ARMA
Page d’aide sur l’homonymie Pour l’article homophone, voir Arma.

En statistiques, les modèles ARMA (modèles autorégressifs et moyenne mobile), ou aussi modèle de Box-Jenkins, sont les principaux modèles de séries temporelles.

Étant donné une série temporelle Xt, le modèle ARMA est un outil pour comprendre et prédire, éventuellement, les valeurs futures de cette série. Le modèle est composé de deux parties : une part autorégressive (AR) et une part moyenne-mobile (MA). Le modèle est généralement noté ARMA(p,q), où p est l'ordre de la partie AR et q l'ordre de la partie MA.

Sommaire

Modèle autorégressif

Article détaillé : Processus autorégressif.

La notation AR(p) réfère au modèle autorégressif d'ordre p. Le modèle AR(p) se note

 X_t = c + \sum_{i=1}^p \varphi_i X_{t-i}+ \varepsilon_t .\,

\varphi_1, \ldots, \varphi_p sont les paramètres du modèle, c est une constante et εt un bruit blanc. La constante est bien souvent omise dans la littérature.

Des contraintes supplémentaires sur les paramètres sont nécessaires pour garantir la stationnarité. Par exemple, pour le modèle AR(1), les processus tels que |φ1| ≥ 1 ne sont pas stationnaires.

Exemple : un processus AR(1)

Un modèle AR(1) est donné par :

X_t = c + \varphi X_{t-1}+\varepsilon_t,\,

εt est un bruit blanc, de moyenne nulle et de variance σ2. Le modèle est stationnaire en variance si | φ | < 1. Si \varphi=1, alors le processus exhibe une racine unitaire (en), ce qui signifie qu'il est une marche aléatoire, et n'est pas stationnaire en variance. Supposons donc | φ | < 1, et en notant la moyenne μ, on obtient

\mbox{E}(X_t)=\mbox{E}(c)+\varphi\mbox{E}(X_{t-1})+\mbox{E}(\varepsilon_t)\Rightarrow \mu=c+\varphi\mu+0.

Ainsi

\mu=\frac{c}{1-\varphi}.

En particulier, prendre c = 0 revient à avoir une moyenne nulle.

La variance vaut

\textrm{var}(X_t)=E(X_t^2)-\mu^2=\frac{\sigma^2}{1-\varphi^2}.

La fonction d'autocovariance se donne par

B_n=E(X_{t+n}X_t)-\mu^2=\frac{\sigma^2}{1-\varphi^2}\,\,\varphi^{|n|}.

On peut voir que la fonction d'autocovariance décroît avec un taux de τ = − 1 / ln(φ).

La densité spectrale de puissance est la transformée de Fourier de la fonction d'autocovariance. Dans le cas discret, cela s'écrit :

\Phi(\omega)=
\frac{1}{\sqrt{2\pi}}\,\sum_{n=-\infty}^\infty B_n e^{-i\omega n}
=\frac{1}{\sqrt{2\pi}}\,\left(\frac{\sigma^2}{1+\varphi^2-2\varphi\cos(\omega)}\right).

Ce développement est périodique dû à la présence du terme en cosinus au dénominateur. En supposant que le temps d'échantillonnage (Δt = 1) est plus petit que le decay time (τ), alors on peut utiliser une approximation continue de Bn :

B(t)\approx \frac{\sigma^2}{1-\varphi^2}\,\,\varphi^{|t|}

qui présente une forme lorentzienne pour la densité spectrale :

\Phi(\omega)=
\frac{1}{\sqrt{2\pi}}\,\frac{\sigma^2}{1-\varphi^2}\,\frac{\gamma}{\pi(\gamma^2+\omega^2)}

γ = 1 / τ est la fréquence angulaire associée à τ.

Une expression alternative pour Xt peut être dérivée en substituant Xt − 1 par c + φXt − 2 + εt − 1 dans l'équation définissante. En continuant cette manipulation N fois fournit

X_t=c\sum_{k=0}^{N-1}\varphi^k+\varphi^NX_{t-N}+\sum_{k=0}^{N-1}\varphi^k\varepsilon_{t-k}.

Pour N devenant très grand, φN s'approche de 0 et :

X_t=\frac{c}{1-\varphi}+\sum_{k=0}^\infty\varphi^k\varepsilon_{t-k}.

On peut voir que Xt est le bruit blanc convolé avec le noyau φk plus une moyenne constante. Si le bruit blanc est gaussien, alors Xt est aussi un processus normal. Dans les autres cas, le théorème central limite indique que Xt sera approximativement normal lorsque φ est proche de l'unité.

Estimation des paramètres AR

Le modèle AR(p) est donné par

 X_t = \sum_{i=1}^p \varphi_i X_{t-i}+ \varepsilon_t.\,

Les paramètres à estimer sont φii = 1, …, p. Il y a une correspondance directe entre ces paramètres et la fonction de covariance (et donc d'autocorrélation) et on peut tirer les paramètres en inversant ces relations. Ce sont les équations de Yule-Walker :


\gamma_m = \sum_{k=1}^p \varphi_k \gamma_{m-k} + \sigma_\varepsilon^2\delta_m

m = 0, … , p, ce qui donne en tout p + 1 équations. Les coefficients γm est la fonction d'autocorrélation de X, σε est la déviation (écart-type) du bruit blanc et δm le symbole de Kronecker.

La dernière partie de l'équation est non-nulle si m = 0 ; en prenant m > 0, l'équation précédente s'écrit comme un système matriciel

\begin{bmatrix}
\gamma_1 \\
\gamma_2 \\
\gamma_3 \\
\vdots \\
\end{bmatrix} 

=

\begin{bmatrix}
\gamma_0 & \gamma_{-1} & \gamma_{-2} & \dots \\
\gamma_1 & \gamma_0 & \gamma_{-1} & \dots \\
\gamma_2 & \gamma_{1} & \gamma_{0} & \dots \\
\vdots      & \vdots         & \vdots       & \ddots \\
\end{bmatrix} 

\begin{bmatrix}
\varphi_{1} \\
\varphi_{2} \\
\varphi_{3} \\
 \vdots \\
\end{bmatrix}

Pour m = 0, nous avons


\gamma_0 = \sum_{k=1}^p \varphi_k \gamma_{-k} + \sigma_\varepsilon^2

qui permet de trouver \sigma_\varepsilon^2.

Les équations de Yule-Walker procurent un moyen d'estimer les paramètres du modèle AR(p), en remplaçant les covariances théoriques par des valeurs estimées. Une manière d'obtenir ces valeurs est de considérer la régression linéaire de Xt sur ses p premiers retards.

Obtention des équations de Yule-Walker

L'équation définissante du processus AR est

 X_t = \sum_{i=1}^p \varphi_i\,X_{t-i}+ \varepsilon_t.\,

En multipliant les deux membres par Xtm et en prenant l'espérance, on obtient

E[X_t X_{t-m}] = E\left[\sum_{i=1}^p \varphi_i\,X_{t-i} X_{t-m}\right]+ E[\varepsilon_t X_{t-m}].

Or, il se trouve que E[XtXtm] = γm par définition de la fonction d'autocovariance. Les termes du bruit blancs sont indépendants les uns des autres et, de plus, Xtm est indépendant de εtm est plus grand que zéro. Pour m > 0, E[εtXtm] = 0. Pour m = 0,

E[\varepsilon_t X_{t}] 
= E\left[\varepsilon_t \left(\sum_{i=1}^p \varphi_i\,X_{t-i}+ \varepsilon_t\right)\right]
= \sum_{i=1}^p \varphi_i\, E[\varepsilon_t\,X_{t-i}] + E[\varepsilon_t^2]
= 0 + \sigma_\varepsilon^2,

Maintenant, on a pour m ≥ 0,

\gamma_m = E\left[\sum_{i=1}^p \varphi_i\,X_{t-i} X_{t-m}\right] + \sigma_\varepsilon^2 \delta_m.

Par ailleurs,

E\left[\sum_{i=1}^p \varphi_i\,X_{t-i} X_{t-m}\right]
= \sum_{i=1}^p \varphi_i\,E[X_{t} X_{t-m+i}]
= \sum_{i=1}^p \varphi_i\,\gamma_{m-i},

qui donne les équations de Yule-Walker :

\gamma_m = \sum_{i=1}^p \varphi_i \gamma_{m-i} + \sigma_\varepsilon^2 \delta_m.

pour m ≥ 0. Pour m < 0,

\gamma_m = \gamma_{-m} = \sum_{i=1}^p \varphi_i \gamma_{|m|-i} + \sigma_\varepsilon^2 \delta_m.

Modèle moyenne mobile

La notation MA(q) réfère au modèle moyenne-mobile d'ordre q :

 X_t = \varepsilon_t + \sum_{i=1}^q \theta_i \varepsilon_{t-i}\,

où les θ1, …, θq sont les paramètres du modèle et εt, εt-1,… sont encore une fois des termes d'erreur.

Modèle autorégressif et moyenne-mobile

La notation ARMA(p, q) réfère le modèle avec p termes autoregressifs et q termes moyenne-mobile. Ce modèle contient à la fois les modèles AR(p) et MA(q) :

 X_t = \varepsilon_t +  \sum_{i=1}^p \varphi_i X_{t-i} + \sum_{i=1}^q \theta_i \varepsilon_{t-i}.\,

Une note sur les termes d'erreur

Les termes d'erreur εt sont généralement supposés indépendants et identiquement distribués (i.i.d.) selon une loi normale de moyenne nulle : εt ~ N(0,σ2) où σ2 est la variance. Ces hypothèses peuvent être assouplies mais ceci changerait les propriétés du modèle, comme par exemple supposer le simple caractère i.i.d.

Spécification en termes de l'opérateur de retard

Les modèles ARMA peuvent s'écrire en termes de L, qui est l'opérateur retard. Le modèle autorégressif AR(p) s'écrit

 \varepsilon_t = \left(1 - \sum_{i=1}^p \varphi_i L^i\right) X_t =  \varphi X_t\,

où φ représente le polynôme

 \varphi = 1 - \sum_{i=1}^p \varphi_i L^i.\,

Pour le modèle moyenne mobile MA(q), on a

 X_t = \left(1 + \sum_{i=1}^q \theta_i L^i\right) \varepsilon_t = \theta \varepsilon_t\,

où θ représente le polynôme

 \theta= 1 + \sum_{i=1}^q \theta_i L^i.\,

Finalement, en combinant les deux aspects, on en tire l'écriture du modèle ARMA(p, q) :

 \left(1 - \sum_{i=1}^p \varphi_i L^i\right) X_t = \left(1 + \sum_{i=1}^q \theta_i L^i\right) \varepsilon_t\,

où plus court :

 \varphi X_t = \theta \varepsilon_t.\,


Modèle d'ajustement

Les modèles ARMA, une fois choisi les ordres p et q, peuvent être ajustés sur des données par la méthode des moindres carrés : on recherche les paramètres qui minimisent la somme des carrés des résidus. Prendre des valeurs de p et q les plus petites est généralement vu comme une bonne pratique (principe de parcimonie). Pour un modèle AR pur, les équations de Yule-Walker permettent de réaliser l'ajustement.


Références

  • (en) George E. P. Box, Gwilym Jenkins (en) et Gregory C. Reinsel, Time Series Analysis: Forecasting and Control, third edition. Prentice-Hall, 1994.
  • (en) Terence C. Mills, Time Series Techniques for Economists, Cambridge University Press, 1990.
  • (en) Donald B. Percival et Andrew T. Walden, Spectral Analysis for Physical Applications. Cambridge University Press, 1993.
  • (en) Sudhakar M. Pandit et Shien-Ming Wu,Time Series and System Analysis with Applications. John Wiley & Sons, 1983.
  • (en) James D. Hamilton, Time Series Analysis, Princeton University Press, 1994
  • Portail des probabilités et des statistiques Portail des probabilités et des statistiques

Wikimedia Foundation. 2010.

Contenu soumis à la licence CC-BY-SA. Source : Article ARMA de Wikipédia en français (auteurs)

Regardez d'autres dictionnaires:

  • arma — arma …   Dictionnaire des rimes

  • Arma — Saltar a navegación, búsqueda Para otros usos de este término, véase Arma (desambiguación). Armas de la Edad del Bronce. Un arma es una herramienta de agresión útil para la caza y …   Wikipedia Español

  • arma — (Del lat. arma, ōrum, armas). 1. f. Instrumento, medio o máquina destinados a atacar o a defenderse. 2. Mil. Cada uno de los institutos combatientes de una fuerza militar. El arma de infantería, de caballería, de artillería. 3. p. us. Rebato o… …   Diccionario de la lengua española

  • arma — sustantivo femenino 1. Objeto que sirve para atacar o defenderse: arma antiaérea, arma nuclear, arma ligera, arma pesada, arma secreta. arma táctica. arma arrojadiza 1.1. Objeto que puede ser lanzado con intención de hacer daño: Una botella puede …   Diccionario Salamanca de la Lengua Española

  • armă — ÁRMĂ, arme, s.f. 1. Obiect, unealtă, aparat, maşină care serveşte în lupta împotriva inamicului, la vânat, în unele probe sportive etc. ♢ expr. A fi (sau a se afla) sub arme = a face serviciul militar. ♦ Parte dintr o armată specializată şi… …   Dicționar Român

  • ArmA — ArmA: Armed Assault Entwickler: Bohemia Interactive Verleger: 505 Games, IDEA Games , Licomp.Empik.Multimedia, Morphicon, akella, Atari Publikation …   Deutsch Wikipedia

  • Arma — Arma …   Wikipédia en Français

  • arma — (non com. arme) s.f. [lat. arma, neutro pl., nel lat. tardo femm. sing.] (pl. armi, ant. arme ). 1. [qualsiasi oggetto che possa essere usato come mezzo materiale di offesa o di difesa: a. da fuoco ] ● Espressioni: fig., abbandonare (o deporre o… …   Enciclopedia Italiana

  • arma — ‘Instrumento destinado a atacar o a defenderse’. Es voz femenina: «No creo que los compañeros hayan depuesto las armas» (Montaño Andanzas [Méx. 1995]). Al comenzar por /a/ tónica, exige el uso de la forma el del artículo si entre ambos elementos… …   Diccionario panhispánico de dudas

  • Arma — steht für: den hethitischen Mondgott, siehe Arma (Gott) eine Gattung der Familie Baumwanzen (Pentatomidae), siehe Arma (Gattung) die Nachkommen der marokkanische Besatzer des Songhaireiches, siehe Arma (Ethnie) Arma ist der Name folgender… …   Deutsch Wikipedia

  • ARMA — bzw. Arma bzw. ArmA steht für: das für stochastische Zwecke eingesetzte ARMA Modell den Familiennamen des ungarisch französischen Komponisten Paul Arma (1905–1987) die Abkürzung des PC Spieletitels Armed Assault …   Deutsch Wikipedia

Share the article and excerpts

Direct link
Do a right-click on the link above
and select “Copy Link”