La moyenne mobile int\u00e9gr\u00e9e autor\u00e9gressive (ARIMA), en tant que mod\u00e8le statistique fondamental, joue un r\u00f4le important dans la pr\u00e9vision des s\u00e9ries chronologiques. Ancr\u00e9e dans les math\u00e9matiques de l'estimation statistique, ARIMA est largement utilis\u00e9e dans divers secteurs pour pr\u00e9voir les points de donn\u00e9es futurs sur la base des points de donn\u00e9es pr\u00e9c\u00e9dents de la s\u00e9rie.<\/p>\n
ARIMA a \u00e9t\u00e9 introduit pour la premi\u00e8re fois au d\u00e9but des ann\u00e9es 1970 par les statisticiens George Box et Gwilym Jenkins. Le d\u00e9veloppement \u00e9tait bas\u00e9 sur des travaux ant\u00e9rieurs autour des mod\u00e8les autor\u00e9gressifs (AR) et de moyenne mobile (MA). En int\u00e9grant le concept de diff\u00e9renciation, Box et Jenkins ont pu g\u00e9rer des s\u00e9ries temporelles non stationnaires, ce qui a abouti au mod\u00e8le ARIMA.<\/p>\n
ARIMA est une combinaison de trois m\u00e9thodes de base\u00a0: autor\u00e9gressive (AR), int\u00e9gr\u00e9e (I) et moyenne mobile (MA). Ces m\u00e9thodes sont utilis\u00e9es pour analyser et pr\u00e9voir les donn\u00e9es de s\u00e9ries chronologiques.<\/p>\n
Autor\u00e9gressif (AR)<\/strong>: Cette m\u00e9thode utilise la relation de d\u00e9pendance entre une observation et un certain nombre d'observations d\u00e9cal\u00e9es (p\u00e9riodes pr\u00e9c\u00e9dentes).<\/p>\n<\/li>\n Int\u00e9gr\u00e9 (I)<\/strong>: Cette approche consiste \u00e0 diff\u00e9rencier les observations pour rendre la s\u00e9rie chronologique stationnaire.<\/p>\n<\/li>\n Moyenne mobile (MA)<\/strong>: Cette technique utilise la d\u00e9pendance entre une observation et une erreur r\u00e9siduelle d'un mod\u00e8le de moyenne mobile appliqu\u00e9 \u00e0 des observations d\u00e9cal\u00e9es.<\/p>\n<\/li>\n<\/ul>\n Les mod\u00e8les ARIMA sont souvent not\u00e9s ARIMA(p, d, q), o\u00f9 \u00ab p \u00bb est l'ordre de la partie AR, \u00ab d \u00bb est l'ordre de diff\u00e9renciation requis pour rendre la s\u00e9rie chronologique stationnaire et \u00ab q \u00bb est l'ordre. de la partie MA.<\/p>\n La structure d'ARIMA se compose de trois parties\u00a0: AR, I et MA. Chaque partie joue un r\u00f4le sp\u00e9cifique dans l\u2019analyse des donn\u00e9es\u00a0:<\/p>\n Le mod\u00e8le ARIMA est appliqu\u00e9 \u00e0 une s\u00e9rie chronologique en trois \u00e9tapes\u00a0:<\/p>\n Il existe deux principaux types de mod\u00e8les ARIMA\u00a0:<\/p>\n ARIMA non saisonnier<\/strong>: C'est la forme la plus simple d'ARIMA. Il est utilis\u00e9 pour les donn\u00e9es non saisonni\u00e8res pour lesquelles il n\u2019existe pas de tendances cycliques d\u00e9finitives.<\/p>\n<\/li>\n ARIMA saisonnier (SARIMA)<\/strong>: Il s'agit d'une extension d'ARIMA qui prend explicitement en charge une composante saisonni\u00e8re dans le mod\u00e8le.<\/p>\n<\/li>\n<\/ol>\n ARIMA a de nombreuses applications, notamment les pr\u00e9visions \u00e9conomiques, les pr\u00e9visions de ventes, l'analyse boursi\u00e8re, etc.<\/p>\n Un probl\u00e8me courant rencontr\u00e9 avec ARIMA est le surajustement, o\u00f9 le mod\u00e8le s'adapte trop \u00e9troitement aux donn\u00e9es d'entra\u00eenement et fonctionne mal sur les nouvelles donn\u00e9es invisibles. La solution r\u00e9side dans l'utilisation de techniques telles que la validation crois\u00e9e pour \u00e9viter le surajustement.<\/p>\nStructure interne et fonctionnement d'ARIMA<\/h2>\n
\n
\n
Principales caract\u00e9ristiques d'ARIMA<\/h2>\n
\n
Types d'ARIMA<\/h2>\n
\n
Applications pratiques d'ARIMA et r\u00e9solution de probl\u00e8mes<\/h2>\n
Comparaisons avec des m\u00e9thodes similaires<\/h2>\n