1 Thème.1: Séries Chronologiques Stationnaires en Dimension un et Prévision MODELE.1.(Klein 1950) Equation de consommation: Ct = 0 + 1Pt + 2Pt 1 + 3 (Wtp + Wtg )+"1t (1) Equation d'investissement: It = 0 + 1Pt + 2Pt 1 + 3Kt 1 + "2t (2) Salaires dans le secteur privé: Wtp = 0 + 1Xt + 2Xt 1 + 3(At 1931)+"3t (3) Demande d'équilibre: Xt = Ct + It + Gt (4) Béné ces privés: Pt = Xt Tt Wtp (5) Stock de capital: Kt = Kt 1 + It (6) où Ct désigne la consommation; Pt les pro ts réalisés dans le secteur privé; It l'investissement; Xt la production industrielle; Gt les dépenses publiques hors salaires; Tt 3 impôts sur les sociétés; Wtg , la masse salariale globale dans le secteur publique; Wtp la masse salariale dans le secteur privé; Kt, le stock de capital et At la tendance. 4 MODELE.2 (Ct Ct 1) = (Ct 1 Ct 2) + "t 12 COMPARAISON: PREVISION NUMERIQUE *Période d' estimation: 1920-1938 *Prévisions: 1939-1940-1941 5 + "t Vrai valeur 61:6 65 69:7 Modèle.1 Modèle.2 61:36 60:537 65:18 64:61 73:4798 68:75 RM SE = 2:189 RM SE = 0:85 COMMENTAIRES =) Malgré la simplicité du modèle.2, sa prévision est comparable à celle donnée par le modèle.1. plus sophistiqué. D' où l' intérêt des modèles auto régressifs. =) Mais le modèle.1 explique sa prévision. =) Alors que la prévision du modèle.2 est basée uniquement sur les propriétés statistiques de Ct. Pas de théorie économique. 6 OBJECTIF: *Identi er les modèles ARMA *Prévoir *Evaluation de la prévision PLAN DU COURS 1.Processus Stochastique Stationnaire 2.Processus ARMA 3.Prévision pour un processus ARMA 4.Estimation 5.Identi cation par la méthode de BOX et Jenkins 6.Evaluation de la Prévision 7 I. PROCESSUS STOCHASTIQUES ET STATIONNARITE: RAPPEL * Les observations x1; x2; :::; xt d' une variable économique X à des instants successifs 1; :::; t, re ètent avant tout la réalisation un phénomène aléatoire. * Les outils nécessaires à l' étude des processus aléatoires incluent forcément la notion d' espace de probabilité et celle de variable aléatoire. Espace de Probabilité Un espace de probabilité est un triplet ( ; A; P ) où . est l' univers .A une famille de sous ensemble de 8 , stable par passage à la partie complémentaire et par union dénombrable( algèbre). .P une mesure de probabilté sur A. Variable Aléatoire Une application X de dans R est une variable aléatoire réelle si: 8 I R, I intervalle, X 1(I) A avec A le algebre de ( ; A; P ). Moments Soit X et Y deux variables aléatoires dé nies sur ( ; A; P ). 9 E(X) = Z X(!)dP (!) E(X)]2 V ar(X) = E[(X Cov(X; Z) = E[(X E(X)]E[(Z . 10 E(Z)] A.Processus Stochastique Un processus stochastique réel est une famille de variables aléatoires (Xt; t Z) dé nies sur un espace ( ; A; P ) et indéxée sur Z. Trajectoire d' un Processus Un processus stochastique réel (Xt; t Z) permet de dé nir une fonction à deux variables dé nie sur Z : (t; !) ! Xt(!) Soit ! 0 un élément xé de . La fonction de variable t dé nie sur Z : (t; ! 0) ! Xt(! 0) est appelée réalisation ou trajectoire du processus. 11 Remarque. Lorsque on observe x1; x2; :::; xt les valeurs prises par une grandeur économique X , on observe la réalisation d' un processus pour un état xe ! 0 de l'économie. B. ERGODICITE ET STATIONNARITE *Dans les études empiriques, on n' observe qu' une partie x1; x2; :::; xt de la trajectoire du processus. *L' ergodicité suppose intuitivement que les propriétés statistiques observées sur cette partie de la trajectoire soient représentatives du reste de la trajectoire. *La stationnarité suppose intuitivement que les propriétés statistiques observables 12 dans la partie x1; x2; :::; xt se reproduisent dans le temps. B1.STATIONNARITE FORTE Une série chronologique (Xt; t Z) dé nie sur ( ; A; P ) est fortement stationnaire si 8 (t1; :::; tk ), 8 s Z: P (!= Xt1 (!) a1; :::; Xtk (!) ak ) = P (!= Xt1+s(!) a1; :::; Xtk +s(!) ak ) la distribution de probabilité ne dépend pas du temps. B.2. STATIONNARITE EN MOYENNE, EN VARIANCE. 13 Une série chronologique (Xt; t Z) est stationnaire en moyenne si E(X) existe et est constante: E(Xt) = m < 1, 8t 2 Z Elle est stationnaire en variance si la variance existe et est constante: V ar(Xt) = 2 < 1, 8t 2 Z B.3. STATIONNARITE FAIBLE Une série chronologique (Xt; t Z) est stationnaire au sens faible si: * Elle est stationnaire en moyenne et en variance *8t; s; u 2 Z: Cov(Xt; Xu) = Cov(Xt+h; Xu+h) =)Fonction d' autocovariance: Cov(Xt; Xt+h) 14 (h) = =) Fonction d' autocorrélation: (h) = (h)= (0) =)Corrélogramme: f(h; (h)g C. QUELQUES PROPRIETES Soit une série chronologique faiblement stationnaire (Xt; t Z) sur ( ; A; P ) alors *0 (0) * (h) est paire, * (0) (h) (0) 8h Z *L' espace L2( ; A; P ) muni du produit scalaire < X; Y >= Cov(X; Y ) est un espace de Hilbert. 15 Exercice.1 On considère la séries chronologiques (Xt; t Z) composée d'une série (Yt; t Z) stationnaire en moyenne et d'une fonction détérministe g(t): Xt = Yt + g(t) Proposez pour chaque cas un opérateur qui permet de stationnariser la série en moyenne. a). g(t) = 2 + 3t. b).g(t) = cos( 2 3 t) Exercice.2 Soit l' opérateur linéaire F qui transforme toute série chronologique (Xn; n Z) en F (Xn) = Xn 6Xn 1 + aXn 2. Déterminer la(ou les) solution(s) de l' équation F (Xn) en fonction de X0 et X1 dans les cas où a = 0 et a = 8. 16 Exercice.3 Dans un article publié en 2006, Granger et Starica proposent la modélisation suivante pour la série Xt qui represente les rendements de l'indice S$P500. Xt = ht"t ht constante par morceaux et "t stationnaire disons au sens faible. La série Xt est elle stationnaire? si la réponse est non, comment stationnariser Xt ? Exercice.4 On considère la série chronologique suivante Xt St = "i où ("t; t Z) une suite de varii=1 ables indépendantes avec "0 = 0 . St est elle stationnaire? sinon proposez une méthode de stationnarisation. Simmuler une trajectoire de St à l'aide du logiciel R. 17 Exercice.5 On considère le processus Xt = A cos(!t) + B sin(!t). Avec A et B deux variables aléatoires réelles telles que E(A) = E(B) = 0, V ar(A) = V ar(B) = 2 < 1, Cov(AB) = E(AB) = 0. Le processus Xt est il stationnaire? Trajectoire simmulée avec R en posant A et B uniformes? Exercice.6 On considère le processus Yt = U cos( 3 t+V ) avec U ~N (0; 2) et V ~unif orme[ ; ]. On suppose que U et V sont indépendantes. Stationnarité de Yt ? Exercice.7 Les fonctions suivantes peuvent elle être des fonctions d' autocovariance d'un processus faiblement stationnaire? 1. (k) = 1 + jkj 18 2. (k) = 1 + 0:25 sin(4k) 3. (k) = 1 + 0:25 cos(4k) 19 *Programme R Exercice.4: marche aléatoire s=cumsum(rnorm(1000))+rnorm(1000) plot(ts(s)) *Programme R Exercice 5: processus 20 harmonique x=(runif(1000,0,1)-0.5)*cos(0.5*(1:1000))+(runif(1000,0 0.5)*sin(0.5*(1:1000)) plot(ts(x)) 21