Un Peuple - Un But Une Foi

MINISTERE DE LECONOMIE ET DES FINANCES DIRECTION DE LA PREVISION ET DES ETUDES ECONOMIQUES

Document de Travail
ANALYSE ET PREVISION DES SERIES TEMPORELLES PAR LA METHODE DE BOX & JENKINS

DPEE/DSC/BPTCT@Dcembre 2007

ANALYSE ET PREVISION DES SERIES TEMPORELLES PAR LA METHODE DE BOX & JENKINS

Bady Baro MBAYE

Direction de la Prvision et des Etudes Economiques Division des Synthses Conjoncturelles

Serigne Moustapha SENE

Direction de la Prvision et des Etudes Economiques Division des Synthses Conjoncturelles

DSC/DPEE@Dcembre 2007

Les opinions mises dans ce document relvent de la seule responsabilit de leurs auteurs. Elles ne refltent nullement le point de vue de la Direction de la Prvision et des Etudes Economiques (DPEE). Les auteurs tiennent remercier tout le personnel de la DPEE, particulirement messieurs Souleymane Diallo et Mouhamadou Bamba Diop.

SOMMAIRE

I. INTRODUCTION .............................................................................................................................................. 4 II. GENERALITES SUR LES SERIES CHRONOLOGIQUES .......................................................................... 5 II.1 DEFINITIONS ET EXEMPLES ........................................................................................................................... 5 II.2 TENDANCE ET SAISONNALITE ....................................................................................................................... 6 III.3 STATIONNARITE .......................................................................................................................................... 7 III.3.1 Dfinition et exemple .................................................................................................................... 7 III.3.2 Variables intgres ....................................................................................................................... 7 II. MODELISATION ARIMA DES SERIES CHRONOLOGIQUES ................................................................ 8 II.1 LES PROCESSUS AUTOREGRESSIFS, AR(AUTOREGRESIVE)............................................................................ 8 II.2 LES PROCESSUS MOYENNES MOBILES, MA (MOVING AVERAGE) ................................................................. 9 II. 3 LES PROCESSUS ARMA(P,Q) ( AUTOREGRESIVE MOVING AVERAGE) ......................................................... 9 II.4 LES PROCESSUS ARIMA(P,D,Q) ................................................................................................................... 9 II.5 LIDENTIFICATION DANS LA METHODE DE BOX & JENKINS ........................................................................ 10 II.6 LESTIMATION DES PARAMETRES DUN MODELE ARIMA........................................................................... 12 II.7 LE DIAGNOSTIC DUN MODELE ARIMA...................................................................................................... 13 III. SAISONNALITE ET MODELE SARIMA ................................................................................................... 14 III.1 LE TEST DE SAISONNALITE DE FISHER ...................................................................................................... 14 III.2 LA DESSAISONALISATION ......................................................................................................................... 14 III.2.1 Une mthode non paramtrique, X-12 ARIMA ........................................................................... 15 III.2.2 Une mthode paramtrique, TRAMO-SEATS............................................................................... 16 III.3 LES MODELES ARIMA SAISONNIERS (SARIMA) ...................................................................................... 18 III.3.1 Dfinition .................................................................................................................................... 18 III.3.2 Identification et ajustement des modles SARIMA ..................................................................... 19 IV. MODELISATION ARIMA AVEC SPECIFICATION ARCH DES ERREURS......................................... 19 V. ANALYSE ET PREVISION DE LA MASSE MONETAIRE ET DE SES CONTREPARTIES .................. 20 VI. CONCLUSION .............................................................................................................................................. 25 ANNEXE 1 .............................................................................................................................................................. 26 ANNEXE 2 .............................................................................................................................................................. 39

I. Introduction
Rduire lincertitude lie la connaissance du futur, amliorer la qualit de linformation et des dcisions qui en dcoulent demeurent les principaux objectifs de la prvision. Il existe de nos jours un ensemble de mthodes rigoureuses, bases sur des algorithmes, permettant de faire des prvisions, notamment sur sries temporelles. La qualit dune prvision dpend en grande partie du choix port sur lune ou lautre de ces mthodes. Elle dpend galement de lart du prvisionniste dintgrer un ensemble de connaissances et de dceler dans une foule dinformations celles qui sont les plus indiques donner des prdictions probantes.

A court et moyen terme, lefficacit des mthodes statistiques (par opposition aux mthodes conomtriques) de prvision est prouve. Ces mthodes reposent sur la construction de modles auto projectifs pour lesquels les prvisions sont faites sur la base de linformation contenue dans la srie prvoir. Seule la connaissance du pass et du prsent de la srie permet de la projeter sur le futur. Cest en ce sens que les modles auto projectifs sont dits endognes.

Avec la mensualisation de la note de conjoncture de la DPEE, pour pallier les retards souvent constats dans la collecte de linformation, les mthodes auto projectives de prvisions voques ci dessus sont utilises. Elles sont accompagnes danalyses critiques des diffrents responsables de chapitres dans un processus totalement itratif.

Il sagit dans ce document de prsenter la mthode danalyse et de prvision des sries temporelles de Box & Jenkins. Aprs quelques gnralits sur les sries

chronologiques, la modlisation ARIMA est introduite avant lexpos de lanalyse et la prvision de la masse montaire et de ses contreparties. En annexes, deux tudes de cas sont prsentes, lune sur lanalyse et la prvision des variables de la situation montaire intgre, lautre sur les dbarquements de la pche artisanale dans la rgion This.

II. Gnralits sur les sries chronologiques

II.1 Dfinitions et exemples

Une srie chronologique (Xt, t T) est une suite dobservations dune variable X diffrentes dates t. Habituellement T est dnombrable, de sorte que t = 1,2,.,T. Le but de lanalyse des sries temporelles (sries chronologiques) est de sintresser la dynamique dune variable. Cette dernire est importante pour au moins deux raisons : dun point de vue conomtrique, on ne peut relier que deux variables qui ont des proprits similaires, en particulier une mme stabilit ou instabilit ; les proprits mathmatiques permettant de relier deux variables dpendent de leur dynamique. Une srie temporelle peut concerner des donnes macroconomiques (Masse montaire, PIB, inflation,), microconomiques (nombre demploys dune entreprise, ventes, ..), politiques (nombre de votants, nombre de votes nuls,.), dmographiques (ge moyen des habitants dune localit, leur taille,..),, financires ( Indice BRVM composite, cours dune action,.. ). La priodicit de la srie importe peu. Il peut sagir de mesures annuelles, semestrielles, mensuelles etc. Les figurent qui suivent prsentent une varit de sries chronologiques.

a.

La masse montaire au Sngal (en milliards F Cfa)

b. Les dbarquements de la pche artisanale dans la rgion de Fatick (en tonnes)

d. Bruit blanc

e. Exportations de biens au Sngal (en milliards F Cfa)

Figure 1 : Exemples de sries chronologiques

II.2 Tendance et saisonnalit

Lanalyse graphique dune srie temporelle reprsente sous forme de tableau permet dans certains cas de dceler une composante dterministe qui peut se prsenter sous forme de tendance ou de cycle saisonnier. La srie chronologique peut galement prsenter ces deux comportements en mme temps. Il nest toujours pas facile de dceler cette tendance et cette saisonnalit qui peuvent parfois napparatre quaprs transformation des donnes brutes par une fonction, par exemple logarithmique. Il peut galement arriver que la srie ne contienne aucune des ces composantes dterministes.

On suppose souvent quune srie brute Yt se dcompose de la manire suivante (modle additif1):
Yt Tt Ct St It

Tt dsigne la tendance qui reprsente lvolution de long terme de la srie.

Ct est le cycle. Cest un mouvement lisse, quasi priodique autour de la tendance prsentant

des phases de croissance et de rcession. Les composantes tendances et cycle sont souvent regroupes et on parle, alors, composante tendance cycle, note TC . de

Le modle multiplicatif se ramne au modle additif par transformation logarithmique.

St est la composante saisonnire et reprsente les fluctuations infra annuelles qui se

rptent de manire plus ou moins rgulire danne en anne.

I t est lirrgulier, regroupant toutes les fluctuations plus ou moins erratiques non prises en

compte dans les composantes numres ci dessus.

III.3 Stationnarit
III.3.1 Dfinition et exemple
Un processus stochastique (Yt ) est dit faiblement stationnaire ou stationnaire du second ordre si :
E (Yt ) Var (Yt ) m, t , t (h), t , h

Cov(Yt , Yt h )

Une srie chronologique est stationnaire si elle est la ralisation dun processus stationnaire. Ceci implique que la srie ne possde ni tendance ni saisonnalit et plus gnralement aucun facteur nvoluant avec le temps. Une variable stationnaire a tendance fluctuer autour de sa moyenne revenant rgulirement sa valeur dquilibre de long terme. Exemple : Un bruit blanc
t

(suite de variables alatoires indpendantes et identiquement

2

distribues) de loi normale N 0,

est stationnaire.

La stationnarit est une proprit de stabilit, la distribution de Yt est identique celle de Yt-1.

III.3.2 Variables intgres

Un processus (Xt) est dit intgr dordre d et on note Xt I(d), si sa diffrence d-ime est stationnaire. Soit L loprateur tel que : LXt = Xt-1 (1-L) Xt = Xt - Xt-1 Loprateur 1-L est appel oprateur diffrence premire. Xt est intgre dordre d si (1-L)d Xt est stationnaire.

Processus Trend Stationary (TS) et Processus Differency Stationary (DS) Un processus trend stationary (TS) est une srie non stationnaire de type dterministe, X t f (t ) t , f est une fonction du temps et t est un bruit blanc. Pour stationnariser un processus de type TS on estime f (t ) par les moindres carrs ordinaires, puis on retranche les valeurs estimes de la srie initiale. Avec un processus TS leffet produit par un choc est transitoire, la chronique retrouve son mouvement de long terme. Un processus DS prsente une non stationnarit de type alatoire. Pour stationnariser

un processus DS, on utilise le filtre aux diffrences.

II. Modlisation ARIMA des sries chronologiques

Les modles ARIMA permettent de combiner trois types de processus temporels : les processus autorgressifs (AR), les processus moyenne mobile (MA) et les processus intgrs (I). Dans le cas gnral, un modle ARIMA (p, d, q) est une combinaison de ces trois types de processus, p,d et q dsignant respectivement lordre du processus autorgressif, lordre dintgration et lordre de la moyenne mobile. Il sagit par la mthode de Box & Jenkins de construire un modle restituant le mieux possible le comportement dune srie temporelle suivant trois tapes : identification, estimation et diagnostic.

II.1 Les processus autorgressifs, AR(Autoregresive)

Un processus (Xt ) est dit autorgressif dordre p, AR(p), si lobservation prsente Xt est gnre par une moyenne pondre des observations passes jusqu la p-ime priode sous la forme suivante :
Xt
0 1

Xt

Xt

..........

Xt

,i

0,...., p

sont des paramtres positifs ou ngatifs estimer

( t ) est un bruit blanc i.e les t sont i.i.d suivant une loi N (0, 2 ) Les processus autorgressifs supposent donc que chaque point peut tre prdit par la

somme pondre dun ensemble de points prcdents, plus un terme alatoire derreur.

II.2 Les processus moyennes mobiles, MA (Moving Average)

Dans un processus (Xt ) de moyenne mobile dordre q , chaque observation Xt est gnre par une moyenne pondre dalas jusqu la q-ime priode dans le pass.
Xt
0 t 1 t 1 2 t 2

............

q t q

Les moyennes mobiles suggrent que la srie prsente des fluctuations autour dune valeur moyenne. On considre que la meilleure estimation est reprsente par la moyenne pondre dun certain nombre de valeurs antrieures (ce qui est le principe des procdures de moyennes mobiles utilises pour le lissage de donnes). Ceci revient en fait considrer que lestimation est gale la moyenne vraie, auquel on ajoute une somme pondre des erreurs ayant entaches les valeurs prcdentes.

II. 3 Les processus ARMA(p,q) ( Autorgresive Moving Average)

Les modles ARMA sont reprsentatifs de processus gnrs par une combinaison des valeurs passes et des erreurs passes.
Xt
1

Xt

Xt

..........

Xt

1 t 1

2 t 2

.........

q t q

On peut aussi crire le modle ARMA(p,q) sous la forme :

( L) X t ( L)
t

o L est loprateur de dcalage et ( t ) est le processus de bruit blanc. (L) 0 a toutes ses racines de module Un processus ARMA (p,q) est stationnaire si strictement suprieur 1. (L) 0 a toutes ses racines de module Un processus ARMA(p,q) est inversible si strictement suprieur 1.

II.4 Les processus ARIMA(p,d,q)

Un processus (Xt ) est dit ARIMA(p,d,q), p,d,q positifs ou nuls si le processus (1 L) d X t est un processus ARMA(p,q) stationnaire.

Les processus ARIMA sont utiles pour des processus qui ont des corrlations positives et lentement dcroissantes car cette proprit des autocorrlations peut tre le signe dune tendance dans la srie.
( L)(1 L) d X t ( L)

Le processus ARIMA(0,1,0) porte le nom de marche alatoire ( Random Walk Model) . Il est souvent utilis pour analyser lefficience des marchs financiers.

II.5 Lidentification dans la mthode de Box & Jenkins

Toute composante saisonnire tant suppose limine, lidentification consiste spcifier les trois paramtres p, d, q du modle ARIMA (p, d, q). La stationnarit du modle est dabord teste. Etude graphique, de corrlogrammes et test de Dickey Fuller augment sont tour tour effectus. Si la srie nest pas stationnaire, il convient de la transformer (en gnral par diffrenciation) pour obtenir une srie stationnaire. Lordre dintgration d est obtenu par le nombre de fois que la srie initiale a t diffrencie pour obtenir la stationnarit. Test de Dickey Fuller augment, analyses de corrlogrammes sont utiliss pour le dterminer. Ayant une srie stationnaire, on analyse la fonction dautocorrlation (FAC) et la fonction dautocorrlation partielle pour dterminer les paramtres p, q du modle. La fonction dautocorrlation est constitue par lensemble des autocorrlations
k

corr (Yt , , Yt k ) , k dans {1,.,K} , K tant le dcalage maximum admissible pour que le

coefficient dautocorrlation ait un sens. En gnral n/6 K n/3 o n est le nombre dobservations temporelles; si n trs grand (n150), on peut prendre K= n/5.

Le coefficient dautocorrlation dordre k,

, peut tre estim par :

10

yt rk
t k 1 n

y1 yt
n

y2
avec y1
k

1 n kt

yt et y2
k 1

1 n kt

yt
k 1

yt
t k 1

y1
t k 1

yt

y2

Sous lhypothse H0

= 0 , la statistique tc

rk 1 rk

suit une loi de Student n-2

degrs de liberts. Si la valeur calcule de tc est suprieure au quantile dordre /2 dune loi de Student n-2 degrs de libert tc bilatral).
tn
/2 2

, alors lhypothse H0 est rejete au seuil (test

La fonction dautocorrlation partielle dsigne lensemble des autocorrlations entre les variables entre Yt et Ytk , linfluence de la variable Yt-k-i tant contrle pour i<k. Plusieurs logiciels de traitement des sries temporelles (Eviews, SPSS, STATA etc) construisent des corrlogrammes qui affichent des intervalles de confiance 95% permettant de dterminer les coefficients statistiquement significatifs prendre en compte. Certaines rgles sont en gnral retenues pour interprter les corrlogrammes : Les valeurs dune fonction dautocorrlation dun processus autorgressif AR(p), dcroissent exponentiellement avec des alternances possibles de valeurs positives et ngatives. La fonction dautocorrlation partielle, quant elle, prsente p pics aux p premires valeurs du corrlogramme dautocorrlation partielle. Le corrlogramme dune fonction dautocorrlation dune moyenne mobile, MA(q), prsente q pics aux q premires valeurs. La fonction dautocorrlation partielle dune MA(q) prsente des valeurs exponentiellement dcroissantes. Si la fonction dautocorrlation dcrot lentement, il faut diffrencier la srie avant lidentification du modle. Les deux corrlogrammes simple et partiel dun processus ARMA ont des profils moins typiques. Leur interprtation est plus difficile. Ltude de tels processus ncessite le plus souvent plusieurs itrations de type identificationestimation-diagnostic.

11

Dun autre ct, Hannan et Rissanene2 suggrent, pour la dtermination des ordres p et q dun processus ARMA(p,q), une procdure en trois tapes.

Dabord on estime par les moindres carrs ordinaires (MCO) quelques processus autorgressifs dordre assez important. Ensuite, on slectionne la rgression ayant la plus petite valeur du critre dinformation dAkaike (CIA), les rsidus (et ) de cette estimation sont pris comme estimateurs des (t,) qui sont inconnus dans le modle ARMA. Dans la troisime et dernire tape, un nombre de modles ARMA sont estims en utilisant ces rsidus estims. Les quations sont estimes par les MCO pour diverses valeurs de p et de q. On choisit la spcification ayant la plus petite valeur du critre de Schwarz.

II.6 Lestimation des paramtres dun modle ARIMA

Les logiciels informatiques comme Eviews, SPSS, STATA permettent destimer les coefficients du modle identifis dans ltape prcdente, les paramtres p, q et d tant clairement spcifis.

En thorie lestimation des paramtres dun modle ARIMA(p,d,q) lorsque p,d,q sont supposs connus peut se raliser par diffrentes mthodes dans le domaine temporel : Moindres Carrs Ordinaires (cas q=0). Dans ce cas, on utilise les quations dites de Yule Walker. En remplaant les autocorrlations thoriques par leurs estimateurs, on peut retrouver les estimateurs des MCO des paramtres du modle par la rsolution des quations de Yule - Walker. Maximum de Vraisemblance approch (Box and Jenkins 1970) Maximum de Vraisemblance exacte ( Newbold 1974, Harvey et Philips 1979, Harvey 1981)

Jack Johnston et John Dinardo, 1999, Mthodes conomtriques , Econiomica.

12

Plusieurs logiciels informatiques implmentent ces mthodes destimation dun modle ARIMA (Eviews, SPSS, DEMETRA, STATA etc) notamment les mthodes du maximum de Vraisemblance approche et du maximum de vraisemblance exacte. La maximisation est ralise laide dalgorithme doptimisation non linaire (Newton Raphson, mthode du simplex). Les rsidus tant supposs dcrits par un bruit blanc gaussien
N (0,
2

),

la

vraisemblance

associe

au

vecteur

de

ralisation

( x1, x2 ,......., xT ) scrit :

(2
2

T /2

det[( i , i )] exp

1 2

1 2
2

x '[( i , i )] 1 x

II.7 Le diagnostic dun modle ARIMA

Il sagit dans cette partie deffectuer un ensemble de vrifications : Les valeurs des fonctions dautocorrlation et dautocorrlation partielle de la srie des rsidus doivent tre toutes nulles. Si les autocorrlations dordre 1 et 2 diffrent significativement de zro, alors la spcification du modle nest srement pas adapte. Il peut arriver, cependant, quune ou deux autocorrlations dordre suprieur dpassent, par alas, les limites de lintervalle de confiance 95%. Les caractristiques des rsidus doivent correspondre celles dun bruit blanc. La statistique Q de Box et Ljung, connu encore sous le nom de statistique de Box et Pierce modifie est couramment utilise pour tester le bruit blanc. La statistique Q doit tre vrifie sur une base comprise entre un quart et la moiti des observations. Elle ne doit pas tre significative pour que lhypothse du bruit blanc puisse tre conserve pour la srie des rsidus. Elle est dfinie par
K

n(n 2)
k

rk2 ( t ) k 1 n
k

et

suit

une

loi

2 K ( p q)

sous

lhypothse

H0 :

0,

0,.......,

0 , c'est--dire en labsence dautocorrlation.

13

III. Saisonnalit et modle SARIMA

III.1 Le test de saisonnalit de Fisher
Il convient deffectuer un test permettant de dtecter lexistence dune saisonnalit avant deffectuer sur srie temporelle une correction de variations saisonnires. Le test le plus communment utilis est celui de Fisher par analyse de la variance du facteur mensuel (ou trimestriel) par rapport la variance totale. Ce test se prsente comme suit : Calcul de la somme U* des carrs du modle avec tendance simple Calcul de la somme U** des carrs du modle avec tendance et saisonnalit Calcul de la valeur du Fisher empirique
F* U * U ** U ** / K P T K

La valeur du F* empirique est comparer la valeur du F thorique donn par la table de la loi de Fisher-Snedecor aux degrs de libert K-P et T-K, avec : K, le nombre de paramtres indpendants estimer dans le cadre du modle avec tendance. et saisonnalit , soit K = 2+12-1 ( car les 12 coefficients saisonniers sont lis entre eux). P, le nombre de paramtres estimer dans le cadre du modle tendance seule, P=2. T est le nombre dobservations. Hypothse n1 F* > F alors la srie est saisonnire Hypothse n2 F** F alors la srie nest pas saisonnire.

Pour une chronique relativement longue (4 ans en donnes mensuelles), F peut tre approxim par 2 ; cela vite une lecture systmatique de la table pour un risque derreur faible.

III.2 La dessaisonalisation
La dessaisonalisation dune srie temporelle consiste estimer sa composante saisonnire St et lextraire de la srie brute (Xt). On obtient ainsi une srie corrige des variations saisonnires (CVS), (XtCVS).

14

Nous voquerons essentiellement deux mthodes de dessaisonalisation, lune non paramtrique (X12-ARIMA) et lautre paramtrique (TRAMO-SEATS). Sans perte de gnralit, nous considrons que les sries sont mensuelles.

III.2.1 Une mthode non paramtrique, X-12 ARIMA

Cette mthode repose sur une technique de lissage par moyennes mobiles qui est utilise de faon itrative pour estimer les principales composantes de la srie, sa tendance et sa saisonnalit notamment.

X12- ARIMA tire ses fondements de la mthode de dsaisonnalisation X11 (US bureau of Census, 1965). Cette dernire consiste utiliser un algorithme simple en quatre tapes quon itre deux fois en changeant chaque fois les moyennes mobiles. Si nous considrons une srie (Xt) telle que Xt = (TC)3t + St + t , lalgorithme de base de X11 peut tre prsent comme suit : 1. Estimation de la Tendance-Cycle par moyenne mobile 2x12. Les coefficients de cette 1 1,2,2,2,2,2,2,2,2,2,2,2,1 moyenne mobile sont : 24 2. Estimation de la composante Saisonnier-Irrgulier : S + = X -TC 3. Estimation de la composante Saisonnire par moyenne mobile 3x3 sur chaque mois et 1 normalisation4. Les coefficients de la moyenne mobile sont : 1,2,3,2,1 . La saisonnalit 9 estime et normalise est note Snorm. 4. Estimation de la srie corrige des variations saisonnires Xcvs TC

X Snorm

5. Estimation de la Tendance-Cycle par une moyenne de Henderson (sur 13 termes) 6. Estimation de la composante Saisonnier-Irrgulier S + = X TC

Les composantes tendance et cycle dune srie chronologique sont souvent regroupes. On parle alors de composante tendance-cycle, TC. 4 La normalisation consiste imposer aux coefficients saisonniers estims dtre de somme nulle. Snorm dsigne la saisonnalit normalise.

15

7. Estimation de la composante Saisonnire par moyenne mobile 3x5 sur chaque mois et 1 1,2,3,3,3,2,1 . normalisation. Les coefficients de la moyenne mobile sont : 15 8. Estimation de la srie corrige des variations saisonnires Xcvs TC

X Snorm

La mthode X-11 a pos un certains nombres de problmes relatifs notamment aux dbuts et fins de srie. Par exemple, lorsquon dispose dun point supplmentaire et quon dsaisonnalise nouveau par la mthode X-11, il est frquent de constater des variations pour les dates les plus rcentes. Une solution apporte, avec la popularisation des modles ARIMA partir des travaux de Box & Jenkins (1970), consiste ajuster un modle ARIMA la srie initiale, prvoir les valeurs futures de la srie et appliquer la mthode de dessaisonalisation X11 la srie prolonge. Cette dmarche permet de diminuer

sensiblement les rvisions lors de lajout dun nouveau point. Cette ide est la base de X11-ARIMA/80 (Dagum, 1980). Une mthode qui prsente linconvnient majeur de ne pas corriger les effets de calendrier dans les sries avant de procder leurs modlisations ARIMA. Les logiciels X11-ARIMA/88 et X11-ARIMA/2000 rsolvent ce dernier problme. Par ailleurs lestimation de modle ARIMA est rendue difficile par la prsence de points atypiques, de rupture de niveau, deffet de calendrier. La mthode X12-ARIMA (US bureau of Census, 1998) inclut un module permettant de corriger la srie initiale de toutes sortes deffets indsirables, y compris les effets de calendrier prcdemment mentionns.

III.2.2 Une mthode paramtrique, TRAMO-SEATS

Les programmes TRAMO et SEATS sont le plus souvent utiliss ensemble et ont des objectifs complmentaires. La mthode de dessaisonalisation TRAMO-SEATS sapplique aussi bien aux sries stationnaires que non stationnaires. TRAMO (Times series Regression with ARIMA noise, Missing observations and Outliers) est un programme de pr-ajustement de la srie brute initiale. Il a pour but de dtecter les phnomnes tels que points aberrants, changements de rgime, effet de

16

calendrier (vacances, jours fris, jours ouvrables etc.), valeurs manquantes, de les estimer et de les corriger avant de modliser la srie ainsi modifier au moyen dun ARIMA.

SEATS (Signal Extraction in ARIMA Times Series) effectue la dcomposition de la srie en ses composantes tendance, saisonnalit et irrgularit et procde par extraction du signal partir de la densit spectrale de la srie initiale. La mthode est base sur une modlisation de la srie par un modle ARIMA, ce qui justifie lutilisation au pralable du programme TRAMO. Encadr 1 : Analyse spectrale Une srie temporelle peut tre considre de deux points de vue : celui du temps et celui des frquences. Sagissant des frquences, on part de lexpression de la srie (Xt ) comme somme de fonctions sinusodales. Le spectre de la srie correspond au graphique qui associe chaque frquence son importance dans la srie. Les basses frquences correspondent par nature des composantes voluant lentement, comme le cycle ou la tendance, et les hautes frquences des composantes qui voluent plus vite, comme lirrgulier.

Thoriquement, lintgration de variations saisonnires dans les modles ARIMA se fait en greffant sur le modle de base un autre modle dit saisonnier. Ce dernier dcrit le lien entre la valeur de la srie en un moment donn et sa valeur lanne prcdente. Les retards associs ce modle sont donc exprims en nombre dannes. Pour spcifier cette partie du modle, on introduit trois paramtres correspondants aux ordres respectifs des parties autorgressive, intgre et moyenne mobile du modle saisonnier. Ils sont nots respectivement P, D, Q et sont limits aux valeurs 0 et 1 dans SEATS.

Plusieurs logiciels contiennent des modules permettant dimplmenter les mthodes de dessaisonalisation X11, X11- ARIMA, X12- ARIMA ou TRAMO SEATS. Certains dentre eux offrent la possibilit de faire directement des prvisions partir de modles prenant en compte la saisonnalit. Une autre approche consiste calculer la srie corrige des variations saisonnires (CVS) et les coefficients saisonniers, faire les prvisions sur la srie

17

CVS avant dappliquer les coefficients saisonniers pour obtenir les prvisions de la srie initiale.

III.3 Les modles ARIMA saisonniers (SARIMA)

Si lon veut traiter, en mme temps, les saisonnalits de priode s (sans supposer une rptition exacte, dterministe des donnes) on est amen dfinir les processus ARIMA saisonniers (SARIMA)

III.3.1 Dfinition
(Xt ) est appel processus SARIMA(p,d,q) (P,D,Q)s avec priode s, si
Yt (1 L) d (1 L) D X t

est un processus ARMA(p,q) stationnaire.

A( L) F ( Ls )Yt ( L)G ( Ls )
t

o A(z) est un polynme gnrateur dun AR(p),

p

A( z ) 1
k 1

ak z k

(z ) est un polynme gnrateur dun MA(q),

q

( z) 1
k 1

zk

et o, pour la saisonnalit Yt

Yt s ,

F(z) est un polynme gnrateur dun AR(P),

P

F ( z)

1
k 1

zk

et G(z) est un polynme gnrateur dun MA(Q),

Q

G( z )

1
k 1

zk

18

III.3.2 Identification et ajustement des modles SARIMA

Lidentification et lajustement des modles SARIMA aux donnes X1, X 2 ,......, X T se fait selon le plan suivant : Appliquer une transformation de type Box-Cox pour stabiliser la variance des donnes (parfois la variance augmente en fonction du niveau de la srie). Les deux transformations les plus importantes de type Box Cox sont : Log ( X t ), X t . Choisir d, D, s (souvent il suffit de prendre 0d2, 0D1 ) de sorte que
Yt (1 L) d (1 Ls ) D X t

soit stationnaire. Calculer les autocorrlations et les autocorrlations partielles. Choisir p et q tels que les autocorrlations et autocorrlations partielles dordre 1 s-1 soient compatibles un ARMA(p,q). Choisir P et Q de sorte que les autocorrlations dordre ks correspondent un ARMA(P, Q). Estimation des paramtres du modle. Contrle de la qualit du modle par analyse des rsidus.

IV. Modlisation ARIMA avec spcification ARCH des erreurs

Si dans une modlisation ARIMA une chronique prsente une volatilit instantane qui dpend du pass alors on introduit une spcification ARCH (Autorgressive Conditional Heteroskedastic) linaire ( ARCH(q), GARCH(p,q), IGARCH(p,q), ARCH-M, GARCH-M) ou non linaire (TARCH(p,q), EGARCH(p,q), TGARCH(p,q)) des erreurs du modle. Un processus ( t , t
Z ) de moyenne nulle non corrle est un ARCH(q) si sa variance

conditionnelle par rapport linformation It-1 disponible la date t-1 scrit :

V ( t / It 1 )
avec
E( t / It 1 ) 0

ht2

2 1 t 1

2 2 t 2

...........

2 q t q

Les conditions dexistence de ce modle sont :

19

0 et

1,....., q

0
t

Une condition ncessaire de stationnarit des

q

est :

i i 1

Soit un modle ARMA(p,q) avec une spcification ARCH des erreurs

V ( t / It 1 )

ht2

2 1 t 1

2 2 t 2

...........
1 2

2 q t q

Considrons lhypothse embote

H0 :

........

0 ; contre lhypothse

alternative H1 les i ne sont pas tous nuls. Si lhypothse H0 est vraie, la variance de lerreur est constante (erreur homocdastique). Dans le cas contraire les termes derreurs suivent un ARCH dont lordre q est dterminer. Le test est bas soit sur un test de Fisher classique, soit sur un test du multiplicateur de Lagrange.

Une autre approche consiste calculer le corrlogramme des rsidus aux carrs du modle initial. Si les termes de ce corrlogramme sont significativement diffrents de 0, alors on peut conclure une spcification de type ARCH ; on utilise pour cela la statistique Q de Ljung-Box.

V. Analyse et prvision de la masse montaire et de ses contreparties

La masse montaire est projete partir de ses contreparties que sont les avoirs extrieurs nets et le crdit intrieur.

La mthode de Box & Jenkins (modlisation ARIMA) est utilise pour faire les projections sur les avoirs extrieurs nets et le crdit intrieur avec, au besoin, une spcification ARCH des erreurs. Les raisons de ce choix sont lies diffrentes considrations. Dabord il faut signaler que la plupart des sries macro-conomiques sont non stationnaires. En effet, elles sont le plus souvent affectes dune volution de long terme (tendancielles). Cest le cas notamment de la masse montaire et de ses contreparties (les avoirs extrieurs

20

nets et le crdit intrieur). La mthode de Box & Jenkins regroupe un ensemble de modles adapts au traitement de telles sries. Ensuite, la modlisation ARIMA est certes plus difficile mais donne de meilleurs rsultats en matire de prvision. Cest en cela quelle est de plus en plus utilise par les prvisionnistes, au point de devenir quasi-incontournable. Enfin, les outils informatiques disponibles permettent limplmentation complte de la mthode de Box & Jenkins.

Les avoirs extrieurs nets sont directement lis la balance des paiements. La variation des AEN est, en effet, gale au solde global de balance des paiements quelques carts prs. Ces carts concernent les rvaluations. Ils sont lis aux fluctuations des taux de change, au fait que la balance des paiements enregistre des flux aux cours de la priode en utilisant les taux de change du moment alors que les stocks davoirs et dengagements dans la situation montaire sont valus aux taux de fin de priode. Nous ne saurions passer sous silence ces considrations mme si lon ne dispose pas encore de donnes mensuelles de la balance des paiements.

Le niveau des Autres Postes Nets (APN), au passif du bilan consolid des institutions montaires, est maintenu constant au dernier connu. Ce choix, inspir de la programmation financire, se justifie par le fait quil nexiste pas dinstrument financier permettant dinfluer directement les Autres Postes Nets. Excepts les postes explicitement prsents dans la situation montaire, les Autres Postes Nets (APN) regroupent tous les comptes des bilans des banques. Ils incluent des comptes de capital, dimmobilisations, de pertes et profits et des comptes dajustements. Si les comptes incluent dans les APN voluent suivant une tendance stable, une autre approche de projection des APN consiste prolonger cette tendance.

De lgalit comptable du bilan des institutions montaires,

AEN + CIN = M2 + APN AEN CIN : Avoirs Extrieurs Nets : Crdit Intrieur 21

M2 APN

: Masse montaire : Autres Postes Nets

on dduit, en variation M2 = AEN + CIN. La masse montaire (M2) est projete suivant cette dernire galit, les valeurs projetes des avoirs extrieurs nets et du crdit intrieur tant dj connues.

Les projections des diffrentes composantes de la masse montaire (circulation fiduciaire, dpts en banques, dpts aux comptes chques postaux) sont obtenues en prolongeant la dernire structure de rpartition connue. En effet, sur une longue priode, la rpartition de la masse montaire du Sngal en ses diffrentes composantes est reste trs stable. Le tableau suivant en donne une illustration :

Tableau 1 : Rpartition de la masse montaire en ses composantes

JAN. 12/10/07 - MASSE MONETAIRE (1) . C FIDUCIAIRE (2) (2)/(1) . DEPOTS EN C.C.P. (3) (3)/(1) . DEPOTS EN BANQUES (4) (4)/(1) 2006 1 542 209,7 371 993,8 0,2 6 791,1 0,0 1 163 424,8 0,8

FEV. 2006 1 530 574,6 371 907,2 0,2 10 091,8 0,0 1 148 575,6 0,8

MARS. 2006 1 552 802,3 387 688,6 0,2 9 830,7 0,0 1 155 283,0 0,7

AVRIL. 2006 1 581 917,4 397 104,1 0,3 10 116,9 0,0 1 174 696,4 0,7

MAI. 2006 1 567 297,5 385 999,9 0,2 8 869,7 0,0 1 172 427,9 0,7

JUIN. 2006 1 596 684,6 391 851,3 0,2 12 435,8 0,0 1 192 397,5 0,7

JUIL 2006 1 610 404,3 392 550,3 0,2 12 453,3 0,0 1 205 400,7 0,7

AOUT 2006 1 608 700,2 395 698,9 0,2 12 453,3 0,0 1 200 548,0 0,7

SEPT. 2006 1 646 676,0 396 421,8 0,2 12 453,3 0,0 1 237 800,9 0,8

OCT 2006 1 628 438,2 391 221,0 0,2 15 295,1 0,0 1 221 922,1 0,8

NOV 12/10/07 - MASSE MONETAIRE (1) . C FIDUCIAIRE(2) (2)/(1) . DEPOTS EN C.C.P. (3) (3)/(1) . DEPOTS EN BANQUES (4) (4)/(1) 2006 1 673 856,6 391 814,0 0,2 15 378,8 0,0 1 266 663,8 0,8

DC 2006 1 751 211,9 453 413,9 0,3 16 765,4 0,0 1 281 032,6 0,7

JANV 2007 1 727 377,5 419145,1 0,2 18678,4 0,0 1289554 0,7

FVR 2007 1 753 074,1 427125,3 0,2 18635,6 0,0 1307313,2 0,7

MARS 2007 1 785 760,0 453 820,1 0,3 18 635,6 0,0 1 313 304,3 0,7

AVRIL 2007 1 808 505,9 425 789,1 0,2 20 729,1 0,0 1 361 987,7 0,8

MAI 2007 1 818 566,6 444 257,5 0,2 20 729,1 0,0 1 353 580,0 0,7

JUIN 2007 1 847 424,8 438 166,3 0,2 6 743,4 0,0 1 402 515,1 0,8

JUILLET. 2007 1 790 855,8 410 419,6 0,2 6 743,4 0,0 1 373 692,8 0,8

AOUT. 2007 1 882 333,5 441 564,6 0,2 6 743,4 0,0 1 434 025,5 0,8

22

De manire analogue, les avoirs extrieurs nets des institutions montaires sont rpartis en avoirs extrieurs nets de la BCEAO et avoirs extrieurs nets des banques primaires.
Tableau 2 : Rpartition des avoirs extrieurs nets en ses composantes

12/10/07 - AVOIRS EXTERIEURS NETS (1) . BCEAO (2) (2)/(1) . BANQUES (3) (3)/(1)

JAN. 2006 773 456,5 604 517,5 0,8 168 939,0 0,2

FEV. 2006 730 850,7 561 919,7 0,8 168 931,0 0,2

MARS. 2006 731 343,3 550 563,3 0,8 180 780,0 0,2

AVRIL. 2006 756 442,4 588 410,4 0,8 168 032,0 0,2

MAI. 2006 702 573,9 566 563,3 0,8 136 010,6 0,2

JUIN. 2006 729 048,6 581 949,8 0,8 147 098,8 0,2

JUIL 2006 737 307,7 582 814,6 0,8 154 493,1 0,2

AOUT 2006 744 951,7 606 175,3 0,8 138 776,4 0,2

SEPT. 2006 752 975,0 590 517,9 0,8 162 457,1 0,2

OCT 2006 744 981,4 569 556,8 0,8 175 424,6 0,2

12/10/07 - AVOIRS EXTERIEURS NETS (1) . BCEAO (2) (2)/(1) . BANQUES (3) (3)/(1)

NOV 2006 748 810,3 542 159,1 0,7 206 651,2 0,3

DC 2006 779 541,2 569 325,0 0,7 210 216,2 0,3

JANV 2007 793 614,2 598916,2 0,8 194698,0 0,2

FVR 2007 780 899,6 605112,9 0,8 175786,7 0,2

MARS 2007 805 184,4 618 878,3 0,8 186 306,1 0,2

AVRIL 2007 835 116,8 650102,4 0,8 185014,4 0,2

MAI 2007 836 619,7 656125,3 0,8 180494,4 0,2

JUIN 2007 823 209,1 656947,3 0,8 166261,8 0,2

JUILLET. 2007 796 135,6 602 354,8 0,8 193 780,8 0,2

AOUT. 2007 853 870,3 679 737,5 0,8 174 132,8 0,2

Les estimations mensuelles de la Position Nette du Gouvernement (PNG) par rapport au systme bancaire sont souvent obtenues temps de la BCEAO. Au cas chant, le niveau estim de lencours des crdits lconomie est obtenu par solde. Dans le cas contraire, dfaut davoir les estimations du financement intrieur bancaire au niveau du Tableau des Oprations Financires de lEtat (la variation de la PNG est gale au financement intrieur bancaire quelques ajustements prs), la rpartition du crdit intrieur suivant les crdits lconomie et la position nette du gouvernement se fera suivant la dernire structure de rpartition connue.

Les crdits lconomie sont rpartis selon la dure et selon la branche dactivits en suivant la dernire structure de rpartition connue.

23

Tableau 3 : Rpartition des crdits lconomie selon la dure

Jan. 06 CT (1) (1)/(4) MT (2) (2)/(4) LT (3) (3)/(4) Total (4) 780658 0,72 290381 0,27 20319 0,02 1091358

Fv. 06 815957 0,72 297859 0,26 21920 0,02 1135736

Mars 06 783999 0,71 296505 0,27 23730 0,02 1104234

Avril 06 772228 0,70 304071 0,28 22722 0,02 1099021

Mai 06 800697 0,71 307971 0,27 23202 0,02 1131870

Juin 06 723068 0,71 269289 0,27 19121 0,02 1011478

Juillet 06 793986 0,70 305699 0,27 31338 0,03 1131023

Aot 06 769253 0,69 306983 0,28 33192 0,03 1109428

Sep. 06 CT (1) (1)/(4) MT (2) (2)/(4) LT (3) (3)/(4) Total (4) 783157 0,69 313144 0,28 33047 0,03 1129348

Oct. 06 748577 0,68 313039 0,29 32968 0,03 1094584

Nov. 06 740188 0,68 311781 0,29 33953 0,03 1085922

Dc. 06 795948 0,69 316331 0,28 34163 0,03 1146442

Jan. 07 749321 0,68 328704 0,30 26097 0,02 1104122

Fv. 07 768645 0,68 325442 0,29 28405 0,03 1122492

Mars 07 769397 0,68 328675 0,29 25734 0,02 1123806

Tableau 4 : Rpartition des crdits lconomie selon les branches dactivits

Jan. 06

Fv. 06

Mars 06

Avril 06

Mai 06

Juin 06

Juillet 06

Aot 06

Commerce Htels/B/R (1) (1)/(4)

269267 0,25

275759 0,24

284802 0,26

271414 0,25

281213 0,25

267604 0,26

280028 0,25

272472 0,25

Ind. Manufact. (2) (2)/(4)

315826 0,29

347279 0,31

302024 0,27

282714 0,26

303913 0,27

289499 0,29

301341 0,27

294551 0,27

Services Collectivits (3) (3)/(4) Autres Total (4)

302756 0,28 203509 1091358

306357 0,27 206341 1135736

312838 0,28 204570 1104234

331675 0,30 213218 1099021

331216 0,29 215528 1131870

268587 0,27 185788 1011478

334473 0,30 215181 1131023

327244 0,29 215161 1109428

Sep. 06

Oct. 06

Nov. 06

Dc. 06

Jan. 07

Fv. 07

Mars 07

Commerce Htels/B/R (1) (1)/(4)

286141 0,25

281114 0,26

278952 0,26

304255 0,27

301412 0,27

305062 0,27

314391 0,28

Ind. Manufact. (2) (2)/(4)

288810 0,26

267954 0,24

271058 0,25

287899 0,25

249076 0,23

249070 0,22

254138 0,23

Services Collectivits (3) (3)/(4) Autres Total (4)

333841 0,30 220556 1129348

329540 0,30 215976 1094584

316367 0,29 219545 1085922

333454 0,29 220834 1146442

331668 0,30 221966 1104122

345366 0,31 222994 1122492

329215 0,29 226062 1123806

24

VI. Conclusion
Ce document se veut un instrument de travail du bureau de lanalyse et de la prvision trs court terme de la DPEE. La mthode de Box & Jenkins danalyse et de prvision des sries temporelles y est dveloppe. Aprs quelques gnralits sur les sries chronologiques, la modlisation ARIMA est introduite en distinguant les sries temporelles sans saisonnalit de celles saisonnires (modlisation SARIMA). Ont t galement dveloppes deux mthodes de dessaisonalisation de sries temporelles, lune non paramtrique, X12- ARIMA et lautre paramtrique, TRAMO-SEATS, avant lexamen de lanalyse et la prvision de la masse montaire et de ses contreparties au Sngal. Deux tudes de cas, en annexes, terminent le document, lune sur les prvisions des variables de la situation montaire intgre, lautre sur les dbarquements de la pche artisanale dans la rgion de This. Prdire lavenir tant un exercice difficile, le Bureau de lAnalyse et de la Prvision trs court terme sattelle souvrir toute collaboration. Dans ce cadre, les avis dexperts de la DPEE, responsables de chapitres de la note de conjoncture sont importants. Ils

permettent, en effet, de comprendre les phnomnes dcels par la modlisation et au cas chant daffiner par introduction de certaines corrections. Par ailleurs, au del de la mthode scientifique adopte, la dmarche reste trs importante en matire de prvision. Le principe danalyse et de prvision, par la mthode de Box & Jenkins, adopt est largement itratif avec notamment rptition des tapes

identification, estimation et prvision jusqu obtention dun modle adquat. Aussi, les sries de donnes sont rgulirement mises jour aprs examen critique, postriori, des carts prvisions ralisations. Enfin, les mthodes et techniques de prvisions voluant plus ou moins rapidement, il est important de se doter dune bonne documentation et se recycler en permanence par des formations cibles.

25

ANNEXE 1

26

Prvisions des variables montaires suivant la mthode de Box & Jenkins (Modlisation ARIMA)

Les donnes utilises dans cette tude sont fournies par la BCEAO. Elles concernent la situation mensuelle des institutions montaires de janvier 2004 juin 2007 (en millions de francs CFA). 1. Les Avoirs Extrieurs Nets (AEN)

1.1 Analyse des caractristiques de la srie

Ev olution des av oirs extrieurs nets

850000 800000 750000 700000 650000 600000 550000 500000 04:01

04:07

05:01

05:07

06:01 AEN

06:07

07:01

07:07

Corrlogramme de AEN

27

Les termes du corrlogramme simple sont levs mme pour des dcalages importants. Le graphe et le corrlogramme de la srie des AEN sont typiques dune srie affecte de tendance.

Test de stationnarit de Dickey Fuller Augment

Test sur la variable en niveau

H0 : Racine unitaire (non stationnaire) H1 : Non racine unitaire (stationnaire)

Les rsultats du test sur la variable en niveau sont rcapituls dans le tableau suivant :

ADF Test Statistic

-2.57782

1% Critical Value* -4.2023 5% Critical Value 10% Critical Value -3.5247 -3.1931

*MacKinnon critical values for rejection of hypothesis of a unit root.

Pour les seuils 1%, 5% comme 10%, on a ADF Test Statistic > Critical value. On rejette lhypothse H1. La srie AEN est non stationnaire.

Test sur la variable en diffrences premires

Les rsultats du test sur la variable diffrences premires sont rcapituls dans le tableau suivant :

28

ADF Test Statistic

-7.423636

1% Critical Value* -4.2092 5% Critical Value 10% Critical Value -3.5279 -3.1949

*MacKinnon critical values for rejection of hypothesis of a unit root.

Pour les seuils 1%, 5% comme 10%, on a ADF Test Statistic < Critical value. D(AEN) est stationnaire. La srie AEN est intgre dordre 1.

Identification

Les fonctions dautocorrlations sont calcules sur la srie des diffrences premires. Le corrlogramme de la srie D(AEN) pousse anticiper un MA(1), un AR(1), un AR(2), un ARMA(1,1) ou un ARMA(2,1). Seuls le MA(1), le AR(1) et le AR(2) ont donn des rsultats satisfaisants. La spcification avec le MA(1) minimise le critre de Akaike. Il a t retenu.

Corrlogramme de D(AEN)

29

Estimations

Le modle est globalement significatif, la probabilit de la statistique de Fisher est, en effet, infrieure 5%. Aussi, les coefficients estims sont tous statistiquement significatifs comme latteste la statistique de Student.

Adquation du modle

Corrlogramme des rsidus

30

Le corrlogramme de la srie des rsidus montre quaucun terme nest extrieur aux deux intervalles de confiance. On accepte lhypothse que la srie des rsidus est un bruit blanc. La srie des avoirs extrieurs nets est valablement reprsent par un ARIMA(0,1,1).

Les AEN sont reprsents par le processus :

AENt - AENt-1 = 6704,923 + t - 0,54 t-1

Prvisions

Le Mean Absolute Percentage Error (3,65%) et le coefficient de THEIL (0,02) restent proches de zro. Ce qui prsage dune bonne qualit des prvisions.

Mois 2007 : 07 2007 : 08

AEN 845,2 851,9

1.6 Avoirs extrieurs nets de la BCEAO et avoirs extrieurs nets des banques primaires

La rpartition des avoirs extrieurs nets des institutions montaires en avoirs extrieurs nets de la BCEAO et avoirs extrieurs nets des banques primaires est reste stable. Ainsi, la dernire structure de rpartition enregistre a t reconduite pour les estimations de juillet et aot 2007.

Mois

AEN Banque centrale

AEN Banques primaires 674,6 177,3

2007 : 07 2007 : 08

669,3 175,9

31

2. Le crdit intrieur

2.1 Analyse des caractristiques de la srie

Ev olution du crdit intrieur

1200000

1100000

1000000

900000

800000

700000 04:01

04:07

05:01

05:07

06:01 CIN

06:07

07:01

07:07

Corrlogramme de CIN

32

Le graphe et le corrlogramme de la srie CIN sont typiques dune srie affecte dune tendance.

Test de stationnarit de Dickey Fuller Augment

Test sur la variable en niveau

H0 : Racine unitaire (non stationnaire) H1 : Non racine unitaire (stationnaire)

Les rsultats du test sur la variable en niveau sont rcapituls dans le tableau suivant :

ADF Test Statistic

-2.211147

1% Critical Value*

-4.2023

5% Critical Value -3.5247 10% Critical Value -3.1931 *MacKinnon critical values for rejection of hypothesis of a unit root.

Pour les seuils 1%, 5% comme 10%, on a ADF Test Statistic > Critical value. On rejette lhypothse H1. La srie CIN est non stationnaire.

Test sur la variable en diffrences premires

Les rsultats du test sur la variable en diffrences premires sont rcapituls dans le tableau suivant : 33

ADF Test Statistic

-7,503403

1% Critical Value* 5% Critical Value 10% Critical Value

-4.2092

-3.5279 -3.1949

*MacKinnon critical values for rejection of hypothesis of a unit root.

Pour les seuils 1%, 5% comme 10%, on a ADF Test Statistic < Critical value. D(CIN) est stationnaire. La srie CIN est intgre dordre 1.

2.2 Identification

Les fonctions dautocorrlation sont calcules sur la srie des diffrences premires.

34

Le corrlogramme de la srie D(CIN) pousse anticiper une moyenne mobile dordre 1, MA(1), un AR(1), un AR(2) ou un ARMA(1,1).

2.3 Estimation

Les rsultats ne sont pas satisfaisants dans le cas dun ARMA(1,1). Les autres spcifications ont donn des rsultats satisfaisant avec le critre de Akaike minimal dans le cas du AR(2)

Lestimation des paramtres sur la srie des diffrences premires :

Le modle est globalement significatif comme latteste la statistique de Fisher. Aussi, les coefficients pris individuellement sont tous statistiquement significatifs. Les probabilits de la statistique de Student sont, en effet, toutes infrieures 5%.

35

2.4 Adquation du modle

Corrlogramme des rsidus

Le corrlogramme des rsidus est typique dun bruit blanc. La srie CIN est valablement reprsente par un ARIMA(2,1,0).

D(CIN)t = 8888,29 -0,48 D(CIN)t -1 - 0,32 D(CIN)t -2 + t

2.5 Prvisions

Mois 2007 : 07 2007 : 08

CIN 1184,9 1193,6

Le MAPE (6,21%) et le coefficient de THEIL (0,03), proches de zro, rassurent quant la qualit des prvisions.

36

2.6 Position Nette du Gouvernement (PNG), crdits lconomie

Aux mois de janvier et fvrier 2007, la position nette du gouvernement est estime, par la BCEAO, dbitrice de 28,3 milliards de FCFA et 22,1 milliards de FCFA respectivement. Le niveau des crdits lconomie est dduit par solde.

Mois 2007 : 07

PNG 2,9

CECO 1182

Rpartition des crdits lconomie selon la dure et selon les branches dactivits : Selon la dure : CT MT LT 851 307,3 23,6 72% 26% 2%

Selon les branches dactivits

Industrie manufacturire Commerce- Htels-Bars-Restaurants Services Autres Total

335,62 310,39 209,48 326,5 1182

28,40% 26,30% 17,70% 27,60% 100%

3. La masse montaire

De lgalit M2

= AEN + CIN (les autres postes nettes tant projetes constants

leur dernier niveau enregistr) on tire les estimations de la masse montaire en milliards de FCFA. Mois 2007 : 07 2007 : 08 M2 1878 1893,4

37

La structure de rpartition de la masse montaire en ses diffrentes composantes est stable. La dernire enregistre a t reconduite pour les estimations des mois de janvier et de fvrier.

Mois

Circulation Dpts Fiduciaire en CCP 20,9 21,1

Dpts en banques 1427 1438,7

2007 : 07 2007 : 08

430,1 433,6

NB : Toutes les prvisions sont en milliards de FCFA. 4. Comparaison prvisions ralisation fin aot 2007

- AVOIRS EXTERIEURS NETS . BCEAO . BANQUES - CREDIT INTERIEUR . POSITION NETTE DU GOUVERNEMENT . CREDITS A L'ECONOMIE * Campagne * Ordinaire dont douteux et litigieux ACTIF = PASSIF - MASSE MONETAIRE . CIRCULATION FIDUCIAIRE . DEPOTS EN C.C.P. . DEPOTS EN BANQUES - AUTRES ELEMENTS NETS

Donnes Estimations BCEAO DPEE 853,9 851,9 679,7 674,6 174,1 177,3 1179,0 1193,6 3,0 26,4* 1176,0 1195,2 22,0 21,5 1154,0 1173,7 59,0 56,9 2032,8 2045,5 1882,3 1893,4 441,6 433,6 6,7 21,1 1434,0 1438,7 150,5 152,1

*Cette estimation de la PNG a t fourbie par la BCEAO et rajuste par la suite

38

ANNEXE 2

39

Analyse et prvision des dbarquements de la pche artisanale au Sngal Les sries mensuelles des dbarquements de la pche artisanale au Sngal concernent les rgions de Dakar, This, Fatick, Saint Louis, Louga, Kaolack et Ziguinchor. La rgion de This fourni, bon an mal an, prs de 70% des dbarquements de la pche artisanale au Sngal. La srie concernant cette rgion est, galement, mise jour rgulirement partir de donnes provenant de la Direction de la Pche Maritime (DPM).
Evolution des dbarquements de la pche artisanale dans la rgion de This

35000 30000 25000 20000 15000 10000 5000 98 99 00 01 02 03 04 05 06 07

T HIES

Corrlogramme des dbarquements de la pche artisanale dans la rgion de This

40

Le graphe et le corrlogramme de la srie des dbarquements de la pche artisanale dans la rgion de This attestent dune saisonnalit significative des donnes. En effet les fonctions dautocorrlations simple et partielle prsentent un pic marqu pour un retard h=12 correspondant la priodicit des donnes. Le modle SARIMA est retenu pour lajustement et les prvisions sur la srie. Le module TRAMO-SEATS de DEMETRA est utilis.

PRE-ADJUSTMENT Transformation Mean Correction Mean t-value Correction for Trading Day Effects Trad1 t-value Trad2 t-value Trad3 t-value Trad4 t-value Trad5 t-value Trad6 t-value Trad7 t-value Correction for Outliers Critical t-value Corr. for Missing Obs. Corr. for Other Regr. Effects Specif. of the ARIMA model Non-seas. AR (lag 1) value Non-seas. AR (lag 1) t-value Seasonal AR (lag 12) value Seasonal AR (lag 12) t-value Method of Estimation DECOMPOSITION ARIMA Decomposition Seasonality Exact Seasonal model used None Yes 24.58 [-1.972, 1.972] 5% 6 Regressor(s) -0.55 [-1.972, 1.972] 5% -0.55 [-1.972, 1.972] 5% 0.13 [-1.972, 1.972] 5% 0.97 [-1.972, 1.972] 5% -1.31 [-1.972, 1.972] 5% 0.90 [-1.972, 1.972] 5% 0.41 (derived) [-1.972, 1.972] 5% Autom.:AO,LS,TC 3.160 None None (1 0 0)(1 0 0) (fixed) -0.4132 -4.66 [-1.972, 1.972] 5% -0.3096 -3.26 [-1.972, 1.972] 5% Exact Maximum Likelihood

Prajustement de la srie

Aucune transformation sur la variable na t ncessaire. Sept rgresseurs sont introduits pour la correction de jours ouvrables. Leurs valeurs sont non significatives. Pas de correction deffets indsirables, de valeurs manquantes ou de correction pour lanne bissextile. Un modle ARIMA(1,0,0)(1,0,0) est finalement retenu.

41

Estimation du modle Lestimation des paramtres du modle est ralise par la mthode du maximum de vraisemblance exacte. Le module TRAMO-SEAT implment sous le logiciel DEMETRA est utilis. Diagnostic et validation du modle

Information on Diagnostics SA quality index (stand. to 10) STATISTICS ON RESIDUALS Ljung-Box on residuals Box-Pierce on residuals Ljung-Box on squared residuals Box-Pierce on squared residuals DESCRIPTION OF RESIDUALS Normality Skewness Kurtosis

Model 1 (Tramo-Seats) 1.492 [0, 10] ad-hoc

19.16 [0, 33.90] 5% 0.31 [0, 5.99] 5% 25.87 [0, 33.90] 5% 0.06 [0, 5.99] 5%

0.41 [0, 5.99] 5% -0.01 [-0.46, 0.46] 5% 2.70 [2.08, 3.92] 5%

La statisque de Ljung Box sur les rsidus nest pas significative, en atteste la valeur lintrieur de lintervalle de confiance 95%. La mme statistique sur les rsidus au carr nest galement pas significative. Une spcification ARCH des erreurs du modle nest donc pas ncessaire. La normalit des rsidus du modle est accepte vu la valeur critique (0, 41) lintrieur de lintervalle de confiance 95%. La srie des rsidus du modle retenu est donc assimilable un bruit blanc. Les dbarquements de la pche artisanale dans la rgion de This sont valablement reprsents par un ARIMA(1,0,0)(1,0,0). Les prvisions donnent les rsultats suivants pour les mois de juillet et daot 2007 (en tonnes) :

07:2007 19747

08:2007 19769,3

42

Bibliographie :

Gourieroux et Monfort, Sries temporelles et modles dynamiques , Economica.

Doucour Fodiy Bakary, 2004, Economtrie applique, cours et travaux pratiques , CREA Dakar.

Desbois Dominique, 2005, Une introduction la mthodologie de Box et Jenkins : lutilisation de modles ARIMA avec SPSS , Revue MODULAD.

Rgis Bourbonnais Jean Claude Usunier, 1997, Pratique de la Prvision des ventes , Economica.

Jack Johnston et John Dinardo, 1999, Mthodes conomtriques, Economica. James D. Hamilton, 1994, Time Series Analysis , Princeton University Press.

Dominique Ladiray, Benot Quenneville, 1999, Comprendre la mthode X11 , note non publie.

Georges Bresson, Alain Pirotte, 1995, Economtrie des sries temporelles , Puf.

43