Times Series

Econométrie des series temporelles

Chapitre 1 : Introduction

Nathaniel GBENRO
ENSEA d'Abidjan

12 mai 2022

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 1 / 43

 Plan du chapitre

Plan du cours

1 Qu'est-ce qu'une série temporelle ?

2 Composante des séries temporelles

3 Desaisonalisation

4 Processus stationnaires

5 Processus ARMA

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 2 / 43

 Qu'est-ce qu'une série temporelle ?

Dénition
Une série temporelle est dénie comme la réalisation d'un processus
stochastic Yt
{yt }+∞
−∞ = {. . . y−1 , y0 , y1 , . . . , yt , . . . }

Série discrète : l'espace de temps t ∈ χ est discret.

Série continue : l'espace de temps t ∈ χ est continu.
En pratique, l'ondispose d'uen réalisation de ce processus
{yt }T
1 = {y1 , . . . , yt , . . . , yT }

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 3 / 43

 Qu'est-ce qu'une série temporelle ?

Dénition
Une série temporelle est dénie comme la réalisation d'un processus
stochastic Yt
{yt }+∞
−∞ = {. . . y−1 , y0 , y1 , . . . , yt , . . . }

Série discrète : l'espace de temps t ∈ χ est discret.

Série continue : l'espace de temps t ∈ χ est continu.
En pratique, l'ondispose d'uen réalisation de ce processus
{yt }T
1 = {y1 , . . . , yt , . . . , yT }

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 3 / 43

 Qu'est-ce qu'une série temporelle ?

Pourquoi étudier les ST ?

La plupart des séries macro-économie et en nance sont représentées
sous forme temporelle.
Description :
Décrire l'évolution de la grandeur étudiée
Statistiques sommaires
Diagramme séquentiel (time plot)
Prédictif :
Prédire les valeurs futurs sur la base des informations disponibles
Modèles prédictifs
Explication :
Identiée des liens de causalité entre grandeurs
Modèles explicatifs

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 4 / 43

 Composante des séries temporelles

4 composantes

Tendance-cycle Evolution fondamentale à laquelle se superposent les

autres composantes
Trend (Tt ) : évolution de long terme
Cycle (Ct ) : Composantes conjoncturelles périodique. Mvt
oscillatoire d'amplitude et de périodicité
pouvant varier autour de la tendance. Par
construction, le cycle est de moyenne nulle.
Saisonnalité (St ) Mvt très court de pics et de creux successifs qui se
répètent à l'identique de période en période à des dates
précises
Eets calendaires Inuences de certains événements prévus par le
calendrier (jour ouvrable, Ramadan, weekend, janvier...)
Irrégulier creux ou pics de faible amplitude qui brisent la régularité de
la variation d'ensembles
Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 5 / 43
 Composante des séries temporelles

4 composantes

Tendance-cycle
Saisonnalité (St )
Eets calendaires
Irrégulier
Dans la suite du cours, on s'intéressera à la composante tendancielle,
saisonnière et l'irrégulier

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 5 / 43

 Composante des séries temporelles

Exemples

Figure  GDP per zone

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 6 / 43
 Composante des séries temporelles

Exemples

Figure  Wheta Price

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 7 / 43
 Composante des séries temporelles

Exemples

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 8 / 43

 Composante des séries temporelles

Un peu de rappel (Probabilité et Statistique) (I)

On suppose qu'on observe un échantillon de taille T d'une variable

aléatoire (v.a.) {y1 , y2 , . . . , yT }. Ces observations représentent T
nombres particuliers, mais cet ensemble de valeurs particulières de la
v.a. Yt est seulement un résultat possible du processus stochastique
qui génère les données.
Même si on imagine le processus sur un horizon inni
{yt }+∞
−∞ = {. . . y−1 , y0 , y1 , . . . , yT , . . . }

Cet ensemble peut être vu comme une réalisation du processus Yt .

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 9 / 43

 Composante des séries temporelles

Un peu de rappel (Probabilité et Statistique) (II)

Espérance mathématique
L'espérance mathématique d'ordre t de la série temporelle Yt est égale à la
moyenne de la distribution de probabilité
+∞
Z
E (Yt ) = µt = yfYt (y )dy
−∞

E (Yt ) est la limite en probabilité de la moyenne empirique

1X
T
y¯T = yt
T
t=1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 10 / 43

 Composante des séries temporelles

Un peu de rappel (Probabilité et Statistique) (III)

Variance théorique
La variance γ0t de la v.a. Yt est dénie par :
+∞
Z
2
γ0t = E (Yt − E (Yt )) = (y − µt )2 fYt (y )dy
−∞

où µt = E (Yt ), γ0t est la limite en probabilité de la variance empirique

1X
T
σ̂ 2 = (yt − y¯T )2
T
t=1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 11 / 43

 Composante des séries temporelles

Un peu de rappel (Probabilité et Statistique) (IV)

Autocorrélation
L'autocorrélation d'ordre j de Yt est :
cov (Yt , Yt−j ) γjt
ρjt = p =√
Var (Yt )Var (Yt−j ) γ0t ∗ γ0t−j

où

γjt = E ((Yt − E (Yt ))(Yt−j − E (Yt−j )))

γjt est la limite en probabilité de la covariance empirique

1 X
T
γ̂jt = (yt − y¯T )(yt−j − y¯T )
T
t=j+1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 12 / 43

 Desaisonalisation

Introduction

Désaisonnaliser : extraire la saisonnalité (composante saisonnière) sans

modier les autres composantes de la série an d'apprécier l'évolution
fondamentale de cette variable.
La saisonnalité aecte :
l'évolution de la variable dans le temps
l'estimation des paramètres de la modélisation de la série

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 13 / 43

 Desaisonalisation

Test de détection de la saisonnalité

Plusieurs méthodes de détection ou d'absence de saisonnalité :

Tests visuels ou graphiques
Graphique de la série brute
Graphique saisonnier
Corrélogramme (Lying-Box d'ordre 1 an)
Tests statistiques ou inférentiels
Regression sur dummies
Test du χ2
Test de Fridman (anova sur les rangs)
Test de Krustal-Wallis

En cas d'existence d'inuence saisonnière dans la série, il faut sélectionner

un schéma de décomposition pour pouvoir extraire cette composante.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 14 / 43

 Desaisonalisation

Test de détection de la saisonnalité

Plusieurs méthodes de détection ou d'absence de saisonnalité :

Tests visuels ou graphiques
Graphique de la série brute
Graphique saisonnier
Corrélogramme (Lying-Box d'ordre 1 an)
Tests statistiques ou inférentiels
Regression sur dummies
Test du χ2
Test de Fridman (anova sur les rangs)
Test de Krustal-Wallis

En cas d'existence d'inuence saisonnière dans la série, il faut sélectionner

un schéma de décomposition pour pouvoir extraire cette composante.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 14 / 43

 Desaisonalisation

Modèle d'ajustement
On distingue deux grandes familles.
Schéma additif
En joignant les pics d'une part et les creux d'autre part, on a l'impression qu'on empile
la série entre deux courbes parallèles (amplitudes relativement constantes). Dans ce cas,
on postule pour un schéma additif et le modèle s'écrit :
yt = Tt + St + It

Schéma multiplicatif
En joignant les pics d'une part et les creux d'autre part, on a l'impression qu'on empile
la série entre deux courbes sécantes formant un entonnoir (amplitudes variables). Dans
ce cas, on postule pour un schéma multiplicatif et le modèle s'écrit :
yt = Tt ∗ St ∗ (1 + It )

avec E (It ) = 0

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 15 / 43

 Desaisonalisation

Modèle d'ajustement
On distingue deux grandes familles.
Schéma additif
En joignant les pics d'une part et les creux d'autre part, on a l'impression qu'on empile
la série entre deux courbes parallèles (amplitudes relativement constantes). Dans ce cas,
on postule pour un schéma additif et le modèle s'écrit :
yt = Tt + St + It

Schéma multiplicatif
En joignant les pics d'une part et les creux d'autre part, on a l'impression qu'on empile
la série entre deux courbes sécantes formant un entonnoir (amplitudes variables). Dans
ce cas, on postule pour un schéma multiplicatif et le modèle s'écrit :
yt = Tt ∗ St ∗ (1 + It )

avec E (It ) = 0

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 15 / 43

 Desaisonalisation

Méthode de décomposition

Décomposition :
Estimation de la tendance
Régression sur le temps
Moyenne mobile

Estimation de la composante saisonnière

Méthode directe
Estimation étape par étape

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 16 / 43

 Desaisonalisation

Estimation de la composante saisonnière :Census X-11

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 17 / 43

 Processus stationnaires

Stationnarité d'un processus temporel (I/II)

On distingue 2 types de stationnarité. Soit {yt }t≥1 une série temporelle : la

stationnarité forte et la stationnarité faible ou du second degré.
Stationnarité forte
yt est dit strictement ou fortement stationnaire si pour toutes valeurs
j1 , . . . , jn la distribution jointe de (yt , yt+j , . . . , yt+jn ) dépend seulement
1

des intervalles séparant les dates (j1 , . . . , jn ) et non de la date t.

De manière équivalente : yt est dit strictement ou fortement stationnaire
si pour tout n-uplet du temps t1 < t2 < · · · < tn , tel que ti ∈ Z et pour
tout temps h ∈ Z avec ti + h ∈ Z, ∀i, i = 1, . . . , n, la suite
(yt +h , . . . , ytn +h ) à la même loi de probabilité que la suite (yt , . . . , ytn )
1 1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 18 / 43

 Processus stationnaires

Stationnarité d'un processus temporel (II/II)

Stationnarité faible
yt est faiblement stationnaire (ou stationnaire au second degré ou d'ordre
2) si sa moyenne µ, sa variance γ0 et ses fonctions d'autocovariance γj
sont nies et indépendantes du temps, en d'autres termes :
1 ∀t ∈ Z, E (yt2 ) < ∞
2 ∀t ∈ Z, E (yt ) = µ (indépendant du temps)
3 ∀(t, j) ∈ Z2 , cov (yt , yt+j ) = E [(yt − µ)(yt+j − µ)] = γj (indépendant
du temps)

Stationnarité faible en tendance

Un processus est trend-stationnaire (TS), s'il existe une fonction
déterministe dt tel que yt corrigé de dt soit faiblement stationnaire.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 19 / 43

 Processus stationnaires

Processus bruit blanc

Parmi la classe des processus stationnaire, il existe des processus particuliers

que sont les processus bruit blanc (BB) ou white noise (WN).
Souvent utilisés en analyse des séries temporelles car ils constituent en
quelque sorte les "briques élémentaires" de l'ensemble des processus
temporels.

Dénition
Soit {yt }t≥1 un processus temporel. yt est un bruit blanc s'il est
stationnaire avec des accroissements indépendants. En d'autres termes, yt
est un BB si :
E (yt ) = 0
Var (yt ) = γ0 = σ 2 = cste
Cov (yt , yt−j ) = 0, ∀j ≥ 1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 20 / 43

 Processus stationnaires

Processus bruit blanc

Parmi la classe des processus stationnaire, il existe des processus particuliers

que sont les processus bruit blanc (BB) ou white noise (WN).
Souvent utilisés en analyse des séries temporelles car ils constituent en
quelque sorte les "briques élémentaires" de l'ensemble des processus
temporels.

Dénition
Soit {yt }t≥1 un processus temporel. yt est un bruit blanc s'il est
stationnaire avec des accroissements indépendants. En d'autres termes, yt
est un BB si :
E (yt ) = 0
Var (yt ) = γ0 = σ 2 = cste
Cov (yt , yt−j ) = 0, ∀j ≥ 1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 20 / 43

 Processus stationnaires

Processus bruit blanc (II)

Les termes d'autocovariances (pour h ̸= 0) sont tous nuls. Seule la

variance est non nulle.
=⇒ les bruits blancs sont des processus stationnaires particuliers sans
"mémoire"
On parle de bruit blanc gaussien lorsque la loi de probabilité du
processus est elle même gaussienne
εt i.i.d ⇝ N (0, σ 2 )

=⇒ Dans ce dernier cas, le processus est fortement stationnaire.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 21 / 43

 Processus stationnaires

Exemple

Figure  Plot GNW

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 22 / 43
 Processus stationnaires

Exemple

Figure  Plot ACF

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 23 / 43
 Processus ARMA

Théorème de représentation de Wold (1938)

Théorème
Soit {yt }t≥1 un processus temporel. yt est stationnaire ssi il existe un bruit
blanc {ϵt }t≥1 de variance σϵ2 et une suite absolument convergente
i=−∞ tels que
(θi )+∞
+∞
X
yt = µ + θi ϵt−i
i=−∞
+∞
avec θ0 = 1, θi2 < ∞, ϵt ⇝ BB(0, σ 2 )
P
i=−∞

Wold (1954) montre que les séries stationnaires peuvent être représentées
par les processus ARMA (Autoregressive Moving Average)

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 24 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Dénition AR(p)

Soit {yt }t≥1 un processus stationnaire. {yt } admet une représentation

autoregressive d'ordre p (ni) s'il existe un réel µ, une suite de réels {ϕ}pt=1
et un bruit blanc {εt }t≥1 tels que :
yt + ϕ1 yt−1 + · · · + ϕp yt−p = µ + εt

ou encore p
(1 +
X
ϕi Li )yt = µ + εt
i=1

ϕp ̸= 0 dénit
Pl'ordre du processus AR.
Φ(z) = 1 + pi=1 ϕi z i (z ∈ C) représente le polynôme autorégressif.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 25 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Moments du processus AR(p)

E (yt ) = µ − pi=1 ϕi E (yt−i )
P
Si E (yt ) = cste , alors elle est égale à E (yt ) = µ
Φ(1) (si Φ(1)̸= 0 =⇒
absence de racine unitaire)
Equation de Yule - Walker 1
identication de la variance
p
ϕi γ−i = σε2
X
γ0 −
i=1

Les fonctions d'autocovariance vérient un système d'équations de

récurrence d'ordre p :
p
X
γj − ϕi γj−i = 0, j > 0
i=1

Les autocorrelations vérient un système d'équations de récurrence

d'ordre p :
Xp
ρj − ϕi ρi−j , j > 0
i=1
Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 26 / 43
 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Moments du processus AR(p) (II)

Fonctions d'autocorrélation partielle

ϕjk est le coecient de yt−k dans la régression linéaire de yt sur
yt−1 , yt−2 , . . . , yt−j , . . .
La représentation minimale du processus {yt } peut s'écrire :
yt = µ − i=1 ϕpi yt−i + ϵt .
Pp

ϕpj ̸= 0 si j = p

ϕpj = (1)
0 si j ≥ p + 1

La représentation graphiques des ϕpj désigne le corrélogramme partiel.

Les fonctions ϕpj permettent d'identier l'ordre du processus
autoregréssif.
L'ordre est la dernière autocorrélation non nulle.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 27 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Moments du processus AR(p) (II)

Fonctions d'autocorrélation partielle

ϕjk est le coecient de yt−k dans la régression linéaire de yt sur
yt−1 , yt−2 , . . . , yt−j , . . .
La représentation minimale du processus {yt } peut s'écrire :
yt = µ − i=1 ϕpi yt−i + ϵt .
Pp

ϕpj ̸= 0 si j = p

ϕpj = (1)
0 si j ≥ p + 1

La représentation graphiques des ϕpj désigne le corrélogramme partiel.

Les fonctions ϕpj permettent d'identier l'ordre du processus
autoregréssif.
L'ordre est la dernière autocorrélation non nulle.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 27 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Stationnarité d'un processus AR(p)

Théorème
Un processus (yt , t ∈ Z) satisfaisant une représentation AR(p) est toujours
inversible.
Il est stationnaire lorsque toutes les racines du polynôme Φ(L) (polynôme
autorégressif), notées λj ∈ C (j ≤ p ), sont de module strictement
supérieur à l'unité.
Ce théorème indique que :
tout processus AR peut être "inversé" et représenté sous la forme d'un
processus MA

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 28 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Stationnarité d'un processus AR(p)

Théorème
Un processus (yt , t ∈ Z) satisfaisant une représentation AR(p) est toujours
inversible.
Il est stationnaire lorsque toutes les racines du polynôme Φ(L) (polynôme
autorégressif), notées λj ∈ C (j ≤ p ), sont de module strictement
supérieur à l'unité.
Ce théorème indique que :
tout processus AR peut être "inversé" et représenté sous la forme d'un
processus MA
lorsque les racines du polynôme autorégressif sont toutes supérieures à
l'unité en module, le processus satisfait les 3 conditions de la
stationnarité du second ordre (à démontrer).

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 28 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Stationnarité d'un processus AR(p)

Théorème
Un processus (yt , t ∈ Z) satisfaisant une représentation AR(p) est toujours
inversible.
Il est stationnaire lorsque toutes les racines du polynôme Φ(L) (polynôme
autorégressif), notées λj ∈ C (j ≤ p ), sont de module strictement
supérieur à l'unité.
Ce théorème indique que :
tout processus AR peut être "inversé" et représenté sous la forme d'un
processus MA
lorsque les racines du polynôme autorégressif sont toutes supérieures à
l'unité en module, le processus satisfait les 3 conditions de la
stationnarité du second ordre (à démontrer).

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 28 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Modication des racines d'un processus AR (I/)

Lorsque toutes les racines du polynôme autoregressif sont hors du

cercle unité (|λj | > 1), {εt } représente l'innovation du processus
Si une racine est de module inférieure à 1, il faut transformer le
processus
La densité spectrale du processus AR(p) peut s'écrire :
σε2
fy (ω) =
2π| j=1 (1
e iω 2
Qp
− λj )|

Posons p
z
(1 − )
Y
Φ(z) =
λj
j=1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 29 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Modication des racines d'un processus AR (II/)

Supposons que les n premières racines de Φ sont de module supérieur à 1.

On remplace alors les p − n racines de module inférieur à 1 par leurs inverses
dans la représentation de {yt }
Soit donc
n p
Y z Y
∗
Φ (z) = (1 − ) (1 − λj z)
λj
j=1 j=n+1

Soit ηt≥1 un BB tel que ηt = Φ (z)yt , la densité spectrale de ηt peut

∗

s'écrire :
p
σε2 Y
fη (ω) = fy (ω)|Φ∗ (e iω )| = |λj |2 (indépendante de ω )
2π
j=n+1

V (ηt ) = σε 2 Qp |λj |2 < σε2 : ηj représente l'innovation du processus yt .

j=n+1
ηt = Φ∗ (z)yt est la représentation canonique de yt

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 30 / 43

 Processus ARMA Processus autorégressif d'ordre p - AR(p)

Cas specique AR(1)

Soit {yt }t≥1 un processus stationnaire. {yt } admet une représentation
autoregressive d'ordre 1 s'il existe un réel µ, un réel {ϕ} et un bruit blanc
{εt }t≥1 tels que :
yt − µ = ϕ(yt−1 − µ) + εt
|ϕ| < 1, l'équation caractéristique :

Φ(z) = 1 − ϕz

Les moments sont :

E (yt ) = µ
σε2
γ0 =
1 − ϕ2
σε2
γj = ϕj
1 − ϕ2
Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 31 / 43
 Processus ARMA Processus Moyenne Mobile d'ordre q

Dénition MA(q)

Soit {yt }t∈Z un processus temporel. {yt } admet une représentation

moyenne mobile d'ordre q notée MA(q) s'il existe un BB {εt }t∈Z et une
suite (θi ) de réels et µ ∈ R tels que :
q
X
yt = µ + εt + θ1 εt−1 + · · · + θq εt−q = µ + εt + θi εt−i
i=1

ou encore q
yt = µ + (1 +
X
θi Li )εt
i=1

où θ1 , θ2 , . . .P
, θq ̸= 0 sont des coecients (positifs ou négatifs) à estimer et
Θ(z) = 1 + qi=1 θi z i est le polynôme moyenne mobile.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 32 / 43

 Processus ARMA Processus Moyenne Mobile d'ordre q

Les moments
Les autocovariances sont dénies par :
γ0 = (1 + θ12 + . . . + θq2 )σε2

( k=0 θk θj+k )σε2 si j = 1, . . . , q

 Pq
γj = (2)
0 si j ≥ q + 1
La fonction d'autocorrélation est dénie par :
( qk=0 θk θj+k )
( P
si j = 1, . . . , q
(1+ qk=1 θk2 ) (3)
P
ρj =
0 si j ≥ q + 1

La représentation graphique de ρj est appelée corrélogramme.

Un processus MA(q) présente un corrélogramme simple déni par ses q
premiers termes signicativement diérents de 0 et un corrélogramme
partiel caractérisé par une décroissance géométrique des retards
Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 33 / 43
 Processus ARMA Processus Moyenne Mobile d'ordre q

Inversibilité d'un processus MA

Théorème
Tout processus MA d'ordre ni est stationnaire.
Il est inversible si toutes les racines du polynôme moyenne mobile sont de
module strictement supérieur à 1.

Pour un processus MA inversible, la fonction de réponse à un choc

instantané est donnée par :
θj si j = 1, . . . , q

∂yt+j
= (4)
∂εt 0 si j ≥ q + 1
Si toutes les racines de yt sont hors du cercle cercle unité, {εt }
représente l'innovation du processus.
Sinon, on recherche l'innovation de yt en transformant le processus.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 34 / 43

 Processus ARMA Processus ARMA(p,q)

Dénition ARMA(p,q)

Soit {yt }t∈Z un processus temporel. yt admet une représentation ARMA(p,q)

minimale s'il existe deux suites réelles (ϕi )pi≥1 et (θi )qi≥1 , µ ∈ R et un BB {εt }t≥1
tels que :

yt + ϕ1 yt−1 + · · · + ϕp yt−p = µ + εt + θ1 εt−1 + · · · + θq εt−q

ou encore
Φ(L)yt = µ + Θ(L)εt
avec Φ et Θ n'ayant pas de racines communes.
Le modèle ARMA(p, q) est une combinaison des processus AR(p) et MA(q)
On supposera que les polynômes Φ et Θ n'ont pas de racine commune, an de
s'assurer qu'il n'y a pas de représentation plus courte.
yt est stationnaire ssi Φ admet des racines de module strictement supérieur à 1.
yt est inversible ssi Θ admet des racines de module strictement supérieur à 1.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 35 / 43

 Processus ARMA Processus ARMA(p,q)

Estimation et Prévision

L'estimation se fait par :

la methode des moments AR(p) ;
la MLE conditionnel
q
X
yt = ϕ1 yt−1 + · · · + ϕp yt−p + θj εt−j
j=1

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 36 / 43

Exposé sur les modèles SARIMA (ARIMA saisonnier)
Exercice 1

En utilisant l'un des logiciels au programme, générez les processus temporel

suivant pour un échantillon de 300 réalisations puis les représenter
graphiquement. Ces processus vous semblent-il stationnaires ? Pourquoi ?
1 Un bruit blanc gaussien de variance unitaire.
2 yt = 2 − 0, 5yt−1 + 0, 2yt−3 + εt − 0, 5εt−1
3 xt = −0, 5xt−1 + 0, 2xt−3 + εt
4 z − 0, 2zt−1 − 1, 5zt−2 = εt + 0, 5εt−1 + 0, 6εt−4
Exercice 2

On considère les processus suivants. Ces processus sont-ils stationnaires ?

1 Y1,t = 2Y1,t−1 − Y1,t−2 + εt
2 Y2,t = 2Y2,t−1 − 3Y2,t−2 + 2Y2,t−3 + εt
3 Y3,t = 0.1Y3,t−1 − 0.5Y3,t−2 + εt
Exercice 3

1 Soient X = (Xt )t∈Z et Y = (Yt )t∈Z deux processus stationnaires,

décorrélés (c'est-à-dire que cov (Xt , Ys ) = 0 pour tous s,t). Montrer
que le processus Z = (Zt )t∈Z déni par Zt = Xt + Yt pour tout t ∈ Z
est stationnaire, et exprimer son autocovariance en fonction de celles
de X et de Y .
2 Soit yt = 1, 1yt−1 − 0, 3yt−2 + εt − 0, 2εt−1 − 0, 15εt−2
1 Le processus est-il stationnaire ? inversible ? Justiez.
2 Calculer les coecients d'autocorrélation ρ1 et ρ2 et le coecient
d'autocorrélation partielle ϕ2 2.
Exercice 4

Vérier la stationnarité et expliciter l'expression du processus autorégressif

de polynôme caractéristique
1
A(z) = 1 − z − z 2
2
Exercice 5

Considérons le processus
Xt = aXt−1 + εt + bεt−1
1 Montrer que la variance du processus est
1 + b2 + 2ab
γ(0) = σ 2
1 − a2
2 Montrer que l'auto-covariance d'ordre 1 est
a + b + ab 2 + a2 b
γ(1) = σ 2
1 − a2
3 En déduire que les auto-corrélations sont données par
(a + b)(1 + ab)
ρ(1) = 2 et ρ(h) = ah−1 ρ(1)
b + 2ab + 1
.
 Exercices

Bibliographie

Quelques éléments de bibliographie (non exhaustive) :

Gouriéroux C. et Monfort A. (1995), Séries Temporelles et Modèles
Dynamiques, 2ème Edition, Economica, Paris.
Hamilton J. D. (1994), Time Series Analysis, Princeton University
Press, Princeton, New Jersey.
Calot G. (1981), Cours de Statistique Descriptive, Dunod, Paris.
Brockwell P.J. et Davis R.A., Time Series : Theory and Methods,
Springer Verlag.

Nathaniel GBENRO ENSEA d'Abidjan Times Series 12 mai 2022 43 / 43