HAL Id: inria-00386732
https://hal.inria.fr/inria-00386732
Submitted on 22 May 2009
HAL
is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or
L’archive ouverte pluridisciplinaire
HAL, estdestinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires
Le Processus Autorégressif d’Arrondi d’Ordre p ( RINAR(p) )
Maher Kachour
To cite this version:
Maher Kachour. Le Processus Autorégressif d’Arrondi d’Ordre p ( RINAR(p) ). 41èmes Journées de
Statistique, SFdS, Bordeaux, 2009, Bordeaux, France, France. �inria-00386732�
M.Kahour
IRMAR, UniversitédeRennes1,Frane.
UMR 6626/ UniversitéRennes1
ampussientiquede Beaulieu
263Avenuede Général Leler
35042 RENNESCEDEX
Email :
maher.kahour@univ-rennes1.fr Tel :
00.33.(0)2.23.23.63 .9 8
Résumé : Nous présentonsle proessus RINAR(p)pourmodèliserdes séries temporelles àvaleurs
entières.LeRINAR(p)est basésurl'opérateurarrondi.ComparéauxmodèlesINAR(p)bienonnus
dans lalittérature, lenouveaumodèle possède plusieursavantages : une simplestruture d'innovation,
des oeients autorégressifsave des signesarbitraires, des possibles valeursnégatives pour les séries
hronologiques, des possibles valeurs négatives pour les fontions d'autoorrélation. Nous donnons les
onditionsdestationnaritéetd'ergodiitédumodèle.Pourl'estimationdesparamètres,nousonsidérons
l'estimateur des moindresarréset nous montronssa onsistane forte sousdes onditionsonvenables
d'identiabilité.
Abstrat : An extension of theRINAR(1) proess formodelling disrete-timedependent ounting
proesses is onsidered. Compared to lassial INAR(p) models based on the thinning operator, the
new models have several advantages : simple innovation struture; autoregressiveoeients with ar-
bitrary signs; possible negative values for time series; possiblenegativevalues for the autoorrelation
funtion. The onditions for the stationarity and ergodiity, of the RINAR(p)model, are given. For
parameterestimation,weonsidertheleastsquaresestimatorandweproveitsonsistenyundersuitable
identiabilityondition.
Mots-lés : Séries temporelles à valeurs entières, les modèles INAR, l'opérateur arrondi, le modèle
RINAR(p),l'estimateurdesmoindresarrés,laonsistane forte.
1 Introdution
Lessérieshronologiquesàvaleursentièressontfréquentesdanslapratique.Avantlandesannées80
detellesobservationsétaienttraitéespardesmodèlesréels(e.g.ARMA,VAR,ARCH,...)bienonnus
dans la littérature, sans tenir ompte de la nature entière de es observations. Plus tard, des auteurs
tel MKenzie [5℄ and Al-osh &Alzaid [1℄ ont introduit deslasses de modèlequi possèdent les mêmes
propriétésquedesmodèlesréelsenrespetantlanaturedesobservations.Enpartiulier,nousprésentons
lalasseINAR.Ces modèlessontinspirésdeladynamique depopulationet sontbaséssur l'opérateur
binomiald'aminissement,noté◦.
UnproessusINAR(p)est dénipar
Xt=a1◦Xt−1+a2◦Xt−2+. . .+ap◦Xt−p+εt, ∀t∈Z, (1)
où,pouri= 1, . . . , p,
ai◦Xt−i=
Xt−i
X
k=1
ξik.
Ii, pour tout i ∈ {1, . . . , p} and k ∈ N∗, la série de omptage (ξik) est une suite i.i.d. de variables
aléatoiresdeBernoulliaveune probabilitédesuès ai.Parsuite,ai◦Xt−i est unevariableBinomiale
ayantai etXt−iommeparamètres,ai◦Xt−i B(Xt−i, ai).
Ainsi,(εt)estune suitei.i.d.devariablesaléatoiresàvaleursdansNet indépendante detoutelesséries deomptage.
Nousdistinguonsdeuxspéiationsdiérentes.Chaquespéiationdépenddessériesdeomptage
hoisies.LemodèleINAR(p)-AAestintroduitparAl-osh&Alzaid[1℄oùsastrutured'autoorrélation orrespondàelle d'unmodèleARMA(p, p-1)réel.Du&Li[2℄ (1991)ontproposéun modèle,noté
INAR(p)-DL,oùsastruture d'autoorrélationest lamêmequ'unAR(p)réel.
Les modèles INAR(p) ontplusieurs limites. Leur struture d'innovation est omplexe, dépendant
nonseulementdubruit(εt),maiségalementdesvariablesdeomptage(ξik),i= 1, . . . , p.Lesoeients
autorégressifs sont limités à l'intervalle [0,1]. Dans le as d'un modèle INAR(1) par exemple, ette
restritionexlutlesautoorrélationsnégatives.
Nousintroduisonslemodèlesuivant
Xt=h
p
X
j=1
αjXt−j+λi+εt, t∈Z, (2)
où hxi est la valeurarrondie d'unréel xau nombre entier leplus prohe et (εt)est une suite i.i.d. de
variablesaléatoiresàvaleursdansZtelle queE[εt] = 0.CemodèleestappeléRINAR(p).
Cemodèlepossèdedenombreuxavantages.Sastrutured'innovationestsimple,généréeuniquement
parlebruit(εt).Saprévisionàunpasestdonnéepar XˆT+1 =E(XT+1|Xs, s≤T) =h
p
X
j=1
αjXT+1−j+λi, (3)
quiestunevaleurentièreparonstrutiondumodèle.NousverronségalementquelemodèleRINAR(p)
peut produire des autoorrélationsaussi rihes que elles d'un AR(p) réel, yompris les autoorréla-
tionsnégatives.D'ailleurs,paronstrutionRINAR(p)peutanalyserdessérieshronologiquesavedes
valeursnégatives,unesituationqui n'estouverteparauunmodèleINAR.
LemodèleRINAR(p)estunegénéralisationdiretedumodèleRINAR(1)introduit parKahour
&Yao[4℄.Àlasuite,nousétudionslespropriétésdumodèleenpartiulierlastationnaritéetl'ergodiité.
Dans leadrede l'estimation desparamètresnousproposons l'estimateurdes moindresarrés.À ause
de l'opérateur h·i, l'identiabilité du modèle a un omportement non-standard. Ainsi, omme pour le RINAR(1),nousdistinguonsdeuxasdépendantdelanaturedesα∗j,lesvraiesvaleursdesparamètres αj dumodèleRINAR(p).Finalement,nousmontronslaonsistanefortedel'estimateurdesmoindres arréspourlesdeuxas.
2 La stationnarité et l'ergodiité
ÉtudierleproessusRINAR(p)revientàétudierleproessus vetorielsuivant
Yt=
Xt
Xt−1
.
.
.
Xt−p+1
=
hPp
j=1αjXt−j+λi+εt
Xt−1
.
.
.
Xt−p+1
. (4)
Le proessus (Yt) forme une haîne de Markov homogène ave E = Zp omme espae d'état et une
probabilitédetransitiondéniepar
π(x, y) =P(ε1=y1− h
p
X
j=1
αjxj+λi) 11{y2=x1,...,yp=xp−1}, ∀x= (xj), y= (yj)∈E. (5)
Nousrappelons,pourtout x= (x1, . . . , xp)∈Rp,kxk1=|x1|+. . .+|xp|.
Proposition1. Supposonsque:
1. (Yt)est une haînede Markov irrédutible; 2. pourunertaink >1,E[|εt|k]<+∞;
3.
Pp
j=1|αj|<1.
Alors
1. Le proessus (Yt)a une uniquemesure de probabilité invariante µ qui possède unmoment d'ordre k(i.e. µ(k.kk1)<∞).
2. Pourtouty∈E et f ∈L1(µ) ona 1 n
n
X
k=1
f(Yk)−→µ(f), Py a.s.
oùPy représentela probabilité onditionnelle P(.|Y0=y).
3 L'estimation des paramètres
Soitθ= (α1, . . . , αp, λ)∈Rp+1. Dansettesetion, noussupposonsqueθ appartientàunespaede
paramètresΘsous-ensembeompatde]−1,1[p×R.Nousnotons f(x;θ) =f(x1, . . . , xp;θ) =h
p
X
j=1
αjxj+λi.
Soitx= (x1, . . . , xp)∈Rp,ondénitl'arrondiduveteurxparhxi= (hx1i, . . . ,hxpi).
Ensuite, lemodèleRINAR(p)peutêtreéritsouslaformesuivante
Yt=
f(Yt−1;θ) Xt−1
.
.
.
Xt−p+1
+
εt
0
.
.
.
0
=hM Yt−1+ξi+ηt=F(Yt−1;θ) +ηt,
où
θ= (M, ξ)aveM =
α1. . . αp
Ip−1 0
, ξ=
λ 0
.
.
.
0
, F(y;θ) =hM y+ξi, ∀y∈E et ηt=
εt
0
.
.
.
0
.
SoientX−p+1, . . . , X0, . . . , XndesobservationsduproessusRINAR(p).Pourl'estimationduparamètre
θ,nousonsidéronsl'estimateurdesmoindresarrésdénipar
θˆn:= arg min
θ∈Θϕn(θ), (6)
ϕn(θ) = 1 n
n
X
t=1
(Xt−f(Yt−1;θ))2= 1 n
n
X
t=1
(kYt−F(Yt−1;θ)k1)2. (7)
Quelquesnotationset remarques sontnéessaires.Nous notons θ0 = (α∗1, . . . , α∗p, λ∗)lavraie valeur
desparamètresdumodèleet Pθ0 représenteladistributiondeprobabilitésousθ0.
Parlasuite,noussupposonsque,sousPθ0,leshypothèsessuivantessontvériées:
(Yt)estirrédutible;E[|εt|k]<+∞oùk≥2;Pp
j=1|α∗j|<1etΘestompat.
Avantd'examinerl'identiabilitéduRINAR(p),nousrappelonslesrésultatsobtenusonernante
problèmepourleRINAR(1)[4℄.Soitα0etλ0lesvraiesvaleursdesparamètresdumodèleRINAR(1).
Àausedel'opérateurh·i,nousdistinguonsdeuxas: Si α0∈R\Q,alorspourtoutθ∈Θnousavons
hαx+λi=hα0x+λ0i, ∀x∈Z⇔α=α0 etλ=λ0. (8)
Si α0= pq oùp∈Z,q∈N∗et pandq sontpremiersentreeux,alorspourtout θ∈Θnousobtenons hαx+λi=hα0x+λ0i, ∀x∈Z⇔α=α0 etλ∈I0. (9)
Ii, I0 estunintervalleontenantλ0 etdetaille 1 q ou
1 2q.
RevenonsaumodèleRINAR(p),nousdistinguonsaussideuxas:
Si unaumoinsdesα∗j estirrationnel,alorsilest simpledevérierquel'équivalentdel'équation(8), pourunordrep >1,restevalable.Ainsi,poureasnousdonnonslethéorèmesuivant[3℄.
Théorèm 1. S'il existe j ∈ {1, . . . , p} tel que α∗j est un nombre irrationnel. Alors l'estimateur des moindres arrésest fortementonsistant, i.e.
θˆn→θ0, Pθ0−a.s.
Maintenant, nous supposons que,pourtout j = 1, . . . , p,α∗j = abj
j
où aj ∈ Z, bj ∈N∗ et aj and bj
sontpremiersentre eux. Pourxer lesidéesnous onsidéronsle modèle RINAR(2).Notre but est de
montrerquel'étudeduproblèmed'identiabilitéduRINAR(2)estéquivalenteàelled'unRINAR(1)
oùα0est irrationnel.Soity= (x1, x2)∈E=Z2.Don, α∗1x1+α∗2x2= 1
b1b2
(a1b2x1+a2b1x2). (10)
D'aprèslethéorèmedeBézout,nousavons
a1b2Z+a2b1Z=dZ, où d=a1b2∧a2b1. (11)
Alorsilexistex∈Ztelsque
α∗1x1+α∗2x2=α0x, où α0= d b1b2
. (12)
Danslebutderesterdèleànosnotations,nousrérivonsα0 sousformedefrationirrédutible
α0= d b1b2
=a
b, où a∈Z, b∈N∗ et a∧b= 1. (13)
Finalement,nousdonnonslethéorèmesuivantonernanteas[3℄.
Théorèm 2. Si, pour j = 1,2, α∗j = abj
j
où aj ∈ Z, bj ∈ N∗ et aj∧bj = 1. Alors αˆn est fortement
onsistanttandis queλˆn onvergevers unintervalle I0∗ ontenantλ∗ etde taille 1b ou 2b1.
[1℄ A. A. Alzaid andM. Al-Osh. First-order integer-valued autoregressive(INAR(1)) proess. J. Time
Ser.Anal. ,8(3):261275,1987.
[2℄ J.-G. Du and Y. Li. The integer-valued autoregressive (INAR(p)) model. J. Times Ser. Anal.,
12:129142,1991.
[3℄ M.Kahour.p-orderroundedinteger-valuedautoregressive(RINAR(p))proess.Preprint,University
of Rennes1,2008-2009.
[4℄ M. Kahourand J.F. Yao. First-order rounded integer-valued autoregressive(RINAR(1))proess.
Preprint,UniversityofRennes1,2008.
[5℄ E. MKenzie. Some simple models for disrete variate time series. Water Resoures Bulletin,
21(4):645650,1985.