TP1 Series chronologiques
Lamrani
Exercice 1
1- Installer les packages suivants: tseries, forecast, plotly est TSstudio
2- Appeler les différents packages installés
3- Utiliser les fonctions du package TSstudio pour décrire et commenter les séries
prédéfinies suivant:
• USgas: la consommation annuelle du gaz naturel aux USA.
• USVSales: La vente totale des véhicules aux états unies par 1000 unités
• USUnRate: Le taux de chômage aux USA
• UKgrid: le demande national d’électricité en UK
• lynx: le nombre annuel de lynx capturés au Canada de 1821 à 1934
Exemples de fonctions : ts_info(),ts_plot(),ts_decompose(), ts_seasonal(),ts_lags(). Penser à
utuliser la fonction acf() du package stats également.
4- Télécharger la série “[Link]” de votre pc puis la transformer à un objet ts. La série
commence le mois 1/1949 et se termine le mois 12/1960. La fréquence de la série est 12.
5- Utiliser la fonction window() pour extraire les observations de la série USUnRate à partir
du mois 1/1955. Visualiser le résultat.
6- La transformation Box-Cox permet de minimiser la variance d’une série chronologique:
𝑋𝑡𝜆 − 1
𝑓(𝑋𝑡 ) = 𝑖𝑓 𝜆 ≠ 0
𝜆
𝑓(𝑋𝑡 ) = 𝑙𝑜𝑔(𝑋𝑡 ) 𝑖𝑓 𝜆 = 0
7- Appliquer la tansforamtion BoxCox du package forecast sur la série AirPassengers.
Visualiser le résultat.
8- Utiliser la fonction ts_split() du package TSstudio pour séparer la série AirPassengers en
données test et Apprentissage.
Exercice 2
Nous étudions la série chronologique du nombre de passagers par mois (en milliers) dans
les transports aériens,de 1949 à 1960. Cette série est disponible sous R (AirPassengers).
1- Estimation paramétrique de la tendance:
• Représenter graphiquement la série. Ce processus vous semble-t-il stationnaire
Présente- t-il des tendances et saisonnalités?
• Estimer les paramétres d’une tendance linéaire 𝑎𝑡 + 𝑏 par la méthode des moindres
carrés.
• Supprimer cette tendance et représenter graphiquement la série ainsi obtenue.
Vérifier que la série des résidus est de moyenne nulle.
• Calculer et représenter l’auto-corrélation de la série des résidus.
2- Méthode des différences:
• Appliquer la méthode des différences pour enlever la tendance et la saisonnalité.
Préciser la période de la saisonnalité, le degré du polynome de tendance.
• La série obtenue semble-t-elle stationnaire?
3- Méthode des moyennes mobiles:
• Appliquer la méthode des moyennes mobiles pour enlever la tendance et la
saisonnalité.
• Lire un test pour savoir si la série obtenue est une bruit blanc (utiliser fonction
[Link]).
Exercice 3
On appel un bruit blanc gaussien une suite de variables aléatoires indépendantes et
identiquement distribuées (𝜖𝑡 )𝑡∈𝑁 de loi normale centrée réduite:
• Donner la fonction d’auto-corrélation d’un bruit blanc:
𝑐𝑜𝑣(𝜖𝑡 , 𝜖𝑠 )
𝑐𝑜𝑟𝑟(𝜖𝑡 , 𝜖𝑠 ) = = {1 𝑠𝑖 𝑠 = 𝑡
𝑣𝑎𝑟(𝜖𝑠 ) 0 𝑠𝑖 𝑠 ≠ 𝑡
• Simuler un bruit blanc gaussien de taille 100, et représenter le graphiquement.
• Tracer la fonction d’autoccorélation:
• Recommencer les deux questions précédentes et observer la variabilité des
résultats. Jouer sur la longueur de la série.
Exercice 4(ARIMA)
La BDD Coffee_Prices du package TSstudio représente les prix mensuels (USD par kg) entre
1960 et 2018 de Robusta et Arabica, deux types de café:
• Représenter la série Robusta et sa fonction ACF. Est ce que cette série est
stationnaire?
• On travaille désormais avec la série obtenue en appliquant la fonction diff à la série.
Tracer la la fonction ACF et PACF et identifier un modèle ARIMA(p,d,q) adequat.
• Analyser les résidus du modèle obtenu et commenter les résultas trouvés.
Exercice 5 (SARIMA):
Récupérer le fichier de données [Link]. la série commence le 01/2000 et se termine le
10/2019. La periode de la série est 12 mois.
• Ce processus vous semble-t-il modélisable par un processus ARMA
stationnaire?pourquoi?
• déviser la série en une partie “apprentissage” et en partie “test”
• On travaille désormais avec la série obtenue en appliquant la fonction diff à la série.
En observant les auto-corrélations empiriques et auto-corrélations partielles
empiriques, proposer des modèles AR(p), MA(q) ou ARMA(p,q) d’ordre faible pour
modéliser cette série.
• Estimer les paramétres du modèle sélectionné.
• Tester la blancheur des résidus
• Conclure pour choisir un modèle.
• Prédire les 12 valeurs suivantes de la série et comparer les résultats trouvés avec la
partie test.
• Si vous êtes satisfait de la qualité du modèle (AIC, significativité des coefficients,
MAPE,.. ), entrainer le modèle avec toute la série et prédire les 12 valeurs future de la
série.
• Utiliser la fonction [Link]() du package forecast pour entrainer le modèle et
comparer les résultats avec ceux trouvés précédemment.