Télécharger la présentation
1
La Méthodologie de Box-Jenkins
Michel Tenenhaus
2
1. Les données Une série chronologique assez longue (n 50).
Exemple : Ventes d’anti-inflammatoires en France de janvier 1978 à juillet 1982. Objectif : Prévoir les ventes d’août à décembre 1982.
3
Marché total des anti- inflammatoires
4
Marché total des anti-inflammatoires
5
2. Stabiliser la série Il faut TRANSFORMER la série observée de manière à - enlever la tendance, - enlever la saisonnalité, - stabiliser la variance.
6
Pour enlever la tendance
Faire des différences régulières d’ordre d : d = 1 d = 2 Différence régulière d’ordre d : Dans la pratique d = 0,1, rarement 2
7
Marché total des anti-inflammatoires :
Différence régulière d’ordre d = 1
8
Pour enlever la saisonnalité
Ordre de la saisonnalité : s = 12 (mois) ou 4 (trimestre) Faire des différences saisonnières d’ordre D : D = 1 D = 2 Différence saisonnière d’ordre D : Dans la pratique D = 0,1, très très rarement 2
9
Marché total des anti-inflammatoires :
Différence saisonnière (s = 12) d’ordre D = 1
10
Pour enlever tendance et saisonnalité
Formule générale : On peut choisir d et D minimisant l’écart-type de wt. Application Marché total : s = 12, d = 1, D = 1
11
Marché total des anti-inflammatoires :
Différence régulière/saisonnière (s = 12, d = 1, D = 1)
12
Calcul des séries différenciées
13
Calcul des écarts-types
s = 12, d = 1, D = 1
14
Développement de zt De On déduit
valeur 1 an avant évaluation de la tendance terme aléatoire On va modéliser la série « stationnaire » wt.
15
Pour stabiliser la variance
On utilise souvent les transformations
16
3. Le modèle statistique On suppose que la série stabilisée (w1,…,wN)
provient d’un processus stationnaire (wt) : Indépendant de la période t Dans des conditions assez générales tout processus stationnaire peut être approché par des modèles AR(p), MA(q) ou ARMA(p,q).
17
AR(p) : Auto-régressif d’ordre p
où at est un bruit blanc : Remarque :
18
MA(q) : Moyenne Mobile d’ordre q
Remarque :
19
ARMA(p,q) Remarque :
20
Question Réponse Comment choisir le modèle
correspondant le mieux aux données étudiées ? Réponse On utilise les autocorrélations k et les autocorrélations partielles kk.
21
4. Autocorrélation
22
Exemple : Marché Total Différence régulière/saisonnière : d = 1, D = 1
Autocorrélations calculées
23
Exemple : Marché Total Différence régulière/saisonnière : d = 1, D = 1
Corrélogramme observé Formule de Bartlett
24
Variance des autocorrélations rk
Formule de Bartlett (Hypothèse : h = 0 pour h k) Formule de Box-Jenkins pour un bruit blanc (Hypothèse : h = 0 pour h 1)
25
Test : H0 : k = 0 On rejette H0 : k = 0 au risque = 0.05 si
Application Marché total : Corrélogramme théorique k 1 k 1 = 0, k = 0 pour k > 1
26
5. Autocorrélation partielle
Régression de wt sur wt-1,…,wt-k : Autocorrélation partielle d’ordre k : C’est une corrélation partielle :
27
Calcul pratique de estimation de kk
Soit : Etc… On obtient les estimations des kk en remplaçant les k par rk.
28
Exemple : Marché Total Différence régulière/saisonnière : d = 1, D = 1
Autocorrélations partielles calculées Rejet de H0 : kk = 0 si:
29
Corrélogramme partiel observé
partiel théorique kk 1 2 14 k
30
6. Autocorrélations et autocorrélations partielles des modèles AR(p) et MA(q)
(b) : AR(1)
31
AR(2) Le dernier pic significatif du corrélogramme partiel donne
(b) : Le dernier pic significatif du corrélogramme partiel donne l’ordre p du modèle AR(p).
32
MA(1) (a) : (b) :
33
MA(q) (a) : q = 2 (b) : q = 5 (c) : q = 6 Le dernier pic significatif du corrélogramme donne l’ordre q du modèle MA(q).
34
7. Étude de la série Marché Total
Les autocorrélations suggèrent un modèle MA(1). Les autocorrélations partielles suggèrent un modèle AR(14).
35
7.1 Étude de la voie moyenne mobile
On suppose que wt suit un modèle MA(1) : et on a = E(wt) = . On choisit les paramètres , et 2 à l’aide de la méthode du maximum de vraisemblance.
36
Maximum de vraisemblance
On suppose que le vecteur aléatoire w = (w1,…,wN) suit une loi multinormale. Densité de probabilité de w : On recherche maximisant la vraisemblance
37
Qualité de l’ajustement dans ARIMA
où r est le nombre de paramètres (hors 2). On recherche le modèle minimisant SBC.
38
Modèle MA(1) avec constante
39
Modèle MA(1) sans constante
40
Modélisation de zt De On déduit marché 1 an avant évaluation
de la tendance choc aléatoire en t en t-1
41
Calcul des prévisions et des erreurs
Modèle : Prévision de zt réalisée en t-1 : Erreur de prévision à l’horizon 1 : Calcul pratique des prévisions et des erreurs sur l’historique:
42
Résultats
43
Résultats (suite)
44
Résultats (fin) Vérifier les calculs pour
45
Graphique des ventes observées et prédites
46
Graphique des résidus
47
Qualité de l’ajustement dans Time Series Modeler
48
Validation du modèle Étude des
49
Validation du modèle Corrélogramme des Formule de Box-Jenkins
théorique des erreurs bt k(bt) 12 k
50
Validation du modèle : Utilisation de
la statistique de Ljung-Box La statistique de Ljung-Box suit une loi du khi-deux à m-r ddl lorsque les résidus forment un bruit blanc. On accepte le modèle étudié si les niveaux de signification sont > .05 pour différentes valeurs de m.
51
Utilisation du modèle estimé en prévision
Prévision de z55+h réalisée en t = 55 : h = 1 h = 2 Et ainsi de suite…
52
Application
53
Intervalle de prévision à 95% de z55+h
Chaque modèle a sa propre formule de construction de l’intervalle de prévision. Modèle MA(1) :
55
Amélioration du modèle MA(1)
est significatif. On suppose maintenant le modèle De on déduit :
56
Demande SPSS
57
Résultats
58
7.2 Étude de la voie autorégressive
On suppose que wt suit un modèle AR(14) : est appelé Constant dans SPSS et on a = (1 - 1 -…- 14). On choisit les paramètres , 1,…,14 et 2 à l’aide de la méthode du maximum de vraisemblance.
59
Résultats
60
Modèle AR : p = (1,2,12,13,14) avec cste
Demande SPSS
61
Résultats
62
Modèle AR : p = (1,2,12,13,14) sans cste
Demande SPSS
63
Résultats
64
Modèle AR : p = 2, P = 1 avec cste
Demande SPSS
65
Résultats
66
Modèle AR : p = 2, P = 1 sans cste
Demande SPSS
67
Résultats
68
Résultats
69
Résultats avec Time Series Modeler
70
Résultats avec Time Series Modeler
71
7.3 Étude de la voie AR/MA Modèle avec constante
72
Résultats
73
7.3 Étude de la voie AR/MA Modèle sans constante
74
Résultats
75
Résultats
76
Résultats (avec Time Series Modeler)
77
Résultats (avec Time Series Modeler)
78
8. Le modèle multiplicatif usuel ARIMA(p,d,q)*(P,D,Q)s
bruit blanc wt où : Tous ces polynômes doivent être inversibles.
79
9. Prévision Le modèle général peut s’écrire :
80
Prévision à l’horizon h
Modèle Prévision avec :
81
10. Calcul de l’intervalle de prévision
on déduit (formellement) :
82
Prévision de zt+h à l’instant t
On a Futur Passé D’où la prévision de zt+h à l’instant t
83
Erreur de prévision à l’horizon h
D’où :
84
Intervalle de prévision à 95% de zt+h réalisé à l’instant t
85
Exemple « Marché Total »
Modèle : On déduit : Remarque :
86
Marché Total : Intervalle de prévision à l’horizon h 12
87
11. Le modèle général de TS Modeler Le modèle à fonction de transfert
Nt = « Noise »
88
Application à la série IPI
Indice de la Production Industrielle de la France ( )
89
Visualisation de la série IPI
Cette série présente une tendance et une saisonnalité
90
Visualisation de la saisonnalité
91
Visualisation de la tendance
Tendance Zt Moyenne mobile centrée d’ordre 4 :
93
Modèle avec intervention
Effet mai 68 Nt = « Noise » = Série corrigée stationnarisée Étapes Construction de la série « Noise » Modélisation de la série « Noise » Estimation du modèle complet
94
Etape 1 : Construction de la série « Noise »
95
Étape 2 : Modélisation de la série « Noise »
Noise suit un AR(8)
96
Modélisation de la série « Noise »
Noise ~ ARIMA(8,1,0)*(0,1,0)4
97
Modélisation de la série « Noise »
Noise ~ ARIMA(0,1,0)*(2,1,0)4 sans constante
98
Étape 3 : estimation du modèle complet
99
Étape 3 : estimation du modèle complet sans constante
100
Utilisation de Time Series Modeler
Fenêtre 1
101
Utilisation de Time Series Modeler
Fenêtre 2
102
Utilisation de Time Series Modeler
Fenêtre 3
103
Utilisation de Time Series Modeler pour la prévision
104
Utilisation de Time Series Modeler pour la prévision La syntaxe SPSS
PREDICT THRU END. * Time Series Modeler. TSMODEL /MODELSUMMARY PRINT=[ MODELFIT] /MODELSTATISTICS DISPLAY=YES MODELFIT=[ SRSQUARE] /MODELDETAILS PRINT=[ PARAMETERS FORECASTS] /SERIESPLOT OBSERVED FORECAST FIT FORECASTCI /OUTPUTFILTER DISPLAY=ALLMODELS /SAVE NRESIDUAL(NResidual) /AUXILIARY CILEVEL=95 MAXACFLAGS=24 /MISSING USERMISSING=EXCLUDE /MODEL DEPENDENT=ipi INDEPENDENT=i22 PREFIX='Model' /ARIMA AR=[0] DIFF=1 MA=[0] ARSEASONAL=[1,2] DIFFSEASONAL=1 MASEASONAL=[0] TRANSFORM=NONE CONSTANT=NO /TRANSFERFUNCTION VARIABLES=i22 DIFF=1 /AUTOOUTLIER DETECT=OFF.
105
Utilisation de Expert Modeler
106
Utilisation de Expert Modeler
Réponse :
107
Utilisation de Expert Modeler
108
Utilisation de Expert Modeler
109
Utilisation de Expert Modeler pour « All models »
Réponse :
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.