Stationnarité et non-stationnarité

Modèles ARIMA en R

David Stoffer

Professor of Statistics at the University of Pittsburgh

Stationnarité

Une série chronologique est stationnaire quand elle est « stable », c'est‑à‑dire :

ch1_2.005.png

Étant donné des données $ \ x_1,...,x_n \ $, on peut estimer par moyennage

Par exemple, si la moyenne est constante, on peut l'estimer par la moyenne observée $\bar x$

Des paires servent à estimer la corrélation à différents retards :

$(x_1, x_2), (x_2, x_3), (x_3, x_4), ...$ pour le retard 1

$(x_1, x_3), (x_2, x_4), (x_3, x_5), ...$ pour le retard 2

Hypothèse raisonnable de stationnarité, mais légère tendance possible.

ch1_2.014.png

Pour estimer l'autocorrélation, calculez le coefficient de corrélation entre la série et elle‑même à divers retards.

Voici comment obtenir la corrélation aux retards 1 et 6.

ch1_2.018.png

Non stationnaire, mais les données différenciées sont stationnaires.

ch1_2.021.png

Stationnarité autour d'une tendance ; la différenciation fonctionne quand même !

ch1_2.024.png

D'abord le logarithme, puis la différenciation

ch1_2.027.png

Modèles ARIMA en R