Calcul fonction autocorrelation processus AR(1)
Calculez instantanément la fonction d’autocorrélation théorique d’un processus autorégressif d’ordre 1, visualisez les retards sur graphique, et interprétez la persistance temporelle du paramètre phi.
Calculateur AR(1) premium
Entrez les paramètres du modèle pour obtenir l’autocorrélation théorique, l’autocovariance, la demi-vie de la persistance et un tableau détaillé des retards.
Guide expert du calcul de la fonction d’autocorrélation d’un processus AR(1)
Le calcul de la fonction d’autocorrélation d’un processus AR(1) est une étape centrale en économétrie, en statistique des séries temporelles, en finance quantitative, en contrôle industriel et en prévision. Le modèle AR(1), pour autorégressif d’ordre 1, est souvent le premier modèle utilisé pour représenter une dynamique temporelle où la valeur présente dépend de sa valeur passée immédiate. Sa forme classique est la suivante : Xt = phi Xt-1 + epsilont, où epsilont est un bruit blanc centré de variance sigma²ε. Dans ce cadre, la fonction d’autocorrélation théorique est remarquablement simple, ce qui en fait un excellent outil pédagogique et opérationnel.
Pour un processus AR(1) stationnaire, c’est-à-dire lorsque |phi| < 1, la fonction d’autocorrélation à un retard k vaut rho(k) = phik. Cette formule montre immédiatement qu’un AR(1) possède une décroissance géométrique de la dépendance temporelle. Plus phi est proche de 1, plus la mémoire du processus est longue. Plus phi est proche de 0, plus les corrélations disparaissent rapidement. Si phi est négatif, l’autocorrélation alterne de signe : les valeurs positives et négatives ont tendance à se succéder.
Pourquoi la fonction d’autocorrélation est-elle si importante ?
La fonction d’autocorrélation, ou ACF, sert à quantifier la relation entre une observation et ses retards. Elle répond à une question simple mais décisive : à quel point le passé explique-t-il encore le présent après 1, 2, 3 ou 12 périodes ? Dans la pratique :
- elle aide à identifier l’ordre d’un modèle autorégressif ;
- elle permet d’évaluer la persistance d’un choc ;
- elle facilite le diagnostic d’un modèle ajusté ;
- elle guide l’interprétation économique ou physique d’une dépendance temporelle.
Dans un AR(1), cette lecture est très intuitive. Si phi = 0,9, l’effet d’un choc actuel reste visible longtemps ; si phi = 0,3, cet effet s’éteint vite. Le calcul de rho(k) donne donc une mesure directe de la vitesse de dissipation.
Rappel mathématique du modèle AR(1)
Le modèle AR(1) s’écrit :
Xt = phi Xt-1 + epsilont
avec :
- phi : coefficient autorégressif ;
- epsilont : bruit blanc de moyenne nulle et de variance sigma²ε ;
- |phi| < 1 : condition de stationnarité faible.
Quand cette condition est satisfaite, la variance inconditionnelle du processus vaut :
Var(Xt) = gamma(0) = sigma²ε / (1 – phi²)
et l’autocovariance au retard k devient :
gamma(k) = gamma(0) phik
D’où, par normalisation :
rho(k) = gamma(k) / gamma(0) = phik
Étapes du calcul de la fonction d’autocorrélation
- Vérifier d’abord la stationnarité avec la condition |phi| < 1.
- Choisir le retard k à analyser.
- Calculer la puissance phik.
- Interpréter le résultat : signe, intensité, vitesse de décroissance.
- Si nécessaire, calculer aussi l’autocovariance avec gamma(k) = [sigma²ε / (1 – phi²)] phik.
Exemple rapide : si phi = 0,7, alors rho(1) = 0,7, rho(2) = 0,49, rho(3) = 0,343. La corrélation reste positive, mais diminue à chaque pas. Si phi = -0,7, alors rho(1) = -0,7, rho(2) = 0,49, rho(3) = -0,343 : la dépendance alterne de signe.
Tableau comparatif de l’autocorrélation théorique selon phi
| Paramètre phi | rho(1) | rho(3) | rho(6) | Lecture statistique |
|---|---|---|---|---|
| 0,2 | 0,2000 | 0,0080 | 0,0001 | Persistance très faible, mémoire courte |
| 0,5 | 0,5000 | 0,1250 | 0,0156 | Décroissance modérée |
| 0,8 | 0,8000 | 0,5120 | 0,2621 | Forte persistance, chocs durables |
| -0,6 | -0,6000 | -0,2160 | 0,0467 | Alternance de signe avec amortissement |
Ces valeurs illustrent une propriété essentielle : la décroissance est exponentielle. En pratique, cela signifie que l’effet d’un choc sur une série AR(1) ne disparaît jamais instantanément, mais s’érode progressivement. C’est pourquoi les analystes regardent souvent non seulement rho(1), mais aussi la trajectoire complète de rho(k) sur plusieurs retards.
Demi-vie de la persistance
Une mesure très utilisée est la demi-vie, c’est-à-dire le nombre de périodes nécessaires pour qu’un choc soit réduit d’environ 50 %. Pour un AR(1) avec 0 < phi < 1, elle s’obtient approximativement par :
demi-vie = ln(0,5) / ln(phi)
Cette notion est extrêmement utile pour comparer des séries temporelles. Par exemple, une demi-vie de 1 période indique un retour rapide vers la moyenne, tandis qu’une demi-vie de 7 périodes révèle une inertie beaucoup plus forte.
| phi | Demi-vie approximative | Profil de persistance | Usage typique |
|---|---|---|---|
| 0,4 | 0,76 période | Faible | Séries réactives, bruit dominant |
| 0,7 | 1,94 période | Moyenne à forte | Demande, indicateurs d’activité, capteurs |
| 0,9 | 6,58 périodes | Très forte | Taux, prix persistants, séries macroéconomiques |
| 0,95 | 13,51 périodes | Quasi racine unitaire | Processus très inertiels |
Comment interpréter un phi positif ou négatif ?
Un phi positif implique que des valeurs au-dessus de la moyenne ont tendance à être suivies de valeurs également au-dessus de la moyenne. La série présente alors une inertie de même signe. À l’inverse, un phi négatif produit une alternance. Si une observation est élevée, la suivante tend à être plus basse, puis la suivante plus haute, avec une amplitude qui décroît progressivement. Cela se voit immédiatement dans l’ACF : les barres changent de signe d’un retard à l’autre.
Cette distinction a des conséquences pratiques importantes. En économie, un phi positif est courant pour des variables à inertie comme la production, les taux ou l’inflation agrégée. Dans certains systèmes physiques ou algorithmiques, un phi négatif peut apparaître lorsque le système corrige excessivement les écarts.
Différence entre autocorrélation théorique et empirique
Le calculateur présenté ici fournit la fonction d’autocorrélation théorique d’un AR(1). En analyse réelle de données, on estime souvent une ACF empirique à partir d’un échantillon. La différence est importante :
- l’ACF théorique provient d’un modèle supposé connu ;
- l’ACF empirique est calculée à partir des données observées ;
- l’ACF empirique varie avec la taille de l’échantillon et contient de l’erreur d’estimation.
Dans un échantillon fini, les valeurs estimées ne suivent pas exactement phik. Elles en donnent une approximation, parfois assez bruitée. C’est pour cette raison que l’ACF est souvent utilisée conjointement avec la PACF, les tests de racine unitaire et l’estimation du paramètre phi par moindres carrés ou maximum de vraisemblance.
Erreurs fréquentes dans le calcul du processus AR(1)
- Confondre autocovariance et autocorrélation. La première dépend de l’échelle, la seconde est normalisée.
- Oublier la condition de stationnarité. Si |phi| >= 1, la formule standard de l’ACF théorique stationnaire n’est plus valide.
- Interpréter un phi proche de 1 comme une preuve automatique de racine unitaire. Il peut s’agir d’une forte persistance sans non-stationnarité stricte.
- Utiliser un nombre de retards trop faible pour visualiser la dynamique.
Applications concrètes
Le calcul de la fonction d’autocorrélation d’un processus AR(1) intervient dans de nombreux domaines. En finance, il aide à mesurer la persistance des rendements, des spreads ou des volatilités transformées. En macroéconomie, il permet de caractériser l’inertie de l’inflation ou d’indicateurs de conjoncture. En ingénierie, il sert à étudier des signaux issus de capteurs, des séries de maintenance ou des variables de contrôle qualité. En environnement, il contribue à modéliser des températures, débits ou concentrations de polluants.
Dans tous ces cas, l’intérêt de l’AR(1) tient à sa simplicité et à son pouvoir explicatif de premier niveau. Même lorsque le processus réel est plus complexe, l’AR(1) fournit souvent une référence de base très utile. Son ACF théorique permet une lecture rapide de la structure temporelle fondamentale.
Ressources académiques et institutionnelles utiles
Pour approfondir la théorie des séries temporelles et de l’autocorrélation, vous pouvez consulter des sources institutionnelles fiables :
- NIST Handbook of Statistical Methods – Autocorrelation
- Penn State University – Applied Time Series Analysis
- Duke University – ARIMA and autoregressive modeling notes
En résumé
Retenez les points essentiels suivants :
- Un processus AR(1) stationnaire vérifie |phi| < 1.
- Sa fonction d’autocorrélation théorique suit une loi simple : rho(k) = phik.
- Sa variance inconditionnelle est sigma²ε / (1 – phi²).
- Son autocovariance vaut gamma(k) = gamma(0) phik.
- Plus phi est proche de 1 en valeur absolue, plus la mémoire est longue.
Si vous cherchez un outil fiable pour le calcul fonction autocorrelation processus AR 1, un calculateur comme celui présenté plus haut vous fait gagner du temps tout en sécurisant l’interprétation. Il offre une lecture immédiate des retards, une visualisation claire de la décroissance et une synthèse utile pour l’enseignement, l’analyse exploratoire ou la préparation d’un modèle plus avancé.