Académique Documents
Professionnel Documents
Culture Documents
Statistique (IRES)
(I.R.
E.S)
___________________________________________________
Réalisé par :
Abdi-Basid Ibrahim Adan
Mahad Mahamoud Waiss
……………..……………………………………………...3
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
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
➢ 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
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 :
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
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.
160
y = 4,5x - 131,3155
150
130
125
120
15-mars 16-mars 17-mars 18-mars 19-mars 20-mars
➢ Interprétation
6
II- Prévision annuelle
1- Etude préliminaire
a- Description de la série
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
➢ Interprétation
✓ 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).
➢ 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..
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
100
0
1 2 3 4 5 6 7 8 9 1011121314151617181920
Année 1 Année2 Année 3 Année 4 Année 5
➢ 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.
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
➢ 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
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
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
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).
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
13
➢ Interprétation
✓ 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.
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.
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
16
17