Calcul d’une fonction d’autocovariance d’un MA
Calculez instantanément la fonction d’autocovariance théorique d’un processus moyenne mobile MA(q), visualisez les retards non nuls et interprétez la structure de dépendance temporelle avec un graphique dynamique.
Paramètres du modèle MA(q)
Exemple : q = 2 pour un processus MA(2).
σ² doit être strictement positive.
Le modèle est supposé être X_t = Z_t + θ1 Z_(t-1) + … + θq Z_(t-q), avec θ0 = 1.
Le calcul affichera γ(k) de k = 0 à k = max.
Pratique pour comparer amplitude et structure normalisée.
Formule utilisée : pour un MA(q), γ(k) = σ² × Σ θj θj+k pour k = 0, 1, …, q, avec θ0 = 1 et γ(k) = 0 pour k > q. La variance est γ(0) et l’autocorrélation est ρ(k) = γ(k) / γ(0).
Résultats
Entrez vos paramètres puis cliquez sur Calculer.
Visualisation et repères
- Un processus MA(q) possède une fonction d’autocovariance qui s’annule au-delà du retard q.
- La coupure nette de l’ACF est un indice clé pour identifier un modèle MA en pratique.
- La forme des premiers retards dépend directement des coefficients θ.
- Si q = 0, le modèle se réduit à un bruit blanc avec γ(0) = σ² et γ(k) = 0 pour k > 0.
Guide expert : calcul d’une fonction d’autocovariance d’un MA
Le calcul d’une fonction d’autocovariance d’un MA, c’est-à-dire d’un processus de moyenne mobile, est une étape fondamentale en analyse des séries temporelles. En économétrie, en ingénierie, en finance quantitative, en contrôle qualité ou encore en traitement du signal, on cherche souvent à décrire la manière dont une série dépend de ses propres valeurs passées. La fonction d’autocovariance répond précisément à cette question en mesurant la covariance entre une observation présente et une observation décalée de k périodes.
Dans le cas d’un modèle MA(q), la structure est particulièrement élégante. On suppose que la série observée s’écrit comme une combinaison linéaire finie de chocs aléatoires indépendants ou non corrélés, souvent notés bruit blanc. La forme standard est : X_t = Z_t + θ1 Z_(t-1) + θ2 Z_(t-2) + … + θq Z_(t-q), où Z_t est un bruit blanc de variance σ². Cette expression implique une propriété essentielle : l’autocovariance théorique devient nulle au-delà du retard q. C’est justement ce comportement qui permet d’identifier les modèles MA dans l’analyse empirique.
Pourquoi l’autocovariance d’un MA est-elle si importante ?
La fonction d’autocovariance, notée γ(k), joue plusieurs rôles. D’abord, elle donne la variance lorsque k = 0. Ensuite, pour k > 0, elle mesure la dépendance linéaire entre X_t et X_(t-k). Enfin, comme l’autocorrélation ρ(k) se déduit en divisant γ(k) par γ(0), elle sert de base à la lecture visuelle d’un corrélogramme. Dans un MA(q), cette lecture est simple : l’ACF s’interrompt après q retards. En pratique, cette coupure aide à distinguer un MA d’un AR, dont l’ACF décroît plus progressivement.
Cette logique est largement enseignée dans les références académiques de statistique et de prévision. Pour approfondir les bases méthodologiques, on peut consulter des ressources universitaires et institutionnelles comme le cours de séries temporelles de Penn State University, les notes du département de Fuqua School of Business de Duke University, ou encore les documents techniques du NIST Engineering Statistics Handbook.
Formule générale de la fonction d’autocovariance d’un MA(q)
Soit un processus MA(q) écrit sous la forme :
- X_t = Σ de j = 0 à q de θj Z_(t-j)
- avec θ0 = 1
- et Var(Z_t) = σ²
Alors la fonction d’autocovariance théorique est donnée par :
- γ(0) = σ² (1 + θ1² + θ2² + … + θq²)
- γ(k) = σ² Σ de j = 0 à q-k de θj θ_(j+k), pour 1 ≤ k ≤ q
- γ(k) = 0, pour k > q
Cette formule découle directement de l’orthogonalité du bruit blanc : les termes croisés ne contribuent que lorsque les indices des innovations coïncident. C’est la raison profonde pour laquelle un MA possède une mémoire finie en autocovariance. En d’autres termes, la dépendance est entièrement contenue dans les q premiers retards.
Exemple concret : calcul pour un MA(2)
Prenons un processus MA(2) défini par X_t = Z_t + 0,6 Z_(t-1) – 0,3 Z_(t-2), avec σ² = 1. Ici, θ0 = 1, θ1 = 0,6 et θ2 = -0,3. On calcule :
- γ(0) = 1 × (1 + 0,6² + (-0,3)²) = 1 + 0,36 + 0,09 = 1,45
- γ(1) = 1 × (θ0θ1 + θ1θ2) = 1 × (1×0,6 + 0,6×(-0,3)) = 0,42
- γ(2) = 1 × (θ0θ2) = -0,3
- γ(k) = 0 pour k ≥ 3
L’autocorrélation correspondante vaut donc ρ(1) = 0,42 / 1,45 ≈ 0,2897 et ρ(2) = -0,3 / 1,45 ≈ -0,2069. On observe déjà l’information clé : deux retards seulement portent la dépendance. Au-delà, le signal est théoriquement nul.
| Paramètres MA(1) | γ(0) si σ² = 1 | γ(1) si σ² = 1 | ρ(1) | Interprétation |
|---|---|---|---|---|
| θ = -0,8 | 1,64 | -0,80 | -0,4878 | Corrélation négative forte au premier retard |
| θ = -0,5 | 1,25 | -0,50 | -0,4000 | Dépendance négative modérée |
| θ = 0,3 | 1,09 | 0,30 | 0,2752 | Dépendance positive faible à modérée |
| θ = 0,7 | 1,49 | 0,70 | 0,4698 | Dépendance positive marquée |
Lecture statistique : autocovariance théorique versus autocovariance empirique
Il faut distinguer la fonction d’autocovariance théorique, dérivée d’un modèle, et l’autocovariance empirique, estimée sur un échantillon fini. En théorie, un MA(2) présente exactement γ(k) = 0 pour k > 2. En pratique, l’estimation sur données observées montre rarement des zéros parfaits, car l’échantillon est limité et soumis à l’aléa. On observe plutôt des valeurs proches de zéro, parfois légèrement significatives, surtout pour de petits n.
Cette distinction est cruciale lors de l’identification d’un modèle. Un praticien examine généralement l’ACF empirique et cherche une coupure après quelques retards, sans exiger que les valeurs suivantes soient exactement nulles. Des bandes de confiance approximatives, souvent de l’ordre de ±1,96 / √n pour une lecture rapide, sont fréquemment utilisées.
| Taille d’échantillon n | Seuil approximatif ±1,96 / √n | Lecture pratique de l’ACF | Niveau de bruit attendu |
|---|---|---|---|
| 50 | ±0,2772 | Plusieurs pics peuvent sembler significatifs | Élevé |
| 100 | ±0,1960 | Lecture plus stable, mais encore sensible | Modéré |
| 200 | ±0,1386 | Structure MA souvent mieux identifiable | Faible à modéré |
| 500 | ±0,0877 | Bonne précision visuelle des coupures | Faible |
Étapes pratiques pour calculer correctement γ(k)
- Identifier l’ordre q du processus.
- Écrire explicitement les coefficients avec θ0 = 1.
- Fixer la variance du bruit blanc σ².
- Calculer γ(0) comme somme des carrés pondérée par σ².
- Pour chaque retard k entre 1 et q, appliquer la somme des produits θj θ_(j+k).
- Poser γ(k) = 0 pour tout k > q.
- Si nécessaire, normaliser avec γ(0) pour obtenir ρ(k).
Le calculateur ci-dessus automatise exactement cette chaîne logique. Il vous suffit de renseigner q, les coefficients θ, la variance σ² et le retard maximum souhaité. Le résultat donne la variance, les autocovariances successives et leur représentation graphique. Ce type d’outil est très utile pour l’enseignement, la validation théorique et la préparation à l’estimation ARIMA.
Erreurs fréquentes à éviter
- Oublier que θ0 = 1. Beaucoup d’erreurs viennent d’une mauvaise indexation des coefficients.
- Confondre variance de la série et variance du bruit blanc. γ(0) n’est généralement pas égale à σ², sauf pour MA(0).
- Supposer que l’ACF empirique doit être exactement nulle après q. En échantillon fini, ce n’est presque jamais le cas.
- Utiliser un nombre de coefficients incohérent avec l’ordre q saisi.
- Interpréter une autocovariance sans considérer l’échelle de la variance totale.
Différence entre MA, AR et ARMA
Un MA(q) possède une mémoire finie en termes d’autocovariance. Un AR(p), lui, dépend directement de ses valeurs passées et produit typiquement une ACF décroissante. Un ARMA combine les deux structures. Cette différence n’est pas seulement théorique : elle guide le diagnostic des modèles. Lorsque l’ACF empirique semble se couper rapidement et que la PACF décroît, l’hypothèse MA devient crédible. À l’inverse, quand la PACF se coupe et l’ACF décroît lentement, on regarde davantage vers un AR.
Interprétation économique et opérationnelle
Dans de nombreux contextes, un modèle MA traduit l’idée que la variable observée réagit à des chocs récents, mais pas à des chocs anciens. Par exemple, une mesure industrielle peut refléter les erreurs de capteurs sur quelques périodes seulement. Un rendement financier à haute fréquence peut intégrer des micro-bruits de marché avec mémoire très courte. Une série de prévisions d’inventaire peut également exhiber une composante MA lorsque les erreurs se corrigent rapidement d’une période à l’autre. Dans tous ces cas, la fonction d’autocovariance permet de quantifier précisément l’étendue temporelle de cette mémoire courte.
Pourquoi la visualisation graphique aide beaucoup
Le graphique de γ(k) ou de ρ(k) rend les propriétés du MA immédiatement visibles. La barre au retard 0 représente la variance totale. Les barres suivantes montrent l’effet des coefficients sur la dépendance. Si les premiers retards alternent de signe, le processus peut exhiber des inversions rapides. Si les premières autocovariances sont positives, on retrouve un effet de persistance à court terme. Et si toutes les barres au-delà de q sont nulles, le caractère MA du modèle saute aux yeux.
Conclusion
Maîtriser le calcul d’une fonction d’autocovariance d’un MA permet de passer d’une intuition qualitative sur la mémoire d’une série à une description mathématique rigoureuse. Que vous soyez étudiant, analyste de données, statisticien ou praticien de l’économétrie, cette compétence vous aide à comprendre la dynamique de court terme, à interpréter un corrélogramme et à sélectionner un modèle adapté. Le plus important à retenir est la règle structurelle : pour un MA(q), l’autocovariance est non nulle seulement jusqu’au retard q, puis s’annule. À partir de là, le calcul devient systématique, vérifiable et directement exploitable dans vos analyses.