République de Sénégal Institut de Recherche en Economie et

Statistique (IRES)

(I.R.
E.S)

___________________________________________________

Projet : Série Chronologie

Réalisé par :
Abdi-Basid Ibrahim Adan
Mahad Mahamoud Waiss

Master en économétrie et statistique Année universitaire 2015/2016

 Table des Matières

Liste des index.

Listes de graphiques.
Listes de tableau

……………..……………………………………………...3

Première partie : Le cours de l’action

I- Prévision journalier……………………………………………………………3
1- Etude préliminaire………………………………………………………….4
2- Méthode de prévision………………………………………………………5

Deuxiéme partie : La recette d’une administration fiscale

II- Prévision annuelle……………………………………………………………..7

1- Etude préliminaire……………………………………………………….…7
2- Méthode de prévision……………………………………………………....8

Troisiéme partie : Le PIB DIOP LAND

III- PIB de DIOP LAND…………………………………………………………...10

1- Méthode de moyen mobile……………………………………………….10
2- Modélisation……….……………………………………………………..11

Conclusion………………………………………………………… …..…………15
Annexe……………………………………………………………………….……………..…15

2
 La théorie des séries chronologiques (ou temporelles) abordée dans ce cours est
appliquée de nos jours, dans des domaines aussi variés que l’économétrie, comme la
médecine, la démographie, l’astronomie…etc.

Dans notre projet, nous allons nous intéresser à la théorie des série temporelles
spécifiquement dans le domaine de l’économétrie, c’est d’ailleurs le cours de l’action,
d’une recette d’une administration fiscal et enfin le PIB de Diop Land.

Notre projet a pour finalité de d’écrire, d’expliquer puis prévoir ces phénomènes
dans le futur. On dispose pour cela des observations à des dates diff èrentes (c’est-à-dire
une suite de valeurs numériques indicés par le temps), c’est le cas des séries
chronologiques que nous allons traiter tout au long de la finalisation de nôtre projet.

▪ Problématiques :

Des modèles de séries chronologiques sont développés pour faire des prévisions
dans le but de servir d’outil d’aide à la décision pour les responsables, afin d’être en mesure
de planifier de représailles pour les éventuels enjeux à venir.
Dans cette condition, comment allons-nous corriger nos séries brutes pour de fin de
prévision? Par quelle (s) méthode (s) de prévision allons-nous utiliser pour anticiper nos
phénomènes étudiés ?

Pour ce faire, nous seront amené en premier temps à enlever le mouvement saisonnier
de notre série, entre autre à la rentre en une série désaisonnalisée, atténué de fluctuation
grâce à des méthodes de lissages; par la suite, nous allons être en mesure de prévoir nos
chroniques à partir de la série corrigée, appelé aussi (CVS).

3
 I- Prévision journalière

1- Etude préliminaire

a- Description de la série

Tableau1 :Cours d’une action

Jours (xi) 15-mars 16-mars 17-mars 18-mars 19-mars
Cours (yi) 135 143 140 154 152

Graphique1 : Graphique2:
L’evolution du cours de l’action en fonction du jours La representation graphique du cours de l’action en radar

Cours(yi) Cours(yi)
y = 4,5x - 190862 15-mars
160 160

155 150

150 140
19-mars 16-mars
145 130

140 120

135
130
125 18-mars 17-mars

Source : donnée Excel, 2016. Source : donnée Excel, 2016.

➢ Interprétation

✓ D’après les représentations de la série brute représentée, nous observons bien une
évolution positivement croissante en dent de scie au cours de l’action entre le 15 mars et
le 19 mars.

✓ Il est évident dans cette variation, la présence d’une saisonnalité (une périodicité), qui est
responsable de la fluctuation de la série brute, comme nous le confirme le graphique en
radar.

✓ Cependant, la saisonnalité observé presente des amplitudes variables (si l’on relie les
maximums et les minimums des points, ils risquent de ne pas être paralléle), en
consequence nôtre série s’agit bien d’ un modéle multiplicatif.

4
 2- Méthode de prévision

a- Détermination de la droite de tendance

Pour déterminer l’équation de la tendance, nous allons effectuer une régression de cours
de l’action (Yi) sur le temps (Xi) par la méthode de Moindre Carré Ordinaire(MCO), et
nous obtenons l’équation suivant à l’aide de calcul de l’Excel :

y (cours de l’actions) = 4,5 *x(Temps) + 131,3

Graphique3 : Représentation graphique de la droite de tendance

Cours de l'action
160
y = 4,5x + 131,3
155

150

145

140 Cours(yi)
Linear (Cours(yi))
135

130

125
1 2 3 4 5
15-mars 16-mars 17-mars 18-mars 19-mars

Source : donnée Excel, 2016.

b- Prévision du cours de l’action

Pour prévoir le cours de l’action du jour suivant, il est nécessaire primordialement de

découvrir, avant toute chose, la décomposition de la série brute.

Comme nous l’avons déjà étudié préalablement, bien que notre modèle est
multiplicatif, nous allons, donc procéder, par la suite, à réaliser d’une part, les rapports
saisonniers du jour; les coefficients saisonniers du jour ; la normalisation de ces
coefficients saisonniers et d’autre part déterminer la série désaisonnalisée et finalement
le cours de l’action estimé ; nous obtenons dans le tableau suivant tous les calcules
précédemment dites à l’aide de calcul de l’Excel :

5
 Tableau2 : Calcul de prédiction

Saisonnie

Normalisés
Coefficient

Coefficient
Saisonnier
saisonnier

d’estimé
du trend

Rapport
Valeurs
Temps

Cours
Cours
Jours

CVS
(yi)
(xi)

yi

r
15-mars 1 135 135,8 0,994 0,994 0,994 135,799 135,001
16-mars 2 143 140,3 1,019 1,019 1,019 140,299 143,001
17-mars 3 140 144,8 0,967 0,967 0,967 144,799 140,001
18-mars 4 154 149,3 1,031 1,031 1,031 149,299 154,001
19-mars 5 152 153,8 0,988 0,988 0,988 153,799 152,001
20-mars 6 158,3 158,3
Source : donnée Excel, 2016.

Graphique4 : prédiction de cours de l’action de 20 mars

165

160
y = 4,5x - 131,3155

150

Cours estimé 145

Cours(yi) 140
Linear (Cours(yi))
135

130

125

120
15-mars 16-mars 17-mars 18-mars 19-mars 20-mars

Source : donnée Excel, 2016.

➢ Interprétation

Nous enregistrons un resultat au vert au lendemain du 19 mars, puisque la prévision de

20 mars est en hause,de 0,7% par rapport au jour precedent (19 mars).
En d’autre terme, Le cours de 19 mars était de 152 tandis que le cours prévisionnel de 20
mars sera de 158,3.
En concequence l’economie se porte bien (aucune raison de s’inquiété).

6
 II- Prévision annuelle
1- Etude préliminaire

a- Description de la série

Tableau 3: La répartition de recettes d'une de l’administration fiscales en trimestres au

cours de 4 ans
Date 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Rt 235 298 221 340 268 327 242 378 300 368 292 421 334 421 322 465

Graphique 5: Variation de Recettes d’une administration fiscale au cours de 4 ans

500
450
y=9,40x+ 240,9 Recette
400 T1
350 600
300
400 334
300
268
235
250
200 200
150 T4465
421
378
340 0 421T2
298
327
368
100
50
221
242
0 292
322
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
T3
Année 1 Année2 Année 3 Année 4
Année 1 Année 2 Année 3 Année 4
Recette Trend

Source : donnée Excel, 2016. Source : donnée Excel, 2016.

➢ Interprétation

✓ D’après la représentation de la série brute, nous observons une variation positivement

croissante en dent de scie de recette d’une administration au cours de 4 ans.

✓ Il est évident dans cette évolution, la présence d’une saisonnalité (une périodicité), qui est
responsable de la fluctuation de la série brute, comme nous le confirme le graphique en
radar.

✓ Cependant, la saisonnalité observé presente des amplitudes variables (si l’on relie les
maximums et les minimums des points, ils risquent de ne pas être paralléle), ce qui justifie
une decomposition multiplicative de la série observée.

7
 2- Méthode de prévision
Afin de pouvoir prevoir la recette de l’administration fiscal dans un temps futur, nous aurons
l’occasion de s’en servir une des methodes extrapolatives, qui est en coccurrence la methode
de prévision par moyen mobile.

Les moyennes mobiles sont à la base d’une méthode de prévision qui consiste à utiliser la
moyenne des k dernières observations disponibles comme prévision pour la date suivante. On
parle alors de méthode de prévision par moyenne mobile d’ordre k.
En général, elle permet de lisser la série brute tout en privant les fluctuations (la saisonnalité)
de la série brute pour la désaisonnalisé (à de fin de prévision).

a- Détermination de la droite de tendance

Pour déterminer l’équation de la tendance, nous allons effectuer une régression de moyen
mobile(Yi), sur le temps(Xi) par la méthode de Moindre Carré Ordinaire(MCO), et nous
obtenons l’équation suivant à l’aide de l’Excel :

y (Recette de l’administration fiscal) =9,40*X(Temps) + 240,99

b- Calcul de coefficient saisonnier

Pour déterminer le coefficient saisonnier, il faudrait calculer d’abord, le moyen mobile
d’ordre 4(paire), puis déterminer le rapport saisonnier, ensuite réaliser le coefficient saisonnier
et enfin les normalisés.
Nous obtenons, donc, les valeurs suivantes à l’aide de l’Excel :
Tableau 4 : Tableau de coefficient saisonnier des trimestres.
RS Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Année 1 0,808043876 1,206743567
Année 2 0,92733564 1,111299915 0,796707819 1,212510024
Année 3 0,931677019 1,100149477 0,845763939 1,190106007
Année 4 0,910081744 1,124165554 Somme Moyenne
C. S. 0,923031468 1,111871649 0,816838545 1,203119866 4,05486153 1,01371538
C.S.N. 0,910543022 1,096828231 0,80578687 1,186841877 4 1
Source :donnée Excel,2016.

➢ Interprétation
Le coefficient saisonnier est tantôt inferieur à 1 (dans ce cas les valeurs de la série sont au
dessous de la droite de la tendance) et tantôt superieur à 1 (dans ce cas les valeurs de la série
sont au dessus de la droite de la tendance).
Dans notre cas, nous obtenons :

✓ Au premier trimestre de chaque année, les valeurs de la recette fiscale sont à 8,9% au
dessous de la droite de la tendance.
✓ Au seconde semestre de chaque année les valeurs de la recette fiscale sont à 9,6% au dessus
de la droite de tendance.

8
 ✓ Au troisiéme trimestres de chaque année les valeurs de la recette fiscale sont à 20% au
dessous de la droite de la tendance
✓ Au quatriéme trimestre de chaque année les valeurs de la recette fiscale sont à 18% au
dessus de la droite de la tendance..

c- Correction de série de variation saisonnière

Pour pouvoir corriger une série brute, il est nécessairement indispensable de rapporté
(dans le cas d’une série d’une décomposition multiplicative) chaque valeurs observée
au coefficient saisonnier normalisé du trimestre: nous obtenons une série dépourvue de
fluctuation donnée ci-dessous.
Tableau 5 : Tableau de la série corrigée Graphique 6: Prévision de l’année suivante de la Recette de fiscal

600 Y=9,40x+240,9
9
500

400

300 Recette estimé

Recette
Trend
200

100

0
1 2 3 4 5 6 7 8 9 1011121314151617181920
Année 1 Année2 Année 3 Année 4 Année 5

Source :donnée Excel,2016.

Source :donnée Excel,2016.

➢ Interprétation
Dans nos calculs de prévision de recette de l’administration fiscale de l’année suivante,
nous enregistrons une variation positive, dans son ensemble croissante jusqu’aux
derniers trimestres de l’année suivante de recette de l’administration fiscale comme
nous le confirme la statistique ci-dessus.

9
En d’autre termes, le premier trimestre de l’année suivante de recette fiscale augmente
et vaut 364,9, de même pour le second trimestre, elle vaut 449,9, alors que le troisième
trimestre rechute en 338,13, enfin pour le dernier trimestre la recette fiscale retrouve sa
croissance et vaut 509,20.

III- PIB de DIOP LAND

1- Méthode de moyen mobile

a- Calculs des moyens mobiles

Tableau 6 : Tableau des moyens mobiles 3 et 4

Trimestres PIB DIOP MM3 MM4
Année 1 1 1000
2 1500 1300
3 1400 1233,33333 1175
4 800 1133,33333 1225
Année 2 5 1200 1266,66667 1300
6 1800 1566,66667 1375
7 1700 1566,66667 1475
8 1200 1466,66667 1550
Année 3 9 1500 1566,66667 1600
10 2000 1766,66667 1625
11 1800 1700 1650
12 1300 1500 1625
Année 4 13 1400 1500 1575
14 1800 1600 1525
15 1600 1500
16 1100
Source :donnée Excel,2016

10
Graphique 7: Représentation graphique des moyen mobiles et de la série brute

2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Année 1 Année 2 Année 3 Année 4

PIB DIOP MM3 MM4

Source :donnée Excel,2016

➢ Interprétation
Du point de vue de la répartition de l’année en quatre trimestres, nous constatons bien
que les deux méthodes de lissages atténuent différemment le série observée, c’est-à-
dire que la moyen mobile d’ordre 4 (paire) lisse plus la série non corrigée par rapport au
moyen mobile d’ordre 3 (impaire).

En conséquence le moyen mobile d’ordre 4 est plus optimal que le moyen mobile
d’ordre 3 pour désaisonnalisé nos observations brutes.

2- Modélisation

a- Série brute de PIB DIOP LAND

Graphique 8: Représentation de la série brute

PIB DIOP
T1
2500 2000
1500
2000
1000 Année 1
1500 500
Année 2
T4 0 T2
1000 Année 3
Année 4
500

0
T3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Année 1 Année 2 Année 3 Année 4

Source :donnée Excel,2016 Source :donnée Excel,2016

11
 ➢ Interprétation

✓ D’après la représentation de la série brute de PIB de Diop Land, nous observons une
évolution quasi-sinusoïdale et positive au cours de quatre ans.

✓ Il est évident dans cette variation, la présence d’une saisonnalité (une périodicité), qui est
responsable de la fluctuation de la série brute, comme nous montre le graphique en radar,
la série admet bien une périodicité pour chaque trimestre de l’année.

b- Décomposition du modèle

❖ Pour determiner la decomposition de la série de facon graphique, il suffit de relier

les maximums et les minimums (les amplitudes) de la série et voir si ce derniers
forment deux droite parelleles ou pas.

Dans nôtre cas, si l’on relie les maximums et le minimus de la série brute, il risque de ne
pas être parallele, de ce fait notre modéle que nous avons est, par concequent, un
modéle multiplicatif, (voir le graphique precedent).

❖ De plus, il est importante de confirmer cela par la methode analytique, pour ce

faie nous allons réaliser la regression des ecartypes de chaque année (Yi) sur les
moyennes (Xi) de chaque année et voir si le coefficient directeur est different de
0 ou pas.

Dans notre cas, nous avons obtenue par le biais de l’ Excel, une pente different de zero,
qui confirme la véracité de notre modèle, qui est un modèle multiplicatif ( voir le calcul
del’Excel,SVP).

12
 c- Déterminations de la droite de la tendance

Pour determiner l’equation de la tendance, nous allons effectuer la regression de moyen

mobile sur le temps par la methode de moyen carré et nous obtenons comme suit :
Tableau 7 : Tableau des valeurs tendances et moyen mobile Graphique 9: Représentation la droite de tendance

Trimestres PIB MM4 Trend 2500

DIOP
Année 1 1 1000 1182,6049
2 1500 1221,59091 2000
3 1400 1175 1260,57692
4 800 1225 1299,56294
1500
Année 2 5 1200 1300 1338,54895
6 1800 1375 1377,53497
7 1700 1475 1416,52098 1000
8 1200 1550 1455,50699
Année 3 9 1500 1600 1494,49301
500
10 2000 1625 1533,47902
11 1800 1650 1572,46503
12 1300 1625 1611,45105 0
Année 4 13 1400 1575 1650,43706 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

14 1800 1525 1689,42308 Année 1 Année 2 Année 3 Année 4

15 1600 1728,40909 PIB DIOP MM4 Trend
16 1100 1767,3951
Source :donnée Excel,2016 Source :donnée Excel,2016

d- Déterminations de coefficient saisonnier

Pour determiner le coefficient saisonnier, il faudrait calculer, avant tout, le rapport
saisonnier(dans un modele multiplicatif), puis deduire, le coefficient saisonnier en realisant la
moyenne de ces rapport par trimestres, nous obtenons, ainsi, le tableau ci-dessous sous Excel :

Tableau 8 : Tableau de coefficient saisonnier

RS Trimestre 1 Trimestre 2
Trimestre 3 Trimestre 4
Année 1 1,19148936 0,65306122
Année 2 0,92307692 1,30909091 1,15254237 0,77419355
Année 3 0,9375 1,23076923 1,09090909 0,8
Année 4 0,88888889 1,18032787 Somme Moyenne
CS 0,9164886 1,24006267 1,14498028 0,74241826 4,04394981 1,01098745
CSN 0,90652817 1,22658562 1,13253658 0,73434963 4 1
Source :donnée Excel,2016

13
 ➢ Interprétation

Le coefficient saisonnier normalisé n’est que le rapport de chaque coefficient saisonnier à la

moyenne de coefficent saisonnier .
Toutefois, le coefficient saisonnier normalisé est tantôt inférieur à 1 (dans ce cas les valeurs de
la série sont au dessous de la droite de la tendance) et tantôt supérieur à 1 (dans ce cas les
valeurs de la série sont au dessus de la droite de la tendance).

Dans notre cas, nous obtenons :

✓ Au premier trimestre de chaque années, les valeurs de PIB sont à 9,34% au dessous de la
droite de la tendance.
✓ Au seconde semestre de chaque année, les valeurs de PIB sont à 22% au dessus de la droite
de tendance.
✓ Au troisieme de chaque année, les valeurs de PIB sont à 13% au dessus de la droite de la
tendance.
✓ Au quatrieme trimestres de chaque année, les valeurs de PIB sont à 26,5% au dessous de la
droite de la tendance.

e- Déterminations de la série désaisonnalisée

Pour déterminer la série désaisonnalisée ou la série corrigée, il suffit de rapporter les

valeurs brutes de la série aux coefficients saisonniers normalisés, on obtient les valeurs
ci-dessous par le biais de l’Excel.

Tableau 9 : Tableau de la série désaisonnalisée

Trimestres PIB DIOP MM4 Trend CSN CVS

Année 1 1 1000 1182,6049 0,90652817 1103,10968
2 1500 1221,59091 1,22658562 1222,90689
3 1400 1175 1260,57692 1,13253658 1236,16316
4 800 1225 1299,56294 0,73434963 1089,39934
Année 2 5 1200 1300 1338,54895 0,90652817 1323,73162
6 1800 1375 1377,53497 1,22658562 1467,48826
7 1700 1475 1416,52098 1,13253658 1501,05526
8 1200 1550 1455,50699 0,73434963 1634,09901
Année 3 9 1500 1600 1494,49301 0,90652817 1654,66452
10 2000 1625 1533,47902 1,22658562 1630,54251
11 1800 1650 1572,46503 1,13253658 1589,35263
12 1300 1625 1611,45105 0,73434963 1770,27393
Année 4 13 1400 1575 1650,43706 0,90652817 1544,35355
14 1800 1525 1689,42308 1,22658562 1467,48826
15 1600 1728,40909 1,13253658 1412,75789
16 1100 1767,3951 0,73434963 1497,9241
Source :donnée Excel,2016

14
 Graphique 10: Représentation de la série désaisonnalisée

2500
Y=38,98x+1143,6

2000

1500
Interprétation
PIB DIOP
Trend Nous constatons d’apres ce
1000
CVS
graphique , que la série
desaisonnalisée admet une
500
variation dont les amplitudes
sont faibles par rapport à celui
de variations de la série brute,
0 ce qui justfie la privation de la
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 composante saisonniére de la
Année 1 Année 2 Année 3 Année 4
série corrigé.

Source :donnée Excel,2016

En conclusion, il existe deux grandes familles de méthodes de prévision : les méthodes

explicatives et les méthodes extrapolatives.

Pour prévoir avec une des méthodes explicatives, particulièrement la prévision par la
méthode de la régression linéaire, il faudrait déterminer la droite de la tendance par la
méthode de Moindre Carré Ordinaire, puis prévoir en multipliant la tendance avec le
coefficient saisonnier normalisé avec l’équation de tendance.

Tandis que, pour les méthodes extrapolatives, spécifiquement, la prévision par la méthode
moyen mobile, il faudrait enlever de la série la composante saisonnière , puis déterminer la
tendance et enfin multiplier avec le coefficient saisonnier normalisé pour prévoir.

Cependant, Existe-il-une méthode plus efficace pour prévoir des phénomènes avec un
intervalle de confiance très élevé ?

15
 ➢ Listes des graphiques
Graphique1 : L’evolution du cours de l’action en fonction du jours
Graphique2: La representation graphique du cours de l’action en radar
Graphique3 : Représentation graphique de la droite de la tendance
Graphique4 : Prévision de cours de l’action de 20 mars
Graphique 5: Variation de Recettes d’une administration fiscale au cours de 4 ans
Graphique 6: Prévision de l’année suivante de la Recette de l’administration fiscale
Graphique 7: Représentation graphique des moyen mobiles et de la série brute
Graphique 8: Représentation de la série brute de PIB de DIOP LAND
Graphique 9: Représentation la droite de tendance
Graphique 10: Représentation de la série désaisonnalisée

➢ Liste des tableaux

Tableau1 :Cours d’une action
Tableau2 : Calcul de prédiction
Tableau 3: Les recettes Trimestrielles d'une de l’administration fiscales au cours 4 ans
Tableau 4 : Tableau de coefficient saisonnier des trimestres.
Tableau 5 : Tableau de la série corrigée
Tableau 6 : Tableau des moyens mobiles 3 et 4
Tableau 7 : Tableau des valeurs tendances et moyen mobile
Tableau 8 : Tableau de coefficient saisonnier
Tableau 9 : Tableau de la série désaisonnalisée

➢ Liste des abréviations

CS : Coefficient saisonnier
CSN : Coefficient saisonnier normalisé
MCO : Moindre Carré Ordinaire
RS : Rapport saisonnier
MM : Moyen Mobile
CVS : Correction des variations saisonnières

16
17