Application Box & Jenkins

Application de Box & Jenkins
1- Etude de la série PRIX :
Diagramme séquentiel de la série brute
60
PRIX 50
40
30
20
10
0 PRIX
JA JA J A J A JA JA JA JA JA J A J A JA JA JA J A J A J A J A J A
N N N N N N N N N N N N N N N N N N N
19 19 19 19 19 19 19 19 19 19 19 19 19 19 20 20 20 20 20
86 87 88 89 90 91 92 93 94 95 96 97 98 99 00 01 02 03 04
Date
Graphe de la moyenne et la variance de la série PRIX :
Graphe de la moyenne Graphe de la variance
45 50
40
35 40
30
25 30
PRIX PRIX
20
20
15
10 10
5
0 0
1 4 7 10 13 16 19 1 4 7 10 13 16 19
D’après les deux graphes, on remarque que la moyenne et la variance varient au cours
du temps. On peut donc appréhender la non stationnarité de la série.
La non stationnarité de la série implique la présence d’une saisonnalité, et/ ou d’une
tendance.
Pour vérifier ceci, on va appliquer des tests statistiques juste après la présentation des
corrélogrammes simple et partiel de la série brute.
63
Corrélogrammes simple et partiel de la série brute :

PRIX PRIX
1,0
1,0
,5
,5
0,0 0,0
-,5 -,5
ACF partiel
Limites de confiance Limites de confiance
ACF
-1,0 Coefficient -1,0 Coefficient

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Numéro de décalage Numéro de décalage
Le corrélogramme simple présente une alternance entre une décroissance linéaire et une
stabilité, puis une légère élévation et enfin une stabilité.
Le corrélogramme partiel fait apparaître deux pics significatifs.
Test de la saisonnalité : (ANOVA)
Pour déceler la présence du facteur saisonnier, on utilise le test de Fisher qui repose
sur l’analyse de la variance.
Test d’influence du facteur ligne (mois) :
H0 : «absence du facteur saisonnier» contre H1 : « il existe un facteur saisonnier »
Test d’influence du facteur colonne (années) :

H 0 : «La série n’est pas affectée d’une tendance» / H1 : « La série est
tendancielle ».
Résultats du test :
Source des Somme des Degré de Moyenne F Probabilité Valeur critique

variations carrés liberté des carrés pour F
Lignes 177,095519 11 16,0995927 1,86533261 0,04587333 1,83726101
Colonnes 9252,90334 18 514,050185 59,558934 1,0519E-69 1,65617564
Erreur 1708,92811 198 8,63095007
Total 11138,927 227
Effet ligne :
Fcal > Ftab (1,86533261  1,83726101) au seuil   0,05, ceci implique que H0 est
rejetée, donc la série est légèrement affectée d’un facteur saisonnier.
Effet colonne :
Fcal > Ftab (59,558934 > 1,65617564) au seuil   0,05, ceci implique que H0 est rejetée,
Le test manifeste la présence d’une tendance.
Elimination du facteur saisonnier :
64
Pour extirper la saisonnalité, on applique l’opérateur de différence saisonnière

d’ordre 12 sur la série PRIX. La série ainsi obtenue est notée PRIXDS
(C’est-à-dire PRIXDSt  PRIXt –PRIXt-12)
Diagramme séquentiel de la série PRIXDS

30
Vér
20
ifica
tion
10 de
-10
PRIX
-20
Date
Transforme: Différence saisonnière (1, période 12)
l’élimination de la saisonnalité :
On applique le test de Fisher sur la série PRIXDS pour s’assurer que la saisonnalité
est complètement éliminée.
Source des Somme des Degré de Moyenne F Probabilité

Valeur
variations carrés liberté des carrés critique pour
F
Lignes 28,7925125 11 2,61750114 0,13405593 0,99961471 1,84014226
Colonnes 4718,91874 17 277,583455 14,2165017 1,783E-25 1,6776518
Erreur 3651,25735 187 19,5254404
Total 8398,9686 215
Effet ligne :
Fcal < Ftab (0,13405593 < 1,84014226) au seuil   0,05, ceci implique que H0 est
acceptée, donc la série PRIXDS n’est pas atteinte du facteur saisonnier.
Etude de la série PRIXDS :
65
Test de Dickey-Fuller :
Nous appliquons le test de Dickey-Fuller sur la série PRIXDS pour nous permettre de
détecter l’existence d’une racine unitaire et le type de la tendance.
H01 : « il existe une racine unitaire » H11 : « absence de racine unitaire »
2
H0 : « la constante est nulle » H12 : « la constante n’est pas nulle »
H03 : « le coefficient de la tendance est nul » H03: « le coefficient n’est pas nul »
Les résultats du test :
Le modèle (3) :
ADF Test Statistic -3.167765 1% Critical Value* -4.0037

5% Critical Value -3.4318
Variable Coefficient Std. Error t-Statistic Prob.
PRIXDS(-1) -0.093011 0.029362 -3.167765 0.0018
C -0.067439 0.390992 -0.172483 0.8632
@TREND(1986:01) 0.002251 0.002941 0.765471 0.4448
R-squared 0.045324 Mean dependent var 0.071163
Adjusted R-squared 0.036318 S.D. dependent var 2.677532
S.E. of regression 2.628461 Akaike info criterion 4.78453
Sum squared resid 1464.668 Schwarz criterion 4.831562
Log likelihood -511.3369 F-statistic 5.032421
Durbin-Watson stat 1.34078 Prob(F-statistic) 0.007324
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ  0 =-3,16 > -3 ,43 au seuil 5%.
On accepte l’hypothèse nulle de la nullité du coefficient de la tendance
conditionnellement à la présence d’une racine unitaire du fait que
F3 =5,03 (Fisher) < Ftab = 6,34.
Le modèle (2) :

PRIXDS(-1) -0.088789 0.028811 -3.081778 0.0023
C 0.196707 0.18366 1.071036 0.2854
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ  0 =-3,08 < -2,87 au seuil 5%.
66
Le coefficient de la constante est significativement égal à zéro : tcˆ  0 =1,07 <1,96

au seuil 5%.
Le modèle (1) :

la statistique de Student tˆ  0 =-0,91 > -1,94 au seuil 5%.
La série PRIXDS est donc non stationnaire de type de tendance DS sans dérive, il suffit
de la différencier au mois une fois pour la rendre stationnaire.
Le modèle s’écrit : xt   t
La série obtenue sera notée PRIXDSD.
Diagramme de la série PRIXDSD
20
10
DIF F (PRIX_1,1)
-10
Date
Test de Dickey-Fuller sur la série (PRIXDSD) :
67
Le modèle (3) :

PRISDSD(-1) -0.721466 0.066122 -10.91106 0
C -0.106 0.382484 -0.277135 0.7819
@TREND(1986:01) 0.000983 0.002826 0.347995 0.7282
R-squared 0.360706 Mean dependent var -0.060794
Durbin-Watson stat 1.885721 Prob(F-statistic) 0
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas de racine unitaire)
car la statistique de Student tˆ  0 =-10,91 < -3 ,43 au seuil 5%.
Le coefficient de la tendance est significativement égal à zéro car t ̂  0,34 <1,96.
Le modèle (2) :

PRISDSD(-1) -0.720731 0.065952 -10.92819 0
C 0.012424 0.174248 0.0713 0.9432
au seuil 5%.
Le modèle (1) :

Le modèle s’écrit comme suit : xt     1 xt 1   t
La série est stationnaire, on passe à la modélisation par la méthode de Box & Jenkins.
68
Identification du modèle à priori :
Corrélogrammes de la série PRIXDSD :
PRIX PRIX
1.0 1.0
.5 .5
0.0 0.0
-.5 Limites de confiance -.5 Limites de confiance
ACF partiel
ACF
-1.0 Coefficient -1.0 Coefficient

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40

Transforme: différence (1), Différence saisonnière (1, période 12) Transforme: différence (1), Différence saisonnière (1, période 12)
Le modèle à priori est : SARIMA (2, 1, 2) (2, 1, 1).
Le choix du modèle optimal:
Le choix du modèle optimal se fera parmi tous les modèles proposés, ce choix est
basé sur les critères d’information AIC et BIC.
Modèle AIC BIC

SARIMA (1, 1,2) (3, 1,0) 945,99525 966,21908
SARIMA (1, 1,2) (0, 1,1) 930,40273 943,88528
Parmi ces modèles on choisit celui qui minimise les deux critères AIC et BIC, on opte
pour le modèle SARIMA (1, 1, 2) (0, 1, 1).
Estimation des paramètres du modèle optimal :
Les variables du modèle :
B SEB T-RATIO APPROX. PROB.
AR1 .87003168 .09773840 8.901637 .00000000

MA1 .64875818 .11281828 5.750470 .00000003
MA2 .28633824 .06436013 4.449000 .00001396
SMA1 .89822833 .08187823 10.970295 .00000000
Test sur les paramètres:
69
Les paramètres sont significativement différents de zéro, car les statistiques t

empiriques associés sont supérieures à la valeur de la statistique t théoriques 1,96 au
risque 5% et les probabilités sont toutes inférieures à 0,05.
Tests sur les résidus :
Error for PRIX from ARIMA, MOD_5 NOCON Error for PRIX from ARIMA, MOD_5 NOCON
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
On va s’assurer que les résidus du modèle SARIMA (1, 1, 2) (0, 1, 1) forment un bruit
blanc en utilisant les tests suivants :
a. Test de points de retournement :
 0 : « Les  i sont non corrélés »

H1 : « Il existe une corrélation entre les résidus ».
n 1
2( n  2) 16n  29
T=   i = 146 ;  T  = = 142 ; ar  T  = = 37,9.
i2 3 90
U = 0,65 < 1,96 donc on accepte H0 au seuil 5%.

Les résidus ne sont pas corrélés entre eux.
b. Test de Box-Ljung :
H0 : « 1=2=…=45=0 » contre H1 : «  j j := 1,…,45 tel que j  0 »

Pour k = 36, Q = 36,263  2 32 = 46,194, le pic n’est pas significatif.
Pour k = 43, Q = 48,462  2 39 = 54,572, le pic n’est pas significatif.
Pour k = 45, p = 1, q = 2, P = 0, Q = 1 :
70
La statistique Q = 48,462  2 41 = 56,942 donc on accepte l’hypothèse nulle : les

résidus forment un bruit blanc.
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 -.004 .068 . * . .004 .948
2 -.048 .068 . *I . .503 .778
3 .063 .067 . I* . 1.368 .713
4 .054 .067 . I* . 2.010 .734
5 .012 .067 . * . 2.041 .843
6 -.083 .067 .**I . 3.581 .733
7 -.040 .067 . *I . 3.933 .788
8 .046 .067 . I* . 4.415 .818
9 .056 .066 . I* . 5.135 .822
10 -.102 .066 .**I . 7.518 .676
11 .078 .066 . I**. 8.909 .630
12 -.070 .066 . *I . 10.025 .614
13 -.037 .066 . *I . 10.347 .665
14 .059 .066 . I* . 11.165 .673
15 -.021 .065 . * . 11.270 .733
16 -.080 .065 .**I . 12.761 .690
17 -.048 .065 . *I . 13.308 .715
18 .015 .065 . * . 13.359 .770
19 -.078 .065 .**I . 14.825 .734
20 -.054 .065 . *I . 15.534 .745
21 -.004 .064 . * . 15.538 .795
22 .011 .064 . * . 15.570 .837
23 .023 .064 . * . 15.701 .868
24 -.126 .064 ***I . 19.552 .722
25 -.014 .064 . * . 19.597 .768
26 .022 .064 . * . 19.718 .805
27 -.146 .063 ***I . 25.035 .572
28 -.017 .063 . * . 25.110 .622
29 .051 .063 . I* . 25.774 .638
30 -.022 .063 . * . 25.895 .680
31 -.008 .063 . * . 25.912 .726
32 .025 .063 . * . 26.067 .761
33 .069 .062 . I*. 27.301 .746
34 -.019 .062 . * . 27.392 .782
35 -.023 .062 . * . 27.533 .812
36 -.183 .062 **.*I . 36.263 .456
37 .073 .062 . I*. 37.670 .438
38 .050 .062 . I*. 38.321 .455
39 -.046 .061 .*I . 38.891 .475
40 .026 .061 . I*. 39.071 .512
41 .035 .061 . I*. 39.404 .542
42 .109 .061 . I** 42.623 .444
43 .147 .061 . I*.* 48.462 .262
44 -.001 .061 . * . 48.462 .298
45 -.001 .060 . * . 48.462 .335
c. Test de la nullité des moyennes des résidus :

On teste l’hypothèse H0 : « m = 0 » contre H1 : « m  0 »
T = 1,354  1,96 alors on accepte la nullité des moyennes des résidus.
d. Test de Kolmogorov-Smirnov :
H0 : « les résidus sont gaussiens »

Les résultats sont : Dn - = - 0,049 Dn + = 0,067 Dn = sup -0,049 ; 0,067 =0,067
0,067 1,36/ (2151/2) = 0,092
n = 215. Les résidus sont donc gaussiens.
71
e. Test de Von Neuman :
Après avoir confirmé que les résidus sont gaussiens, ce test peut être effectué.
On teste l’hypothèse nulle :
H0 : « les résidus sont indépendants et identiquement distribués » contre l’hypothèse
H1 : « Au moins deux observations successives tendent à être corrélées »
Si la statistique calculée |VN |  1,96.
On accepte l’hypothèse que les résidus sont indépendants identiquement distribués.
Après calcul VN = 0,01179  1,96 on accepte l’hypothèse H0.
f. Test de Durbin Watson :
On teste: H0 : «  = 0 » contre H1 : «   0 ».

Si DW est proche de 2 alors on accepte H0.
Le logiciel SPSS donne le résultat DW= 2,001  2, dans ce cas les résidus ne sont pas
corrélés.
g. Test d’hétéroscédasticité :
On teste H0 : « les résidus sont Homoscédastiques »

Contre H1 : « les résidus sont Hétéroscédastiques »
Corrélogrammes des résidus au carré :
ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
72
+----+----+----+----+----+----+----+----+
1 -.052 .068 . *I . .578 .447
2 .042 .068 . I* . .960 .619
3 -.049 .067 . *I . 1.496 .683
4 .023 .067 . * . 1.612 .807
5 .022 .067 . * . 1.718 .887
6 .020 .067 . * . 1.804 .937
7 -.028 .067 . *I . 1.975 .961
8 -.149 .067 ***I . 6.959 .541
9 -.061 .066 . *I . 7.813 .553
10 .001 .066 . * . 7.813 .647
11 .072 .066 . I* . 9.005 .621
12 .024 .066 . * . 9.142 .691
13 .017 .066 . * . 9.210 .757
14 -.056 .066 . *I . 9.945 .766
15 -.042 .065 . *I . 10.356 .797
16 -.054 .065 . *I . 11.047 .807
17 .015 .065 . * . 11.099 .851
18 -.018 .065 . * . 11.175 .887
19 .052 .065 . I* . 11.820 .893
20 .033 .065 . I* . 12.080 .913
21 -.022 .064 . * . 12.198 .934
22 .082 .064 . I**. 13.834 .907
23 .016 .064 . * . 13.896 .930
24 .076 .064 . I**. 15.290 .912
25 .051 .064 . I* . 15.930 .917
26 .028 .064 . I* . 16.123 .933
27 .037 .063 . I* . 16.459 .944
28 .002 .063 . * . 16.460 .959
29 -.063 .063 . *I . 17.440 .955
30 .025 .063 . * . 17.593 .965
31 .027 .063 . I* . 17.776 .972
32 .101 .063 . I**. 20.401 .944
33 -.043 .062 .*I . 20.864 .950
34 -.043 .062 .*I . 21.344 .955
35 -.069 .062 .*I . 22.583 .948
36 .082 .062 . I** 24.335 .930
37 -.061 .062 .*I . 25.312 .927
38 -.060 .062 .*I . 26.262 .925
39 -.051 .061 .*I . 26.957 .928
40 -.089 .061 **I . 29.093 .899
41 -.025 .061 . * . 29.256 .915
42 .010 .061 . * . 29.282 .931
43 .044 .061 . I*. 29.816 .937
44 -.032 .061 .*I . 30.100 .945
45 -.025 .060 . * . 30.265 .955
La statistique Q =30,265  2 41 = 55,76 donc on accepte l’hypothèse nulle

d’homoscédasticité des résidus.
Conclusion :
D’après la méthodologie de Box et Jenkins, les résidus du modèle optimal forment

un bruit blanc gaussien, donc le modèle choisit SARIMA (1, 1, 2) (0, 1, 1) est
valide, et la série prix peut être ajustée par le modèle suivant :
(1-0,87B) * (1-B12) * (1-B) * PRIXt = (1-0,64B-0,28B2) * (1-0,89B12) * t
RMSE = 3,4559
73
Prévisions :
Année et
mois Prévision Prév- Prév+
janv-05 46.12320 40.89404 51.35237
févr-05 47.44875 40.40418 54.49332
mars-05 47.96673 39.72634 56.20713
avr-05 49.24646 39.81138 58.68153
mai-05 47.91961 37.52370 58.31552
juin-05 49.09360 37.75333 60.43387
juil-05 47.98188 35.81373 60.15004
août-05 50.37786 37.40523 63.35049
sept-05 51.73786 38.02786 65.44786
oct-05 51.21414 36.79076 65.63752
nov-05 52.15910 37.06542 67.25279
déc-05 50.07396 34.33201 65.81592
Le graphe suivant représente la réalisation et les valeurs ajustées pour l’année 2005 :
60
50
40
30
20
PRIX
10
Fit for FIT_1 from A
0 RIMA, MOD_6 NOCON
Date
2- Analyse de la série IMP :
74
12000
10000
8000
6000
4000
IMP
2000 IMP
Date
Graphe de la moyenne et la variance de la série IMP :
12000 600000
10000 500000
8000 400000
6000 IMP 300000 IMP
4000 200000
2000 100000
0 0
1 4 7 10 13 16 19 1 4 7 10 13 16 19
Nous remarquons, que la moyenne annuelle croit avec le temps et la variance annuelle
varie au cours du temps. On peut donc appréhender la non stationnarité de la série. La
non stationnarité de la série implique la présence d’une saisonnalité, et/ ou d’une
tendance.
75
IMP IMP
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
On remarque que le corrélogramme simple présente une alternance entre une

décroissance linéaire et un état constant, et le corrélogramme partiel fait apparaître
un pic significatif au retard N°1.
Pour détecter le facteur saisonnier, on applique le test de Fisher.


tendancielle ».
Source des Somme des Degré de Moyenne F Probabilité Valeur critique

variations carrés liberté des carrés pour F
Lignes 24154095,4 11 2195826,85 17,8774816 2,0802E-24 1,83726101
Colonnes 680225485 18 37790304,7 307,672474 4,562E-134 1,65617564
Erreur 24319628,7 198 122826,408
Total 728699209 227
Effet ligne :
Fcal  Ftab (17,8774816  1,83726101 ) au seuil α= 0,05, ceci implique que H0 est
rejetée, donc la série est affectée d’un facteur saisonnier.
Effet colonne :
Fcal > Ftab (307,672474 > 1,65617564) au seuil α= 0,05, ceci implique que H0 est
rejetée, donc la série est affectée d’une tendance.
76
Pou ôter la saisonnalité, on applique l’opérateur de différence saisonnière d’ordre 12

sur la série IMP. La série ainsi obtenue est notée IMPDS.
Diagramme séquentiel de la série IMPDS

2000
1000
-1000
IMP
-2000
Date
Vérification de l’élimination du facteur saisonnier :
On applique le test de Fisher sur la série IMPDS pour s’assurer que le facteur
saisonnier a disparu.
Valeur
Source des Somme Degré de Moyenne critique pour
variations des carrés liberté des carrés F Probabilité F
Lignes 299131.307 11 27193.7552 0.11839546 0.99979019 1.84014226
Colonnes 15188404.6 17 893435.567 3.88981646 1.6462E-06 1.6776518
Erreur 42951242.7 187 229685.79
Total 58438778.7 215
Effet ligne :
Fcal < Ftab (0,11839546 < 1,84014226) au seuil α= 0,05, ceci implique que H0 est
acceptée, donc la saisonnalité a complètement disparue.
Etude de la série IMPDS :
Nous appliquons le test de Dickey-Fuller sur la série IMPDS pour nous permettre de
2
77

Le modèle (3) :

IMPDS(-1) -0.520498 0.060455 -8.609687 0
C 193.8029 72.47192 2.674179 0.0081
@TREND(1986:01) -0.188456 0.505861 -0.372545 0.7099
Sum squared resid 44635331 Schwarz criterion 15.15621
Le coefficient de la tendance est significativement égal à zéro : t ˆ  0 = 0,37 <1,96
au seuil 5%.
Le modèle (2) :

IMPDS(-1) -0.518678 0.060135 -8.625184 0
C 170.5911 36.94046 4.618 0
Durbin-Watson
stat 2.150065 Prob(F-statistic) 0
Le coefficient de la constante est significativement différent de zéro :
tcˆ  0 =4,61 >1,96 au seuil 5%.
La série est stationnaire, on passe à la modélisation par la méthode de Box et Jenkins.
Le modèle s’écrit comme suit :
xt    1 xt  1  c   t
Corrélogramme de la série IMPDS :
78
IMP
1,0
,5
0,0
-,5 Limites de confiance

ACF
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
IMP
1,0
,5
0,0

ACF partiel
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Le modèle à priori est : SARIMA (3, 0,3) (2, 1,1)

Modèle AIC BIC

SARIMA (3, 0,3) (2, 1,1) 3171,5693 3205,3221
SARIMA (1, 0,1) (0, 1,1) 3167,6048 3181,1059
Parmi ces modèles on choisit celui qui minimise les deux critères AIC et BIC, il s’agit
du modèle SARIMA (1, 0, 1) (0, 1, 1).
79
AR1 .86611 .055098 15.719361 .00000000

MA1 .49745 .091230 5.452747 .00000014
SMA1 .84080 .059452 14.142600 .00000000
CONSTANT 326.10720 20.282814 16.078006 .00000000

empiriques associés sont supérieures à la valeur de la statistique t théorique 1,96 au
On va s’assurer que les résidus du modèle SARIMA (1, 0, 1) (0, 1, 1) avec constante
forment un bruit blanc en utilisant les tests suivants :
Error for IMP from ARIMA, MOD_3 CON Error for IMP from ARIMA, MOD_3 CON
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
 0 : « Les  i sont non corrélés »

n 1
2( n  2) 16n  29
T=   i = 142 ;  T  = = 142,67 ; ar  T  = = 37,9.
i2 3 90
U = 0,108 < 1,96 donc on accepte H0.
On teste l’hypothèse nulle : les auto corrélations au pas K ne sont pas significatifs
C’est-à-dire :
H0 : « 1=2=…=45=0 » contre H1 : «  j j := 1,…,45 tq j  0 »
80
Pour k = 45, p = 1, q = 1, P = 0, Q = 1 :

Pour K=33 la statistique Q=31,029< 2 33-3 =43,77 donc le pic n’est pas significatif.
La statistique Q = 46,047  2 42 = 55,76 donc on accepte l’hypothèse nulle : les résidus
Forment un bruit blanc.
+----+----+----+----+----+----+----+----+
1 .038 .068 . I* . .317 .573
2 -.102 .067 .**I . 2.599 .273
3 .087 .067 . I**. 4.288 .232
4 .002 .067 . * . 4.289 .368
5 -.089 .067 .**I . 6.048 .302
6 .016 .067 . * . 6.103 .412
7 .005 .067 . * . 6.109 .527
8 -.043 .066 . *I . 6.520 .589
9 .063 .066 . I* . 7.430 .592
10 -.026 .066 . *I . 7.580 .670
11 .045 .066 . I* . 8.050 .709
12 .047 .066 . I* . 8.555 .740
13 .034 .066 . I* . 8.827 .786
14 .015 .065 . * . 8.879 .839
15 .028 .065 . I* . 9.068 .874
16 -.065 .065 . *I . 10.077 .863
17 .056 .065 . I* . 10.820 .866
18 -.012 .065 . * . 10.855 .900
19 -.077 .065 .**I . 12.277 .873
20 -.079 .065 .**I . 13.784 .841
21 -.060 .064 . *I . 14.649 .840
22 -.047 .064 . *I . 15.175 .855
23 .106 .064 . I**. 17.899 .763
24 -.045 .064 . *I . 18.404 .783
25 .036 .064 . I* . 18.719 .810
26 .087 .064 . I**. 20.613 .762
27 -.064 .063 . *I . 21.618 .757
28 -.012 .063 . * . 21.651 .797
29 .053 .063 . I* . 22.360 .805
30 -.070 .063 . *I . 23.603 .790
31 -.077 .063 .**I . 25.104 .763
32 .043 .063 . I* . 25.586 .782
33 -.145 .062 *.*I . 31.029 .566
34 -.010 .062 . * . 31.055 .613
35 .135 .062 . I*. 35.830 .429
36 -.051 .062 .*I . 36.507 .445
37 -.008 .062 . * . 36.522 .491
38 .085 .061 . I** 38.441 .450
39 -.002 .061 . * . 38.442 .495
40 -.010 .061 . * . 38.471 .539
41 -.052 .061 .*I . 39.196 .551
42 .028 .061 . I*. 39.404 .586
43 .032 .061 . I*. 39.679 .616
44 -.108 .060 **I . 42.857 .521
45 -.108 .060 **I . 46.047 .429

T = 0,347 1,96 alors on accepte la nullité des moyennes des résidus.
81
d. Test de Kolmogorov-Smirnov : (test de normalité)

0,042 1,36/ (2161/2) = 0,092 (n=216)
Les résidus sont donc gaussiens.
On teste H0 : «  = 0» contre H1 : «   0 »

corrélés.

82
ERR2 ERR2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Autocorrelations: ERR2
Auto- Stand.
+----+----+----+----+----+----+----+----+
1 -.049 .068 . *I . .521 .471
2 .029 .067 . I* . .705 .703
3 -.004 .067 . * . .709 .871
4 -.045 .067 . *I . 1.162 .884
5 -.025 .067 . *I . 1.303 .935
6 .048 .067 . I* . 1.830 .935
7 -.023 .067 . * . 1.950 .963
8 -.053 .066 . *I . 2.592 .957
9 -.020 .066 . * . 2.682 .976
10 .008 .066 . * . 2.697 .988
11 -.067 .066 . *I . 3.739 .977
12 -.028 .066 . *I . 3.925 .985
13 -.084 .066 .**I . 5.546 .961
14 .018 .065 . * . 5.625 .975
15 -.050 .065 . *I . 6.203 .976
16 -.117 .065 .**I . 9.441 .894
17 .015 .065 . * . 9.491 .924
18 .052 .065 . I* . 10.146 .927
19 -.001 .065 . * . 10.147 .949
20 .042 .065 . I* . 10.567 .957
21 .100 .064 . I**. 13.003 .909
22 -.078 .064 .**I . 14.491 .883
23 .113 .064 . I**. 17.618 .778
24 -.011 .064 . * . 17.649 .820
25 .038 .064 . I* . 18.014 .842
26 -.077 .064 .**I . 19.489 .815
27 -.034 .063 . *I . 19.783 .840
28 -.060 .063 . *I . 20.695 .838
29 -.064 .063 . *I . 21.735 .831
30 .044 .063 . I* . 22.223 .846
31 .007 .063 . * . 22.235 .875
32 .049 .063 . I* . 22.841 .883
33 -.035 .062 .*I . 23.152 .899
34 -.084 .062 **I . 24.974 .870
35 .036 .062 . I*. 25.304 .886
36 .001 .062 . * . 25.304 .909
37 -.002 .062 . * . 25.305 .927
38 .118 .061 . I** 29.004 .853
39 .004 .061 . * . 29.009 .879
40 .047 .061 . I*. 29.596 .886
83
41 -.081 .061 **I . 31.362 .861

42 .026 .061 . I*. 31.545 .881
43 -.086 .061 **I . 33.577 .848
44 .015 .060 . * . 33.641 .871
45 .060 .060 . I*. 34.620 .869
La statistique Q =34,620 2 42 = 55,76 donc on accepte l’hypothèse nulle

Conclusion :

un bruit blanc gaussien, donc le modèle choisi SARIMA (1, 0, 1) (0, 1, 1) avec
constante est valide, et la série IMP peut être ajustée par le modèle suivant :
(1-0,86B)*(1-B12)IMPt = (1-0,49B)*(1-0,84B12)t + 326,10
RMSE=404,158886.
Prévisions :
Année et
mois Prévision Prév- Prév+
janv-05 9800.44347 9428.67921 10172.2077
févr-05 9668.83521 9247.58517 10090.0852
mars-05 10163.16309 9706.01187 10620.3143
avr-05 10653.58109 10169.4626 11137.6996
mai-05 10799.77428 10294.959 11304.5895
juin-05 10804.36206 10283.4262 11325.2979
juil-05 10835.09323 10301.4632 11368.7232
août 2005 10835.25154 10291.5395 11378.9636
sept-05 10482.69285 9930.91681 11034.4689
oct-05 10496.5416 9938.27644 11054.8068
nov-05 10426.23132 9862.71622 10989.7464
déc-05 10159.2209 9591.43745 10727.0044
84
12000
10000
8000
6000
4000 IMP
2000 RIMA, MOD_4 CON
Date
3- Analyse de la série brute PROD :
10000
9000
8000
7000
6000
5000
PROD
4000
Date
85
Graphe de la moyenne et la variance de la série PROD :
Graphe de la moyenne Grap he de la variance
10000 120000
8000 100000
80000
6000
PROD 60000 PROD
4000
40000
2000 20000
0 0
1 3 5 7 9 11 13 15 17 19 1 4 7 10 13 16 19
Nous remarquons, que la moyenne annuelle décroît avec le temps et la variance

annuelle varie au cours du temps. On peut donc appréhender la non stationnarité de la
série. La non stationnarité de la série implique la présence d’une saisonnalité, et/ ou
d’une tendance.
PROD PROD
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Le corrélogramme simple présente une décroissance linéaire qui peut être expliquée par
la présence d’une tendance.
Le corrélogramme partiel fait apparaître un pic significatif au retard N°1.
86


H 0 : «La série n’est pas affectée d’une tendance» / H1 : « La série est tendancielle ».
Valeur
Source des Somme Degré de Moyenne critique pour
variations des carrés liberté des carrés F Probabilité F
Lignes 223222,98 11 20295,725 17,0869928 1.7065E-23 1,83726101
Colonnes 203668312 18 11314906,2 952,563395 1,47E -181 1.65617564
Erreur 2351918,45 198 11878,376
Total 208252853 227
Effet ligne :
Fcal > Ftab (17,0869928  1,83726101) au seuil   0,05, ceci implique que H0 est
rejetée, donc la série est saisonnière.
Effet colonne :
Fcal > Ftab (952,563395 > 1,65617564) au seuil   0,05, ceci implique que H0 est
rejetée, donc la série est tendancielle.
Pour éliminer la saisonnalité, on applique l’opérateur de différence saisonnière

d’ordre 12 sur la série PROD. La série ainsi obtenue est notée PRODDS
(C’est-à-dire PRODDSt  PRODt –PRODt-12)
Diagramme séquentiel de la série PRODDS
400
200
-200
-400
-600
-800
PROD
-1000
Date
87 (1, période 12)

Transforme: Différence saisonnière
On applique le test de Fisher sur la série PRODDS pour voir si la saisonnalité a été
éliminée.
Valeur
Source des Somme Degré de Moyenne critique
variations des carrés liberté des carrés F Probabilité pour F
Lignes 10846.3786 11 986.034415 0.04472547 0.99999858 1.84014226
Colonnes 4743188.39 17 279011.082 12.6556439 4.7703E-23 1.6776518
Erreur 4122672.27 187 22046.3758
Total 8876707.03 215
Effet ligne :
Fcal < Ftab (0.04472547< 1,84014226) au seuil   0,05, ceci implique que H0 est
acceptée, donc la série PRODDS n’est pas atteinte du facteur saisonnier.
Etude de la série PRODDS :
Nous appliquons le test de Dickey-Fuller sur la série PRODDS pour nous permettre
de détecter l’existence d’une racine unitaire et le type de la tendance.
2
Le modèle (3) :

PRODDS(-1) -0.240274 0.044633 -5.383342 0
C -59.00909 23.01041 -2.564452 0.011
@TREND(1986:01) 0.134897 0.145515 0.927034 0.355
au seuil 5%.
Le modèle (2) :
88

PRODDS(-1) -0.228022 0.042617 -5.350475 0
C -40.5899 11.60236 -3.498417 0.0006
Le coefficient de la constante est significativement différent de zéro :
tcˆ  0 =- 3,49 >1,96 au seuil 5%.
La série est stationnaire, on passe à la modélisation par la méthode de Box et Jenkins.

Le modèle s’écrit comme suit : xt    1 xt  1  c   t
Corrélogramme de la série PRODDS :
89
PROD
1,0
,5
0,0

ACF
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
PROD
1,0
,5
0,0

ACF partiel
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Le modèle à priori est : SARIMA (2, 0,3) (1, 1,2)
Modèle AIC BIC

SARIMA (3, 0,3) (0, 1,1) 2601,6725 2628,6747
SARIMA (2, 0,3) (1, 1,2) 2611,7812 2642,1588
SARIMA (3, 0, 3) (3, 1, 0) 2617,2553 2651,0081
Parmi ces modèles on choisit celui qui minimise les deux critères AIC et BIC, on
opte pour le modèle SARIMA (3, 0, 3) (0, 1, 1) avec constante.
90

AR1 -,20807 ,027366 -7,603097 ,00000000

AR2 ,19343 ,029444 6,569238 ,00000000
AR3 ,96063 ,025435 37,768213 ,00000000
MA1 -,90071 ,077096 -11,683003 ,00000000
MA2 -,57288 ,099091 -5,781348 ,00000003
MA3 ,33569 ,070595 4,755118 ,00000370
SMA1 ,89639 ,070558 12,704197 ,00000000
CONSTANT -201,26510 32,382335 -6,215274 ,00000000

On va s’assurer que les résidus du modèle SARIMA (3, 0, 3) (0, 1, 1) avec constante
forment un bruit blanc en utilisant les tests suivants :
91
Error for PROD from ARIMA, MOD_8 CON

1,0
,5
0,0
-,5
Limites de confiance
ACF
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Error for PROD from ARIMA, MOD_8 CON

1,0
,5
0,0
-,5
ACF partiel
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
 0 : « Les  i ne sont pas corrélés »

n 1
2( n  2) 16n  29
T=   i = 144 ;  T  = = 142,67 ; ar  T  = = 37,9.
i2 3 90
C’est-à-dire :
H0 : « 1=2=…=45=0 » contre H1 : «  j j := 1,…,45 tq j  0 »
92
Pour k = 45, p = 3, q = 3, P = 0, Q = 1 :

La statistique Q = 33,266  2 38 = 53,38 donc on accepte l’hypothèse nulle : les résidus
+----+----+----+----+----+----+----+----+
1 ,020 ,068 . * . ,089 ,766
2 -,076 ,067 .**I . 1,364 ,506
3 -,034 ,067 . *I . 1,627 ,653
4 ,013 ,067 . * . 1,663 ,797
5 -,007 ,067 . * . 1,673 ,892
6 ,047 ,067 . I* . 2,158 ,905
7 -,029 ,067 . *I . 2,349 ,938
8 ,001 ,066 . * . 2,349 ,968
9 ,012 ,066 . * . 2,381 ,984
10 -,042 ,066 . *I . 2,778 ,986
11 ,051 ,066 . I* . 3,375 ,985
12 ,021 ,066 . * . 3,478 ,991
13 ,078 ,066 . I**. 4,883 ,978
14 ,000 ,065 . * . 4,883 ,987
15 -,044 ,065 . *I . 5,340 ,989
16 -,005 ,065 . * . 5,347 ,994
17 -,047 ,065 . *I . 5,868 ,994
18 -,027 ,065 . *I . 6,039 ,996
19 -,131 ,065 ***I . 10,115 ,950
20 -,006 ,065 . * . 10,124 ,966
21 ,042 ,064 . I* . 10,542 ,971
22 ,012 ,064 . * . 10,577 ,980
23 -,073 ,064 . *I . 11,869 ,972
24 ,037 ,064 . I* . 12,207 ,977
25 ,063 ,064 . I* . 13,198 ,974
26 ,095 ,064 . I**. 15,457 ,948
27 -,093 ,063 .**I . 17,606 ,915
28 -,086 ,063 .**I . 19,460 ,883
29 ,081 ,063 . I**. 21,124 ,855
30 -,065 ,063 . *I . 22,207 ,846
31 -,107 ,063 .**I . 25,146 ,761
32 ,029 ,063 . I* . 25,367 ,791
33 ,075 ,062 . I*. 26,803 ,768
34 ,016 ,062 . * . 26,871 ,803
35 ,040 ,062 . I*. 27,282 ,821
36 -,023 ,062 . * . 27,423 ,847
37 ,023 ,062 . * . 27,568 ,870
38 -,038 ,061 .*I . 27,942 ,884
39 ,028 ,061 . I*. 28,148 ,901
40 ,045 ,061 . I*. 28,689 ,909
41 -,034 ,061 .*I . 28,998 ,920
42 ,083 ,061 . I** 30,881 ,897
43 -,085 ,061 **I . 32,857 ,869
44 -,022 ,060 . * . 32,986 ,888
45 -,032 ,060 .*I . 33,266 ,902
T = -0,046 1,96 alors on accepte la nullité des moyennes des résidus.

93
0,080 1,36/ (2161/2) = 0,092 (n=216)


corrélés.

ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
94
+----+----+----+----+----+----+----+----+
1 .020 .068 . I*** 5.076 .058
2 -.001 .067 . * . 5.076 .079
3 .044 .067 . I* . 5.499 .139
4 .022 .067 . * . 5.602 .231
5 .041 .067 . I* . 5.986 .308
6 -.010 .067 . * . 6.010 .422
7 .059 .067 . I* . 6.783 .452
8 -.001 .066 . * . 6.783 .560
9 -.038 .066 . *I . 7.104 .626
10 -.026 .066 . *I . 7.261 .701
11 -.025 .066 . * . 7.404 .765
12 .063 .066 . I* . 8.329 .759
13 -.002 .066 . * . 8.330 .821
14 -.023 .065 . * . 8.457 .864
15 -.051 .065 . *I . 9.074 .874
16 -.011 .065 . * . 9.102 .909
17 -.029 .065 . *I . 9.298 .930
18 .045 .065 . I* . 9.778 .939
19 .036 .065 . I* . 10.096 .951
20 .030 .065 . I* . 10.310 .962
21 -.041 .064 . *I . 10.725 .968
22 -.026 .064 . *I . 10.891 .976
23 .032 .064 . I* . 11.141 .982
24 .026 .064 . I* . 11.306 .987
25 .078 .064 . I**. 12.798 .979
26 .096 .064 . I**. 15.068 .956
27 .003 .063 . * . 15.071 .968
28 -.029 .063 . *I . 15.276 .975
29 -.037 .063 . *I . 15.614 .980
30 .015 .063 . * . 15.671 .985
31 -.009 .063 . * . 15.694 .990
32 -.011 .063 . * . 15.725 .993
33 .030 .062 . I*. 15.962 .995
34 .005 .062 . * . 15.968 .996
35 -.008 .062 . * . 15.983 .998
36 -.019 .062 . * . 16.076 .998
37 -.024 .062 . * . 16.225 .999
38 -.034 .061 .*I . 16.533 .999
39 -.019 .061 . * . 16.634 .999
40 -.011 .061 . * . 16.665 1.000
41 -.032 .061 .*I . 16.944 1.000
42 .025 .061 . I*. 17.115 1.000
43 -.008 .061 . * . 17.131 1.000
44 .005 .060 . * . 17.138 1.000
45 .102 .060 . I** 19.988 1.000
La statistique Q =19,988  2 38 = 53,38 donc on accepte l’hypothèse nulle

Conclusion :

un bruit blanc gaussien, donc le modèle choisi SARIMA (3, 0, 3) (0, 1, 1) avec
constante est valide, et la série PROD peut être ajustée par le modèle suivant :
95
(1+0,20B-0,19B2-0,96B3) (1-B12) PRODt = (1+0,90B+0,57B2-0,33B3)*(1-0,89B12)

*t -201,2
RMSE=126,8781
Prévisions :
Année et mois Prévision Prév- Prév+

janv-05 5161.99696 4999.76817 5324.22575
févr-05 5203.80292 5004.46453 5403.14131
mars-05 5174.00177 4943.33505 5404.66848
avr-05 5161.25356 4900.64869 5421.85842
mai-05 5141.93392 4861.70862 5422.15922
juin-05 5113.15235 4812.69498 5413.60972
juil-05 5024.4408 4704.85386 5344.02773
août-05 5023.69347 4691.00715 5356.3798
sept-05 4987.58208 4639.76923 5335.39493
oct-05 4999.1735 4638.0885 5360.2585
nov-05 4984.68387 4613.95625 5355.41149
déc-05 4970.12741 4587.47014 5352.78469
96
10000
9000
8000
7000
6000
PRO
5000
4000 RIMA, MOD_4 CON
Date
4-Analyse de la série EXP :

300
200
100
EXP
Date
Graphe de la moyenne et la variance de la série EXP :
97
160 1400
140 1200
120 1000
100
800
80 EXP ExP
600
60
40 400
20 200
0 0
1 3 5 7 9 11 13 1 3 5 7 9 11 13
D’après les deux graphes, on remarque que la moyenne annuelle et la variance annuelle
varient au cours du temps.
Ceci nous laisse supposer la non stationnarité de la série, qui se traduit par la présence
d’un facteur saisonnier, et/ ou d’une tendance.
Nous confirmons ceci, en faisant appel à des tests statistiques et les corrélogrammes
simple et partiel de la série brute.

EXP EXP
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
ACF partiel
ACF

1 7 13 19 25 31 37 1 7 13 19 25 31 37
4 10 16 22 28 34 40 4 10 16 22 28 34 40
En examinant les corrélogrammes simple et partiel on a remarqué :
Le corrélogramme simple décroît d’une manière linéaire

Le corrélogramme partiel fait apparaître un pic au retard N°1 et au retard N°2
D’après les résultats précédents, on peut conclure que la série est affectée d’une
tendance, et/ ou d’une saisonnalité.
98
Pour détecter la présence de la saisonnalité, on fait appel au test de Fisher.


tendancielle ».
Valeur
Lignes 3009,20833 11 273,56394 0,86542523 0,5760886 1.8561721
Colonnes 274248,196 13 21096,0151 66,737528 5,8291E-54 1.78916792
Erreur 45202,875 143 316,104021
Total 322460,28 167
Effet ligne :
Fcal < Ftab (0,86542523 < 1,8561721 ) au seuil α= 0,05, ceci implique que H0 est
acceptée, donc la série n’est pas affectée d’un facteur saisonnier.
Effet colonne :
acceptée, donc la série est tendancielle.
Nous appliquons le test de Dickey-Fuller sur la série EXP pour nous permettre de

Le modèle (3) :

P(-1) -0.162706 0.042769 -3.804277 0.0002
C 23.03944 6.755457 3.410494 0.0008
@TREND(1991:01) -0.110758 0.038597 -2.869641 0.0047
99

Le coefficient de la tendance est significativement différent de zéro : t ˆ  0 =  -2,86
> 1,96 au seuil 5%.
La série EXPt est de type TS ; on fait une régression.
Les résultats des coefficients de détermination sont présentés dans le tableau suivant :
Rsq
LIN 0,004
LOG 0,007
INV 0,008
QUA 0,007
CUB 0,008
POW 0,002
EXP 0,003
LGS 0,003
Etant donné que les coefficients de détermination sont faibles, on a opté pour la
transformation logarithmique.
La série transformée sera notée EXPL.
Diagramme de la série EXPL
3
EXP
Date
100
Corrélogrammes simple et partiel de la série EXPL:
EXPL EXPL
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 1 7 13 19 25 31 37
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Le corrélogramme simple décroît d’une manière linéaire

Le corrélogramme partiel fait apparaître un pic au retard N°1.
Pour détecter la présence de la saisonnalité, on fait appel au test de Fisher.

Valeur
Lignes 0.5563875 11 0.05058068 1.19457177 0.29588472 1.8561721
Colonnes 123.225743 13 9.47890334 223.864723 4.7673E-88 1.78916792
Erreur 6.05492083 143 0.0423421
Total 129.837052 167
Effet ligne :
Fcal < Ftab (1,194557177 < 1,8561721 ) au seuil α= 0,05, ceci implique que H0 est
acceptée, donc la série n’est pas affectée d’un facteur saisonnier.
Effet colonne :
acceptée, donc la série est tendancielle.
101
Nous appliquons le test de Dickey-Fuller sur la série EXP pour nous permettre de

Le modèle (3) :

EXPL(-1) -0.033019 0.021461 -1.538549 0.1258
C 0.180336 0.118139 1.526474 0.1288
@TREND(1991:01) -0.000675 0.000387 -1.745787 0.0827
S.E. of regression 0.160971 Akaike info criterion -0.797384
Sum squared resid 4.249514 Schwarz criterion -0.741372
Log likelihood 69.58157 F-statistic 1.588171

F3 =1,58 (Fisher) < Ftab = 6,49
Le modèle (2) :

EXPL(-1) -0.005141 0.014427 -0.356362 0.722
C 0.005042 0.062632 0.0805 0.9359
Adjusted R-
squared -0.005287 S.D. dependent var 0.16154
Durbin-Watson
stat 2.379182 Prob(F-statistic) 0.722024
102

F2 =0,12 (Fisher) < Ftab = 4,71.
Le modèle (1) :

la statistique de Student tˆ  0 =-1,39< -1,94 au seuil 5%.
La série EXPLD est donc non stationnaire de type de tendance DS sans dérive.
Le modèle s’écrit comme suit : xt   t

Pour ôter la tendance, il suffit de différencier la série EXPL au moins une fois.
La série ainsi obtenue sera notée EXPLD.
Diagramme séquentiel de la série EXPLD

1.0
.5
0.0
-.5
EXPL
-1.0
Date
Transforme: différence (1)
Test de Dickey-Fuller sur la série différenciée (EXPLD) :
Le modèle (3) :

103

EXPLD(-1) -1.201306 0.076908 -15.62005 0
C 0.001509 0.024999 0.06036 0.9519
@TREND(1991:01) -0.00026 0.000258 -1.007152 0.3154
au seuil 5%.
Le modèle (2) :

EXPLD(-1) -1.196759 0.076779 -15.58713 0
C -0.020358 0.012393 -1.642735 0.1024
Le coefficient de la constante est significativement égal à zéro : tcˆ  0 = -1,64
<1,96 au seuil 5%.
Le modèle (1) :

104
On rejette l’hypothèse nulle de non stationnarité (la racine unitaire n’existe pas) car
la statistique de Student tˆ  0 =-15,42 < -1,94 au seuil 5%.
Corrélogrammes de la série différenciée (EXPLD) :

EXPL
EXPL
1.0
1.0
.5
.5
0.0
0.0
-.5 -.5 Limites de confiance

ACF partiel
ACF

1 7 13 19 25 31 37 1 7 13 19 25 31 37
4 10 16 22 28 34 40 4 10 16 22 28 34 40

Transforme: différence (1) Transforme: différence (1)
Le modèle à priori est ARIMA (2, 1, 1).
Le choix du modèle optimal :
Modèle AIC BIC

ARIMA (1, 1,0) -138,49879 -135,3808
ARIMA (0, 1,1) -138,45117 -135,33317
pour le modèle ARIMA (0,1, 1).
MA1 .18194803 .07695155 2.3644490 .01921274

On va s’assurer que les résidus du modèle choisi forment un bruit blanc en utilisant les
tests suivants :
105
Error for EXPL from ARIMA, MOD_15 NOCON Error for EXPL from ARIMA, MOD_15 NOCON
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 1 7 13 19 25 31 37
4 10 16 22 28 34 40 4 10 16 22 28 34 40
 0 : « Les  i ne sont pas corrélés » / H1 : « Il existe une corrélation entre les
résidus ».
n 1
2( n  2) 16n  29
T=   i = 114;  T  = = 110 ; ar  T  = = 29,36.
i2 3 90
Les résidus ne sont pas corrélés.
H0 : « 1=2=…=42=0 » contre H1 : «  j j := 1,…,42 tq j  0 »
Pour K =12 la statistique Q =18,602  2 12-1= 19,675 donc le pic n’est pas
significatif.
Pour k = 42, p = 0, q = 1 :
résidus forment un bruit blanc.
+----+----+----+----+----+----+----+----+
1 -.022 .077 . * . .083 .773
2 .006 .076 . * . .090 .956
3 .047 .076 . I* . .466 .926
4 -.101 .076 .**I . 2.224 .695
5 .023 .076 . * . 2.319 .803
6 .063 .076 . I* . 3.023 .806
7 -.116 .075 .**I . 5.384 .613
8 .084 .075 . I**. 6.626 .578
9 -.090 .075 .**I . 8.082 .526
10 -.036 .075 . *I . 8.319 .598
11 .147 .074 . I*** 12.247 .345
12 .187 .074 . I**.* 18.602 .099
106
13 .012 .074 . * . 18.630 .135

14 .109 .074 . I**. 20.813 .107
15 -.037 .073 . *I . 21.061 .135
16 -.043 .073 . *I . 21.403 .164
17 -.064 .073 . *I . 22.164 .178
18 -.050 .073 . *I . 22.636 .205
19 .022 .072 . * . 22.725 .250
20 -.016 .072 . * . 22.775 .300
21 -.091 .072 .**I . 24.372 .275
22 .075 .072 . I**. 25.476 .275
23 -.055 .071 . *I . 26.062 .298
24 .000 .071 . * . 26.062 .350
25 .056 .071 . I* . 26.685 .372
26 .004 .071 . * . 26.687 .426
27 -.014 .070 . * . 26.726 .479
28 -.036 .070 . *I . 26.994 .519
29 -.033 .070 . *I . 27.219 .560
30 -.030 .070 . *I . 27.404 .602
31 .009 .069 . * . 27.419 .651
32 -.041 .069 . *I . 27.769 .681
33 -.023 .069 . * . 27.882 .720
34 .024 .069 . * . 28.005 .756
35 -.081 .068 .**I . 29.394 .735
36 .028 .068 . I* . 29.567 .767
37 .066 .068 . I* . 30.500 .766
38 .020 .068 . * . 30.590 .798
39 -.029 .067 . *I . 30.770 .824
40 -.030 .067 . *I . 30.969 .846
41 .000 .067 . * . 30.969 .873
42 -.024 .067 . * . 31.099 .892
T = -1,6560 1,96 alors on accepte la nullité des moyennes des résidus.

1/2
0,254 > 1,36/ ( 167 ) = 0,105.
n = 167
Les résidus ne sont pas gaussiens.
e. Test de Durbin Watson :
corrélés.
f. Test d’hétéroscédasticité :

107
ERR2 ERR2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 1 7 13 19 25 31 37
4 10 16 22 28 34 40 4 10 16 22 28 34 40
+----+----+----+----+----+----+----+----+
1 .128 .077 . I*** 2.797 .094
2 -.032 .076 . *I . 2.972 .226
3 -.022 .076 . * . 3.055 .383
4 .007 .076 . * . 3.064 .547
5 -.037 .076 . *I . 3.302 .653
6 -.029 .076 . *I . 3.445 .751
7 .004 .075 . * . 3.447 .841
8 -.008 .075 . * . 3.460 .902
9 .055 .075 . I* . 4.002 .911
10 .011 .075 . * . 4.022 .946
11 .050 .074 . I* . 4.475 .954
12 .247 .074 . I**.** 15.552 .213
13 -.012 .074 . * . 15.577 .273
14 -.021 .074 . * . 15.658 .335
15 -.040 .073 . *I . 15.952 .385
16 -.046 .073 . *I . 16.353 .429
17 -.046 .073 . *I . 16.749 .471
18 -.045 .073 . *I . 17.139 .514
19 -.036 .072 . *I . 17.380 .564
20 -.038 .072 . *I . 17.650 .610
21 .033 .072 . I* . 17.865 .658
22 .019 .072 . * . 17.934 .710
23 .040 .071 . I* . 18.244 .744
24 -.006 .071 . * . 18.252 .791
25 -.028 .071 . *I . 18.413 .824
26 -.040 .071 . *I . 18.731 .848
27 -.042 .070 . *I . 19.088 .867
28 -.041 .070 . *I . 19.432 .884
29 -.038 .070 . *I . 19.730 .901
30 -.037 .070 . *I . 20.013 .916
31 -.030 .069 . *I . 20.205 .931
32 -.032 .069 . *I . 20.425 .943
33 -.043 .069 . *I . 20.815 .951
34 -.029 .069 . *I . 20.991 .961
35 .079 .068 . I**. 22.340 .952
36 -.007 .068 . * . 22.353 .963
37 -.015 .068 . * . 22.398 .972
38 -.032 .068 . *I . 22.625 .977
39 -.031 .067 . *I . 22.841 .982
40 -.034 .067 . *I . 23.096 .985
41 -.035 .067 . *I . 23.363 .988
108
42 -.035 .067 . *I . 23.635 .990
Pour K=12, Q=15,552 < 2 12-1 =19.675, le pic n’est pas significatif
La statistique de Box-ljung Q= 23,635 <  41 = 56,942 : on accepte l’hypothèse
2
Conclusion :

un bruit blanc non gaussien, donc le modèle choisi ARIMA (0, 1, 1) est valide, et la
série EXPL peut être ajustée par le modèle suivant :
(1-B) EXPLt = (1-0,18B)  t
RMSE=0,20456716.
Prévisions :
Les prévisions de la série EXP seront calculées après la transformation

exponentielle :
Année et mois Prévisions

janv-05 14.18861
févr-05 10.73681
mars-05 10.95995
avr-05 11.71913
mai-05 11.32981
juin-05 10.89427
juil-05 11.67006
août-05 11.24347
sept-05 11.10500
oct-05 11.49689
nov-05 11.27125
déc-05 11.18646
109
300
200
100
EXP

0 RIMA, MOD_37 NOCON
Date
5. Analyse de la série brute CONS :
Diagramme de la série brute
500000
400000
300000
200000
CONS
100000
Date
110
Graphe de la moyenne et la variance de la série CONS :
Graphe de la m oye nne Graphe de la variance
450000
1400000000
400000
350000 1200000000
300000 1000000000
250000 800000000
CONS CONS
200000 600000000
150000
400000000
100000
50000 200000000
0 0
1 4 7 10 13 16 19 1 5 9 13 17
On remarque que la moyenne et la variance varient au cours du temps ; chose qu’on

peut expliquer par la non stationnarité de la série.
On fait appel aux tests statistiques pour vérifier cela, juste avant on présente les
Corrélogrammes simples et partiel de la série brute :
CONS CONS
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Le corrélogramme simple présente une décroissance linéaire, ensuite une croissance

linéaire.
Le corrélogramme partiel fait apparaître un pi significatif au retard N01.
111


Valeur
Lignes 1.4768E+10 11 1342540705 8.71625668 1.5433E-12 1.83726101
Colonnes 4.6453E+11 18 2.5807E+10 167.549583 2.939E-109 1.65617564
Erreur 3.0497E+10 198 154027211
Total 5.0979E+11 227
Effet ligne
rejetée, la série est donc saisonnière.
Effet colonne :
Fcal > Ftab (167,54 > 1,65) au seuil α= 0,05, on rejette H0, la série est tendancielle.
Pour éliminer la saisonnalité, on applique l’opérateur de différence saisonnière

d’ordre 12 sur la série CONS. La série ainsi obtenue est notée CONSDS
(C’est-à-dire CONSDSt CONSt –CONSt-12)
Diagramme séquentiel de la série CONSDS

200000
100000
0
CONS
-100000
Date
112
On applique le test de Fisher sur la série CONSDS pour s’assurer que la saisonnalité
est complètement éliminée.
Valeur
Lignes 89724417 11 8156765.18 0.0230247 0.99999996 1.84014226
Colonnes 1.2364E+11 17 7272889679 20.529724 4.3551E-34 1.6776518
Erreur 6.6247E+10 187 354261444
Total 1.8998E+11 215
Effet ligne :
Fcal < Ftab (0,023 < 1,84), la saisonnalité a totalement disparue.
Etude de la série CONSDS :
Nous appliquons le test de Dickey-Fuller sur la série CONSDS pour nous permettre

Le modèle (3) :

CONSDS(-1) -0.08226 0.027193 -3.025044 0.0028
C 63.32622 1749.292 0.036201 0.9712
@TREND(1986:01) 7.419554 13.0193 0.569889 0.5694
Sum squared resid 2.93E+10 Schwarz criterion 21.64321
113

F3 =4,59 (Fisher) < Ftab = 6,34.
Le modèle (2) :

CONSDS(-1) -0.080343 0.026941 -2.982154 0.0032
C 931.8439 857.3623 1.086873 0.2783
au seuil 5%.
Le modèle (1) :

La série CONSDS est donc non stationnaire de type de tendance DS sans dérive.
Le modèle s’écrit comme suit : xt   t
Pour ôter la tendance, il suffit de différencier la série CONSDS au moins une fois.
La série ainsi obtenue sera notée CONSDSD.
Diagramme séquentiel de la série CONSDSD
114
60000
40000
20000
-20000
-40000
CONS
-60000
Date
Transforme: différence (1), Différence saisonnière (1, période 12)
Test de Dickey-Fuller sur la série différentiée (CONSDSD) :
Le modèle (3) :

CONSDSD(-1) -1.0309 0.081343 -12.67348 0
C -930.6342 2034.384 -0.457453 0.648
@TREND(1991:01) 11.28151 20.18381 0.558938 0.577
On rejette l’hypothèse nulle de non stationnarité (la racine unitaire n’existe pas) car
la statistique de Student tˆ  0 =-12,67 < -3 ,43 au seuil 5%.
115
Le coefficient de la tendance est significativement égal à zéro car t ̂  0,55<1,96.

Le modèle (2) :

CONSDSD(-1) -1.028883 0.081079 -12.68989 0
C 90.11671 894.4051 0.100756 0.9199
Le coefficient de la constante est significativement égal à zéro : tcˆ  0 = 0,10 <1,96
au seuil 5%.
Le modèle (1) :

On rejette l’hypothèse nulle de non stationnarité (la racine unitaire n’existe pas)
Corrélogrammes de la série CONSDSD :
CONS CONS
1.0 1.0
.5 .5
0.0 0.0

ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40

Transforme: différence (1), Différence saisonnière (1, période 12) Transforme: différence (1), Différence saisonnière (1, période 12)
116
Le modèle à priori est SARIMA (0, 1, 0) (3, 1, 1)
Modèle AIC BIC

SARIMA (0, 1, 0) (2, 1,0) 4565,2137 4571,955
SARIMA (0,1, 0) (3, 1, 0) 4557,1498 4567,2617
pour le modèle SARIMA (0,1, 0) (3, 1, 0).
SAR1 -.76354578 .06886267 -11.087950 .00000000

SAR2 -.45590873 .08218098 -5.547618 .00000009
SAR3 -.23816630 .07425649 -3.207347 .00154706
Test sur les paramètres :

risque 5%, et les probabilités sont toutes inférieures à 0,05.
Error for CONS from ARIMA, MOD_4 NOCON Error for CONS from ARIMA, MOD_4 NOCON
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
117
 0 : « Les  i ne sont pas corrélés entre eux »

n 1
2( n  2) 16n  29
T=   i = 146 ;  T  = = 142 ; ar  T  = = 37,9.
i2 3 90

Les résidus ne sont pas corrélés entre eux.
H0 : « 1=2=…=45=0 » contre H1 : «  j j := 1,…,45 tq j  0 »
Pour K =42, p = 0, q = 0, P = 3, Q = 0 : la statistique Q =34,352  2 42-3 = 54,572

donc le pic n’est pas significatif
Pour K =43, la statistique Q =41,705  2 43-3 = 55,758 donc le pic n’est pas
significatif.
Pour k = 45, la statistique Q = 41,776  2 42 = 55,76 donc on accepte l’hypothèse
nulle : les résidus Forment un bruit blanc.
+----+----+----+----+----+----+----+----+
1 .021 .068 . * . .093 .761
2 -.056 .068 . *I . .771 .680
3 .044 .067 . I* . 1.205 .752
4 .035 .067 . I* . 1.478 .831
5 -.007 .067 . * . 1.489 .914
6 -.090 .067 .**I . 3.306 .770
7 -.040 .067 . *I . 3.668 .817
8 .030 .067 . I* . 3.869 .869
9 .061 .066 . I* . 4.719 .858
10 -.072 .066 . *I . 5.905 .823
11 .056 .066 . I* . 6.628 .828
12 -.047 .066 . *I . 7.139 .848
13 -.030 .066 . *I . 7.353 .883
14 .072 .066 . I* . 8.559 .858
15 -.016 .065 . * . 8.617 .897
16 -.081 .065 .**I . 10.170 .858
17 -.064 .065 . *I . 11.150 .849
18 .025 .065 . I* . 11.304 .881
19 -.080 .065 .**I . 12.827 .847
20 -.052 .065 . *I . 13.482 .856
21 .036 .064 . I* . 13.792 .878
22 .015 .064 . * . 13.849 .907
23 .047 .064 . I* . 14.392 .915
24 -.067 .064 . *I . 15.493 .906
25 -.015 .064 . * . 15.547 .928
26 .007 .064 . * . 15.560 .946
27 -.148 .063 ***I . 21.027 .785
28 -.003 .063 . * . 21.030 .824
29 .064 .063 . I* . 22.055 .818
118
30 -.040 .063 . *I . 22.450 .837

31 .008 .063 . * . 22.466 .868
32 .037 .063 . I* . 22.810 .884
33 .060 .062 . I*. 23.741 .882
34 -.044 .062 .*I . 24.245 .892
35 -.019 .062 . * . 24.336 .912
36 -.123 .062 **I . 28.264 .818
37 .042 .062 . I*. 28.719 .833
38 .064 .062 . I*. 29.814 .826
39 -.024 .061 . * . 29.966 .850
40 .012 .061 . * . 30.006 .875
41 .010 .061 . * . 30.033 .897
42 .127 .061 . I*.* 34.352 .793
43 .165 .061 . I*.* 41.705 .527
44 -.016 .061 . * . 41.771 .568
45 -.004 .060 . * . 41.776 .609
T = 0,332 1,96 alors on accepte la nullité des moyennes des résidus.

Les résultats sont : Dn - = - 0,047 Dn + = 0,029 Dn = sup -0,047 ; 0,029=0,047
0,047 1,36/ (2151/2) = 0,092 n=215

corrélés.
119

ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Auto- Stand.
+----+----+----+----+----+----+----+----+
1 -.061 .068 . *I . .821 .365
2 .083 .068 . I**. 2.344 .310
3 -.063 .067 . *I . 3.214 .360
4 .034 .067 . I* . 3.472 .482
5 .025 .067 . I* . 3.613 .606
6 .027 .067 . I* . 3.771 .708
7 -.030 .067 . *I . 3.967 .784
8 -.128 .067 ***I . 7.676 .466
9 -.063 .066 . *I . 8.583 .477
10 -.022 .066 . * . 8.695 .561
11 .053 .066 . I* . 9.346 .590
12 .040 .066 . I* . 9.710 .641
13 .031 .066 . I* . 9.931 .700
14 -.068 .066 . *I . 11.020 .684
15 -.041 .065 . *I . 11.408 .723
16 -.019 .065 . * . 11.495 .778
17 .042 .065 . I* . 11.912 .805
18 -.043 .065 . *I . 12.354 .828
19 .029 .065 . I* . 12.558 .860
20 .015 .065 . * . 12.610 .894
21 -.010 .064 . * . 12.633 .921
22 .053 .064 . I* . 13.313 .924
23 .005 .064 . * . 13.319 .945
24 .018 .064 . * . 13.400 .959
25 .034 .064 . I* . 13.691 .967
26 .026 .064 . I* . 13.854 .975
27 .055 .063 . I* . 14.610 .975
28 .003 .063 . * . 14.611 .982
29 -.046 .063 . *I . 15.141 .984
120
30 .057 .063 . I* . 15.954 .983

31 .020 .063 . * . 16.052 .988
32 .109 .063 . I**. 19.101 .965
33 -.062 .062 .*I . 20.080 .962
34 -.002 .062 . * . 20.082 .972
35 -.053 .062 .*I . 20.811 .972
36 .043 .062 . I*. 21.283 .976
37 -.077 .062 **I . 22.829 .967
38 -.051 .062 .*I . 23.507 .968
39 -.062 .061 .*I . 24.522 .966
40 -.088 .061 **I . 26.600 .949
41 -.053 .061 .*I . 27.354 .950
42 .029 .061 . I*. 27.587 .958
43 .067 .061 . I*. 28.803 .952
44 -.025 .061 .*I . 28.979 .961
45 -.018 .060 . * . 29.071 .969
La statistique de Box-ljung Q= 29,071 <  42 2 = 58,124 : on accepte l’hypothèse

Conclusion :

un bruit blanc gaussien, donc le modèle choisi SARIMA (0,1, 0) (3, 1, 0) est valide, et
la série CONS peut être ajustée par le modèle suivant :
(1-B12)*(1-B)*(1+0,76B12+0,45(B2)12+0,23(B3)12) * CONSt = t
RMSE =15272,3795
Prévisions :

janv-05 385536.4647 365871.3612 405201.5683
févr-05 384861.7689 357175.3438 412548.1940
mars-05 378050.1675 344290.5205 411809.8144
avr-05 372220.6290 333408.8051 411032.4529
mai-05 370437.7829 327233.8207 413641.7450
juin-05 376771.9760 329649.8125 423894.1395
juil-05 378746.8371 328069.2869 429424.3873
août-05 386890.1167 332947.2171 440833.0163
sept-05 395096.3423 338127.3149 452065.3697
oct-05 388806.7630 329013.6359 448599.8902
nov-05 382316.7490 319873.3227 444760.1753
déc-05 394994.0465 330052.0741 459936.0189
121
500000
400000
300000
200000
CONS
Date
6- Etude de la série STOCK :
122
400000
380000
360000
340000
320000
300000
STOCK
280000
260000
Date
Graphe de la moyenne et de la variance de la série STOCK :
Graphe de la m oye nne Graphe de la variance
400000 500000000
350000
400000000
300000
250000 300000000
200000 STOCK STOCK
150000 200000000
100000
100000000
50000
0 0
1 4 7 10 13 16 19 1 5 9 13 17
D’après les deux graphes, on remarque que la moyenne et la variance varient au cours
du temps. On peut donc appréhender la non stationnarité de la série.
La non stationnarité de la série implique la présence d’une saisonnalité, et/ ou d’une
tendance.
123
STOCK STOCK
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40


Valeur
Source des Somme des Degré de Moyenne critique
variations carrés liberté des carrés F Probabilité pour F
Lignes 9508378633 11 864398058 7.82411765 3.2278E-11 1.83726101
Colonnes 9.926E+10 18 5514420604 49.913897 1.7372E-63 1.65617564
Erreur 2.1875E+10 198 110478663
Total 1.3064E+11 227
Effet ligne :
rejetée, la série est saisonnière.
Effet colonne :
Fcal > Ftab (49,913897 > 1,65617564) au seuil α= 0,05, ceci implique que H0 est rejetée,
La série est tendancielle.
Pour extirper la saisonnalité, on applique l’opérateur de différence saisonnière

d’ordre 12 sur la série STOCK. La série ainsi obtenue sera notée STOCKDS.
Diagramme séquentiel de la série STOCKDS
124
60000
40000
20000
-20000
-40000
STO C K
-60000
-80000
Date
On applique le test de Fisher sur la série STOCKDS.
Valeur
Lignes 111350592 11 10122781.1 0.03615118 0.99999954 1.84014226
Colonnes 5.0412E+10 17 2965399040 10.5902393 1.2935E-19 1.6776518
Erreur 5.2362E+10 187 280012467
Total 1.0289E+11 215
Effet ligne :
Fcal < Ftab (0,03615118 < 1,84014226) au seuil α=0,05, ceci implique que H0 est
acceptée, le facteur saisonnier a disparu.
Etude de la série STOCKDS :
Nous appliquons le test de Dickey-Fuller sur la série CONSDS pour nous permettre

125
Le modèle (3) :

STOCKDS(-1) -0.141882 0.03554 -3.992219 0.0001
C 2.231635 1681.247 0.001327 0.9989
@TREND(1986:01) -2.797315 12.50993 -0.223607 0.8233
car la statistique de Student tˆ  0 =-3,99 < -3 ,43 au seuil 5%.
Le coefficient de la tendance est significativement égal à zéro : t ˆ  0 =- 0,22
<1,96 au seuil 5%.
Le modèle (2) :

STOCKDS(-1) -0.141012 0.035247 -4.000658 0.0001
C -331.0483 776.1412 -0.426531 0.6702
Adjusted R-
squared 0.065524 S.D. dependent var 11680.07
Le coefficient de la constante est significativement égal à zéro : tcˆ  0 =-
0,42<1,96 au seuil 5%.
Le modèle (1) :

On rejette l’hypothèse nulle de non stationnarité (la racine unitaire n’existe pas)
126
Corrélogrammes simple et partiel de la série STOCKDS :
STOCK STOCK
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40

Transforme: Différence saisonnière (1, période 12) Transforme: Différence saisonnière (1, période 12)
Le modèle à priori est SARIMA (1, 0, 3) (3, 1, 3)
Modèle AIC BIC

SARIMA (1, 0,0) (3, 1,0) 4542,1734 4555,6745
SARIMA (1, 0,0) (2, 1,0) 4554,9475 4565,0733
Parmi ces modèles on choisi celui qui minimise les deux critères AIC et BIC, on opte
pour le modèle SARIMA (1,0, 0) (3, 1, 0).

127
AR1 .88384711 .03179291 27.800136 .00000000

SAR1 -.81145127 .06707133 -12.098333 .00000000
SAR2 -.54258591 .08010867 -6.773123 .00000000
SAR3 -.28409216 .07161645 -3.966856 .00009963

risque 5%, et les probabilités sont toutes inférieures à 0,05.
Error for STOCK from ARIMA, MOD_11 NOCON Error for STOCK from ARIMA, MOD_11 NOCON
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
On va s’assurer que les résidus du modèle SARIMA (1, 0, 0) (3, 1, 0) forment un

bruit blanc en utilisant les tests suivants :
 0 : « Les  i ne sont pas corrélés entre eux »

n 1
2( n  2) 16n  29
T=   i = 145 ;  T  = = 142; ar  T  = = 37,9.
i2 3 90
C’est-à-dire :
128
H0 : « 1=2=…=45=0 » contre H1 : «  j j := 1,…,45 tq j  0 »
Pour K =43 la statistique Q =46,155  2 43-4= 54,572 donc le pic n’est pas
significatif.
Pour k = 45, p = 1, q = 0, P = 3, Q = 0 :
résidus

+----+----+----+----+----+----+----+----+
1 -.004 .068 . * . .003 .956
2 -.007 .067 . * . .014 .993
3 .065 .067 . I* . .962 .810
4 -.026 .067 . *I . 1.111 .892
5 -.056 .067 . *I . 1.816 .874
6 -.040 .067 . *I . 2.174 .903
7 -.027 .067 . *I . 2.334 .939
8 .033 .066 . I* . 2.581 .958
9 .091 .066 . I**. 4.463 .878
10 -.103 .066 .**I . 6.881 .737
11 .062 .066 . I* . 7.752 .735
12 -.055 .066 . *I . 8.454 .749
13 -.091 .066 .**I . 10.376 .663
14 .090 .065 . I**. 12.248 .586
15 -.006 .065 . * . 12.257 .659
16 -.133 .065 ***I . 16.405 .425
17 -.025 .065 . *I . 16.553 .485
18 .003 .065 . * . 16.554 .554
19 -.096 .065 .**I . 18.749 .473
20 -.023 .065 . * . 18.878 .530
21 .063 .064 . I* . 19.841 .531
22 -.004 .064 . * . 19.846 .593
23 .050 .064 . I* . 20.463 .614
24 -.074 .064 . *I . 21.814 .590
25 -.015 .064 . * . 21.867 .643
26 .044 .064 . I* . 22.353 .669
27 -.156 .063 ***I . 28.441 .388
28 -.012 .063 . * . 28.479 .439
29 .095 .063 . I**. 30.728 .378
30 .018 .063 . * . 30.807 .425
31 .014 .063 . * . 30.858 .473
32 .003 .063 . * . 30.860 .524
33 .032 .062 . I*. 31.120 .561
34 -.067 .062 .*I . 32.279 .552
35 .057 .062 . I*. 33.111 .560
36 -.120 .062 **I . 36.870 .429
37 .034 .062 . I*. 37.178 .461
38 .095 .061 . I** 39.576 .400
39 -.036 .061 .*I . 39.920 .429
40 .049 .061 . I*. 40.564 .445
41 -.010 .061 . * . 40.589 .489
42 .048 .061 . I*. 41.208 .506
43 .135 .061 . I*.* 46.155 .343
44 .029 .060 . I*. 46.378 .375
45 -.026 .060 .*I . 46.559 .408

T = -1,241 1,96 alors on accepte la nullité des moyennes des résidus.
129

0,042 1,36/ (2161/2) = 0,092 (n=216)

corrélés.

ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel

ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Auto- Stand.
+----+----+----+----+----+----+----+----+
1 -.117 .068 .**I . 2.980 .084
2 .087 .067 . I**. 4.632 .099
3 -.005 .067 . * . 4.637 .200
4 .078 .067 . I**. 5.993 .200
5 -.055 .067 . *I . 6.672 .246
130
6 .112 .067 . I**. 9.474 .149

7 -.085 .067 .**I . 11.103 .134
8 -.065 .066 . *I . 12.053 .149
9 .039 .066 . I* . 12.406 .191
10 -.035 .066 . *I . 12.684 .242
11 .009 .066 . * . 12.704 .313
12 -.042 .066 . *I . 13.113 .361
13 .003 .066 . * . 13.115 .439
14 -.038 .065 . *I . 13.458 .491
15 -.073 .065 . *I . 14.712 .472
16 -.059 .065 . *I . 15.523 .487
17 -.017 .065 . * . 15.592 .553
18 .013 .065 . * . 15.634 .618
19 .044 .065 . I* . 16.102 .650
20 -.013 .065 . * . 16.145 .708
21 .045 .064 . I* . 16.643 .733
22 .086 .064 . I**. 18.456 .679
23 -.004 .064 . * . 18.461 .732
24 -.006 .064 . * . 18.468 .780
25 -.024 .064 . * . 18.614 .815
26 .026 .064 . I* . 18.776 .846
27 .012 .063 . * . 18.811 .877
28 .076 .063 . I**. 20.244 .855
29 -.077 .063 .**I . 21.723 .831
30 -.023 .063 . * . 21.858 .859
31 .037 .063 . I* . 22.198 .877
32 .099 .063 . I**. 24.732 .817
33 -.040 .062 .*I . 25.141 .835
34 -.009 .062 . * . 25.162 .864
35 -.007 .062 . * . 25.174 .890
36 -.031 .062 .*I . 25.429 .905
37 -.089 .062 **I . 27.505 .872
38 .011 .061 . * . 27.535 .895
39 -.007 .061 . * . 27.548 .915
40 -.083 .061 **I . 29.378 .892
41 -.034 .061 .*I . 29.688 .905
42 -.039 .061 .*I . 30.102 .915
43 -.007 .061 . * . 30.114 .931
44 -.059 .060 .*I . 31.069 .929
45 -.010 .060 . * . 31.098 .943
La statistique de Box-ljung Q= 31,098 <  421 = 56,942 : on accepte l’hypothèse

Conclusion :

un bruit blanc gaussien, donc le modèle choisi SARIMA (1, 0, 0) (3, 1, 0) est valide, et
la série STOCK peut être ajustée par le modèle suivant :
(1-0,88B)* (1+0,81 B(12)+0,54(B2)12+0,28(B3)12)*(1-B12)*STOCKt =t
RMSE=13093,4606

Prévisions : janv-05 289246.648 269559.728 308933.568
févr-05 285741.83 260289.779 311193.882
mars-05 301806.391 273126.496 330486.286
avr-05 308308.257 277651.183 338965.331
mai-05 306263.593 274347.624 338179.562
juin-05 297823.981 265089.9 330558.063
juil-05 300370.644 267098.537 333642.75
août-05 293010.716 259382.189 326639.243
sept-05 279500.683131245634.947 313366.419
oct-05 290036.026 256011.947 324060.104
nov-05 290491.249 256361.265 324621.233
déc-05 283980.042 249779.134 318180.95
400000
380000
360000
340000
320000
300000
STOCK
280000
Date
132

Application Box &amp; Jenkins

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Application Box &amp; Jenkins

Transféré par

Droits d'auteur :

Formats disponibles

Application de Box & Jenkins

1- Etude de la série PRIX :

Diagramme séquentiel de la série brute

Graphe de la moyenne et la variance de la série PRIX :

Graphe de la moyenne Graphe de la variance

Corrélogrammes simple et partiel de la série brute :

-1,0 Coefficient -1,0 Coefficient

Numéro de décalage Numéro de décalage

Test de la saisonnalité : (ANOVA)

Test d’influence du facteur colonne (années) :

Source des Somme des Degré de Moyenne F Probabilité Valeur critique

Elimination du facteur saisonnier :

Pour extirper la saisonnalité, on applique l’opérateur de différence saisonnière

Diagramme séquentiel de la série PRIXDS

Source des Somme des Degré de Moyenne F Probabilité

Etude de la série PRIXDS :

Les résultats du test :

ADF Test Statistic -3.167765 1% Critical Value* -4.0037

ADF Test Statistic -3.081778 1% Critical Value* -3.4621

Le coefficient de la constante est significativement égal à zéro : tcˆ  0 =1,07 <1,96

ADF Test Statistic -0.91587 1% Critical Value* -2.5751

Diagramme de la série PRIXDSD

Test de Dickey-Fuller sur la série (PRIXDSD) :

Les résultats du test :

ADF Test Statistic -10.91106 1% Critical Value* -4.0039

ADF Test Statistic -10.92819 1% Critical Value* -3.4623

ADF Test Statistic -10.95916 1% Critical Value* -2.5752

Identification du modèle à priori :

Corrélogrammes de la série PRIXDSD :

-.5 Limites de confiance -.5 Limites de confiance

-1.0 Coefficient -1.0 Coefficient

Numéro de décalage Numéro de décalage

Le modèle à priori est : SARIMA (2, 1, 2) (2, 1, 1).

Le choix du modèle optimal:

Modèle AIC BIC

Estimation des paramètres du modèle optimal :

Les variables du modèle :

B SEB T-RATIO APPROX. PROB.

AR1 .87003168 .09773840 8.901637 .00000000

Test sur les paramètres:

Les paramètres sont significativement différents de zéro, car les statistiques t

Tests sur les résidus :

-1.0 Coefficient -1.0 Coefficient

Numéro de décalage Numéro de décalage

a. Test de points de retournement :

 0 : « Les  i sont non corrélés »

U = 0,65 < 1,96 donc on accepte H0 au seuil 5%.

H0 : « 1=2=…=45=0 » contre H1 : «  j j := 1,…,45 tel que j  0 »

Pour k = 43, Q = 48,462  2 39 = 54,572, le pic n’est pas significatif.

Pour k = 45, p = 1, q = 2, P = 0, Q = 1 :

La statistique Q = 48,462  2 41 = 56,942 donc on accepte l’hypothèse nulle : les

c. Test de la nullité des moyennes des résidus :

T = 1,354  1,96 alors on accepte la nullité des moyennes des résidus.

H0 : « les résidus sont gaussiens »

e. Test de Von Neuman :

f. Test de Durbin Watson :

On teste: H0 : «  = 0 » contre H1 : «   0 ».

On teste H0 : « les résidus sont Homoscédastiques »

-1.0 Coefficient -1.0 Coefficient

Numéro de décalage Numéro de décalage

La statistique Q =30,265  2 41 = 55,76 donc on accepte l’hypothèse nulle

D’après la méthodologie de Box et Jenkins, les résidus du modèle optimal forment

0 RIMA, MOD_6 NOCON

2- Analyse de la série IMP :

Application Box & Jenkins

Application Box & Jenkins