V- UN EXEMPLE DE CHOIX DE FILTRE

L’exemple que nous allons considérer est celui du filtrage par ARMA(p,q) du taux d’épargne au Royaume-Uni
sur la période trim1-1970 à trim3-1996. Le graphe de la série est donné ci-dessous. Précisons que nous limitons
nos choix de filtres à la seule famille ARMA, on suppose en particulier a priori que la série est stationnaire.

15.0

12.5

10.0

7.5

5.0
1970 1973 1976 1979 1982 1985 1988 1991 1994

V-A : SELON LA PROCEDURE BOX-JENKINS

On commence par examiner les autocorrélations totales et partielles. Les résultats obtenus sont les suivants :

Correlations of Series TSUK

Quarterly Data From 1970:01 To 1996:03

Autocorrelations

1: 0.7649983 0.7593010 0.6342485 0.6200365 0.5076234 0.4224772

7: 0.3200295 0.2620822 0.1569958 0.1239963 0.0727961 -0.0020567

13: -0.0297779 -0.0957884 -0.0777596 -0.1186588 -0.0920525 -0.1392406

19: -0.1487188 -0.1579870 -0.1512861 -0.1678854 -0.1703590 -0.1986762

Partial Autocorrelations

1: 0.7649983 0.4196914 -0.0699260 0.0914825 -0.0994466 -0.1682851

7: -0.0922209 0.0011068 -0.1072940 0.0622966 0.0863256 -0.1528400

13: 0.0306164 -0.0669894 0.0527897 0.0140560 0.0794814 -0.0951776

19: -0.1148520 0.0345238 -0.0480078 -0.0271684 0.0090644 -0.0644698

Les graphes de ces fonctions ainsi que l’indication des bornes ±2 / T = ±2 / 107 = ±0.19335 sont
donnés ci-après. On peut identifier une décroissance assez régulière sur les autocorrélations et ce qui ressemble à
une rupture après l’ordre deux sur les autocorrélations partielles. En d’autres termes, on retiendrait un processus
AR(2).
 Autocorrélations Autocorrélations Partielles
1.00 1.00 1.00 1.00

0.75 0.75 0.75 0.75

0.50 0.50 0.50 0.50

0.25 0.25 0.25 0.25

0.00 0.00 0.00 0.00

-0.25 -0.25 -0.25 -0.25

-0.50 -0.50 -0.50 -0.50

-0.75 -0.75 -0.75 -0.75

-1.00 -1.00 -1.00 -1.00

0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16 18 20 22

L’estimation de ce processus sous RATS 4.31 à l’aide de la commande Boxjenk donne les résultats suivants :

Dependent Variable TSUK - Estimation by Box-Jenkins

Iterations Taken 3
Quarterly Data From 1970:03 To 1996:03
Usable Observations 105 Degrees of Freedom 102
Centered R**2 0.673270 R Bar **2 0.666864
Uncentered R**2 0.987506 T x R**2 103.688
Mean of Dependent Variable 10.149761905
Std Error of Dependent Variable 2.033524600
Standard Error of Estimate 1.173708634
Sum of Squared Residuals 140.51437968
Durbin-Watson Statistic 1.934757
Q(26-2) 15.632922
Significance Level of Q 0.90086777

Variable Coeff Std Error T-Stat Signif

*******************************************************************************
1. CONSTANT 10.339553779 0.903985723 11.43774 0.00000000
2. AR{1} 0.457018687 0.088924725 5.13939 0.00000133
3. AR{2} 0.415404797 0.088611535 4.68793 0.00000857

Les deux coefficients de la partie autorégressive sont significatifs. Précisons que la normalisation des écritures
sous RATS conduit à l’estimation non pas du terme constant du processus mais à celle de l’espérance de la série.
Ainsi, dans le cas présent, cette moyenne estimée est de 10.340. Sous une forme plus habituelle , nous écririons :
tsukt = 0.457tsukt −1 + 0.415tsukt − 2 + 1.319 + ut , avec 1.319 = (1−.457−.415) × 10.340
Les racines du polynôme caractéristique de ce processus sont z1 = -2.19626 et z2 = 1.09609 . La stationarité
stricte exige qu’elles soient de module supérieur à l’unité. Cela est vérifié sur ces estimations et compte-tenu de
la logique admise a priori ici, même si la valeur de la seconde indique qu’une étude plus fine du problème
mériterait d’être effectuée, nous admettrons la conformité du modèle à l’exigence de stationarité.
Les matrices estimées de variance-covariance (sur et au-dessous de la diagonale principale) et de corrélation (au-
dessus de la diagonale principale) des estimateurs sont :

Covariance\Correlation Matrix of Coefficients

CONSTANT AR{1} AR{2}
CONSTANT 0.81719018730 0.0157863226 0.0614519063
AR{1} 0.00126901009 0.00790760671 -0.7701957507
AR{2} 0.00492251660 -0.00606895486 0.00785200408
On notera une corrélation relativement élevée entre les deux coefficients autorégressifs, ce qui résulte
naturellement des autocorrélations fortes observées précédemment entre tsukt et tsukt −1 , et traduit un problème

de colinéarité.
La statistique de Box-Ljung ne détecte pas d’autocorrélation dans la série résiduelle. De même, les tests de
Lagrange réalisés à partir des régressions du type :
p
ut = β 0 + β 1tsukt −1 + β 2 tsukt − 2 + ∑ α i ut − i + vt
i =1
sur H 0:α 1 =" = α p = 0 au moyen de la statistique TR2 mènent à :
Chi-Squared(p=2)= 1.759192 with Significance Level 0.41495060
Chi-Squared(p=4)= 5.042969 with Significance Level 0.28291691

et ne détectent également pas de problème, ce que confirme aussi les représentations des autocorrélations
partielles et totales sur la série résiduelle :
Autocorrélations Autocorrélations Partielles
1.00 1.00 1.00 1.00

0.75 0.75 0.75 0.75

0.50 0.50 0.50 0.50

0.25 0.25 0.25 0.25

0.00 0.00 0.00 0.00

-0.25 -0.25 -0.25 -0.25

-0.50 -0.50 -0.50 -0.50

-0.75 -0.75 -0.75 -0.75

-1.00 -1.00 -1.00 -1.00

0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16 18 20 22

Nous avons également réalisé des tests d’absence d’effets ARCH de la forme TR2 sur
p
ut2 = α 0 + ∑ α i ut2− i + vt
i =1

et on obtient pour p valant respectivement 2 et 4 :

Chi-Squared(p=2)= 0.318911 with Significance Level 0.85260804
Chi-Squared(p=4)= 3.733805 with Significance Level 0.44322828

Les résidus seraient donc exempts de tels effets. La variance résiduelle paraît toutefois être plus faible sur la fin
2
de la période d’observation comme on peut le voir sur le graphe de la série ut ci-dessous.

Si on coupe l’échantillon en deux parties égales et que l’on teste l’égalité des deux variances (variance supposée
constante au sein de chaque sous-échantillon), on obtient :
F(52,53)= 2.82341 with Significance Level 0.00012129

1 2

1 0

0
1 9 71 0 9 71 3 9 71 6 9 71 9 9 81 2 9 81 5 9 81 8 9 91 1 9 9 4

Graphe des résidus au carré

Dans cet exemple nous avons décidé d’ignorer cette complication. En fait, un traitement plus complet de la série
tsuk imposerait aussi que l’on revienne, ainsi que déjà signalé auparavant, sur l’hypothèse de stationnarité, or
on se limite pour l’instant à une recherche au sein de la seule classe ARMA(p,q).
On peut encore estimer des processus surdimensionnés par rapport au processus de base, soit respectivement un
AR(3) et un ARMA(2,1). Les résultats sont les suivants :

- Processus AR(3)
Variable Coeff Std Error T-Stat Signif
*******************************************************************************
1. CONSTANT 10.31638586 0.84748617 12.17293 0.00000000
2. AR{1} 0.48947836 0.09972672 4.90820 0.00000358
3. AR{2} 0.44367552 0.10049407 4.41494 0.00002559
4. AR{3} -0.07080929 0.09848797 -0.71896 0.47383991

Covariance\Correlation Matrix of Coefficients

CONSTANT AR{1} AR{2} AR{3}

CONSTANT 0.71823280977 -0.0023157218 0.0118056671 0.0574722787
AR{1} -0.00019571790 0.00994541967 -0.4535208556 -0.4205412195
AR{2} 0.00100545724 -0.00454516099 0.01009905881 -0.4311250536
AR{3} 0.00479704971 -0.00413050648 -0.00426704177 0.00969988004

Le symptôme de multicolinéarité s’estompe mais le coefficient relatif à tsukt − 3 est non significatif, ce qui nous

ramène à l’AR(2).

- Processus ARMA(2,1)
Variable Coeff Std Error T-Stat Signif
*******************************************************************************
1. CONSTANT 10.321251449 0.814517608 12.67161 0.00000000
2. AR{1} 0.238050005 0.168270259 1.41469 0.16023543
3. AR{2} 0.581747791 0.131677848 4.41796 0.00002509
4. MA{1} 0.277087052 0.204714259 1.35353 0.17890754

Covariance\Correlation Matrix of Coefficients

CONSTANT AR{1} AR{2} MA{1}

CONSTANT 0.66343893336 0.0286371409 0.0277211916 -0.0157141213
AR{1} 0.00392498045 0.02831488018 -0.8597208704 -0.8803572189
AR{2} 0.00297320662 -0.01904923560 0.01733905557 0.7988638999
MA{1} -0.00262022552 -0.03032594813 0.02153444134 0.04190792790

Ici, seul le coefficient de tsukt − 2 reste significatif (en dehors du terme constant), en particulier le premier

coefficient autorégressif et le coefficient de la moyenne mobile ne le sont individuellement plus et dans le même
temps on observe une augmentation des corrélations entre les estimateurs par rapport à celle révélée dans le
modèle de référence. L’exacerbation du problème de colinéarité conduit à ne pas privilégier ce dernier processus
relativement à l’AR(2) initial.
Pour finir, nous avons essayé d’apprécier la qualité du processus AR(2) dans une utilisation en prévision. Pour
cela on calcule la statistique U de Theil sur la base de prédicteurs construits pour des horizons de 1,2,3 et 4
trimestres, le modèle étant réestimé pour chaque sous-échantillon [1970 :I, date_fin] et date_fin allant de 1992 :4
à 1996 :2 par pas de un trimestre. On dispose donc d’échantillons constitués d’erreurs de prévisions pour chacun
des quatre horizons considérés de tailles respectives 15, 14, 13 et 12 points. Les résultats sont :

Forecast Statistics for Series TSUK

Step Mean Error Mean Abs Error RMS Error Theil U [Link]

1 0.091560950 0.501551760 0.684074779 0.9235263 15

2 0.123559820 0.646391850 0.792985615 0.8787734 14

3 0.181995700 0.777786437 0.895480834 0.9194888 13

4 0.337840214 0.876109595 1.044521016 0.9389546 12

Sans être extraordinaires, les valeurs obtenues montrent que le processus AR(2) retenu fait mieux qu’une marche
au hasard, ce qui n’est jamais acquis d’avance.

V-B : RECOURS AUX CRITERES DE SELECTION

Nous utilisons les deux critères les plus populaires : AIC d’Akaike d’une part et BIC de Schwarz d’autre part,
avec :
AICi = 2 × li + 2 ki = n × log( RSSi ) + 2 ki à une constante près
BICi = 2 × li + ki × log(n) = n × log( RSSi ) + ki × log(n) à une constante près
et :
li =log-vraisemblance du modèle i,
ki = nombre de paramètres à estimer au sein du modèle i,
RSSi = somme des carrés des résidus du modèle i
n = nombre d’observations utilisé dans les estimations des différents modèles, invariant avec i.
Dans ce qui suit nous avons recherché le modèle ARMA(p,q) optimal, avec p × q ∈{0,1,2,3,4} × {0,1,2,3,4}.
Les estimations ont toutes été effectuées sur la période 1971/1 –1996/3 , soit n = 103 .
Les résultats sont présentés dans les deux tableaux ci-après. On sait que le critère AIC conduit en moyenne à une
surestimation des ordres vrais, ce qui n’est pas le cas (asymptotiquement) pour le critère BIC. Dans le cas
présent on peut voir que les deux techniques retiennent le même processus, à savoir un AR(2), confirmant ainsi
le choix effectué selon la méthode de Box-Jenkins.
On remarquera aussi la non convergence de l’algorithme pour les processus les plus complexes à estimer (à la
fois les moins parcimonieux et surtout possédant un nombre relativement élevé de paramètres MA), ce qui
souligne la nécessité, pour de tels filtres, de disposer d’un nombre d’observations conséquent.
AICi q

0 1 2 3 4

0 625.99150 586.91395 548.45049 546.50278 537.83741

1 532.54283 519.57510 518.30713 519.96300 515.02551

p 2 514.90660 516.34980 517.94329 519.81439 516.81946

3 516.19943 515.78867 517.77232 516.55377 516.75292

4 516.80447 518.79060 Non convergence

BICi q

0 1 2 3 4

0 628.62623 592.18340 556.35467 557.04169 551.01105

1 537.81229 527.47929 528.84605 533.13664 530.83388

p 2 522.81079 526.88871 531.11694 535.62276 535.62276

3 526.73834 528.96231 533.58070 534.99687 537.83076

4 529.97812 534.59898 Non convergence