SAMUEL STOCKSIEKER

SOMMAIRE

o ANALYSE DE DONNÉES

o MODÉLISATION

o SERIES TEMPORELLES

ECONOMÉTRIE SOUS PYTHON 2

 ANALYSE DE DONNÉES

Rappel du processus standard de modélisation

1. Extraction des données / construction des bases
2. Analyse exploratoire des données
• Analyse et traitement du format de la base de données : compréhension des
données, contrôles de cohérence et de complétude, gestion des anomalies,
etc.
• Analyse descriptives des données : univariée, multivariée, Visualisation des
données, analyse statistiques des données (classification, réduction de
dimension, regroupement de modalités, etc.)
3. Modélisation (classification, régression, clustering): choix,
sélection (recodage, regroupement, transformation, filtre variables)
et validation
4. Interprétation et analyse des résultats
5. Prédiction
6. Maintenance

ECONOMÉTRIE SOUS PYTHON 3

 ANALYSE DE DONNÉES
Analyse de format
• Dimensions : nombre de lignes, nombre de colonnes, etc.
• Typage des variables
• Nom des variables

Accès aux données

• Elément
• Variable (colonne)
• Observations (ligne)
• Filtre : unique, combiné
• Scission de données (sous–groupe)
• Tri

ECONOMÉTRIE SOUS PYTHON 4

 ANALYSE DE DONNÉES
Analyse univariée
• Tableau de fréquence (absolu/relatif)
• Histogramme
• Statistiques descriptives, quantiles
• Contrôles des DI/DM (%dictionnaire des données)

Analyse multivariée
• Tableau de fréquence croisé
• Graphiques : courbes superposées, histogrammes, nuage de points
• Boites à moustaches parallèles
• Corrélation
• Diagnostic de cohérence croisée

ECONOMÉTRIE SOUS PYTHON 5

 ANALYSE DE DONNÉES
Coefficients de corrélation
• Pearson : relation linéaire, paramétrique
• Spearman/Kendall : relation monotone, non paramétrique

Test d’adéquation
• Test de Student [P] : (deux échantillons non apparié/indep
gaussiens de même variance ou non) ; 𝐻0 : les échantillons ont
même moyenne
• Test de Fisher [P] (deux échantillons gaussiens) ; 𝐻0 : les
échantillons ont la même variance
• Test de Wilcoxon [NP]: 𝐻0 : les 2 distributions sont « proches »
• ANOVA [P] : (hypothèse de Normalité et indépendance), 𝐻0 : les x
échantillons ont même moyennes
• Test de Kruskal [NP] : 𝐻0 : les échantillons ont mêmes paramètres
de position

ECONOMÉTRIE SOUS PYTHON 6

 ANALYSE DE DONNÉES
Analyse en Composantes Principales
• Représenter graphiquement les individus sur un plan via la création
de nouvelles variables définie à partir des variables initiales 
construire un système de représentation de dimension réduite
préservant les distances entre individus

• Déformer le moins possible la réalité : proximités entre individus

préservées avec un nombre de composantes suffisamment
représentatives (% d’inertie exprimée)

• Permet d’évaluer les relations entre les variables (quantitatives)

• Permet d’analyser les ressemblances entre individus

• Evite la redondance d’information (si corrélation)

ECONOMÉTRIE SOUS PYTHON 7

 ANALYSE DE DONNÉES
Analyse Factorielle Discriminante
• Expliquer une variable qualitative par d’autres variables
(quantitatives) : proposer un nouveau système de représentation

• Vérifier la pertinence des groupes : discerner le plus possible les

groupes dans le nouvel espace de représentation

• Identifier les caractéristiques des groupes à l’aide de variables

explicatives

• Prédire le groupe d’appartenance d’un nouvel individu

ECONOMÉTRIE SOUS PYTHON 8

 ANALYSE DE DONNÉES
Analyse Factorielle des Correspondances
• Etudier la relation entre 2 variables qualitatives

• Résumer et visualiser l’information contenue dans un tableau de

contingence des 2 variables

• Identifier des similitudes de profils à partir du tableau de

contingence

• Visualisation graphique une association entre les profils « lignes » et

les « profils colonnes »

ECONOMÉTRIE SOUS PYTHON 9

 ANALYSE DE DONNÉES
Analyse des Correspondances Multiples
• Analyse des individus décrit par une série de variables qualitatives
(« ACP » pour les variables quantitatives)

• Permet d’étudier la relation entre les variables

• Représentation graphique des variables et des observations

Classification Hiérarchique
• Regrouper (agréger) les individus au sein de classes : homogénéité
intra-classes et hétérogénéité interclasses

• Donne une mesure de la proximités entre les sous-groupes

ECONOMÉTRIE SOUS PYTHON 10

 SOMMAIRE

o ANALYSE DE DONNÉES

o MODÉLISATION

o SERIES TEMPORELLES

ECONOMÉTRIE SOUS PYTHON 11

 PRIME PURE EN NON VIE
Modèle collectif
La prime pure, défini au niveau de la police, est la charge attendu par
police, soit :
𝐸 𝑆 𝑐𝑜𝑙𝑙 𝐸 𝐸𝑆𝑁 𝐸 𝑁. 𝐸 𝑋 𝑁
𝜋= = = = 𝐸 . 𝐸(𝑋)
𝑛 𝑛 𝑛 𝑛
𝑁
𝐸 représente la fréquence (nombre de sinistre moyen) par police
𝑛
𝐸 𝑋 représente le coût moyen d’un sinistre
Dans le cadre du modèle collectif, l’espérance de la charge de sinistre
par police i.e. la prime pure, peut être obtenue par le produit des
espérances de la fréquence et du coût : modèle « fréquence – coût »
Obtenu facilement, sans simulations numériques, ce résultat est un
pilier de la tarification en assurance Non-Vie. Il permet de calculer des
primes pures mais est insuffisant pour calibrer finement la distribution
de 𝑆 nécessaire aux calculs de probabilité de ruine ou en réassurance

ECONOMÉTRIE SOUS PYTHON 12

 PRIME PURE EN NON VIE
Retour sur les hypothèses du modèle collectif
• {𝑋𝑖 v.a.i.i.d} : le montant individuel des sinistres ont le même
comportement aléatoire ; Le montant individuel d’un sinistre
n’influe pas sur les autres montants individuels de sinistre
→ N’est possible que si le facteur d’actualisation peut être négligé
et s’il n’y a pas de risque de dérive du coût des sinistres. Or, avec
l’inflation, les coûts sont d’autant plus impactés que la durée est
longue : ils ne seront pas stationnaires sauf actualisation des
montants au taux adéquat. L’indépendance des sinistres peut
s’avérer impossible dans certains cas (sinistres communs). Cette
hypothèse nécessite donc de segmenter le portefeuille…
• {𝑋𝑖 } indépendants de 𝑁 : le nombre de sinistres n’a pas d’incidence
sur les montants individuels des sinistres
→ Valable si le portefeuille est homogène, ce qui n’est pas le cas
dans certaines raisons (e.g géographique)

ECONOMÉTRIE SOUS PYTHON 13

 PRIME PURE EN NON VIE
Tarification en assurance Non Vie
Pour déterminer la prime pure 𝐸(𝑆), il suffit donc de déterminer la
fréquence moyenne 𝐸(𝑁) et le coût moyen 𝐸(𝑋)
Nombre de sinistres : 𝑁
• Loi Poisson : moyenne = variance (+ lois poisson-mélange)
• Loi binomiale : variance < espérance
• Loi binomiale négative : variance > espérance
• ZIP, ZINB
• Quasi-poisson, quasi-binomiale
Coût des sinistres : 𝑋
• Loi Normale, inverse-Gaussienne
• Loi Log-Normale
• Loi Gamma
• Loi Pareto (réassurance)
• Etc.

ECONOMÉTRIE SOUS PYTHON 14

 MODÉLISATION
Processus classique de modélisation

1. Construction de la base de données : extraction, fusion, etc.

2. Analyse et traitement du format de la base de données :
compréhension des données, contrôles de cohérence et de
complétude, gestion des anomalies, etc.
3. Analyse descriptives des données : univariée, multivariée, analyse
de données (classification, réduction de dimension, etc.)
4. Régression
1. choix du modèle
2. Sélection du modèle
3. Validation du modèle : analyse de l’adéquation / significativité
5. Prévision - avec lissage éventuel
6. Mise à jour du modèle

ECONOMÉTRIE SOUS PYTHON 15

 RAPPEL : REG. LIN. MUL.
Objectif d’un modèle de régression
Expliquer une variable endogène 𝑌 par 𝑝 variables exogènes 𝑋𝑗 , 𝑗 =
1, … , 𝑝

Ecriture du modèle de régression linéaire multiple

𝑌 = 𝑋𝛼 + 𝜖
𝑝

𝑦𝑖 = 𝛼0 + ෍ 𝛼𝑗 . 𝑥𝑖,𝑗 + 𝜖𝑖
𝑗=1
• Il faut estimer les 𝑝 + 1 paramètres (𝛼0 , … , 𝛼𝑝 ) à partir d’un
échantillon de 𝑛 observations
• 𝜖 représente l’erreur du modèle : toutes les insuffisances du
modèle : écart valeurs prédites et valeurs observées
• Le modèle est dit additif

ECONOMÉTRIE SOUS PYTHON 16

 RAPPEL : REG. LIN. MUL.
Processus de construction du modèle
1. Estimation des paramètres (𝛼) sur la base de l’échantillon
2. Mesure du pouvoir explicatif du modèle (globalité) : tableau
d’analyse de la variance, R²
3. Test de significativité globale du modèle
4. Test de significativité des coefficients : apport marginal des
variables explicatives
5. Sélection des variables
6. Validation du modèle
7. Evaluation du pouvoir prédictif du modèle
8. Interprétation des résultats (coefficients)
9. Prévision : application du modèle

ECONOMÉTRIE SOUS PYTHON 17

 RAPPEL : REG. LIN. MUL.
Hypothèses du modèle
Hypothèses (stochastiques) du modèle :
• 𝑋𝑗 non aléatoires
• 𝐸 𝜖𝑖 = 0 : espérance de l’erreur est nulle ≈ le modèle est bien
spécifié en moyenne
• 𝐸 𝜖𝑖2 = 𝜎𝜖2 : la variance de l’erreur est constante
(homoscédasticité) et COV 𝜖𝑖 , 𝜖𝑖′ = 0 pour 𝑖 ≠ 𝑖′ i.e. erreurs
indépendantes : non – autocorrélation des résidus
• 𝐶𝑂𝑉 𝑥𝑖𝑗 , 𝜖𝑖 = 0 l’erreur est indépendante des variables exogènes
• 𝜖𝑖 ~ 𝑁(0, 𝜎𝜖 ) : les erreurs sont distribuées selon une loi Normale

Hypothèses structurelles du modèle : (𝑋𝑋 ′ ) régulière absence de

colinéarité entre les exogènes, 𝑛 > 𝑝 + 1, etc.

ECONOMÉTRIE SOUS PYTHON 18

 RAPPEL : REG. LIN. MUL.
Tableau d’analyse de variance et coef. de détermination
Décomposition de la variabilité de 𝑌 :
• 𝑆𝐶𝐸 = σ𝑖 𝑦ෝ𝑖 − 𝑦ത 2 ≡ variabilité expliquée par le modèle
• 𝑆𝐶𝑅 = σ𝑖 𝑦𝑖 − 𝑦ෝ𝑖 2 ≡ variabilité résiduelle
• 𝑆𝐶𝑇 = σ𝑖 𝑦𝑖 − 𝑦ത 2 ≡ variabilité totale
Coefficient de détermination :
2
𝑆𝐶𝐸
𝑅 =
𝑆𝐶𝑇
2
• 0 ≤ 𝑅 ≤ 1 : plus il tend vers 1, meilleur est le modèle
• Augmente avec le nombre de variables explicatives, même non
pertinentes
• On peut alors utiliser le 𝑅2 corrigé (pénalisation par les ddl) mais on
préféra l’AIC et le BIC (permet de détecter une colinéarité)
𝑆𝐶𝑅 𝑆𝐶𝑅
𝐴𝐼𝐶 = 𝑛𝑙𝑛 + 2 𝑝 + 1 ; 𝐵𝐼𝐶 = 𝑛𝑙𝑛 + ln(𝑛)(𝑝 + 1)
𝑛 𝑛

ECONOMÉTRIE SOUS PYTHON 19

 RAPPEL : REG. LIN. MUL.
Test de significativité globale du modèle
• Formulation : on veut tester si le modèle, dans sa globalité, est
pertinent. L’hypothèse nulle est qu’aucune des exogènes n’apporte
de l’information pour expliquer 𝑌 donc :
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑝 = 0
൝
𝐻1 : ∃𝑗 𝑡. 𝑞 𝛼𝑗 ≠ 0

• Statistique de test :
𝑅2 /𝑝
𝐹= ~ 𝐹 𝑝, 𝑛 − 𝑝 − 1 𝑠𝑜𝑢𝑠 𝐻0
1 − 𝑅2 /(𝑛 − 𝑝 − 1)

• Ce principe de test peut également servir à comparer 2 modèles

emboités : test de significativité d’un bloc de coefficients

ECONOMÉTRIE SOUS PYTHON 20

 RAPPEL : REG. LIN. MUL.
Test de significativité d’un coefficient
• Formulation : on souhaite évaluer la pertinence des variables,
indépendamment des autres (impact marginal). En supposant que
𝜖𝑖 ~ 𝑁 0, 𝜎𝜖 , on a :
𝐻0 : 𝛼𝑗 = 0
൝
𝐻1 : 𝛼𝑗 ≠ 0

• Statistique de test :
𝛼ෝ𝑗 − 𝛼𝑗 𝛼ෝ𝑗
= ~ 𝑇(𝑛 − 𝑝 − 1) 𝑠𝑜𝑢𝑠 𝐻0
𝜎ෞ
𝛼ෞ𝑗 𝜎ෞ𝛼ෞ𝑗

• Sous ces hypothèses, il devient possible de déterminer un IC du

coefficient : 𝛼𝑗 ± 𝑡1−𝛼/2 × 𝜎ෞ
ෞ𝑗
𝛼

ECONOMÉTRIE SOUS PYTHON 21

 RAPPEL : REG. LIN. MUL.
Analyse des résidus
• Résidus : estimation du terme d’erreur ; i.i.d ~𝑁(0, 𝜎𝜖 )
• Retour sur les hypothèses : identifier toutes forme de « régularité »
dans les résidus et/ou dépendance avec les variables
• Une premier aperçu graphique des « y observés » vs « y prédits »
permet d’indiquer la pertinence du modèle (travailler sur une base
test et non d’apprentissage)
• Graphique « endogène vs résidus » : corrélation? Dispersion ? Points
atypiques/influents ? Homogénéité ? Equirépartition autour de 0 vs
symétrie ?
• Résidu s’écartant significativement ≡ observation atypique/mal
modélisée (détection des points influent assez complexe)
• Graphique « exogènes vs résidus » : points atypiques ? Dépendance
? Dispersion selon les valeurs de X ? Homoscédasticité ?
• [Données longitudinales : graphique « temps vs résidus »]

ECONOMÉTRIE SOUS PYTHON 22

 RAPPEL : REG. LIN. MUL.
Analyse des résidus
• Non –linéarité des résidus observée : relation non linéaire,
transformer une ou plusieurs variables exogènes
• Rupture de structure (résidus en « blocs » : ensemble de définition
distincts/points d’inflexion) ➔ liens « endo - exo» non constants –
plusieurs régression à mener ? Test de Chow, tests de stabilité, etc.
• Hétéroscédasticité : variance des résidus non constante et
dépendante d’une exogène (∃ tests stats)
• Autocorrélation : spécifique aux données longitudinales (ST)
• Tests d’adéquation à la loi Normale :
• QQ-plot (quantiles emp. vs quantiles th. : droite comptabilité entre les
distributions)
• Test de jarque-Bera : basé sur les coef. d’asymétrie et applatissement
𝜇3 𝜇4
𝛾1 = ; 𝛾2 = − 3 : 𝐻0 : 𝜖~𝑁 ⇒ 𝛾1 = 𝛾2 = 0
𝜎3 𝜎4
• Test de SW : 𝐻0 : la distribution de l’échantillon est Gaussienne

ECONOMÉTRIE SOUS PYTHON 23

 RAPPEL : REG. LIN. MUL.
Prédiction du modèle
• Valeur prédite :
𝑝

𝑦ෞ
𝑖∗ = 𝛼
ෞ0 + ෍ 𝛼ෝ𝑗 × 𝑥𝑖 ∗,𝑗
𝑗

• Estimation de la variance de l’erreur de prédiction :

𝜖ෞ𝑖∗ 𝑦ෞ
𝑖 ∗ − 𝑦𝑖 ∗
= ~𝑇 𝑛−𝑝−1
𝜎ෞ𝜖ෞ𝑖∗
𝜎ෞ
𝜖ෞ
𝑖∗
⇒ 𝑦ෞ 𝑖 ∗ ± 𝑡1−𝛼/2 × 𝜎ෞ 𝜖ෞ
𝑖∗

• La variance (donc l’IC) sera d’autant plus grand sur la régression

est de mauvaise qualité

ECONOMÉTRIE SOUS PYTHON 24

 RAPPEL : GLM
Ecriture du modèle
𝑝

𝑔(𝑦𝑖 ) = 𝑔 𝐸 𝑌 𝑋𝑖 = 𝛼0 + ෍ 𝛼𝑗 . 𝑥𝑖,𝑗 + 𝜖𝑖
𝑗=1

• 𝑔() est la fonction de lien

• 𝑌 doit être une loi de la famille exponentielle
𝑝
• 𝛼0 + σ𝑗=1 𝛼𝑗 . 𝑥𝑖,𝑗 est le prédicateur linéaire
• 𝜖𝑖 est le terme d’erreur

ECONOMÉTRIE SOUS PYTHON 25

 RAPPEL : GLM
Significativité globale du modèle

• Déviance : écart entre la log-vraisemblance obtenue avec le modèle

et celle obtenue avec un modèle parfait dit « saturé »
𝐷 = 2𝜙 × 𝑙𝑛𝐿 𝑦 − l𝑛𝐿 𝜇ො ; 𝜇ො = 𝑔−1 (𝑋𝛼)
➔ Théoriquement, plus cette quantité est faible, meilleur est le modèle

• Déviance normalisée (scaled deviance) : déviance normalisée par le

paramètre de dispersion 𝜙
𝐷 = 2 × 𝑙𝑛𝐿 𝑦 − l𝑛𝐿 𝜇ො

• Statistique du 𝜒² de Pearson
𝜇𝑖 2
𝑦𝑖 −ෞ
𝜒2 =σ ~ 𝜒 2 𝑛 − 𝑝 sous 𝐻0 : le modèle est bien spécifié
𝑉(ෞ𝜇𝑖 )

ECONOMÉTRIE SOUS PYTHON 26

 SOMMAIRE

o ANALYSE DE DONNÉES

o MODÉLISATION

o SERIES TEMPORELLES

ECONOMÉTRIE SOUS PYTHON 27

 SÉRIES TEMPORELLES
Généralités

• Série temporelle / série chronologique : processus aléatoire dans le

temps (𝑆𝑡 ) : suite finie de données indexées dans le temps
• Objectif : modéliser le processus afin de l’expliquer et le prédire
• Approche classique : Tendance et saisonnalité : 𝑆𝑡 = 𝑚𝑡 + 𝑠𝑡 + 𝑋𝑡
(mod. additif), 𝑚𝑡 représente la tendance : fonction déterministe
représentant la variation long terme (le plus lisse possible),
𝑠𝑡 représente la saisonnalité, composante périodique, (fonction
𝑝
déterministe) de période 𝑝 tq σ𝑖=1 𝑠𝑡+1 = 0
𝑋𝑡 représente le bruit (résidus) aléatoire que l’on espère stationnaire
• Une transformation de la série est parfois nécessaire pour
permettre sa caractérisation
• Dépendance : autocorrélation – généralement utilisé pour
modéliser les résidus 𝑋𝑡

ECONOMÉTRIE SOUS PYTHON 28

 SÉRIES TEMPORELLES
Approche générale

• Analyse graphique : tendance, composante saisonnière, rupture,

valeurs aberrantes, etc.
• Estimer et retirer la tendance et la saisonnalité pour isoler les
résidus
➢ Transformation des données éventuelle
➢ Différenciation éventuelle : différence terme à terme sur un pas défini
• Modélisation du bruit (sous forme de série stationnaire, faible, i.e.
espérance et covariance stables dans le temps)
• Prévision, analyse, description, explication

ECONOMÉTRIE SOUS PYTHON 29

 SÉRIES TEMPORELLES
Estimation de la tendance

• On pose 𝑚𝑡 = σ𝑛𝑖 𝛼𝑖 𝑓(𝑖, 𝑡) : tendance ≡combinaison linéaire de

fonction temporelles connues et déterministes
La tendance peut alors être linéaire, quadratique, polynomiale,
exponentielle, etc.
➔ Objectif : estimer les paramètres 𝛼 :
• Méthode des moindre carrés : 𝑎𝑟𝑔𝑚𝑖𝑛 (σ𝑡 𝑆𝑡 − 𝑚𝑡 2 )
• Différenciation (élimination uniquement) : 𝑆𝑡 − 𝑆𝑡−𝑇
1
• Moyennes mobiles (linéarité /morceau) : 𝑚𝑡 = σ𝑞𝑘=−𝑞 𝑆𝑡+𝑘
2𝑞+1
• Etc.

ECONOMÉTRIE SOUS PYTHON 30

 SÉRIES TEMPORELLES
Estimation de la saisonnalité
𝑝 𝑗
• On peut poser : 𝑆𝑡 = σ𝑗=1 𝛽𝑗 𝑠𝑡
1 𝑠𝑖 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 à 𝑡 𝑒𝑠𝑡 𝑗
• On peut fixer 𝑆𝑗𝑡 = ቊ
0 𝑠𝑖𝑛𝑜𝑛
➔ Objectif : estimer les paramètres 𝛽 :
• Méthode des moindre carrés
• Moyennes mobiles (élimination uniquement)
• Différenciation (élimination uniquement)
• Séries de Fourrier
• Méthodes à noyau, approches polynomiales
• Splines (fonction définie par morceaux par des polynômes)
• Etc.

ECONOMÉTRIE SOUS PYTHON 31

 SÉRIES TEMPORELLES
Modélisation des résidus
𝐶𝑜𝑣 𝑆𝑡 , 𝑆𝑡+ℎ
• Fonction d’autocorrélation (AC) : 𝜌𝑆 ℎ = ; mesure
𝑉𝑎𝑟 𝑆𝑡 𝑉𝑎𝑟(𝑆𝑡+ℎ )
le degré de dépendance entre les valeurs de la série à différents
instants
• Le tracé de la fonction 𝜌𝑆 ℎ ∀ ℎ ∈ 𝑁 s’appelle
l’autocorrélogramme simple.
• Fonction d’autocorrélation partielle (ACP) : 𝜙𝑆 ℎ = 𝑐𝑜𝑟𝑟൫𝑆ℎ −
𝑃 𝑆ℎ 𝑆ℎ−1 , … , 𝑆1 , 𝑆0 − 𝑃 𝑆0 𝑆ℎ−1 , … , 𝑆1 ൯ avec
𝑃 𝑆0 𝑆ℎ−1 , … , 𝑆1 = 𝛼1 𝑆1 + ⋯ + 𝛼ℎ−1 𝑆ℎ−1 RL ; mesure la
corrélation entre 𝑆0 et 𝑆ℎ en ayant retiré l’explication des variables
intermédiaires i.e. leur dépendance pouvant influer l’autocorrélation
• Le tracé de la fonction 𝜙𝑆 ℎ ∀ ℎ ∈ 𝑁 s’appelle
l’autocorrélogramme partiel.

ECONOMÉTRIE SOUS PYTHON 32

 SÉRIES TEMPORELLES
Modélisation des résidus

• Modèle Auto Régressive

(𝑆𝑡 ) est un processus 𝐴𝑅(𝑝), centré, s’il peut s’écrire sous la forme :
𝑝
𝑆𝑡 = 𝜖𝑡 + σ𝑗=1 𝛼𝑗 𝑆𝑡−𝑗 avec 𝜖𝑡 est un bruit blanc centré ; la valeur
de 𝑆𝑡 à 𝑡 dépend d’un choc aléatoire à l’instant 𝑡, 𝜖𝑡 , indépendant
de l’historique et d’une fonction linéaire de son passé // prédiction
de 𝑆𝑡 à partir des 𝑝 dernières observations passées

➔ L’AC décroit avec ℎ vers 0; l’ACP est nul ∀ℎ > p et vaut 𝛼𝑝 à

l’ordre 𝑝

ECONOMÉTRIE SOUS PYTHON 33

 SÉRIES TEMPORELLES
Modélisation des résidus

• Modèle Moving Average

(𝑆𝑡 ) est un processus 𝑀𝐴(𝑞) s’il peut s’écrire de la forme :
𝑆𝑡 = 𝜖𝑡 + 𝛽1 𝜖𝑡−1 + ⋯ + 𝛽𝑞 𝜖𝑡−𝑞 avec 𝜖𝑗 , 𝑡 − 𝑞 ≤ 𝑗 ≤ 𝑡 des bruits
blancs centrés ; la valeur de 𝑆𝑡 à 𝑡 dépend uniquement de bruits
blancs

➔ L’AC est nul ∀ℎ > q ; l’ACP décroit vers 0

ECONOMÉTRIE SOUS PYTHON 34

 SÉRIES TEMPORELLES
Modélisation des résidus

• Modèle ARMA
(𝑆𝑡 ) est un processus AR𝑀𝐴(𝑝, 𝑞) s’il peut s’écrire de la forme :
𝑝 𝑞
𝑆𝑡 = σ𝑘=1 𝛼𝑘 𝑆𝑡−𝑗 + σ𝑗=0 𝛽𝑗 𝜖𝑡−𝑗 avec 𝛽0 = 1

➔ L’AC décroit exponentiellement avec ℎ après l’ordre 𝑞

(conditions).L’ACF décroit vers 0 (pas de caractérisation particulière)

• Modèle AR Integrated MA (ARIMA)

Généralisation de l’ARMA pour des processus non stationnaires
(𝑆𝑡 ) est un processus 𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞) si le processus 𝑌𝑡 ≔ Δ𝑑 𝑆𝑡 est
un processus 𝐴𝑅𝑀𝐴 𝑝, 𝑞 ; Δ étant l’opérateur de différenciation tel
que : Δ ∶ St → St − St−1

ECONOMÉTRIE SOUS PYTHON 35

 SÉRIES TEMPORELLES
Modélisation des résidus

• Modèle Seasonal ARIMA (SARIMA)

(𝑆𝑡 ) est un processus S𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞, 𝑇) si le processus
𝑌𝑡 ≔ Δ𝑑 . Δ 𝑇 𝑆𝑡 est un processus 𝐴𝑅𝑀𝐴 𝑝, 𝑞 ; ΔT étant l’opérateur
de différenciation de période 𝑇 tel que : ΔT ∶ St → St − St−T

• Modèle SARIMAX
Modèle SARIMA avec intégration de variables explicatives
(régression)

ECONOMÉTRIE SOUS PYTHON 36

 BIBLIOGRAPHIE
Quelques sources à exploiter

• [Link]
• [Link]
• [Link]
• [Link]
[Link]/34a14c286dfb0903c1256ffd00502d73/d084f3c15c3ea6fbc1256f15001f
03fb/$FILE/[Link]
• [Link]
[Link]/34a14c286dfb0903c1256ffd00502d73/6c3ddda0fcbc2b5dc1256f78006
90677/$FILE/Modele_collectif.pdf
• [Link]
• [Link]

ECONOMÉTRIE SOUS PYTHON 37