Aller au contenu principal
📈 L3 • Data / Économétrie avancée Disponible

Modéliser la dépendance temporelle pour prévoir sans fuite du futur

ARIMA, VAR, GARCH, cointégration (Engle-Granger, Johansen), prévision, racines unitaires et tests de stationnarité.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L3
🤖 Auto Disponible

QCM series-temporelles L3 - Séries temporelles : stationnarité et prévision

QCM de 20 questions avec corrections détaillées sur Séries temporelles : stationnarité et prévision (series-temporelles). Révisez efficacement avec des explications pédagogiques pour le niveau L3.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Séries temporelles

Les Séries temporelles couvrent l'analyse et la prévision des données chronologiques : tests de stationnarité (ADF, KPSS), modèles ARIMA et VAR, cointégration (Engle-Granger, Johansen), VECM et modèles GARCH de volatilité.

Objectifs pédagogiques

Maîtriser la modélisation des séries temporelles économiques et financières : étudier la stationnarité, estimer des modèles ARIMA, tester la cointégration et modéliser la volatilité, afin de décrire la dynamique et de produire des prévisions fiables.

Auteurs de référence en Séries temporelles

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

George Box Clive Granger Robert Engle Valérie Mignon

Notions et périmètre de Séries temporelles en Licence 3

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Composantes d'une série : tendance, saisonnalité, cycle
Stationnarité et tests de racine unitaire (Dickey-Fuller)
Processus AR, MA, ARMA et ARIMA (Box-Jenkins)
Fonctions d'autocorrélation (ACF, PACF)
Cointégration et modèle à correction d'erreur (VECM)
Modèles VAR et causalité de Granger
Hétéroscédasticité conditionnelle : ARCH / GARCH

Compétences visées en Séries temporelles

  • Distinguer tendance, saisonnalité et stationnarité.
  • Calculer une prévision autorégressive et son incertitude.
  • Identifier le rôle des modèles ARIMA, VAR et GARCH.
  • Mettre en place une validation à origine glissante.

Le temps organise les observations et l’information

Une série temporelle ordonne les observations selon une fréquence : jour, mois, trimestre ou année. Cette structure implique que les mesures proches peuvent être dépendantes et que l’information disponible change avec la date. Avant toute estimation, distinguer stock et flux : un encours de dette mesuré en fin de mois ne s’additionne pas comme des dépenses mensuelles. Vérifier aussi ruptures de définition, jours ouvrables, révisions et périodes absentes. Une donnée publiée avec retard n’était pas disponible au moment d’une prévision historique, même si elle figure aujourd’hui dans le fichier.

La tendance décrit une évolution persistante, la saisonnalité une régularité liée au calendrier et le cycle une fluctuation dont la durée n’est pas nécessairement fixe. Une décomposition additive suppose que les amplitudes s’additionnent ; une décomposition multiplicative convient parfois lorsque les fluctuations augmentent avec le niveau. Le logarithme transforme alors des rapports en différences, mais exige des valeurs positives. Le choix d’une correction saisonnière doit être documenté : une série corrigée n’est pas une mesure brute et peut être révisée lorsque de nouvelles observations arrivent.

Stationnarité et racines unitaires

La stationnarité faible suppose une moyenne constante, une variance finie constante et des covariances dépendant seulement du retard entre dates. Elle ne signifie pas absence de dépendance. Un processus peut fluctuer fortement tout en respectant ces conditions. Une marche aléatoire, au contraire, cumule des innovations : sa variance augmente avec le temps. Une série à tendance déterministe peut devenir stationnaire après retrait de cette tendance, tandis qu’une série à racine unitaire demande souvent une différenciation. Confondre ces mécanismes modifie les prévisions et leurs intervalles.

La différence première est Δy_t = y_t − y_{t−1} ; elle garde l’unité de y mais mesure une variation par période. Une différence de logarithmes approche un taux de croissance pour de petites variations. Le test de Dickey-Fuller augmenté porte une hypothèse nulle de racine unitaire, avec une spécification incluant éventuellement constante et tendance. Ses valeurs critiques ne sont pas celles d’un test de Student ordinaire. Ne pas rejeter la racine unitaire ne la prouve pas : faible puissance, retards mal choisis et ruptures peuvent compliquer l’interprétation.

AR, MA et ARIMA : expliquer la dépendance

Un modèle autorégressif explique la série par ses valeurs passées ; un modèle à moyenne mobile utilise les innovations présentes et retardées. Le mot moyenne mobile désigne ici une structure probabiliste, pas simplement une moyenne glissante descriptive. Un ARMA combine ces mécanismes sur une série stationnaire. Un ARIMA ajoute un ordre de différenciation d : les paramètres p, d et q résument respectivement retards autorégressifs, différenciations et retards des innovations. Des composantes saisonnières peuvent compléter cette structure lorsque la périodicité le justifie.

Les fonctions d’autocorrélation et d’autocorrélation partielle aident à proposer des ordres, mais les coupures théoriques sont rarement nettes dans un petit échantillon. On confronte plusieurs spécifications parcimonieuses aux diagnostics résiduels et à la prévision hors échantillon. Des résidus non autocorrélés indiquent que certaines dépendances linéaires ont été absorbées ; ils ne garantissent ni normalité ni variance constante. Surdifférencier peut introduire une dépendance artificielle et augmenter la variance des prévisions. Un modèle plus complexe n’est donc pas automatiquement plus fidèle à la dynamique économique.

Interactions, long terme et volatilité

Un VAR modélise plusieurs séries à partir de leurs retards communs. La causalité de Granger examine si le passé d’une variable améliore la prévision d’une autre conditionnellement aux informations retenues ; ce n’est pas une preuve de causalité structurelle. Des séries non stationnaires peuvent être cointégrées lorsqu’une combinaison linéaire est stationnaire. Un modèle à correction d’erreur relie alors variations de court terme et écart à une relation de long terme. Différencier toutes les variables sans examiner cette possibilité peut perdre une information économique importante.

Pour des rendements financiers, la moyenne peut être peu prévisible alors que la variance conditionnelle varie. Dans un GARCH(1,1), cette variance combine une constante, le carré de l’innovation précédente et la variance précédente. Les paramètres doivent respecter des contraintes de positivité ; une variance inconditionnelle finie exige, dans le cadre standard, que la somme des deux coefficients dynamiques soit inférieure à un. Les périodes de forte volatilité peuvent ainsi se regrouper. Un intervalle de prévision à variance fixe risque de sous-estimer l’incertitude pendant ces épisodes.

Exemple calculé : prévisions d’un processus AR(1)

Considérons un indice fictif $y_t=10+0,8y_{t-1}+\varepsilon_t$, avec des innovations indépendantes de moyenne nulle et de variance 4 points d’indice au carré. Les paramètres sont supposés connus pour isoler le calcul. Comme la valeur absolue du coefficient autorégressif est inférieure à un, la moyenne stationnaire vaut 10/(1 − 0,8) = 50 points. Si la dernière observation vaut 60, la prévision à une période est 10 + 0,8 × 60 = 58.

À deux périodes, on remplace la valeur future inconnue par sa prévision : 10 + 0,8 × 58 = 56,4 points. Plus généralement, la prévision à horizon h est 50 + 0,8 puissance h multiplié par 10 ; elle revient progressivement vers 50. L’erreur à deux périodes vaut 0,8 fois la prochaine innovation plus l’innovation suivante. Sous indépendance, sa variance est 4 × (1 + 0,8²) = 6,56 et son écart-type vaut environ 2,56 points.

Avec des innovations normales, un intervalle prédictif à 95 % est approximativement 56,4 ± 1,96 × 2,56, soit de 51,38 à 61,42 points. Cet intervalle ignore ici l’incertitude sur les paramètres et suppose que la dynamique reste stable. Il serait trop étroit si une rupture économique modifiait le mécanisme. Le calcul montre aussi pourquoi l’incertitude augmente avec l’horizon : des innovations supplémentaires, encore inconnues, entrent dans l’erreur de prévision.

Méthode : reproduire une vraie situation de prévision

Définir d’abord l’horizon utile et la date à laquelle la prévision doit être produite. Construire ensuite une validation chronologique : estimer sur les premières dates, prévoir les suivantes, avancer l’origine puis recommencer. Toutes les transformations apprises, y compris standardisation et sélection de variables, doivent être ajustées seulement avec le passé accessible. Comparer le modèle à une prévision naïve, ou naïve saisonnière, fournit un repère indispensable ; battre une moyenne globale est parfois trop facile pour être économiquement convaincant.

Choisir une métrique cohérente avec la décision : erreur absolue moyenne dans l’unité d’origine, erreur quadratique davantage sensible aux grands écarts ou mesure adaptée aux probabilités. Les erreurs en pourcentage deviennent problématiques avec des zéros ou des valeurs proches de zéro. Examiner séparément les horizons et les périodes de crise. Enfin, archiver la version des données utilisée pour chaque origine lorsque les séries sont révisées. Une validation fondée sur des données définitives peut surestimer les performances qu’un prévisionniste aurait réellement obtenues.

Questions de cours

Une série stationnaire est-elle imprévisible ?

Non. Elle peut avoir une forte dépendance temporelle. La stationnarité contraint la stabilité de certaines propriétés, pas l’absence de structure prédictive.

Faut-il toujours différencier une série qui monte ?

Non. Une tendance déterministe, une racine unitaire ou une rupture appellent des traitements différents. Le graphique, le contexte et les tests doivent être examinés ensemble.

La causalité de Granger établit-elle un mécanisme causal ?

Elle mesure un gain prédictif conditionnel aux variables et retards retenus. Des facteurs omis ou une causalité commune peuvent expliquer ce gain.

Pourquoi éviter un partage aléatoire des dates ?

Il peut laisser le futur influencer l’estimation du passé et ne reproduit pas les conditions d’une prévision réelle. Une validation chronologique est normalement préférable.

Fiches pour approfondir Séries temporelles

Bibliographie recommandée en Séries temporelles

Ouvrages de référence utilisés dans les universités françaises pour Licence 3

Économétrie des séries temporelles macroéconomiques et financières

• Economica •

ISBN : 978-2717844382

Time Series Analysis

• Princeton University Press •

ISBN : 978-0691042893

Analyse des séries temporelles

• Dunod •

ISBN : 978-2100747894

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Séries temporelles efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.