REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTRE DE L’ENSEIGNENT SUPERIEUR

Université Kasdi Merbah

- Ouargla -

Faculté des Mathématiques et des Sciences de la Matière

Département de mathématiques

Mémoire présent en vue de l'obtention du

Diplôme de master
Spécialité : mathématiques
Option : probabilité et statistique

Présenté par :
SEBAA Farah

Thème
Prévision par la méthode de Box–Jenkins
Sur les donnes du transport d’électricite ( GRTE/DTE-HM)

Soutenu publiquement le : Juin 2018

Devant le jury composé de :

Me. Badidja Université de KASDI Merbah - Ouargla Président

Me. Bahadi.H Université de KASDI Merbah - Ouargla Examinateur
Mel. Halil.R Université de KASDI Merbah - Ouargla Rapporteur
 Remerciements

Nous tenons à exprimer nos plus vifs remerciements à dieu tout

puissant pour la volonté le courage, la santé, la patience qu'il
nous a donnée durant toutes ces langues années d'étude que nous
puissions arriver là.

Nous remercions toute la noble famille enseignante, et

particulièrement l'ensemble des enseignants de la departement de
mathematiques, ainsi que notre encadreur Mlle :H. RAC HIDA
Nos profonds remerciements à tout ceux qui ont contribué de prés
ou de loin de loin à la réalisation de ce travail.

Farah
 Dédicace
Je dédie le fruit de ce modeste travail pour
Le soleil qui a éclairé ma vie et, qui ma montré l’amour avec touts ses sens
et qui ma entouré par ses belles sentiments et sa tendresse « mon chère
Belkhir
A mes très chers parents qui je ne saurais jamais remercier ; Assez pour les
sacrifices qu’ils ont consentaient pour moi, ainsi que chaque instant ; De
bonheur de qu’elle m’a procuré.
A ma fille(Ouala) .
A mon fils(Ouail)
Ama Bell-mèr(S) et mon Beau-pèr(S) .
Mes chères frères, chaque un a son nom (H ,N ,I, I, M, I)
A mes chères sœurs, chaque une a son nom :( T, N ,S, S) et son famille
A mes sours mari ( H, M ,S, S, S) et(O, N, N)
A mes frères mari (K et sa famme A) et H ,H et N
A mes collegues
Aux familles Benati, Sebaa, Lkhabichi.
Enfin à A toute personne que j’ai connu et j’ai aimé.

S. Farah
Table des matières
Dédicace ………………………………………………………………………………. I
Remerciement ……………………………………………………………………….… II
Table des matières……………………………………………………………………... III
liste des figures et tableaux …………………………………..………………………. IV
Notation et abréviations ……………………………………………………………….. V
Introduction Générale ……………………………………………………………….… 01
Chapitre I : Présentation de l’entreprise « GRTE » et prévision de la
consommation d’électricité………………………………………………………...… 02
I.1 Histoire de Sonelgaz………………………………………………………….. 03
I.2 Organisation de sonelgaz …………………………………………………….. 04
I.3 Présentation de GRTE………………………………………………………… 05
I.3.1- Consistance du réseau………………………………………………….. 06
I.3.2-Organisation de GRTE …………………………………………………. 06
I.3.3- Organigramme de la région Hassi Messaoud Messaoud……………….. 07
I.3.4- Réseau Electrique De La Région De Transport De Hassi Messaoud…. 07
I.3.5- Généralité sur le transport de l’électricité…………………………….. 08
1- Ligne à haute tension …………………………………………………… 08
2- Poste électrique…………………………………………………………. 08
I.4 Consommation d’électricité …………………………………………………. 08
I.5 Solution technique adopté à la prévision de la consommation électrique……. 08
I.6 Les concepts de base des prévisions ………………………………............... 09
Chapitre II : Généralités sur Série temporelle ……………………..…………..…. 10
II.1 Définition ……………………………………………………………………... 11
II.2 Composants d'un série temporelle…………………………………….……… 11
II.3 Exemples de séries temporelles ……………………………………………... 11
II.4 Quelques types de décomposition……………………………………………... 12
II.4.1 Schéma de sélection ……………………………………………….……… 14
II.5 Détection de la tendance et saisonnalité……………………………….……….. 14
II.6 Opérateurs de retard et différenciation………………………………………… 16
II.7 Modélisation des séries chronologique………………………………………… 18
II.7.1 Processus stochastique…………………………………………………….. 18
II.7.2 Processus stationnaire…………………………………………….……….. 18
II.7.3 Autocorrélation simple et partielle………………………………………… 19
II.7.3.1 La fonction d'autocorrélation et d'autocovariance……………………. 19
II.7.3.2 La fonction d'autocorrélation…………………………………………… 19
II.7.3.3 la fonction d'autocorrélation partielle…………………………………... 21
II.7.4 Bruit blanc……………………………………………………….……………. 22
II.7.5 la non stationnarité…………………………….………………. 23
II.7.6Modèle autorégressif……………………………………………...…………… 24
II.7.7 Modèle moyenne mobile………………………………………….……….. 27
II.7.8Modèle autorégressif − Moyenne mobile………………………..…………… 31
II.7.8.1 Modèle ARMA…………………………………………………………… 31
II.7.8.2 Modèle ARIMA et SARIMA…………………………………………….. 32
II.8 Méthodologie de Box & Jenkins…………………………..………………….. 34
II.8.1 Identification du modèle…………………………………………………… 36
 II.8.2 Sélection de modèle ……………………………………………………….. 37
II.8.3 Estimation……………..………………………..………………………….. 38
II.8.4 Validation………..………………………………………………………… 39

Chapitre III : Application de la méthode de Box et Jenkins 44

III.1. Analyse du graphique et de corrélogramme ……………………...…………….. 46
III.1.1 Représentation graphique ……….…………………………….…………… 46
III.1.2 Analyse du corrélogramme de la série ELEC ……………………………... 47
III.2 Analyse de saisonnalité ………………….…………………………………….. 48
III.2.1 Graphique par saison ………………………………………………………. 48
III.2.2 Désaisonnaliser la série …………………………………………………….. 48
III.3 stationnarisation de la série……………………………………………………….. 51
III.4 spécification et estimation du modèle……………………………………………. 53
III.5 Validation du modèle SARIMA (1,1 ,12) ……………………………………..… 54
III.6 Prévision…………………………………………………………………...…. 56
Conclusion Générale ………………………………………………………………..…. 57
Bibliographie……………………………………………………………………….…... 58
Liste des figures et tableaux
Figure I.1 : Filiales et participation SONELGAZ…………………………………….. 05
Figure I.2 : Filiales Organisation de GRTE…………………………………………… 06
Figure I.3 : Organigramme de la région Hassi Messaoud…………………………….. 07
Table [Link] des moyennes par année et par période……………………………. 15
Table [Link] de la variance pour détecter une saisonnalité et/ou une tendance.. 16
Figure II.1 : la méthode de Bob-Jenkins……………………………………………….. 35
Figure II.2 : stratégie simplifier des racines unitaires ……………………………….. 37
Tableau III.1: transport d'electricite par GRTE/ DTE-HM (2008-2016) ……………... 45
Figure III.1: representation graphique de la série brute (ELEC)………………………. 46
Figure III.2: Corrélogramme de la série (ELEC)………….…………………………. 47
Figure III.3: Graphe de la série (ELEC) par saision ………………………………… 48
Figure III.4: Graphie de la série brute (LELECSA)…………………………………. 49
Figure III.5: Corrélogramme de la série (LELECSA)……………………………….. 50
Tableau III.2 : Test de Dickey –Fuller augment (avec constant et tendance) de la
série (LELECSA) 51
Tableau III.3 : Test de Dickey –Fuller augment (avec constant) de la série (LELECSA)
52
Tableau III.4 : Estimation des paramétres du modèle SARIMA (1,0,12)…………. … 53
Tableau III.5: Corrélogramme des résidus ………………………………………….. 54
Figure III.6:Caractéristique statistique des résidus de la modélisation ARMA……... 55
Tableau III.6: Valeurs Prévisionnele et réele en 2017 (Unité : KWh) 56
Notation et abriviations
ADF Test de Dickey Fuller Augmenté
ARIMA Autorégressif moyenne mobile intégré
ARMA Autorégressif moyenne mobile
BB Bruit blanc
BJ Quantité de Jarque-Bera
Cov Covariance
Ds Non stationnarité stochastique
E Espérance
FAC Fonction [Link]élation
FACP Fonction [Link]élation partielle
MA Moyenne mobile
MCO Méthode de moindre carée
TS Non stationnarité déterministe
GRTE Société de Gestion du Réseau de Transport de l'Electricité
DTE Direction regionale transport d’electricite
 Introduction générale

Introduction générale

Une série chronologique, ou série temporelle, est une série d'observations ordonnées
chronologiquement. Elles se rencontrent naturellement dans une grande variété de domaines
Notamment l'économie, la finance, l'écologie, le transport, la démographie…
Les objectifs d'étude sont multiples. La prévision est sans doute le but le plus fréquent. Il s'agit de
prévoir les valeurs futures d'une variable grâce aux valeurs observées dans le passé de cette même
variable.
La méthode de prévision à court terme de box & Jenkins est la méthode la plus élaborée, sa
caractéristique est d'effectuer de sélectionner une modélisation stochastique de type ARIMA pour
faire les prévisions.
Dans ce travaille nous avons appliqué la méthode de Box et Jenkins pour des données mensuelle
de l'entreprise GRTE concernant le transport de l'électricité et cela afin d'obtenir des prévisions.
Notre travail est répartir en trois chapitres dont voici le contenu.
Le premier chapitre est consacré à la présentation de l’entreprise La Société de Gestion du
Réseau de Transport de l'Electricité « GRTE ».d'où nous avons procuré les données nécessaire à
la suite de ce travail.

1
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

Chapitre I

Présentation de l’entreprise « GRTE »

Et
Prévision de la consommation
d’électricité

2
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

I.1 Histoire de Sonelgaz

Sonelgaz est la Société Nationale de l’Electricité et leur distribution et du GAZ. Elle

réalise la production de l’électricité ainsi que le transport et la distribution du gaz. [13]

Elle a été créée en 1947 sous le nom d’EGA (Electricité et Gaz d’ Algérie).

Par ordonnance n°6959 du 26 juillet 1969 parue dans le journal officiel du 1 er Août
1969, SONELGAZ est créée en substitution à EGA dissout par ce même décret.
L'ordonnance lui assigne pour mission générale de s'intégrer de façon harmonieuse
dans la politique énergétique intérieure du pays. Le monopole de la production, du
transport, de la distribution, de l'importation et de l'exportation de l'énergie électrique
attribué à Sonelgaz a été renforcé. De même, Sonelgaz s'est vue attribuer le monopole
de la commercialisation du gaz naturel à l'intérieur du pays, et ce pour tous les types de
clients (industries, centrales de production de l'énergie électrique, clients domestiques).
Pour ce faire, elle réalise et gère des canalisations de transport et un réseau de
distribution

Suite au décret exécutif n°91-475 du 14 Décembre 1991, change de nature juridique et

devient un Etablissement Public à Caractère Industriel et Commercial. Le décret
exécutif n°95-280 du 17 Septembre 1995 confirme la nature de Sonelgaz en tant
qu’établissement public à caractère industriel et commercial. Sonelgaz est placée sous
tutelle du Ministre chargé de l’énergie. Elle est dotée de la personnalité morale, jouit de
l’autonomie financière et est régi par les règles de droit public dans ses relations avec
l’Etat. Le même décret définit les missions de Sonelgaz : Assurer la production, le
transport et la distribution de l’énergie électrique et assurer la distribution publique du
gaz dans le respect des conditions de qualité, de sécurité et au moindre coût, dans le
cadre de sa mission de service public.

En juin 2002, Sonelgaz passe au statut d’une Société Par Actions (SPA) suite à la
promulgation de la loi du 05 février 2002 (loi n°02-01) relative à l’électricité et à la
distribution du gaz par canalisations. Cette loi permet l’ouverture du marché de
l’électricité. L’Etat demeure l’actionnaire majoritaire de Sonelgaz SPA.

Comme conséquence à cette nouvelle loi, une institution importante a été crée :
l’Autorité de régulation qui est totalement autonome et indépendante pour l’électricité et
la distribution du gaz par canalisations dénommée la Commission de Régulation de
l’Electricité et du Gaz (CREG).
Les principales missions de la CREG sont :
- Favoriser la compétitivité des secteurs de l’électricité et du gaz ;
- Assurer la transparence des activités dans le seul intérêt des opérateurs et des
consommateurs
- Surveiller et contrôler le respect des lois et règlements relatifs aux marchés de
l’électricité et du gaz

3
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

I.2 Organisation de sonelgaz

SONELGAZ vit, depuis quelques années, une phase particulièrement importante de son
histoire. Désormais, la restructuration de Sonelgaz, suite à l'avènement de la loi N°01.02 du 05
février 2002 s'est achevée avec la création de l'ensemble des filiales. [13]

La nouvelle organisation validée en février 2017, a érigé Sonelgaz en Groupe industriel

composé de 16 filiales . Ainsi, ses filiales métiers de base assurent la production, le transport et
la distribution de l'électricité ainsi que le transport et la distribution du gaz par canalisations.

On compte:
1. La Société de Production de l'Electricité (SPE),
2. Sharikat Kahraba wa takat moutadjadida (SKTM)
3. La Société de l’Engineering de l’électricité et du Gaz (CEEG)
4. La Société de Gestion du Réseau de Transport de l'Electricité (GRTE),
5. La Société de Gestion du Réseau de Transport Gaz (GRTG),
6. L'Opérateur Système électrique (OS), chargée de la conduite du système
Production / Transport de l'électricité,
7. La Société de Distribution de l'électricité et du gaz (SDC)
Les sociétés travaux du Groupe Sonelgaz, Kahrif, Kahrakib, Etterkib, Inerga et Kanaghaz, sont
spécialisées dans le domaine de la réalisation des infrastructures énergétiques (engineering,
montage industriel, réalisation de réseaux...) et c'est grâce à ces sociétés que l'Algérie dispose

aujourd'hui d'infrastructures électriques et gazières répondant aux besoins du développement

économique et social du pays.

Par ailleurs, les filiales métiers périphériques sont en charge d'activités annexes, telles que la
maintenance d'équipements énergétiques, la distribution de matériel électrique et gazier, le
transport et la manutention exceptionnels, ... etc.

De plus, Sonelgaz détient également des participations dans des sociétés, dont le métier est en
rapport avec le domaine de l'électricité et du gaz.

Grâce à sa ressource humaine formée et qualifiée, le Groupe occupe une position privilégiée
dans l'économie du pays en tant que responsable de l'approvisionnement de plus de six
millions de ménages en électricité et de trois millions en gaz naturel, soit une couverture
géographique de plus de 99% en taux d'électrification et 59% pour la pénétration gaz.

4
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

Figure I.1 : Filiales et participation SONELGAZ

I.3 Presentation de GRTE

La loi n° 02-01 du 5 février 2002 relative à l’électricité et à la distribution du gaz par
canalisations introduit l’ouverture progressive du marché électrique et impose la séparation des
activités de Transport, Production, Distribution et règlemente l’accès des Tiers au réseau.
Le Gestionnaire du Réseau de Transport de l’Electricité, dénommée [Link], filiale du
Groupe SONELGAZ, a été crée le 1er janvier 2004, conformément à cette loi et enregistrée
sous l’appellation « SONELGAZ Transport de l’Electricité, GRTE Spa » en septembre 2004.
A cet égard, le Gestionnaire dispose d’une autorisation d’exploiter le réseau de transport
délivrée par le ministère de l’énergie et des Mines, après avis de la Commission de Régulation
de l’électricité et du gaz (CREG). [14]
La raison sociale de l’entreprise devient en février 2009, « Société Algérienne de Gestion du
Réseau de Transport de l’Electricité, dénommée GRTE Spa », Société par Actions au capital
de [Link] DA. GRTE est chargé de l’exploitation, de la maintenance et du
développement du réseau de transport de l’électricité, en vue de garantir une capacité
adéquate par rapport aux besoins de transit et de réserve. Conformément à la loi n°02-01 du 5
février 2002, GRTE a un monopole naturel sur le transport d’électricité. Ce monopole lui
garantit un revenu requis qui provient de la rémunération sur le transit d’énergie, dont la
tarification est fixée par la CREG et qui est le même sur l’ensemble du territoire national.
Actuellement, le tarif est fixé à 0,66 DA le kWh.
La gestion du système production transport d’électricité SPTE est assurée par l’Opérateur
Système Electrique, une société filiale du groupe Sonelgaz, qui doit veiller en permanence au
maintien de l’équilibre offre – demande d’énergie électrique. GRTE a mis en place un système
de management intégré (SMI) en vue d’une certification totale progressive. La certification
ISO 9001 Qualité s’est concrétisée en janvier 2010.

5
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

I.3.1- Consistance du réseau

GRTE assure ses activités à travers des directions centrales et cinq directions de Régions
Transport de l’Electricité : Alger, Oran, Sétif, Annaba, Hassi Messaoud. Ces régions, à travers
24 services de transport répartis sur le territoire national assurent une maintenance de
proximité et la relation directe avec les clients. [14]
Le réseau de transport est un ensemble d’ouvrages lignes et postes haute tension (60, 90, 150,
220 et 400 kV) équipé d’un réseau de télécommunication pour la surveillance, le contrôle et la
télécommande des équipements.
Il est constitué d’un réseau interconnecté au nord du pays, avec des interconnexions
internationales (Tunisie et Maroc) et d’un réseau isolé au sud.
Les utilisateurs du réseau sont les centrales électriques, les sociétés de distributions de
l’électricité et clients HT ainsi que pour les échanges internationaux à travers les
interconnexions. GRTE exploite un réseau composé de :
 25 147 km de lignes dont 2 547 km en 400 kV
 283 postes (dont 12 en 400 KV) dotés d’une capacité de transformation de 48
806 MVA à travers 773 transformateurs et cabines mobiles
 Un réseau de fibre optique de 16 095,7 km. GRTE assure le transit pour la
Société de distribution d’électricité (y compris les clients industriels qui sont
clients de ces sociétés de distribution).
En 2013, GRTE a assuré un transit de 52 879 GWH et réalisé un chiffre d’affaires est de
35,554 Milliards de Dinars pour un investissement de 50,232 Milliards de Dinars.

I.3.2-Organisation de GRTE
GRTE est le gestionnaire d’unique et propriétaire du réseau de transport d’électricité. Il est
chargé de l’exploitation, la maintenance et le développement du réseau de transport. [12]
L’organisation de GRTE se présente comme suit :

DIRECTION GENERALE GRTE

SECRETARIAT DIRECTION RESSOURCES HUMAINES

ASSISTANT COMMUNICATION DIRECTION FINANCES ET COMPTABILITE

ASSISTANT RELATIONS DIRECTION PATRIMOINE

EXTERIEURES
ASSISTANT RELATION AVEC LE DIRECTION TRANSPORT D’ELECTRICITE
REGULATEUR
ASSISTANT DIRECTION GENERALE DIRECTION TELECOMMUNICATIONS

ASSISTANT HSE DIRECTION ORGANISATION ET SYSTEMES

AUDITEUR SENIOR DEPARTEMENT CLIENTELE

SERVICE MOYENS
Figure I.2 : Filiales Organisation de GRTE
6
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

Afin de pouvoir gérer l’ensemble du réseau national du transport d’électricité, GRTE est
organisé en cinq (05) directions régionales qui sont : Alger, Annaba, Sétif, Oran et Hassi
Messaoud.

I.3.3- Organigramme de la région Hassi Messaoud

DIRECTION REGIONALE TRANSPORT D’ELECTRICITE (DTE)

SECRETAIRE DE DIRECTION DEPARTEMENT MAINTENANCE ET TRAVAUX

ASSISTANT HSE DIVISION RESSOURCES HUMAINES

ASSISTANT SIE DIVISION EXPLOITATION RESEAU

CONSEILLER QUALITE DIVISION GESTION DU PATRIMOINE

ATTACHE JURIDIQUE SERVICE CLIENTELE

SERVICE FINANCES ET COMPTABILITE SERVICE DEVELOPPEMENT INFORMATIQUE

SERVICE APPROVISIONNEMENTS ET SERVICE MOYENS

STOCKS

Figure I.3 : Organigramme de la région Hassi Messaoud [13]

I.3.4- Réseau Electrique De La Region De Transport De Hassi Messaoud

Le réseau électrique de Hassi Messaoud est constitué de :

Désignation Unité Situation 2015 Situation 2016 Situation 2017

Postes 400 kV 02 03 04
Postes 220 kV 24 24 26
Nombre
Postes 60 kV 11 12 12
Total Postes 37 39 42
Lignes 400 kV 325 663,8 1123
Lignes 220 kV 3037 2794,03 3095
km
Ligne 60 kV 784,96 820,36 821
Total Lignes 4147 4278,19 5039
Fibre Optique km 2621 2667,75 3 589
Transformateurs Nombre 88 94 108
Cabines Mobiles Nombre 15 17 22

Les ouvrages sont interconnectés par des lignes électriques 400kV, 220kV ou 60kV.
Comme le montre le schéma, le réseau électrique du pole d’Adrar est isolé du réseau de Hassi
Messaoud.

7
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

I.3.5- Généralité sur le transport de l’électricité

Les réseaux de transport sont à haute tension (HTB) (de 50 kV à 400 kV) et ont pour but de
transporter l'énergie des grands centres de production vers les régions consommatrices
d'électricité. Les grandes puissances transitées imposent des lignes électriques de forte capacité
de transit, ainsi qu'une structure maillée (ou interconnectée). Les réseaux maillés garantissent
une très bonne sécurité d'alimentation, car la perte de n'importe quel élément (ligne électrique,
transformateur ou groupe de production) n'entraîne aucune coupure d'électricité si l'exploitant
du réseau de transport respecte la règle dite du "N-1" (possibilité de perdre n'importe quel
élément du réseau sans conséquences inacceptables pour les consommateurs).
Le réseau électrique est constitué non seulement de matériel haute tension (dit matériel de
puissance), mais également de nombreuses fonctions périphériques telles que la téléconduite
ou le système de protection et le plus important [14]:

1- Ligne à haute tension

La ligne à haute tension est le composant principal des grands réseaux de transport
d'électricité.
Elle transporte l'énergie par l'intermédiaire de l'électricité de la centrale électrique au
consommateur. Ces lignes sont aériennes, souterraines ou sous-marines, quoique les
professionnels réservent plutôt ce terme aux liaisons aériennes.

2- Poste électrique
Les postes électriques Hautes Tension servent à transformer la tension, aiguiller le courant
électrique et protéger les installations et les personnes.

I.4 Consommation d’électricité :

L’électricité ne se stockant pas, la production globale sur le réseau électrique doit, à tout
moment, être strictement égale à la consommation. Toute modification de la demande ou de la
production se répercute instantanément sur tout le système électrique. [14]

Prendre de bonnes décisions en terme de gestion d’un système électrique n’est guère possible
si l’on ne dispose pas de techniques efficaces permettant d’en modéliser les aléas, de modéliser
l’effet des différentes variables intervenant dans le problème, et d’en faire une prévision aussi
précise que possibles.

Ce travaille se limitera dans le contexte de la prévision a moyen terme, une prévision de la

consommation Algérienne d’électricité considérer comme l’une des missions essentielles de
SONELGAZ ; des missions qui ont pour objet d’évaluer les alternatives de développement du
système de production électrique à mettre en œuvre pour satisfaire l’évolution croissante de la
demande d’énergie électrique du pays.

I.5 Solution technique adopté à la prévision de la consommation électrique

Les techniques de prévision, si elles sont massivement utilisées par les différents acteurs du
marché de l’électricité dans plusieurs pays, le sont aussi en climatologie, en qualité de l’air, en
finance, dans le domaine commercial…; il n’en reste pas moins que la problématique de
l’électricité présente bel et bien des spécificités, même si sa résolution technique reste
classique. [14]
8
 Chapitre I: Présentation de l’entreprise « GRTE » et prévision de la consommation d’électricité

I.6 Les concepts de base des prévisions :

Les concepts de base des prévisions sont :
 composante,
 saisonnalité,
 horizon de prévision,
 fréquence de rafraîchissement.
La prévision étant en amont de la planification, les concepts de base de la prévision
reposent essentiellement sur le planning. [14]:

La composante est de savoir quelle donnée doit être prévue. Elle se décide suivant ce
que l’entreprise cherche à améliorer. Pour planifier ses ressources, l’élargissement du
plan d’investissement pour une entreprise de production d’électricité a besoin de
prévision en unité de demande de cette énergie (consommation).

Le degré de saisonnalité de la chronique affecte le choix des méthodes mathématiques à

utiliser.

L’horizon de prévision est en relation avec la durée du plan. L’horizon de prévision est
défini par la taille du planning qu’on veut en déduire (en unités temporelles).

La méthode de prévision s’appuie sur le caractère cyclique de la consommation. On

compte trois horizons identifiant trois cycles temporels :

 prévision à long terme : un cycle annuel (pointe de consommation annuelle en

décembre et creux au 15 août),
 prévisions à moyen terme : un cycle hebdomadaire (5 jours ouvrables avec une
consommation globalement stable et le week-end où la consommation diminue).
 prévisions à court terme : un cycle journalier. C’est un horizon de prévision
opérationnel. Les prévisions sont utilisées pour prendre des décisions continues sur le
planning. C’est un horizon stratégique. Les prévisions sont utilisées pour décider de rentrer
dans un nouveau marché, établir un programme de développement à long terme.

Si l’entreprise décide d’utiliser un modèle de prévision différent pour chaque niveau

temporel de la pyramide des temps, l’intervalle de temps ou la maille de temps entre
deux périodes dépend de l’unité temps des plannings. Si les plannings se font par jour
de semaine, les données prévisionnelles sont au jour. Si l’entreprise décide d’utiliser
qu’une seule prévision pour la restituer sur différentes échelles de temps, il lui faut
trouver le niveau d’agrégation temporel lui permettant de répartir la prévision de façon
homogène sur les mailles de temps supérieures et inférieures à celle choisie pour la
prévision.

Plus élevée est la fréquence de rafraîchissement, meilleures seront les prévisions.

9
 Chapitre II : Généralités sur séries temporelles

Chapitre II

Généralités sur Série temporelle

10
 Chapitre II : Généralités sur séries temporelles

II.1Définition
Une série temporelle (ou chronologique) est une suite d’observations {x1, x2, , xn} indexée par
le temps. On supposera qu’il s’agit d’une réalisation d’un processus X, c’est à dire d’une suite
Xi de variables aléatoires. [10] [11]
Une série temporelle est généralement constituée de plusieurs éléments.

II.2 Composants d'une série temporelle

- Tendance : représente l’évolution à long terme de la série.
Exemples:
Croissance économique, évolution climatologique à long terme (cyclique ou non)
- Saisonnalité : évolution se répétant régulièrement tous les ans ou tous les mois ou toutes les
semaines.
Exemples :
 En météorologie, températures plus faibles en hiver qu’en été.
 En économie, saisonnalité induite par les périodes de vacances, les périodes de fêtes,
le climat...
 Chiffre d’affaire d’un magasin.

- Composante stationnaire (ou résiduelle) : ce qui reste lorsque l’on a enlevé les autres
composantes. Décrit l’évolution à court terme de la série.

La notion de série temporelle stationnaire définie plus précisément dans la suite. Cette
hypothèse jouera un rôle fondamental dans la suite, et remplacera l’hypothèse usuelle des v.a
i.i.d. (ici, il peut exister une dépendance entre deux valeurs successives prises par la série
observée).

Le modèle le plus courant consiste à supposer que la série initiale s’écrit sous la forme (modèle
additif) composante stationnaire.

II.3 Exemples de séries temporelles

Economie
Évolution du cours du Dow Jones entre 1928 et 2004, données mensuelles [11]

11
 Chapitre II : Généralités sur séries temporelles

Production de poissons, en milliers de francs, en Finistère nord (Brest, Morlaix, Paim- pol)
entre 1971 et 1979, données mensuelles [11]

•
Environnement
Évolution de l’intensité du vent, en m/s, au large de la Bretagne entre 1979 et 2001, données
journalières. [11]

Santé
Evolution des cas de grippe en France, par semaine, de 1984 (semaine44) à 2002 (semaine
50), soit 945 valeurs. [11]

12
 Chapitre II : Généralités sur séries temporelles

II.4 Quelques types de décomposition

On propose trois types de décomposition : [04] [10]

-Le modèle additif:

yi = fi + si + ei , 1 ≤ i ≤ n.

-Le modèle multiplicatif:

Revient à un modèle additif pour le log des données.

Log(yi) = fi + si + ei ⇐⇒ yi = efi esi eei , 1 ≤ i ≤ n.

𝑝
Là encore, on impose que la somme des facteurs saisonniers soit nulle : 𝑗 =1 𝑠𝑗 = 0

Remarque:
1. On choisit ce modèle si la courbe qui uni les maximums des observations s’eloigne ou
s’approche de celle qui uni les minimums des observations, i.e. si les amplitudes des
fluctuations dépendent du niveau.
2. Le modèle multiplicatif est souvent utilisé pour des données de type économique.

-Modèles mixtes:
Il s’agit là des modéles ou addition et multiplication sont utilisées. On peut supposer, par
exemple, que la composante saisonnière agit de façon multiplicative, alors que les fluctuations
irréguliéres sont additives :

yi = fi(1 + si) + ei = fi + fisi + ei, 1 ≤ i ≤ n.

Remarque:
Une fois un modèle est obtenu, il peut être utilisé pour la prédiction de valeurs futures.
II.4.1 Schéma de sélection
La saisonnalité d'une chronique peut parfois être influencée par l'extra-saisonnier et/ou les
résidus c'est de l'existence de ces interactions que sont nés le schéma de décomposition des
série chronologique : additif, multiplicatif et mixte. [09] [01]
Nous présentons une simple technique pour sélectionner les schema

Le test de Buys-Ballot :
On calcule, pour chacune des années, la moyenne et l'écart type, puis on estime par MCO les
paramètres a1 et a0 de l’équation 𝜎𝑖 = 𝑎1 𝑋𝑖 + 𝑎0 + 𝜀𝑖
Dans le cas, ou le paramètre a1 n'est pas significativement différent de 0 (test de Student)
alors on accepte l'hypothèse d'un schéma additif ; dans le cas contraire, nous retenons un
schéma multiplicatif.

13
 Chapitre II : Généralités sur séries temporelles

II.5 Détection de la tendance et saisonnalité

Analyse de la variance et test de Fisher
Le test de Fisher à partir de l’analyse de la variance permet de pallier ces deux inconvénients.

Ce test suppose la chronique sans tendance ou encore sans extra-saisonnalité.

Dans le cas contraire cette composante est éliminée par une régression sur le temps (extra-
saisonnalité déterministe), ou par une procédure de filtrage (extra-saisonnalité aléatoire). [09]
Soit :
N le nombre d’années, p le nombre d’observations (la périodicité) dans l’année (trimestre p= 4,
mois p = 12, etc.).

Xij la valeur de la chronique pour la ième année (i = 1..., N) et la jème période ( j = 1...,p)
supposée telle que xij = mij + eij ; les eij les résidus considérés comme aléatoires formés
d’éléments indépendants : eij → N (0; σ2)
Les mij sont les éléments d’une composante de la chronique qui s’écrivent : mij = ai + bj avec bj
qui mesure l’effet période en colonne du tableau et a i qui mesure l’effet année en ligne du
tableau.
Deux effets absents sont testés contre deux effets significativement présents :
– si l’effet période (ici trimestre) est significatif, la série est saisonnière ;
– si l’effet année est significatif, ceci suggère deux interprétations.

 La chronique de départ n’a pas été transformée, elle possède alors des paliers
horizontaux.
 La chronique a été transformée, des changements de tendance existent dans la
chronique.

Le déroulement du test est le suivant :

a. Calcul de la variance totale du tableau. Soit ST la somme totale des carrés :

𝑁 𝑃

𝑆𝑇 = (𝑋𝑖𝑗 − 𝑋 . . )2
𝑖=1 𝑗 =1

𝑁 𝑃
1 : moyenne générale de la chronique sur les N ×p
Avec 𝑋. . = 𝑋𝑖𝑗
𝑁×𝑃 observations.
𝑖=1 𝑗 =1
𝑁
1
𝑋𝑖 = 𝑋𝑖𝑗 : moyenne de l'année i
𝑃
𝑖=1
𝑁
1
𝑋𝐽 = 𝑋𝑖𝑗 : moyenne de la période j
𝑁
𝑖=1

14
 Chapitre II : Généralités sur séries temporelles

Nous obtenons :
𝑁 𝑃

𝑆𝑇 = (𝑋𝑖𝑗 − 𝑋 . . )2
𝑖=1 𝑗 =1
𝑁 𝑃

= (𝑋𝑖𝑗 − 𝑋𝑖. + 𝑋𝑖. − 𝑋𝑖𝑗 + 𝑋𝑖𝑗 + 𝑋.. − 𝑋.. − 𝑋.. )2

𝑖=1 𝑗 =1

𝑁 𝑃 2

= (𝑋𝑖. − 𝑋.𝑗 ) + 𝑋𝑖. − 𝑋.. + ( 𝑋𝑖𝑗 − 𝑋𝑖. − 𝑋.𝑗 − 𝑋.. )

𝑖=1 𝑗 =1

𝑁 𝑃 𝑁 𝑃 𝑁 𝑃
2 2
= ( 𝑋𝑖. + 𝑋.. ) + ( 𝑋.𝑗 + 𝑋.. ) + ( 𝑋𝑖𝑗 − 𝑋.𝑖 − 𝑋.𝑗 + 𝑋.. )2
𝑖=1 𝑗 =1 𝑖=1 𝑗 =1 𝑖=1 𝑗 =1

𝑁 𝑝 𝑁 𝑃
2 2
=𝑝 ( 𝑋𝑖. + 𝑋.. ) + 𝑁 (𝑋.𝑗 + 𝑋.. ) + ( 𝑋𝑖𝑗 − 𝑋.𝑖 − 𝑋.𝑗 + 𝑋.. )2
𝑖=1 𝑗 =1 𝑖=1 𝑗 =1

ST = SA (année) +Sp (période) + SR (résidus)

Année/ période 1 . . . J . . . p Moyennes années

1 X11 X1j X1p
. . . .
. . . .
. . . . 𝑝
1
i. Xi1 Xij Xip 𝑋𝑖 = 𝑋𝑖𝑗
𝑝
𝑖=1
. .
. .
. .
N XN1 . . . XN1 . . . XNp
𝑁 𝑁 𝑃
Moyennes périodes 1 1
𝑋.𝑖 =
𝑁
𝑋𝑖𝑗 𝑋.. = 𝑋𝑖𝑗
𝑖=1
𝑁×𝑝
𝑗=1 𝑖=1
Table [Link] des moyennes par année et par période

Somme des carrés Degré de liberté Désignation Variance

𝑝
2 𝑁𝑆𝑝
𝑆𝑝 = 𝑁 (𝑋.𝑗 − 𝑋.. ) p-1 Variance périodes 𝑉𝑝 =
𝑝−1
𝑗 =1
𝑝
2 𝑆𝐴
𝑆𝑝 = 𝑝 (𝑋𝑖. − 𝑋.. ) N-1 Variance année 𝑉𝐴 =
𝑁−1
𝑗 =1
𝑁 𝑝 𝑆𝐴
2 𝑉𝑅 =
𝑆𝑝 = (𝑋𝑖𝑗 − 𝑋𝑖. − 𝑋.𝑗 + 𝑋.. ) (p-1)(N-1) Variance résidu 𝑝−1 𝑁−1
𝑖=1 𝑗 =1
𝑆𝑇
𝑆𝑇 Nxp-1 Variance totale 𝑉𝑇 =
𝑁×𝑝−1
Table [Link] de la variance pour détecter une saisonnalité et/ou une tendance

15
 Chapitre II : Généralités sur séries temporelles

Nous utilisons les résultats du tableau précidente pour e¤ectuer [Link] de la variance de la
série. A partir de ce tableau, nous pouvons construire les tests d'hypothèses.

b. Test de l'influence du facteur colonne (période, mois ou trimestre ; H0 : pas

Vp
d'influence). Fisher empirique Fc = que l'on compare au Fisher lu dans la table
VR
: FVa 1 ,V 2 à V1 = p − 1 et V2 = N − 1 (p − 1) degrés de liberté.

Si le Fisher empirique est supérieur au Fisher lu dans la table, on rejette l'hypothèse H0, la
série est saisonnière.

c. Test de l'influence du facteur ligne (année ; H0 : pas d'influence). Fisher empirique

V
Fc = A que l'on compare au Fisher lu dans la table : FVa 3 ,V 2 à V3 = N − 1 (p − 1) degrés de
VR
liberté.

Si le Fisher empirique est supérieur au Fisher lu, on rejette l'hypothèse H0, la série est donc
affectée d'une tendance.

II.6 Opérateurs de retarde(B) et différenciation(∆) :

Pour étudier les processus (et donc les séries chronologiques), on définit des opérateurs retard
et de différenciation. [06]

- Opérateur de retard
L’opérateur B décale le processus d’une unité de temps vers le passé :

B(Xt) = Xt−1 .

Si on applique h fois cette opérateur, on décale le processus de h unités de temps :

𝐵(𝐵 … 𝐵 𝑋𝑡 … )) = 𝐵 ℎ 𝑋𝑡 = 𝑋𝑡−ℎ

Opérateur différence
L’opérateur ∆ fait la déférence entre le processus et sa version décalée de une unité de temps.
Cet opérateur se construit en utilisant l’opérateur précédent :

∆ 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−1 = 𝑋𝑡 − 𝐵(𝑋𝑡 )
∆= 𝐼 − 𝐵
ou I est l’opérateur identité:
I(Xt) = Xt.

Dans la littérature, cet opérateur est parfois noté ∇ .

Propriétés d'opérateur:
– Elimination de la tendance :
L’opérateur ∆ élimine les tendances linéaires. Pour un processus de la forme

Xt = at + b + 𝜀 t
16
 Chapitre II : Généralités sur séries temporelles

Ou 𝜀 t est stationnaire, on a

Δ(Xt) = Xt − Xt−1 = (at + b + 𝜀 t ) − (a(t − 1) + b + 𝜀 t −1 ) = a + (𝜀 t − 𝜀 t −1)).

De façon générale, l’opérateur d'élimine les tendances polynomiales de degré d.

Par exemple, pour une tendance de degré

Xt = at2 + bt + c + 𝜀 t
On a
∆2 = (I−B)2 = I−2B+B2
Et donc

∆2 (Xt) = Xt − 2Xt−1 + Xt−2 = ... = 2a + (𝜀 t − 2 𝜀 t −1 + 𝜀 t −2).

Il faut bien noter que l’opérateur ∆d raccourcit la série des xt de d valeurs puisque ∆dXt n’est
défini que pour t > d.

– Elimination de la saisonnalité :
L’opérateur ∆ω = (I−Bω) élimine une saisonnalité de période ω (ω entier).
Si on a un processus de la forme
𝑋𝑘𝜔 +𝑗 = 𝑠𝑗 + 𝜀 𝑘𝜔 +𝑗
Ou 𝜀 t est stationnaire, on a

∆ 𝑋𝑘𝜔 +𝑗 = 𝐼 − 𝐵𝜔 𝑋𝑘𝜔 +𝑗
= 𝑋𝑘𝜔 +𝑗 + 𝑋(𝑘−1)𝜔+𝑗
= 𝑠𝑗 +𝜀𝑘𝜔 +𝑗 − 𝑠𝑗 +𝜀 𝑘−1 𝜔+𝑗
= 𝜀𝑘𝜔 +𝑗 − 𝜀 𝑘−1 𝜔+𝑗

On utilise fréquemment les opérateurs ∆12 pour les données mensuelles, ∆7 pour les données
journaliére s,∆24 pour les données horaires, ….etc.
Cet opérateur est également coûteux en information puisqu’il raccourcit la série de ω valeurs,
les ω premières servant de références pour la saisonnalité.

II.7 Modélisations des séries chronologiques

II.7.1 Processus stochastique

Définition:
On appellera ici processus stochastique (à temps discret) une suite {Xt} de variables aléatoires
indicée par le temps. [06]
Il faut bien noter que

– les Xt ne sont pas forcément indépendants les uns des autres,

– la loi de Xt dépend de t :
Xt ∼ Ft
La notion de processus généralise celle de variable aléatoire : la réalisation d’un processus est
une série chronologique (on emploie également le terme de trajectoire).

17
 Chapitre II : Généralités sur séries temporelles

II.7.2 Processus stationnaire

Un processus est dit stationnaire si la loi de tout k-uplets est invariante par translation dans le
temps [06]:

∀𝑘, ∀ 𝑡1 , 𝑡2 , … 𝑡𝑘 , 𝐿 𝑋𝑡 1 , 𝑋𝑡 2 , … 𝑋𝑡 𝑘 = 𝐿 𝑋𝑡 1+ℎ , 𝑋𝑡 2+ℎ , … 𝑋𝑡 𝑘+ℎ

Cette hypothèse de stabilité temporelle de la loi du processus facilite évidemment bien des
analyses. Pratiquement, cette hypothèse implique notamment que la covariance entre les
valeurs prises en 2 dates distinctes par le processus ne dépend que de la longueur de la période
qui les sépare (et pas de la date initiale) :

E(Xt),V(Xt) et Cov (Xt, Xt−h) ne dépendent pas de t.

soit
E(Xt) = µ

V(Xt) = σ2

Cov (Xt, Xt−h) = γh

Processus faiblement stationnaire : Un processus est dit faiblement stationnaire si ses

moments d’ordre 1 et 2 sont stationnaires :

E(Xt) ≡ µ, V(Xt) ≡ σ2 , Cov(Xt, Xt−h) = γh.

Remarque:
– La stationnarité entraine la faible stationnarité.
– Un processus gaussien faiblement stationnaire est stationnaire.

II.7.3 Autocorrélations simple et partielle

Les principes caractéristiques temporels d’un processus sont donnés par autocorrélation
(simple) et l’autocorrélation partielle. [03]

II.7.3.1 La fonction d’autocorrélation et d’autocovariance

La fonction d’autocorrélation γ h hϵz, mesure le covariance entre une variable et cette
même variable à dates différentes, pour un délai h:

γ h = cov Yt , Yt−h = E Yt − E Yt Yt−h − E Yt−h

Ainsi γ 0 = var Yt = E (Yt − E(Yt ))2 = ς2Y

Elle fournit une information sur la variabilité de la série et sur les liaisons temporelles qui
existent entre les diverses composantes de la sérieYt .
La fonction d’autocovariance d’un processus stationnaire est une fonction:
- paire: γ −h = γ h ∀h

18
 Chapitre II : Généralités sur séries temporelles

- semi-définie positive:
𝒏 𝒏

𝒂𝒋 𝒂𝒌 𝛾 𝑡𝑗 − 𝑡𝑘 > 0 ∀𝑛 𝜖𝑁, ∀𝑎𝑗 𝜖𝑅 , ∀𝑡𝑗 𝜖𝑍

𝒋=𝟏 𝒌=𝟏

n
Puisque cette quantité est égale à V j=1 aj Ytj

II.7.3.2 La fonction d’autocorrélation

Est définie par :

𝛾 ℎ
𝜌 ℎ = , ℎ𝜖𝑍
𝛾 0

Avec ρ 0 = 1 et ρ h < 1(𝑑𝑜𝑛𝑐 γ h ≤ γ 0

On appelle coefficient d’autocorrélation d’ordre 1 ( resp. d’ordre k) le coefficient de
corrélation linéaire ρ 1 (resp. ρ k ) calculé entre la série et cette série décalée d’une période
(resp. k périodes ).
On définit la matrice de corrélation (de dimension) de la manière suivante :

1 𝜌 1 𝜌 2 … 𝜌 𝑚−1
𝜌 1 1 𝜌 1 … 𝜌 𝑚−2
.
𝑅 𝑚 = .
.
𝜌 𝑚−1 𝜌 𝑚−2 … 𝜌 1 1

Puisque la fonction ρ h , hϵZ est de type positif, on a la propriété suivante :

detR m ≥ 0, ∀mϵN∗
Ainsi, on a les contraintes suivantes :
detR 1 ≥ 0
detR 2 ≥ 0 ↔ ρ(1)2 ≤ 1
detR 3 ≥ 0 ↔ 1 − ρ 2 1 + ρ 2 − 2ρ(1)2 ≥ 0

Ainsi, commeρ 2 < 1, on a ρ 2 ≥ 2ρ(1)2 − [Link] la corrélation d’ordre 1 est élevée, il en

est de même de la corrélation d’ordre 2 . Il ne peut donc y avoir de chute brutale de valeur
entre ρ 1 et ρ 2 lorsque ρ 1 est grand.
L’équivalent empirique de la fonction d’autocorrélation, notéρ(h), est obtenu à partir de
l’estimation suivant pour l’autocovarience γ(h) à l’ordre de h:
T
1
γ h = yt − y yt−h − y
T−h−1
j=h+1
Ou
1
y= yt
T
t
19
 Chapitre II : Généralités sur séries temporelles

Afin de tester la nullité du coefficient d’autocorrélation d’ordreh, on calcule la variance de ce

coefficient. On peut montrer qu’elle est donnée par:
h−1
1
V ρ(h) = ρ(j)2
T
j=−(h−1)
Soit en utilisant la symétrie desρ(j), on obtient:
h−1
1
V ρ(h) = 1+2 ρ(j)2
T
j=−(h−1)

La statistique de teste de nullité du coefficient d’autocorrélation est :

ρ h
t=
V(ρ h )

Elle suit une loi de Student. La variance dépendant de h, l’intervalle de coefficient associé au
corrélogramme (ensemble des coefficient d’autocorrélation quand h varie) augmente avec h .

II.7.3.3 La fonction d’autocorrélation partielle

Elle mesure la liaison (linéaire) entre Yt et Yt−h une fois retirés les transitant par les variables
intermédiairesYt−1 , … , Yt−h+1 .
Le coefficient d’autocorrélation partielle d’ordreh, noté r(h), est le coefficient de corrélation
entre :
Yt − E(Yt /Yt−1 , … , Yt−h+1
Et
Yt−h − E(Yt−h /Yt−1 , … , Yt−h+1
On a donc :
r h = corr(Yt , Yt−h /Yt−1 , … , Yt−h+1 )
C’est donc le coefficient de Yt−h dans la régression de Yt surYt−1 ,…, Yt−h+1 , Yt−h
Si Yt est un processus stationnaire centré, la prédiction optimale de Yt sachant son passé
jusqu’à t − h est donné par:
Yt
E , … , Yt−h = a1 Yt−1 + ⋯ + a1 Yt−h
Yt−1
Que l’on peut réécrire matriciellement :
a1 γ0 γ1 … γh−1 γ1 1 ρ1 … ρh−1 ρ1
a2 γ1 γ0 … γh−2 γ2 ρ1 1 … ρh−2 ρ2
. . −1
. . −1
.
. = ( . ) . = ( ) .
.
. . . . .
ah γh−1 γh−2 … γ0 γh ρh−1 ρh−2 … 1 ρh
Le coefficient d’autocorrélation partielle d’ordre h d’un processus stationnaire est alors ah et
calcul de la manière suivante :
R(h)∗
r h =
R(h)

20
 Chapitre II : Généralités sur séries temporelles

Avec
1 ρ1 … ρh−1
ρ1 1 … ρh−2
.
R h =
.
.
ρh−1 ρh−2 … 1
ρ1
ρ2
.
Et R(h)∗ la matrice R(h) dans laquelle on a remplacé la colonne h par . ,soit:
.
ρh
1 ρ1 … ρ1
ρ1 1 … ρ2
.
R(h)∗ =
.
.
ρh−1 ρh−2 … ρh
Ainsi,
ρ 2 − ρ(1)2
r 1 =ρ 1 r 2 = …
1 − ρ(1)2
De manière empirique, les autocorrélations soit partielle s’estiment:
A partir de la régression MCO de Yt sur les h retards et en prenant le dernier coefficient.
En estiment les autocorrélations simples et en calculant r(h) à partir de la formule ci-dessus.
A partir de l'algorithme de DURBIN: il permet de calculer récursivement les divers
coefficient de régression en évitant l'inversion des matrice de corrélation R h . Il est basé sur
une formule de calcul des coefficients ah (H) à partir des ah H − 1 et a1 1 = ρ 1 .
Afin de tester la nullité du coefficient d'autocorrélation partielle d'ordreh, on donne la variance
de l'autocorrélation partielle estimée:
1
V(r h ) = ∀h
T
Ainsi, l'intervalle de confiance du corrélogramme partiel est le même pour tout h .

II.7.4 Bruit blanc

Un processus {Xt} est un bruit blanc s’il constitue un échantillon i.i.d. d’espérance nulle [06] :

∀𝑡: 𝑋𝑡 ~𝐹 𝐸 𝑋𝑡 = 0
∀𝑡 ≠ 𝑠: 𝑋𝑡 , 𝑋𝑠 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑠

Un tel processus n’a ni tendance ni mémoire : la connaissance de la valeur du processus à une

date donnée n’apporte aucune information pour la prédiction de sa valeur à une date ultérieure:

∀𝑡 > 𝑠: 𝐿 𝑋𝑡 /𝑋𝑠 = 𝐿(𝑋𝑡 )

21
 Chapitre II : Généralités sur séries temporelles

Bruit blanc faible : Un processus est un bruit blanc faible s’il constitue un échantillon non
corrélé :

∀𝑡 ∶ 𝑋𝑡 ~𝐹, 𝐸 𝑋𝑡 = 0
∀𝑡 ≠ 𝑠: 𝑐𝑜𝑣 𝑋𝑡 , 𝑋𝑠 = 0

– Un bruit blanc est un bruit blanc faible

– Un bruit blanc faible gaussien est un bruit blanc

II.7.5 Non stationnarité

La plupart des séries économiques sont non stationnaires, c’est-à-dire que le processus qui les
décrit ne vérifie pas au moins une des conditions de la définition d’un processus stationnaire
du second ordre, donnée par [05]:

 E(Yt) = m indépendant du temps

 V (Yt) = γ(0) < ∞, γ(0) indépendant du temps

 Cov (Yt, Yt−h) = γ(h) ne dépend pas de t

Ceci nous conduit à définir deux types de non stationnarité selon que c’est plutôt la condition
portant sur le moment d’ordre 1 qui n’est pas vérifiée (non stationnarité déterministe) ou les
conditions portant sur les moments du second ordre qui ne sont pas vérifiées (non stationnarité
stochastique).
Non stationnarité déterministe:

Le processus TS (Trend Stationary) s’écrit :

yt = α + βt + εt

Où εt représente l’erreur du modèle à la date t.

Il présente un non stationnarité de nature déterministe.
Le processus TS est non stationnaire car E(yt) = α + βt dépend du temps t.
Le processus yt peut être stationnarisé en retranchant à yt la valeur estimée α + βt par la
méthode des Moindres Carrés Ordinaires (voir document économétrie [1] pour MCO).

Non stationnarité stochastique:

Le processus DS (Differency Stationary) avec dérive (β ≠ 0) s’exprime comme suit :
yt = yt-1 + β + εt .
Le processus DS avec dérive est appelé aussi marche au hasard (ou marche aléatoire) avec
dérive.
Il présente un non stationnarité de nature stochastique.

22
 Chapitre II : Généralités sur séries temporelles

Par récurrence, on obtient (dans le cas avec dérive) :

y 1 = y0 + 𝛽 + 𝜀1
y 2 = y1 + + β 𝜀2 = y0 + β + 𝜀1 + β + 𝜀2
= y0 + 2𝛽 + 𝜀1 + 𝜀2
𝑡

y t = y0 + 𝛽𝑡 𝜀𝑖 𝑜ù 𝜀𝑖 ~ > 𝑖𝑖𝑑(0, 𝜎𝑖2 )

𝑖=1
εi est identiquement et indépendamment distribuée.
Le processus DS avec dérive est non stationnaire car on a E(yt) = y0 + βt qui dépend du
temps t. Plus t ∞ et plus E(yt) ∞.
Le processus DS (Differency Stationary) sans dérive (β =0) s’écrit :
y t = yt−1 + 𝜀𝑡
Le processus DS sans dérive est appelé aussi marche au hasard (ou marche aléatoire).
Par récurrence, on obtient (dans le cas sans dérive) :
y 1 = y0 + 𝜀1
y 2 = y1 + 𝜀2 = y0 + 𝜀1 + 𝜀2 …
𝑡

y t = y0 + 𝜀2 𝜀𝑖 𝑜𝑢 𝜀𝑖 ~ > 𝑖𝑖𝑑(0, 𝜎𝑖2

𝑖=1
Le processus DS sans dérive est non stationnaire car on a :
𝑡 𝑡 𝑡

𝑣𝑎𝑟 𝑦𝑖 = 𝑣𝑎𝑟 𝜀𝑖 = 𝑣𝑎𝑟(𝜀𝑖 ) = 𝜎𝑖2 ) = 𝑡𝜎𝑖2

𝑖=1 𝑖=1 𝑖=1
On constate que la variance du processus DS sans dérive dépend du temps t.
Plus t ∞ et plus Var(yt) ∞.

Pour stationnariser le processus DS (avec ou sans dérive), il suffit de le passer en différence

première :
𝑦𝑡 − 𝑦𝑡−1 = 𝛽 + 𝜀𝑡 (cas avec dérive)

Ou
𝑦𝑡 − 𝑦𝑡−1 = 𝜀𝑡 (cas sans dérive).

II.7.6 Modèle autorégressif

Dans l'étude d’une série chronologique, il est naturel de penser que la valeur de la série à la
date t peut dépendre des valeurs prises aux dates précédentes [06] :

Xt = f(Xt−1, Xt−2, ...).

Il n’est généralement pas nécessaire de prendre en compte tout le passé de la série et on peut
le plus souvent se limiter à p valeurs :

Xt = f(Xt−1, Xt−2, ...Xt−p) + 𝜀 t

Ou {𝜀 t} est un bruit blanc.
23
 Chapitre II : Généralités sur séries temporelles

Processus autorégressif AR(1)

Le processus autorégressif d’ordre 1, noté AR(1), est stationnaire et vérifie l’équation

Xt = υXt−1 + 𝜀 t = υB(Xt) + 𝜀 t

Ou 𝜀 t est un bruit blanc de variance σ2.

On a donc, à toute date t:

E(Xt) = µ, V(Xt) = σX2 .

Espérance, variance, stationnarité : On a

E(Xt) = υE(Xt−1) + E(𝜀 t) = υE(Xt−1),

et V(X) = ϕ2V(Xt-1) + V(𝜀 t) = ϕ2V(X t−1) + σ2.

La stationnarité implique que

𝜇= 𝜑𝜇 𝜇 = 0 𝑜𝑢 𝜑=1 𝜇= 0
⇒ ⇒
𝜎𝑋2 = 𝜑 2 𝜎𝑋2
+ 𝜎2 (1 − 𝜑 2 )𝜎𝑋2 = 𝜎2 𝜑 < 1

Remarque : La contrainte µ = 0 n'est pas trés forte puisqu’on passe d’un processus
d’espérance µ à un processus d’espérance nulle par simple translation.
Autocorrélation : On a

𝑋𝑡 = 𝜑𝑋𝑡−1 + 𝜀𝑡 = 𝜑 𝜑𝑋𝑡−2 + 𝑋𝑡−1 + 𝜀𝑡 = 𝜑 2 𝑋𝑡−2 + 𝜑𝜀𝑡−1 + 𝜀𝑡

ℎ−1
ℎ
= 𝜑 𝑋𝑡−ℎ + 𝜑 𝑘 𝜀𝑡−𝑘
𝑘=0
Donc
ℎ−1

𝛾1 = 𝑐𝑜𝑣 𝑋𝑡 , 𝑋𝑡−ℎ = 𝐸 𝑋𝑡 , 𝑋𝑡−ℎ = 𝜌ℎ = 𝜑 ℎ 𝑋𝑡−ℎ + 𝜑 𝑘 𝜀𝑡−𝑘 𝑋𝑡−ℎ

𝑘=0

2 2
= 𝜑 ℎ 𝐸 𝑋𝑡−𝑘 = 𝜑 ℎ 𝑉 𝑋𝑡−ℎ = 𝜑 ℎ 𝜎𝑥2

Le coefficient d’autocorrélation vaut donc

𝛾ℎ 𝜑 ℎ 𝜎𝑋2
𝜌ℎ = = 2 = 𝜑ℎ
𝛾0 𝜎𝑋

Ce dernier résultat implique que, puisque |υ| < 1, les corrélogrammes auront des allures
décroissantes amorties :

υ = 0.9 υ = 0.3
υ = -0.9 υ = -0.3
Le processus ”oublie” progressivement les valeurs passées.
24
 Chapitre II : Généralités sur séries temporelles

Autocorrélation partielle : En ce qui concerne les autocorrélations, la définition meme

du processus nous montre que
τ1 = ρ1 = 1,
τh = 0 pour h > 1 : la régression de Xt sur {Xt−1, Xt−2, ...Xt−h+1} vaut

𝑋𝑡∗ = ϕXt−1

Et donc
Xt − 𝑋𝑡∗ = 𝜀𝑡 ,

Or les 𝜀𝑡 sont non corrélés par hypothése.

Les corrélogrammes partiels auront donc la forme suivante :

υ= 0.9 υ= −0.9

Cette forme de corrélogramme partiel rappelle que, conditionnellement à Xt−1, la connaissance

de Xt−2 n’apporte aucune information sur Xt.

Exemple : Processus AR (1), ϕ= 0,2 [02]

Processus autoregressif AR(2)

Un processus AR(2) est un processus stationnaire qui vérifie une équation de la forme

Xt = υ1Xt−1 + υ 2Xt−2 + 𝜀 t = υ 1B(Xt) + υ 2B2(Xt) + 𝜀 t.

Dans un tel modéle, l’influence du passé se manifeste par une régression linéaire sur les deux
valeurs antérieures.
Selon les valeurs de υ 1 et υ 2, il n’est pas toujours possible de trouver un processus stationnaire
vérifiant cette équation.
Dans le cas des processus stationnaires, on peut montrer que
ρh → 0.
h→∞

25
 Chapitre II : Généralités sur séries temporelles

Plus précisément, l’autocorrélation décroit à vitesse exponentielle ; on a par exemple

𝜑1 𝜑12 − 𝜑2 (1 + 𝜑2 )
𝜌1 = , 𝜌2 =
1 + 𝜑1 1 + 𝜑2
Le corrélogramme d’un AR(2) est assez semblable à celui d’un AR(1).

D’autre part, la régression sur les deux dates précédentes donne

𝑋𝑡∗= υ1Xt−1 + υ2Xt−2 et donc
Xt − 𝑋𝑡∗ = 𝜀 t.

L’autocorrélation partielle τh est donc nulle dès que h est supérieur à 2 : h > 2⇒ τh = 0.

Processus autorégressif AR(p)

De façon générale, un processus AR(p) est un processus qui dépend linéairement des p
valeurs antérieures :

Xt = υ1Xt−1 + ...υpXt−p + 𝜀 t

Ou {𝜀 t} est un bruit blanc.

On peut, sans restriction de généralité, supprimer le terme constant et obtenir un modèle de la
forme

𝑋𝑡 = 𝜑𝑘 𝑋𝑡−𝑘 + 𝜀𝑡 𝛷 𝐵 𝑋𝑡 = 𝜀𝑡
𝑘≤1≤𝑝

Ou υ est le polynôme de degré p dont les coefficients sont (1, − υ1, ... − υp).
Autocorrélation : On montre que les autocorrélations sont solutions des équations Yule et
Walker

𝜌ℎ + 𝜑𝑘 𝜌ℎ−𝑘 = 0
𝑘≤1≤𝑝

Comme pour les processus AR(1) et AR(2), on montre que ρh décroit exponentiellement.

Autocorrélation partielle : Dans un tel processus, Xt et Xt−p+1sont indépendants

conditionnellement aux valeurs intermédiaires {Xt−1, Xt−2, ...Xt−p} et donc

h>p ⇒ τh = 0.

La valeur à la date t dépend des p dates précédentes et pas des autres.

Cette propriété sert à l’identification des modéles et à déterminer l’ordre p d’un processus
AR(p) au vu du corrélogramme partiel.
Estimation des coefficients : Par ailleurs, les coefficients υk du modéle peuvent s’estimer à
partir de l’estimation des ρh en utilisant le systéme de Yule et Walker :
𝑝

𝜌ℎ = 𝜑𝑘 𝜌ℎ−𝑘 𝑝𝑜𝑢𝑟 ℎ ≥ 1
𝑘=1
Ou par d’autres méthodes comme le maximum de vraisemblance ou les moindres carrés.

26
 Chapitre II : Généralités sur séries temporelles

II.7.7 Modèle moyenne mobile

Le terme 𝜀𝑡 est souvent présenté comme un ”choc” (une innovation pour les économètres) :
il rend compte d’un élément nouveau dans l’évolution du processus. On peut envisager que ces
chocs (non-corrélés et d’espérances nulles) aient des effets sur l’évolution du processus non
seulement à la date à laquelle ils se produisent mais aussi à des dates ultérieures [06].

Processus moyenne mobile MA(1)

Un processus moyenne mobile d’ordre 1, noté MA(1), est un processus stationnaire de la
forme:
Xt = 𝜀 t + θ 𝜀 t−1

Ou{ t} est un bruit blanc de variance σ2.

Pour un tel processus, on a

E(Xt) = E(𝜀 t) + θE(𝜀 t−1) = 0,

V(Xt) = V(𝜀 t) + θ2V(𝜀 t−1) = (1 + θ2)σ2.

Autocorrélation : On a
𝛾1 = 𝑐𝑜𝑣 𝑋𝑡 , 𝑋𝑡−1 = 𝑐𝑜𝑣 𝜀𝑡 , 𝜃𝜀𝑡−1 , 𝜀𝑡−1 + 𝜃𝜀𝑡−2 = 𝜃𝑉 𝜀𝑡−1 = 𝜃𝜎 2

Le coefficient d’autocorrélation d’ordre 1 vaut donc

𝛾1 𝜃𝜎 2 𝜃
𝜌1 = = 2 2
=
𝛾0 (1 + 𝜃 )𝜎 (1 + 𝜃 2 )

Pour h > 1, on a
γh = Cov(Xt, Xt−h) = Cov(𝜀 t + θ 𝜀 t−1, 𝜀 t−h + θ 𝜀 t−h−1) = 0

Donc les coefficients d’autocorrélations d’ordre supérieur à 1 sont nuls :

h > 1 ⇒ ρh = 0.

Si on inverse la formule de ρ1, on obtient

(1 + θ2)ρ1 = θ θ2ρ1 − θ + ρ1 = 0

Équation en θ qui n’admet de solution que si

∆= 1 − 4ρ21 > 0 ρ21 < 1/4 |ρ1| < 1/2.

Pour un processus MA(1), l’autocorrélation d’ordre 1 est inférieure à 1/2 en valeur absolue.
Les corrélogrammes d’un processus MA(1) seront donc de la forme

θ = 0.9 θ = −0.9
Autocorrélation partielle :
Le calcul du coefficient d’autocorrélation partielle est plus complexe, il se résout en
manipulant l’équation
∞
1
𝑋𝑡 = 𝐼 + 𝜃𝐵 𝜀𝑡 𝑋 = 𝜀𝑡 −0 𝑘 𝐵𝑘 𝑋𝑡 = 𝜀𝑡
𝐼 + 𝜃𝐵 𝑡
𝑘=0
27
 Chapitre II : Généralités sur séries temporelles

Ce qui permet de donner une autre équation d’un processus MA(1) sous la forme
∞ ∞
𝑘 𝑘 𝑘
𝑋𝑡 = 𝜀𝑡 − −𝜃 𝐵 𝑋𝑡 = 𝜀𝑡 − −𝜃 𝑋𝑡−𝑘
𝑘=0 𝑘=0

On peut ainsi montrer que

−𝜃 h 𝜃 2 − 1
𝜏ℎ =
1 − 𝜃 2 ℎ+1
Qui nous donne des corrélogrammes partiels de la forme

θ = 0.9 θ = 0.3
θ = −0.9 θ = −0.3

Processus moyenne mobile MA(2)

Un processus MA(2) est défini par une équation du type

Xt = 𝜀 t + θ1 𝜀 t−1 + θ2 𝜀 t−2 = (I+θ1B + θ2B2) 𝜀 t

On a
E(Xt)= E(𝜀 t) + θ1 E(𝜀 t−1)+ θ2 E(𝜀 t−2)=0

V(Xt)= V(𝜀 t) + 𝜃12 V(𝜀 t−1)+ 𝜃22 V(𝜀 t−2) = ( 𝜃22 +𝜃12 +1)𝜎 2

Cov(Xt, Xt−1 )= Cov(𝜀 t+ θ1 𝜀 t−1+ θ2 𝜀 t−2 , 𝜀 t−1 + θ1 𝜀 t-2+ θ2 𝜀 t−3)

= θ1 V(𝜀 t−1)+ θ2θ1E(𝜀 t−2)= θ1(1+ θ2) 𝜎 2

Cov(Xt, Xt−2)= Cov(Et+ θ1 𝜀 t−1+ θ2 𝜀 t−2 , 𝜀 t−2 + θ1 𝜀 t-3+ θ2 𝜀 t−4)

= θ2 V(𝜀 t−2)+ θ2 𝜎 2

Cov(Xt, Xt−h)= Cov(𝜀 t+ θ1 𝜀 t−1+ θ2 𝜀 t−2 , 𝜀 t−h + θ1 𝜀 t-h-1+ θ2 𝜀 t−h-2)

= 0 pour h > 2

On a donc
𝜃(1 + 𝜃2 ) 𝜃2
𝜌1 = , 𝜌2 = , 𝜌 = 0 𝑝𝑜𝑢𝑟 ℎ > 2
(𝜃22 + 𝜃12 + 1) (𝜃22 + 𝜃12 + 1) ℎ
Enfin, on peut montrer que l’autocorrélation partielle décroıt de façon exponentielle :

τh → 0.
h→∞

28
 Chapitre II : Généralités sur séries temporelles

Exemple :
Processus MA(2), les deux premières autocorrélations sont négatives (et nulles ensuite) [02]

Processus moyenne mobile MA(q)

Il s’agit d’un processus vérifiant l’équation

Xt = 𝜀 t + θ1 𝜀 t−1 + ... + θq 𝜀 t−q = Θ(B) 𝜀 t

Ou Θ est le polynôme de degré q dont les coefficients sont {1, θ1, ...θq}.

Dans un tel modèle, on suppose de plus que l’influence des chocs passés se manifeste au
travers d’une fonction linéaire.

Un tel modèle est appelé moyenne mobile d’ordre q car Xt est une moyenne mobile (en anglais
moving average) appliquée aux variables aléatoires εt , εt−1 , ... εt−q . Le terme moyen est à
prendre dans un sens très large dans la mesure où la somme des coefficients θk n’est pas
nécessairement égale à1.

Autocorrélation : Pour un tel processus, on peut montrer que l’autocorrélation ρh est

nulle pour h > q :

𝑘=𝑞−ℎ
𝜃ℎ + 𝑘=1 𝜃𝑘 𝜃ℎ−𝑘
𝜌ℎ = 𝑠𝑖 ℎ ≤ 𝑞
1 + 𝑘=ℎ 2
𝑘=1 𝜃𝑘
0 𝑠𝑖 𝑛𝑜𝑛

Cette propriété est évidemment trés précieuse pour l’identification du modéle et la

détermination de l’ordre q d’un processus MA(q).

Autocorrélation partielle :
Les autocorrélations partielles τh d’un processus moyenne mobile d’ordre q ont un
comportement semblable à celui des autocorrélations ρh d’un processus autoregressif de même
ordre : elles s’amortissent à vitesse exponentielle.

29
 Chapitre II : Généralités sur séries temporelles

Remarque :
Un processus autorégressif d’ordre 1 peut s’exprimer sous forme de moyenne mobile en
inversant l’équation :
∞
1
𝐼 − 𝜑𝐵 𝑋𝑡 = 𝜀𝑡 𝑋𝑡 = 𝜀 = 𝜑 𝑘 𝐵 𝑘 𝜀𝑡
𝐼 − 𝜑𝐵 𝑡
𝑘=0

On obtient ainsi une moyenne mobile d’ordre q infini dont les coefficients décroissent
exponentiellement

AR(1) ̴ MA(∞).

II .7.8 Modèles autorégressif − Moyenne mobile

II.7.8.1 Modèle ARMA (p, q)

On peut bien évidemment envisager de combiner les deux modèles précédents en in-
troduisant
– une dépendance du processus vis-a-vis de son passé : modèle AR(p),
– un effet retardé des chocs : modèle MA(q).

Un tel modèle, appelé autorégressif - moyenne mobile (ARMA), est caractérisé par le
paramètre p de la partie autorégressive et le paramètre q de la partie moyenne mobile. Un
processus ARMA(p, q) vérifie l’équation [02] [06]

Xt = υ1Xt−1 + ... + υpXt−p + 𝜀 t + θ1 𝜀 t−1 + ... + θq 𝜀 t−q

Soit
Φ(B)Xt = Θ(B) 𝜀 t.

Le traitement d’un tel processus est plus complexe que celui des 2 précédents. On peut
cependant montrer que ses autocorrélations et ses autocorrélations partielles sont des fonctions
amorties tendant vers 0 en valeur absolue à vitesses exponentielles.

Propriétés des autocorrélations

1. Soit (Xt) un processus ARMA(p, q), alors les autocovariances 𝛾 (h) satisfont
𝑝

𝛾 ℎ − ∅𝑖 𝛾 ℎ − 𝑖 = 0 𝑝𝑜𝑢𝑟 ℎ ≥ 𝑞 + 1 𝐼
𝑖=1
Preuve
La forme ARMA(p,q) de (Xt) est
𝑝 𝑞

𝑋𝑡 − ∅𝑗 𝑋𝑡−1 = 𝜀𝑡 + 𝜃𝑗 𝜀𝑡−𝑗
𝑗 =1 𝑗 =1

En multipliant par Xt-h, où h ≥ q + 1, et en prenant l’espérance, on obtient (I).

30
 Chapitre II : Généralités sur séries temporelles

2. Soit (Xt) un processus ARMA(p,q), alors les autocorrélations 𝛾 (h) satisfont

𝑝

𝛾 ℎ − ∅𝑖 𝛾 ℎ − 𝑖 = 𝜎 2 𝜃ℎ + ℎ1 𝜃ℎ+1 + ⋯ + ℎ𝑞−ℎ 𝜃𝑞 𝑝𝑜𝑢𝑟 0 ≤ ℎ ≤ 𝑞

𝑖=1
où les hi correspondent au coefficients de la forme MA(∞) de (Xt),
+∞

𝑋𝑡 = ℎ𝑖 𝜀𝑡−1
𝑗 =0
On peut ainsi dresser un tableau comparatif des corrélogrammes et corrélogrammes partiel des
processus

Processus Autocorrélation ρh Autocorrélation partielle τh

AR(p) Amortie nulle pour h > p
.
MA(q) nulle pour h > q Amortie
ARMA(p, q) Amortie Amortie

Exemple: des autocorrélogrammes de processus ARMA(2,1) [02]

II.7.8.2 Modèles ARIMA et SARIMA

La condition de stationnarité des modèles présentés ici n’est évidemment pas toujours
convenable. On peut intégrer certains types de non-stationnarités en élargissant le modèle
ARMA. Ces élargissements consistent en une série d’opérations préalables visant à éliminer la
tendance ou la saisonnalité. [02] [06]

31
 Chapitre II : Généralités sur séries temporelles

Modèle ARIMA :

On a vu que si un processus Xt admet une tendance polynomiale de degré d, le processus

différencie d fois est stationnaire :
d d
Yt =∆ Xt = (I−B) Xt.

Le modèle ARIMA revient à appliquer un modèle ARMA sur le processus différencié :

Yt = ARMA(p, q) Xt = ARIMA(p, d, q).

L’équation d’un modéle ARIMA(p, d, q) est donc donnée par:

Φ(B)Yt = Θ(B) 𝜀 t Φ(B)ΔdXt = Θ(B) 𝜀 t

Ou Φ et Θ sont deux polynômes de degrés respectifs p et q.

Le ’I’ de ARIMA signifie l’intégrate "d" comme réciproque de la différenciation.

Evidemment, le degré "d" n’est généralement pas connu. Pour le déterminer on peut agir par
tâtonnements ou avoir recours à des tests de stationnarité : puisqu’un processus ARMA(p, q)
est stationnaire, on cherche d tel qu’on puisse accepter l’hypothèse de stationnarité pour le
processus Yt = ∆dXt. De façon générale, on se réfère à un principe de parcimonie et cherche la
valeur satisfaisante minimale de d.

Modèle SARIMA :
Les modèles SARIMA peuvent vus comme une généralisation des modèles ARIMA,
contenant une partie saisonnière.
Définition :
de façon générale, soient s1,…., sn n entiers, alors un processus (Xt) est un processus
SARIMA(p,d,q)
- autorégressif moyenne mobile intégré saisonnier - s’il vérifie une équation du type
Φ 𝐿 1 − 𝐿𝑆1 … 1 − 𝐿𝑆𝑛 𝑋𝑡 = 𝛩 𝐿 𝜀𝑡 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑡 ≥ 0

Ou

Φ L = I − ∅L −∅2 L2 + ⋯ − ∅p Lp ou ∅p ≠ 0 et Θ L = I + θ1 L −θ2 L2 + ⋯ − θq Lq ou θq ≠ 0
Sont des polynômes dont les racines sont de module supérieur à 1 et ou les conditions initiales
𝑍−1 = 𝑋−1 , … . , 𝑋−𝑝 , 𝜀−1 , … . , 𝜀−𝑞

Sont non-corrélées avec 𝜀0 , … 𝜀𝑡 … et ou le processus (𝜀𝑡 ) est un bruit blanc de variance 𝜎 2

Cette forme incluse les modèles ARIMA puisque 'il suffit de prendre n=d et s1=….= sn=1.
Toutefois, les deux formes les plus utilisées sont les suivantes,

Φ 𝐿 1 − 𝐿𝑆 𝑋𝑡 = 𝛩 𝐿 𝜀𝑡 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑡 ≥ 0
Φ 𝐿 1 − 𝐿𝑆 … 1 − 𝐿 𝑑 𝑋𝑡 = 𝛩 𝐿 𝜀𝑡 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑡 ≥ 0

Ou un seul facteur saisonnier "s" intervient, soit applique à un processus ARMA dans le
premier cas, soit appliqué à un processus ARIMA dans le second cas.
32
 Chapitre II : Généralités sur séries temporelles

Exemple :
Soit 𝑠 ∈ 𝑁\ 0 correspondant à la saisonnalité, et considérons le processus défini par

1 − ∅Ls Xt = 1 + αL 1 + βLS εt ou Xt − ∅Xt−1 = εt − αεt−1 − βεt−S + αβεt−S−1

Les autocorrélations sont données par

−𝛼 1+β 2 −𝛼
𝜌 1 = =
1+𝛼 2 1+𝛽 2 1+𝛼 2
𝛼 β−∅−∅ β−∅ 2 /(1−∅2 )
𝜌 S−1 =
1+𝛼 2 1+ β−∅ 2 /(1−∅2 )
2
− 1+α
𝜌 S = 𝜌𝑆−1
α
Avec
𝜌 ℎ = 0 𝑝𝑜𝑢𝑟 2 ≤ ℎ ≤ 𝑆 − 2 𝑝𝑢𝑖𝑠 𝜌 𝑆 + 1 = 𝜌 ℎ − 1 𝑒𝑡 𝜌 ℎ = ∅𝜌 ℎ − 𝑆
𝑝𝑜𝑢𝑟 ℎ ≥ 𝑆 + 2 𝑒𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑖𝑒
ρ kS = ∅k−1 ρ S
Le graphqie suivant montre l'autocorrélogramme (empirique) d'un tel processus simulé [02]

II.8 Méthode de Box & Jenkins

Dans la méthodologie d’analyse des séries chronologiques synthétisée par Box et Jenkins en
1976, on utilise ces trois types de processus AR, MA, ARMA pour construire un modèle
restituant le mieux possible le comportement d’une série chronologique selon une procédure en
quatre étapes [01] [02] [06] [08]:
- Identification
- Sélection de modèle
- Estimation
- Validation

33
 Chapitre II : Généralités sur séries temporelles

On peut expliquer les étapes précédentes dans ce schéma:

Figure II.1 : la méthode de Bob-Jenkins.

Source : Steven [Link], Spyros MAKRIDAKIS, 1974.

34
 Chapitre II : Généralités sur séries temporelles

II.8.1 Identification

Préparation des données: Stationnarisation

La première étape consiste à se ramener à une série stationnaire. Elle se décompose en deux
phases.
- Utilisation d’une transformation
- Différentiation (simple et/ou saisonnière)

Test de Dicky- Fuller simple

Dicky et Fuller sont les premiers à fournir un ensemble d’outils statistique formels pour
détecter la présence d’une racine unitaire dans un processus autorégressif du premier ordre, ce
test permet de tester l’hypothèse.
H0 : le modè𝑙𝑒 𝑎 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒
H1 : le modèle n′ apas de racine unitaire
Ce test est regroupé en 4 cas :
𝑝

𝑦𝑡 = 𝜌𝑦𝑡−1 + 𝛼𝑖 𝑦𝑡−𝑖 + 𝜀𝑡 𝐻0 : 𝜌 = 1
𝑖=1
𝑝

𝑦𝑡 = 𝛼 + 𝜌𝑦𝑡−1 + 𝛼𝑖 𝑦𝑡−𝑖 + 𝜀𝑡 𝐻0 : 𝛼 = 0 𝑒𝑡 𝜌 = 1
𝑖=1
𝑝

𝑦𝑡 = 𝛼 + 𝜌𝑦𝑡−1 + 𝛼𝑖 𝑦𝑡−𝑖 + 𝜀𝑡 𝐻0 : 𝛼 ≠ 0 𝑒𝑡 𝜌 = 1
𝑖=1
𝑝

𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝜌𝑦𝑡−1 + 𝛼𝑖 𝑦𝑡−𝑖 + 𝜀𝑡 𝐻0 : 𝛼 = 0, 𝛽 = 0 𝑒𝑡 𝜌 = 1
𝑖=1
Pour simplifier, on écrira:
𝑝
∆𝑦𝑡 = ∅𝑦𝑡−1 + 𝑖=1 𝛼𝑖 ∆𝑦𝑡−𝑖 + 𝜀𝑡 𝑎𝑣𝑒𝑐 ∅ = 𝑝 − 1 "𝑚𝑜𝑑è𝑙𝑒 1 "
𝑝
∆𝑦𝑡 = 𝛼 + ∅𝑦𝑡−1 + 𝑖=1 𝛼𝑖 ∆𝑦𝑡−𝑖 + 𝜀𝑡 𝑎𝑣𝑒𝑐 ∅ = 𝑝 − 1 "𝑚𝑜𝑑è𝑙𝑒 2 "
𝑝
∆𝑦𝑡 = 𝛼 + 𝛽𝑡 + ∅𝑦𝑡−1 + 𝑖=1 𝛼𝑖 ∆𝑦𝑡−𝑖 + 𝜀𝑡 𝑎𝑣𝑒𝑐 ∅ = 𝑝 − 1 "𝑚𝑜𝑑è𝑙𝑒 3 "

35
 Chapitre II : Généralités sur séries temporelles

Estimation du mobèle [3]

𝑦𝑡 = 𝑐 + 𝑏𝑡 + ∅1 𝑦𝑡−1 + αt
Test ∅1 = 0

non oui

Test ∅1 = 1

non oui

Proceussus TS: ∅1 < 1

𝑦𝑡 − 𝑐Processus
+ 𝑏𝑡 + ∅1DS
𝑦𝑡−1 + αt Estimation du mobèle [2]
𝑦𝑡 = 𝑐
Test 𝑐 = 0

non
oui

Test ∅1 = 1

non oui

Processus DS Processus stationnaire

Estimation du modèle [1]

𝑦𝑡 − ∅1
Test ∅1 − 1

non oui

Processus DS Processus stationnaire

FIG II.2 stratégie simplifié des racines unitaires

II.8.2 Sélection d’un modèle

Il s’agit de choisir pour les données transformées y1 … , yn un modèle de type ARMA (p,q) ou
de type saisonnier SARIMA (p,0,q)(P,0,Q) . L’examen des autocorrélations empirique
« totales » (ACF) ou partielles (PACF) permet souvent à lui seul de sélectionner un bon
candidat.
ACF et PACF
On se rappelle qu’un processus MA(q) est caractérisé par le fait que ses autocorrélations
théoriques ρ(K) sont nulles por K> 𝑞 par ailleurs les autocorrélations partielles π(k)d’un
processus AR(p) sont nulle pourk > 𝑝. On peut donc espérer reconnaitre au moins les
processus autorégressif ou moyenne mobile purs. Cependant, on doit se contenter
d’estimations de ρ(k)etπ(k) (puisque les processus sont inconnus),ρ k , π(k). La sélection
s’effectue en examinant les corrélations significatives.
Les estimateurs usuels de ρ k et π(k) sont naturels compte-tenu de leur définition. Pour le
coefficient d’autocorrélation d’ordre k, on utilise :

n−h
t=l (yt − y)(yt+h −y
ρ k = n 2
t=l(yt − y )

36
 Chapitre II : Généralités sur séries temporelles

Le coefficient d’autocorrélation partielle empirique π(k) s’obtient par exemple comme

l’estimation ∅𝑘,𝑘 du coefficient de yt−k , ∅k,k , dans la régression linéaire de yt sur yt , … , y1−k :
yt = ∅k,1 yt−1 + ∅k2l yt−2 + ⋯ + ∅k,k yt−k + et
Les autocorrélations empiriques « complètes » ou partielles sont données par les logiciels de
statistique.
Même lorsqu’un coefficient d'autucorrélation théorique est nul, le coefficient estimé
correspondante est non nulle et l’on a recours à des tests statistiques permettant de décider si la
valeur obtenue est signification ou non. On ne détaillera pas ici les propriétés statistiques sous-
jacen
tes des estimateurs ρ k etπ(k) .Disons simplement que celles-ci dépendent du processus
1
ARMA mais dans la pratique. On considère qu'une valeur à l’intérieur des bornes ±1.96n− 2
n’est pas significative quel que soit le modèle. L’interprétation est la suivant : k étant fixé, sous
l’hypothèse de nullité de ρ(k)(π k ), la probabilité que ρ k , (π k ) soit à l’intérieur des
bornes est approximativement de 95% .

Critères d'information
Une fois choisis l’ensemble des processus ARMA permettant de modéliser les données, il y a
donc ( pmax + 1) q max + 1 modèles possibles et il ne faut en retenir qu’un seul. Pour cela, on
dispose de critère de comparaison de modèles que l’on souhaite être le plus petit possible. Les
critères classiques sont les suivants:
- Critère d’Akaike (AIC) :
2(p + q)
AIC p, q = log ς2 +
T
- Critère de Schwarz (SBC ou BIC):
2(p + q) log T
SBC p, q = log ς2 +
T
- Critère de Hannan :
c(p + q) log log T
φ p, q = log ς2 +
T
Avec c > 2

Pour ces trois critères, ς2 est l’estimation de la variance ς2 du bruit blanc. Ces critères sont
basés sur le principe de la pénalisation. En effet, on peut montrer que si on passe d'un modèle
ARMA p, q à un modèle ARMA(p + 1, q) ou à un modèle ARMA(p, q + 1), alors la
varience estimée diminue.
Ces critères corrigent donc ce phénomène et on cherche un compromis entre une faible
variance et un faible nombre de paramètres à estimer, respectant ainsi le principe de
parcimonie (retenir le modèle le moins complexe pour espérer une qualité d’ajustement
acceptable).

II.8.3 Estimation
Estimation des paramètres
Méthodes des moments: On a vu dans le paragraphe sur les méthodes empiriques comment
estimer les autocorrélations et a donné dans ce chapitre leurs valeurs théoriques pour les
processus classiques. La méthode des moments est une des plus utilisées: pour un modèle
donné, on sait que les autocorrélations ρh et τh dépendant des paramètres
φ1 , … φp , θ1 , … θd selon des équations connues:
(ρ1 , ρ2 , … , τ1 , τ2 , … ) = F(φ1 , … φp , θ1 , … θd )
37
 Chapitre II : Généralités sur séries temporelles

Or on sait facilement estimer les autocorrélationsρh et τh , il suffit donc d’inverser les

équations pour estimer les paramètres:

(φ1 , … φp , θ1 , … θd ) = F −1 (ρ1 , ρ2 , … , τ1 , τ2 , … ).
Il n’est pas nécessaire d’expliciter ici la forme des résultats.
Maximum de vraisemblance:
L’autre méthode classique d’estimation est le maximum de vraisemblance. Elle nécessite de
faire des hypothèses sur la loi du bruit blanc Et . L »hypothèse la plus fréquemment retenue
est qu’il s’agit d’un bruit blanc gaussien de varianceς2 .
On obtient alors des estimateurs du maximum de vraisemblance des paramètres
φ1 , … φp , θ1 , … θd et de ς.
Cette méthode peut donner lieu à des calculs très lourds aussi bien mathématiquement que
numériquement à cause de la forme très « tourmentée » des fonctions de vraisemblance.
Pour éviter des temps de calculs colossaux ; on a le plus souvent recours à des algorithmes qui
utilisent des approximations plus ou moins fortes.

II.8.4 Validation
Tous les résultats d'estimation obtenons , toutes les prévisions que l'on pourra faire,
dépendent de façon cruciale du fait que les résidus forment un bruit blanc gaussien.
Il est donc capital d'accorder un soin particulier à la vérification de cette hypothèse.

Teste du bruit blanc: Dans l’analyse des séries chronologiques par processus ; le bruit
blanc joue un rôle particulier puisque c’est un processus sans aucune structure. Quand, pour un
processus X t , on a éliminé toute tendance, toute saisonnalité et toute dépendance vis-à-vis du
passé ; il reste un processus Et complètement imprévisible sur lequel il n’y a plus grand-
chose à dire.
Le test préliminaire concerne justement ce processus. Quand on étude une série xt la première
hypothèse testée est :

H0 : " Xt est un bruit blanc"

Si on accepte cette hypothèse, l’analyse de la série est virtuellement achevée: la série étudiée
n’a aucune structure.
On peut citer:
- le teste ’’ Portmanteau’’ fondé sur la somme des carrés des autocorrélations :
H

Q1 xt =T ρ2h (x)
h=1
Ou T est le nombre d’observations, ρh (x) l’autocorrélation d’ordre h estimée sur la série
xt , 1 ≤ t ≥ T et H une quantité suffisamment grande.
- le test fondé sur la statistique de Ljung et Box :
H
1
Q 2 xt = T T+2 ρ2h (x)
T−h
h=1
Sous l’hypothèse d’un bruit gaussien, ces deux statistiques suivant des lois du ᵡ2 à H − p − q
degrés de libertés.

38
 Chapitre II : Généralités sur séries temporelles

Remarque:
Les tests de bruit blanc permettent également de’’ valider’’ le modèle. Si le processus est bien
un ARMA p, q , le processus résiduel également Et = X − Xt doit être un bruit blanc. On
accepte (ou rejette) cette hypothèse en effectuant un des tests fondés sur une statistique Q( et )
pour cela, il faut donc estimer les autocorrélations du processus Et .
On ne peut envisager d’effectuer des prédictions qu’une fois qu’on a accepté l’hypothèse
H0 : ’’ Et = Xt − φ1 Xt−1 + ⋯ + φp Xt−p + θ1 Et−1 + ⋯ + θq Et−q est un bruit blanc’’

Tests le Normalité des erreurs:

Hypothèses du test :
H0 : les erreurs suivent une loi Normale
H1 : les erreurs ne suivent pas une loi Normale
Sous l'hypothèse H1 la loi des erreurs est donc inconnue.
On caractérise la loi normale N(m,ς2 ) par le fait
 qu'elle est symétrique ⇒ son moment centré d'ordre 3 est nul 𝜇3 = 0
 que son moment centré d'ordre 4 est 𝜇4 = 3 𝜇22 = 3 𝜎 2 2
⇒ sa Kurtosys
K= 𝜇4 /𝜎 4 = 3

Les hypothèses du test peuvent alors s'écrire

H0 : 𝜇3 = 0 et 𝜇4 = 3𝜎 4
H1 : l'une au moins de ces deux propriétés n'est pas vérifiée
Le moment ς2 est estimé à l'aide des résidus par s2 = e2t /(n − k)
Le moment μ3 = E (∈ −E(ε))3 = E ∈3 est estimé à l'aide des résidus par μ3 = e3t /n
Le moment μ4 = E (∈ −E(ε))4 = E ∈4 est estimé à l'aide des résidus par μ4 = e4t /n

 on définit le coefficient de symétrie (skewness)

𝜇3 𝑒𝑡3 /𝑛
𝛼3 = 3 𝑒𝑠𝑡𝑖𝑚é 𝑝𝑎𝑟 𝛼3 =
𝜎 𝑠3
qui suit asymptotiquement une loi N(0,3!/n) sous l'hypothèse H0

 on définit le coefficient d'aplatissement (Kurtosis)

𝜇4 𝑒𝑡4 /𝑛
𝛼4 = 4 𝑒𝑠𝑡𝑖𝑚é 𝑝𝑎𝑟 𝛼4 =
𝜎 𝑠4
qui suit asymptotiquement une loi N(3,4!/n) sous l'hypothèse H0
Les hypothèses du test peuvent donc s'écrire
H0 : α3 = 0 et α4 = 3
H1 : l'une au moins de ces deux propriétés n'est pas vérifiée
Il existe deux tests de normalité l'un testant séparément les deux parties de H0 , l'autre global

Tests de Skewness et Kurtosis

Test de Skewness
H0 1 : µ3 = 0 → α3 = 0
H1 1 : µ3 ≠ 0 → α3 ≠ 0
sous l‘hypothèse H0 l‘estimateur 𝛼3 de α3 suit asymptotiquement une loi N(0 , 3!/n) où
(3!=6), sa variable centrée et réduite t

39
 Chapitre II : Généralités sur séries temporelles

t= n
6 α3 suit asymptotiquement une N(0,1)
Si -1.96 < t estimations < 1.96 on décide H01 sinon H 11
Si on décide H11 le test est terminé car la loi n‘étant pas symétrique elle ne peut être normale.
Si la décision est H01 on passe au test suivant.

Test de Kurtosis
H02 : µ4= 3 σ4 → α4 = 3
H12 : µ4 ≠ 3 σ4 → α4 ≠ 3
sous l‘hypothèse H0 l‘estimateur â4 de α4 suit asymptotiquement une loi N(3 , 4!/n) ou
(4!=24)
t = n 24 a4 − 3 suit asymptotiquement une N(0,1)
Si - 1.96 < testimation < 1.96 on décide H02 sinon H12
si la décision est H02 , on a donc les deux propriétés vérifiées , on décide alors normalité des
erreurs
Si on décide H12 le test est terminé car la loi n'étant pas un coefficient d'aplatissement égal à 3
nous ne sommes pas dans le cadre de la loi normale.

Test Global de Jarque et Berra

Il teste donc globalement
H0 : µ3 = 0 et µ4 = 3σ4
H1 : l‘une au moins de ces deux propriétés n‘est pas vérifiée

Sous l‘hypothèse H0 vraie la variable aléatoire S somme des carrés des deux précédents
résultats centrés réduits suit donc la loi du khideux à deux degrés de liberté.
n n
S = a23 + (a − 3)2
6 24 4
Si Sestimation est inférieur à la borne du khideux on décide H0 sinon on décide H1.

Prévisions à l'aide des modèles ARIMA: Box-Jenkins

Etant donnée une série stationnaire (𝑋𝑡 ), observée entre 1 et T, on cherche à faire de la
prévision à horizon h, et donc à prévoir𝑋𝑇+1 ,….,𝑋𝑇+ℎ . Tous les processus AR, MA et ARMA
seront supposés mis sous forme canonique, et n'avoir aucune racine unité. Aussi, toutes les
racines des polynômes autorégressifs Φ et des polynômes moyennes-mobiles Θ auront leurs
racines à l’extérieur du disque unité. Ainsi, pour tous les processus 𝑋𝑡 tels que
Φ (L) 𝑋𝑡 = Θ (L) 𝜀𝑡
𝜀𝑡 sera l’innovation du processus 𝑋𝑡 . [02]

Prévisions à l’aide d’un modèle AR(p)

Le modèle s’écrit, quitte à recentrer le processus,
Xt = ∅1 Xt−1 + ⋯ + ∅p Xt−p + εt ou Φ L Xt = εt
∗
La prévision optimale à la date T + 1, faite à la date T est TXT+1 = EL( XT+1 XT , XT−1 , …
Aussi,
∗
TXT+1 = ∅1 XT + ⋯ + ∅p XT−p
Car (εt ) est l’innovation. De façon analogue,
40
 Chapitre II : Généralités sur séries temporelles

XT+h = ∅1 XT+h−1 + ⋯ + ∅p XT+h−p + εT+h et donc TX∗T+1 = EL( XT+h XT , XT−1 , …

Est donné, de façon récursive par

∗ ∗
∗
∅1 . TXT+h−1 + ⋯ + ∅h−1 . TX T+1 + ∅h XT + ⋯ + ∅p XT+h−p pour h ≤ p
TXT+1 = ∗ ∗
∅1 . TXT+h−1 + ⋯ + ∅p TXT+h−p pour h ≤ p

Prévisions à l’aide d’un modèle MA(q):

On supposera là aussi que l’on s’est ramené à un processus centré (Xt), satisfaisant

Xt = ℇt +θ1 εt−1 + ⋯ + ∅q εt−q = Θ(L)εt

La prévision optimale à la date T+1, faite à la date T est

∗
𝑇 𝑋𝑇+1 = EL XT+1 XT , X T−1 , … = EL XT+1 εT , εT−1 , …

Car (ℇt ) est le processus d’innovation. Aussi,

∗
𝑇 𝑋𝑇+1 = 0 + θ1εT + ⋯ + θqεT+1−q

De façon analogue, XT+h est estimé par

∗
𝑇 𝑋𝑇+1 = EL XT+1 XT , X T−1 , … = EL XT+h εT , εT−1 , … et donc

∗ θh . 𝑇 𝑋𝑇∗ + ⋯ + θq X∗T+h−q pour h ≤ p

𝑇 𝑋𝑇+1 =
0 pour h > 𝑝

Toutefois, cette méthode présente le désavantage d’estimer 𝑋𝑇+ℎ à partir des résidus passés, a
priori non observables, et non pas du passé de la variable.

Prévisions à l’aide d’un modèle ARMA(p; q):

On supposera là aussi que l’on s’est ramené à un processus centré (𝑋𝑡 ), satisfaisant

Φ L Xt = Θ(L)εt

Remarque : Dans le cas d’un processus non centré, 𝛷 𝐿 𝑋𝑡 = 𝛍 + 𝚯(𝑳)𝜺𝒕 , on peut noter que
ΕXt = μ Θ 1 = m et que Φ L (Xt − m) = Θ(L)εt . Il est donc toujours possible, en
translatant le processus, de se ramener à un processu centré (pour des processus ARMA
seulement).
Sous cette forme ARMA, alors
𝑝 𝑞

𝑋𝑡 = ø𝑖 𝑋𝑡−𝑖 + 𝜀𝑡 + 𝜃𝑗 𝜀𝑡−𝑗 𝑒𝑡 𝑑𝑜𝑛𝑐

𝑖=1 𝑗 =1

41
 Chapitre II : Généralités sur séries temporelles
𝑝 𝑞

𝑋𝑡+ℎ = ø𝑖 𝑋𝑡+ℎ −𝑖 + 𝜀𝑡+ℎ + 𝜃𝑗 𝜀𝑡+ℎ−𝑗

𝑖=1 𝑗 =1

∗
On a alors 𝑇+1𝑋𝑇+ℎ = EL XT+1 XT , XT−1 , … = EL XT+h εT , εT−1 , … car εt est le processus
d’innovation. On peut noter que pour h > q

∗ ∗
∗
ø1 . 𝑇 𝑋𝑇−ℎ + ⋯ + øℎ−1 . 𝑇 𝑋𝑇−ℎ + ø1 𝑋𝑇 + ⋯ + ø𝑝 𝑋𝑇+ℎ−𝑝 , 𝑝𝑜𝑢𝑟 ℎ ≤ 𝑝
𝑇+1 𝑋𝑇−ℎ = ∗ ∗
ø1 . 𝑇 𝑋𝑇−ℎ−1 + ⋯ + ø𝑝 . 𝑇 𝑋𝑇+ℎ −𝑝 , 𝑝𝑜𝑢𝑟 ℎ > 𝑝

La forme générale des solutions est connue (comme dans le cas des AR(p)). Toutefois, il y a
ici un problème d’initialisation des calculs.

Prévision dans le cas d'un processus ARIMA(p, d, q):

On considérons ici (𝑋𝑡 ) satisfaisant une équation de la forme
Ф 𝐿 1 − 𝐿 𝑑 𝑋𝑡 = Ө(𝐿)𝜀𝑡 Avec les conditions initial 𝑧 = (𝑋−1 , … , 𝑋−𝑝−𝑑 , 𝜀−1 , … 𝜀−𝑞 )'
Posons alors ᴪ 𝐿 = Ф(𝐿)(1 − 𝐿)𝑑 .la forme ARIMA(p, d, q) peut s'écrire

𝑝+𝑑 𝑞

𝑋𝑡 = ᴪ𝑖 𝑋𝑡−𝑖 + 𝜀𝑡 + 𝜃𝑗 𝜀𝑡−𝑗 𝑒𝑡 𝑑𝑜𝑛𝑐

𝑖=1 𝑗 =1
𝑒𝑡 𝑑𝑜𝑛𝑐
𝑝+𝑑 𝑞

𝑋𝑡+ℎ = ᴪ𝑖 𝑋𝑡+ℎ−𝑖 + 𝜀𝑡+ℎ + 𝜃𝑗 𝜀𝑡+ℎ−𝑗

𝑖=1 𝑗 =1

∗
Notons T𝑋𝑇+ℎ la prévision faite à la date 𝑇

∗
𝑇 𝑋𝑇+ℎ = 𝐸𝐿 𝑋𝑇+ℎ 𝐼𝑋𝑇 , 𝑋𝑇−1 , … , 𝑋0 , 𝑍 .Alors

𝑝+𝑑 𝑞 ∗
𝑇 𝑋𝑇+ℎ−𝑖 = 𝑋𝑇+ℎ−𝑖 𝑝𝑜𝑢𝑟 𝑖 ≤ ℎ
∗ ∗ ∗
𝑇 𝑋𝑇+ℎ = ᴪ𝑖 𝑇 𝑋𝑇+ℎ−𝑖 +0+ 𝜃𝑗 𝑇 𝜀𝑇+ℎ−𝑗 𝑂ù ∗ 0 𝑝𝑜𝑢𝑟 𝑗 < ℎ
𝑖=1 𝑗 =1 𝑇 𝜀 𝑇+ℎ−𝑗 =
𝜀𝑇+ℎ−𝑗 𝑝𝑜𝑢𝑟 𝑗 ≥ ℎ

En particulier, pour ℎ ≥ 𝑞 , on obtient une relation de récurrence de la forme

𝑝+𝑑
∗ ∗
𝑇 𝑋𝑇+ℎ = ᴪ𝑖 𝑇 𝑋𝑇+ℎ−𝑖
𝑖=1

42
 Chapitre III : Application de la méthode de Box et Jenkins

Chapitre III

Application de la méthode de Box et Jenkins

Sur la série ELEC

44
 Chapitre III : Application de la méthode de Box et Jenkins
Nous nous proposons dans ce chapitre d'appliquer la méthodologie de Box et Jenkins exposée
dans le chapitre précédant à notre série de données réelles.
Nos données présentent la quantité d'électricité transporté par la société Algérienne de gestion
de réseaux de transport de l'électricité (Hassi-Messaoud).
Les données sont mensuelles et la période retenue pour notre étude est entre janvier 2008 et
décembre 2016, ce qui nous donne un total de 108 observations.
Pour le traitement économétrique de notre série on utilise le logiciel Eviews (8.0)
Notre série de données est présentée dans le tableau suivant:

Janvier Février Mars Avril Mai Juin

2008 177558568 159568430 153090004 154748304 195730989 221693165
2009 196905509 168450119 169112289 166192295 206987505 288215437
2010 205311755 186865580 186865580 190391948 206836701 300811456
2011 235940346 208107256 212817603 207931462 243404715 325968688
2012 297562961 283244996 250715256 251863340 315771476 481796664
2013 313255992 277579256 267680338 263696248 318501284 407591582
2014 321474423 270531505 279193511 272732801 353860012 463886551
2015 378099577 324680526 306444635 322708815 430357886 567309219
2016 373966636 326885733 336500737 336769491 445991153 678493085,5

Juillet Aout Septembre Octobre Novembre Décembre

2008 299824508 281645361 261181730 166216190 168305837 199502446
2009 346804253 349907383 239618474 190240008 188129984 205380157
2010 375510849 419612776 292530837 222214670 206547931 229995088
2011 435299412 494143696 396124631 234899863 225984343 260126458
2012 578643846 559250475 372399412 301349881 257916242 308825933
2013 608965054 531664688 422243785 357941113 294155375 331940329
2014 683425775 637289762 570075491 343495057 284910833 345826612
2015 703934240 696838079 539549477 367249494 326367434 380572851
2016 760283192 682747112 581336527 401570408 327679514 362987524

Tableau III.1: Transport d'électricité par GRTE/ DTE-HM (2008-2016) (Unité : KWh)

45
 Chapitre III : Application de la méthode de Box et Jenkins

[Link] du graphique et de corrélogramme

III.1.1 Représentation graphique

Figure III.1: Représentation graphique de la série (ELEC)

D’après l’analyse graphique de la série (ELEC) on observe une présence de plusieurs
Routeurs, ce que signifie la non stationnarité de la série temporelle, et pour bien éclairer
La non stationnarité on va étudier la fonction d’autocorrélation simple et partiel.

46
 Chapitre III : Application de la méthode de Box et Jenkins

III.1.2Analyse du corrélogramme de la série ELEC

Figure III.2: Corrélogramme de la série (ELEC)

D’après l’analyse statistique du graphe on remarque qu'il y à beaucoup de coefficients de

Fonction d’autocorrélation qui sont significatifs comme, c.à.d. qu'il vu la présence de

Saisonnalité, ce qui entraine à dire que notre série est non stationnaire.

47
 Chapitre III : Application de la méthode de Box et Jenkins

III.2. Analyse de saisonalité

III.2.1 Graphique par saison

Figure III.3: Graphede la série (ELEC) par saison

Cette représentation graphique par saison montre un mouvement saisonnier répétitif
trimestriel.

III.2.2 Désaisonnaliser la série

On procède à la désaisonnalisation de la série par l'application de différence saisonnièr, on
obtient une nouvelle série.
Puisque notre série est mensuelle la saisonnalité est présumée S=12, La différence ce fait sur
12 valeurs.
Genre LELECSA=LELEC-LELEC(-12)

48
 Chapitre III : Application de la méthode de Box et Jenkins

Figure III.4: Graphe de la série brute (LELECSA)

Ce graphique représente la série désaisonnalisée, mais pour s'assurer de la désaisonnalité de

notre nouvelle série on trace le corrélogramme.

49
 Chapitre III : Application de la méthode de Box et Jenkins

Figure III.5:Corrélogramme de la série (LELECSA)

D'après l'analyse statistique du graphe on remarque presque tous les coefficients de fonction
D'autocorrélation ne sont pas significatifs.
De ce fait, on peut dire que notre nouvelle série est non saisonnière
Il reste à tester la stationnarité.

50
 Chapitre III : Application de la méthode de Box et Jenkins

III.3 stationnarisation de la série

Pour tester la stationnarité de notre série on utiliser le test de Dickey –Fuller augment (ADF)
Avec constant et tandence :

Tableau III.2 : Test de Dickey –Fuller augment (avec constant et tendance) de la série
(LELECSA)
- On a t-statistique<t-tabulée au risque de 5% et p-value<0.05
Donc notre nouvelle série n'admet pas de racine unitaire
-On a p-valu>0.05 alors notre série ne contienne pas de tandence
-On a p-valu <0.05 alors elle contienne de constant
51
 Chapitre III : Application de la méthode de Box et Jenkins

Sans tandence avec constant

Tableau III.3 : Test de Dickey –Fuller augment (avec constant) de la série (LELECSA)

-On a t-statistique<t-tabulée au risque 5% et p-value<0.05 donc notre nouvelle série n'admet

pasde racine unitaire
D'après le test ADF la série (lelecsa)ne possède pas de racine unitaire, donc elle est
stationnaire.
-On a p-value<0.05de contant alors elle contienne de constant
Donc Les paramètres sera estimer par un modèle avec constant

52
 Chapitre III : Application de la méthode de Box et Jenkins

III.4 Spécification et estimation du modèle:

comme la série initiale est affectée d'une saisonnalité de période S=12on va modéliser par
SARIMA(p,d,q)
A partir du correlogramme du variable stationnaire on détermine les retards du modèle ARMA
AR(1) AR(4) AR(12) MA(1) MA(4) MA(12) alors on trouve ARMA(1,4)
ARMA(1,12)……..ect
D'Après l'estimation des modèles précédant, on chosé le modèle qui sont coefficients
signicativement différents de 0est SARIMA(1,1 ,12)

Tableau III.4 : Estimation des paramètres du modèle SARIMA(1,1,12)

53
 Chapitre III : Application de la méthode de Box et Jenkins

III.5 Validation du modèle SARIMA (1,1 ,12)

Dans cetteétape, il convient maintenant d'analyser le résidu de notre modèle par le
corrélogramme et teste de normalité (jak-pera, skwenss, kurtosis……)
Teste sur les résidus

Figure III.5:Corrélogramme des résidus

La statistique Q à une probabilité très supérieur a 0.05 quelque soit la période, et on remarque
que tous les pics sont à l'intérieur de l'intervalle de confiance, le résidu peut être assimilé à un
bruit blanc.

54
 Chapitre III : Application de la méthode de Box et Jenkins

Test de normalité des résidus

Figure III.6:Caractéristique statistique des résidus de la modélisation SAIRMA

Pour skewness:
H0 : V1 = 0 (la distribution des résidus est symétrique)
H1 : V1 ≠ 0 (la distribution des résidus est Asymétrique)
1/2
𝐵1 −0 0.1437015
𝑉1 = = 0.375
= 0.38 < 1.96 donc accepteles hypothèses de symétrique
6/108
Pour kurtosis:
H0 : V2 = 0 (la distribution des résidus est relativement aplatie)
H1 : V2 ≠ 0 (la distribution des résidus n′ est pas aplatie)
1/2
𝐵1 −3 3.153524
𝑉2 = = = 1.38 < 1.96 donc accept les hypothèses de symétrique
24/108 0.111

Pour jaque-bera

2
JB = 1,40 < X0,05 2 = 5,99
Donc le résidé de notre série est un bruit blanc gaussien.

55
 Chapitre III : Application de la méthode de Box et Jenkins

III.6La prévision
d'après l'estimation des paramètres et la validation du modèle SARIMA(1,1 ,12) la série
(lelec) peut être valablement représentée par un processus de type SARIMA(p,d,q) et les
valeurs prévis sont les suivants:

Valeurs Prévisionnelles en 2017 Valeurs réelle en 2017

Janvier 455681468 422 067 224
Février 326033397 329 925 091
Mars 345648918 322 720 179
Avril 376133902 338 676 344
Mai 466635543 526 741 082
Juin 643148960 701 277 739
Juillet 902306987 802 858 527
Aout 744355134 779 698 507
Septembre 572141296 545 058 922
Octobre 434350587 364 717 230
Novembre 368379299 362 468 801
Décembre 397709127 441 727 165

Tableau III.6: Valeurs prévisionnelles et réelles en 2017 (Unité : KWh)

Une simple comparaison avec les valeurs réelles indique que les résultats obtenus sont
satisfaisant (il y'a pas beaucoup de différence entre les valeurs réelles et les valeurs
prévisionnelles)

56
 Conclusion générale

Conclusion générale

Notre étude a porté sur l'analyse des séries chronologiques représentant l'évolution du
transport mensuelle de l’énergie électrique de l'entreprise (GRTE/DTE-HM).
Nous avons appliqué la méthode de Box & Jenkins sur nos données.

Comme notre série était affectée d'une saisonnalité, nous étions donc obligés de la
désaisonnaliser à l'aide de l'opérateur de différence saisonnière. Ensuite nous avons fait recours
au test de Dickey-Fuller pour tester la stationnarité.

Nous avons modélisé nos données par les modèles SARIMA. Une fois le modèle choisi,
estimé et validé nous avons calculé nos prévisions.

En effet, les valeurs obtenues par notre méthode de prévision ne sont loin des valeurs réelles.
Ce qui confirme que la méthode utilisée est la plus adéquate pour effectuer notre étude.

57
Bibliographie

AGNÉS LAGNAUX, ISMAG

[1] Renforcement Statistique séries chroniques

ARTHUR CHRBENIER,
[2] Cours de séries temporelles théorie et applications, volume1

CORIENNE PERRAUDIEN,
Université Paris I
[3] Magistère d’économie - Deuxième année séries chronologiques quelques
élément du cours Année 2004_2005

FALORIN ARRAM
[4] Séries temporelles, Régression, Interpolation et Géostatistique

HÉLÈNE HAMISULTANE
[5] Econométrie des séries temporelles

[Link], C. DUBY, [Link] & T. Trécourt,

Analyse de séries chronologiques
[6]
(INA_PG, Mathématiques) Mai1996.

JULIEN JACQUES,
[7] Introduction aux séries temporelles

OLIVIER ROUSTANT
Introduction aux séries chronologiques Axe Méthodes des Statistiques et
[8]
Applications, notes des cours Novembre 2008

BOURBONNAIS ET MICHEL TERRAZA

[9]
Analyse des séries temporelles, dunod (paris 2004)
S. FREDERIC
[10] Médicalisation et prévision (série chronologique),
école des mines de Nancy
[Link], Modélisation des séries temporelles mastère statistique et
[11]
économétrie Notes des cours Mastère1-2017
Organigramme GRTE
[12]
Sites et adresses web
[Link]
[13]
www. [Link]
[14]
 Résumé

Résumé
Dans ce travail, ona étude une série temporelle pour prédiction, un utilisant la méthode de
méthode de Box-Jenkins, le type de cette sèrié est de la forme ARMA et ARIMA.

summary
In this Works, we studied a time series to predict the prediction [Link] Box-Jenkins the type
of this series is ARMA or ARIMA form.

‫ملخص‬
‫ و التي تهدف الى‬Box-Jenkins ‫تطرقنا في هذا العمل الى دراسة السالسل الزمنية من اجل التنبؤ و ذلك باستخدام منهجية‬
ARIMA ‫ و‬ARMA ‫نمدجة سلسلة زمنية باستخدام نمادج‬