Devoir 1

Lucas Bulfoni & Yann Cecconi

Projet 1

Statistiques descriptives

## x
## nbr.val 176.0000000
## nbr.null 1.0000000
## nbr.na 0.0000000
## min 0.0000000
## max 154.4000000
## range 154.4000000
## sum 7882.0000000
## median 39.5500000
## mean 44.7840909
## SE.mean 2.6222660
## CI.mean.0.95 5.1753369
## var 1210.2251169
## std.dev 34.7882899
## coef.var 0.7768002

Ici le tableau nous donne la moyenne de la série qui est 44,78, l’ écart type, 34,78, ce qui se signifie que la
moyenne n’est pas très représentative.
A présent regardons à quoi ressemble la série en traçant sa représentation graphique.
150
Annual numbers

100
50
0

0 50 100 150

Time

1
Les “pics”" semblent être réguliers. La variabilité de la série semble être constante dans le temps.

AC / AC partielles

Nous disposons d’une série temporelle sur une longue période, il est donc interessant de regarder les corrélations
existantes entre les différentes périodes.
Series: mydata
−0.5 0.0 0.5
ACF

5 10 15 20
LAG
−0.5 0.0 0.5
PACF

5 10 15 20
LAG
## ACF PACF
## [1,] 0.81 0.81
## [2,] 0.43 -0.64
## [3,] 0.03 -0.10
## [4,] -0.26 -0.01
## [5,] -0.40 -0.04
## [6,] -0.36 0.14
## [7,] -0.17 0.12
## [8,] 0.10 0.21
## [9,] 0.34 0.03
## [10,] 0.49 0.10
## [11,] 0.50 0.07
## [12,] 0.37 -0.04
## [13,] 0.17 0.03
## [14,] -0.04 0.06
## [15,] -0.18 -0.03
## [16,] -0.25 -0.10
## [17,] -0.24 -0.08
## [18,] -0.19 -0.18

2
## [19,] -0.10 0.00
## [20,] 0.01 0.00
## [21,] 0.12 0.03
## [22,] 0.20 0.05
## [23,] 0.20 -0.14
## [24,] 0.12 -0.02

Sur le corrélogramme de l’autocorrélation, de nombreux coefficients de correlation sont significatifs, notamment

pour les lag 1, 2, 5, 6, 10 et 11.
Regardons à présent, l’autocorrélation indépendamment des autocorrélations pour les lags inférieurs.
Le corrélogramme de l’autocorrélation partielle nous montre que les effets autour des lags 5, 6, 10, 11 sont
des effets résiduels de l’autocorrélation en 1 et en 2.

Modèle

Nous savons que l’ autocorrélation partielle cesse d’être significative à un certains lag, ce qui indique que ce
lag n’améliore pas le modèle. Ici sur le correlogramme de la fonction d’ autocorrélation partielle, seulement
les deux premiers “lag” sont significatifs, c’est pour cela que nous avons choisit un modèle auto-régressif
d’ordre 2. Les autocorrelations aux lags 8 et 18 dépassent l’intervalle de confiance mais cela est probablement
dû au hasard. Nous avons opté pour un modèle sans différenciation car la série semble être stationnaire.
AR(2): Xt = φ1 Xt−1 + φ2 Xt−2 + t
##
## Call:
## arima(x = mydata, order = c(2, 0, 0))
##
## Coefficients:
## ar1 ar2 intercept
## 1.3347 -0.6474 44.8886
## s.e. 0.0568 0.0570 3.7083
##
## sigma^2 estimated as 237: log likelihood = -732.01, aic = 1472.01
Le modèle serait : Xt = 44, 8886 + 1, 3347Xt−1 − 0, 6474Xt−2 + t

Résidus

Afin de voir si le modèle peut être retenu, nous allons analyser les résidus et voir s’il se dégage une structure
particulière.
Pour voir si les résidus du modèle sont normalement distribués avec une moyenne de zéro et une variance
constante, nous pouvons faire un histogramme de ces résidus ainsi que sa représentation graphique.

3
 Histogram of res
50
40
Frequency

30
20
10
0

−40 −20 0 20 40 60

res
L’histogramme des résidus semblent montrer que les résidus sont normalement distribués et que la moyenne
est assez proche de zéro.
60
40
20
res

0
−20
−40

0 50 100 150

Time
Le graphique nous montre que la variance des résidus est à peu près constante à travers le temps.
Nous pouvons également tracer le corrélogramme de la fonction d’autocorrélation des résidus.

4
 Series res
1.0
0.8
0.6
ACF

0.4
0.2
0.0

0 5 10 15 20

Lag
Les valeurs des autocorrélations des résidus ne sont pas significatives et laissent penser que c’est un bruit
blanc.
Normal Q−Q Plot
60
40
Sample Quantiles

20
0
−20
−40

−2 −1 0 1 2

Theoretical Quantiles
On peut également tracer le diagramme quantile-quantile pour la loi normale et s’apercevoir que les queues
du graphique s’éloignent de la droite, la distribution des résidus s’éloignent de la loi normale. Ce résultat est

5
opposé à nos interprétations du dessus, c’est pour cela que nous allons effectuer le test de Ljung test (porte
manteau) pour déterminer si les valeurs résiduelles sont indépendantes.
##
## Box-Ljung test
##
## data: res
## X-squared = 0.84765, df = 1, p-value = 0.3572
H0: Présence de bruits blancs, pas d’autocorrélation H1: Absence de bruits blancs
p-value= O,35 > 5%
On ne peut pas rejeter l’hypothèse nulle, il y a donc présence de bruits blancs.
Au vu de tout ces élements, on peut conclure que les résidus du modèle sont des bruits blancs.