Vous êtes sur la page 1sur 21

Exercice 1 : détermination de la tendance

Le produit intérieur brute (milliard de franc CFA) du Sénégal sur la période de


1998 à 2007 est donnée dans le tableau si après
Année Pib
1988 1483.3
1989 1475.9
1990 1525.3
1991 1535.7
1992 1578.7
1993 1521.9
1994 1864.9
1995 2146.4
1996 2349.6
1997 2509.3
1998 2716.5
1999 2893
2000 3114
2001 3342.7
2002 3467
2003 3960.8
2004 4198.5
2005 4563.3
2006 4802.9
2007 5227.6

Questions :
1. Saisir et enregistre les données.
2. Déterminer la tendance de cette série.
a. Par le procédé d'une moyenne mobile d’ordre 4.
b. Par le procédé d’une droite de régression.
c. Par le procédé du filtre de Hodrick-Prescott.
Corrige de l’exercice 1
1. Saisie les données
Instruction Eviews
Cliquer file → new → workfile → Choisir Annual
Start date : saisir 1988 end date : saisir 2007 → ok
Saisir data Pib → valider par la touche entre du clavier → saisir les données
2. Représentation graphique
Instruction Eviews
Quick → graph → saisir Pib → ok → graph type : choisir line graph → ok

3. Détermination de la tendance
a. Tendance par moyenne mobile d’ordre 4
La moyenne mobile (Mouving Average) d’ordre (ou de longueur) m est définie :
1
𝑀𝑡 = ( 𝑋𝑡 + 𝑋𝑡−1 + 𝑋𝑡−2 + 𝑋𝑡−3 + … + 𝑋𝑡−𝑚+1 )
𝑚

t=0 t=m-1 0 à m-1


La moyenne mobile d’ordre 4 est donnée par :
1
𝑌4 = (𝑋𝑡 + 𝑋𝑡−1 + 𝑋𝑡−2 +𝑋𝑡−3 ) avec t = 4,..,20
4
Instruction Eviews
Quick → générale séries → saisir mob4 = @movav (Pib, 4) → ok
Mob4 successfully computed : la moyenne mobile a été calculée avec succès.
On distingue les 3 cas suivants :
Cas1 : si les valeurs de la moyenne mobile sont croissantes, alors le PIB a une
tendance croissance.
Cas2 : si les valeurs de moyenne mobile sont constantes, alors le PIB a une
tendance
Cas3 : si les valeurs de la moyenne mobile sont decroissantes alors, le PIB a une
tendance decroissante.
La figure ci-dessous présente les masse monétaire brutes (M2) et lissées (MOB4).
Représentions du Pib et mob4
Instruction d’Eviews
Quick → graph → saisir Pib mob4 → line graph → ok

Les moyennes mobiles mettent en évidences une croissance progressive et montre


la tendance de cette série temporelle. Le Pib a une tendance croissante (trend
haussier).
b. Tendance par la droite de régression linéaire
𝑚2𝑡 = â0 + â1𝑡 + ℇ1 avec t = 1,…..,20
On estime d’abord les paramètres par la méthode de la moindre carre ordinaire.
On adapte ensuite la règle de décision suivante :
 Si le coefficient estime â1 est positif, on a une tendance croissante.
 Si le coefficient estime â1 est nul, on une tendance constante (la série est
stationnaire).
 Si le coefficient estime â1 est négatif, on a une tendance décroissante.

1) On génère d’abord la variable temporelle

Instruction Eviews
Quick → generate séries → saisir tendance = @trend + 1 → ok

2) On estime ensuite les paramètres 𝒂𝟎 et 𝒂𝟏 par la méthode les


moindres des carrées
Instruction Eviews
Quick → Estimate Equation → saisir Pib c tendance → ok → forecast →
pib_ajust

Les coefficients estimes sont : â0 = 693.21 et â1 = 201.97


Le modèle estime est 𝑝𝑖𝑏𝑡 = 693.21 + 201.97𝑡
Le coefficient estimé â1 est égal 201.97, il est positif.
Le Pib a une tendance croissante (trend haussier).
La figure ci-dessous montre les séries observées
c. Tendance par le filtre de Hodrick-Prescott
Instruction Eviews
Quick → séries statistics → Hodrick-Prescott filter → saisir Pib → ok →
smoothed séries : saisir hp_pib → ok
Hp Pib = filtre de Hodrick-Prescott
Pour avoir les graphiques des séries brutes et lissées cliqué sur Quick → graph →
saisir pib hp_pib → ok
Graph type : choisir line graph → ok
La figure ci-dessous présente les séries observées (pib) et lissées par le filtre HP
ajustées (HP_PIB)

Le filtre de Hodrick-Prescott montre une tendance croissante.


Conclusion : les 3 méthodes donnent le même résultat, les séries pib du Sénégal
à tendance croissante (ou un trend haussier)

Exercice 2 : détermination de la saisonnalité


On considère la série chronologique suivante représentant le chiffre d’affaire
trimestrielle moyen d’une chaine de magasins, exprimé sous forme d’indice
rapporté au chiffre d’affaire trimestrielle moyen de 1994.
Trimestre Trim 1 Trim 2 Trim 3 Trim 4
1995 1.1 1.2 0.9 2.6
1996 1.5 1.4 1.1 2.8
1997 1.7 2 1.6 3.4
1998 2.1 2.1 2 3.7
1. Saisir et enregistrer les données.
2. Représenter la série chiffre d’affaire trimestrielle (catrim).
Choisir le graphique linéaire (line graph).
3. La saisonnalité est-elle additive ou multiplicative ? (utiliser les méthodes
de Buys-Ballot).
Corrigé de l’exercice 2
Saisir des donnes
Instruction Eviews
Clique sur file → new → workfile → choisir Quarterly
Start date : saisir 1995.1
End date : saisir 1998.4 → ok
Saisir data catrim → valider par la touche enter du clavier → saisir les données
Représentation graphique
Instruction Eviews
Quick → graph → saisir catrim → ok → graph type : choisir line graph → ok

Pour enregistrer le graph, on clique sur objects → freeze output


3) La méthode de Buys et Ballot
Cette méthode consiste à calculer pour chaqu’une des années la moyen et l’écart
type puis a vérifier la liaison
Entre l’carte type et la moyenne de la méthode des moindres carres. Nous
devons rechercher le model
ℴ𝑋 = aXbar + b
Deux cas se présentes :
Cas 1 : l’écart type n’est pas une fonction de la moyenne, le modèle est additif.
La pente de la droite des moindres carres est proche de zéro. Ce qui signifie que
les écarts types sont constants pendant le période.
Cas 2 : l’écart est fonction de la moyenne, le modèle est multiplicatif. La pente
de la droite des moindres carres est différente de zéro. Ce qui signifie que les
écarts types ne sont pas constants pendant la période.
Tableau de Buys-Ballot
Trim 1 Trim 2 Trim 3 Trim 4
1.1 1.5 0.9 2.6
1.2 1.4 1.1 2.8
0.9 2 1.6 3.4
2.6 2.1 2 3.7
Moyenne 1.45 1.75 1.40 3.13
Ecart-type 0.67 0.30 0.43 0.44

Les écarts types ne sont pas constants, la saisonnalité est multiplicative

Exercice 3 : Prévision d’une série stationnaire


Considérons la série journalière du cours d’une action sur 16 jours
Jour Cours
1 1293
2 1209
3 1205
4 1273
5 1220
6 1290
7 1243
8 1203
9 1390
10 1360
11 1353
12 1343
13 1364
14 1330
15 1377
16 1332

1. Saisir et enregistrer les données.


2. Représenter graphiquement la variable « cours de l’action ». Utiliser
un graphique linéaire.
3. Prévoir pour un horizon d’un jour le cours de l’action en utilisant la
méthode
4. Calculer une prévision a un horizon d’un jour par la méthode de la
moyenne mobile simple de longueur 4.

Corriger de l’exercice 3
1. Saisir les données
Cliquer sur file → new → workfile → choisir undated
Start observation : saisir 1 en observation : saisir 16 → ok
Saisir data cours → validé par la touche entré du clavier → saisir donnes
2. Représentation graphique
Quick → graph → saisir cours → ok → graph type : choisir line graph → ok
Quick → groupe statistics → descriptive statistics → Common sample → ok →
saisir nom de la serie

On généralise la moyenne en mettant :


Quick → generate series → saisir moy= valeur moyenne → ok
Cette serie fluctue autour de sa moyenne. La serie « cours » est stationnaire. La
moyenne est 1299.062.
Autre méthode pour détermine la moyenne :
Sur la page de commande on met stats → saisir nom de la serie
Autre méthode pour génère la moyenne : on écrit sur la line de commande
moy=1299.062 → ok
3. Méthode du lissage exponentiel simple
Instruction Eviews
Quick → series statistics → exponentiel smoothing → saisir cours → ok
Smoothing méthode : choisir single
Smoothed series : saisir les → ok
Pour avoir les prévisions :
Quick → show → saisir cours → ok

La prévision du cours pour les dix-septièmes jours est de 1346.093, elle


correspond à la valeur de Mean.
4. Moyenne mobile simple de longueur 4
La moyenne mobile simple d’ordre 4 est donnée par :
𝟏
𝒀𝟒 = (𝑿𝒕 + 𝑿𝒕−𝟏 + 𝑿𝒕−𝟐 +𝑿𝒕−𝟑 ) avec t = 4,..,16
𝟒

Instruction Eviews :
Quick → generate serie → saisir mob4=@movav(cours,4) → ok
Pour les prévisions
Quick → show → saisir cours mob4 → ok
La prévision du dix-septième jour est 1350.75, elle correspond à la dernière valeur
de mob4.

Remarque : les méthodes du lissage exponentiel simple et de la moyenne


simple ne donnent que des prévisions à court terme c’est-à-dire a l’horizon 1.

Si on veut faire une prévision à l’horizon 2, il suffit de considérer la prévision


obtenu pour l’horizon comme la dernière observation.

Exercice 4 : Prévision d’une série tendancielle

On considère le PIB(en milliards de franc CFA) du Sénégal sur la période de


1988 à 2007. Les données sont similaires à celle du cas 1.
1. Saisir et enregistre les données
2. Calculer une prévision a un horizon de 5 années en utilisant les
méthodes de prévisions suivantes :
a. Lissage exponentiel double
b. Holt-Winters non saisonnière
3. Comparer les performances prévisionnelles de ces deux méthodes

Correction :

1. Saisir les données

Echantillon observe : 1988 à 2007


Période de prévision : 2008 a 2012

Instruction Eviews

File → news → workfile → choisir Annual


Start date : saisir 1988 end date : saisir 2012 → ok
Saisir PIB → valider par la touche entre du clavier → saisir données

2. Prévision
a. La méthode du lissage exponentiel double

Instruction Eviews
Quick → series statistics → exponentiel smoothing → saisir PIB → ok
Choisir double et led
Pour avoir les prévisions
Instruction Eviews
Quick → show → saisir PIB led → ok

Les prévisions du PIB pour un horizon de 5 années par la méthode du


lissage exponentiel double sont :

Années Prévisions (LED)


2008 5541.2731441
2009 5875.7886530
2010 6210.3041619
2011 6544.8196708
2012 6879.3351798
Pour avoir les graphiques linéaires des series observée et prévue
Instruction Eviews
View (à gauche) → graph → line
b. Méthode de Holt-Winters non saisonnière

Instruction Eviews

Quick → series statistics → exponentienal smoothing → saisir pib → ok


Smoothing Method : choisir Holt-Winters no seasonal
Smoothed series : saisi hwns → ok

Date: 12/20/16 Time: 11:37


Sample: 1988 2007
Included observations: 20
Method: Holt-Winters No Seasonal
Original Series: PIB
Forecast Series: HWNS
Parameters: Alpha 0.8800
Beta 0.4300
Sum of Squared Residuals 307825.4
Root Mean Squared Error 124.0616
End of Period Levels: Mean 5212.432
Trend 338.0875

Pour avoir les prévisions

Instruction Eviews
Quick→ show → saisir pib hwns → ok
Les prévisions du produit intérieur brut pour un horizon de 5 années par la
méthode de HWNS sont :
Année Prévisions (HWNS)
2008 5550.51916032
2009 5888.60663111
2010 6226.69410189
2011 6564.78157268
2012 6902.86904347

Pour avoir les graphiques de series observée et prévue

Instruction Eviews
View (à gauche)

3. Comparaison des performances prévisionnelles des 2 méthodes

LED HWNS
Somme des carrées des résidus 380326.7 307825.4
Erreur quadratique moyenne 137.8997 124.0616

Sum of Squared Residuals : Somme des carrées des résidus


Root Mean Squared Error : Erreur quadratique moyenne

On utilise le critère l’erreur quadratique moyenne pour compare la


performance prévisionnel de ces 2 méthodes.
RMSE de la méthode de LED : 137.8997
RMSE de la méthode de HWNS : 124.0616
La méthode de HWNS est meilleure que celle du LED car elle donne la plus faible
erreur quadratique moyenne.
Exercice 5 : prévision d’une serie saisonnière avec un schéma additif
On considère la series trimestrielle des ventes d’une entreprise
Trimestre Trim 1 Trim 2 Trim 3 Trim 4
1993 1248 1392 1057 3159
1994 891 1065 1118 2934
1995 1138 1456 1224 3090

1) Saisir et enregistrée le donnes


2) Représenter la serie vente par un graphe linéaire
3) Analyser cette chronique selon la méthode de HWNS et calculer une
prévision pour un horizon de 4 trimestres
On demande d’adopter un schéma additif.
Correction :
1) Saisie des donnes
Echantillon observe : Trim 1 de 1993 au Trim 4 de 1995
Période de prévision : Trim 1 de 1996 au Trim 4 de 1996
Instruction Eviews
File → New → Workfile → choisir Quarterly
Start date : saisir 1993.1 End date : saisir 1996.4 → ok
Saisir data ventes → valider par la touche entré du clavier → saisir les données

2) Représentation graphique

Instruction Eviews
Quick → graph → line graph → ok
3) Prévision par la méthode des HW saisonnière additive

Instruction Eviews

Quick → series statistics → exponenetial smoothing → saisir ventes → ok


Smoothed Method : choisir Holt-Winters additive
Smoothed series : saisir addit → ok

Date: 12/20/16 Time: 12:31


Sample: 1993:1 1995:4
Included observations: 12
Method: Holt-Winters Additive Seasonal
Original Series: VENTES
Forecast Series: ADDIT
Parameters: Alpha 0.4800
Beta 0.0000
Gamma 0.0000
Sum of Squared Residuals 221607.1
Root Mean Squared Error 135.8943
End of Period Levels: Mean 1702.312
Trend 1.625000
Seasonals: 1995:1 -552.8958
1995:2 -342.5208
1995:3 -515.4792
1995:4 1410.896

Seasonals : coefficients saisonniers sont : -552.8958, -342.5208, -515.4792,


1410.896
Pour avoir les prévisions on fait :

Quick → show → saisir ventes addit → ok

Les ventes prévues pour un horizon de 4 trimestres par la méthode de WHSA


sont :

Trimestre Prévisions
1996.1 1151.041298
1996.2 1363.041298
1996.3 1191.707965
1996.4 3119.707965

Pour avoir les graphiques des series observés et prévus :


View (à gauche) → graph → line

Exercice 6 : Prévision d’une serie saisonnières avec un schéma multiplicatif

On considère la serie chronologique suivante représentent le chiffre d’affaire


trimestrielle moyen d’une chaine de magasin exprimer sous forme d’indice
rapporte au chiffre d’affaire trimestrielle moyen de 1994.

Trimestre Trim 1 Trim 2 Trim 3 Trim 4


1995 1.1 1.2 0.9 2.6
1996 1.5 1.4 1.1 2.8
1997 1.7 2 1.6 3.4
1998 2.1 2.1 2 3.7

1) Saisir et enregistrer les donnes


2) Représenter la series ventes par un graphique linéaire
3) Analyser cette chronologique selon la méthode de Holt-Winter
Saisonnière et calculer une prévision en un horizon de 4 trimestres.
On demande d’adopter un schéma multiplicatif.

Corrige de l’exercice 6 :

1) Saisie des données


Echantillon observe : trim1 de 1995 au Trim 4 de 1998
Période de prévisions : trim1 de 1999 au trim4 de 1999

Instructions Eviews
File → New → workfile → choisir Quarterly
Start date : saisir 1995.1 End date : 1999.4 → ok
Saisir data catrim → valider par la touche entre du clavier → saisir les données

2) Graphique

Instruction Eviews

Quick → graph → saisir catrim → ok → graph type : choisir line graph → ok

3) Prévision par la méthode de Holt-Winters saisonnière multiplicative


Instructions Eviews
Quick → series statistics → exponentiel smoothing → saisir catrim → ok
Smoothing Method : choisir Holt-Winters Multiplicative
Smoothed series : saisir mult → ok

Date: 12/20/16 Time: 13:09


Sample: 1995:1 1998:4
Included observations: 16
Method: Holt-Winters Multiplicative Seasonal
Original Series: CATRIM
Forecast Series: MULT
Parameters: Alpha 0.0100
Beta 1.0000
Gamma 0.0100
Sum of Squared Residuals 0.312417
Root Mean Squared Error 0.139736
End of Period Levels: Mean 2.558766
Trend 0.085548
Seasonals: 1998:1 0.886824
1998:2 0.883690
1998:3 0.694650
1998:4 1.534837

Seasonals : coefficients saisonnières

Pour avoir les prévisions

Quick → show → saisir catrim mult → ok

Les prévisions obtenues pour un horizon en 4 trimestres par la méthode de Holt-


Winter saisonnier Multiplicative sont :

Prévisions Prévisions sous forme d’indice


1999.1 2.345 → soit une augmentation de 134.5%
1999.2 2.412 → soit une augmentation de 141.2%
1999.3 1.955 → soit une augmentation de 95.5%
1999.4 4.452 → soit une augmentation de 345.2%