Ecole Nationale Supérieure de Statistique et

D'Economie Appliquée

Time Series Econometrics

Fréjus-Ferry A. HOUNDOGA
Enseignant-Chercheur / ENSEA
[email protected]
Bureau 801

ISE 2 / 2020-2021

17 mai 2021
 Chapitre 1 :
Modélisation ARMA et prévision par la méthode
Box-Jenkins
Plan du chapitre
1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 3 / 27

 Généralités

Un peu d'histoire ! ! !

Les premiers travaux, pionniers, sur les processus aléatoires

remontent aux années 1926 et 1927 quand Yule avait introduit le
concept de choc aléatoire (dit aussi impulsif ou explosif).
Yule (1926) démontre que le fait de diérencier un bruit aléatoire
introduit des autocorrélations articielles.
Dans le même ordre d'idées, indépendamment de Yule, Eugene
Slutsky (1880-1948), montre en 1927, 1933 et en 1938 qu'en
calculant une moyenne mobile à partir d'un bruit blanc, on obtient
une série dont les observations ne sont pas indépendantes et qui
peut présenter des cycles apparents (eet Slutsky).
Ce sont là probablement les deux premiers exemples de processus
de moyenne mobile étudiés formellement.

HOUNDOGA (ISE) ARMA - Box & Jenkins 4 / 27

 Généralités

Un peu d'histoire ! ! !

Les premiers travaux, pionniers, sur les processus aléatoires

remontent aux années 1926 et 1927 quand Yule avait introduit le
concept de choc aléatoire (dit aussi impulsif ou explosif).
Yule (1926) démontre que le fait de diérencier un bruit aléatoire
introduit des autocorrélations articielles.
Dans le même ordre d'idées, indépendamment de Yule, Eugene
Slutsky (1880-1948), montre en 1927, 1933 et en 1938 qu'en
calculant une moyenne mobile à partir d'un bruit blanc, on obtient
une série dont les observations ne sont pas indépendantes et qui
peut présenter des cycles apparents (eet Slutsky).
Ce sont là probablement les deux premiers exemples de processus
de moyenne mobile étudiés formellement.

HOUNDOGA (ISE) ARMA - Box & Jenkins 4 / 27

 Généralités

Un peu d'histoire ! ! !

Les premiers travaux, pionniers, sur les processus aléatoires

remontent aux années 1926 et 1927 quand Yule avait introduit le
concept de choc aléatoire (dit aussi impulsif ou explosif).
Yule (1926) démontre que le fait de diérencier un bruit aléatoire
introduit des autocorrélations articielles.
Dans le même ordre d'idées, indépendamment de Yule, Eugene
Slutsky (1880-1948), montre en 1927, 1933 et en 1938 qu'en
calculant une moyenne mobile à partir d'un bruit blanc, on obtient
une série dont les observations ne sont pas indépendantes et qui
peut présenter des cycles apparents (eet Slutsky).
Ce sont là probablement les deux premiers exemples de processus
de moyenne mobile étudiés formellement.

HOUNDOGA (ISE) ARMA - Box & Jenkins 4 / 27

 Généralités

Un peu d'histoire ! ! !

Les premiers travaux, pionniers, sur les processus aléatoires

remontent aux années 1926 et 1927 quand Yule avait introduit le
concept de choc aléatoire (dit aussi impulsif ou explosif).
Yule (1926) démontre que le fait de diérencier un bruit aléatoire
introduit des autocorrélations articielles.
Dans le même ordre d'idées, indépendamment de Yule, Eugene
Slutsky (1880-1948), montre en 1927, 1933 et en 1938 qu'en
calculant une moyenne mobile à partir d'un bruit blanc, on obtient
une série dont les observations ne sont pas indépendantes et qui
peut présenter des cycles apparents (eet Slutsky).
Ce sont là probablement les deux premiers exemples de processus
de moyenne mobile étudiés formellement.

HOUNDOGA (ISE) ARMA - Box & Jenkins 4 / 27

 Généralités

Un peu d'histoire ! ! !

En 1954, Wold a mis en application, à partir de la classe des processus

indéterminables, les modèles linéaires ARMA (AutoRegressive Moving
Average) stationnaires.
• La partie autorégressive de ces processus notée AR est constituée par une
combinaison linéaire nie des valeurs passées du processus.
• La partie moyenne mobile, notée MA est constituée d'une combinaison
linéaire nie en t des valeurs passées d'un bruit blanc, c'est-à-dire d'un
processus aléatoire, formé d'une succession de variables aléatoires
indépendantes d'espérance mathématique nulle.
En 1970 et en 1976, Box et Jenkins rassemblaient l'ensemble de ces
travaux pour en dériver une méthodologie itérative dans le but de faire la
prévision d'une série temporelle.

HOUNDOGA (ISE) ARMA - Box & Jenkins 5 / 27

 Généralités

Un peu d'histoire ! ! !

En 1954, Wold a mis en application, à partir de la classe des processus

indéterminables, les modèles linéaires ARMA (AutoRegressive Moving
Average) stationnaires.
• La partie autorégressive de ces processus notée AR est constituée par une
combinaison linéaire nie des valeurs passées du processus.
• La partie moyenne mobile, notée MA est constituée d'une combinaison
linéaire nie en t des valeurs passées d'un bruit blanc, c'est-à-dire d'un
processus aléatoire, formé d'une succession de variables aléatoires
indépendantes d'espérance mathématique nulle.
En 1970 et en 1976, Box et Jenkins rassemblaient l'ensemble de ces
travaux pour en dériver une méthodologie itérative dans le but de faire la
prévision d'une série temporelle.

HOUNDOGA (ISE) ARMA - Box & Jenkins 5 / 27

 Généralités

Un peu d'histoire ! ! !

En 1954, Wold a mis en application, à partir de la classe des processus

indéterminables, les modèles linéaires ARMA (AutoRegressive Moving
Average) stationnaires.
• La partie autorégressive de ces processus notée AR est constituée par une
combinaison linéaire nie des valeurs passées du processus.
• La partie moyenne mobile, notée MA est constituée d'une combinaison
linéaire nie en t des valeurs passées d'un bruit blanc, c'est-à-dire d'un
processus aléatoire, formé d'une succession de variables aléatoires
indépendantes d'espérance mathématique nulle.
En 1970 et en 1976, Box et Jenkins rassemblaient l'ensemble de ces
travaux pour en dériver une méthodologie itérative dans le but de faire la
prévision d'une série temporelle.

HOUNDOGA (ISE) ARMA - Box & Jenkins 5 / 27

 Généralités

Un peu d'histoire ! ! !

En 1954, Wold a mis en application, à partir de la classe des processus

indéterminables, les modèles linéaires ARMA (AutoRegressive Moving
Average) stationnaires.
• La partie autorégressive de ces processus notée AR est constituée par une
combinaison linéaire nie des valeurs passées du processus.
• La partie moyenne mobile, notée MA est constituée d'une combinaison
linéaire nie en t des valeurs passées d'un bruit blanc, c'est-à-dire d'un
processus aléatoire, formé d'une succession de variables aléatoires
indépendantes d'espérance mathématique nulle.
En 1970 et en 1976, Box et Jenkins rassemblaient l'ensemble de ces
travaux pour en dériver une méthodologie itérative dans le but de faire la
prévision d'une série temporelle.

HOUNDOGA (ISE) ARMA - Box & Jenkins 5 / 27

 Généralités

L'approche de Box et Jenkins (1976) consiste à rechercher dans la

classe des processus théoriques de type ARIMA, le processus qui
permet de reproduire les observations de la variables à modéliser.
Il s'agit d'une modélisation endogène, car on regresse la valeur
courante de la variable sur ses valeurs passées.
Le processus minimal solution du problème est appelé Processus
Générateur des Données (Data Generating Process - DGP)

HOUNDOGA (ISE) ARMA - Box & Jenkins 6 / 27

 Généralités

L'approche de Box et Jenkins (1976) consiste à rechercher dans la

classe des processus théoriques de type ARIMA, le processus qui
permet de reproduire les observations de la variables à modéliser.
Il s'agit d'une modélisation endogène, car on regresse la valeur
courante de la variable sur ses valeurs passées.
Le processus minimal solution du problème est appelé Processus
Générateur des Données (Data Generating Process - DGP)

HOUNDOGA (ISE) ARMA - Box & Jenkins 6 / 27

 Généralités

L'approche de Box et Jenkins (1976) consiste à rechercher dans la

classe des processus théoriques de type ARIMA, le processus qui
permet de reproduire les observations de la variables à modéliser.
Il s'agit d'une modélisation endogène, car on regresse la valeur
courante de la variable sur ses valeurs passées.
Le processus minimal solution du problème est appelé Processus
Générateur des Données (Data Generating Process - DGP)

HOUNDOGA (ISE) ARMA - Box & Jenkins 6 / 27

 Généralités

Etapes de la procédure de Box-Jenkins

La démarche de Box et Jenkins (1976) peut se résumer aux étapes

suivantes :
1 Stationnarisation

2 Identication a priori

3 Estimation

4 Vérication

5 Choix du modèle

6 Prévision dans le modèle choisi

HOUNDOGA (ISE) ARMA - Box & Jenkins 7 / 27

 La stationnarisation

Plan du chapitre

1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 8 / 27

 La stationnarisation

Stationnarisation

Rendre stationnaire la série à modéliser

Préoccupation : détecter puis extraire la racine unitaire
Deux approches :
1 Approche graphique (corrélogrammes) : Examen de la proximité des
autocorrelations (si l'AC d'ordre h (h=2,3,. . . ) =⇒ il existe une
racine unitaire)
2 Approche inférentielle basée sur les tests de racines unitaires
(section suivante !)

HOUNDOGA (ISE) ARMA - Box & Jenkins 9 / 27

 La stationnarisation

Stationnarisation

Rendre stationnaire la série à modéliser

Préoccupation : détecter puis extraire la racine unitaire
Deux approches :
1 Approche graphique (corrélogrammes) : Examen de la proximité des
autocorrelations (si l'AC d'ordre h (h=2,3,. . . ) =⇒ il existe une
racine unitaire)
2 Approche inférentielle basée sur les tests de racines unitaires
(section suivante !)

HOUNDOGA (ISE) ARMA - Box & Jenkins 9 / 27

 La stationnarisation

Stationnarisation

Rendre stationnaire la série à modéliser

Préoccupation : détecter puis extraire la racine unitaire
Deux approches :
1 Approche graphique (corrélogrammes) : Examen de la proximité des
autocorrelations (si l'AC d'ordre h (h=2,3,. . . ) =⇒ il existe une
racine unitaire)
2 Approche inférentielle basée sur les tests de racines unitaires
(section suivante !)

HOUNDOGA (ISE) ARMA - Box & Jenkins 9 / 27

 La stationnarisation

Stationnarisation

Rendre stationnaire la série à modéliser

Préoccupation : détecter puis extraire la racine unitaire
Deux approches :
1 Approche graphique (corrélogrammes) : Examen de la proximité des
autocorrelations (si l'AC d'ordre h (h=2,3,. . . ) =⇒ il existe une
racine unitaire)
2 Approche inférentielle basée sur les tests de racines unitaires
(section suivante !)

HOUNDOGA (ISE) ARMA - Box & Jenkins 9 / 27

 Identication

Plan du chapitre

1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 10 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Identication

Identication a priori

Rechercher les valeurs plausibles des ordres des formes AR et M A

avant l'estimation des modèles
Fondée sur les fonctions d'AC et d'ACP
• Pour un processus AR d'ordre p, r(h) = 0 pour h > p (p est
identié à partir des PAC).
• Pour un processus M A d'ordre q , ρ(h) = 0 pour h > q (q est
identié à partir des AC).
En pratique, on estime ρbT (h) et rbT (h)
• Pour h > p, ρbT (h) −→ 0, on identie un AR(p)
• Pour h > q , rbT (h) −→ 0, on identie un M A(q)
A cette étape, l'on identie plusieurs modèles qui sont à estimer.

HOUNDOGA (ISE) ARMA - Box & Jenkins 11 / 27

 Estimation

Plan du chapitre

1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 12 / 27

 Estimation

Estimation
L'estimation des coecients du processus ARM A(p, q) s'eectue
principalement à l'aide de la méthode du maximum de
vraisemblance.
L'expression de la vraisemblance étant généralement trop complexe
pour que l'on puisse obtenir un maximum explicite, des
algorithmes numériques sont utilisés.
L'expression générale de la vraisemblance est donnée par :
1 1 1
L = ( √ )T |detΩ|− 2 exp(− ε0 Ωε)
2π 2

avec εt = yt −− yt β ,

− yt = {yt−1 , yt−2 , . . . , yt−p , εt−1 , εt−2 , . . . , εt−q }

Ω = E(εε0 |− y)
HOUNDOGA (ISE) ARMA - Box & Jenkins 13 / 27
 Estimation

Estimation
L'estimation des coecients du processus ARM A(p, q) s'eectue
principalement à l'aide de la méthode du maximum de
vraisemblance.
L'expression de la vraisemblance étant généralement trop complexe
pour que l'on puisse obtenir un maximum explicite, des
algorithmes numériques sont utilisés.
L'expression générale de la vraisemblance est donnée par :
1 1 1
L = ( √ )T |detΩ|− 2 exp(− ε0 Ωε)
2π 2

avec εt = yt −− yt β ,

− yt = {yt−1 , yt−2 , . . . , yt−p , εt−1 , εt−2 , . . . , εt−q }

Ω = E(εε0 |− y)
HOUNDOGA (ISE) ARMA - Box & Jenkins 13 / 27
 Estimation

Estimation
L'estimation des coecients du processus ARM A(p, q) s'eectue
principalement à l'aide de la méthode du maximum de
vraisemblance.
L'expression de la vraisemblance étant généralement trop complexe
pour que l'on puisse obtenir un maximum explicite, des
algorithmes numériques sont utilisés.
L'expression générale de la vraisemblance est donnée par :
1 1 1
L = ( √ )T |detΩ|− 2 exp(− ε0 Ωε)
2π 2

avec εt = yt −− yt β ,

− yt = {yt−1 , yt−2 , . . . , yt−p , εt−1 , εt−2 , . . . , εt−q }

Ω = E(εε0 |− y)
HOUNDOGA (ISE) ARMA - Box & Jenkins 13 / 27
 Vérication

Plan du chapitre

1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 14 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication

Consiste à tester les hypothèses sur le modèle estimé

On teste l'ordre du polynôme AR et celui du polynôme M A
Soit le test d'hypothèses H0 : ϕp = 0 vs H1 : ϕp 6= 0
On calcule la statistique tϕp = σbϕbϕbp que l'on compare à 1,96 (pour
p
un risque de 5% et pour une taille d'échantillon susamment
grande : T > 30) en valeur absolue.
• |tϕp | > 2(pvalue < 0.05) =⇒ Rejet de H0 . On teste alors
H0 : ϕp+1 = 0, H0 : ϕp+2 = 0 . . . . Si tous coecients ϕp+1 , ϕp+2 , . . .
sont nuls, alors p est l'ordre du polynôme AR.
• |tϕp | < 2(pvalue > 0.05) =⇒ Non rejet de H0 . p n'est donc pas
l'ordre. On teste alors H0 : ϕp−1 = 0 et H0 : ϕp+1 = 0
Parmi les processus ARMA estimés, on ne retiendra que ceux dont
tous les coecients ont un t de Student > 1, 96

HOUNDOGA (ISE) ARMA - Box & Jenkins 15 / 27

 Vérication

Vérication (2)

En pratique, on représente le correlogramme des résidus du modèle

Si les erreurs présentent une auto-corrélation d'un ordre h > p (on
regarde les PAC), on corrige cette autocorrélation en ajoutant au
modèle un retard d'ordre h correspondant à l'ordre de
l'autocorrélation de type AR.
Si toutes les auto-corrélations (PAC, AC) sont nulles, alors p (q)
est l'ordre du polynôme AR (M A).

HOUNDOGA (ISE) ARMA - Box & Jenkins 16 / 27

 Vérication

Vérication (2)

En pratique, on représente le correlogramme des résidus du modèle

Si les erreurs présentent une auto-corrélation d'un ordre h > p (on
regarde les PAC), on corrige cette autocorrélation en ajoutant au
modèle un retard d'ordre h correspondant à l'ordre de
l'autocorrélation de type AR.
Si toutes les auto-corrélations (PAC, AC) sont nulles, alors p (q)
est l'ordre du polynôme AR (M A).

HOUNDOGA (ISE) ARMA - Box & Jenkins 16 / 27

 Vérication

Vérication (2)

En pratique, on représente le correlogramme des résidus du modèle

Si les erreurs présentent une auto-corrélation d'un ordre h > p (on
regarde les PAC), on corrige cette autocorrélation en ajoutant au
modèle un retard d'ordre h correspondant à l'ordre de
l'autocorrélation de type AR.
Si toutes les auto-corrélations (PAC, AC) sont nulles, alors p (q)
est l'ordre du polynôme AR (M A).

HOUNDOGA (ISE) ARMA - Box & Jenkins 16 / 27

 Validation du processus ARMA(p,q)

Plan du chapitre

1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 17 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA I/

Lors de la détermination des ordres p et q du processus

ARM A(p, q) à l'aide des corrélogrammes simple et partiel, on peut
être amené à sélectionner plusieurs ordres possibles p et q pour le
processus ARM A(p, q).
Après avoir estimé les diérents processus ARM A(p, q) possibles, il
reste à les valider et à les départager
La validation des processus passe par un examen des coecients
estimés (ils doivent être signicativement diérent de 0 -
sous-section précédente) et par un examen des résidus (qui doivent
suivre un processus Bruit Blanc).
Cette étape consiste à choisir le meilleur modèle parmi ceux
estimés à partir d'un ensemble de critères statistiques.

HOUNDOGA (ISE) ARMA - Box & Jenkins 18 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA I/

Lors de la détermination des ordres p et q du processus

ARM A(p, q) à l'aide des corrélogrammes simple et partiel, on peut
être amené à sélectionner plusieurs ordres possibles p et q pour le
processus ARM A(p, q).
Après avoir estimé les diérents processus ARM A(p, q) possibles, il
reste à les valider et à les départager
La validation des processus passe par un examen des coecients
estimés (ils doivent être signicativement diérent de 0 -
sous-section précédente) et par un examen des résidus (qui doivent
suivre un processus Bruit Blanc).
Cette étape consiste à choisir le meilleur modèle parmi ceux
estimés à partir d'un ensemble de critères statistiques.

HOUNDOGA (ISE) ARMA - Box & Jenkins 18 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA I/

Lors de la détermination des ordres p et q du processus

ARM A(p, q) à l'aide des corrélogrammes simple et partiel, on peut
être amené à sélectionner plusieurs ordres possibles p et q pour le
processus ARM A(p, q).
Après avoir estimé les diérents processus ARM A(p, q) possibles, il
reste à les valider et à les départager
La validation des processus passe par un examen des coecients
estimés (ils doivent être signicativement diérent de 0 -
sous-section précédente) et par un examen des résidus (qui doivent
suivre un processus Bruit Blanc).
Cette étape consiste à choisir le meilleur modèle parmi ceux
estimés à partir d'un ensemble de critères statistiques.

HOUNDOGA (ISE) ARMA - Box & Jenkins 18 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA I/

Lors de la détermination des ordres p et q du processus

ARM A(p, q) à l'aide des corrélogrammes simple et partiel, on peut
être amené à sélectionner plusieurs ordres possibles p et q pour le
processus ARM A(p, q).
Après avoir estimé les diérents processus ARM A(p, q) possibles, il
reste à les valider et à les départager
La validation des processus passe par un examen des coecients
estimés (ils doivent être signicativement diérent de 0 -
sous-section précédente) et par un examen des résidus (qui doivent
suivre un processus Bruit Blanc).
Cette étape consiste à choisir le meilleur modèle parmi ceux
estimés à partir d'un ensemble de critères statistiques.

HOUNDOGA (ISE) ARMA - Box & Jenkins 18 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA II/

Qualité de la régression
De deux modèles, le meilleur est celui dont le R2 ajusté est le plus élevé.
bε2 /(T − p − q)
σ
R̄2 = 1 −
Vb /(T − 1)

bε2 est la variance estimée des résidus

σ
Vb est la variance de la variable dépendante

HOUNDOGA (ISE) ARMA - Box & Jenkins 19 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA III/

Signicativité globale
De deux modèles globalement signicatifs, le meilleur est celui dont la
F-statistique est la plus élevée :

(Vb − σ bε2 )/(p + q)

F − stat =
σbε2 /(T − p − q)

Sous H0 de non signicativité, F − stat F(p + q, T − p − q)

Test d'hétéroscédaticité (Goldfeld et Quant, White, Breusch et

Pagan, Test ARCH de Engle)
Test de normalité des erreurs

HOUNDOGA (ISE) ARMA - Box & Jenkins 20 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA IV/

Critères de choix
Critères standards :
Mean Absolute Error (MAE)
Root Mean Squared Error (RMSE)
Mean Absolute Percent Error (MAPE)

s
1X 1X 2 1 X et
M AE = |et |, RM SE = et , M AP E = 100 ∗ | |
n t n t n t yt

Plus la valeur de ces critères est faible, plus le modèle estimé est proche
des observations.

HOUNDOGA (ISE) ARMA - Box & Jenkins 21 / 27

 Validation du processus ARMA(p,q)

Validation du processus ARMA V/

Critères d'information
Critères standards :
Le critère d'Akaike (AIC)
Le critère de Schwarz (SIC)
Le critère d'information de Hannan-Quinn : (HQ)
On choisit le modèle qui minimise les critères standards et les critères
d'information. Le modèle sélectionné sera alors utilisé pour la prévision.

Cohérence avec la théorie (économique)

HOUNDOGA (ISE) ARMA - Box & Jenkins 22 / 27

 Prévision

Plan du chapitre

1 La stationnarisation

2 Identication

3 Estimation

4 Vérication

5 Choix du modèle (validation du processus ARMA(p,q))

6 Prévision

HOUNDOGA (ISE) ARMA - Box & Jenkins 23 / 27

Exercice 1

Soit yt = (1 − 0, 6L)(1 − 0, 4L4 )εt , εt est un bruit blanc de variance

égale à 2. Quels sont les 6 premiers coecients d'autocorrélations
totales de yt ? Sans la calculer, pouvez-vous décrire sa fonction
d'autocorrélation partielle ?
Exercice 2

1 Rappelez sans faire de calcul l'évolution suivant k des fonctions

d'autocorrélation totale (ρk ) et partielle (rk ) d'un processus AR(1)
2 Simulez sous Eviews ou Stata (pour 100 périodes) le processus
AR(1) gaussien suivant : yt = 0, 2 + 0, 7yt−1 + εt , avec εt tirée
d'une normale de moyenne 0 et de variance unitaire et y0 = 0, 67
3 Représentez pour le processus les fonctions d'autocorrélations
totales et partielles empiriques. Comparez les valeurs trouvées aux
valeurs théoriques espérées. Que constatez-vous ?
4 En utilisant la distribution asymptotique des corrélations
partielles, vériez que r1 6= 0r2 6= 0 et r3 6= 0. Vériez de même que
ρ1 6= 0, ρ2 6= 0 et ρ3 6= 0.
5 On veut tester l'hypothèse jointe suivante : H0 : ρ1 = ρ2 = · · · = ρk
pour k = 6, 12, 18. A quoi correspond l'hypothèse nulle ? Quelle(s)
statistique(s) peut-on utiliser pour répondre à la question posée
par le test ?
Exercice 2 (suite)

6 Supposez maintenant que l'échantillon en face est issu d'un

processus inconnu. Estimer les paramètres en supposons qu'il s'agit
d'un processus AR(1). Quelle propriété doit vérier les résidus ?
7 Le processus AR(1) simulé étant inversible, il admet une
représentation M A(∞). En réalité un processus ni MA(q) sut.
Estimer les paramètres en supposant que les données en présence
suivent respectivement un processus MA(1) et MA(2). Les résidus
obtenus sont-ils respectivement des bruits blancs ?
8 Dans le cas où pour l'un ou l'autre des deux processus précédents,
les coecients sont tous signicatifs avec l'hypothèse de bruit
blanc pour les résidus, quel critères utilisez pour choisir le meilleur
modèle parmi les trois [AR(1), MA(1) et MA(2)]
9 Conclusion : Rappeler la méthodologie de Box-Jenkins pour
l'identication et l'estimation des processus ARMA