Chapitre 2
TECHNIQUES DE SERIES TEMPORELLES : LA
METHODOLOGIE DE BOX ET JENKINS
2.1 Introduction

L’analyse des séries temporelles est une branche de l’économétrie qui n’a pas pour objectif principal d’expliquer. Sans être exhaustif, on peut citer les objectives suivants,
- la prévision
- La décomposition(estimation de tendance et de variations saisonnières)
- La détection et la modélisation des ruptures
- La modélisation court et long-teme (concept de cointégration).
Il existe plusieurs types de modèles stochastiques des séries temporelles(lissage exponentiel, moyennes mobiles, les modèles de tendance etc.). Dans ce chapitre nous traitons exclusivement des processus ARIMA et de la méthode de Box et Jenkins.
La méthode de Box-Jenkins réside dans la recherche des propriétés stochastiques d’une série dont on veut déterminer les valeurs futures. La méthode utilise une classe de modèles appelée ARIMA. Une hypothèse fondamentale de ce type d’approche est l’hypothèse de stationnarité(que l’on définira plus tard) qui stipule que les propriétés stochastiques de la série en question sont invariantes par rapport au temps.
Il est intéressant de comparer la méthode de Box-Jenkins avec la méthode de régression.
En analyse de régression, nous essayons de trouver les variables causales qui expliquent la série observée. L’hypothèse fondamentale ici est que la boite noire génératrice de y est approximée par une régression linéaire.

1

METHODE DE REGRESSION

Boite Noire
(Non-Observée)
mais
Approximée

Observée (Output)

Input

Matrice

des

Xβ+u
Y

Variables
Causales (X)

2

Méthode de Box-Jenkins

φ - 1(L) εt wt

at

3

(1-L)- d

yt

2.2 Les Processus Stationnaires

La plus part des données économiques (macroéconomiques, financières, microéconomiques où autres) viennent sous forme de séries temporelles(PIB, Consommation, Investissement,
Valeurs d’actions boursières, Taux de chômage, Indices des prix à la consommation, Trafic voyageur de l’ONCF, Vente de lait, etc.).
Définition