Académique Documents
Professionnel Documents
Culture Documents
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
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
Application de Box & Jenkins
,5
,5
0,0 0,0
-,5 -,5
ACF partiel
Limites de confiance Limites de confiance
ACF
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.
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 »
Résultats du test :
64
Application de Box & Jenkins
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.
Résultats du test :
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.
65
Application de Box & Jenkins
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 »
Le modèle (3) :
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ 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) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-3,08 < -2,87 au seuil 5%.
66
Application de Box & Jenkins
Le modèle (1) :
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ 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.
20
10
DIF F (PRIX_1,1)
-10
Date
67
Application de Box & Jenkins
Le modèle (3) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas de racine unitaire)
car la statistique de Student tˆ 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) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-10,92 < -2,87 au seuil 5%.
Le coefficient de la constante est significativement égal à zéro : tcˆ 0 =0,07 <1,96
au seuil 5%.
Le modèle (1) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-10,95 < -1,94 au seuil 5%.
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
Application de Box & Jenkins
PRIX PRIX
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
ACF
Le choix du modèle optimal se fera parmi tous les modèles proposés, ce choix est
basé sur les critères d’information AIC et BIC.
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).
69
Application de Box & Jenkins
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
Limites de confiance Limites de confiance
ACF partiel
ACF
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 :
70
Application de Box & Jenkins
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
d. Test de Kolmogorov-Smirnov :
71
Application de Box & Jenkins
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.
Le logiciel SPSS donne le résultat DW= 2,001 2, dans ce cas les résidus ne sont pas
corrélés.
g. Test d’hétéroscédasticité :
ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
72
Application de Box & Jenkins
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
RMSE = 3,4559
73
Application de Box & Jenkins
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
Date
74
Application de Box & Jenkins
12000
10000
8000
6000
4000
IMP
2000 IMP
Date
12000 600000
10000 500000
8000 400000
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.
Pour vérifier ceci, on va appliquer des tests statistiques juste après la présentation des
corrélogrammes simple et partiel de la série brute.
Corrélogrammes simple et partiel de la série brute :
75
Application de Box & Jenkins
IMP IMP
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
Limites de confiance Limites de confiance
ACF partiel
ACF
Résultats du test :
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
Application de Box & Jenkins
1000
-1000
IMP
-2000
Date
Transforme: Différence saisonnière (1, période 12)
On applique le test de Fisher sur la série IMPDS pour s’assurer que le facteur
saisonnier a disparu.
Résultats du test :
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 :
Test de Dickey-Fuller :
Nous appliquons le test de Dickey-Fuller sur la série IMPDS 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 »
77
Application de Box & Jenkins
H03 : « le coefficient de la tendance est nul » H03: « le coefficient n’est pas nul »
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-8,60 < -3,43 au seuil 5%.
Le coefficient de la tendance est significativement égal à zéro : t ˆ 0 = 0,37 <1,96
au seuil 5%.
Le modèle (2) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-8,62 < -2,87 au seuil 5%.
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
Identification du modèle à priori :
78
Application de Box & Jenkins
IMP
1,0
,5
0,0
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
Transforme: Différence saisonnière (1, période 12)
IMP
1,0
,5
0,0
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
Transforme: Différence saisonnière (1, période 12)
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
Application de Box & Jenkins
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
Limites de confiance Limites de confiance
ACF partiel
ACF
n 1
2( n 2) 16n 29
T= i = 142 ; T = = 142,67 ; ar T = = 37,9.
i2 3 90
b. Test de Box-Ljung :
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
Application de Box & Jenkins
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
81
Application de Box & Jenkins
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 = 1,07 1,96 on accepte l’hypothèse H0.
82
Application de Box & Jenkins
ERR2 ERR2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
Autocorrelations: ERR2
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Application de Box & Jenkins
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
Le graphe suivant représente la réalisation et les valeurs ajustées pour l’année 2005 :
84
Application de Box & Jenkins
12000
10000
8000
6000
4000 IMP
Date
10000
9000
8000
7000
6000
5000
PROD
4000
Date
85
Application de Box & Jenkins
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
PROD PROD
1,0 1,0
,5 ,5
0,0 0,0
-,5 -,5
Limites de confiance Limites de confiance
ACF partiel
ACF
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
Application de Box & Jenkins
Résultats du test :
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.
400
200
-200
-400
-600
-800
PROD
-1000
Date
On applique le test de Fisher sur la série PRODDS pour voir si la saisonnalité a été
éliminée.
Résultats du test :
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 :
Test de Dickey-Fuller :
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.
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 »
Le modèle (3) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-5,38 < -3,43 au seuil 5%.
Le coefficient de la tendance est significativement égal à zéro : t ˆ 0 = 0,92 <1,96
au seuil 5%.
Le modèle (2) :
88
Application de Box & Jenkins
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-5,35 < -2,87 au seuil 5%.
Le coefficient de la constante est significativement différent de zéro :
tcˆ 0 =- 3,49 >1,96 au seuil 5%.
89
Application de Box & Jenkins
PROD
1,0
,5
0,0
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
Transforme: Différence saisonnière (1, période 12)
PROD
1,0
,5
0,0
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
Transforme: Différence saisonnière (1, période 12)
Le choix du modèle optimal se fera parmi tous les modèles proposés, ce choix est
basé sur les critères d’information AIC et BIC.
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
Application de Box & Jenkins
91
Application de Box & Jenkins
,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
,5
0,0
-,5
Limites de confiance
ACF partiel
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
n 1
2( n 2) 16n 29
T= i = 144 ; T = = 142,67 ; ar T = = 37,9.
i2 3 90
b. Test de Box-Ljung :
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 »
92
Application de Box & Jenkins
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
93
Application de Box & Jenkins
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.
ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
94
Application de Box & Jenkins
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Conclusion :
95
Application de Box & Jenkins
RMSE=126,8781
Prévisions :
Le graphe suivant représente la réalisation et les valeurs ajustées pour l’année 2005 :
96
Application de Box & Jenkins
10000
9000
8000
7000
6000
PRO
5000
Fit for FIT_1 from A
Date
200
100
EXP
Date
97
Application de Box & Jenkins
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.
,5 ,5
0,0 0,0
-,5 -,5
Limites de confiance Limites de confiance
ACF partiel
ACF
D’après les résultats précédents, on peut conclure que la série est affectée d’une
tendance, et/ ou d’une saisonnalité.
98
Application de Box & Jenkins
Résultats du test :
Valeur
Source des Somme Degré de Moyenne critique
variations des carrés liberté des carrés F Probabilité pour F
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 :
Fcal > Ftab (66,737528 > 1,78916792) au seuil α= 0,05, ceci implique que H0 est
acceptée, donc la série est tendancielle.
Test de Dickey-Fuller :
Nous appliquons le test de Dickey-Fuller sur la série EXP pour nous permettre de
détecter l’existence d’une racine unitaire et le type de la tendance.
Le modèle (3) :
99
Application de Box & Jenkins
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-3,80 < -3,43 au seuil 5%.
Le coefficient de la tendance est significativement différent de zéro : t ˆ 0 = -2,86
> 1,96 au seuil 5%.
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.
3
EXP
Date
100
Application de Box & Jenkins
EXPL EXPL
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
Résultats du test :
Valeur
Source des Somme Degré de Moyenne critique
variations des carrés liberté des carrés F Probabilité pour F
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 :
Fcal > Ftab (223,864723 > 1,78916792) au seuil α= 0,05, ceci implique que H0 est
acceptée, donc la série est tendancielle.
Test de Dickey-Fuller :
101
Application de Box & Jenkins
Nous appliquons le test de Dickey-Fuller sur la série EXP pour nous permettre de
détecter l’existence d’une racine unitaire et le type de la tendance.
Le modèle (3) :
Le modèle (2) :
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ 0 =-0,35 > -2,87 au seuil 5%.
102
Application de Box & Jenkins
Le modèle (1) :
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ 0 =-1,39< -1,94 au seuil 5%.
La série EXPLD est donc non stationnaire de type de tendance DS sans dérive.
.5
0.0
-.5
EXPL
-1.0
Date
Transforme: différence (1)
Le modèle (3) :
103
Application de Box & Jenkins
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-15,62 < -3,43 au seuil 5%.
Le coefficient de la tendance est significativement égal à zéro : t ˆ 0 = 1,007 <1,96
au seuil 5%.
Le modèle (2) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-15,58 < -2,87 au seuil 5%.
Le coefficient de la constante est significativement égal à zéro : tcˆ 0 = -1,64
<1,96 au seuil 5%.
Le modèle (1) :
104
Application de Box & Jenkins
On rejette l’hypothèse nulle de non stationnarité (la racine unitaire n’existe pas) car
la statistique de Student tˆ 0 =-15,42 < -1,94 au seuil 5%.
La série est stationnaire, on passe à la modélisation par la méthode de Box & Jenkins.
.5
.5
0.0
0.0
Parmi ces modèles on choisit celui qui minimise les deux critères AIC et BIC, on opte
pour le modèle ARIMA (0,1, 1).
105
Application de Box & Jenkins
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
Limites de confiance Limites de confiance
ACF partiel
ACF
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.
i2 3 90
U = 0,73 < 1,96 donc on accepte H0 au seuil 5%.
b. Test de Box-Ljung :
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 :
La statistique Q = 31,099 2 41 = 56,942 donc on accepte l’hypothèse nulle : les
résidus forment un bruit blanc.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Application de Box & Jenkins
Le logiciel SPSS donne le résultat DW= 1,980 2, dans ce cas les résidus ne sont pas
corrélés.
f. Test d’hétéroscédasticité :
107
Application de Box & Jenkins
ERR2 ERR2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Application de Box & Jenkins
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 :
RMSE=0,20456716.
Prévisions :
Le graphe suivant représente la réalisation et les valeurs ajustées pour l’année 2005 :
109
Application de Box & Jenkins
300
200
100
EXP
Date
500000
400000
300000
200000
CONS
100000
Date
110
Application de Box & Jenkins
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
CONS CONS
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
111
Application de Box & Jenkins
Résultats du test :
Valeur
Source des Somme Degré de Moyenne critique
variations des carrés liberté des carrés F Probabilité pour F
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
Fcal > Ftab (8,71625668 > 1,83726101) au seuil α= 0,05, ceci implique que H0 est
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.
100000
0
CONS
-100000
Date
Transforme: Différence saisonnière (1, période 12)
112
Application de Box & Jenkins
On applique le test de Fisher sur la série CONSDS pour s’assurer que la saisonnalité
est complètement éliminée.
Résultats du test :
Valeur
Source des Somme Degré de Moyenne critique
variations des carrés liberté des carrés F Probabilité pour F
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.
Test de Dickey-Fuller :
Nous appliquons le test de Dickey-Fuller sur la série CONSDS pour nous permettre
de détecter l’existence d’une racine unitaire et le type de la tendance.
Le modèle (3) :
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ 0 =-3,02 > -3 ,43 au seuil 5%.
113
Application de Box & Jenkins
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-2,98 < -2,87 au seuil 5%.
Le coefficient de la constante est significativement égal à zéro : tcˆ 0 =1,08 <1,96
au seuil 5%.
Le modèle (1) :
On accepte l’hypothèse nulle de non stationnarité (il existe une racine unitaire) car
la statistique de Student tˆ 0 =-0,77 > -1,94 au seuil 5%.
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.
114
Application de Box & Jenkins
60000
40000
20000
-20000
-40000
CONS
-60000
Date
Transforme: différence (1), Différence saisonnière (1, période 12)
Le modèle (3) :
On rejette l’hypothèse nulle de non stationnarité (la racine unitaire n’existe pas) car
la statistique de Student tˆ 0 =-12,67 < -3 ,43 au seuil 5%.
115
Application de Box & Jenkins
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-12,68 < -2,88 au seuil 5%.
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)
car la statistique de Student tˆ 0 =-12,73 < -1,94 au seuil 5%.
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.
Identification du modèle à priori :
CONS CONS
1.0 1.0
.5 .5
0.0 0.0
116
Application de Box & Jenkins
Parmi ces modèles on choisit celui qui minimise les deux critères AIC et BIC, on opte
pour le modèle SARIMA (0,1, 0) (3, 1, 0).
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
Limites de confiance Limites de confiance
ACF partiel
ACF
117
Application de Box & Jenkins
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Application de Box & Jenkins
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.
119
Application de Box & Jenkins
ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Application de Box & Jenkins
Conclusion :
(1-B12)*(1-B)*(1+0,76B12+0,45(B2)12+0,23(B3)12) * CONSt = t
RMSE =15272,3795
Prévisions :
Le graphe suivant représente la réalisation et les valeurs ajustées pour l’année 2005 :
121
Application de Box & Jenkins
500000
400000
300000
200000
CONS
Date
122
Application de Box & Jenkins
400000
380000
360000
340000
320000
300000
STOCK
280000
260000
Date
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.
Pour vérifier ceci, on va appliquer des tests statistiques juste après la présentation des
corrélogrammes simple et partiel de la série brute.
Corrélogrammes simple et partiel de la série brute :
123
Application de Box & Jenkins
STOCK STOCK
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
Limites de confiance Limites de confiance
ACF partiel
ACF
Résultats du test :
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 :
Fcal > Ftab (7,82411765 > 1,83726201) au seuil α= 0,05, ceci implique que H0 est
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.
124
Application de Box & Jenkins
60000
40000
20000
-20000
-40000
STO C K
-60000
-80000
Date
Transforme: Différence saisonnière (1, période 12)
Résultats du test :
Valeur
Source des Somme Degré de Moyenne critique
variations des carrés liberté des carrés F Probabilité pour F
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.
Test de Dickey-Fuller :
Nous appliquons le test de Dickey-Fuller sur la série CONSDS pour nous permettre
de détecter l’existence d’une racine unitaire et le type de la tendance.
125
Application de Box & Jenkins
Le modèle (3) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 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) :
On rejette l’hypothèse nulle de non stationnarité (il n’existe pas une racine unitaire)
car la statistique de Student tˆ 0 =-4,00 < -2,87 au seuil 5%.
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)
car la statistique de Student tˆ 0 =-3,45 < -1,94 au seuil 5%.
126
Application de Box & Jenkins
La série est stationnaire, on passe à la modélisation par la méthode de Box & Jenkins.
STOCK STOCK
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
ACF
Le choix du modèle optimal se fera parmi tous les modèles proposés, ce choix est
basé sur les critères d’information AIC et BIC.
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
Application de Box & Jenkins
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
Limites de confiance Limites de confiance
ACF partiel
ACF
n 1
2( n 2) 16n 29
T= i = 145 ; T = = 142; ar T = = 37,9.
i2 3 90
b. Test de Box-Ljung :
On teste l’hypothèse nulle : les auto corrélations au pas K ne sont pas significatifs
C’est-à-dire :
128
Application de Box & Jenkins
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 :
La statistique Q = 46,559 2 41 = 56,942 donc on accepte l’hypothèse nulle : les
résidus
129
Application de Box & Jenkins
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 = 0,98 1,96 on accepte l’hypothèse H0.
ERRE2 ERRE2
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
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
Application de Box & Jenkins
Conclusion :
RMSE=13093,4606
Le graphe suivant représente la réalisation et les valeurs ajustées pour l’année 2005 :
400000
380000
360000
340000
320000
300000
STOCK
280000
Fit for FIT_1 from A
Date
132