Ensae SE206

Corrig des travaux dirigs n 5 e e

Exercic

Corrig de lexercice 1 e

 Q1 (a) On suppose ici que le chier Donnees1.sd2 est enregistr dans le dossier W :\Sas. e Le programme commencera donc par LIBNAME Td SAS W :\Sas\ ; DATA table ; SET Td SAS.donnees1 ;

ensae.net
(b) Lachage graphique se fait au moyen de la PROC GPLOT de la faon suivante : c (c) Publi-information : Auto-corrlation e Directe (h) Partielle r(h) Inverse i (h) Ar(p) dcro exponentiele t lement vers 0 nulle ` partir de p + 1 a nulle ` partir de p + 1 a Ma(q) nulle ` partir de q + 1 a ( ?) dcro exponentiele t lement vers 0

a ` la suite de quoi les donnes contenues dans la table table enregistre dans le ch e e W :\Sas\donnees1.sd2 sont accessibles sous le nom table .

Deuxi`me anne e e 2005-2005

DATA table ; SET Td SAS.donnees1 ; time = N /* Permet de nommer explicitement laxe des abscisses */ ; PROC GLPOT ; PLOT XM * time /* Trace XM en fonction du temps */ ; SYMBOL I=JOIN ; RUN ;

Sries temporelles linaires e e Corrig des travaux dirigs n5 e e

On observe que la srie semble priodique, de priode 12. e e e On dnit en consquence la srie dsaisonnalise DeSaison au moyen de la foncti e e e e e retard LAG de la faon suivante : 1 c DATA table ; SET Td SAS.donnees1 ; DeSaison = XM - LAG12(XM) /* LAG[n](Y)(t) = Y(t-n) */ ;

Guillaume Lacote
vBureau

E03

B [email protected]
 http://ensae.no-ip.com/SE206/

Arma(p,q) dcro exponent e t lement vers 0 nulle ` partir de p a dcro exponent e t lement vers 0

Version du 20050121-11h02, rvise le 17 fvrier 2005 e e e

1 Un faon habituelle de dsaisonnaliser serait dtudier la srie moyenne sur une priode M 12 XM = ( + L + c e e e e e e ` e L11 )XM (voir TD 1, exercice 2 ) ; cependant sous rserve que lon parvienne a modliser DeSaison = ( L 12 )X sous forme Arma le mod`le nal en XM sera plus simple, et cest la dmarche retenue ici. Cependant le reste de ltu e e e pourrait porter sur M12 XM .

Version du 20050121-11h02, rvise le 17 fvrier 2005 e e e

Ensae SE206

Corrig des travaux dirigs n 5 e e

Exercice 1

Ensae SE206

Corrig des travaux dirigs n 5 e e

Exercic

PROC ARIMA ; IDENTIFY VAR=DeSaison NLAG=50 /* 0 <= h <= 50 */ ; RUN ;

DATA table ; SET Td SAS.donnees1 ; DeSaison = XM - LAG12(XM) /* LAG[n](Y)(t) = Y(t-n) */ ; DesInt = DeSaison - LAG(DeSaison) /* LAG = LAG1 */ ;

PROC ARIMA ; IDENTIFY VAR=DesInt NLAG=50 /* 0 <= h <= 50 */ ; RUN ;

ensae.net ensae.net
Les auto-corrlogrammes direct, partiel et inverse peuvent tre visualiss au moyen loption e e e IDENTIFY de la PROC ARIMA , de la faon suivante : c PROC ARIMA ; IDENTIFY VAR=DesInt ; ESTIMATE METHOD = ML PLOT P=3 Q=2 ; RUN ; Loption NLAG permet de spcier le nombre dauto-covariances (inverses) ` calculer. e a On observe que les auto-corrlations inverses tendent (exponentiellement) vers zro ; la e e srie DeSaison est donc apparamment stationnaire. Pour sen assurer, on dnit DesInt e e la srie de ses dirences premi`res de la faon suivante : e e e c que lon tudie ` nouveau : e a On observe que les auto-corrlations inverses ne dcroissent pas exponentiellement (mais e e plutt linairement) vers zro, ce qui sugg`re que la srie DesInt est sur-direncie, o e e e e e e ce qui corrobore la stationnarit de DeSaison envisage auparavant. e e On se propose donc destimer un mod`le Arma pour la srie DeSaison . On sait quune e e srie Y suivant un mod`le Arma(p,q) est telle que son auto-corrlation partielle est nulle e e e a ` partir de lordre p + 1 et son auto-corrlation directe est non-signicative ` partir de e a lodre q + 1. On recherche donc les premiers ordres au-del` desquels les auto-corrlations a e (respectivement partielles et directes) sont toujours en-dea du fractile ` 95% de la loi c` a normale (` savoir 1.96), ce qui conduit ` proposer pour la srie DeSaison des ordres 2 a a e d = 0, p = 3 et q = 2

Loption METHOD=ML slectionne la mthode destimation du maximum de vraisemblanc e e loption PLOT permet dobtenir les auto-corrlogrammes des rsidus estims, an e e e contrler la validit du mod`le. o e e Il faut en premier lieu sassurer que le mod`le estim est bien un Arma, ce qui revie e e a ` sassurer que le rsidu estim est compatible avec lhypoth`se de bruit blanc : S e e e pratique ` cet eet le test de Porte-Manteau dont le rsultat est indiqu dans la secti a e e Autocorrelation Check for White Noise . 3 Dans le cas prsent le test de Porte-Manteau conduit ` accepter lhypoth`se selon laquelle e a e rsidu est un bruit blanc, de sorte que la modlisation Arima(3,0,2) est statistiqueme e e lgitime. En outre, les tests individuels de nulliti des ccients du mod`le sont to e e e rejets au seuil 5%, de sorte que le mod`le estim est galement valide. e e e e (e) Sachant que le mod`le Arima(3,0,2) est valide, on cherche enn p 3 et q 2 tels q e le mod`le Arima(p,0,q) soit valide. Pour ce faire on estime successivement e un mod`le Ar : e On cherche ` modliser DeSaison par un mod`le Ar pur, dont on sait que lord a e e ventuel est au plus 3. On calcule donc e

PROC ARIMA ; IDENTIFY VAR=DesInt ; ESTIMATE METHOD = ML PLOT P=3 /* Implicitement, Q=0 */ ; RUN ;

Lhypoth`se selon laquelle les rsidus ainsi estims suivent un bruit blanc est accept e e e donc on peut lgitimement admettre que DeSaison suit un mod`le Ar dordre au p e e 3. Cependant le test individuel de nullit du ccient associ au troisi`me retard e e e rejet au seuil 5%. e On restime donc un mod`le Ar(2) : e e PROC ARIMA ; IDENTIFY VAR=DesInt ; ESTIMATE METHOD = ML PLOT P=2 ; RUN ;

(d) On cherche tout dabord ` estimer le mod`le le plus gnral Arima(3,0,2) pur pour Dea e e e Saison , au moyen de loption ESTIMATE de la PROC ARIMA :
Cette identication prliminaire ne sert qu` viter destimer ensuite un mod`le dont la plupart des ccients seront e ae e non-signicativement non-nuls. En toute rigueur, mieux vaudrait retenir les ordres plus conservatoires p = 7 et q = 7 quitte a sassurer ensuite par un test statistique que les ccients au-del` de 3, 2 sont non-signicativement non-nuls. ` a Par souci de simplicit on se place directement dans lhypoth`se ou ces tests auraient dj` t eectus. e e eaee e
2

dont le rsidu estim est toujours un bruit blanc (cest heureux !), mais dont le seco e e retard nest toujours pas signicativement non-nul.

3 La colonne Prob donne la pvalue associe : lhypoth`se que la variable est signicativement non-nulle est accep e e a 1 pvalue %. Par exemple une valeur de 0.023 indique que la variable est signicativement non-nulle ` 97%, tan ` a quune valeur de 0.452 laisse entendre que la variable nest pas signicative a 54%. `

Version du 20050121-11h02, rvise le 17 fvrier 2005 e e e

Version du 20050121-11h02, rvise le 17 fvrier 2005 e e e

Ensae SE206

Corrig des travaux dirigs n 5 e e

Exercice 1

PROC ARIMA ; IDENTIFY VAR=DesInt ; ESTIMATE METHOD = ML PLOT P=1 ; RUN ;

40 PROC ARIMA ; IDENTIFY VAR=DesInt ; ESTIMATE METHOD = ML PLOT Q=2 ; RUN ;

o` u  Q2  Q3

est un bruit blanc de variance 2

0, 233.

ensae.net
On estime donc nalement un mod`le Ar(1) : e ( L12 )(XM 0, 377) = ( 0, 286L + 0, 231L2 )
Version du 20050121-11h02, rvise le 17 fvrier 2005 e e e

qui est toujours valide et dont tous les ccients sont, cette fois, signicativement non-nuls. Ainsi la srie DeSaison peut lgitimement tre modlise par un mod`le Ar(1). e e e e e e un mod`le Ma : e On cherche ` modliser DeSaison par un mod`le Ma pur, dont on sait que lordre a e e ventuel est au plus 2. On calcule donc e

Lhypoth`se selon laquelle les rsidus ainsi estims suivent un bruit blanc est accepte, e e e e donc on peut lgitimement admettre que DeSaison suit un mod`le Ma dordre au plus e e 2 ; en outre tous les ccients sont signicativement non-nuls (au seuil 5%). Ainsi la srie DeSaison peut lgitimement tre modlise par un mod`le Ma(2). e e e e e e En dnitive, la srie DeSaison peut tre modlise par trois mod`les statistiquement e e e e e e valides, ` savoir Arima(3,0,2), Arima(1,0,0) et Arima(0,0,2). a Le crit`re de parcimonie, selon lequel un mod`le comprenant strictement moins de ce e cients est toujours prfrable, conduit nnanmoins ` rejeter le mod`le Arima(3,0,2) qui ee e a e est un sur-mod`le strict ` la fois du mod`le Ar(1) et du mod`le Ma(2). e a e e Pour arbitrer enn entre ces deux derniers mod`les, on peut recourir ` un crit`re informae a e tionnel, qui met en rapport la vraisemblance du mod`le estim et le nombre de param`tres e e e ncessaires pour lestimer. Le crit`re dAkaike ( AIC ) arbitre en loccurence en faveur du e e mod`le Ma(2), que lon rentiendra nalement. e (f) En conclusion, on peut raisonnablement proposer pour la srie dorigine le mod`le e e