LA MÉTHODE BOX

JENKINS
INTRODUCTION

PARTIE I : LA THEORIE.

PARTIE II : LE PROCESSUS (AR) ET LE

PROCESSUS
(MA).

PARTIE III : ARMA ET ARIMA.

PARTIE IV : APPLICATION

22
 INTRODUCTION

La méthodologie de BOX JENKINS pour analyser une série

chronologique représente la réponse statistique à ce problème. Il s’agit de choisir
dans la vaste classe des modèles ARIMA le modèle reproduisant au mieux la
série étudiée. La panoplie statistique habituelle peut s’appliquer : estimation des
paramètres du modèle, tests d’hypothèse, analyse des résidus, identification
d’observations atypiques, prévision.

Lorsque les données ont une structure probabiliste suffisamment stable au

cours du temps et sont assez nombreuses pour permettre une estimation de cette
structure, l’approche BOX JENKINS permet d’obtenir les prévisions les plus
précises.

La théorie sous-jacente à la méthodologie de BOX JENKINS est

complexe, elle est cependant indispensable à une bonne utilisation des logiciels.
Il faut avoir en mémoire les propriétés des modèles ARIMA pour pouvoir
choisir le modèle adapté aux données. Nous
Présentons donc les résultats théoriques essentiels dans une première partie.

L’objectif de cet exposé est de permettre une bonne utilisation des logiciels
d’analyse d’une série chronologique à l’aide de la méthode de BOX JENKINS.

22
 PARTIE : LA THEORIE

Nous allons exposer dans cette partie les principaux résultats théorique
indispensables à l’utilisation de la méthode de BOX JENKINS. La plupart des
résultats seront donnés sans démonstration, et nous renvoyons implicitement
aux références citées pour démonstrations et approfondissements.

Chapitre I : Les concepts de base

Les modèles ARIMA reposent sur un certain nombre de concepts de

base que nous allons présenter.

1.1 Processus aléatoire stationnaire

Un processus aléatoire est une suite de variables aléatoires (zt)

indicées par le temps. Nous limitons dans cet exposé au cas d’un
temps discret t= …,-j,…,-1, 0,1……, j,…. Le processus (zt) est
stationnaire lorsque sa structure probabiliste est stable au cours du
temps : La loi de probabilité de tout n-uple (zt1,..., ztn) est la même
que celle du n-uple (zt1+K,…, ztn+K) pour tout décalage K. Ainsi,
pour un processus stationnaire (zt), tous ont même moyenne, même
variance, et les autocorrélations sont indépépendantes de l’instant t
pour tout décalage K.
1.2 Processus gaussien stationnaire

Un processus est gaussien lorsque la loi de probabilité de tout n-uple

(zt1,…, ztn) est une loi multinormale .Pour un processus gaussien la
stationnarité au niveau des moyennes, les variances et des
autocorrélations suffit à assurer la stationnarité du processus.
1.3 Bruit blanc

Un bruit (at) est un processus stationnaire tel que :

E (at)=0, V (at)= , k = cor (at, at-k) =0 pour tout K>0

22
Cette notion de bruit correspond aux hypothèses faites sur les résidus
en régression multiple. Les variables aléatoires at sont aussi appelées
chocs aléatoires. On suppose implicitement que les chocs at suivent
une loi normale N (0, ).

1.4 Les données

On considère que la série étudiée, notée aussi (zt,…, zn), est une
réalisation particulière d’une portion d’un processus aléatoire (zt) .
Les séries économiques sont rarement stationnaires. Elles peuvent
présenter une tendance et des variations saisonnaires. L’amplitude des
variations de la série peut aussi dépendre de son niveau .Il est
cependant souvent possible de stationnariser la série à l’aide de
transformations permettant d’éliminer tendance et saisonnalité, et de
stabiliser la variance.
• Une série chronologique assez longue (n  50).
• Exemple : Ventes d’anti-inflammatoires en France de
janvier 1978 à juillet 1982.
• Objectif : Prévoir les ventes d’août à décembre 1982.

Marché total des anti-inflammatoires

date ventes date ventes date ventes
JAN 1978 3 741 JAN 1980 4 687 JAN 1982 4 764
FEB 1978 3 608 FEB 1980 4 704 FEB 1982 4 726
MAR 1978 3 735 MAR 1980 4 579 MAR 1982 5 080
APR 1978 3 695 APR 1980 4 800 APR 1982 4 952
MAY 1978 3 810 MAY 1980 4 485 MAY 1982 4 633
JUN 1978 3 819 JUN 1980 4 617 JUN 1982 4 830
JUL 1978 3 291 JUL 1980 4 491 JUL 1982 4 460
AUG 1978 3 053 AUG 1980 3 832
SEP 1978 3 908 SEP 1980 4 669
OCT 1978 4 035 OCT 1980 5 193
NOV 1978 3 933 NOV 1980 4 544
DEC 1978 4 004 DEC 1980 4 676
JAN 1979 3 961 JAN 1981 4 709
FEB 1979 4 025 FEB 1981 4 705
MAR 1979 4 336 MAR 1981 4 677
APR 1979 4 335 APR 1981 4 627
MAY 1979 4 412 MAY 1981 4 555
JUN 1979 4 268 JUN 1981 4 570
JUL 1979 3 968 JUL 1981 4 457
AUG 1979 3 505 AUG 1981 3 589
SEP 1979 4 434 SEP 1981 4 636
OCT 1979 4 854 OCT 1981 5 077
NOV 1979 4 592 NOV 1981 4 623
DEC 1979 4 264 DEC 1981 4 591

Marché total des anti-inflammatoires

22
 1.5 Les autocorrélations

Pour estimer les autocorrélations d’un processus stationnaire (zt) à

partir des données observées (z1,…, zn), on utilise la formule :
 k  Cor ( wt , wt  k )

 (w  w)(w t t k  w)
rk  t  k 1
N
= estimation de  k
 (w  w)
t 1
t
2

1.6 Autocorrélations partielles

22
 Régression de wt sur wt-1,…, wt-k :

wt   0 k  1k wt 1  ...   kk wt  k   t

 kk
Autocorrélations partielle d’ordre k :

C’est une corrélation partielle :

 kk  Cor ( wt , wt  k | wt 1 ,..., wt  k 1 )

ˆ kk
Calcul pratique de estimation de kk

1 1 L k 2 1 Soit :

1 1 L  k 3 2 1
M 11   1
1
 k 1 k 2 L 1 k
 kk 
1 1 L k 2  k 1 1 1
1 1 L  k 3 k 2 1  2  2  12
M  22  
1 1 1  12
 k 1 k 2 L 1 1
1 1

ˆkk des 
ETC…………..
On obtient les estimations kk en remplaçant les k
par rk

22
PARTIE II : LE PROCESSUS (AR) ET LE
PROCESSUS (MA).

Chapitre I : Le processus AR

Nous allons présenter une famille de processus aléatoires qui sont censés
recouvrir une gamme très larges d’évolution possible de séries chronologiques :
Il s’agit dans ce chapitre du processus autorégressif AR et le processus de
moyenne mobile MA, et dans le 3éme chapitre on verra les deux autres
méthodes ARMA et ARIMA.

1-1Modèle autorégressif (AR) :

Parmi les procédures courantes qui permettent de modéliser des séries, dont on
ne connaît pas les variables explicatives mais dont on peut penser qu’elles
suivent des lois temporels, est celle des modèles autorégressifs.
Un processus autorégressif d’ordre p est celui où l’observation présente y t est
générée par une moyenne pondérée des observations passées jusqu’à la p-ième
période sous la forme suivante :

AR (1) : y t  1 y t 1   t
AR (2) : y t = 1y t-1 + 2 y t-2 + t
...
AR(p) : y t = 1 +y t-1 + 2 y t-2 +...+ p y t-p + t  E

Où 1 , 2 ,...,  p sont des paramètres à estimer positifs ou négatifs,  t est un aléa

gaussien. En introduisant l’opérateur décalage D, l’équation [E] peut aussi
s’écrire comme :

(1  1D   2 D 2  ...   p D p ) y t   t

1-2Modèle MA (Moving Average : Moyenne Mobile) :

Dans le processus de moyenne mobile d’ordre q à chaque fois que l’observation

y t est générée par une moyenne pondérée d’aléas jusqu’à la q-ième période.

22
 MA (1) : y t = t -1 t-1
MA(2) : y t = t  1 t 1   2 t  2
...
MA (q ) : y t =  t -1 t-1 - 2 t-2 -...- q t-q  E'

Où 1 ,  2 ,..., q sont des paramètres pouvant être positifs ou négatifs et  t est un

aléa gaussien.
L’équation  E' peut aussi s’écrire, tout en prenant en considération l’opérateur
décalage D :

(1  1D   2 D 2  ...   q D q ) t  y t

Dans ce processus, comme dans le modèle autorégressif AR, les aléas sont
supposés être engendrés par un processus de type bruit blanc. Le modèle MA
peut être interpréter comme étant représentatif d’une série chronologique
fluctuant autour de sa moyenne de manière aléatoire, ce qui justifie le terme de
moyenne mobile dans la mesure où celle-ci ‘‘gomme’’ le bruit créé par l’aléa.
Il est à noter qu’il y équivalence entre un processus MA(1) et un processus AR
d’ordre p infini :
MA (1)  AR()

Caractéristiques des corrélogramme

Le corrélogramme simple d’un processus MA(q) est de la forme générale :

i q  k

  i i k
k  i 0
i q Pour k=0,1,…q et  k  0 pour k  q

i 0
i
2

C’est à dire que seuls les q premiers termes du corrélogramme simple sont
significativement différents de zéro.
Le corrélogramme partiel est caractérisé par une décroissance géométrique des
retards

Exemple : Marché Total Différence régulière/saisonnière : d = 1, D = 1

Autocorrélations partielles calculées

22
 Partial Autocorrelations

Series: ventes
Partial
Lag Autocorrelation Std. Error Rejet de
1 -.515 .154
H0 : kk = 0
2 -.339 .154
3 .039 .154 si:

ˆ kk  2 / N
4 -.073 .154
5 -.073 .154
6 .186 .154
7 -.012 .154
8 -.097 .154
9 .001 .154 Corrélogramme partiel observé
10 -.139 .154
11 .238 .154
12 -.116 .154
13 .029 .154
14 -.343 .154
15 .022 .154
16 -.053 .154

Autocorrélations et autocorrélations partielles des modèles AR(p) et MA(q)

AR(1)
(a) :
wt  0.5wt 1  at , (b) :
wt  0.5wt 1  at

22
 Corrélogramme Corrélogramme partiel
(a) (a)

(b) (b)

AR(2)

22
 (a) :
wt  .8wt 1  .15wt  2  at

(b) :
wt  wt 1  .5wt  2  at

Corrélogramme Corrélogramme partiel

(a) (a)

(b) (b)

Le dernier pic significatif du corrélogramme partiel donne l’ordre p du modèle

AR(p).

22
MA(1)

(a) :
wt  at  .7at 1

(b) :
wt  at  .7 at 1

Corrélogramme Corrélogramme partiel

(a) (a)

(b) (b)

MA(q)
(a) : q = 2

wt  at  .5at 1  .3at  2

22
(b) : q = 5
wt  at  .7at 5
(c) : q = 6

wt  at  .3at 1  .6at 6
Corrélogramme de différents processus MA(q)
(a)

(b)

(c)

Le dernier pic significatif du corrélogramme donne l’ordre q du modèle

MA(q).

PARTIE III : ARMA ET ARIMA.

22
 Maintenant que l’on dispose des tests permettant de diagnostiquer le caractère
stationnaire d’une série, on s’interroge sur la façon de représenter les séries
stationnaires, c’est-à-dire sur la nature du processus aléatoire sous-jacent .deux
processus sont couramment utilisés : les processus ARMA proposés par Box et
Jenkins et les processus à hétéroscédasticité conditionnelle de Engle.

Chapitre I : Les Processus ARMA

Il existe deux types de processus aléatoires permettant de décrire l’évolution des séries
stationnaire : les processus autorégressifs d’ordre p notés AR(p) et les processus
moyennes mobiles d’ordre q notés MA (q).Ceux-ci peuvent être combinés pout former
des processus ARMA (p.q.) « Autorégressive Moving Average Process ».

Définition

Processus AR Processus MA Processus ARMA

Définition Xt =piXt-i+t Xt =-qi t-i+t Xt =piXt-i+t-qi t-i+t

Définition avec t= (1-piLi) xt xt= (1-qiLi)i (1-piLi) xt=(1-qiLi)i

opérateur de
retard

Dans un processus AR(p) la variable dépend de ses valeurs passées jusqu’au

retard p :

Xt =piXt-i+t (1)
L’équation (1) peut être réécrite en utilisant l’operateur de retard L soit Lixt-i :
t= (1-1L-2L2-…..-iLi-…-pLp) xt

Dans un processus MA (q) à variable dépend d’une moyenne pondérée des

écarts aléatoires passés :
Xt =-qi t-i+t
En utilisant la notation de l’operateur de retard, on obtient :

xt= (1-1L-2L2-…..-iLi-…-qLq) t
Dans le cas d’une série stationnaire, on doit noter qu’un processus MA (q) peut
être inversé et s’écrire sous la forme d’un processus AR(∞). De la même façon
un processus AR(p) peut s’inverser et s’écrire sous d’un MA(∞).

22
Dans le processus ARMA, a série stationnaire dépend de ses valeurs passées et
d’une moyenne mobile des innovations passées :

Xt = i Xt-i - -  t-i+t
t q i

(1-1L-2L2-…..-iLi-…-pLp) xt=(1-1L-2L2-…..-iLi-…-qLq) t
Le théorème de la décomposition WOLD

Le théorème permet de décomposer un processus stationnaire en une

composante déterministe parfaitement prévisible et une composante
stochastique. Ainsi ce théorème permet d’écrire n’importe quel processus
stationnaire sous la forme d’un ARMA. Plus précisément pour une valeur de p
donnée, une série stationnaire xt peut s’écrire sous la forme :

Xt = i Xt-i - -  t-i+t
t q i (2)

La composante déterministe peut être interprétée comme une espérance

mathématique c'est-à-dire la valeur prédite de xt étant ses valeurs passées.
Il est important de comprendre que les processus AR.MA.ARMA sont des
représentations alternatives de la même série. Ainsi un processus ARMA
(p,q) peut s’écrire sous la forme AR(∞) ou d’un MA (∞).Il permet donc une
représentation plus parcimonieuse des données qu’un AR ou qu’un MA.

Problématique :

Pratiquement on ne peut pas estimer l’épuration s (2) dans la mesure où le

nombre q de retard est infin.BOX et Jenkins proposent une méthode permettant
de déterminer p et q et d’estimer le processus.

La méthode BOX et Jenkins :

Cette méthode comporte 4 étapes :

A- La phase de l’identification :

On doit s assurer que la série ne contient ni racine unitaire, ni composante

saisonnière le chois de p et de q repose sur l’observation des corrélogramme,
c’est-à-dire de l’ensemble des fonctions d’autocorrélations simple et des
fonctions partielle.

Fonction d’autocorrélations simple

22
On définit Yt la fonction d’autocorrélations simple à l’ordre k de la manière
suivante :

Dans le cas d’un AR (p), il est possible à partir des coefficients du modèle on
peut montrer que les fonctions d’autocorrélations décroissent régulièrement avec
k .On montre que les autocorrélations dans un processus MA(q) deviennent
nulles lorsque k devient plus grand que q et donc que le corrélogramme des
autocorrélations simples est troqué.

Fonction d’autocorrélations partielle

On entend par Fonction d’autocorrélations partielle à ‘ordre k, la corrélation

entre Xt et Xt-k sachant l’influence de Xt-1,…, Xt-k+1.
Dans le cas d’un processus AR(p),a fonction d’autocorrélations partielle est
troquée à partir de p. dans le cas d’un processus MA (q),les autocorrélations
partielles décroissent régulièrement .on en déduit que les fonctions
d’autocorrélation simple et partielle ne sont pas tronquées, la séries doit être
modélisée comme un processus ARMA.

B - La phase d’estimation :

Un processus AR (p) peut être estimé pas MCO alors que l’estimation des
processus A (q) ou ARMA (p, q) repose généralement sur des techniques
d’estimation fondées sur la maximisation d’une fonction de vraisemblance.
Cette méthode exige cependant une hypothèse supplémentaire sur la distribution
des écarts aléatoires.

C - La phase des tests :

Les tests portent d’abord sur les coefficients du modèle. On applique le ratio de
Student pour tester séquentiellement le caractère significatif des retards. Ce test porte
sur le retard le plus élevé. Autrement dit, dans l’hypothèse nulle, le processus est
ARMA (p-1,q) et dans l’hypothèse alternative il s’agit d’un ARMA (p,q).un test
identique peut être réalisé sur l’ordre du processus MA.
Es tests portent ensuite sur les écarts aléatoire. Celui-ci doit être un bruit blanc
.on s’en assurera par la batterie usuelle su tests : Normalité, homoscédacité et
indépendance sérielle. En cas d échec, il convient de reformuler le modèle.

D - La phase de prévision :

22
Sachant que la mémé série peut avoir plusieurs représentations ARMA, il
convient alors de retenir le modèle dont le pouvoir prédictif est le plus élevé
.Pour cela, on dispose des critères d’information. Les plus utilisés sont ceux
d’Akaike (AIC) et de Schwartz (SC).
AIC=Ln ( )+ avec SCR e : somme des carré des résidus de
l’ARMA (p,q).
SC= Ln ( )+

Chapitre II : Identification, estimation et tests d’ARIMA :

2-1 : Identification :

Le résultat final après le processus de ARMA est le modèle de d’identification

ou modèle autorégressif intégré de moyenne mobile ARIMA (p, d, q) :
P : Ordre de la composante AR
D : Nombre de différences nécessaires à la stationnarité
q : Ordre de la composante MA
L’estimation du modèle ARIMA suppose qu’on travaille sur une série
stationnaire.
Cela signifie que la variance et la moyenne de la série sont constantes dans le
temps. La meilleure méthode pour éliminer toute tendance est de remplacer la
série originale par la série des différences adjacentes.
Après la stationnarisation, nous pouvons identifier les valeurs des paramètres p
et q du modèle ARMA.

 Si le corrélogramme simple n’a que ses q premiers termes

(q=3maximum) différents de 0 et que les termes du
corrélogramme partiel diminuent lentement, nous pouvons
pronostiquer un MA(q).
 Si le corrélogramme partiel n’a que ses p premiers termes (p=3
maximum) différents de 0 et que les termes du corrélogramme
simple diminuent lentement, cela caractérise un AR(p).

2-2 : Evaluation des modèles :

La modélisation sert à déterminer combien de paramètres autorégressifs « p » et

de moyennes mobiles « q » pour avoir un modèle effectif et qui possède le
moins de paramètres et le plus grand nombre de degrés de liberté pour ajuster
les données. Le nombre de paramètres p et q ne dépasse pas souvent 2.

22
Estimation des paramètres : les méthodes d’estimation différente selon le type
de processus diagnostiqué.
Dans le cas d’un modèle AR, nous pouvons appliquer une méthode des
moindres carrées ou bien nous pouvons utiliser les relations existantes entre les
autos corrélations et les coefficients des modèles (équations YULLE-
WALKER).
L’estimation des paramètres d’un modèle MA s’avère plus complexe.
Box et Jenkins suggèrent d’utiliser une procédure itérative de typa balayage qui
peut être illustré de la manière suivante :
Supposons le processus :

1   D   D  y  1   D   D  
1 2
2
t 1 2
2
t

Que nous pouvons écrire :

yt 
1

1  1D   2 D2  t 
1  1 D   2 D 2
On a que :
1
t  t
1  1 D   2 D 2
Et que :
 t   1  t 1   2  t  2   t

Ce qui nous donne :

yt   t   1  t 1   2  t  2
D’où  t  y t   1  t 1   2  t  2
Nous pouvons donc initialiser la procédure de balayage en partant de deux
intervalles de valeurs plausibles pour  ˆ 1 ; ˆ 2  .
Puis pour chaque couple de valeur  ˆ 1 ; ˆ 2  , nous posons : ˆ 0  0 et ˆ 1  0 et nous
calculons les valeurs estimées de ̂ t à partir de la relation
 t  y t   1  t 1   2  t  2

ˆ 2  y 2
ˆ 3  y 3  ˆ 1 ˆ 2

ˆ 4  y 4  ˆ 1 ˆ 3  ˆ 2 ˆ 2

Apres le calcul des valeurs de ̂ t , nous estimons les paramètres  1 et  2 par la

méthode des moindres carrés appliqué à l’équation  t   1  t 1   2  t  2   t
 t   1  t 1   2  t  2   t

Nous aurons les valeurs ̂ 1 et ̂ 2 , ̂ 1 et ̂ 2 , ce qui va rendre en minimum la

somme des carrés des résidus issus de la régression de l’équation
 t   1  t 1   2  t  2   t .

On ne peut valider cette méthode d’estimation que si le nombre de paramètre à

estimer n’est pas trop important.

22
2-3 : Tests de validation du modèle Box-Jenkins :

Quand on finit d’estimer les paramètres du modèle, on examine les résultats de

cette estimation.
En premier lieu, les coefficients du modèle doivent être significativement
différents de 0. Si un coefficient n’est pas significativement différent de 0, il
convient d’envisager une nouvelle spécification éliminant l’ordre du modèle AR
ou MA non valide.
En deuxième lieu, le coefficient de détermination doit être traité de la même
manière que les autres modèles ordinaires.
En troisième lieu, l’analyse des résidus s’effectue à partir de deux critères à
respecter :

 Dans le cas où la moyenne n’est pas nulle il convient d’ajouter une

constante au modèle :

Soit T le nombre de données disponibles (après avoir enlevé les retards

correspondant aux termes AR et MA): Si le processus (t, t ) est i:i:d: (0;
²) ; on doit avoir:

 Le résidus est un bruit blanc, les statistiques Q et Q’ de Box-Pierce et

de Ljung-Box permettent de tester cette hypothèse.

Si le résidu n’est pas un bruit blanc, la spécification du modèle est incomplète et

il manque au moins un ordre à un processus.
La statistique Q et Q’ sont donnés comme suit :

Q = n ∑ hk=1 ρkˆ²

Q’ = n (n+2) ∑ hk=1 ρkˆ² /(n-k)

n : Nombre d’observation
p : Autocréation d’ordre k
h : Nombre de retards
Les statistiques Q et Q’ sont distribués asymptotiquement comme une khi-deux à
(h-p-q) degré de liberté. Donc nous rejetons l’hypothèse de bruit blanc, au seuil
 , si les statistiques Q et Q’ sont supérieur à khi-deux lu dans la table (1-) et
(h-p-q) ddl.

22
Chapitre III : La prévision :

Prolonger les séries au-delà de la période d’échantillonnage c’est L’objectif principal

de l’estimation de processus ARMA. De telles projections sont parfois utilisées
comme une référence pour des comparaisons avec des prévisions faites sur la
base de modèles à plusieurs variables plus compliqués. On trouve
inévitablement deux sources d’erreurs dans le futur et la prévision à savoir:
 Les erreurs dues à la méconnaissance des innovations futures ;
 Les erreurs dues aux différences entre les valeurs estimées et les vraies
valeurs des paramètres

Ce qui sera intéressant dans cette section c’est la première source d’erreurs
qu’on va traiter.

3-1-Prévision du processus AR (1) :

yt - µ = (yt-1- µ) +  t || < 1

Dans lequel les t sont i.i.d (0,²) et la forme la plus pratique s’écrit comme
suit :
yt = (1-  ) µ +  yt-1 +  t
Dans tout ce qui suit, nous supposons qu’on dispose de valeurs observées de y
pour la période allant de 1 à n, et que toutes les prévisions sont faites
conditionnellement à l’information disponible à l’instant n. Ainsi que :
Yn+s = valeur inconnu de y à la période futur n+s
Ŷ n+s = prévision de la valeur yn+s faite sur la base de l’information
disponible à n
en+s = yn+s – ýn+s = erreur de prévision
Considérons la prévision de yn+1 pour le processus AR (1), la vraie valeur est
donnée par yn+1 = (1-  ) µ +  yn +  t+1
Estimée par
Ŷ n+1 = E (yn+1 / yn) = (1- ) µ +  yn
D’où
Ŷ n+1 - µ = (yn - µ)

De la même façon on peut trouver la prévision de la période n+s

ŷ n+s - µ =  s (yn - µ)

Ŷ n+s tend vers µ quand s tend vers l’infini

22
3-2 : Prévision du processus MA (1) :

Un processus MA (1) et défini par : yt = µ +  t - β t - 1

En faisant à nouveau les prévisions à partir de la période n, on trouve :
ŷn+1 = μ -  n
Car  t+1 est inconnu à la période n donc on la pose égale à l’espérance en zéro
de manière à débuter le processus. Il est clair que l’importance de cette
approximation détroit avec la taille de l’échantillon. On a manifestement var
(en+1) = σ². On se projetant de deux périodes dans le
Futur, on voit que : yn+2 = μ +  n+2 - β  n+1
Et la prévision pour l’espérance du carré de l’erreur (ECE)
Ŷ n+2 = μ
Donc, pour le processus MA (1)
ŷ n+s = μ s≥2
Et Var (e n + s) = (1 + β²) σ² = σ²y s≥2

Var (eProcessus
n + s) = (1ARMA
+ β²) σ² = σ²y
(1,1) s≥2

Un processus ARMA (1,1) s’écrit comme : Y - µ = α (y n -1 -µ) +  n - β n -1

n

La prévision de l’ECE minimum pour la période n+1 est alors :

Ŷ n+1 - µ = α (y n -µ) - β  n
La seule différence avec la prévision de modèle AR (1) réside dans le terme (β
n). La variance de l’erreur de prévision est var (e n+1) = σ²
La prévision pour la période n+2 est donnée par :
Ŷ n+2 - µ = α² (y n -µ) - α β n = α (ŷ
En continuant de cette manière on peut montrer n+1
que- :µ)
ŷ n+s - µ = αs (yn - µ) α s-1 β n
La prévision tend donc vers l’espérance inconditionnelle quand de la prévision
s’accroît. De même on peut montrer que :
Var (e n + s) → (1 – 2 α β + β²) σ² quand s →∞
(1 - α²)

22
Dans la pratique le modèle BOX-JENKINS est bien plus complexe. il incorpore
également un trend et une composante saisonnière, et il est connu sous le nom
SARIMA il peut être utiliser à des fins prévisionnelles une fois que les paramètres sont
estimés.

3-3 : La Prévision des modèles ARMA (p,q) :

Le modèle ARMA permet d’écrire Yt =  -1(B) () t

En posant  -1(B) () = (B) on aura :

Yt = (B)  t
Yt =  Tj=1 j  t-J

On a transformer le modèle ARMA en une moyenne mobile donc

Yt+L =  0 t+L +  1 t+L -1 + …+  L  t +  L+1  t-1 +…+  L+t-1 1

De même :
Yt+L =  0 t+L +  1 t+L -1 + …+  L-1  t+1 + Tj=1 L+j  t-J

La somme  Tj=1 L+j  t-J contient l’information passée jusqu’à la date t incluse. Il
va de soi que la prévision Ŷt (L) ne peut s’appuyer que sur l’information
disponible à la date t :

Ŷt (L) =  Tj=1 L+j  t-J

La façon à opérer consiste à faire la prévision de manière récursive. C’est-à-dire
que l’on commence par une prévision à l’horizon d’une période L=1.Puis on
s’appuie sur cette prévision pour effectuer des prévisions à l’horizon de deux
périodes L=2 et ainsi de suite jusqu’) atteindre l’horizon finale prévision.
On a :
Yt =  1 Yt-1 + …. p Yt-p +  t -  1 t-1 …  q t-q + 
Calculons la prévision à l’horizon d'une période L=1 :
Yt+1 =  1 Yt + …. p Yt-p+1 +  t+1 -  1 t …  q t-q+1 + 

Prenons l’espérance conditionnelle pour obtenir la prévision donc,

Ŷt (1) = E (yt+1/ yt ;yt-1..) =  1 Yt + .. p Yt-p+1 -  1 t.. q t-q+1

22
En s’appuyant sur Ŷt (1) ; Ŷt (2)…Et ainsi de suite jusqu'à atteindre l’horizon
final L pour lequel la prévision s’écrit

Ŷt (L) =  1 Ŷt (L-1) + …. L Yt +...+  p Yt-p+1 -  L t …  q t-q+L

PARTIE IV : Application

22
 DATE. Fit for ventes 95% LCL 95% UCL SE of Fit
1 AUG 1982 3716.13 3319.22 4113.04 196.53
2 SEP 1982 4763.13 4340.43 5185.82 209.30
3 OCT 1982 5204.13 4757.13 5651.12 221.34
4 NOV 1982 4750.13 4280.09 5220.17 232.75
5 DEC 1982 4718.13 4226.12 5210.14 243.62

Intervalle de prévision à 95% de z55+h

Chaque modèle a sa propre formule de construction de l’intervalle de prévision.

Modèle MA(1) :

zˆ55 h  t.975 ( N  r )ˆ 1  (h  1)(1  ˆ) 2

22
 Amélioration du modèle MA(1)

r12 (aˆt )  .281 est significatif

 On suppose maintenant le modèle

wt    bt   bt 1
bt  at  at 12 , où at bruit blanc
 De
wt    (1   B )bt et bt  (1  B12 )at

22
On déduit :
wt    (1   B )(1  B12 )at
Demande SPSS

Résultats

wt    (1   B )(1  B )at 12

22
 Residual Diagnostics
Number of Residuals 42
Number of Parameters 2
Residual df 39
Adjusted Residual
1268226.611
Sum of Squares
Residual Sum of Squares 1336414.106
Residual Variance 25544.245
Model Std. Error 159.826
Log-Likelihood -276.531
Akaike's Information
559.062
Criterion (AIC)
Schwarz's Bayesian
564.275
Criterion (BIC)

Parameter Estimates

Non-Seasonal Seasonal
Lags Lags
MA1 Seasonal MA1 Constant
Estimates .715 .765 -11.468
Std Error .107 .399 5.219
t 6.693 1.918 -2.197
Approx Sig .000 .062 .034
Melard's algorithm was used for estimation.

22
 Étude de la voie autorégressive

On suppose que wt suit un modèle AR(14) :

wt    1wt 1  ...  14 wt 14  at

Var (at )   2

et on a  = (1 - 1 -…- 14).

22
On choisit les paramètres, 1,…,14 et 2 à l’aide de la méthode du maximum
de vraisemblance.
Résultats

wt    1wt 1  ...  14 wt 14  at

Residual Diagnostics
Number of Residuals 42
Number of Parameters 14
Residual df 27
Adjusted Residual Sum of
949178.0
Squares
Residual Sum of Squares 1041062
Residual Variance 28699.741
Model Std. Error 169.410
Log-Likelihood -270.689
Akaike's Information
571.379
Criterion (AIC)
Schwarz's Bayesian
597.444
Criterion (BIC)

22
 Parameter Estimates

Estimates Std Error t Approx Sig

Non-Seasonal AR1 -.680 .156 -4.367 .000
Lags AR2 -.441 .169 -2.614 .014
AR3 .059 .188 .311 .758
AR4 .034 .184 .185 .855
AR5 .107 .191 .560 .580
AR6 .138 .214 .644 .525
AR7 -.051 .254 -.200 .843
AR8 -.016 .240 -.067 .947
AR9 -.006 .232 -.026 .980
AR10 -.054 .237 -.228 .821
AR11 .185 .234 .791 .436
AR12 -.307 .227 -1.355 .187
AR13 -.428 .208 -2.059 .049
AR14 -.572 .156 -3.668 .001
Constant -10.788 9.983 -1.081 .289
Melard's algorithm was used for estimation.

Modèle AR : p = (1,2,12,13,14) avec constante

wt    1wt 1   2 wt  2  12 wt 12  13 wt 13  14 wt 14  at

22
 Demande SPSS

Résultats

wt    1wt 1   2 wt  2  12 wt 12  13 wt 13  14 wt 14  at

22
 Residual Diagnostics
Number of Residuals 42
Number of
5
Parameters
Residual df 36
Adjusted Residual
1093774.600
Sum of Squares
Residual Sum of
1192109.813
Squares
Residual Variance 25711.840
Model Std. Error 160.349
Log-Likelihood -273.114
Akaike's Information
558.228
Criterion (AIC)
Schwarz's Bayesian
568.654
Criterion (BIC)

Parameter Estimates

Estimates Std Error t Approx Sig

Non-Seasonal AR1 -.775 .127 -6.083 .000
Lags AR2 -.490 .122 -4.006 .000
AR12 -.512 .138 -3.711 .001
AR13 -.594 .159 -3.733 .001
AR14 -.526 .145 -3.619 .001
Constant -12.797 7.487 -1.709 .096
Melard's algorithm was used for estimation.

22
 Modèle AR : p = (1, 2,12,13,14) sans constante

wt  1wt 1   2 wt 2  12 wt 12  13 wt 13  14 wt 14  at

Demande SPSS

Résultats

wt  1wt 1   2 wt  2  12 wt 12  13 wt 13  14 wt 14  at

22
 Re sidua l Dia gnostics
Number of
42
Residuals
Number of
5
Parameters
Residual df 37
Adjusted Residual
1172013
Sum of Squares
Residual Sum of
1233379
Squares
Residual Variance 27877.941
Model Std. Error 166.967
Log-Likelihood -274.563
Akaike's Information
559.127
Criterion (AIC)
Schwarz's Bayesian
567.815
Criterion (BIC)

Parameter Estimates

Estimates Std Error t Approx Sig

Non-Seasonal AR1 -.747 .134 -5.591 .000
Lags AR2 -.460 .129 -3.568 .001
AR12 -.454 .148 -3.066 .004
AR13 -.508 .171 -2.975 .005
AR14 -.467 .154 -3.041 .004
Melard's algorithm was used for estimation.

22
Modèle AR : p = 2, P = 1 avec constante

(1  1 B   2 B 2 )(1  B12 ) wt    at

Demande SPSS

Résultats
(1  1 B   2 B )(1  B ) wt    at
2 12

22
 Residual Diagnostics
Number of
42
Residuals
Number of
3
Parameters
Residual df 38
Adjusted Residual
1196121
Sum of Squares
Residual Sum of
1286077
Squares
Residual Variance 27725.190
Model Std. Error 166.509
Log-Likelihood -274.998
Akaike's Information
557.997
Criterion (AIC)
Schwarz's Bayesian
564.948
Criterion (BIC)

Parameter Estimates

Estimates Std Error t Approx Sig

Non-Seasonal AR1 -.759 .139 -5.445 .000
Lags AR2 -.523 .132 -3.970 .000
Seasonal Lags Seasonal AR1 -.557 .146 -3.812 .000
Constant -12.289 8.308 -1.479 .147
Melard's algorithm was used for estimation.

22
Modèle AR : p = 2, P = 1 sans constante

(1  1 B   2 B 2 )(1  B12 ) wt  at

Demande SPSS

22
 Résultats

(1  1 B   2 B 2 )(1  B12 ) wt  at
Residual Diagnostics
Number of
42
Residuals
Number of
3
Parameters
Residual df 39
Adjusted Residual
1256636
Sum of Squares
Residual Sum of
1315334
Squares
Residual Variance 29246.908
Model Std. Error 171.017
Log-Likelihood -276.033
Akaike's Information
558.066
Criterion (AIC)
Schwarz's Bayesian
563.279
Criterion (BIC)

Parameter Estimates

Estimates Std Error t Approx Sig

Non-Seasonal AR1 -.731 .143 -5.101 .000
Lags AR2 -.481 .135 -3.562 .001
Seasonal Lags Seasonal AR1 -.489 .154 -3.186 .003
Melard's algorithm was used for estimation.

22
22
 Bibliographie

Méthode Statistiques En gestion : Michel Tenenhaus,

Professeur au Groupe HEC, édition Dunod

Régie Bourbonnais : Econométrie manuel et exercices

corrigés 4ème édition

Econométrie : Claudio Araujo, Jean-François Brun, Jean-

Louis Combès

Quelques articles- cours d’internet

22