Modèle autorégressif : AR(1)

Corollaire
Soit Xt un processus autorégressif d’ordre 1, AR(1),

Xt = µ + Xt 1 + at ,

Si | | < 1 alors
µ
E (Xt ) = 1
2
Var (Xt ) = 1 2
k
(k) = 2 , k = 0, 1, 2, · · ·
1 2

⇢(k) = k, k = 0, 1, 2, · · · .

Fouad Marri Séries chronologiques

AR(1) : Xt = µ + Xt 1 + at , | |<1

Fouad Marri Séries chronologiques

AR(1) : Xt = µ + Xt 1 + at , | |<1

Fouad Marri Séries chronologiques

Exemple
On vous donne les valeurs suivantes provenant d’un processus
temporel SSL, AR(1), Xt = Xt 1 + µ + at , avec at ⇠ BB(0, 2) :

t 1 2 3 4 5 6 7 8 9 10
Xt 1.2 2 1.4 3.6 2.3 5 3 2 0.4 3
À partir des données ci-dessus, estimer la valeur de , µ et 2.

T
Xk
1
ˆ (k) = T (xj x̄T )(xj+k x̄T )
j=1
Fouad Marri Séries chronologiques
Modèle autorégressif : AR(p)

On dit que le processus aléatoire temporel Xt est un processus

autoregressif d’ordre p, AR(p) si

Xt = µ + 1 Xt 1 + ··· + p Xt p + at ,

où :
at ⇠ BB(0, 2 ),

j 2 R, j = 1, · · · , p, p 6= 0, , µ 2 R, et p 2 N?

Fouad Marri Séries chronologiques

Modèle autorégressif : AR(p)

Le théorème suivant donne les conditions nécessaires et suffisantes

de stationnarité au sens large des modèles AR(p).

Xt = µ + 1 Xt 1 + ··· + p Xt p + at ,

Théorème
Le processus autorégressif Xt défini par

Xt = 1 Xt 1 + ··· + p Xt p + µ + at

est SSL et causal si et seulement si les racines du polynôme

A(z) = 1 ··· p
1z p z sont de module strictement supérieur
à 1

Fouad Marri Séries chronologiques

Les équations de Yule Walker AR(p)

Les équations de Yule Walker AR(p)

Xt = µ + 1 Xt 1 + ··· + p Xt p + at ,

Corollaire
Soit Xt un processus autorégressif AR(p), SSL et causal alors : les
fonctions d’autocorrélation de Xt sont données par :
p
X
⇢(k) = j ⇢(k j) k 1
j=1
2
(0) = p
X
1 j ⇢(j)
j=1

Fouad Marri Séries chronologiques

Modèle autoregressifs : AR(p)

Les équations de Yule-Walker

Xt = µ + 1 Xt 1 + ··· + p Xt p + at ,
Les équations de Yule-Walker :
p
X
⇢(k) = j ⇢(k j) k 1
j=1

peuvent s’écrire sous forme matricielle :

0 1 0 10 1
⇢1 1 ⇢1 · · · ⇢p 1 1
B ⇢2 C B ⇢1 1 ··· ⇢p CB 2 C
B C B 2 CB C
B .. C = B .. .. .. .. C B .. C
@ . A @ . . . . A@ . A
⇢p ⇢p 1 ⇢p 2 · · · 1 p

Fouad Marri Séries chronologiques

Modèle autoregressif : AR(p)

Les équations de Yule-Walker

Xt = µ + 1 Xt 1 + ··· + p Xt p + at ,
0 1 0 1 10 1
1 1 ⇢1 ··· ⇢p 1 ⇢1
B 2 C B ⇢1 1 ··· ⇢p C B ⇢2 C
B C B 2 C B C
B .. C = B .. .. .. .. C B .. C
@ . A @ . . . . A @ . A
p ⇢p 1 ⇢p 2 ··· 1 ⇢p

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP
Pour modéliser des séries chronologiques avec des données
réelles, une question d’importance est le choix des ordres p :
AR(p)et q : MA(q).
Deux outils sont fondamentaux à cette fin : les
autocorrélations (ACF) et les autocorrélations partielles
(PACF).
L’examen de la fonction d’autocorrélation partielle peut nous
indiquer si la série est un AR(p).

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP

Définition
La fonction d’autocorrélation partielle d’ordre k d’un processus Xt ,
SSL, notée Pk est définie par :

0 1 1
0 1 1 ⇢1 ⇢2 ··· ⇢k 2 ⇢k 1 0 1
. B C ⇢1
B .. C B ⇢1 1 ⇢1 ··· ⇢k 3 ⇢k 2 C
B C B .. .. .. .. C B ⇢2 C
B . C=B .. B C
B .. C B . . . . . ··· CC B .. C
@ . A B .. C @ . A
@ ⇢k 2 ⇢k 3 . ··· 1 ⇢1 A
Pk ⇢k
⇢k 1 ⇢k 2 ⇢k 3 ··· ⇢1 1

avec ⇢k = ⇢(k) = corr (Xt , Xt+k ) et P1 = ⇢1

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP

Le théorème suivant nous donne une formule explicite de la FAP :

La FAP d’un processus Xt SSL est :

1 ⇢1 ⇢2 ··· ⇢k 2 ⇢1
⇢1 1 ⇢1 ··· ⇢k 3 ⇢2
.. .. .. .. ..
. . . . . ···
..
⇢k 2 ⇢k 3 . ··· 1 ⇢k 1
⇢k 1 ⇢k 2 ⇢k 3 ··· ⇢1 ⇢k
Pk = 8k 2 N?
1 ⇢1 ⇢2 ··· ⇢k 2 ⇢k 1
⇢1 1 ⇢1 ··· ⇢k 3 ⇢k 2
.. .. .. .. ..
. . . . . ···
..
⇢k 2 ⇢k 3 . ··· 1 ⇢1
⇢k 1 ⇢k 2 ⇢k 3 ··· ⇢1 1

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle
Les deux premières autocorrélations partielles sont donc
déterminées par les relations suivantes :

P1 = ⇢1
⇢2 ⇢21
P2 =
1 ⇢21

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP
Les autocorrélations partielles empiriques sont obtenues des
autocorrélations partielles théoriques en remplaçant les ⇢i par leurs
estimations.

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP

Processus autorégressif AR(1) : Xt = µ + Xt 1 + at

Pour un Processus autorégressif AR(1), on a :
k
⇢k =

P1 = ⇢1 =
Pk = 0, k 2

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : AR(1) :
Xt = µ + X t 1 + a t

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : AR(1) :
Xt = µ + X t 1 + a t

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP

Processus autorégressif AR(2) : Xt = µ + 1 Xt 1 + 2 Xt 2 + at

Pour un Processus autorégressif AR(2), on a :

P1 = ⇢1

⇢2 ⇢21
P2 = = 2
1 ⇢21
Pk = 0, k 3

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle : FAP

Fouad Marri Séries chronologiques

Fonction d’autocorrélation partielle d’un AR(p)

Proposition
Les autocorrélations partielles d’un processus AR(p)
Xt = 1 Xt 1 + · · · + p Xt p + µ + at , sont nulles pour k > p :

Pk = 0, k>p

et
Pp = p

La fonction d’autocorrélation partielle d’un AR(p) s’annule à

l’ordre p + 1.

Fouad Marri Séries chronologiques

Dualité entre processus AR(p) et MA(q)
Une série est un processus MA(q) si sa fonction
d’autocorrélation s’annule à partir d’un décalage q.
Une série est est un processus AR(p) si sa fonction
d’autocorrélation partielle s’annule à partir d’un décalage p.

AR(p) MA(q)
FA : =0 pour tout k > q
FAP =0 pour tout k > p

Fouad Marri Séries chronologiques

Exemple
Proposer un modèle adéquat pour ce processus autorégressif (SSL)
et estimer ces paramètres ?

Figure: Le corrélogramme du processus Xt

Proposer un modèle adéquat pour ce processus et estimer ces

paramètres.
Fouad Marri Séries chronologiques
Corrigé

P2 = 2 = 0.365
1
⇢(1) =
1 2
⇢(2) = 1 ⇢(1) + 2
2
(0) =
1 1 ⇢(1) 2 ⇢(2)

Fouad Marri Séries chronologiques