-{r
-
rrz)(Xt-n
-
.E(&-r")))
E'(cxn-a)
*
hE
(J(r-rxr-r)
+
...+ 6pE
lxt-"Xt-o)
*
E
(e,Xr-r)
dr?r_r
-t
6z",tn_z+ ...+
&o"ya_pE(6r&-1,)
:0
cat
Xt-t
ne ddpend quedes
€t-h-i
avecj )
0.la
m6me fbgon :nlrx,
t' '
-*\2f
J("x.-a)
*
6tE
{Xr-rxr)
+
...+
6"8
(Xt-"Xt)
+.8
(€rXr)
$fln-t
*
fiz'Yn-z+
..'+
6p7n-p+.8
(e6X1)dftn-t*
6z"Ya-z+
..'+
6e1n--u+ 62E
(erxr)
:
d2 puisqueXt
peut s'6crire
sousla
forme d'une
sotnmedes cho-cs passes.
LE
La foneti,ond'autocontlation
noteep1
d'un
processusAR(p),
7,)
satisJait une velut'i,an d,e r{cuvvenre, de laforme:
L - " r&
[drPr,-r
*
fuzPn-z+
...'+
6pPp-n
Yh 'eL
relations sont conrures sous le nom
d'iquations
de Yul+.Walker.tQ
Lesautrcantlations paftielles,
not6.sa6,
d'un
ptocessttsAR(p),
X1:
(4).
II
suftt
et
celleARI/LAe,q)
11identifier
fnembresd
membres les termes dela d€finition
deL p:ocessu$
Xr.
r
X,
: t*
drer-r
+...
+
&net-p*
e1r€arire soqs
la
forme:ier
coeffiqient 6gala
dup tt l=: a! I E T :l**
.:,
= J$u
processusAftt1)
:Xt
:
0.7&-r
*
et
etfonction d'autocorrlation,
Tr
:
6t
{6t
-
m}
+...
+
6ptXt-ea1
-
rn)*e6'
de Ia
projection
lin6aire cleXt+r
sur les p pluspartielle d'un
A.R(p) s'arrnule &I'ordre p
+
1.CHAPTER
1.
LEPROCESSUSS"ATIOI{IVAIREI
AR.I!tA :J ri "I ,':r.a 1t.t:
':rJh:0
o<h<g
h>q
Calculons les
autocovariance pour
le processusMA(q)
:Xr :
et*dret-r+...+Os€t-c
.TE--:
etl-
Lfli€t_,
.i:1
-trJ (5) (6);:W
o.,l
u
Itr 1 ng Average)t
Xa est
stationnaireTu
secondeordre
.
\
Existe un processustur)r.,
estBB(0oot)
"t
p
nombres r€els01,.'.,du, tel
(t +af
+ol+...+e?)6?
(-0n
+
0t0n+r+
...+
0q-n0q)o!
Thc
1.7
:
Tlajectoire du
processusAi?(l)
: X1:
0.7Xt-r
*
e1 et; safonetion
d'autocorrlation
partielle.Procpssus
de
moyenne
mobile
M
A{q)
processus
(Xr)
of
un processus de moyenne rnobiled'ordre
g not{iMA{q)
proc€ssus
(X1)
v6rife
la relation
:X;
:
sr*
9tet-t+...
+
0c€t-sLT
Lafonction
d'aucsuari,&nre1k d'un
processu'sMA(q)
lirXr,te &)
AR+IIAg,a)
13 .6.{xtx.ta)
+
(*
*
E'"--,)
(*-"
*
*r,"--,)
r
(h)
E((
E(
-0qo2 si
h:Q
0 eihlq
h:0
o<h<g
o
h>q
rcstrltat,
il
sufrt
de rappeler que .E(es,es-5i*
*\
(Xr+u
-
a(Xr-a)))
-
0ret-r
-r
...-
Acet-q)(t.*r.
- 96t-r-n
flcet-c-n)1cette
expressionon retrouve le resultat
g6n6ral 6noncd ci-La fonctiolt,d'autocontlatian
notde p7"il'un
p"oeessusMA(B)
it
une rcIation de r€cunvnce de Iafarrne:
o<h<g
q
h>q
ffi *
'v(h)
d'un
MA(q)
pour
hcq
donn6e parblle est d6montr€ ci-deesu6.
I
o(o):
t!91
:
t
? (u)r
(h)
-
-
?i0)
-on*D3:o*.
oiai-6)o2
-@
01*
Q$na1+
...+
0q-n0qtw
(1+
f,lr
0l)o"
sih:0
(-Pr.1+D3:u*r0;0;-Vlo2
si
1(
h<g-1
(t
+ af
+
e?r+ ...+
eZ) o?(-0r,
+
0106ar+."
+
Lq-n|qlo!
p(h)
:
iai-n)oz
p(h)
,n:
{
Ona:
*
El=r+r
14 CHAPTEP-
1.
LE
PROCESSUSSTATTONNAIRE'ARMA
) pour
h>$:
aa{a
sfl
Tp(h)
:
?(h)
? (0) 0t(o)
01
|
,--;-;'i
6s
l; { {-r II
ll 1$ l$t
IX{ Tirr
Tlajectoire du procesus M,4(1)
:Xr
:
€6*
0.761*1 retsa
fonction
dnautocorrlationpartielle'
figFr€ 1.9
]Ttalectoire du
processusMAtl)
:
X1:
e6*
0.7e1-1et
safonction d'autocorrlation
partielle. Lrr r +t€
a "l fforrre 1 li t. l' {? *de-{:
W
I.3.
1"3.
De
en di(Xt't
qARMA(P,Q)
ARpIA(p,q)
19 med,ile agtordgressif et rnoyenne-mobile
d'adrcs (p,q)
(abrdgetl(p,d)
wn procq"sslts ternporel discrv,t(Xt,
*
e
V')uerifi*r&
lescon-Eutivantes
15
{Xsi
estil
existerh-ionnaire
du
seconde ordrc.processuq
{rr}r.z
estun
BB(0,o2)
et p
nombres r€els S1... r6els 01...@o,tel
que le
processus(Xr)*ez
v6ri-fiel'dquation
Xt--r-
z-ds
Xr+r-..'.-drXr-o
:
et*dr
€t-r 1-9zsr-z*".*
0 s€t-.q
(B) Clti les S; et 0; sont constants avec 0s,6e+A
et les termee€i; SOIrt
iion
2O Lafonctioq
d'autocoaariance,y(h)
d'un prvcestusARMA(p,q)
Z)t estpar la
relati,on suiaante:p
0{t
&-
i)
+
E
(Xt-aet)
-
Dtr"(Xr-r,at-a)
i:1
s
iil Li il Brf
.++
ltnr
1.10:
Tl4jectoire du
processusARMA(l,l)
: Jis:
g.r-r
*
0.6$r-t
*
eret
safonction d'autoeorrlation.
autqrfgressi,f
,4nb)
estun
AnMAftr,0).
rnayten$Le mnbil.e
MA(S)
estun
ARMA{A,d.
21
Unil?
Un !l-l
-l---{---1,1",'l
j'i---
----'----CHA?TER
1.
LEFROCESSUS
STATIONNTAJRET ARtLfAuilJ-.
1_./7
pouT sdrie l',i d,elusion
2& II
se trvuue egalement't'i,mgtortance de la foncti,on d.au,trt-cor"rtlatirtnle modile
d,ela
sErie Etudi,€etelle
que:
la
stat'ionnamiti, de lae n1cgigfrg; que les coefficients de p7, d,'ou €tre egales d,
0.
En
tl,autresil
fau\Ies coffici,ents
d,'auto-eort€.Iat'ian sont s'itu€s d,ans les liyn,ites d,e de canfi.ance,S'iI
eviste d.ans I'estEriewe" d,es linzi.tes cle I'iruteraallepoLtr
une
longuepiriode,
Ies coeffici,entsd'auto-con{lation
d,oncfdrentes d,e z1ro et sa im,pkque que la
sirie
est non stationnai,re.On
sa,itcoefficients de p1,
sudl6
loi norrnale centgE de aariance Egaleit
1|),
aonc,*--t(
alle de confi,ance
Wur
un
Echantillon de |-mndetaille
est,
P
d,= 5
J.
rc:
f-r.oo
. +1.96 {e)hypothise H1
QuiWAu" pn*0
(la sdrie
estnan
stat'ionnairc).
on uar
cea testslargemint
d,ansle trois'iime
chapitre..24
Si, Ies coeffic'ients dep6
dansIC
en
arnepte l,hgpothiseHs
quipl
=
0
(la
sirie
est stationna,ire) sinanen
rejetH6
et
en
acrcpte leLes
conditions
de
stationnaritG
et
d'inversib
de
stationnarit6
de
AR(p)
25
Un
procesllastXr,t
e
Z)
satisfaisant une repr€sentat'ionAR(p)
inuervi,ble.Il
est stat'ionnairv lorsque toutes les rac,ines d,u po/ynimenot€es
A; € C,3
1.p
sant de mod,ulestrictement
sup€ri,eur d, t'anit6.pp
o(.\i):Idn^t:o
,
ff
(r-.r;1r):o
,l)il >1.vj
t:0
t:0
indique
tout d'abord
quetout
processusAR
peut €tre ooinversr4,' sous la formed'un
processustrIA.
Le secondpoint,
plusfon<ilamen-be sur
la stationnarit6
du processus.ce
th6ordme indique que lors,que lesdt
polyn6me autor6gressifsont
boubes sup€rieures dI'unit€
en rnodule,satisfait lm
3 eonditions dela stationnarit6 du
second ordre.ions de
d'inversibilit6
de
MA(q)
26
Un
processlts(Xr,t
e
Z)
satisfa,isant une repr4sentati,on .MA(q) stati,onnaire.Il
est inaers'ible lorsque tsutes les rac'ines d,u polt,ynilme que I'dn estQ@),
etr
tal,
Concl
linrh*oo p{h',1:
h)
:
oYhls
limh*6., p(lz):
0Les
d,
d'un Dans not6 SCle
cas(r)
a {Ar) th€ordme u'ume p,artie s€rUsla
s€6itions
27
taretard
avec {A6 Ier:asp:
A>
A(0,
A8/ldA(P,Q)
Z=FZ
_Ii
:1,2
17*,,^r
=
o*,t
(,
-;")
:,
r.\,t>
1vj
us
indique
tout
d'abord. quetout
processusMA,
qui
n,est:
pond6r$e debruits
blancs, esttoujours stationnaires.
CeI aisemertt compte tenu des
propri6tl
ao
u*it"
blancs.La
h{"ttr
qu'un
processusN,
d6fini cornme""
UIApeut
€trete
d'un
dR
si lepollrrdme
associ€ g{g)
est inversible, c,estsont toutes sup€rieures
d
I
en moduie.'stationqarit6
et
d'inversibilitd
desprocessus
ARMA
d,ts
conditimts d,estationnarit|
(o*,
desttnditions
les cas) yeaient d d,6,terrniner
Ia
position'relatiued,es racines
i
enl'opSrateur
retardpar rappart ou
*rnl"
unit6
d,u plan
n
polyndrnre !D(B)
d,ordre
p d
coeffcients r6els, d6fini
enB,
:lo
dq
:
1.
Soit (A;),
I'ensembte -Jesracines
de
ce€cp
*
("),8
$iBi
:g
(,
-
ir)
:
oles racinqs du polyndme s'obtierurent
d.irectement d
partir
4\z
*
rbzFz:
(t
- ;) {t - ;) :
o dela quantitE:
A
:
d7-
A6z,on
montre que:
At:z$z[-*,
*
les
raqinesdu
pol5.n6med
coefficients r6els d,ordreent
aqx
rmleur propres de
la
matrice
F
;tBss
t/s s?t{Tr0-tu't{-,[rRr;
AR-{.IA )l t), ,rp \10
0l
I I0... r 0/
18
CHAPTER,L LEPRO(
La AF I'e:
qI
dte2.1
Er*i
cetteARMA
2.1.L
Esti
Pour emprrrq Si le nrombres $n mrlablerxiste
lespte
tp,q)
ondr-'l'
critdres leePACF
fil; ,,', fin
suite
dqT
observationsproduites par un
processus sta_&:
dep et
Se fonetion d'atrtocovariance .y(h).
nous gstimons
les paramitres
inconnuesd'un
moddle
p
,1(hj
p(h).
de
l4
moyenne
(theprique)
p,
un estimateurnaturel
estla
moyenne (10)
pr. : sans
biais
E'(/r):
pr1g
:TL*,
t:1
r6alisattio
determinef
tion
dp
la
moyenne,
AC\/,
ACF
et
est simplelnent un
bruit
blanc, alors laloi
forte eles grandsN'erg-enc:
{e
1,c versp
presque sorement, enprobabilite
et*',I"_l:t
ftrte
des-grands nombres n'est g6n6ralement pasde
Xi
nF sont plusiid.
Cependant, urri6".,ltut
analogue correl6$s, dcondition
de supposer indEpendance faibleoo).
C'IIAPTER
2.
ESNN,fATION
les
variablp
(c'est-i-dire
en imposant unecondition du
tlpe
[ll,I,yol
<
Estirfration
de
la fonction
dtautocovariance
construire un
estimateurde la fonction
d'autocovaniance th€orique7(lr),
r quesi (Xr,Y1)r..., (Xz,
l'7)
sont
d.es obserrations bir.anierxiid
deflni,
un eetimat€ur dela
cotari.ance entreX et
Y
eet donn€par
:**e-'t
(v,-v'l
ime donc [raturellement
la fonction
d'autocovaniancepar
:t L!/
-\/
-\
i
(h)
: r4}(x,
-
x,)
(x+"
-
i")
(12)2.1
( 11)
t
pour
0< Il <
T
-
1,il
est appelE I'autocovariance empirique.les valpurs negatives
de
h
on utilise la sym6trie de
l,autocor,arianceue 7(iz),
{t
ond66nie
r{tr)
: i (-h)
pour
V
fr,<
0.)estimaterfr a l'avantage d'€tre un estimateur sans bi;ais de I'autoccrr,rariance ^v{h)
{'est-i-dire
son esp6rance est exactement 6gal a.f{ft).
2.1.
Estir4ation
des
fonctions
d'autocorr€lation
On
natur{lleurent
la fonction d'autocorr6lation dpartir
de I'autocovariancede
la ftgon
suivante:p(h):
"ffi
I
t'n-po'
I
w(0"-*)
-N-(0,o2)
t13) appel€ lflautocorr6lation empirique.rrem€
.::
soit
soit
Xr
Xr
un un processus processus ,41?AR(p)
(r causalor
€6*
BA
(0, a2), et soit{4r,".- ,ro}
detaille
n.note
S, 1 R;t?,
et&f;: I
tol
(1
-
6a;tpr).
Alors
, quandn
--.---+ oo, (14)2.2
Estirrfation
des processus AR.,MA
nou{ nous irrt6ressons aux probldmes de I'estimation des parcrm€tres ts
-4ffllfA(p,
g)*
partir
d'une suite de nobsenations. L'estimation
tres d'frn procesrius
ARM
A@, q) comprend aussi, en principe, ,l,estimatiomp et
q.L'estimation
de
paramdtresd'un modile
ARMA(p,g)
peutpar
dilprentes m6thodes dans le domainetemporel
:I
2T
2.2.L
l/Iod6ltisation
manuelle
choix
de ltordr,edtun
modelepar
lesfonctions
d'autoco,rr6lation:
Auchapitre
I,
nous avonsvu
comment estimerla
fonction d'autocovariance d'unpro.urr.tr. Le
theordme centrallimite
(1.1)a
permis de d6r'elopperun
test sur la foncbion d'autocorr€lation empirique afin de voir si un processus de typerrbruit blancrr pouvait €tre ajust€ aux donn6es.
L'objectif
de cette section est de g6n6rali,ser cette proc6dure de test d la classe des processus ARMA.Poururrm<rdOleMA(q):Lorsqu'onobserveunes6riechronologique,
la fonctionL d'autocorr6lation empirique est un premieroutil
pour selectionner l,ordre du moddle quidoit
6tre ajust6 aux donn6es.Nous avons observ6 sur un exemple d,e procelssus d, moyenne mobile qu'un test pouvait pratiquement €tre mis en plar:e-pour d6terminei si les coefficients d'autocorr6latio' empiriques sont n6gligeabl:s _Cetexenrpleestg6n6ralisabledtoutelaclassedesprocessusA,moyenneou significativement difi6rents de z6ro'mobile.
Soit X6 un processus stationnaire de modele M A(q) est de Ia forme:
Xt:
et*
?:.t-r
*
.'.*
?qeFtNous avions o,bserv6 que sa fonction d'autocorr6lation p6 s'a'nnule pour h
>
q(voir la formule (7), figure:
(t.9))'
Oe pl.Ytl.oott
avons montr6 que' pour touf,;t;;";;t;
I'€airr:, ia
fJnction d'autocorr6lation empiriquep'
est un estimateursans biais de p6, et on a Ie th6ordme central limite :
2.2.
ESTIMAI'ION
DES PROCESSUS ARNIA,fftpi'
--p{,...,p{
-
pI)
4
n(o,f)
to"ou'?
*
oo (15)ori
lesl 6l6ments de Iamatrice!
de covariance sont donn6s par Ia formule(*).
E;
cons6quence,,i
ot
obse,'oi"n
6chantillon(X''
"''X1)'
cette propri6t6po-*
de const:ruire un intervalle de confiance pour Ie test :(Ho,
{X,}
*
MA(q)
t
rrt
:
non HsSous l'hypothdse 116, le processus
Xt
est unYA(d '
So-us.l?6'ladistribution
d";#; jii"
i.""e"
p*
(ir),
et les 6l6ments diagonaux de la' matrice sommme de covarirance sont donn€s Par:t --t2 t -t2
I
=
1+
z(o{)
+,...'+2
\B; )
hlr
End'autrestermes'sous'[16,lescoefficientsd'autocorr'6lationempirique
lr.
>
q
sont distribu6slJt-"""
fti
norlgle
de moyenne zlitoet
de variancet" /? .
Cela'ignifi"
'iu",
t"*
Ao'
pf
avecft'
>
q doit
se situer dansl'#!tu"tl"
de confi ance:22
I
I
I
I
TI
I
I
I
I
1I
T T T t-I I CTIAPTER2.
ESTIMATIONconfi.ance Plus
strict
:[-r.so.f,
r.e6/fl
Pour un
modOleAR(p)
Dans ce paragraphe' nous allons voir commernte6n6raliser Ie test
pr6c6dt"i-u''
cas despto""""u
autor6gressifs' Quelle est laF.;;;;,;to.orretution
d,un processus autor6gressif consid6rons le processusAR(1) suivant :
X1=
$7X1a*
e1' {e1} ^^'
BB(0'
1)
(16).La fonction d'autocorr6lation th6orique de ce processus est donn6e par:
pI
:
(d)n
et est repr6sent6e d la figure (1'6) 'Nous c:ns,taton$ que la fonction d'autocorrblation
de ce processus ne
''uit'ul"
pas'mais tend vers zero lorsque I'horizonh
aug-mente.Essayonsdevoirpourquoicettefonctionnes,annulepas.L,6quation('16) montre une
corr6lation'ti"eui'"
entre X1et
it'-t
6galed /1'Par
ailleurs'(i16)s'applique egalement
-
xt-l
,*
qui.permetl'6crire
xt-r:
Qlx;2 *
et-t
En
ins6rant."tt" i*rricr"'equation
dans (1.6), on obtient alorsXt-r
:
(Qr)'Xr-,
*
QrXt-t
)-€+r
*
€t-t
et on observe qu'il existe une corr6lation linOaire
d" (d')2
entre X1et
Xt'-z
'On peut bie,t
"nt""J"
r6p€ter ce raisonnementpour comprendre que la
struc-ture de l,equation
autffieisive
implique que la correlation lin€aire entre toutes les donn6es ne s'annule pas'(pourquoi ce pndnomd n'apparait-ilpas pour: les
processus
MA)'
Proposition2SLaJoncti,ond',autocorr(Iati'onpartielled,,unprocessus.Xll*
ARI(P) est telle que
P{
=A
Pourtout
h)
q'Cettepropositionmontrequel,autocorrdlationoartielle(figure1'.7)d'un.proces.
sus AR joue Ie
*u*"';;;;;;ll"io*"erution
d'un precessusMA'En
effet :"*';
.i;
:
MAk),alors
Pf
=
Q Pourtout
h)
q';i
;; *
ARdI
,alorsPf
=
o
Pwr tout
h>
P'
Cetteobservationcr,-.clat[nouspermettradeconstruiredestestssurlafonc-tion
d,autocorr6lation parielle?T
1"
d6terminer I'ordre d'unmoddle
AI;l'
ex-actement commef'ou'"1'""iio"
de la fonction Ji'notoco"6lationI
f 'aI
T
T-l-2,2,
ESTTMATION DES PROCESSUSARNIA
23I'ordre d,un moddle
MA.
Maisll
nous fauttout
d'abord etablir un th60rdme de normalit6 asmptotique pour la fonction d'autocorrOlation parielle'par
le th6ordme de normalite asymptotique des 6quations de Yule-walker, on a directement; , pour un processus AR(p), un th6ordme centrale limite pourles pacf elnpirique
t0on
4
N(0'1)
T'a'
On peut donc d pr6sent construire des intervalles de confizrnce pour le test
'
f
H6:{Xt}-AR(p)
t
rrr
:non
Hs'En efiet, sous
/{g,
fa probabilite quela
suite des autocorr6lation partiellesempiriques se tr,cuvent, pour
h
)
p, dans I'intervalle:l--1,961\/T;1,96v"1
.CasclesmoddlesmixtesARMAPourchoisirl'ordre<l'unmoddlemixte
ARMA,ladoubleobservationdeI'ACFetdelaPACFserontnecessaires'
D'ailleurs, rema,rquons de nouveau qu'en pratiqueil
est tou;iours. judicieux de;;;;*
ces deuxiunctions,I'ACF
etlaPACF
empirique' ensemble-pourpou-uoi. u;rrrt",, le rnoddle le plus parcimonieux possible'
c'a'd'
(iventuellement unmoddle
/-R ou MAPrlr.
Prenons quelques exemples' La figure (11) reor6sente I'acf
et
Ia pacf d'un processurl observ6. L'observationdel'ACF
montre quepf
etpf.
sontsignifica-tivement non nuls,
d ;f ;"
sont pas significativement non nulspour h
>
1' Par aille,urs, on oberve une d6croissance rapide de la pacf'On cleoisit ctonc un modele
MA(l),
puisqueI'ACF etla PACF
th6oriquesd,un
M/(1)
,u.,o*po.t",'t
th6oriquement de cette fagon' La ligure (12) pr6senteu* acr""l
unepACF
qui d6croissent tous deux lentemenl;On c,onclut donc en rrn ,l'Rtvt'L1t,1), puisque l'acf et la pacf th6oriques d'un
ARMA(l,l)
,"
.ornpo't"ttt
theoriquement de cette fa'qon' (Ce sont les partiesdecesdr:uxfon'ctionsacfetpacfquid6croissentlepluslente.ment,lapartieAR
pour l'acf et la partie
Wfl
qtl"t
a fup"i'
qui dominent alors le comportement)' Observez €galementft
nd*
dg)
'
qt'"t
*oaote d' ajuster ch'oisiriez-vous?
2.2.2
Moddlisation automatique
Le critOre
FPE
(processusautor6gressifs
p::")t
,t::
::il*es
6tudi6esjusqu'd, pr€sen't pou,
'cttttionner
I'ordre d'unmoddle autor6gressif se basent sur
I'observation au tu
ronltLn
d,autocorr6lation partielle empirique-,cette
m6th-ode ne consisttr
"n
ftit
;;;;;gg?t"t
i"ta*
des mod.les et nous allons d' pr6sentd6velopper des critdres automatiques pour le
choisir' En outre' la
qualit6 de
l'ajustement d6pend
d;;;;;;htisi'
En effet' en ne consid6rant que I'erreurd,ajustr:ment, on ne
p"-*i
qJ",ooi, de meilleurs rdsultats en prenant un ordre pplus grand. On sera ainsi
tlnte
de sur param6trer le moddle ajust6' D'un autrec6t6, la qualit6
a'""
ti"'t"*"*
lcp""i
6galement du nombre de paramdtres duT_ T* T I
t-
f-.A :IHAPTER
2.
IISTL&nTATI'|IN:') {)rla'J'tiart*;rt }"!tF ; t'a}f:-:.;lrl:
figure:2.1
2.2. A DES AHMA 25 2'pr
;t
,l
t, lts: *rrt-*,{*-,
llti 4*rF*{t*1tt|1t n+rtw,s nm$l' -:i.':ytllr
I .: rttF4d|*t|,\u fll otAI
uelil
lmdtr de sdunr
plus men 1 enc Ia sr AE
le ajust6 : s oddleAR(l
e moddle cc e$ critdres t firrissant un --^-<r-:-un ajusten 00) dans k rtient de Pe 2.3: flgure:2.3l(2) convient,
il
n'est pas conseill6 d'ajusterfroart
estimer 1001 paramdtres, m€me si'es, et plus la vraisemblance du mod0le
aug-lection de moddles rem6dien
i
ce probldme r fopction dbion est 6vi
dre
FPE
(i lnne de la tr p lton obser € lQs estimalui
ajuste Xt-ru tempsT
*r
qugdratiqurl :
paxa:
erreur d'ajustement modifi€e de telle manicre que ;6e.
\nal
PredictionError)
est de consid6rer I'erreurr6diction d'une valeur de la s6rie'
,e les r6alisations
X1,.", X1
d'un processus AR(p)';eurs de Yule-Walker de
4,
=
(dr,"', Qr)''(vecteur
e moddle
6rXr-r+
...+
&oXt-o+
e1*
1 est donn6e Par :=
\rXr
*
.'.*
6oXr+r-p
, moyenne est :
,
+
nl(ar-
or)
lXya-v;xr+t-il!,i=r(a,- or)
,*
"
[(a"
-
6o)'$
(a"-
d')]
(
i).
Par le th6ordme de normalit€ des €quations de id6edu
cr '4,tique mo1 rPposons qr i a,voir calcr ne) etol
o n pr6vision ; son erreu:ir+.t
-
xr
i
rf;
est Walker,l
17)I
1
I
1"I
I
L
1CHAPTER
2.
ESTIMATION
dt,(A,-
oo)
*
ff{o,ol
(rf)-tl
qr{e
si
Z
:
\Zt,
..., ZF)tsuit
unedistribution et Np
(p,f
) (18)r
(-fr*,
- xr*r)'
:
'31r11r
+
$)
Le
AI
,"ry
*x?-p
remplagapt
dans (19)
ol
par I'estimateur
fe?b4ltf
-
P),
on obtient
rteur de!'*rreor
quadratique mo)'enne depr$iction
deY;a1
:FFE
(p)
:
e2(|)##
(20)'il
tbut
miirimiser eu P.dtEre
AIC
Darx le n6me ordre
d'id€es quele
critire
FPE,le
critdre
prcpse
d4mininis€r
Iafonction
NC{p):
los,6':k})+
?#
une
versionp6nali#
la
fonctio
t21)
€
:
(Fp+r, ...,ar)
les rdsidusd'un
proceesusAfi{p)
gaussienp
Et:
rt-
Ido"*-o
^^+N(0,r1)
k:l
calcrildr
h
fonction
de r'laisemblance, onpart
deptolo!.,)
{e}:
(zaol.o}-E
"*
(ff)
si
r
>
P(x
-
p)'(I)-'(x
-
p)
**
x3
'utilisant
dereultat
et
(18), onpeut
appraxiurer (17)par
:(1e)
p
version
p6nali#
la
fonction de
waisemblance des r6sidus de plus, si dJ estl'estimateur
de Yule-'Walker dealon
arpou'
?
asse:z grand,On En vrai et le CHAPTER
2.
ESTIMATION(p)
=
-z-te(A,a?,r)
*
2p=
rros@!,r)
+
2p?-1 , on retrouve bien (2.3). (Par ailleurs, dans la litt6ra-q logiciels, on utilise aussi souvent cette forme nonnormalis6e
En ture et
du cr de I'A
une ipition
asym
tend 1 si? vers I'infini).
naires
c4s de d.
Cela dans 'expression de la0<h<p
en consid6rant log
FPE(p),
que les critdres'FPII
uement dquivalents.
constate que le critdre
AIC
atendance d choisirp
>
po siR(po). On a m€me calcul6 I'approximation suivante I
PW>-polln(po)l13*
1PW:
po l.a.R(ps)l=
0.8qbtenir u estimateur consistant de p0, on modi e le critdre
AIC
enune ion plus importante en cas de surparam6trisation :
Brc(e)=
toe63h) +
$nsr
ntre qu'un moddle AR(p) choisi par le crit€re 'r{/C permet une plus
petite
erreural(e)
(ondit
que ce crit0re este cace
:
le rapport entre l'erreur de pr6diction 6valu€e auet I'erreur se basant sur Ia valeur choisie par le critdre AIC
n
par
la
m6thode Moindres
Cam6s
Ordi-Lation d'un processus AR(p), on verra que, pour. obtenir de
6n,L
1
ni
p\
et o2,il
sufit departit
*tQ
l
1)l*TL::'
,olr*iurr""
empiiiqueet
de r6soudre les 6oyations deYule-rifie que,
q,r"i
qnu soitn,
les observatioyy'n 'interviennent' de l'estimateur, quepar un
nombre fi7de, egal A' p*
1'
de 'iance empirique:
t
n-h
i"(h)
=
;
l!{',*o
-i,,)(rr-i,*)
t:L , n-h
n-en for d'au or) En pre (st)teiv est It
d*E
(Xt-*
longueur Les uations Eni
(h), Cer colonne et o2l/
AHMAtout
d'bord un procesus autor€gressifs'eprire
p fprm6
:(;;l
Yule- ont pour expression matricielle :
t
(p)=
todo0):
dot(d
+
"?
forme matricielle, en notont
f
(p) .le vecteur(r
(1) , ...,r
@))t et
(60)
, ..,,4(d)"
29 d'ordre
nulle:
Xt-dt
t-r-.'.-doXt-r-6,
tsB(0, ) et les
/6
sont des nombers r6els.de cette 6quation par
Xt-n
, 0(
h1p
et de cot6, on obtient pour le premier membre latanpe :
XrXt-a)
:
"y (h) slh:1..,p
r--,r,)*
E (si h:0
dn&-h)
si h=
l'..P
6xl&)*o2
si
h.=0
ptia , t'
,L6ot@
-
h),xr-n): jolt
'foot@)+o2
k:t
{.,
ces ions, les covariances
I
(h)par les covarianceslin6aire qui fournit les estimateurs @t obfient un
de:
{'
i
@)= io6o
qrfe, si
i
({e
i[o)
et[tion
CHAPTER
2.
ESTIMATION) >
0,alorsio
est de rang plein. En divisant alors les deuxi
@):io6o
introduisant I'autocorr6lation empirique
?(h):
deux €quations :i
(h)m
p (0)uP
?(p)n29
noten.
On(
el-'P62
\rnto"-
o)''
Ne(o'd2r;1)
Soit
Xt un
processus AR(1) causalet
soit un |chantillon {X'7'"'
Xnl,de'd*
=
it-r']?t*
od m)
p
Alors'quand' n-+a
on a:Ja@^-
d^)'
N-
(0,"'t*)
S oit
Xt un
processus AR(1) cousat et s oitun
lchantillon {a 1"''
a n} detn
=
it;r?,
et of;=t
(0) (1- ;;0;'br)
Alors, quand' ??'--' oorus allons pr6senter ici bridvement la d€marche de I'estimation
il
iltir"*uft"."'
Cetie ma'ximisation est r€alis6ed
I'aidetimisationnonlin6aire(Newton.Rahpson,m6thodedusim.
pax
d'a
ple: