Méthodes de prévision (STT-3220) Section 4 Concepts fondamentaux de séries chronologiques
Download
Report
Transcript Méthodes de prévision (STT-3220) Section 4 Concepts fondamentaux de séries chronologiques
Méthodes de prévision (STT-3220)
Section 4
Concepts fondamentaux de
séries chronologiques
Version: 8 novembre 2004
Modèles de régression versus
modèles versus modèles de type
ARIMA
On a considéré jusqu’à maintenant des modèles de la
forme:
Les variables explicatives xt pouvaient être:
zt f xt , b t
–
–
Paramètre b:
–
2
Fonctions du temps t.
Fonctions indicatrices, fonctions trigonométriques, etc.
Constant à travers le temps, ce qui nous amenait à l’utilisation
des modèles de régression linéaire multiple.
STT-3220; Méthodes de prévision
Rôle du lissage exponentiel
3
Le lissage exponentiel tentait d’adoucir
l’hypothèse que le b est constant, en
permettant des situations où b change
tranquillement dans le temps.
Avec le lissage exponentiel, l’idée est de
donner plus de poids aux observations
récentes, et moins aux observations passées.
STT-3220; Méthodes de prévision
Critique des techniques de lissage
4
Conceptuellement, on a modélisé des données
que l’on présumait implicitement dépendantes,
en utilisant des modèles où le terme d’erreur
est non-corrélé! (Rappel: zt f xt , b t )
Si le terme d’erreur est non-corrélé, il en va
évidemment de même pour la variable d’intérêt
zt. (exceptions notables: procédures de
Cochrane-Orcutt, Hildreth-Lu et premières
différences)
STT-3220; Méthodes de prévision
Modèles ARMA et ARIMA
5
Classe de modèles issue de notre
compréhension des processus stochastiques
stationnaires, qui permet de modéliser un
grand nombre de séries chronologiques,
pouvant admettre une structure assez
complexe de corrélation.
STT-3220; Méthodes de prévision
Séries chronologiques et
processus stochastiques
6
Série chronologique: On considère une série
chronologique observée à des temps discrets
1, 2, …, n: z1, z2, …, zn; cette série
chronologique est une réalisation finie d’un
processus stochastique.
Processus stochastiques: Famille infinie de
variables aléatoires Z t | t T et T pourrait
être de cardinalité infinie.
STT-3220; Méthodes de prévision
Rappels: fonctions de moyenne,
fonction de covariance
La fonction de moyenne est:
t E Z t
La fonction de variance est:
Rt , s covZ t , Z s
7
STT-3220; Méthodes de prévision
Processus stationnaires au sens
large
Le processus Z t est stationnaire au sens
large (SSL) si les trois conditions suivantes
sont satisfaites:
8
–
1) Existence du second moment, E Z t ,
2) La moyenne est invariante dans le temps:
–
3) La covariance satisfait, pour tous t, s entiers:
–
2
E Z t
covZ t , Z s Rt s
STT-3220; Méthodes de prévision
t
Fonction d’autocovariance
9
Puisque covZ t , Z s Rt s , on pose:
g k covZ t k , Z t covZ t , Z t k
La fonction g: k g k , est appelée la
fonction d’autocovariance de délai k du
processus Z t .
STT-3220; Méthodes de prévision
Propriétés de la fonction
d’autocovariance
2
g
0
cov
Z
,
Z
1.
t
t
Z
2. g k g 0 En particulier, g 0 g k
–
La propriété 2. est une application directe de
l’inégalité de Cauchy-Schwartz:
g k covZ t k , Z t var Z t k var Z t
12
g 0 g 0 g 0
12
10
12
STT-3220; Méthodes de prévision
12
Propriétés de la fonction
d’autocovariance (suite)
3. La fonction g est symétrique par rapport à 0,
i.e. paire, car: g k cov Z , Z cov Z , Z
t k t
t
covZ t ' k , Z t ' g k
4. La fonction g est définie non-négative, i.e.
n 1, t1 ,, tn Z , 1 ,, n R,
g t
n
n
i 1 j 1
11
t k
i
j
i
tj 0
STT-3220; Méthodes de prévision
Fonction d’autocorrélation
12
Considérons maintenant:
covZ t k , Z t
corr Z t k , Z t
12
12
var Z t k var Z t
g k
g k
12
12
g 0 g 0 g 0
On pose: r k g k g 0 , qui est
l’autocorrélation de délai k. La fct r, k r k
est la fonction d’autocorrélation de Z t
STT-3220; Méthodes de prévision
Propriétés de la fonction
d’autocorrélation
1. r 0 1,
2. r k 1, k ,
3. r k r k ,
4. La fonction r est définie non-négative, i.e.
que
n 1, t1 ,, tn Z , 1 ,, n R,
r t
n
n
i 1 j 1
13
i
j
i
t j 0.
STT-3220; Méthodes de prévision
Bruit blanc (faible)
Définition d’un bruit blanc (faible): Une suite de
variables aléatoires non-corrélées at est un
bruit blanc (faible). On note BB 0, 2
a
Dans ce cas, on remarque que:
1. var at ,
2. E at 0,
2
a
3. covat , at k 0, k 0.
14
STT-3220; Méthodes de prévision
Bruit blanc
15
En particulier, un bruit blanc (faible) est
stationnaire au sens large.
Remarque: Si at est iid, on dit que l’on est
en présence d’un bruit blanc fort.
Est-ce qu’un bruit blanc fort est bruit blanc
faible?
STT-3220; Méthodes de prévision