Vous êtes sur la page 1sur 29

UNIVERSITE CHEIKH ANTA DIOP DE DAKAR

FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION


FASEG
COURS DE TECHNIQUES DE PREVISIONS
MASTER PROFESSIONNEL EN
- TRANSPORT LOGIQTIQUE
- FINANCE
- ECONOMIE RURALE
- MONNAIE BANQUE FINANCE
Travaux pratiques
Logiciel : Eviews
Anim par Monsieur Abdon Privat PAMBOU

Thme 1 : Analyse des sries chronologiques


Etude de cas n1 : dtermination de la tendance
Le chiffre daffaires (en millions de FCFA) dune socit du deuxime trimestre
1992 au troisime trimestre 1998 est donn dans le tableau ci-aprs.
Anne
1992
1993
1994
1995
1996
1997
1998

Trimestre 1
9 680
10 738
10 869
11 108
11 437
11 507

Dterminer la tendance
1) Par le procd
2) Par le procd
3) Par le procd

Trimestre 2
9 050
10 100
10 910
11 034
11 115
11 352
11 453

Trimestre 3
9 380
10 160
11 058
11 135
11 424
11 381
11 561

Trimestre 4
9 378
10 469
11 016
10 845
10 595
11 401

de cette srie
dune moyenne mobile dordre 4
dune droite de rgression
du filtre de Hodrick-Prescott

Etude de cas n 2 : Dtermination de la saisonnalit


On considre la srie des ventes mensuelles dun produit festif, de Janvier 1982
Septembre 1990. Cette srie de 105 observations est donne au tableau
de la page 5
1) Reprsenter graphiquement cette srie chronologique.
2) Cette srie est-elle saisonnire ? (Utiliser le corrlogramme)
3) La saisonnalit est-elle additive ou multiplicative ?
4) Dterminer la srie dsaisonnalise (corrige des variations
saisonnires, srie CVS)
5) Dterminer la tendance de cette srie en utilisant la srie
dsaisonnalise.
Thme 2 : Prvision par les mthodes de lissage
Etude de cas n3 : Cas dune srie sans tendance ni saisonnalit
Mthodes
simple

de

prvision : Lissage

exponentiel simple

et

Moyenne

mobile

Considrons la srie journalire du cours dune action sur 16 jours


Jour
1
2
2

Cours
1293
1209

Jour
7
8

Cours
1243
1203

Jour
13
14

Cours
1364
1330

3
4
5
6

1205
1273
1220
1290

9
10
11
12

1390
1360
1353
1343

15
16

1377
1332

1) Analyser cette chronique par la mthode du lissage exponentiel simple et


calculer une prvision un horizon dun jour.
2) Calculer une prvision un horizon dun jour par la mthode de la
moyenne mobile simple de longueur 4.
Etude de cas n4 : Cas dune srie avec tendance et sans saisonnalit
Mthodes
de
prvision : Lissage
exponentiel double, Holt-Winters
saisonnire et Moyenne mobile double

non

Le chiffre daffaires (en millions de F cfa) dune socit du deuxime


trimestre 1992 au troisime trimestre 1998 est donn dans le tableau ciaprs.
1) Calculer une prvision un horizon de 5 trimestres en utilisant les
mthodes de prvision suivantes :

i) Lissage exponentiel double


Cette mthode peut utilise pour prvoir les sries temporelles tendancielles
mais non saisonnires
La prvision lhorizon h>1 est donne laide de la fonction suivante :
x t ( h )= a t +h b t
Instructions Eviews
1Cliquer sur le menu Quiuck
2Choisir la commande Series statistics/Exponential smoothing
3Dans la fentre qui saffiche, taper le nom de la srie. Ici catrim puis
valider.
4Effectuer les rglages puis valider
Sortie des rsultats
Date: 10/20/11 Time: 16:00
Sample: 1992:2 1998:3
Included observations: 26
Method: Double Exponential
Original Series: CATRIM
Forecast Series: CATRIMLED
Parameters:
Alpha
Sum of Squared Residuals
Root Mean Squared Error

0.3300
1662121.
252.8394

End of Period Levels:

Mean
Trend

11552.48
49.18867

Prvisions du chiffre daffaires


LED
Trimestre
Prvisions
1998:4
11601.6708875
1999:1
11650.8595605
1999:2
11700.0482334
1999:3
11749.2369064
1999:4
11798.4255793
SCR
1662121
RMSE
252.8394
ii) Prvision laide de la mthode de Holt-Winters non saisonnire
Elle peut tre utilise pour prvoir les sries temporelles tendancielles mais non
saisonnires.
Sortie des rsultats
Date: 10/20/11 Time: 16:23
Sample: 1992:2 1998:3
Included observations: 26
Method: Holt-Winters No Seasonal
Original Series: CATRIM
Forecast Series: CATRIMHWNS
Parameters:
Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error
Prvisions
Trimestres
1998:4
1999:1
1999:2
1999:3
1999:4
SCR
RMSE

HWNS
Prvisions
11588.3241511
11607.6302261
11626.9363011
11646.2423762
11665.5484512
1525934
242.2597

0.3300
0.9901
1525934.
242.2597

LED
Prvisions
11601.6708875
11650.8595605
11700.0482334
11749.2369064
11798.4255793
1662121
252.8394

En choisissant le critre RMSE, la mthode de Holt-Winters non saisonnire


prsente les meilleures performances prvisionnelles.
iii) Moyenne mobile double dordre 4
4

2) Comparer les performances prvisionnelles de ces trois mthodes.


Chiffre daffaires dune socit
Anne
1992
1993
1994
1995
1996
1997
1998

Trimestre 1
9 680
10 738
10 869
11 108
11 437
11 507

Trimestre 2
9 050
10 100
10 910
11 034
11 115
11 352
11 453

Trimestre 3
9 380
10 160
11 058
11 135
11 424
11 381
11 561

Trimestre 4
9 378
10 469
11 016
10 845
10 595
11 401

Etude de cas n5 : Cas dune srie saisonnire


Mthode de prvision : Holt-Winters saisonnire additive
On considre la srie trimestrielle des ventes dune entreprise.
Trimestre
1993
1994
1995

Trim 1
1248
891
1138

Trim 2
1392
1065
1456

Trim 3
1057
1118
1224

Trim 4
3159
2934
3090

Analyser cette chronique selon la mthode de Holt-Winters saisonnire


et calculer une prvision un horizon de quatre trimestres. On demande
dadopter un schma additif.

Etude de cas n6 : Cas dune srie saisonnire


Mthode de prvision : Holt-Winters saisonnire multiplicative
On considre la srie chronologique
suivante reprsentant le chiffre
daffaires trimestriel moyen dune chane de magasins, exprim sous forme
dindice rapport au chiffre daffaires trimestriel moyen de 1994.
Trimestre
1995
1996
1997
1998

Trim 1
1,1
1,5
1,7
2,1

Trim 2
1,2
1,4
2
2,1

Trim 3
0,9
1,1
1,6
2

Trim 4
2,6
2,8
3,4
3,7

Analyser cette chronique selon la mthode de Holt-Winters saisonnire


et calculer une prvision un horizon de quatre trimestres. On demande
dadopter un schma multiplicatif.
Thme 3 : Prvision par les mthodes conomtriques
NB : Dans cette partie, tous les tests seront effectus au seuil de 5%.
Etude de cas n7 : Le modle linaire gnral
On dispose pour le Sngal et sur la priode 1972 2001, des sries
macroconomiques Investissement (INV), Produit Intrieur Brut (PIB) et Taux
dintrt rel (TXINT).
On fait lhypothse que les variables INV, PIB et TXINT vrifient le modle
linaire :
log ( INV t )=a 1 +a 2 log ( PIBt ) +a 3 TXINT t + t (1)
NB : Les donnes figurent dans le tableau de la page 6.
1) Reprsenter chaque variable.
Evolution du Taux d'intrt

Evolution du PIB

Evolution des investissements

1000

7000

800

6000

14
12
10

5000

600

4000
400
200
0

75

80

85

90

95

00

INV

3000

2000

1000

2
75

80

85

90
PIB

95

00

75

80

85

90

95

00

TXINT

2) Tester la normalit et la lognormalit des variables INV, PIB et TXINT,


(Utiliser le test de Jarque Bera ).
On teste lhypothse
6

H 0 : X suit une loi normale(m , )


Contre
H 1 : X ne suit pas une loi normale N (m , )
On calcule la statistique
2
2
s (k3)
JB=n +
6
24
Rgle de dcision
JB la Pour fix, 0<<1, on compare la valeur de valeur critique
donne par la table du Khi-Deux 2 degrs de libert.
- Si JB 2 , on ne rejette pas lhypothse H 0
- Si JB> 2 , on rejette lhypothse H 0

Remarque
On peut utiliser la probabilit associe la statistique de Jarque- Bera pour
dcider.
Pour fix, 0 <<1, on compare la valeur de Prob(JB-Stat) .
- Si Prob ( JB Stat ) > , on ne rejette pas lhypothse H 0
- Si Prob ( JB Stat ) , on rejette lhypothse H 0 .
Instructions Eviews
a)
Cliquer sur le menu Quick/ Choisir la
statistics/Descriptive statistics/common sample
b)
Taper la liste des variables
Exemple INV PIB TXINT
c)
Valider

commande

group

Sortie des rsultats


INV

PIB

TXINT

LOG(INV) LOG(PIB) LOG(TXINT)

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness

531.6000
488.5000
925.0000
158.0000
259.7405
0.193169

3538.400
3702.500
6027.000
1090.000
1459.118
-0.047587

8.583333
8.250000
12.50000
3.500000
2.286894
-0.162739

Kurtosis

1.410406

1.700699

2.189163

6.146406
6.183866
6.829794
5.062595
0.533203
0.171407
1.656809

Jarque-Bera
Probability

3.345082
0.187769

2.121550
0.346187

0.954241
0.620568

Observations

30

30

30

Dcision

8.072259
8.216630
8.704005
6.993933
0.478332
-0.608692

2.111025
2.109754
2.525729
1.252763
0.294421
-0.803213

2.333363

3.487679

2.402105 2.408037
0.300877 0.299986

3.523041
0.171783

30

30

30

3) Estimer les paramtres par la mthode des moindres carrs ordinaires.


Interprter conomiquement les paramtres estims.
log ( INV t )=a 1 +a 2 log ( PIBt ) +a 3 TXINT t + t (1)
Ce modle peut scrire sous forme matricielle

Lquation estime scrit :


Dependent Variable: LOG(INV)
Method: Least Squares
Date: 10/25/11 Time: 17:07
Sample(adjusted): 1972 2001
Included observations: 30 after adjusting endpoints
Variable
Coefficient
Std. Error
C
-2.599391
0.444296
LOG(PIB)
1.150813
0.058314
TXINT
-0.063363
0.012197
R-squared
0.935858 Mean dependent var
Adjusted R-squared
0.931107 S.D. dependent var
S.E. of regression
0.139953 Akaike info criterion
Sum squared resid
0.528842 Schwarz criterion
Log likelihood
18.00579 F-statistic
Durbin-Watson stat
1.102590 Prob(F-statistic)

t-Statistic
-5.850588
19.73462
-5.194884

LOG(INV) = -2.599390685 + 1.150813173*LOG(PIB) - 0.06336288284*TXINT


4) Interprter la valeur du coefficient de dtermination R.

a)

5) Effectuer les tests suivants


Test de significativit des variables explicatives (Student) ;
b) Test de significativit globale du modle (Fisher) ;
Test dhtroscdasticit des erreurs
i) Test de White
Il sagit de tester lhypothse selon laquelle les erreurs sont homoscdastiques.
H 0 : 2t = 2t t t '
c)

'

'

H 1 : ( t , t ) tel que 2t 2t

'

Procdure du test de White

Considrons le modle
Y t =a 1+a 2 X 2t +a3 X 3t ++ a k X kt + t
On estime les paramtres du modle
t = a 1+ a 2 X 2t + a 3 X 3t ++ a k X kt
Y
Y t =Y t +e t
On obtient le rsidu
e t =Y t (a1 + a 2 X 2t + a 3 X 3t ++ a k X kt )
On estime ensuite le modle
2
2
e t = ( 1 + 2 X 2t + 3 X 3t ++ k X kt ) +t
e t2= 21 + 1 2 X 2t + 1 3 X 3t + 22 X 22t + 23 X 23t + 12 12 X 2t + 3 X 3t ++ k X kt + t

Instructions
On se place sur la fentre de lestimation du modle
aCliquer sur le bouton View plac gauche de cette fentre
bChoisir la commande Residual Test/White Heteroscedasticity en
slectionnant loption examine
i)
Test de White avec loption sans termes croiss
White Heteroskedasticity Test:
F-statistic
0.062987 Probability
0.992219
Obs*R-squared
0.299319 Probability
0.989858
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/27/11 Time: 16:03
Sample: 1972 2001
Included observations: 30
Variable
Coefficient
C
-0.799946
LOG(PIB)
0.208969
(LOG(PIB))^2
-0.013181
TXINT
-0.001442
TXINT^2
6.25E-05
R-squared
0.009977
Adjusted R-squared
-0.148426
S.E. of regression
0.027197
Sum squared resid
0.018492
Log likelihood
68.30608
Durbin-Watson stat
1.976756

Std. Error
t-Statistic
Prob.
2.127928
-0.375927
0.7101
0.551891
0.378642
0.7082
0.034490
-0.382170
0.7056
0.023388
-0.061665
0.9513
0.001313
0.047601
0.9624
Mean dependent var
0.017628
S.D. dependent var
0.025379
Akaike info criterion
-4.220405
Schwarz criterion
-3.986872
F-statistic
0.062987
Prob(F-statistic)
0.992219

Les deux probabilits sont suprieures 5%, on ne rejette pas lhypothse H0, les
erreurs donc homoscdastiques.
ii)

Test de White avec termes croiss

White Heteroskedasticity Test:

F-statistic
Obs*R-squared

3.790150
13.23661

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/27/11 Time: 16:10
Sample: 1972 2001
Included observations: 30
Variable
Coefficient
C
-13.06375
LOG(PIB)
3.609450
(LOG(PIB))^2
-0.244098
(LOG(PIB))*TXINT
0.037497
TXINT
-0.321825
TXINT^2
0.000693
R-squared
0.441220
Adjusted R-squared
0.324808
S.E. of regression
0.020854
Sum squared resid
0.010437
Log likelihood
76.88567
Durbin-Watson stat
1.877211

Probability
Probability

Std. Error
t-Statistic
3.283627 -3.978451
0.896306
4.027027
0.059818 -4.080655
0.008713
4.303745
0.076573 -4.202884
0.001018
0.681033
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.011350
0.021260

Prob.
0.0006
0.0005
0.0004
0.0002
0.0003
0.5024
0.017628
0.025379
-4.725712
-4.445472
3.790150
0.011350

iii) Test ARCH


ARCH Test:
F-statistic
Obs*R-squared

0.006502
0.006982

Probability
Probability

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/27/11 Time: 16:37
Sample(adjusted): 1973 2001
Included observations: 29 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
C
0.017571
0.005933
2.961351
RESID^2(-1)
-0.015477
0.191939
-0.080636
R-squared
0.000241 Mean dependent var
Adjusted R-squared
-0.036787 S.D. dependent var
S.E. of regression
0.026232 Akaike info criterion
Sum squared resid
0.018579 Schwarz criterion
Log likelihood
65.46965 F-statistic
Durbin-Watson stat
1.972229 Prob(F-statistic)

0.936326
0.933407

Prob.
0.0063
0.9363
0.017298
0.025762
-4.377217
-4.282921
0.006502
0.936326

d)
i) Test de corrlation des erreurs de Durbin-Watson ;
Conditions dutilisation du test de DW
n 15
- Les variables doivent tre des sries temporelles ;
- Le modle ne doit pas tre autorgressif, cest--dire que la variable
explique ne doit pas figurer parmi les variables explicatives de faon
retarde.
- Le modle doit comporter imprativement un terme constant
- Les variables explicatives doivent certaines, cest--dire non alatoires
Le test de Durbin permet de dtecter lautocorrlation dordre 1. Cest--dire une
relation du type
t = t 1 + t
o t est un bruit blanc, cest--dire
t N (0, 2)
La table de DW donne
d 1 =1,28 et d 2=1,57
DW =1,102
On constate que la statistique de DW se trouve dans la zone de corrlation
positive donc les erreurs sont corrles positivement.
0.4
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3

75

80

85

90

95

00

ERREUR1

ii) Estimer les paramtres par la mthode de Cochrane-Orcutt


dans le cas o les erreurs sont corrles ;

Les erreurs tant corrles alors les estimations obtenues par la mthode des
moindres carrs ordinaires ne sont pas optimales ; il faut donc changer de
mthode destimation. Pour cela on peut utiliser, par exemple, la mthode de
Cochrane Orcutt.
Estimation par la mthode de Cochrane et Orcutt
Il sagit destimer le modle
PIB
L og (t )+a3 TXINT t +a 4 ARt + 1+ t
log ( INV t )=a 1 +a 2
Instructions Eviews
Taper au niveau de la zone dentre des donnes
LS log ( INV ) C log ( PIB ) TXINT AR (1)
Puis appuyer sur la touche entre
Ou bien vous passez par le menu Quick/estimate equation
Puis entrez lquation du modle comme dhabitude et valider.
Dependent Variable: LOG(INV)
Method: Least Squares
Date: 10/27/11 Time: 16:51
Sample(adjusted): 1973 2001
Included observations: 29 after adjusting endpoints
Convergence achieved after 15 iterations
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.282131
1.371151
0.205762
0.8386
LOG(PIB)
0.766443
0.159034
4.819354
0.0001
TXINT
-0.017902
0.019576
-0.914448
0.3692
AR(1)
0.864431
0.108455
7.970425
0.0000
R-squared
0.952100 Mean dependent var
6.183779
Adjusted R-squared
0.946351 S.D. dependent var
0.501060
S.E. of regression
0.116056 Akaike info criterion
-1.342042
Sum squared resid
0.336726 Schwarz criterion
-1.153450
Log likelihood
23.45961 F-statistic
165.6385
Durbin-Watson stat
2.443466 Prob(F-statistic)
0.000000
Inverted AR Roots
.86
e)
Test de spcification (Test Reset de Ramsey) ;
Les hypothses du test sont :
H 0 : Le modle est bien spcifi
H 1 : Le modle est mal spcifi
Instructions
On se place sur la fentre de lestimation du modle
i)
Cliquer sur le bouton View/stability test/ Ramsey Reset
Test

ii)
iii)

Taper un chiffre dans la zone Number of fitted Terms .


Par exemple : 1 ou 2 ou encore 3.
Valider

Tests de stabilit des coefficients du modle


i)
Test de Chow ;
H 0 : SCR=SCR1 +SCR2 Stabilit
H 1 : SCR SCR1 +SCR 2 Instabilit
f)

Instructions
On se place sur la fentre de lestimation
a)
Cliquer sur le bouton View/Stability Test/Chow Breakpoint Test
b)
Taper la ou les dates de rupture
c)
Valider

ii) Tests CUSUM de Brown, Durbin et Evans ;


Instructions
On se place sur la fentre de lestimation
a)
Cliquer sur le bouton View/Stability Test/Recursive estimate
b)
Choisir loption
i. Cusum Test (Stabilit structurelle)
ii. Cusum of Squared Test (Stabilit ponctuelle)
c)
Valider

5) Dterminer la prvision dinvestissement pour les annes 2002


2004

Anne
2002
2003
2004

Prvision1
800.221693271
797.146181106
767.831649978

Etude de cas n 8 : Le modle linaire autorgressif


On dispose pour le Sngal et sur la priode 1972 2001, des sries
macroconomiques Investissement (INV) et Produit Intrieur Brut (PIB) et
Taux dintrt rel (TXINT. On fait lhypothse que les variables INV, PIB et
TXINT vrifient le modle linaire autorgressif :

log ( INV t )=a 0 +a 1 log ( INV t 1 ) +a 2 log ( PIBt ) +a3 TXINT t + t (2)
Les donnes figurent dans le tableau de la page 6.
1)
Estimer les paramtres par la mthode des moindres carrs ordinaires.
Dependent Variable: LOG(INV)
Method: Least Squares
Date: 11/03/11 Time: 16:38
Sample(adjusted): 1973 2001
Included observations: 29 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
-1.265328
0.398106
-3.178371
0.0039
LOG(INV(-1))
0.428072
0.083538
5.124291
0.0000
LOG(PIB)
0.646582
0.102471
6.309894
0.0000
TXINT
-0.047420
0.009921
-4.779499
0.0001
R-squared
0.965956 Mean dependent var
6.183779
Adjusted R-squared
0.961871 S.D. dependent var
0.501060
S.E. of regression
0.097841 Akaike info criterion
-1.683511
Sum squared resid
0.239320 Schwarz criterion
-1.494918
Log likelihood
28.41091 F-statistic
236.4473
Durbin-Watson stat
2.403637 Prob(F-statistic)
0.000000
2)

Interprter la valeur du coefficient de dtermination R.


R=0.965956=97% des fluctuations des investissements courants sont expliques par les investissements
antrieurs, le PIB et le Taux dintrt courants.

3) Effectuer les tests suivants


a) Test de significativit des variables explicatives (Student) ;

On constate que toutes les probabilits associes la statistique de Student (Prob (t-Stat)) sont
infrieures 0,05 ; on rejette lhypothse H0. Donc au seuil de 5% les variables ont toutes une
influence sur log(INV).
b) Test de significativit globale du modle (Fisher) ;
On a Prob(F-stat)=0,0000 <0,05 ; on rejette lhypothse H0, cest--dire quauseil de 5% le modle est
globalement significatif.
c) Test dhomocdasticit des erreurs de White ;
Option sans termes croiss
White Heteroskedasticity Test:
F-statistic
1.640577 Probability
Obs*R-squared
8.964491 Probability
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/03/11 Time: 16:53
Sample: 1973 2001
Included observations: 29
Variable
C
LOG(INV(-1))
(LOG(INV(-1)))^2
LOG(PIB)
(LOG(PIB))^2
TXINT
TXINT^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood

Coefficient
1.188103
0.329588
-0.027125
-0.525989
0.032786
-0.017641
0.001037
0.309120
0.120699
0.011993
0.003164
91.13534

Std. Error
0.983680
0.258699
0.020812
0.322083
0.019712
0.013511
0.000733
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic

t-Statistic
1.207814
1.274024
-1.303364
-1.633086
1.663245
-1.305699
1.413697

0.183271
0.175585

Prob.
0.2399
0.2159
0.2059
0.1167
0.1104
0.2051
0.1714
0.008252
0.012790
-5.802438
-5.472401
1.640577

Durbin-Watson stat

2.339800

Prob(F-statistic)

0.183271

Les erreurs sont homoscdastiques car les deux probabilits sont suprieures 0,05.
Test de White avec termes croiss
White Heteroskedasticity Test:
F-statistic
4.627231
Obs*R-squared
19.91435

Probability
Probability

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/03/11 Time: 16:55
Sample: 1973 2001
Included observations: 29
Variable
C
LOG(INV(-1))
(LOG(INV(-1)))^2
(LOG(INV(-1)))*(LOG(PIB))
(LOG(INV(-1)))*TXINT
LOG(PIB)
(LOG(PIB))^2
(LOG(PIB))*TXINT
TXINT
TXINT^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Std. Error
1.684518
0.316475
0.024616
0.059367
0.006777
0.570859
0.054648
0.009176
0.044740
0.000724
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Coefficient
-4.999222
0.403888
-0.037876
0.015877
-0.007280
1.185898
-0.095722
0.029087
-0.221819
0.001610
0.686702
0.538297
0.008691
0.001435
102.6021
2.622795

0.002410
0.018448

t-Statistic
-2.967746
1.276209
-1.538686
0.267445
-1.074198
2.077393
-1.751588
3.169875
-4.957918
2.225424

Prob.
0.0079
0.2173
0.1404
0.7920
0.2962
0.0516
0.0960
0.0050
0.0001
0.0384
0.008252
0.012790
-6.386351
-5.914870
4.627231
0.002410

Les erreurs sont htroscdastiques car les deux probabilits sont infrieures 0,05.

Test de ARCH
ARCH Test:
F-statistic
Obs*R-squared

0.650339
0.683274

Probability
Probability

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 11/03/11 Time: 16:57
Sample(adjusted): 1974 2001
Included observations: 28 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
C
0.009764
0.002963
3.294983
RESID^2(-1)
-0.156265
0.193772
-0.806436
R-squared
0.024403 Mean dependent var
Adjusted R-squared
-0.013120 S.D. dependent var
S.E. of regression
0.013067 Akaike info criterion
Sum squared resid
0.004440 Schwarz criterion
Log likelihood
82.76089 F-statistic
Durbin-Watson stat
1.771258 Prob(F-statistic)

0.427307
0.408461

Prob.
0.0028
0.4273
0.008443
0.012983
-5.768635
-5.673478
0.650339
0.427307

Les erreurs sont homoscdastiques car les deux probabilits sont suprieures 0,05.
d) Test de corrlation des erreurs
i) Test du h de Durbin
DW
n
2,403637
29
h= 1
= 1
=1,217
2
2
2
1n a
129 0,083538 2
h=1,217<1,96 ; on accepte lhypothse H0, donc les erreurs sont non corrles

ii) Test de Breusch-Godfrey


Instructions

On se place sur la fentre de lestimation du modle examin (Ici le modle (2)).


- Clique sur le bouton View/ Residual Test/ Serial correlation LM Test
- Taper un chiffre dans la zone Lag .
- Valider
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
1.182182 Probability
0.324560
Obs*R-squared
2.703263 Probability
0.258818
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 11/03/11 Time: 17:19
Variable
C
LOG(INV(-1))
LOG(PIB)
TXINT
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficient
-0.026593
0.000870
0.003572
-0.000866
-0.170232
0.222638
0.093216
-0.103911
0.097135
0.217011
29.82975
1.904235

Std. Error
0.434483
0.099039
0.120594
0.009978
0.236687
0.226949
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

t-Statistic
-0.061205
0.008788
0.029622
-0.086745
-0.719229
0.981004

Prob.
0.9517
0.9931
0.9766
0.9316
0.4792
0.3368
-8.37E-17
0.092451
-1.643431
-1.360542
0.472873
0.792568

Les erreurs sont non corrles car les deux probabilits sont suprieures 0,05.
e) Test de spcification (Test Reset de Ramsey) ;
Ramsey RESET Test:
F-statistic
2.158738 Probability
Log likelihood ratio
4.988941 Probability

0.138294
0.082540

Test Equation:
Dependent Variable: LOG(INV)
Method: Least Squares
Date: 11/03/11 Time: 17:22
Sample: 1973 2001
Included observations: 29
Variable
C
LOG(INV(-1))
LOG(PIB)
TXINT
FITTED^2
FITTED^3
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficient
83.37131
-10.30441
-15.48694
1.148140
3.896888
-0.201369
0.971337
0.965105
0.093599
0.201496
30.90538
2.879809

Std. Error
81.16797
10.63230
16.15671
1.180599
4.172004
0.232232
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

t-Statistic
1.027145
-0.969160
-0.958545
0.972507
0.934057
-0.867103

f) Test Cusum de stabilit des coefficients du modle


15
10
5
0
-5
-10
-15
78 80 82 84 86 88 90 92 94 96 98 00
CUSUM

5% Signific anc e

Prob.
0.3150
0.3425
0.3478
0.3409
0.3600
0.3948
6.183779
0.501060
-1.717612
-1.434724
155.8829
0.000000

1.6
1.2
0.8
0.4
0.0
-0.4
78 80 82 84 86 88 90 92 94 96 98 00
CUSUM of Squares

3)

5% Significance

Prvoir linvestissement du Sngal pour les annes 2002 2004.

Anne
2002
2003
2004
4)

Prvisions2
874.991402621
869.355699857
842.397997064
Comparer les performances prvisionnelles des modles (1) et (2).

5)

Le modle (2) prsente les meilleures performances prvisionnelle que le modle (1).

Donnes du cas n2
Obs
1982:01
1982:02
1982:03
1982:04
1982:05
1982:06
1982:07
1982:08
1982:09
1982:10
1982:11
1982:12
1983:01
1983:02
1983:03
1983:04
1983:05
1983:06
1983:07
1983:08
1983:09
1983:10
1983:11
1983:12
1984:01
1984:02
1984:03
1984:04
1984:05
1984:06
1984:07

VENTES
281.5
267.2
275.5
272.1
294.6
303.6
228.2
221.2
292.2
430.1
576.4
731.2
254.1
247.5
303.1
326.6
377.6
323
302.8
175.9
359.5
447.4
683.8
835.7
311.3
300.6
404.7
352.3
393.7
398.6
326

Obs
1985:01
1985:02
1985:03
1985:04
1985:05
1985:06
1985:07
1985:08
1985:09
1985:10
1985:11
1985:12
1986:01
1986:02
1986:03
1986:04
1986:05
1986:06
1986:07
1986:08
1986:09
1986:10
1986:11
1986:12
1987:01
1987:02
1987:03
1987:04
1987:05
1987:06
1987:07

VENTES
537.5
308.8
371.8
451.4
452
453.9
366.3
164.3
473.9
542.8
831.4
1065.1
363.3
429.2
415.4
412.1
464.7
475.3
396.5
172.3
504.8
692.2
985.8
1133.1
401.6
395.7
451
427.6
496.8
467.7
352.3

Obs
1988:01
1988:02
1988:03
1988:04
1988:05
1988:06
1988:07
1988:08
1988:09
1988:10
1988:11
1988:12
1989:01
1989:02
1989:03
1989:04
1989:05
1989:06
1989:07
1989:08
1989:09
1989:10
1989:11
1989:12
1990:01
1990:02
1990:03
1990:04
1990:05
1990:06
1990:07

VENTES
263.9
289.9
337
374
292.7
398.6
421.7
173.8
522.1
642.4
984.2
1307.6
393.4
316.2
428.6
467.6
501
487.4
463.3
165.9
595.1
698.1
985.1
1267
434.8
356.4
457.7
478.8
461.8
531.2
429.8

1984:08
1984:09
1984:10
1984:11
1984:12

157.3
352.8
521.1
761.4
925.4

1987:08
1987:09
1987:10
1987:11
1987:12

182.1
522.2
687.2
1080.3
1391.6

1990:08
1990:09

143.1
587.7

Donnes des cas n7 et 8


Date
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002

INV
158
202
275
289
264
287
316
314
350
317
316
317
300
270
429
574
633
548
787
708
894
765
676
748
859
789
866
905
867
925

PIB
1090
1255
1414
1906
1933
1979
2209
2751
2987
2479
2583
2480
2337
2579
3763
4600
4980
4626
5698
5500
6027
5431
3642
4476
4651
4387
4646
4752
4371
4620
4625

TXINT
3.5
5.5
5.5
8
8
8
8
8
10.5
10.5
12.5
10.5
10.5
10.5
8.5
8.5
9.5
11
11
11
12.5
10.5
10
7.5
6.5
6.5
6.25
5.75
6.5
6.5
6.75

2003
2004

4635
4650

La priode 2002 2004 est utilise pour des fins de prvisions.

6.85
7.5