Série temporelle

Une série temporelle est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps.



Catégories :

Économétrie - Statistiques

Page(s) en rapport avec ce sujet :

  • Gouriéroux, G. & Monfort, A. (1995) Séries temporelles et modèles dynamiques. Economica; Bourbonnais, R. & Terraza, M.. (1998) Analyse des séries temporelles en ... (source : cours.mido.dauphine)
  • Même si énormément d'autres modèles sont utiles pour décrire les séries temporelles, les modèles ARIMA se retrouvent fréquemment dans les séries à ... (source : techniques-ingenieur)
  • temporelles et modèles dynamiques, Économica. Georges BRESSON et Alain PIROTTE, 1995, Économétrie des séries temporelles. Théorie et applications, Puf.... (source : sceren)

Une série temporelle est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de valeurs peuvent être exprimées mathématiquement afin d'en analyser le comportement, le plus souvent pour comprendre son évolution passée et pour en prévoir le comportement futur. Une telle transposition mathématique utilise le plus fréquemment des concepts de probabilités et de statistique.

Utilisation

Les séries temporelles sont reconnues à tort comme étant une branche exclusive de l'économétrie. Cette dernière est une discipline qui est assez jeune tandis que les séries temporelles ont été utilisées bien avant, par exemple en astronomie (1906) et en météorologie (1968).

L'objet des séries temporelles est l'étude des variables au cours du temps. Même s'ils n'ont pas été à l'origine de cette discipline, ce sont les économètres qui ont assuré les grandes avancées qu'a connues cette discipline (énormément de «Prix Nobel» d'économie sont des économètres).

Parmi ses principaux objectifs figurent la détermination de tendances au sein de ces séries mais aussi la stabilité des valeurs (et de leur variation) au cours du temps.

C'est de la déception des prévisions issues des modèles structurels d'inspiration keynésienne qu'est née la théorie des séries temporelles telles qu'on la connait actuellement. Et sur ce point, c'est la publication de l'ouvrage de Box et Jenkins en 1970 qui a été décisive. En effet, dans l'ouvrage les deux auteurs développent le très populaire modèle ARMA (Auto Regressive Moving Average). Pour donner un exemple, pour prévoir le PIB français en 2020 par exemple, il ne s'agit plus d'utiliser un modèle structurel qui explique le PIB (exemple par l'intermédiaire de la consommation, de l'investissement, des dépenses publiques et du solde commercial etc. ) et de projeter ensuite les tendances passées. Mais avec le modèle ARMA, il s'agit de prévoir le PIB en 2020 en exploitant les propriétés statistiques du PIB (moyenne, variance etc. ) Ce modèle utilise fréquemment des valeurs retardées du PIB (d'où le terme Auto Regressive) et de chocs aléatoires qui sont généralement de moyenne nulle, de variance constante et non autocorrélés (bruit blanc) ; lorsque la variable qui représente ces chocs est retardée, on parle de moyenne mobile.

Le modèle ARMA est un cas spécifique d'un modèle bien plus général appelé ARIMA où le I sert à désigner Integrated en anglais ou Intégrée en français. En effet, le modèle ARMA ne sert à traiter que les séries dites stationnaires (des moments du premier ordre qui sont invariants au cours du temps). Les modèles ARIMA permettent de traiter les séries non stationnaires après avoir déterminé le niveau d'intégration (le nombre de fois qu'il faut différencier la série avant de la rendre stationnaire).

Bien que possédant d'excellentes qualités prévisionnelles, le modèle ARIMA ou ARMA souffre d'une lacune majeure : il est incapable de traiter simultanément plus d'une variable (série). A titre d'exemple, si les modèles structurels sont capables de répondre à une équation du genre quel est l'effet de la hausse des taux d'intérêt sur le PIB ? Un modèle ARIMA est incapable d'y répondre. Pour contourner ce problème, il faut pouvoir généraliser le modèle ARIMA dans le cas à plusieurs variables. C'est ce qu'à fait en partie Sims en proposant en 1980 le modèle Vector Auto Regressive (VAR) qui sert à traiter concomitamment plusieurs variables. Mais, contrairement au modèle structurel à plusieurs variables, dans les modèles VAR, l'ensemble des variables sont endogènes. Cette manière de modéliser en faisant abstraction d'une théorie économique a donné naissance à ce qu'on a nommé l'Econométrie sans théorie.

Ces modèles (ARIMA et VAR) ne permettent de traiter que des phénomènes qui sont linéaires ou approximativement (par exemple le PIB) mais ne permettent pas de "capturer" les propriétés des phénomènes qui sont non linéaires (les variables financières par exemple, inflation, cours d'action etc. ). Pour prendre en compte à fois la non linéarité et la forte variabilité de ces variables, l'économètre anglais Engel R. qui a été le premier à développer le modèle dit ARCH (Auto Regressive Conditional Heteroscedasticity) en 1982.

Références

Recherche sur Amazon (livres) :



Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/S%C3%A9rie_temporelle.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu