L’analyse des s\u00e9ries temporelles constitue l’un des piliers m\u00e9thodologiques les plus sophistiqu\u00e9s de la science des donn\u00e9es moderne, de l’\u00e9conom\u00e9trie et de la mod\u00e9lisation statistique avanc\u00e9e. Qu’il s’agisse d’anticiper des dynamiques macro\u00e9conomiques complexes, de d\u00e9celer des signaux physiologiques critiques ou d’analyser des fluctuations comportementales au cours du temps, la validit\u00e9 empirique des conclusions d\u00e9pend fondamentalement de la pr\u00e9cision des mod\u00e8les probabilistes d\u00e9ploy\u00e9s. Au c\u0153ur de cette discipline r\u00e9side un postulat th\u00e9orique non n\u00e9gociable : les erreurs r\u00e9siduelles g\u00e9n\u00e9r\u00e9es par un mod\u00e8le param\u00e9trique ajust\u00e9 doivent imp\u00e9rativement se comporter comme un bruit blanc. Si un mod\u00e8le capture ad\u00e9quatement la structure g\u00e9n\u00e9ratrice sous-jacente des donn\u00e9es, les r\u00e9sidus qui en r\u00e9sultent doivent \u00eatre mutuellement ind\u00e9pendants, de moyenne nulle et d\u00e9nu\u00e9s de toute m\u00e9moire temporelle.<\/p>\n
Cependant, dans la pratique empirique, l’autocorr\u00e9lation r\u00e9siduelle demeure une pathologie statistique fr\u00e9quente, insidieuse et pr\u00e9judiciable. Lorsqu’elle est ignor\u00e9e, elle vicie profond\u00e9ment l’inf\u00e9rence statistique : la variance des coefficients estim\u00e9s est sous-\u00e9valu\u00e9e, les intervalles de confiance se r\u00e9tr\u00e9cissent de mani\u00e8re trompeuse et les tests d’hypoth\u00e8ses traditionnels fond\u00e9s sur les lois de Student ou de Fisher aboutissent \u00e0 des rejets excessifs de l’hypoth\u00e8se nulle. Face \u00e0 ce p\u00e9ril m\u00e9thodologique, la simple inspection visuelle des corr\u00e9logrammes empiriques s’av\u00e8re manifestement insuffisante pour statuer de mani\u00e8re rigoureuse sur l’ind\u00e9pendance s\u00e9rielle d’une suite stochastique. C’est pr\u00e9cis\u00e9ment ici qu’interviennent les tests diagnostiques omnibus, au premier rang desquels figure le test de Ljung-Box.<\/p>\n
Cet article constitue un guide exhaustif et acad\u00e9mique d\u00e9di\u00e9 au test de Ljung-Box dans l’\u00e9cosyst\u00e8me Python. En s’appuyant sur les modules sp\u00e9cialis\u00e9s de la biblioth\u00e8que Statsmodels<\/a>, nous explorerons en profondeur les soubassements th\u00e9oriques, la d\u00e9rivation math\u00e9matique de la statistique de test, les subtilit\u00e9s d’impl\u00e9mentation logicielle ainsi que les protocoles d’interpr\u00e9tation les plus exigeants. De la correction historique de Box et Pierce jusqu’\u00e0 l’ajustement imp\u00e9ratif des degr\u00e9s de libert\u00e9 pour les r\u00e9sidus de mod\u00e8les ARIMA, ce trait\u00e9 m\u00e9thodologique a pour vocation de vous doter d’une ma\u00eetrise absolue de cet instrument incontournable de validation statistique.<\/p>\n L’autocorr\u00e9lation s\u00e9rielle d\u00e9signe la pr\u00e9sence d’une covariance non nulle entre les valeurs d’une m\u00eame variable stochastique observ\u00e9es \u00e0 des intervalles temporels distincts. Dans le cadre d’un processus stochastique discret stationnaire au second ordre, not\u00e9 Xt<\/sub><\/em>, la fonction d’autocovariance au retard k<\/em> mesure le degr\u00e9 d’association lin\u00e9aire entre l’observation contemporaine Xt<\/sub><\/em> et sa r\u00e9alisation pass\u00e9e Xt-k<\/sub><\/em>. Lorsque nous transposons cette notion \u00e0 l’\u00e9valuation diagnostique des mod\u00e8les statistiques, nous ne nous int\u00e9ressons plus directement \u00e0 la s\u00e9rie brute, mais au terme d’erreur th\u00e9orique ou, plus pr\u00e9cis\u00e9ment, \u00e0 son estimateur empirique qu’est le r\u00e9sidu de mod\u00e9lisation et<\/sub> = yt<\/sub> – \u0177t<\/sub><\/em>.<\/p>\n La persistance d’une d\u00e9pendance s\u00e9rielle entre r\u00e9sidus successifs constitue une violation frontale de l’hypoth\u00e8se d’ind\u00e9pendance des perturbations al\u00e9atoires. En pr\u00e9sence d’autocorr\u00e9lation non corrig\u00e9e, le th\u00e9or\u00e8me de Gauss-Markov cesse de s’appliquer. Bien que les estimateurs des moindres carr\u00e9s ou du maximum de vraisemblance puissent conserver leur propri\u00e9t\u00e9 de convergence asymptotique sous certaines r\u00e9gularit\u00e9s, ils perdent irr\u00e9vocablement leur efficacit\u00e9 statistique. Plus grave encore, la matrice de covariance estim\u00e9e des param\u00e8tres devient biais\u00e9e et non convergente, conduisant \u00e0 des erreurs standards r\u00e9siduelles artificiellement comprim\u00e9es. Il en r\u00e9sulte un accroissement drastique du risque d’erreur de premi\u00e8re esp\u00e8ce, menant le chercheur \u00e0 d\u00e9clarer statistiquement significatifs des pr\u00e9dicteurs qui ne sont en r\u00e9alit\u00e9 que des artefacts de la structure d’autocorr\u00e9lation sous-jacente.<\/p>\n D\u00e8s lors, la v\u00e9rification formelle de la condition de bruit blanc strict ou au sens faible s’impose comme une \u00e9tape incontournable du cycle de vie de toute mod\u00e9lisation chronologique. Un bruit blanc au sens faible requiert une esp\u00e9rance math\u00e9matique constante et nulle, une variance temporelle invariante et, de fa\u00e7on cruciale, une autocovariance strictement nulle pour tout d\u00e9calage temporel non nul. Le test d’hypoth\u00e8se portant sur l’ensemble des coefficients d’autocorr\u00e9lation r\u00e9siduels devient ainsi le garant de l’int\u00e9grit\u00e9 de l’architecture pr\u00e9dictive mise en \u0153uvre.<\/p>\n La formalisation statistique de l’\u00e9valuation conjointe des retards d’autocorr\u00e9lation a franchi une \u00e9tape majeure gr\u00e2ce aux travaux fondateurs de George Box et David Pierce en 1970. Avant leur contribution, les praticiens s’en remettaient principalement \u00e0 l’inspection individuelle des coefficients d’autocorr\u00e9lation ou au test de Durbin-Watson, intrins\u00e8quement cantonn\u00e9 au premier ordre. Box et Pierce introduisirent la c\u00e9l\u00e8bre statistique portemanteau QBP<\/sub><\/em>, con\u00e7ue pour tester de mani\u00e8re globale si un ensemble fini de coefficients d’autocorr\u00e9lation empiriques diff\u00e8re significativement de z\u00e9ro. Cette approche reposait sur la sommation quadratique pond\u00e9r\u00e9e des coefficients d’autocorr\u00e9lation d’\u00e9chantillon jusqu’\u00e0 un horizon de retard pr\u00e9d\u00e9termin\u00e9.<\/p>\n Cependant, malgr\u00e9 son \u00e9l\u00e9gance conceptuelle et sa simplicit\u00e9 de calcul sous des conditions asymptotiques id\u00e9ales, la statistique de Box-Pierce a rapidement r\u00e9v\u00e9l\u00e9 d’importantes lacunes empiriques. En 1978, Greta M. Ljung et George E. P. Box publi\u00e8rent une r\u00e9vision critique d\u00e9montrant que la distribution d’\u00e9chantillonnage de la statistique QBP<\/sub><\/em> s’\u00e9cartait substantiellement de la loi th\u00e9orique du khi-deux lorsque la taille de la s\u00e9rie temporelle \u00e9tait mod\u00e9r\u00e9e ou finie. Pour de petits ou moyens \u00e9chantillons, la variance r\u00e9elle des autocorr\u00e9lations d’\u00e9chantillon est nettement inf\u00e9rieure \u00e0 1\/n<\/em>, provoquant une sous-estimation syst\u00e9matique de la statistique de test et, par cons\u00e9quent, un conservatisme excessif mat\u00e9rialis\u00e9 par un d\u00e9ficit prononc\u00e9 de puissance statistique.<\/p>\n Pour rem\u00e9dier \u00e0 cette distorsion, Ljung et Box int\u00e9gr\u00e8rent une correction matricielle raffin\u00e9e tenant compte de la variance exacte de l’autocorr\u00e9lation d’\u00e9chantillon sous l’hypoth\u00e8se nulle. La statistique r\u00e9sultante, universellement d\u00e9sign\u00e9e sous le nom de statistique Q<\/em> de Ljung-Box, applique un facteur de pond\u00e9ration hyperbolique aux retards successifs. Cette pond\u00e9ration compense fid\u00e8lement l’att\u00e9nuation de l’inertie statistique induite par la finitude de l’\u00e9chantillon, conf\u00e9rant au test de Ljung-Box une robustesse distributionnelle et une puissance de rejet nettement sup\u00e9rieures dans la pratique contemporaine de l’\u00e9conom\u00e9trie appliqu\u00e9e.<\/p>\n Dans l’arsenal contemporain des sciences quantitatives, le test de Ljung-Box op\u00e8re comme le juge de paix de la mod\u00e9lisation g\u00e9n\u00e9rative univari\u00e9e et multivari\u00e9e. Son champ d’intervention premier concerne la famille des mod\u00e8les autor\u00e9gressifs int\u00e9gr\u00e9s \u00e0 moyenne mobile (ARIMA<\/a> et SARIMAX), ainsi que les mod\u00e8les vectoriels autor\u00e9gressifs (VAR) et les architectures \u00e0 correction d’erreur (VECM). Dans l’ensemble de ces m\u00e9thodologies, l’ad\u00e9quation structurelle repose sur l’\u00e9limination totale du signal pr\u00e9visible : le r\u00e9sidu ne doit contenir que l’al\u00e9a non anticipable du processus stochastique.<\/p>\n L’int\u00e9r\u00eat de ce test transcende largement les fronti\u00e8res traditionnelles de l’\u00e9conomie financi\u00e8re et s’\u00e9tend aujourd’hui de mani\u00e8re pr\u00e9pond\u00e9rante aux m\u00e9thodologies quantitatives des sciences humaines et de la sant\u00e9. Dans les protocoles d’\u00e9valuations \u00e9cologiques momentan\u00e9es (EMA) ou les suivis longitudinaux de variables psychom\u00e9triques via des micro-sondages quotidiens, la mod\u00e9lisation de l’inertie affective et de la r\u00e9activit\u00e9 \u00e9motionnelle requiert une d\u00e9composition rigoureuse des composantes de d\u00e9pendance temporelle. Dans ces contextes, le test de Ljung-Box permet de dissocier formellement une r\u00e9elle dynamique d’autor\u00e9gulation psychologique d’un simple bruit de mesure corr\u00e9l\u00e9.<\/p>\n Une distinction \u00e9pist\u00e9mologique essentielle doit toutefois \u00eatre maintenue entre l’absence de corr\u00e9lation globale et l’ind\u00e9pendance statistique stricte. Le test de Ljung-Box \u00e9value une d\u00e9pendance lin\u00e9aire agr\u00e9g\u00e9e sur un spectre de d\u00e9calages temporels. Il ne garantit nullement l’absence d’interactions non lin\u00e9aires, d’asym\u00e9tries structurelles ou de d\u00e9pendances au niveau des moments d’ordre sup\u00e9rieur, telles que l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 conditionnelle autor\u00e9gressive. Il s’inscrit ainsi comme une condition n\u00e9cessaire, mais non strictement suffisante, de l’ind\u00e9pendance parfaite, formant la premi\u00e8re ligne de d\u00e9fense de tout protocole de diagnostic \u00e9conom\u00e9trique rigoureux.<\/p>\n La formulation probabiliste du test de Ljung-Box repose sur un cadre de test d’hypoth\u00e8ses conjointes portant sur un vecteur fini de coefficients d’autocorr\u00e9lation de la population, not\u00e9s \u03c1k<\/sub><\/em> pour k = 1, 2, …, h<\/em>, o\u00f9 h<\/em> repr\u00e9sente l’horizon maximal de retard s\u00e9lectionn\u00e9 par l’analyste. Soit une s\u00e9rie temporelle stationnaire Yt<\/sub><\/em> ou une suite de r\u00e9sidus estim\u00e9s et<\/sub><\/em>, le test confronte formellement deux assertions mutuellement exclusives concernant la structure d’ind\u00e9pendance s\u00e9rielle du processus g\u00e9n\u00e9rateur.<\/p>\n L’hypoth\u00e8se nulle, traditionnellement d\u00e9sign\u00e9e par H0<\/sub><\/em>, stipule que les h<\/em> premiers coefficients d’autocorr\u00e9lation sont identiquement et simultan\u00e9ment nuls. Elle s’\u00e9crit formellement :<\/p>\n H0<\/sub> : \u03c11<\/sub> = \u03c12<\/sub> = … = \u03c1h<\/sub> = 0<\/em><\/p>\n Cette hypoth\u00e8se postule l’absence int\u00e9grale de structure d’autocorr\u00e9lation lin\u00e9aire jusqu’au retard h<\/em>. \u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, not\u00e9e H1<\/sub><\/em> ou HA<\/sub><\/em>, affirme qu’au moins un des coefficients d’autocorr\u00e9lation au sein de l’ensemble d’observation consid\u00e9r\u00e9 est non nul. Elle se formule de la mani\u00e8re suivante :<\/p>\n H1<\/sub> : \u2203 k \u2208 {1, 2, …, h} tel que \u03c1k<\/sub> \u2260 0<\/em><\/p>\n Sur le plan m\u00e9thodologique, la posture du statisticien face au test de Ljung-Box diff\u00e8re radicalement de celle adopt\u00e9e lors de l’estimation de param\u00e8tres explicatifs traditionnels. Dans un mod\u00e8le de r\u00e9gression standard, le chercheur aspire g\u00e9n\u00e9ralement au rejet de l’hypoth\u00e8se nulle afin d’\u00e9tablir la significativit\u00e9 de son pr\u00e9dicteur. En mati\u00e8re de diagnostic des r\u00e9sidus, l’objectif est inverse : le mod\u00e9lisateur esp\u00e8re le non-rejet de l’hypoth\u00e8se nulle. Observer une p-valeur largement sup\u00e9rieure au seuil critique alpha pr\u00e9d\u00e9termin\u00e9 fournit l’attestation num\u00e9rique que les r\u00e9sidus ne contredisent pas l’hypoth\u00e8se de bruit blanc, conf\u00e9rant ainsi une validit\u00e9 op\u00e9rationnelle au mod\u00e8le sous-jacent.<\/p>\n L’estimateur de l’autocorr\u00e9lation d’\u00e9chantillon au retard k<\/em>, not\u00e9 r\u0302k<\/sub><\/em>, pour une s\u00e9rie de r\u00e9sidus et<\/sub><\/em> de moyenne nulle et de taille n<\/em>, est traditionnellement calcul\u00e9 selon le ratio des covariances empiriques :<\/p>\n r\u0302k<\/sub> = [\u2211t=k+1<\/sub>n<\/sup> (et<\/sub> et-k<\/sub>)] \/ [\u2211t=1<\/sub>n<\/sup> et<\/sub>2<\/sup>]<\/em><\/p>\n Sur la base de ces autocorr\u00e9lations empiriques, la statistique originale de Box et Pierce agr\u00e9geait simplement les termes quadratiques : QBP<\/sub> = n \u2211k=1<\/sub>h<\/sup> r\u0302k<\/sub>2<\/sup><\/em>. Constatant que la variance de r\u0302k<\/sub><\/em> sous H0<\/sub><\/em> pour des \u00e9chantillons finis est plus fid\u00e8lement approch\u00e9e par (n – k) \/ [n (n + 2)]<\/em> que par l’approximation asymptotique classique 1\/n<\/em>, Ljung et Box ont introduit leur statistique corrig\u00e9e, formul\u00e9e analytiquement comme suit :<\/p>\n Q = n (n + 2) \u2211k=1<\/sub>h<\/sup> (r\u0302k<\/sub>2<\/sup>) \/ (n – k)<\/em><\/p>\n L’examen approfondi de cette \u00e9quation r\u00e9v\u00e8le la subtilit\u00e9 du m\u00e9canisme de pond\u00e9ration. Le num\u00e9rateur constant n (n + 2)<\/em> normalise l’ensemble de l’expression, tandis que le d\u00e9nominateur sp\u00e9cifique \u00e0 chaque terme, (n – k)<\/em>, attribue une pond\u00e9ration proportionnellement plus lourde aux autocorr\u00e9lations mesur\u00e9es sur des retards plus \u00e9lev\u00e9s. En effet, au fur et \u00e0 mesure que k<\/em> augmente, le nombre d’observations effectives participant au calcul de la corr\u00e9lation s’amenuise, ce qui accro\u00eet la variabilit\u00e9 d’\u00e9chantillonnage de r\u0302k<\/sub><\/em>. Le ratio (n + 2) \/ (n – k)<\/em> compense exactement cette inflation de la variance d’\u00e9chantillonnage, garantissant que chaque retard contribue \u00e9quitablement \u00e0 la statistique d’ensemble sans biaiser le test en faveur des premiers retards.<\/p>\n Sous l’hypoth\u00e8se nulle H0<\/sub><\/em> d’ind\u00e9pendance s\u00e9rielle et en supposant que la s\u00e9rie temporelle \u00e9valu\u00e9e est une suite de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es poss\u00e9dant un moment d’ordre deux fini, la statistique Q<\/em> de Ljung-Box converge en loi, lorsque la taille de l’\u00e9chantillon n<\/em> tend vers l’infini, vers une distribution du khi-deux :<\/p>\n Q xrightarrow{d} \u03c72<\/sup>(h)<\/em><\/p>\n o\u00f9 h<\/em> repr\u00e9sente le nombre de retards inclus dans la sommation. Cette convergence autorise l’utilisation directe des tables de la loi du khi-deux ou des fonctions de r\u00e9partition cumul\u00e9e int\u00e9gr\u00e9es aux progiciels scientifiques pour calculer les p-valeurs associ\u00e9es \u00e0 une statistique empirique donn\u00e9e.<\/p>\n Toutefois, une nuance fondamentale de th\u00e9orie asymptotique s’impose lorsque le test est appliqu\u00e9 non pas \u00e0 une s\u00e9rie brute purement exog\u00e8ne, mais aux r\u00e9sidus r\u00e9sultant de l’ajustement d’un mod\u00e8le param\u00e9trique, typiquement un processus ARMA(p, q)<\/a>. L’estimation des param\u00e8tres du mod\u00e8le contraint math\u00e9matiquement les r\u00e9sidus par les conditions du premier ordre de l’optimisation par le maximum de vraisemblance. Ces contraintes absorbent une partie de la variabilit\u00e9 r\u00e9siduelle, r\u00e9duisant d’autant les degr\u00e9s de libert\u00e9 r\u00e9els de la distribution asymptotique.<\/p>\n Par cons\u00e9quent, pour des r\u00e9sidus de mod\u00e8le ARMA, la distribution asymptotique sous l’hypoth\u00e8se nulle devient :<\/p>\n Q xrightarrow{d} \u03c72<\/sup>(h – p – q)<\/em><\/p>\n o\u00f9 p<\/em> et q<\/em> d\u00e9signent respectivement les ordres autor\u00e9gressif et de moyenne mobile estim\u00e9s. Il est imp\u00e9ratif que h > p + q<\/em> pour que les degr\u00e9s de libert\u00e9 demeurent strictement positifs. L’omission de cet ajustement dans les logiciels d’analyse conduit invariablement \u00e0 une surestimation des degr\u00e9s de libert\u00e9, gonflant artificiellement les p-valeurs et induisant un risque majeur de consid\u00e9rer \u00e0 tort un mod\u00e8le inad\u00e9quat comme pleinement valid\u00e9.<\/p>\n Enfin, il convient de souligner que la sensibilit\u00e9 de cette distribution asymptotique demeure conditionn\u00e9e par l’hypoth\u00e8se de normalit\u00e9 et l’homosc\u00e9dasticit\u00e9 du processus sous-jacent. En pr\u00e9sence de queues de distribution \u00e9paisses ou de d\u00e9pendances conditionnelles de la variance, la convergence vers la loi du khi-deux peut \u00eatre alt\u00e9r\u00e9e, imposant une vigilance interpr\u00e9tative accrue.<\/p>\n La mise en \u0153uvre moderne du diagnostic chronologique en Python s’appuie sur un \u00e9cosyst\u00e8me hautement int\u00e9gr\u00e9 de calcul scientifique. Le socle fondamental de cette architecture repose sur la biblioth\u00e8que sp\u00e9cialis\u00e9e Statsmodels, qui encapsule l’ensemble des algorithmes \u00e9conom\u00e9triques requis pour le test de Ljung-Box, compl\u00e9t\u00e9e par NumPy<\/a> pour l’alg\u00e8bre lin\u00e9aire vectoris\u00e9e, Pandas<\/a> pour la manipulation structurelle des s\u00e9ries temporelles index\u00e9es, ainsi que Matplotlib<\/a> et Seaborn<\/a> pour l’exploration visuelle.<\/p>\n Pour assurer la p\u00e9rennit\u00e9 et la reproductibilit\u00e9 de l’environnement, l’installation de ces d\u00e9pendances doit \u00eatre r\u00e9alis\u00e9e via les gestionnaires de paquets standardis\u00e9s tels que pip ou les environnements virtualis\u00e9s Conda. Dans un terminal de commande d\u00e9di\u00e9, l’ex\u00e9cution de l’instruction d’installation s’articule comme suit :<\/p>\n Une fois les paquets install\u00e9s, la phase de configuration initiale dans l’environnement Python implique l’importation ordonn\u00e9e des modules n\u00e9vralgiques. Une attention particuli\u00e8re doit \u00eatre port\u00e9e \u00e0 la modularit\u00e9 du code en s\u00e9parant explicitement les modules d’ing\u00e9nierie des donn\u00e9es des sous-modules d’inf\u00e9rence statistique formelle :<\/p>\n Il est recommand\u00e9 de param\u00e9trer les styles graphiques de Seaborn d\u00e8s l’initialisation afin de garantir que les figures diagnostiques g\u00e9n\u00e9r\u00e9es adoptent un contraste et une lisibilit\u00e9 conformes aux standards acad\u00e9miques internationaux de publication scientifique.<\/p>\n Le calcul du test de Ljung-Box au sein de l’\u00e9cosyst\u00e8me Statsmodels est confi\u00e9 \u00e0 la fonction sp\u00e9cialis\u00e9e Dans les versions ant\u00e9rieures de Statsmodels (ant\u00e9rieures \u00e0 la version 0.12.0), la fonction retournait par d\u00e9faut un tuple de deux tableaux NumPy contenant respectivement les statistiques Q<\/em> et les p-valeurs associ\u00e9es, avec une option permettant de r\u00e9cup\u00e9rer simultan\u00e9ment les statistiques de Box-Pierce. Les versions actuelles privil\u00e9gient une structure de donn\u00e9es tabulaire Pandas hautement intuitive, contr\u00f4l\u00e9e par le param\u00e8tre La signature standard de la fonction s’articule autour de quatre arguments critiques :<\/p>\n L’int\u00e9grit\u00e9 de toute analyse statistique avanc\u00e9e repose sur sa reproductibilit\u00e9 int\u00e9grale. Dans le cadre de simulations stochastiques, de g\u00e9n\u00e9ration de donn\u00e9es synth\u00e9tiques ou d’ajustements it\u00e9ratifs de mod\u00e8les pr\u00e9dictifs, la variabilit\u00e9 algorithmique doit \u00eatre ma\u00eetris\u00e9e d\u00e8s le d\u00e9part. La fixation d’une graine al\u00e9atoire globale (seed) via Parall\u00e8lement, l’analyste doit veiller \u00e0 la gestion rigoureuse des avertissements logiciels (warnings). Les biblioth\u00e8ques scientifiques modernes \u00e9mettent fr\u00e9quemment des avertissements de d\u00e9pr\u00e9ciation (DeprecationWarnings) ou de convergence (ConvergenceWarnings). S’il est tentant de neutraliser aveugl\u00e9ment ces alertes par le module Enfin, la structure du flux de travail doit s’organiser selon une logique s\u00e9quentielle modulaire :<\/p>\n Afin d’illustrer la m\u00e9canique op\u00e9rationnelle du test de Ljung-Box sur des donn\u00e9es r\u00e9elles pr\u00e9sentant une forte dynamique p\u00e9riodique et autor\u00e9gressive, le jeu de donn\u00e9es historique de l’activit\u00e9 des taches solaires (Sunspots) constitue un cas d’\u00e9cole id\u00e9al. Document\u00e9e sur plusieurs si\u00e8cles, cette s\u00e9rie chronologique recense le nombre moyen annuel de taches solaires observ\u00e9es \u00e0 la surface du Soleil, r\u00e9v\u00e9lant des cycles magn\u00e9tiques quasi-d\u00e9cennaux bien document\u00e9s en astrophysique.<\/p>\n Statsmodels propose un acc\u00e8s direct \u00e0 ce jeu de donn\u00e9es via son sous-module d’exemples natifs. L’acquisition et la structuration s’op\u00e8rent par le code suivant :<\/p>\n L’attribution explicite d’un index chronologique continu au format Pandas DatetimeIndex est une exigence technique incontournable. Elle permet d’\u00e9liminer toute ambigu\u00eft\u00e9 sur la fr\u00e9quence temporelle des observations et d’\u00e9viter les incoh\u00e9rences algorithmiques lors des d\u00e9calages temporels calcul\u00e9s par les fonctions de diagnostic s\u00e9riel. L’inspection initiale de la s\u00e9rie d\u00e9montre une oscillation non lin\u00e9aire marqu\u00e9e, caract\u00e9ris\u00e9e par une p\u00e9riodicit\u00e9 moyenne d’environ 11 ans (cycle de Schwabe), soumettant toute hypoth\u00e8se d’ind\u00e9pendance temporelle brute \u00e0 une r\u00e9futation imm\u00e9diate.<\/p>\n La validit\u00e9 th\u00e9orique du calcul des autocorr\u00e9lations d’\u00e9chantillon repose formellement sur l’hypoth\u00e8se de stationnarit\u00e9 au sens faible de la s\u00e9rie chronologique analys\u00e9e. Si une s\u00e9rie temporelle pr\u00e9sente une tendance d\u00e9terministe ou stochastique sous-jacente, la moyenne non constante induit une persistance artificielle des corr\u00e9lations s\u00e9rielles. Les coefficients r\u0302k<\/sub><\/em> d\u00e9croissent alors \u00e0 une vitesse quasi-lin\u00e9aire extr\u00eamement lente, faussant radicalement le comportement distributionnel de la statistique Q<\/em> de Ljung-Box.<\/p>\n Avant d’envisager la moindre mod\u00e9lisation ou l’application de tests diagnostiques, il est donc imp\u00e9ratif de confronter la s\u00e9rie \u00e0 une batterie de tests d’int\u00e9gration. La m\u00e9thodologie recommand\u00e9e pr\u00e9conise une approche confirmatoire crois\u00e9e en associant le test de Dickey-Fuller Augment\u00e9 (ADF) et le test KPSS (Kwiatkowski-Phillips-Schmidt-Shin) :<\/p>\n Le test ADF \u00e9value l’hypoth\u00e8se nulle de pr\u00e9sence d’une racine unitaire (non-stationnarit\u00e9 stochastique), tandis que le test KPSS postule sous son hypoth\u00e8se nulle la stationnarit\u00e9 de la s\u00e9rie autour d’une constante. Une divergence entre ces deux tests met en lumi\u00e8re des \u00e9tats d’int\u00e9gration complexes. Si la s\u00e9rie s’av\u00e8re non stationnaire, l’application d’une diff\u00e9renciation premi\u00e8re, mat\u00e9rialis\u00e9e en Pandas par la m\u00e9thode La continuit\u00e9 temporelle constitue le fondement axiomatique du calcul des fonctions d’autocorr\u00e9lation. La pr\u00e9sence de valeurs manquantes (valeurs NaN) au sein d’une s\u00e9rie temporelle brise la r\u00e9gularit\u00e9 du retard temporel k<\/em>, emp\u00eachant le calcul rigoureux des produits crois\u00e9s (et<\/sub> et-k<\/sub>)<\/em>. Par d\u00e9faut, la fonction Pour combler d’\u00e9ventuelles interruptions d’enregistrement dans des donn\u00e9es empiriques sans d\u00e9naturer la dynamique temporelle, les analystes doivent privil\u00e9gier des strat\u00e9gies d’imputation adapt\u00e9es aux s\u00e9ries chronologiques. La suppression pure et simple des lignes manquantes est formellement proscrite car elle raccourcit artificiellement l’intervalle entre les observations adjacentes, d\u00e9formant l’horizon s\u00e9riel. Les approches d’interpolation temporelle, notamment l’interpolation par spline cubique ou par r\u00e9gression locale pond\u00e9r\u00e9e, garantissent une pr\u00e9servation satisfaisante du spectre de fr\u00e9quence des donn\u00e9es :<\/p>\n Parall\u00e8lement, la d\u00e9tection des valeurs aberrantes (outliers) rev\u00eat une importance critique. Un point extr\u00eame isol\u00e9, provoqu\u00e9 par un dysfonctionnement de capteur ou une perturbation exog\u00e8ne exceptionnelle, peut \u00e0 lui seul contaminer lourdement plusieurs coefficients d’autocorr\u00e9lation empiriques. L’\u00e9l\u00e9vation au carr\u00e9 des r\u00e9sidus dans la formule de la statistique de Ljung-Box conf\u00e8re \u00e0 ces anomalies un levier disproportionn\u00e9 sur la somme globale. Des techniques d’att\u00e9nuation robuste, telles que la winsorisation ou le lissage m\u00e9dian adaptatif, doivent \u00eatre envisag\u00e9es lorsque l’origine purement accidentelle de l’anomalie est av\u00e9r\u00e9e.<\/p>\n L’ex\u00e9cution pratique du test de Ljung-Box d\u00e9bute par l’application de la fonction sur une s\u00e9rie temporelle brute ou sur une s\u00e9rie simplement diff\u00e9renci\u00e9e, dans le but d’objectiver l’existence d’une m\u00e9moire s\u00e9rielle avant mod\u00e9lisation. La syntaxe canonique sous les versions contemporaines de Statsmodels requiert le passage du param\u00e8tre Le code op\u00e9rationnel s’articule comme suit :<\/p>\n Le tableau g\u00e9n\u00e9r\u00e9 par cette instruction se compose de deux colonnes fondamentales, index\u00e9es par les retards s\u00e9quentiels de 1 \u00e0 10 :<\/p>\n L’observation imm\u00e9diate de valeurs lb_stat<\/em> massives coupl\u00e9es \u00e0 des p-valeurs infinit\u00e9simales (inf\u00e9rieures \u00e0 1e-15) sur les donn\u00e9es brutes des taches solaires confirme de mani\u00e8re \u00e9clatante le rejet cat\u00e9gorique de l’hypoth\u00e8se nulle d’ind\u00e9pendance. Cette configuration prouve l’existence d’une structure d\u00e9terministe ou autor\u00e9gressive puissante qui r\u00e9clame un traitement param\u00e9trique approfondi.<\/p>\n L’utilisateur n’est nullement contraint d’\u00e9valuer une s\u00e9quence lin\u00e9aire compl\u00e8te de retards successifs. La fonction Dans les contextes o\u00f9 l’on soup\u00e7onne des dynamiques p\u00e9riodiques saisonni\u00e8res bien identifi\u00e9es, il est fr\u00e9quent de vouloir focaliser le test sur des horizons strat\u00e9giques sans encombrer la sortie des retards interm\u00e9diaires non pertinents. Par exemple, pour des donn\u00e9es trimestrielles ou annuelles cycliques, un passage explicite sous forme de liste permet d’isoler des jalons temporels majeurs :<\/p>\n Cette approche vectorielle s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse lors de l’int\u00e9gration du test au sein de cha\u00eenes d’automatisation d\u00e9cisionnelle. L’extraction des m\u00e9triques d’int\u00e9r\u00eat pour la g\u00e9n\u00e9ration de rapports de conformit\u00e9 statistique s’en trouve grandement simplifi\u00e9e, permettant d’extraire directement la p-valeur au retard d’int\u00e9r\u00eat via une syntaxe standard de s\u00e9lection Pandas :<\/p>\n Cette commodit\u00e9 syntaxique garantit une transition fluide entre la phase exploratoire interactive et l’industrialisation des pipelines d’analyse pr\u00e9dictive.<\/p>\n L’un des pi\u00e8ges m\u00e9thodologiques les plus destructeurs de l’\u00e9conom\u00e9trie appliqu\u00e9e r\u00e9side dans l’omission d\u00e9lib\u00e9r\u00e9e ou accidentelle du param\u00e8tre Par d\u00e9faut, l’argument Sous cette sp\u00e9cification, Statsmodels ajuste automatiquement le calcul de la probabilit\u00e9 critique. Pour les retards o\u00f9 k \u2264 model_df<\/em>, la fonction renvoie conventionnellement des p-valeurs \u00e9gales \u00e0 La r\u00e8gle formelle de d\u00e9cision dans le cadre du test de Ljung-Box repose sur la comparaison conventionnelle entre la p-valeur empirique retourn\u00e9e par l’algorithme et le niveau de significativit\u00e9 alpha choisi a priori<\/em> par le chercheur, traditionnellement fix\u00e9 \u00e0 \u03b1 = 0,05<\/em> ou \u03b1 = 0,01<\/em> pour des crit\u00e8res d’ad\u00e9quation plus stricts :<\/p>\n Une nuance interpr\u00e9tative majeure s’impose pour les p-valeurs dites marginales, c’est-\u00e0-dire celles oscillant dans la zone fronti\u00e8re comprise entre 0,03 et 0,08. Dans ce r\u00e9gime d’incertitude statistique, conclure imm\u00e9diatement \u00e0 la validit\u00e9 d’un mod\u00e8le rel\u00e8ve d’une imprudence m\u00e9thodologique. Une inspection approfondie des autres diagnostics (normalit\u00e9, h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, crit\u00e8res d’information) et une \u00e9ventuelle modification mineure des ordres de retard doivent \u00eatre conduites pour \u00e9prouver la stabilit\u00e9 de la d\u00e9cision statistique.<\/p>\n L’analyse ne saurait se restreindre \u00e0 la lecture binaire des seules p-valeurs. La magnitude intrins\u00e8que de la statistique Q<\/em> de Ljung-Box et sa dynamique s\u00e9quentielle d’\u00e9volution en fonction des retards fournissent des indices pr\u00e9cieux sur la localisation temporelle des d\u00e9fauts d’ajustement structurels. La statistique Q<\/em> est, par construction, une fonction monotone non d\u00e9croissante du retard k<\/em>, puisqu’elle r\u00e9sulte de la sommation de termes quadratiques positifs.<\/p>\n Cependant, le rythme de croissance de Q<\/em> par rapport \u00e0 l’incr\u00e9ment th\u00e9orique de son esp\u00e9rance sous H0<\/sub><\/em> (qui augmente d’une unit\u00e9 \u00e0 chaque retard additionnel pour une loi du khi-deux standard) est hautement r\u00e9v\u00e9lateur. Si la statistique Q<\/em> enregistre un bond disproportionn\u00e9 lors du passage d’un retard sp\u00e9cifique k<\/em> \u00e0 k+1<\/em>, cela trahit l’existence d’une autocorr\u00e9lation partielle puissante localis\u00e9e pr\u00e9cis\u00e9ment \u00e0 cet horizon. Une telle rupture signale souvent l’oubli d’une composante saisonni\u00e8re ou cyclique qui n’avait pas \u00e9t\u00e9 d\u00e9tect\u00e9e lors de l’inspection exploratoire initiale.<\/p>\n La comparaison directe de lb_stat<\/em> avec la valeur critique th\u00e9orique issue des tables de distribution de la loi \u03c72<\/sup><\/em> au quantile 1 – \u03b1<\/em> permet d’\u00e9valuer la distance qui s\u00e9pare les r\u00e9sidus empiriques de la zone de s\u00e9curit\u00e9 statistique, quantifiant ainsi la gravit\u00e9 du d\u00e9faut d’ajustement du mod\u00e8le.<\/p>\n Comme toute proc\u00e9dure d’inf\u00e9rence, le test de Ljung-Box est soumis aux al\u00e9as des erreurs de d\u00e9cision statistique de Type I (rejeter l’hypoth\u00e8se nulle alors qu’elle est vraie) et de Type II (ne pas rejeter l’hypoth\u00e8se nulle alors qu’elle est fausse). La ma\u00eetrise de ces risques n\u00e9cessite une contextualisation rigoureuse de la puissance statistique du test.<\/p>\n Le risque d’erreur de Type I survient notamment lorsque l’analyste applique le test sur un tr\u00e8s grand nombre de retards individuels en traitant chaque ligne du tableau comme un test isol\u00e9. Cette pratique induit un probl\u00e8me de multiplicit\u00e9 des tests d’hypoth\u00e8ses, augmentant m\u00e9caniquement la probabilit\u00e9 globale d’observer une p-valeur inf\u00e9rieure \u00e0 0,05 par pur hasard stochastique, m\u00eame sur un v\u00e9ritable bruit blanc gaussien.<\/p>\n Inversement, le risque d’erreur de Type II constitue une menace redoutable lorsque le test est appliqu\u00e9 \u00e0 de tr\u00e8s petits \u00e9chantillons (typiquement n < 50<\/em>). Dans cette configuration, la puissance du test s’\u00e9rode dramatiquement : la statistique Q<\/em> peine \u00e0 atteindre le seuil critique face \u00e0 des autocorr\u00e9lations r\u00e9elles mod\u00e9r\u00e9es. Le mod\u00e9lisateur risque alors d’accepter un mod\u00e8le d\u00e9ficient qui ignore des d\u00e9pendances \u00e9conomiques ou comportementales tangibles. De surcro\u00eet, le test de Ljung-Box \u00e9tant un test lin\u00e9aire, il demeure totalement aveugle aux structures d’autocorr\u00e9lation non lin\u00e9aires, telles que les d\u00e9pendances chaotiques ou les dynamiques bilin\u00e9aires, cr\u00e9ant un angle mort statistique non n\u00e9gligeable.<\/p>\n Le choix de l’horizon maximal de retard h<\/em> pour le test de Ljung-Box constitue un arbitrage d\u00e9licat qui ne doit jamais \u00eatre laiss\u00e9 au hasard ou \u00e0 la simple commodit\u00e9 num\u00e9rique. S\u00e9lectionner une valeur arbitraire sans justification th\u00e9orique expose l’analyste \u00e0 des critiques m\u00e9thodologiques substantielles. La litt\u00e9rature en s\u00e9ries temporelles propose plusieurs heuristiques formelles largement valid\u00e9es pour calibrer ce param\u00e8tre.<\/p>\n La r\u00e8gle empirique la plus universellement reconnue et int\u00e9gr\u00e9e dans les pratiques contemporaines est celle formalis\u00e9e par Rob J. Hyndman. Pour une s\u00e9rie temporelle ne pr\u00e9sentant pas de p\u00e9riodicit\u00e9 saisonni\u00e8re, la recommandation prescrit de fixer l’horizon de retard selon la formulation :<\/p>\n h = min(10, n \/ 5)<\/em><\/p>\n o\u00f9 n<\/em> repr\u00e9sente la taille effective de l’\u00e9chantillon. Cette formulation garantit que l’horizon de test capture les d\u00e9pendances d’ordre court tout en \u00e9vitant d’engager plus de 20 % des observations dans le calcul des produits crois\u00e9s. Pour les s\u00e9ries temporelles saisonni\u00e8res pr\u00e9sentant une p\u00e9riode m<\/em> (par exemple, m = 12<\/em> pour des donn\u00e9es mensuelles ou m = 4<\/em> pour des donn\u00e9es trimestrielles), Hyndman adapte son crit\u00e8re pour garantir que le test englobe au moins deux cycles complets :<\/p>\n h = min(2m, n \/ 5)<\/em><\/p>\n Une alternative acad\u00e9mique influente provient des travaux de Ruey S. Tsay en \u00e9conom\u00e9trie financi\u00e8re, qui pr\u00e9conise l’utilisation d’une r\u00e8gle fond\u00e9e sur l’\u00e9chelle logarithmique de la taille de l’\u00e9chantillon :<\/p>\n h approx ln(n)<\/em><\/p>\n Cette heuristique se montre plus conservatrice pour les volumineux jeux de donn\u00e9es \u00e0 haute fr\u00e9quence, \u00e9vitant ainsi d’accro\u00eetre inutilement les degr\u00e9s de libert\u00e9 du test.<\/p>\n La violation de ces recommandations de calibrage entra\u00eene des dysfonctionnements m\u00e9thodologiques sym\u00e9triques mais de nature oppos\u00e9e :<\/p>\n1. Introduction aux s\u00e9ries temporelles et fondements du test de Ljung-Box<\/h2>\n
1.1 D\u00e9finition de l’autocorr\u00e9lation r\u00e9siduelle dans les donn\u00e9es chronologiques<\/h3>\n
1.2 \u00c9volution historique : du test de Box-Pierce au test de Ljung-Box<\/h3>\n
1.3 Importance diagnostique pour la mod\u00e9lisation statistique avanc\u00e9e<\/h3>\n
2. Cadre th\u00e9orique et formulation math\u00e9matique du test de Ljung-Box<\/h2>\n
2.1 Formulation formelle des hypoth\u00e8ses nulle et alternative<\/h3>\n
2.2 \u00c9quation de la statistique Q de Ljung-Box<\/h3>\n
2.3 Propri\u00e9t\u00e9s asymptotiques et distribution sous l’hypoth\u00e8se nulle<\/h3>\n
3. Pr\u00e9paration de l’environnement scientifique Python<\/h2>\n
3.1 Installation et configuration des biblioth\u00e8ques analytiques<\/h3>\n
pip install statsmodels numpy pandas matplotlib seaborn scipy<\/code><\/p>\nimport numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import statsmodels.api as sm
from statsmodels.stats.diagnostic import acorr_ljungbox
from statsmodels.tsa.stattools import adfuller, kpss<\/code><\/p>\n3.2 Pr\u00e9sentation de la fonction acorr_ljungbox de Statsmodels<\/h3>\n
acorr_ljungbox<\/code>, localis\u00e9e pr\u00e9cis\u00e9ment au sein du sous-module statsmodels.stats.diagnostic<\/code>. Cette routine algorithmique a connu d’importantes refactorisations architecturales au fil des versions r\u00e9centes de la biblioth\u00e8que, rendant indispensable la compr\u00e9hension de sa signature courante.<\/p>\nreturn_df<\/code>.<\/p>\n\n
3.3 Mise en place d’un flux de travail reproductible<\/h3>\n
np.random.seed(42)<\/code> constitue une pr\u00e9caution \u00e9l\u00e9mentaire, compl\u00e9t\u00e9e si n\u00e9cessaire par le g\u00e9n\u00e9rateur moderne de NumPy via np.random.default_rng(42)<\/code>.<\/p>\nwarnings<\/code> de Python, une pratique scientifique rigoureuse consiste \u00e0 filtrer s\u00e9lectivement les messages superflus tout en maintenant visibles les alertes signalant un dysfonctionnement de convergence lors de l’estimation par le maximum de vraisemblance.<\/p>\n\n
4. Acquisition et structuration des s\u00e9ries temporelles pour l’analyse<\/h2>\n
4.1 Importation et inspection du jeu de donn\u00e9es classique SUNACTIVITY<\/h3>\n
sunspots_data = sm.datasets.sunspots.load_pandas().data
sunspots_data.index = pd.Index(sm.tsa.datetools.dates_from_range('1700', length=len(sunspots_data)))
sunspots_series = sunspots_data['SUNACTIVITY']<\/code><\/p>\n4.2 \u00c9valuation de la stationnarit\u00e9 de la s\u00e9rie<\/h3>\n
adf_result = adfuller(sunspots_series.dropna())
kpss_result = kpss(sunspots_series.dropna(), regression='c', nlags='auto')<\/code><\/p>\ndiff()<\/code>, ou le recours \u00e0 une transformation logarithmique de Box-Cox pour stabiliser la variance devient un pr\u00e9requis absolu avant toute tentative de mod\u00e9lisation param\u00e9trique et de diagnostic r\u00e9siduel.<\/p>\n4.3 Traitement des valeurs manquantes et des valeurs aberrantes<\/h3>\n
acorr_ljungbox<\/code> de Statsmodels \u00e9choue ou g\u00e9n\u00e8re des valeurs ind\u00e9termin\u00e9es si des lacunes num\u00e9riques subsistent dans le vecteur fourni en entr\u00e9e.<\/p>\nseries_imputed = sunspots_series.interpolate(method='time')<\/code><\/p>\n5. Ex\u00e9cution pratique du test de Ljung-Box avec Statsmodels<\/h2>\n
5.1 Syntaxe de base et ex\u00e9cution sur une s\u00e9rie brute<\/h3>\n
return_df=True<\/code> pour obtenir une sortie imm\u00e9diatement exploitable sous forme de DataFrame Pandas structur\u00e9.<\/p>\nlb_results = acorr_ljungbox(sunspots_series, lags=10, return_df=True)
print(lb_results)<\/code><\/p>\n\n
5.2 Param\u00e9trage manuel et vectoriel du nombre de retards<\/h3>\n
acorr_ljungbox<\/code> autorise une flexibilit\u00e9 totale dans la sp\u00e9cification du param\u00e8tre lags<\/code>. L’analyste peut transmettre un entier unique ou, \u00e0 des fins d’analyse cibl\u00e9e, une collection vectorielle d’indices temporels pr\u00e9cis.<\/p>\nlags_selection = [1, 5, 11, 22]
lb_custom = acorr_ljungbox(sunspots_series, lags=lags_selection, return_df=True)
print(lb_custom)<\/code><\/p>\np_val_11 = lb_custom.loc[11, 'lb_pvalue']<\/code><\/p>\n5.3 Utilisation du param\u00e8tre model_df pour r\u00e9sidus estim\u00e9s<\/h3>\n
model_df<\/code> lors de l’application du test de Ljung-Box \u00e0 des r\u00e9sidus de mod\u00e9lisation. Comme \u00e9tabli lors du d\u00e9veloppement th\u00e9orique \u00e0 la section 2.3, l’estimation des param\u00e8tres autor\u00e9gressifs p<\/em> et de moyenne mobile q<\/em> consomme une fraction de la variance disponible au sein de la s\u00e9rie temporelle.<\/p>\nmodel_df<\/code> de la fonction acorr_ljungbox<\/code> est initialis\u00e9 \u00e0 0. Cette configuration n’est math\u00e9matiquement valide que si le test est appliqu\u00e9 \u00e0 une s\u00e9rie brute non estim\u00e9e. Si vous \u00e9valuez les r\u00e9sidus d’un mod\u00e8le ARMA(2, 1), vous devez imp\u00e9rativement configurer le param\u00e8tre en informant la routine du nombre total de degr\u00e9s de libert\u00e9 consomm\u00e9s :<\/p>\nmodel_degrees_of_freedom = 2 + 1
lb_resid = acorr_ljungbox(model_residuals, lags=10, model_df=model_degrees_of_freedom, return_df=True)<\/code><\/p>\nNaN<\/code>, signalant ainsi \u00e0 l’utilisateur que le test est math\u00e9matiquement non d\u00e9fini sur ces horizons initiaux puisque les degr\u00e9s de libert\u00e9 r\u00e9siduels k – (p + q)<\/em> seraient inf\u00e9rieurs ou \u00e9gaux \u00e0 z\u00e9ro. Pour les retards sup\u00e9rieurs, la distribution du khi-deux utilis\u00e9e pour d\u00e9river la colonne lb_pvalue<\/code> est rigoureusement ajust\u00e9e \u00e0 k – (p + q)<\/em>. Ignorer ce param\u00e8tre induit m\u00e9caniquement une p-valeur artificiellement trop conservatrice, cr\u00e9ant un risque aigu d’erreur de premi\u00e8re esp\u00e8ce d\u00e9guis\u00e9e.<\/p>\n6. Interpr\u00e9tation statistique rigoureuse des r\u00e9sultats<\/h2>\n
6.1 Prise de d\u00e9cision selon le seuil de significativit\u00e9 alpha<\/h3>\n
\n
6.2 Analyse conjointe de la magnitude de la statistique Q<\/h3>\n
6.3 \u00c9valuation des erreurs de d\u00e9cision statistique de Type I et Type II<\/h3>\n
7. Strat\u00e9gies de calibrage optimal du nombre de retards (lags)<\/h2>\n
7.1 R\u00e8gles empiriques et heuristiques acad\u00e9miques reconnues<\/h3>\n
7.2 Cons\u00e9quences du sur-calibrage et du sous-calibrage des retards<\/h3>\n
\n