Académique Documents
Professionnel Documents
Culture Documents
Jenkins
Avant d’effectuer des tests spécifiques sur une série chronologique et de chercher à la
modéliser, plusieurs étapes préliminaires sont nécessaires, il convient d’étudier ces
caractéristiques stochastiques c'est-à-dire sa moyenne et sa variance.
Notation : Nous notons la série production des carburants dans la raffinerie de Skikda
RA1K CARB.
Identification
Les données de la série production des carburants dans la raffinerie de Skikda (notée RA1K
CARB) s'étendent sur une période de quinze ans, les observations sont mensuelles ; de janvier
1990 à décembre 2004.L'unité de mesure est la tonne.
200000 250000000
150000 200000000
150000000
100000
100000000
50000 50000000
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sur ces deux graphes précédents, nous remarquons que la moyenne est presque constante,
alors que la variance varie dans le temps, cette remarque pourrait traduire une non
stationnarité de la série.
Figure (01):Diagramme séquentiel de la série brute (RA1K CARB)
240000
220000
200000
180000
160000
RA1KCARB
140000
120000
Date
51
Chapitre III Application de la méthode de Box &
Jenkins
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
Les corrélogrammes simple et partiel de la série RA1K CARB, nous montre plusieurs pics qui
dépassent l’intervalle de confiance. Notamment aux pas12, 24 et 36. Ceci indique que la série
est saisonnière ce que nous allons confirmer à l’aide du test suivant.
52
Chapitre III Application de la méthode de Box &
Jenkins
30000
20000
10000
-10000
RA1KC AR B
-20000
-30000
-40000
Date
Transforme: Différence saisonnière (1, période 12)
53
Chapitre III Application de la méthode de Box &
Jenkins
RA1KCARB RA1KCARB
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 Limites de confiance -,5 Limites de confiance
ACF
En se basant sur les corrélogrammes simple et partiel de la série RA1K CARB DES, nous
constatons que :
1. pour l’ACF : il y a des pics significatifs avant le retard 12 et un pic significatif aux
retards 12, 24 et 36.
2. pour l’ACF partiel : il y a des pics significatifs avant le retard 12 et un pic
significatif au retards12 et 36.
Une deuxième application du test de saisonnalité nous permet de nous s’assurer, si l’effet
saisonnier a disparu.
Test de Fisher pour la série RA1K CARB DES :
Tableau 2
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne Probabilit Valeur critique
F
variations carrés liberté des carrés é pour F
Lignes 9125143,71 11 829558,519 0,01455335 1 1,85617067
Colonnes 1,8714E+10 13 1439553433 25,2547961 9,14E-31 1,7891663
Fcal 0,014553350 < Ftab =1,85617067 au seuil 0,05, ceci explique que H 0 est acceptée,
Test de racine unitaire (Dickey – Fuller) sur la série RA1K CARB DES :
Pour confirmer la présence d’une racine unitaire et déterminer donc le type de la composante
tendancielle de la série RA1K CARB DES, nous appliquons le test de la racine unitaire.
54
Chapitre III Application de la méthode de Box &
Jenkins
Modèle [3] : modèle avec constante et tendance déterministe
RA1K CARB DES t = 1 RA1K CARB DES t 1 + t c t . Où t est un processus
stationnaire.
Nous commençons par estimer le modèle [3] :
RA1K CARB DES t RA1K CARB DES t 1 c t t , nous testons alors la présence
d’une racine unitaire dans le processus en testant la nullité du paramètre à l’aide d’une
carrés ordinaires (MCO). Nous utilisons le test programmé sous le logiciel Eviews. Le
résultat de l’affichage pour la série (RA1K CARB DES t ) est donné dans le tableau suivant.
56
Chapitre III Application de la méthode de Box &
Jenkins
Modèle [1] : modèle sans constante ni tendance déterministe
Conclusion : étant donnée les résultats précédents, la série est stationnaire nous
pouvons passer à la modélisation du processus en utilisant la méthodologie de
BOX & JENKINS.
57
Chapitre III Application de la méthode de Box &
Jenkins
SARIMA (3, 0,3) (2, 1,3) 3445,2399 3479,6035 6080,1304
Variables du Modèle :
B SEB T-RATIO APPROX. PROB.
AR1 .90240854 .4012571 2.2489537 .02590654
AR2 -.33950095 .3575163 -.9496098 .34377006
AR3 .35845995 .2827147 1.2679209 .20670329
MA1 .48252512 .3892856 1.2395143 .21700471
MA2 -.56759528 .2472540 -2.2955960 .02302239
MA3 .32035547 .1309341 2.4466922 .01552073
SAR1 -.62886241 .3656084 -1.7200435 .08739498
SAR2 .04868181 .3792243 .1283721 .89801880
SMA1 .20512654 4.9550163 .0413978 .96703140
SMA2 .53648432 3.8096459 .1408226 .88819059
SMA3 .25288287 1.0952633 .2308877 .81770263
2
Modèles AIC BIC
SARIMA (2,0,2) (3,1,1) 3532,1254 3478,4571 6678,1478
SARIMA (1, 0,2) (3, 1,0) 3449,0541 3467,7978 6618,5697
L’estimation des paramètres se fait en maximisant la fonction vraisemblance (qui est une
fonction de pseudo vraisemblance). Le modèle optimal est SARIMA(1,0,2)(3,1,0).
Test sur les paramètres : Les coefficients des paramètres du modèle SARIMA (1,0,2)(3,1,0)
sont significativement différents de zéro,le test de Student le confirme puisque Les T-
RATIO associés aux paramètres du modèle sont supérieurs en valeur absolue aux valeurs
théoriques (1.96) au seuil de 5% et (1.64) au seuil de 10%.
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
59
Chapitre III Application de la méthode de Box &
Jenkins
L’analyse du corrélogramme des résidus, associé à la figure (05) montre que tous les termes
sont à l’intérieur de l’intervalle de confiance.
i = 1,…, n ».
Après les calculs à l’aide du logiciel MATLAB nous avons obtenu les résultats suivants
n2
Le nombre des points de retournements égal à P = X
i 1
i = 106
2 16n 29
Nous avons : n = 168 donc E ( P ) (n 2) 110,67 et VAR ( P ) 29,54
3 90
P E ( P)
VAR ( P ) 5,44 , S 0,86 .
Var ( P )
Donc : S = 0,86 < S (tabulée) = 1,96 alors, nous acceptons l’hypothèse H 0 : « les résidus
forment bien un bruit blanc ».
inférieure à 0.,95 (39) = 54.572. Nous concluons alors que les erreurs ne sont pas corrélées.
2
Conclusion
Les résultats du test de Box – Ljung sont identiques à ce que nous avons remarqué de visu
sur les corrélogrammes simple et partiel (Figure (05)).
61
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 5
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for RA1KCARB from
,842 167 ,401 441,49426 -594,303 1477,2913
ARIMA, MOD_1 NOCON
D’après le Tableau 5 nous avons : t = 0,842 qui est inférieure à 1,96 ; Donc nous acceptons
l’hypothèse H 0 : « la moyenne des résidus est nulle ».
Figure (06) :
16
Series: ERREURS
Sample 1991:01 2004:12
Observations 168
12
Mean 441.4943
Median -48.48425
Maximum 18312.06
8
Minimum -17430.58
Std. Dev. 6800.214
Skewnes s 0.039298
4 Kurtosis 3.406819
Jarque-Bera 1.201755
Probability 0.548330
0
-10000 0 10000
11 2 0 2 3
Test de Skewness : 1 Test de Kurtosis : 2
6 24
N N
3
où : 1
12
: est le coefficient de Skewness (l’indicateur d’asymétrie des résidus)
23 2
4 : est le coefficient de Kurtosis (le degré d’aplatissement de la loi des résidus).
2
22
Sous l’hypothèse H 0 et si le nombre d’observations assez grand (N >30), nous avons :
62
Chapitre III Application de la méthode de Box &
Jenkins
3 6
11 2 N 0, 1
232
N N
24
2 42 N 0, 2
2 N N
Après calculs nous avons obtenu :
11 2 0
Test de Skewness : 1 = 0,2079 < 1,96.
6
N
2 3
Test de Kurtosis : 2 = 1,0763 < 1,96.
24
N
Ainsi nous acceptons l’hypothèse de normalité, ce qui est confirmé par le test de Jarque –
Berra.
D’après la Figure (06) (dans le tableau) nous avons la statistique de Jarque et Bera notée (S)
est égale à 1,201755; elle est inférieure à 2 (2) = 5,99. Nous concluons que les résidus
forment un bruit blanc gaussien.
63
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 6
Error for
RA1KCARB
from
ARIMA,
MOD_1
NOCON
N 168
Paramètres normaux a,b Moyenne 441,49423
Ecart-type 6800,2139
Différences les plus extrêmes Absolue ,049
Positive ,049
Négative -,045
Z de Kolmogorov-Smirnov ,634
Signification asymptotique (bilatérale)
,817
64
Chapitre III Application de la méthode de Box &
Jenkins
Récapitulatif du modèleb
Erreur
standard
R-deux de
Modèle R R-deux ajusté l'estimation Durbin-Watson
1 ,044a ,002 -,004 ********** 2,041
a. Valeurs prédites : (constantes), YEAR, not periodic
b. Variable dépendante : Error for RA1KCARB from ARIMA, MOD_92 NOCON
(1 B12 )(1 0,904 B)(1 0,619 B12 0,339 B 24 0,376 B 36 ) RA1K CARBt
(1 0,523 B 0,203 B 2 ) t .
Conclusions : Nous pouvons conclure d’après ces tests que les résidus forment
bien un bruit blanc gaussien. Finalement le modèle qui ajuste le mieux la série
RA1K CARB est SARIMA (1, 0,2) (3, 1,0) qui s’écrit sous la forme suivante :
Prévision
Tableau de prévision
Les prévisions sont calculées pour la période allant de janvier 2005 à Décembre 2005
Tableau 8
65
Chapitre III Application de la méthode de Box &
Jenkins
Le graphe suivant représente les réalisations et les valeurs ajustées pour l’année 2005
pour la série RA1K CARB.
220000
200000
180000
160000
RA1KCARB
140000
Fit for FIT_1 from A
120000 RIMA, MOD_2 NOCON
Date
Notation : Nous notons la série production des carburants dans la raffinerie D’ARZEW
RA1Z CARB.
Identification
La série RA1Z CARB représente l’évolution mensuelle de la production des carburants dans
la raffinerie d’Arzew sur une période allant de janvier 1990 à décembre 2004.
Graphes de la moyenne et de la variance pour la série brute (RA1Z CARB) :
66
Chapitre III Application de la méthode de Box &
Jenkins
130000 400000000
125000
120000 300000000
115000
200000000
110000
105000 100000000
100000
95000 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
D’après les deux figures nous remarquons que la moyenne et la variance varient dans le
temps ce qui veut dire que la série production des carburants dans la raffinerie d’Arzew
pourrait ne pas être stationnaire.
Figure (01) : Diagramme séquentiel de la série brute (RA1Z CARB)
160000
140000
120000
100000
80000
R A1 Z
60000
Date
D’après le graphe. La série est affectée d’une saisonnalité. Nous le confirmons avec les
corrélogrammes simple et partiel de la série brute.
67
Chapitre III Application de la méthode de Box &
Jenkins
RA1ZCAR RA1ZCAR
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
D’après la Figure (02) nous remarquons l’existence d’une saisonnalité car nous avons des
pics significatifs aux retards 12, 24 et 36. De plus nous avons un mouvement périodique de
période 12. Nous confirmons ce résultat à l’aide du test de Fisher.
Pour détecter la saisonnalité, nous avons utilisé le test fondé sur l’analyse de la variance.
Tableau 1
ANALYSE DE VARIANCE
Source
Somme des Degré de Moyenne Valeur critique
des F Probabilité
carrés liberté des carrés pour F
variations
Lignes 4,2844E+10 11 3894881671 240,519324 5,5073E-91 1,85129627
Colonnes 3932139185 14 280867085 17,3442911 4,6335E-25 1,75648919
Fcal = 240,519324 > Ftab = 1,85129627. La série est affectée d’une saisonnalité.
Fcal = 17,3442911 > Ftab = 1,75648919. La série pourrait être affectée d’une tendance.
68
Chapitre III Application de la méthode de Box &
Jenkins
Figure (03) : Diagramme séquentiel de la série RA1Z CARB DES
30000
20000
10000
-10000
-20000
-30000
Date
,5 ,5
0,0 0,0
ACF partiel
Les corrélogrammes simple et partiel de la série RA1Z CARB DES, nous montre plusieurs
pics qui dépassent l’intervalle de confiance.
Une deuxième application du test de saisonnalité nous permet de nous en assurer.
69
Chapitre III Application de la méthode de Box &
Jenkins
Après que nous ayons fait la différence saisonnière le test de Fisher indique que l’effet de la
saison a disparu mais il reste un effet pour la tendance. Pour confirmer ces résultats nous
utilisons le test de Dickey – Fuller.
Test de racine unitaire (Dickey – Fuller) sur la série RA1Z CARB DES :
Pour confirmer la présence d’une racine unitaire et déterminer donc le type de la composante
tendancielle de la série RA1Z CARB DES, nous appliquons le test de la racine unitaire.
Modèle [3] : modèle avec constante et tendance déterministe
RA1Z CARB DES t = 1 RA1Z CARB DES t 1 + t c t , où t est un processus
stationnaire. Nous commençons par estimer le modèle [3] :
RA1Z CARB DES t RA1Z CARB DES t 1 c t t , nous testons alors la présence
d’une racine unitaire dans le processus en testant la nullité du paramètre à l’aide d’une
statistique de Student t ̂ , où ̂ désigne l’estimateur des moindres carrés ordinaires (MCO).
Le résultat de l’affichage pour la série RA1Z CARB DES t est donné dans le tableau
suivant :
seuils standard (test symétrique, donc seuil de 1,96 à 5%).Le seuil standard de @ TREND
(1990:01) est égale à 0,057602 qui est inférieure à 1,96 donc nous acceptons l’hypothèse nulle
de la nullité du coefficient de la tendance.
Le modèle [3] est remis en cause, il faut donc recommencer ce test à partir du modèle
incluant uniquement une constante.
Modèle [2] : modèle avec constante sans tendance déterministe
RA1Z CARB DES t = 1 RA1Z CARB DES t 1 + C t
Nous estimons le modèle [2] : RA1Z CARB DES t RA1Z CARB DES t 1 C t ; nous
testons alors la présence d’une racine unitaire dans le processus en testant la nullité du
paramètre à l’aide d’une statistique de Student t ̂ , où ̂ désigne l’estimateur des
moindres carrés ordinaires (MCO). Nous utilisons le test programmé sous le logiciel Eviews.
Le résultat de l’affichage pour la série (RA1Z CARB DES) est donné dans le tableau
suivant :
71
Chapitre III Application de la méthode de Box &
Jenkins
égale à 0,107019, il est inférieur à 1,96 donc nous acceptons l’hypothèse de la nullité de la
constante, le modèle [2] n’est pas adapté puisque la présence d’une constante est rejetée.
Nous devons refaire ce test à partir du modèle [1], qui ne comprend ni constante ni tendance.
72
Chapitre III Application de la méthode de Box &
Jenkins
Variables du Modèle :
B SEB T-RATIO APPROX. PROB.
AR1 -.32514088 1.8971670 -.171382 .86414245
AR2 .80787352 .6422505 1.257879 .21029131
AR3 .17223944 1.1240284 .153234 .87840923
MA1 -.79929829 1.8950544 -.421781 .67375805
MA2 .16531042 .6636625 .249088 .80361616
MA3 -.00136963 .4520114 -.003030 .99758617
SAR1 -.98763929 .0615146 -16.055357 .00000000
SMA1 -.45106054 .1620170 -2.784032 .00602467
SMA2 .59434807 .1345068 4.418720 .00001836
SMA3 .14480356 .0919441 1.574909 .11727761
Test sur les paramètres : Les paramètres sont non significativement différents de zéro car
les valeurs des statistiques t empiriques associés sont inférieures aux valeurs des statistiques
T Théoriques 1,96 et 1,64 aux risques de 5% et 10% respectivement. Sauf pour l’ordre 1 de
la partie SAR et les ordres 1 et 2 pour la partie SMA.
Il faudra donc estimer un autre modèle dont les AIC, BIC seraient plus petits.
Le choix du modèle optimal :
Tableau 4
2
Modèles AIC BIC
SARIMA (1, 0,1) (0, 1,1) 3307,0393 3316,4112 4428,3237
SARIMA (1,0,3) (1,1,1) 3425,5823 3525,1254 4574,1256
D’après les calculs à l’aide du logiciel Spss, nous avons obtenu les résultats donnés dans le
Tableau 4, le modèle optimal est SARIMA (1,0,1) (0, 1,1) dont nous estimons les paramètres.
Test sur les paramètres : Les paramètres sont significativement différents de zéro car les
valeurs des statistiques t empiriques associés sont supérieures aux valeurs des statistiques
T Théoriques 1,96 et 1,64 aux risques de 5% et 10% respectivement.
73
Chapitre III Application de la méthode de Box &
Jenkins
D’après la Figures (05) des corrélogrammes simple et partiel des résidus du modèle optimal,
nous avons tous les pics dans la bande de confiance. Donc les résidus forment un bruit blanc.
Nous allons confirmer ces résultats à l’aide des tests suivants.
D’où : S 0,25 1,96 . De ce fait nous acceptons l’hypothèse que les résidus forme un
bruit blanc.
Test de Box-Ljung:
Les valeurs de la statistique de Box-Ljung sont données par le corrélogramme suivant
Corrélogramme des résidus du modèle optimal
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 -,050 ,076 . *I . ,423 ,516
2 ,082 ,076 . I**. 1,568 ,456
3 ,018 ,076 . * . 1,623 ,654
4 -,085 ,076 .**I . 2,889 ,577
5 -,003 ,076 . * . 2,890 ,717
6 ,035 ,075 . I* . 3,112 ,795
7 -,026 ,075 . *I . 3,236 ,862
8 ,022 ,075 . * . 3,319 ,913
9 -,015 ,075 . * . 3,359 ,948
10 -,080 ,074 .**I . 4,508 ,922
11 ,024 ,074 . * . 4,611 ,949
12 -,039 ,074 . *I . 4,896 ,961
13 ,092 ,074 . I**. 6,459 ,928
14 ,021 ,073 . * . 6,538 ,951
15 -,050 ,073 . *I . 7,004 ,958
16 -,080 ,073 .**I . 8,205 ,943
74
Chapitre III Application de la méthode de Box &
Jenkins
17 -,048 ,073 . *I . 8,641 ,951
18 ,095 ,072 . I**. 10,344 ,920
19 ,084 ,072 . I**. 11,688 ,899
20 -,004 ,072 . * . 11,690 ,926
21 ,011 ,072 . * . 11,714 ,947
22 ,155 ,071 . I*** 16,400 ,796
23 -,039 ,071 . *I . 16,696 ,824
24 ,127 ,071 . I*** 19,906 ,702
25 -,022 ,071 . * . 20,002 ,747
26 ,028 ,071 . I* . 20,156 ,784
27 -,048 ,070 . *I . 20,620 ,804
28 -,063 ,070 . *I . 21,421 ,807
29 -,099 ,070 .**I . 23,437 ,756
30 ,037 ,070 . I* . 23,714 ,785
31 ,040 ,069 . I* . 24,052 ,808
32 ,006 ,069 . * . 24,060 ,842
33 -,029 ,069 . *I . 24,238 ,866
34 -,096 ,068 .**I . 26,218 ,828
35 ,032 ,068 . I* . 26,442 ,851
36 -,102 ,068 .**I . 28,710 ,801
37 ,028 ,068 . I* . 28,875 ,828
38 -,073 ,067 . *I . 30,047 ,818
39 -,067 ,067 . *I . 31,034 ,815
40 -,026 ,067 . *I . 31,183 ,840
41 -,082 ,067 .**I . 32,692 ,819
42 ,050 ,066 . I* . 33,259 ,830
43 ,012 ,066 . * . 33,292 ,856
44 ,016 ,066 . * . 33,348 ,879
45 ,046 ,066 . I* . 33,831 ,889
D’après le Corrélogramme des résidus du modèle optimal qui précède nous avons : le nombre
de retard K est égale à 45 et nous avons estimé trois (3) paramètres donc 0., 95 (42) est égale
2
à 58,124 ; elle est supérieure à Q 45 qui est égale à 33,831 donc les résidus forment un bruit
blanc.
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for RA1ZCAR from
,270 167 ,788 94.9498683 -600.194 790.09388
ARIMA, MOD_12 NOCON
D’après le Tableau 5 nous avons t = 0,270 qui est inférieure à 1,96 ; donc nous acceptons
H 0 : « la moyenne des résidus est nulle ».
75
Chapitre III Application de la méthode de Box &
Jenkins
Error for
RA1ZCAR
from
ARIMA,
MOD_12
NOCON
N 168
Paramètres normaux a,b Moyenne 94,9498596
Ecart-type 4563,7588
Différences les plus extrêmes Absolue ,049
Positive ,049
Négative -,046
Z de Kolmogorov-Smirnov ,630
Signification asymptotique (bilatérale)
,822
Erreur
standard
R-deux de
Modèle R R-deux ajusté l'estimation Durbin-Watson
1 ,052a ,003 -,003 ********** 2,037
a. Valeurs prédites : (constantes), YEAR, not periodic
b. Variable dépendante : Error for RA1ZCAR from ARIMA, MOD_12 NOCON
76
Chapitre III Application de la méthode de Box &
Jenkins
(1 B12 ) (1 0.899 B) RA1Z CARBt 1 0.411 B 1 0.617 B12 t .
SARIMA (1, 0,1) (0, 1,1) qui s’écrit sous la forme suivante :
Prévision
Tableau de prévision :
Tableau 8
D’après le tableau ci – dessus, nous remarquons que les valeurs données de la série
RA1Z CARB se trouvant dans l’intervalle de prévision.
77
Chapitre III Application de la méthode de Box &
Jenkins
Figure (06) : Diagramme séquentiel de la série brute et des prévisions
160000
140000
120000
100000
80000 RA1ZCAR
Date
Notation : Nous notons la série production des carburants dans la raffinerie d’ALGER
RA1G CARB
Identification
La série RA1G CARB représente l’évolution mensuelle de la production des carburants dans
la raffinerie d’Alger sur une période allant de janvier 1990 à décembre 2004.
Graphes de la moyenne et de la variance pour la série brute (RA1G CARB) :
VARIANCE DE RA1G CARB MOYENNE DE RA1G CARB
400000000 200000
300000000 150000
200000000 100000
100000000 50000
0 0
1 3 5 7 9 11 13 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Ces deux graphes nous laissent constater que la moyenne et la variance annuelle ne sont pas
constantes à travers le temps.
Figure (01): Diagramme séquentiel de la série brute (RA1G CARB)
78
Chapitre III Application de la méthode de Box &
Jenkins
180000
160000
140000
120000
RA1G CAR
100000
80000
60000
Date
.5 .5
0.0 0.0
-.5 -.5
ACF partiel
Nous remarquons qu’il y a une saisonnalité car la valeur de la statistique de Fisher F (31,0648) est
supérieure à la valeur critique de la statistique de Fisher F (1,851), de même pour la tendance, nous
pouvons dire aussi que l’effet de la tendance est plus fort que l’effet de la saison. Pour rendre la
série stationnaire, nous enlevons la saison par la différence saisonnière de la série brute RA1G
CARBURANT en utilisant. la formule : 12 RA1G CARBt (1 B12 ) RA1G CARBt Après
avoir enlevé la saisonnalité la nouvelle série générée est la production des carburants dans la
raffinerie d’ALGER désaisonnalisée.
79
Chapitre III Application de la méthode de Box &
Jenkins
Notation : nous notons la série production des carburants dans la raffinerie d’ALGER
désaisonnalisée par RA1G CARB DES.
40000
20000
-20000
RA1G CAR
-40000
-60000
Date
Transforme: Différence saisonnière (1, période 12)
.5
.5
0.0 0.0
-.5
ACF partiel
Après que nous ayons fait la différence saisonnière le test de Fisher indique que l’effet de la
saison a disparu mais il reste un effet pour la tendance. Pour confirmer ces résultats nous
passons au test de Dickey – Fuller.
Test de racine unitaire (Dickey – Fuller) sur la série (RA1G CARB DES) :
A l’aide de Eviews 3.1, nous estimons par la méthode des moindres carrés ordinaires les
paramètres du modèle [3].Les résultats de l’analyse sont représentés ci-dessous
Modèle [3] : modèle avec constante et tendance déterministe
RA1G CAR DES t = 1 RA1G CAR DES t 1 + t c t . Avec t est un processus
stationnaire
Figure (05) : Diagramme séquentiel de la série RA1G CARB DES avec Ajustement
SDIFF(RA1GCAR,1,12)
60000
40000
20000
-20000
-40000
Observé
-60000 Cubique
-100 0 100 200
Séquence
suivant :
82
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 4
Dependent variable.. PRCARA_1 Method.. CUBIC
Listwise Deletion of Missing Data
Multiple R ,45244
R Square ,20470
Adjusted R Square ,19015
Standard Error 9336,74428
-------------------- Variables in the Equation --------------------
Variable B SE B Beta T Sig T
,5
,5
0,0
0,0
-,5
ACF partiel
Les Corrélogrammes simple et partiel de la série RA1G AJUST, nous montre quelques pics
qui dépassent l’intervalle de confiance.
83
Chapitre III Application de la méthode de Box &
Jenkins
Modèle [3] : modèle avec constante et tendance déterministe
RA1G AJUST t = 1 RA1G AJUST t 1 + t c t . Avec t est un processus stationnaire.
84
Chapitre III Application de la méthode de Box &
Jenkins
La statistique empirique t associées aux trois modèles est inférieure à la valeur critique au
seuil 5%, donc il n’existe pas une racine unitaire; l’hypothèse H 0 est rejetée, dans le modèle
[3] ,nous avons la t-statistic associée à la tendance ,qui est égale 0,071,est inférieure à la
valeur 1.96 avec une probabilité de rejet (0,94 > 0,05),donc le coefficient de la tendance du
modèle [3] n’est pas significativement différent de zéro. Il en est de même pour la constante.
La série (RA1G AJUST t ) n’admet ni tendance déterministe, ni stochastique, elle est donc
générée par un processus stationnaire de type I (0).
Conclusion : étant donnée les résultats précédents, la série est stationnaire nous
pouvons passer à la modélisation du processus en utilisant la méthodologie de
BOX & JENKINS.
Identification et estimation du modèle a priori :
La série obtenue a été générée par un processus stationnaire ; Donc le modèle suggéré pour
la série (RA1G AJUST t ) est : SARIMA (1, 0,2) (2, 1,2)
Tableau 5
2
Modèles AIC BIC
SARIMA (1, 0,2) (2, 1,2) 3447,8464 3469,7142 6437,8082
Variables du Modèle :
B SEB T-RATIO APPROX. PROB.
AR1 .54284034 .20167129 2.6917086 .00785996
MA1 .01834657 .21444474 .0855538 .93192739
MA2 -.03149170 .13014766 -.2419690 .80911214
SAR1 -.96290306 .11459523 -8.4026451 .00000000
SAR2 -.45604298 .08643478 -5.2761511 .00000042
SMA1 -.11129224 .13235491 -.8408622 .40167224
SMA2 .43610950 .13207151 3.3020709 .00118231
Test sur les paramètres : Les coefficients des paramètres en ce qui concerne MA(1), MA(2)
et SMA(1) du modèle SARIMA (1,0,2)(2,1,2) ne sont pas significativement différents de
zéro, le test de Student le confirme puisque Les T-RATIO associés aux paramètres du modèle
(0,085 ;-0,24 ;-0,84) sont inférieure en valeur absolue aux valeurs théoriques (1.96) au seuil
de 5% et (1.64) au seuil de 10%.
Il faudra donc estimer un autre modèle dont les AIC, BIC sont plus petits.
85
Chapitre III Application de la méthode de Box &
Jenkins
Test sur les paramètres : la statistique de Student du coefficient AR(1) , SAR(1) et SAR(2)
est supérieure en valeur absolue aux valeurs théoriques (1,96) au seuil de 5% et (1,64) au seuil
de 10%, ce qui nous a amenées à travailler sur ce modèle et rejeter l'autre modèle.
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
Nous voyons bien que les résidus du modèle SARIMA (1,0,0)(2,1,0) forment un bruit blanc .
Test de Box-Ljung:
Nous avons à tester l’hypothèse nulle :
H 0 : « Les auto corrélations jusqu’au pas k, (k=N/4) ne sont pas significatives » C'est-à-dire
Le Corrélogrammes des résidus du modèle optimal ne fait apparaître aucun terme en dehors
de l’intervalle de confiance et la statistique Q-stat a une probabilité supérieure à 0,05, nous
pouvons donc assimiler les résidus à un processus bruit blanc.
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for RA1GAJUS from
,219 167 ,827 123,36042 -989,624 1236,3446
ARIMA, MOD_14 NOCON
D’après le Tableau 7 nous avons : t = 0,219 qui est inférieure à 1,96 ; donc nous acceptons
H 0 : « la moyenne des résidus est nulle ».
88
Chapitre III Application de la méthode de Box &
Jenkins
Figure (08)
40
Series: ERR
Sample 1991:01 2004:12
Observations 168
30
Mean 123.3604
Median -325.8874
Maximum 44224.23
20
Minimum -25759.69
Std. Dev. 7306.962
Skewness 0.951239
10 Kurtosis 11.21148
Jarque-Bera 497.3345
Probability 0.000000
0
-20000-10000 0 10000 20000 30000 40000
11 2 0 2 3
1 et 2
6 24
N N
Après calculs nous avons obtenu :
11 2 0
Test de Skewness : 12
1 = 0,951239 1 = 5,03 > 1,96
6
N
2 3
Test de Kurtosis : 2 = 11,21148 2 = 21,72 > 1,96
24
N
Donc, d’après le résultat du test, nous rejetons l’hypothèse de normalité en ce qui concerne la
symétrie et l’aplatissement de la distribution, ce qui est confirmé par la statistique de Jarque-
Berra.
Error for
RA1GAJUS
from
ARIMA,
MOD_14
NOCON
N 168
Paramètres normaux a,b Moyenne 123,36044
Ecart-type 7306,9624
Différences les plus extrêmes Absolue ,102
Positive ,093
Négative -,102
Z de Kolmogorov-Smirnov 1,322
Signification asymptotique (bilatérale)
,061
Nous remarquons que les deux tests ne mènent pas à la même conclusion ; nous
optons pour les résultats du test de Jarque et Bera qui est plus puissant que le test
de Kolmogorov-Smirnov.
Test d’homoscédasticité des résidus
Soient les hypothèses :
H 0 : « Les résidus sont homoscédastiques »
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
90
Chapitre III Application de la méthode de Box &
Jenkins
+----+----+----+----+----+----+----+----+
1 ,295 ,076 . I**.*** 14,878 ,000
2 -,046 ,076 . *I . 15,245 ,000
3 ,044 ,076 . I* . 15,578 ,001
4 -,023 ,076 . * . 15,668 ,003
5 -,046 ,076 . *I . 16,035 ,007
6 -,008 ,075 . * . 16,047 ,014
7 -,007 ,075 . * . 16,056 ,025
8 -,007 ,075 . * . 16,065 ,041
9 -,020 ,075 . * . 16,136 ,064
10 -,024 ,074 . * . 16,244 ,093
11 ,027 ,074 . I* . 16,381 ,128
12 ,148 ,074 . I*** 20,397 ,060
13 ,050 ,074 . I* . 20,858 ,076
14 -,027 ,073 . *I . 20,993 ,102
15 -,011 ,073 . * . 21,016 ,136
16 -,014 ,073 . * . 21,054 ,176
17 -,034 ,073 . *I . 21,274 ,214
18 -,010 ,072 . * . 21,294 ,265
19 -,025 ,072 . * . 21,413 ,314
20 -,024 ,072 . * . 21,527 ,367
21 -,001 ,072 . * . 21,528 ,427
22 -,017 ,071 . * . 21,581 ,485
23 ,026 ,071 . I* . 21,711 ,538
24 ,148 ,071 . I*** 26,036 ,351
25 ,074 ,071 . I* . 27,130 ,349
26 -,022 ,071 . * . 27,223 ,398
27 -,009 ,070 . * . 27,241 ,451
28 -,011 ,070 . * . 27,267 ,504
29 -,022 ,070 . * . 27,362 ,552
30 -,021 ,070 . * . 27,455 ,599
31 -,016 ,069 . * . 27,510 ,646
32 -,007 ,069 . * . 27,521 ,693
33 -,002 ,069 . * . 27,522 ,736
34 -,015 ,068 . * . 27,567 ,774
35 -,002 ,068 . * . 27,567 ,810
36 ,039 ,068 . I* . 27,897 ,831
37 ,025 ,068 . I* . 28,036 ,856
38 -,027 ,067 . *I . 28,200 ,877
39 -,034 ,067 . *I . 28,458 ,893
40 -,037 ,067 . *I . 28,770 ,907
41 -,037 ,067 . *I . 29,072 ,919
42 -,018 ,066 . * . 29,143 ,934
43 -,019 ,066 . * . 29,224 ,946
44 -,004 ,066 . * . 29,227 ,958
45 ,057 ,066 . I* . 29,994 ,958
D’après les deux tableaux nous remarquons que les erreurs t sont de type ARCH (1) car la
statistique de Fisher empirique notée F-statistic (4,931712) et la statistique LM du
multiplicateur de Lagrange notée Obs*R-squared (4,845099) sont supérieures à 2 (1 ) qui
est égale à 3,48 est sa probabilité de rejet (0,027725) est inférieure à 0,05.
ARCH (2)
Tableau 9
ARCH Test:
F-statistic 2.555605 Probability 0.080812
Obs*R-squared 2.045854 Probability 0.080224
Variable Coefficient Std. Error t-Statistic Prob.
C 64539257 20058996 3.217472 0.0016
RESID^2(-1) 0.178403 0.078998 2.258306 0.0253
RESID^2(-2) -0.038890 0.078994 -0.492318 0.6232
Nous rejetons le modèle ARCH (2) car sa Obs*R-squared 2,045854 est inférieure à 2 (1 )
qui est égale à 3,48 est sa probabilité critique de rejet (0,080224) et la probabilité de rejet de
RESID^2(-2) (0,6232) sont supérieures à 0,05. Donc t est de type ARCH (1), il s’écrit sous
la forme suivante :
t t ( 2,96 E 15) 15,82278 t21 , il reste à montrer que t est un bruit blanc
gaussien, pour le faire nous appliquons les testes suivants :
Autocorrelations: UT
Auto- Stand.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 -,074 ,076 . *I . ,933 ,334
2 ,009 ,076 . * . ,947 ,623
3 ,010 ,076 . * . ,963 ,810
4 ,046 ,076 . I* . 1,332 ,856
5 -,028 ,076 . *I . 1,473 ,916
6 ,025 ,075 . * . 1,583 ,954
7 -,001 ,075 . * . 1,583 ,979
92
Chapitre III Application de la méthode de Box &
Jenkins
8 ,006 ,075 . * . 1,589 ,991
9 ,033 ,075 . I* . 1,783 ,994
10 ,023 ,074 . * . 1,882 ,997
11 ,119 ,074 . I**. 4,465 ,954
12 ,085 ,074 . I**. 5,800 ,926
13 ,042 ,074 . I* . 6,128 ,941
14 -,005 ,073 . * . 6,133 ,963
15 -,028 ,073 . *I . 6,282 ,975
16 -,067 ,073 . *I . 7,127 ,971
17 ,003 ,073 . * . 7,129 ,982
18 -,049 ,072 . *I . 7,587 ,984
19 -,012 ,072 . * . 7,615 ,990
20 -,026 ,072 . *I . 7,749 ,993
21 -,129 ,072 ***I . 10,961 ,964
22 -,006 ,071 . * . 10,968 ,975
23 ,048 ,071 . I* . 11,427 ,978
24 -,131 ,071 ***I . 14,823 ,926
25 ,005 ,071 . * . 14,828 ,945
26 -,043 ,071 . *I . 15,202 ,954
27 -,028 ,070 . *I . 15,364 ,964
28 -,088 ,070 .**I . 16,936 ,950
29 -,025 ,070 . * . 17,063 ,961
30 -,056 ,070 . *I . 17,706 ,963
31 -,001 ,069 . * . 17,706 ,973
32 -,143 ,069 ***I . 21,997 ,907
33 ,014 ,069 . * . 22,039 ,927
34 -,036 ,068 . *I . 22,318 ,938
35 -,088 ,068 .**I . 23,974 ,920
36 -,131 ,068 ***I . 27,672 ,839
37 -,005 ,068 . * . 27,677 ,867
38 -,028 ,067 . *I . 27,853 ,887
39 -,071 ,067 . *I . 28,968 ,880
40 ,000 ,067 . * . 28,968 ,902
41 ,034 ,067 . I* . 29,232 ,915
42 ,058 ,066 . I* . 30,002 ,917
43 -,003 ,066 . * . 30,004 ,933
44 -,073 ,066 . *I . 31,229 ,926
45 -,018 ,066 . * . 31,301 ,940
93
Chapitre III Application de la méthode de Box &
Jenkins
UT
N 168
Paramètres normaux a,b Moyenne ********
Ecart-type ********
Différences les plus extrêmes Absolue ,102
Positive ,093
Négative -,102
Z de Kolmogorov-Smirnov 1,322
Signification asymptotique (bilatérale)
,061
Conclusions :
Nous pouvons conclure d’après ces tests que les résidus forment bien un bruit blanc
non gaussien de type ARCH (1).
Finalement le modèle qui ajuste le mieux la série RA1G CARB s'écrit sous la forme
suivante :
Avec
Prévision
Tableau de prévision :
Les prévisions de la série RA1G CARB sont calculées pour un horizon h =12 ; c'est-à-dire
pour la période allant de janvier 2005 à Décembre 2005 à l’aide du logiciel SPSS.
Le résultat obtenu est le suivant :
94
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 10
Le graphe suivant représente les réalisations et les valeurs ajustées pour l’année 2005
pour la série RA1G CARB.
Figure (10) : Diagramme séquentiel de la série brute et des prévisions
200000
180000
160000
140000
120000
100000
80000 RA1GCAR
60000 PREV
Date
95
Chapitre III Application de la méthode de Box &
Jenkins
50000 150000000
40000
100000000
30000
20000
50000000
10000
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 3 5 7 9 11 13 15
L’évolution de la moyenne et la variance calculées montrent que ces deux dernières varient au
cours du temps, ce qui pourrait traduire une non stationnarité de la série.
50000
40000
30000
RAHM CARB
20000
10000
Date
Les pics sont expliqués par les arrêts programmés annuellement (1mois par an) pour procéder
aux travaux d'entretien et éventuellement à la régénération du catalyseur de la raffinerie.
96
Chapitre III Application de la méthode de Box &
Jenkins
RAHMCARB RAHMCARB
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
D’après les corrélogrammes de la série (Figure 02), nous remarquons des pics significatifs
aux retards 1, 12, 24,36 pour le corrélogrammes simple ainsi qu’aux retards 1, 12,13 pour le
corrélogrammes partiel, cela peut exprimer une non stationnarité due à l’existence d’une
tendance et d’une saisonnalité.
Nous allons d’abord examiner l’existence de la composante saisonnière, pour cela nous allons
effectuer le test d’analyse de variance et le test de Fisher.
Notation : Nous notons la série production des carburants dans la raffinerie de Hassi –
Messaoud désaisonnalisée par l’opérateur 1 B 12 RAHM CARB DES.
97
Chapitre III Application de la méthode de Box &
Jenkins
8000
6000
4000
2000
RAHM CARB
-2000
-4000
-6000
Date
Transforme: Différence saisonnière (1, période 12)
SDIFF(RAHMCARB,1,12) SDIFF(RAHMCARB,1,12)
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
Fcal 0,31963093 < Ftab =1,85617067 au seuil 0.05, ceci explique que H 0 est accepté,
donc l’effet saisonnier a disparu. Fcal 110,925126 > Ftab 1,7891663 la série est peut
être affectée d’une tendance.
98
Chapitre III Application de la méthode de Box &
Jenkins
Apres avoir désaisonnalisé la série, nous procédons de nouveau à son analyse pour tester
l’existence ou pas de tendance (et son type dans le cas où elle existe) ; pour cela nous allons
appliquer le test de Dickey – Fuller.
A partir du logiciel EVIEWS 3.1, nous procédons à l’estimation par la méthode des
moindres carrées des trois modèles [3], [2], [1] de Dickey-Fuller sur la série RAHM CARB
DES, dont les résultats d’analyse sont représentés ci-dessous.
Modèle [3] : modèle avec constante et tendance déterministe
RAHM CARB DES t = 1 RAHM CARB DES t 1 + t c t . Avec t est un processus
stationnaire
Le test montre que la statistique t ̂ empirique est égale à -3,287010 ; cette valeur est
supérieure à la valeur critique tabulée au seuil 5% (-3,4374) donc nous acceptons l’hypothèse
nulle de non stationnarité H 0 : « existence d’une racine unitaire, 0 ». Nous devons
construire un test de Fischer de l’hypothèse jointe = 0 et β = 0. Nous testons ainsi la
nullité de la tendance, conditionnellement à la présence d’une racine unitaire:
H 30 : (C, β, ) = (C, 0, 0) contre H 13
La statistique de ce test se construit de façon standard par la relation :
SCR3,c SCR3 / 2
F3 à partir de la table si dessus nous avons F 3 =F-statistic =5.483480
SCR3 / T 3
Cette valeur est inférieure à la valeur critique notée 3 = 6.49 (Voir Annexe B table VI )
99
Chapitre III Application de la méthode de Box &
Jenkins
au seuil 95% ; nous acceptons alors H 30 , le coefficient de la tendance est nul, le modèle [3]
n’est pas le ”bon” modèle, nous devons donc effectuer à nouveau le test de non stationnarité à
partir cette fois-ci du modèle 2 incluant uniquement une constante.
Modèle [2] : modèle avec constante sans tendance déterministe
RAHM CARB DES t = 1 RAHM CARB DES t 1 + C t
La statistique de Student t ̂ est égale à (-3,244750) .Cette valeur est inférieure à la valeur
critique au seuil 5% (-2,8788) donc nous rejetons l’hypothèse H 0 « existence d’une racine
unitaire, 0 ».
Le coefficient C est égal à 0,282685, il est inférieur à 1,96 donc nous acceptons l’hypothèse
de la nullité du coefficient.
La statistique de Student t ̂ est égale à (-3,253561) ; elle est inférieure à la valeur critique au
seuil 5% (-1.9417) donc nous rejetons l’hypothèse
H 0 (Existence d’une racine unitaire, = 0).
100
Chapitre III Application de la méthode de Box &
Jenkins
D’après les résultats précédents, la série RAHM CARB DES t admet une racine unitaire.
Donc elle est générée par un processus non stationnaire de type DS ; la meilleure méthode
pour la rendre stationnaire est de lui appliquer un filtre aux différences premières = (1-B).
Notation : La série production des carburants dans la raffinerie de Hassi Messaoud
désaisonnalisée et différenciée notée : RAHM CARB DES DIF.
10000
D IF F (R A H M C A _ 1 ,1 )
-10000
-20000
Date
Transforme: Différence saisonnière (1, période 12)
Figure (06) : Corrélogrammes simple et partiel de la série RAHM CARB DES DIF
RAHMCARB RAHMCARB
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
101
Chapitre III Application de la méthode de Box &
Jenkins
Fcal 0,14394152 < Ftab = 1,85617067 au seuil 0.05, ceci explique que H 0 est accepté,
Test de racine unitaire (Dickey – Fuller) sur la série RAHM CARB DES DIF :
t ̂ = -13,11048 < -3,4374 ; nous rejetons l’hypothèse H 0 « existence d’une racine unitaire,
0 ».De plus = 0.382398 qui est inférieure à 1,96 donc nous acceptons l’hypothèse
nulle de la nullité du coefficient de la tendance.
102
Chapitre III Application de la méthode de Box &
Jenkins
t ̂ =-13.13965 < -2,8788 ; nous rejetons l’hypothèse H 0 « existence d’une racine unitaire
, 0 ». C est égale à 0.269503, il est inférieur à 1,96 donc nous acceptons l’hypothèse de
la nullité de la constante.
t ̂ = - 13.17425 ; Cette valeur est inférieure à la valeur critique au seuil 5% (-1.9417) donc
Selon le test de Dickey - Fuller nous pouvons donc conclure que le processus (RAHM
CARB DES DIF t ) est stationnaire de type I(0).
Identification et estimation du modèle a priori :
La série obtenue est générée par un processus stationnaire ; Donc le modèle suggéré est :
SARIMA (1, 1,1) (2, 1,2).
Tableau 4
Modèles AIC BIC
2
103
Chapitre III Application de la méthode de Box &
Jenkins
Variables du Modèle :
Test sur les paramètres : Les paramètres saisonniers sont non significativement différents de
zéro car les valeurs des statistiques t empiriques associés sont inférieures aux valeurs des
statistiques T Théoriques 1,96 et 1,64 aux risques de 5% et 10% respectivement.
Parmi ces modèles nous choisissons celui qui renferme les plus petites valeurs des critères de
spécification et le plus parcimonieux. Pour cela nous optons le SARIMA (1,1,1) (0,1,1) dont
l’estimation des paramètres se fait en maximisant la vraisemblance.
Estimation des paramètres du modèle optimal :
L’estimation des coefficients du modèle SARIMA (1, 1,1) (0, 1,1) est donnée
par la table ci-dessous
B SEB T-RATIO APPROX. PROB.
AR1 .90706655 .05779184 15.695409 .00000000
MA1 .98939991 .04643485 21.307268 .00000000
SMA1 .41608349 .07912265 5.258715 .00000045
D’après la méthodologie de BOX & JENKINS. Le modèle SARIMA (1, 1,1) (0, 1,1) estimé
ajuste au mieux notre série.
Test sur les paramètres : Les paramètres sont significativement différents de zéro car les
valeurs des statistiques t empiriques associés sont supérieures aux valeurs des statistiques
T Théoriques 1,96 et 1,64 aux risques de 5% et 10% respectivement.
104
Chapitre III Application de la méthode de Box &
Jenkins
Error for RAHMCARB from ARIMA, MOD_5 NOCON Error for RAHMCARB from ARIMA, MOD_5 NOCON
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
i = 1, n ».
n2
2 16n 29
n=167, P= X
i 1
i = 102, E ( P) ( n 2) 110 et VAR ( P )
3 90
29,37
P E ( P)
VAR ( P ) 5,42 . S 1,48 . Donc : S = 1,48 < S (tabulée) = 1,96
Var ( P )
Alors, nous acceptons l’hypothèse H 0 : « les résidus forment bien un bruit blanc ».
Test de Box-Ljung:
k2 K
Ce test est basé sur la statistique de Box-Ljung au pas k : Q n(n 1) .
k 1 n k
105
Chapitre III Application de la méthode de Box &
Jenkins
Le corrélogramme des résidus du modèle optimal SARIMA (1, 1,1) (0, 1,1) laisse apparaître
Deux pics non significatifs en dehors de la bande de confiance.
(Q 11 = 14,156 < 0., 95 (11) = 19,68 ; Q 24 = 27,896 < 0.,95 (22) = 33,92). De plus la
2 2
statistique Q 45 = 37,286 < 0., 95 (42) = 58,124. Donc nous acceptons l’hypothèse H 0 .
2
106
Chapitre III Application de la méthode de Box &
Jenkins
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for RAHMCARB from
-1.471 166 .143 -165.50545 -387.576 56.5649974
ARIMA, MOD_7 NOCON
D’après le Tableau 6 nous avons t = 1,471 qui est inférieure à 1,96 ; donc nous acceptons
l’hypothèse H 0 : « la moyenne des résidus est nulle ».
20 Mean 170.9137
Median 116.6136
Maximum 11738.27
15
Minimum -10258.67
Std. Dev. 3548.511
10 Skewness 0.092476
Kurtosis 2.431831
5
Jarque-Bera 2.484288
Probability 0.288764
0
-8000 -4000 0 4000 8000 12000
11 2 0
Test de Skewness : 1 = 0,5065 < 1,96
6
N
2 3
Test de Kurtosis : 2 = 1,5559 < 1,96
24
N
107
Chapitre III Application de la méthode de Box &
Jenkins
Nous acceptons l’hypothèse de normalité en ce qui concerne la symétrie et l’aplatissement de
la distribution ( 1 et 2 sont inférieurs à 1,96), Ce qui est confirmé par la statistique de
Jarque et Bera.
B- Test de Jarque et Bera :
La statistique de Jarque et Bera noté (S) est égale à 2,484288 ; elle est inférieure à la valeur
02, 95 (2) 5,99 d’où les résidus sont gaussiens.
Tableau 7
Test de Kolmogorov-Smirnov à un échantillon
Error for
RAHMCARB
from ARIMA,
MOD_7
NOCON
N 167
Paramètres normaux a,b Moyenne -165.50545
Ecart-type 1453.52710
Différences les plus extrêmes Absolue .219
Positive .019
Négative -.059
Z de Kolmogorov-Smirnov 2.827
Signification asymptotique (bilatérale)
.000
Prévision
108
Chapitre III Application de la méthode de Box &
Jenkins
Tableau de prévision :
Les prévisions de la série RAHM CARB sont calculées pour un horizon h =12 ; c'est-à-dire
pour la période allant de janvier 2005 à Décembre 2005 à l’aide du logiciel SPSS.
Le résultat obtenu est le suivant :
Tableau 8
Le graphe suivant représente les réalisations et les valeurs ajustées pour l’année 2005
pour la série RAHM CARB.
109
Chapitre III Application de la méthode de Box &
Jenkins
60000
50000
40000
30000
20000
RAHMCARB
10000
Fit for FIT_1 from A
0 RIMA, MOD_3 NOCON
Date
Notation : Nous notons la série vente des carburants dans la région EST par EST CARB.
Identification
Les données de la série vente des carburants dans la région EST (notée EST CARB)
s’étendent sur une période de quinze ans, les observations sont mensuelles ; de janvier 1990 à
décembre 2004. L’unité de mesure est la tonne.
300000 600000000
200000 400000000
100000 200000000
0 0
1 3 5 7 9 11 13 15 1 3 5 7 9 11 13 15
110
Chapitre III Application de la méthode de Box &
Jenkins
240000
220000
200000
180000
ESTCARBU
160000
140000
120000
Date
A partir de 1999 les ventes des carburants prennent une allure croissante, ceci est dû à la
reprise économique qui a engendré la libération du marché automobile, et par conséquent,
l’augmentation de la consommation du Gasoil
ESTCARBU ESTCARBU
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
Les corrélogrammes simple et partiel font apparaître des « pics » très marqués pour les
retards k =12, 24, 36, ce qui laisse supposer que la série est affectée d’une saisonnalité et par
suite nous poussera à dire qu’elle est non stationnaire, c’est ainsi qu’un recours au test de
Fisher nous permettra de vérifier nos hypothèses.
Test de saisonnalité (Test de Fisher) :
Pour détecter la saisonnalité, nous avons utilisé l’analyse de la variance présentée dans le
tableau suivant :
Tableau 1
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne Valeur critique
F Probabilité
variations carrés liberté des carrés pour F
111
Chapitre III Application de la méthode de Box &
Jenkins
Lignes 1.6509E+10 11 1500860908 18.1271847 9.1725E-23 1.85129627
Colonnes 4.9474E+10 14 3533871937 42.681603 9.5211E-46 1.75648919
Le test confirme nos doutes concernant la présence d’une saisonnalité puisque la valeur de la
statistique de Fisher calculée 18,1271847 pour les lignes (mois) est supérieure à celle de la
valeur critique (tabulée) 1,85129627 au seuil 0,05 donc la série est affectée d’une saisonnalité,
de même la valeur de la statistique de Fisher calculée 42,681603 pour les colonnes (années)
est supérieure à la valeur critique (tabulée) 1,75648919 au seuil 0,05, donc la série est affectée
d’une tendance. Nous procédons à la désaisonnalisation de la série par l’application de
20000
-20000
-40000
Date
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
112
Chapitre III Application de la méthode de Box &
Jenkins
Les corrélogrammes simple et partiel de la série EST CARB DES nous laisse constater que :
1. Pour l’ACF : il y a des pics significatifs avant le retard 12 et un pic significatif au
retard 24.
2. Pour l’ACF partiel : il y a des pics significatifs avant le retard 12 et un pic significatif
au retard 12.
Test de Fisher pour la série EST CARB DES :
Tableau 2
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne des Valeur critique
F Probabilité
variations carrés liberté carrés pour F
Lignes 338150842 11 30740985.7 0.45741675 0.92627183 1.85617067
Colonnes 9621978430 13 740152187 11.0132449 4.811E-16 1.7891663
Après la différence saisonnière le test de Fisher indique que l’effet de la saison a disparu mais
il reste un effet pour la tendance. Pour confirmer ou infirmer l’existence de la tendance et
déterminer son type (aléatoire ou déterministe).nous procédons au test de racine unitaire qui
est plus élaboré.
113
Chapitre III Application de la méthode de Box &
Jenkins
A la lecture de tableau ci-dessus, nous remarquons que la statistique t ̂ = (-7,658493) ; Cette
Figure (05): Diagramme séquentiel de la série EST CARB DES avec Ajustement
SDIFF(ESTCARBU,1,12)
40000
30000
20000
10000
-10000
-20000
-30000 Observé
-40000 Cubique
-100 0 100 200
Séquence
114
Chapitre III Application de la méthode de Box &
Jenkins
y t b0 b1 t b2 t 2 b3 t 3 , les coefficients b 0 , b 1 , b 2 et b 3 sont donnés par le tableau
suivant :
Tableau 4
30000
20000
10000
-10000
ESTAJU ST
-20000
-30000
-40000
Date
115
Chapitre III Application de la méthode de Box &
Jenkins
ESTAJUST ESTAJUST
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
La valeur de t ̂ dans les trois modèles est inférieure à la valeur critique au seuil 5%
2
Modèles AIC BIC
SARIMA (3, 0,3) (1,1,2) 3433,0886 3461,2043 6354,056
117
Chapitre III Application de la méthode de Box &
Jenkins
Variables du Modèle :
B SEB T-RATIO APPROX. PROB.
AR1 -.44487759 .12149900 -3.6615740 .00034081
AR2 -.23383021 .13426343 -1.7415778 .08351634
AR3 .66184734 .12182272 5.4328730 .00000020
MA1 -.75656794 .15655390 -4.8326354 .00000315
MA2 -.66320790 .16931261 -3.9170615 .00013278
MA3 .25014938 .16250875 1.5392979 .12571934
SAR1 -.40046466 .40949703 -.9779428 .32958823
SMA1 .05016141 .42191634 .1188895 .90551299
SMA2 -.02225287 .21025165 -.1058392 .91584334
Test sur les paramètres: Les t empiriques associés aux paramètres MA(3),SAR(1),SMA(1)
et SMA(2) (1,53 ;-0,97 ;0,11 ;-0,10) sont inférieures aux valeurs de T Théoriques 1,96 et 1,64
aux risques de 5% et 10% respectivement, ce qui rend notre modèle SARIMA (3,0,3) (1,1,2)
suspect . Il faudra donc estimer un autre modèle dont les degrés p et q sont plus petits.
Nous obtenons les résultas données dans le tableau 6. Le modèle optimal est
SARIMA (3, 0,2) (1, 1,0) dont nous estimons les paramètres.
L’estimation des paramètres se fait en maximisant la fonction vraisemblance (qui est une
fonction de pseudo vraisemblance).
Estimation des paramètres du modèle optimal :
118
Chapitre III Application de la méthode de Box &
Jenkins
Test sur les paramètres : Les paramètres sont significativement différents de zéro car les
valeurs des statistiques t empiriques associés sont supérieures aux valeurs critiques des
statistiques T Théoriques 1,96 et 1,64 aux risques de 5% et 10% respectivement.
.5
0.0
AC F p a rtie l
-.5
Limites de confiance
-1.0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
Les pics sont tous à l’intérieur de la zone de confiance donc nous voyons bien que les résidus
du modèle forment un bruit blanc.
Donc : S = 0,80 < S (tabulée) = 1,96; nous acceptons l’hypothèse H 0 : « les résidus
forment bien un bruit blanc ».
Test de Box-Ljung :
Les valeurs de la statistique de Box-Ljung sont données par le corrélogramme suivant:
Corrélogrammes des erreurs du modèle optimal
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 -.048 .076 . *I . .389 .533
2 .052 .076 . I* . .848 .654
3 .104 .076 . I**. 2.711 .438
4 .027 .076 . I* . 2.839 .585
5 .015 .076 . * . 2.878 .719
6 -.044 .075 . *I . 3.225 .780
7 .006 .075 . * . 3.232 .863
8 -.084 .075 .**I . 4.487 .811
9 .053 .075 . I* . 4.989 .835
10 .035 .074 . I* . 5.204 .877
11 .010 .074 . * . 5.221 .920
12 -.019 .074 . * . 5.288 .948
13 .042 .074 . I* . 5.613 .959
14 -.032 .073 . *I . 5.802 .971
15 .015 .073 . * . 5.846 .982
16 -.067 .073 . *I . 6.682 .979
17 -.005 .073 . * . 6.687 .987
119
Chapitre III Application de la méthode de Box &
Jenkins
18 -.118 .072 .**I . 9.329 .952
19 .015 .072 . * . 9.371 .967
20 -.028 .072 . *I . 9.521 .976
21 .037 .072 . I* . 9.788 .982
22 .063 .071 . I* . 10.567 .980
23 .107 .071 . I**. 12.835 .955
24 -.021 .071 . * . 12.923 .967
25 .089 .071 . I**. 14.514 .952
26 .043 .071 . I* . 14.880 .959
27 .030 .070 . I* . 15.058 .969
28 -.034 .070 . *I . 15.292 .975
29 -.097 .070 .**I . 17.245 .958
30 -.026 .070 . *I . 17.388 .968
31 .021 .069 . * . 17.479 .976
32 .018 .069 . * . 17.546 .982
33 -.125 .069 .**I . 20.830 .951
34 .021 .068 . * . 20.920 .962
35 .056 .068 . I* . 21.594 .963
36 -.036 .068 . *I . 21.881 .969
37 -.095 .068 .**I . 23.837 .954
38 -.040 .067 . *I . 24.189 .960
39 -.088 .067 .**I . 25.916 .946
40 -.014 .067 . * . 25.958 .958
41 -.189 .067 .**I . 34.016 .772
42 .025 .066 . I* . 34.162 .800
43 -.117 .066 .**I . 37.287 .717
44 .002 .066 . * . 37.288 .753
45 -.049 .066 . *I . 37.835 .767
table de Khi-deux à (h-6) degrés de libertés au seuil 5% (Q-stat(h) < 0, 05 (h-6) ) pour tout
2
h>6 ,en particulier pour h = 45, nous avons Q-stat(45) = 37,835 < 0, 05 (39) = 54,57.
2
120
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 7
Test sur échantillon unique
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for ESTAJUST from
.064 167 .949 31.4411328 -936.703 999.58540
ARIMA, MOD_39 NOCON
D’après le Tableau 7 nous avons : t = 0,064 qui est inférieure à 1,96 ; donc nous acceptons
l’hypothèse H 0 : « la moyenne des résidus est nulle ».
2 Jarque-Bera 0.316116
Probability 0.853800
0
-15000 -10000 -5000 0 5000 10000 15000
121
Chapitre III Application de la méthode de Box &
Jenkins
S = 0,316116; elle est inférieure à 2 (2) = 5,99.
Conclusion : Les résidus forment un bruit blanc gaussien.
C- Test Kolmogorov –Smirnov:
Tableau 8
Test de Kolmogorov-Smirnov à un échantillon
Error for
ESTAJUST
from
ARIMA,
MOD_39
NOCON
N 168
Paramètres normaux a,b Moyenne 31.4411335
Ecart-type 6356.0596
Différences les plus extrêmes Absolue .053
Positive .053
Négative -.038
Z de Kolmogorov-Smirnov .693
Signification asymptotique (bilatérale)
.723
1,36
Nous trouvons Dn 0,038 et Dn 0,053 au seuil 5%. Alors Dn = 0,053 < =
168
0,105 Nous acceptons alors la normalité des résidus.
D2 D2
D = 84266457,27 et S = 40159020,4 Sous 0 2 S 2
2 2 H : E = 1 et var
2 =0,0059 ;
2S
Von = U obs = 0,641 < 1,96. Donc nous acceptons l’hypothèse H 0 : « les résidus sont
indépendantes et identiquement distribués ».
122
Chapitre III Application de la méthode de Box &
Jenkins
Récapitulatif du modèleb
Erreur
standard
R-deux de
Modèle R R-deux ajusté l'estimation Durbin-Watson
1 ,002a ,000 -,006 6375,1585 2,086
a. Valeurs prédites : (constantes), YEAR, not periodic
b. Variable dépendante : Error for ESTAJUST from ARIMA, MOD_39 NOCON
La statistique DW = 2,086 est supérieure à la valeur tabulée (1.69) au seuil 5%, nous
acceptons l’hypothèse de non corrélation des résidus.
Si cal (1) 0,95 (1) l’hypothèse H 0 est acceptée et donc les résidus du modèle forment un
2 2
123
Chapitre III Application de la méthode de Box &
Jenkins
13 -.108 .074 .**I . 16.379 .229
14 .003 .073 . * . 16.381 .291
15 -.135 .073 ***I . 19.768 .181
16 -.103 .073 .**I . 21.777 .151
17 -.130 .073 ***I . 24.958 .096
18 -.046 .072 . *I . 25.356 .115
19 -.030 .072 . *I . 25.523 .144
20 -.021 .072 . * . 25.605 .179
21 -.061 .072 . *I . 26.339 .194
22 -.063 .071 . *I . 27.114 .207
23 .115 .071 . I**. 29.732 .157
24 -.002 .071 . * . 29.734 .194
25 -.054 .071 . *I . 30.322 .212
26 -.015 .071 . * . 30.367 .253
27 .039 .070 . I* . 30.669 .285
28 -.006 .070 . * . 30.675 .332
29 .077 .070 . I**. 31.903 .324
30 .079 .070 . I**. 33.206 .314
31 .238 .069 . I**. 45.028 .050
32 -.016 .069 . * . 45.084 .062
33 .115 .069 . I**. 47.901 .045
34 .026 .068 . I* . 48.049 .056
35 .062 .068 . I* . 48.876 .060
36 -.075 .068 . *I . 50.082 .060
37 .023 .068 . * . 50.197 .072
38 .071 .067 . I* . 51.303 .073
39 -.114 .067 .**I . 54.194 .054
40 .006 .067 . * . 54.201 .066
41 -.061 .067 . *I . 55.037 .070
42 .096 .066 . I**. 57.132 .060
43 -.053 .066 . *I . 57.769 .066
44 .038 .066 . I* . 58.103 .075
45 -.014 .066 . * . 58.149 .090
Conclusions :
Nous pouvons conclure d’après ces tests que les résidus forment bien un bruit blanc
gaussien. Finalement le modèle qui ajuste le mieux la série EST CARB est :
yˆ t [(1 B 12 )(1 0,6434 B 0,4439 B 2 0,4708 B 3 )(1 0,4554 B12 ) EST CARBt ]
(1 1,0105 B 0,9090 B 2 ) t .
ŷ t + SARIMA (3, 0,2) (1, 1,0) qui s’écrit sous la forme suivante :
124
Chapitre III Application de la méthode de Box &
Jenkins
Prévisions
Les prévisions des ventes mensuelles du carburant dans la région EST, pour h = 12 (de
janvier 2005 au Décembre 2005), sont regroupées dans le tableau suivant :
Tableau 10
125
Chapitre III Application de la méthode de Box &
Jenkins
Notation : Nous notons la série ventes des carburants dans la région Ouest : OUEST CARB
Identification
La série OUEST CARB représente l’évolution mensuelle des ventes des carburants dans la
région Ouest sur une période allant de janvier 1990 à décembre 2004.
150000 80000000
60000000
100000
Série1 40000000 Série1
50000
20000000
0 0
1 3 5 7 9 11 13 15 1 3 5 7 9 11 13 15
110000
100000
90000
O UESTCAR
80000
70000
Date
Le tracé de la chronique exhibe une saisonnalité, ce constat laisse supposer une non
stationnarité de la série, ce que nous allons confirmer ultérieurement.
126
Chapitre III Application de la méthode de Box &
Jenkins
OUESTCAR OUESTCAR
1,0 1,0
,5 ,5
0,0 0,0
AC F pa rtiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
Les corrélogramme simple et partiel font apparaître des pics très marqués pour les retards
k=12, 24, 36, ce qui laisse supposer que la série est affectée d'une saisonnalité et par suite
nous poussera à dire qu'elle est non stationnaire, c'est ainsi qu'un recours au test de Fisher
nous permettra de vérifier nos hypothèses:
Test de Fisher (ANOVA) sur la série brute (OUEST CARB) :
Tableau 1
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne des Valeur critique
variations carrés liberté carrés F Probabilité pour F
Lignes 440400610 11 40036419,1 3,68251013 0,0001159 1,85129627
Colonnes 6557570446 14 468397889 43,0827734 5,4276E-46 1,75648919
Le test confirme nos doutes concernant la présence d'une saisonnalité puisque la statistique de
Fisher calculée 3,68251013 pour les mois (lignes) est supérieure à la valeur critique (tabulée)
1,85129627 au seuil 0,05 .Nous procédons à la désaisonnalisation de la série par l'application
10000
-10000
-20000
Date
,5
,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
L'examen des corrélogrammes de la série OUEST CARB DES nous confirme le succès de la
désaisonnalisation de la série OUEST CARB puisque celle-ci a été absorbée. Concernant la
stationnarité de la série, nous ne pouvons dire qu'elle est stationnaire. Un recours au test de
racine unitaire permet d'affirmer ou d'infirmer la stationnarité de la série en question.
Pour déterminer le type de la composante tendancielle TS ou DS et confirmer la non
stationnarité de la série, nous appliquons le test de racine unitaire (Test de Dickey-Fuller).
Test de racine unitaire (Dickey – Fuller) sur la série OUEST CARB DES
128
Chapitre III Application de la méthode de Box &
Jenkins
Les statistiques empiriques des trois modèles sont inférieurs à la valeur critique au seuil 5%,
donc il n'existe pas une tendance aléatoire (DS), et le coefficient de la tendance @TREND
(1990:01) du modèle 3 n'est pas significativement différent de zéro. Il en est de même pour la
constante. Le processus n'est pas donc TS, par conséquent la série OUEST CARB DES
est stationnaire.
Tableau 2
Modèles AIC BIC
2
129
Chapitre III Application de la méthode de Box &
Jenkins
Variables du Modèle :
B SEB T-RATIO APPROX. PROB.
AR1 ,66353430 ,26760246 2,4795523 ,01419096
AR2 ,18570651 ,12646889 1,4683967 ,14395972
AR3 ,08289642 ,14996812 ,5527603 ,58119900
MA1 ,37951603 ,25928761 1,4636874 ,14524121
SAR1 ,41913410 ,13172620 3,1818584 ,00175813
SAR2 ,13472264 ,10004481 1,3466230 ,18000613
SAR3 -,05410762 ,09794768 -,5524135 ,58143593
SMA1 ,95163042 ,29903888 3,1822967 ,00175563
Test sur les paramètres : Les t empiriques associées aux cœfficients :AR(2) ,AR(3), MA(1),
SAR(2) et SAR(3) sont non significativement différents de zéro, ce qui nous amène à
chercher un autre modèle.
2
Modèles AIC BIC
SARIMA (1, 0,1) (1, 1,0) 3228,8391 3238,2110 3553,6760
SARIMA (1.0.2) (2.1.1) 3283,0718 3292,4437 4495,4123
SARIMA (1.0,2) (2.1.0) 3458,1578 3475,5681 3678,4782
Le modèle optimal est SARIMA (1, 0,1) (1, 1,0) dont nous estimons ces paramètres.
Estimation des paramètres du modèle optimal
B SEB T-RATIO APPROX. PROB.
AR1 ,94709856 ,03136217 30,198761 ,00000000
MA1 ,64411168 ,07631892 8,439738 ,00000000
SAR1 -,33594943 ,07552402 -4,448246 ,00001586
Test sur les paramètres : Tous les coefficients sont significativement différents de zéro car
les t empiriques associés sont supérieures en valeur absolue aux valeurs théoriques
t = 1.96 et t = 1.64 au seuil de 5% et 10% respectivement.
Tests sur les Résidus
Figure (08): Corrélogrammes simple et partiel des Résidus du modèle optimal
Error for OUESTCAR from ARIMA, MOD_4 NOCON
1,0
,5
0,0
A C F p a r tie l
-,5
Limites de confiance
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
130
Chapitre III Application de la méthode de Box &
Jenkins
Tous les pics sont à l'intérieur de la bande de confiance ce qui signifie qu'ils forment un bruit
blanc, ce que nous allons confirmer à l’aide des tests.
P E ( P)
VAR ( P ) 5,44 d'où S -1,77
Var ( P )
S = 1,77 < S (tabulée) = 1,96 alors, nous acceptons l’hypothèse H 0 : « les résidus forment
bien un bruit blanc ».
Test de Box-Ljung :
L'analyse du corrélogramme des résidus, associé à la Figure 08 montre que tous les termes
sont à l'intérieur de l'intervalle de confiance ce qui est confirmé par la Q stat pour tous les
retards en particulier Q 45 = 39,533 < 0., 95 (42) = 58,127. Donc les résidus se comportent
2
Tableau 4
Test sur échantillon unique
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for OUESTAJU from
,533 167 ,595 1295188,7 -3499474 6089851,2
ARIMA, MOD_35 NOCON
Nous avons : t = 0,533 qui est inférieure à 1,96 ; donc nous acceptons la nullité de la
moyenne des résidus.
20 Mean 170.9137
Medi an 116.6136
Maxi mum 11738.27
15
Minimum -10258.67
Std. Dev. 3548.511
10 Skewnes s 0.183045
Kurtosi s 3.530066
5
J arque-Bera 2.904942
Probabili ty 0.233991
0
. -8000 -4000 0 4000 8000 12000
11 2 0 2 3
Test de Skewness : 1 =0,968<1,96 ; Test de Kurtosis : 2 =1,402<1,96
6 24
N N
Ainsi nous acceptons l’hypothèse de normalité, ce qui est confirmé par le test de Jarque –
Berra.
132
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 5
Test de Kolmogorov-Smirnov à un échantillon
Error for
OUESTCAR
from ARIMA,
MOD_4
NOCON
N 168
Paramètres normaux a,b Moyenne 170,913727
Ecart-type 3548,51147
Différences les plus extrêmes Absolue ,056
Positive ,056
Négative -,055
Z de Kolmogorov-Smirnov ,731
Signification asymptotique (bilatérale)
,659
Tableau 6
b
Récapitulatif du modèle
Erreur
standard
R-deux de
Modèle R R-deux ajusté l'estimation Durbin-Watson
1 ,034a ,001 -,005 31554624 2,053
a. Valeurs prédites : (constantes), YEAR, not periodic
b. Variable dépendante : Error for OUESTAJU from ARIMA, MOD_34 NOCON
La statistique DW = 2,053 est supérieure à la valeur tabulée 1,69 au seuil 5%, nous
acceptons l’hypothèse de non corrélation des résidus.
133
Chapitre III Application de la méthode de Box &
Jenkins
Le corrélogramme des résidus au carré du modèle optimal SARIMA (1,0,1) (1,1,0) ne laisse
apparaître aucun pic en dehors de la bande de confiance, cela veut dire que les résidus du
modèle optimal sont homoscédastiques ,alors nous pouvons conclure qu'ils constituent bien
un bruit blanc gaussien.
134
Chapitre III Application de la méthode de Box &
Jenkins
Prévisions
Tableau de prévision
Les prévisions sont calculées pour la période allant de janvier 2005 à Décembre 2005
Tableau 7
135
Chapitre III Application de la méthode de Box &
Jenkins
Notation : Nous notons la série ventes des carburants dans la région Centre :
CENTRE CARB
Identification
La série CENTRE CARB représente l’évolution mensuelle des ventes des carburants dans la
région Centre sur une période allant de janvier 1990 à décembre 2004.
Graphes de la moyenne et de la variance pour la série brute :
200000 200000000
150000 150000000
100000 100000000
50000 50000000
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
L’évolution de la moyenne et de la variance calculées montre que ces deux dernières varient
au cours du temps, ce que nous pouvons traduire par une éventuelle non stationnarité de la
série.
Figure (01) : Diagramme séquentiel de la série brute (CENTRE CARB)
136
Chapitre III Application de la méthode de Box &
Jenkins
220000
200000
180000
160000
CENTRCAR
140000
120000
100000
Date
Le tracé de la chronique présente une croissance à partir de l'année 1999 pour des raisons
citées dans la série EST CARB.
CENTRCAR CENTRCAR
1,0 1,0
,5 ,5
0,0 0,0
AC F partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
Notation : Nous notons la série vente des carburants dans la région Centre désaisonnalisée
CENTRE CARB DES.
Figure (03) : Diagramme séquentiel de la série CENTRE CARB DES
40000
20000
-20000
CENT RCAR
-40000
-60000
Date
Transforme: Différence saisonnière (1, période 12)
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
En se basant sur les corrélogrammes simple et partiel de la série différenciée représentés dans
la Figure (04), nous constatons que :
1. Pour l’ACF : il y a des pics significatifs avant le retard 12 et un pic significatif
aux retards 12 et 24.
2. Pour l’ACF partiel : il y a des pics significatifs avant le retard 12 et un pic
significatif au retard12.
Test de racine unitaire (Dickey – Fuller) sur la série CENTRE CARB DES
138
Chapitre III Application de la méthode de Box &
Jenkins
CENTRE CARB DES t = 1 CENTRE CARB DES t 1 + t c t . Avec t est un
processus stationnaire
D’après les résultats du test, nous remarquons que la statistique empirique de Student t ̂
associée à la variable endogène retardée CENTRE CARB DES (-1) est égale à (-4.012092).
Cette valeur est inférieure à la valeur critique au seuil 5% (-3,4374) indiquée en haut du
tableau donc nous rejetons l’hypothèse H 0 « existence d’une racine unitaire, 0 ».
Il faut donc à présent tester la nullité du coefficient de la tendance conditionnellement à
l’absence de la racine unitaire. Nous effectuons pour cela un simple test de Student avec des
seuils standard (test symétrique, donc seuil de 1.96 à 5%).Le seuil standard de @ TREND
(1990:01) est égale à (2.449345) qui est supérieure à 1,96 donc nous rejetons l’hypothèse
nulle de la nullité du coefficient de la tendance.
Interprétation des résultats du test de Dickey-Fuller :
D’après les résultats précédents, la série n’admet pas une racine unitaire. Elle manifeste une
tendance, elle est générée par un processus non stationnaire de type TS.
Le meilleur ajustement c’est l’ajustement par la fonction cubique car R 2 associé égale
0,415 qui est le plus grand (Voir tableau 2).
Tableau 2
139
Chapitre III Application de la méthode de Box &
Jenkins
CENTRC_1 CUB ,415 164 38,84 ,000 29489,7 -1299,1 14,4408 -,0438
Figure (05) : Diagramme séquentiel de la série CENTRE CARB DES avec son ajustement
SDIFF(CENTRCAR,1,12)
30000
20000
10000
-10000
-20000
-30000
Observé
-40000 Cubique
-100 0 100 200
Séquence
Tableau 3
140
Chapitre III Application de la méthode de Box &
Jenkins
30000
20000
10000
-10000
C EN T R AJU
-20000
-30000
-40000
Date
CENTRAJU CENTRAJU
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
141
Chapitre III Application de la méthode de Box &
Jenkins
CENTRAJUST t = 1 CENTRAJUST t 1 + t
D'après les résultats du test, nous remarquons que les statistiques empiriques pour les trois
modèles (-6.961124 ; -6.983770 ; -7.004602) sont inférieures aux valeurs critiques associes
au seuil 5% , donc nous rejetons l'hypothèse H 0 « existence d’une racine unitaire, 0 ».
Le coefficient de la tendance dans le modèle [3] est égale à -0.067462 qui est inférieure à
1,96 donc nous acceptons l’hypothèse nulle de la nullité du coefficient de la tendance.
Dans le modèle [2] la constante C est égale à 0.058832, elle est inférieure à 1,96 donc nous
acceptons l’hypothèse de la nullité de la constante.
142
Chapitre III Application de la méthode de Box &
Jenkins
Interprétation des résultats du test DF :
Selon le test de Dickey - Fuller nous pouvons conclure que le processus (CENTRE
AJUST t ) est stationnaire de type I (0), donc pas de possibilité de faire la cointégration.
Variables du Modèle :
Test sur les paramètres : à part AR(1), AR(2) ,AR(3),MA(1) , MA(2) et MA(3) , les autres
coefficients ne sont pas significativement différents de 0, car les t empiriques associées en
valeur absolue sont inférieures aux valeurs de T théoriques 1,96 et 1,64 aux risque de 5%
et 10% respectivement. Il est nécessaire de chercher un autre modèle susceptible de
représenter la série.
Le choix du modèle optimal :
Tableau 5
Modèles AIC BIC
2
Au regard des critères d’information, le modèle optimal est SARIMA (3, 0,2) (1, 1,0) dont
nous estimons ces paramètres.
Estimation des paramètres du modèle optimal
Test sur les paramètres : Tous les coefficients sont significativement différents de zéro car
les t empiriques associés sont supérieures en valeur absolue aux valeurs théoriques t = 1.96 et
t = 1.64 au seuil de 5% et 10% respectivement.
,5
,5
0,0
0,0
-,5
A C F p a rtie l
-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
P E ( P)
VAR ( P ) 5,44 d'où S - 0,12.
Var ( P )
S = 0,12 < S (tabulée) = 1,96 alors, nous acceptons l’hypothèse H 0 : « les résidus
forment bien un bruit blanc ».
Test de Box-Ljung :
02., 95 (39) = 54,572. Donc nous acceptons l’hypothèse H 0 : « les résidus ne sont pas
corrélés » ce qui implique qu’ils forment un bruit blanc sur la base du test de Box - ljung.
Tableau 6
Test sur échantillon unique
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for CENTRAJU from
,073 167 ,942 30.2669095 -791.391 851.92455
ARIMA, MOD_15 NOCON
145
Chapitre III Application de la méthode de Box &
Jenkins
t = 0,073 est inférieure à 1,96 ; donc nous acceptons l’hypothèse H 0 : « la moyenne des
résidus est nulle ».
Tableau 7
Test de Kolmogorov-Smirnov à un échantillon
Error for
CENTRAJU
from
ARIMA,
MOD_15
NOCON
N 168
Paramètres normaux a,b Moyenne 30.2669144
Ecart-type **********
Différences les plus extrêmes Absolue ,041
Positive ,034
Négative -,041
Z de Kolmogorov-Smirnov ,532
Signification asymptotique (bilatérale)
,940
Dn SUP Dn , Dn = 0,041 <
1,36
= 0,105 ; D’où nous acceptons l’hypothèse que les
168
résidus sont gaussiens.
146
Chapitre III Application de la méthode de Box &
Jenkins
Récapitulatif du modèleb
Erreur
standard
R-deux de
Modèle R R-deux ajusté l'estimation Durbin-Watson
1 ,015a ,000 -,006 5409,9599 2,046
a. Valeurs prédites : (constantes), YEAR, not periodic
b. Variable dépendante : Error for CENTRAJU from ARIMA, MOD_15 NOCON
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 .022 .076 . * . .081 .776
2 -.022 .076 . * . .163 .922
3 -.034 .076 . *I . .363 .948
4 .143 .076 . I*** 3.924 .416
5 .029 .076 . I* . 4.068 .540
6 -.068 .075 . *I . 4.878 .560
7 -.024 .075 . * . 4.978 .663
8 -.028 .075 . *I . 5.123 .744
9 .094 .075 . I**. 6.712 .667
10 -.064 .074 . *I . 7.443 .683
11 -.068 .074 . *I . 8.275 .688
12 .048 .074 . I* . 8.694 .729
13 -.021 .074 . * . 8.772 .790
14 -.030 .073 . *I . 8.943 .835
15 .056 .073 . I* . 9.518 .849
16 -.058 .073 . *I . 10.146 .859
17 -.035 .073 . *I . 10.381 .887
18 .031 .072 . I* . 10.567 .912
19 -.069 .072 . *I . 11.478 .907
147
Chapitre III Application de la méthode de Box &
Jenkins
20 -.127 .072 ***I . 14.600 .799
21 -.069 .072 . *I . 15.515 .796
22 .038 .071 . I* . 15.798 .826
23 .031 .071 . I* . 15.992 .856
24 .029 .071 . I* . 16.158 .882
25 -.062 .071 . *I . 16.916 .885
26 -.036 .071 . *I . 17.181 .904
27 .277 .070 . I**. 32.736 .206
28 -.045 .070 . *I . 33.158 .230
29 -.056 .070 . *I . 33.796 .247
30 -.019 .070 . * . 33.868 .286
31 .070 .069 . I* . 34.902 .288
32 -.019 .069 . * . 34.981 .328
33 .028 .069 . I* . 35.149 .367
34 -.064 .068 . *I . 36.031 .374
35 -.066 .068 . *I . 36.962 .378
36 .110 .068 . I**. 39.593 .313
37 -.060 .068 . *I . 40.365 .324
38 -.003 .067 . * . 40.367 .366
39 -.012 .067 . * . 40.398 .408
40 .017 .067 . * . 40.461 .450
41 -.051 .067 . *I . 41.041 .469
42 -.028 .066 . *I . 41.221 .505
43 -.068 .066 . *I . 42.267 .503
44 -.022 .066 . * . 42.383 .541
45 .094 .066 . I**. 44.442 .495
Pour K = 45, Q = 44,442 < 2 (39) = 54,57 ; les résidus sont homoscédastiques.
Conclusion
D’après ce qui précède, les résidus du modèle optimal forme un bruit blanc. Donc le modèle
SARIMA(3,0,2)(1,1,0) est le meilleur modèle qui peut représenter la série CENTRE CARB.
Ce modèle s’écrit sous la forme :
Prévisions
Tableau de prévision
Le modèle est validé, les prévisions de la série CENTRE CARB peuvent être calculées pour
un horizon h =12. Un intervalle de confiance de la prévision est calculé
(Borne inf et Borne sup), Les prévisions doivent donc, se trouver dans cet intervalle.
Tableau 9
148
Chapitre III Application de la méthode de Box &
Jenkins
200000
180000
160000
140000
120000
100000 CENTRCAR
Date
Notation : Nous notons la série vente des carburants dans la région SUD:SUD CARB.
Identification
149
Chapitre III Application de la méthode de Box &
Jenkins
Les données de la série vente des carburants dans la région SUD (notée SUD CARB)
s’étendent sur une période de quatorze ans, les observations sont mensuelles ; de janvier 1990
à décembre 2004. L’unité de mesure est la tonne.
10000
40000000
5000 30000000
20000000
0
10000000
1 3 5 7 9 11 13 15
-5000 0
-10000 1 3 5 7 9 11 13 15
Ces deux graphes nous donnent un aperçu sur la nature de la série, nous constatons sur les
deux graphes que la moyenne et la variance varient avec le temps.
80000
70000
60000
SUDCARB
50000
40000
Date
La représentation graphique fait ressortir une tendance et une saisonnalité qu’il faut confirmer
ou infirmer à l’aide du test de l’analyse de variance et de Dickey-Fuller respectivement.
150
Chapitre III Application de la méthode de Box &
Jenkins
SUDCARB SUDCARB
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
Les corrélogrammes simple et partiel laissent apparaître des pics très marqués, les ventes des
carburants sont donc saisonnières (ce qui confirme la lecture du graphe précédent), et par suite
la série est non stationnaire, il faut donc la désaisonnaliser en utilisant la différenciation
d’ordre 12. Nous obtenons alors une série corrigée de l’effet saisonnier SUD CARB DES sur
laquelle nous faisons notre analyse.
Test de saisonnalité (Test de Fisher) :
Pour détecter la saisonnalité, nous utilisons l’analyse de la variance. Les calculs des
statistiques de tests se font à l’aide du logiciel Excel ; les résultats sont les suivants :
Tableau 3
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne des Valeur critique
F Probabilité
variations carrés liberté carrés pour F
Lignes 1529991483 11 139090135 8.58320199 1.0008E-11 1.85129627
Colonnes 9750332875 14 696452348 42.9778229 6.2848E-46 1.75648919
Nous remarquons que la valeur de la statistique de Fisher calculée 8,58320199 pour les lignes
(mois) est supérieure à la valeur critique (tabulée) 1,85129627 donc la série est affectée d’une
saisonnalité, de même la valeur de la statistique de Fisher calculée 42,978229 pour les
colonnes (années) est supérieure à la valeur critique (tabulée) 1,75648919, donc la série est
affectée d’une tendance.
151
Chapitre III Application de la méthode de Box &
Jenkins
Figure (03) : Diagramme séquentiel de la série SUD CARB DES
20000
10000
S D IF F ( S U D C A R B ,1 ,1 2 )
0
-10000
-20000
Date
Le graphe montre la présence d’une volatilité instantanée (une faible variabilité suivie d’une
forte variabilité) que nous allons étudiera par la suite.
Figure (04) : Corrélogrammes simple et partiel de la série SUD CARB DES
SDIFF(SUDCARB,1,12)
1.0 SDIFF(SUDCARB,1,12)
1.0
.5
.5
0.0
0.0
-.5
ACF partiel
Tableau 4
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne des Valeur critique
F Probabilité
variations carrés liberté carrés pour F
Lignes 56573350.5 11 5143031.86 0.34224964 0.97470204 1.85129627
Colonnes 2024650850 14 144617918 9.62378463 4.082E-15 1.75648919
Après que nous ayons fait la différence saisonnière le test de Fisher indique que l’effet de la
saison a disparu. Il nous reste à tester la tendance en utilisant le test de la racine unitaire.
Pour confirmer la présence d’une racine unitaire et déterminer donc le type de la composante
tendancielle de la série SUD CARB DES, nous appliquons le test de la racine unitaire.
Modèle [3] : modèle avec constante et tendance déterministe
SUD CARB DES t = 1 SUD CARB DES t 1 + t c t .
Tableau 3
153
Chapitre III Application de la méthode de Box &
Jenkins
Dependent Mth Rsq d.f. F Sigf b0 b1 b2 b3
80000
70000
60000
50000
Observé
40000 Cubique
-100 0 100 200
Séquence
tableau suivant :
Tableau 4
154
Chapitre III Application de la méthode de Box &
Jenkins
A présent considérons SUD AJUST la série dépourvue de sa composante tendancielle donnée
par la formule SUD AJUST t = SUD CARB - y t , que nous allons étudier.
Figure (06) : Diagramme séquentiel de la série SUD AJUST
20000
10000
0
SU D AJU ST
-10000
-20000
Date
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
Limites de confiance Limites de confiance
ACF
Pour vérifier si la série ajustée ne nécessite pas une différenciation (ne possède pas de racine
unitaire), nous appliquons une deuxième fois le test de dickey –fuller (mais cette fois sur la
série ajustée). Les résultats sont tels que :
Test de racine unitaire (Dickey-Fuller) sur la série SUD AJUST :
155
Chapitre III Application de la méthode de Box &
Jenkins
ordinaires (MCO).Nous utilisons le test programmé sous le logiciel Eviews. Le résultat de
l’affichage pour la série SUD AJUSTt est donné dans le tableau en dessous.
Nous remarque que la statistique de Student t ̂ associée à la variable endogène retardée SUD
AJUST (-1) est égale à (-8,583165) .Cette valeur est inférieure à la valeur critique au seuil 5%
(-3,4374) indiquée en haut du tableau donc nous rejetons l’hypothèse H 0 « existence d’une
racine unitaire, 0 ».
Il faut donc à présent tester la nullité du coefficient de la tendance conditionnellement à
l’absence de la racine unitaire. Nous effectuons pour cela un simple test de Student avec des
seuils standard (test symétrique, donc seuil de 1.96 à 5%).Le seuil standard de @ TREND
(1990:01) est égale à (0,261439) qui est inférieure à 1,96 donc nous acceptons l’hypothèse
nulle de la nullité du coefficient de la tendance.
156
Chapitre III Application de la méthode de Box &
Jenkins
157
Chapitre III Application de la méthode de Box &
Jenkins
seuil 5% (-1.9417) indiquée en haut du tableau donc nous rejetons l’hypothèse H 0 (existence
d’une racine unitaire, = 0).
Identification et estimation du modèle a priori :
La série obtenue a été générée par un processus stationnaire ; donc le modèle suggéré pour la
série SUD AJUST est : SARIMA (3, 0,3) (1, 1,1).
Tableau 5
Modèles AIC BIC
2
Variables du Modèle :
B SEB T-RATIO APPROX. PROB.
AR1 .45701878 .2433591 1.8779604 .06220624
AR2 .59611579 .1497523 3.9806783 .00010400
AR3 -.66028634 .1606977 -4.1088727 .00006332
MA1 .13164707 2.3897483 .0550883 .95613688
MA2 .55220394 2.6874307 .2054765 .83746102
MA3 -.57876410 1.3627300 -.4247093 .67161916
SAR1 .37672796 .1528662 2.4644293 .01478056
SMA1 .82140086 .1294181 6.3468795 .00000000
Test sur les paramètres: Les paramètres MA(1), MA(2), MA(3) sont non significativement
différents de zéro car les valeurs des statistiques t empiriques associés sont inférieures aux
valeurs des statistiques T Théoriques 1,96et 1,64 aux risques de 5% et 10% respectivement.
Il faudra donc estimer un autre modèle dont les AIC, BIC seront plus petits.
Identification et estimation du modèle optimal :
En se basant sur les corrélogrammes, nous avons les modèles candidats suivants :
Tableau 6
Modèles AIC BIC 2
SARIMA (2, 0,2) (1, 1,1) 3226,5703 3245,3141 3444,5312
SARIMA (2, 0,3) (3, 1,1) 3345,6780 3355,2478 3475,2573
Nous optons pour le modèle SARIMA (2,0,2) (1,1,1), du fait qu’il donne les plus petites
valeurs du AIC et BIC.
Estimation des paramètres du modèle optimal :
B SEB T-RATIO APPROX PROB.
AR1 1.6440465 .12868001 12.776239 .00000000
AR2 -.6977401 .12549552 -5.559880 .00000011
MA1 1.3599867 .16963165 8.017293 .00000000
MA2 -.3815937 .16722909 -2.281862 .02379907
SAR1 .4958774 .16136140 3.073086 .00248625
SMA1 .8505775 .13695365 6.210696 .00000000
158
Chapitre III Application de la méthode de Box &
Jenkins
Après l’estimation des paramètres nous passons à l’étape de validation (adéquation du
modèle).
Test sur les paramètres : Les paramètres sont significativement différents de zéro car les
valeurs des statistiques t empiriques associés sont supérieures aux valeurs des statistiques T
Théoriques 1,96et 1,64 aux risques de 5% et 10% respectivement.
Test de Box-Ljung
Corrélogrammes des résidus du modèle optimal :
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 .003 .076 . * . .002 .968
2 -.011 .076 . * . .024 .988
3 .085 .076 . I**. 1.285 .733
4 -.038 .076 . *I . 1.539 .820
5 -.056 .076 . *I . 2.092 .836
6 .046 .075 . I* . 2.457 .873
7 -.172 .075 ***I . 7.706 .359
8 .040 .075 . I* . 7.993 .434
9 .187 .075 . I**.* 14.250 .114
10 -.093 .074 .**I . 15.807 .105
159
Chapitre III Application de la méthode de Box &
Jenkins
11 .091 .074 . I**. 17.327 .099
12 -.012 .074 . * . 17.353 .137
13 -.077 .074 .**I . 18.445 .141
14 .033 .073 . I* . 18.643 .179
15 -.012 .073 . * . 18.671 .229
16 -.102 .073 .**I . 20.615 .194
17 .060 .073 . I* . 21.295 .213
18 -.119 .072 .**I . 24.010 .155
19 -.001 .072 . * . 24.010 .196
20 -.004 .072 . * . 24.014 .242
21 .008 .072 . * . 24.026 .292
22 .036 .071 . I* . 24.280 .333
23 .093 .071 . I**. 25.978 .302
24 -.065 .071 . *I . 26.806 .314
25 .088 .071 . I**. 28.350 .292
26 .047 .071 . I* . 28.798 .320
27 .026 .070 . I* . 28.936 .364
28 -.021 .070 . * . 29.029 .411
29 -.087 .070 .**I . 30.589 .385
30 -.011 .070 . * . 30.613 .435
31 -.067 .069 . *I . 31.547 .439
32 .002 .069 . * . 31.548 .489
33 -.076 .069 .**I . 32.779 .478
34 .066 .068 . I* . 33.705 .482
35 .094 .068 . I**. 35.615 .439
36 .090 .068 . I**. 37.359 .406
37 -.054 .068 . *I . 37.996 .424
38 .043 .067 . I* . 38.399 .451
39 -.075 .067 .**I . 39.651 .441
40 -.065 .067 . *I . 40.601 .444
41 .018 .067 . * . 40.675 .485
42 -.091 .066 .**I . 42.572 .446
43 -.045 .066 . *I . 43.043 .469
44 .092 .066 . I**. 45.005 .430
45 -.045 .066 . *I . 45.471 .452
Les valeurs de la statistique de Box-Ljung ont de faibles probabilités, mais tous les retards
sont significatifs car leurs probabilités sont supérieures à 0,05 et où la statistique de Box-
Valeur du test = 0
Intervalle de confiance
Sig. Différence 95% de la différence
t ddl (bilatérale) moyenne Inférieure Supérieure
Error for SUDAJUST from
.425 167 .672 112.85207 -411.977 637.68065
ARIMA, MOD_86 NOCON
D’après le tableau 7 nous avons : t = 0,425 qui est inférieure à 1,96 ; donc nous acceptons
l’hypothèse H 0 : « la moyenne des résidus est nulle ».
160
Chapitre III Application de la méthode de Box &
Jenkins
Jarque-Bera 4.123329
Probability 0.004442
0
-12000 -8000 -4000 0 4000 8000 12000
Tableau 8
Test de Kolmogorov-Smirnov à un échantillon
Error for
SUDAJUST
from
ARIMA,
MOD_86
NOCON
N 168
Paramètres normaux a,b Moyenne 112.85205
Ecart-type 3445.6040
Différences les plus extrêmes Absolue .071
Positive .061
Négative -.071
Z de Kolmogorov-Smirnov .916
Signification asymptotique (bilatérale)
.371
161
Chapitre III Application de la méthode de Box &
Jenkins
Dn SUP Dn , Dn = 0,071 <
1,36
= 0,105 ; D’où nous acceptons l’hypothèse que les
168
résidus sont gaussiens.
Erreur
standard
R-deux de
Modèle R R-deux ajusté l'estimation Durbin-Watson
1 ,145a ,021 ,015 3790,2161 2,090
a. Valeurs prédites : (constantes), YEAR, not periodic
b. Variable dépendante : Error for SUDCARB from ARIMA, MOD_5 NOCON
Conclusions :
Nous pouvons conclure d’après ces tests que les résidus forment bien un bruit blanc
gaussien.Finalement le modèle qui ajuste le mieux la série SUD CARB est :
yˆ t [ 1 1,644 B 0,697 B 2 1 0,496 B 12 1 B 12 SUD CARBt ]
1 1,359 B 0,382 B 1 0,851 B
2 12
t
Prévisions
Tableau de prévision :
Les prévisions de la série SUD CARB sont calculées pour un horizon h =12 ; c'est-à-dire pour
la période allant de janvier 2005 à Décembre 2005 à l’aide du logiciel SPSS.
Le résultat obtenu est le suivant :
163
Chapitre III Application de la méthode de Box &
Jenkins
Tableau 9
Le graphe suivant représente les réalisations et les valeurs ajustées pour l’année 2005
pour la série SUD CARB.
Figure (10) : Diagramme séquentiel de la série brute et des prévisions
164
Chapitre III Application de la méthode de Box &
Jenkins
Conclusion
A travers cette étude, nous avons proposé dans un premier temps d’étudier individuellement
les séries représentant ventes / production des produit carburants, chaque série à été étudiée
séparément, négligeant l’effet des autres séries suivant la méthodologie de Box & Jenkins qui
permet en plusieurs étapes de trouver un modèle susceptible de représenter la série
chronologique.
L’étude des séries représentant ventes/production des carburants a révélé la présence d’une
saisonnalité due aux rythmes des saisons, où l’observation des graphes représentant ces séries
et les corrélogrammes associés nous a incité à effectuer le test de Fisher relative à l’étude de
la saisonnalité puisque celles ci étaient caractérisée par un mouvement saisonnier apparent,
une désaisonnalisation (différence saisonnière) (et une différence d'ordre 1 pour la série
RAHM CARB) a été entreprise pour donné lieu à une série stationnaire, le modèle qui a
généré cette série est de type SARIMA(p, d , q) (P,D,Q). Après estimation des paramètres, les
tests relatifs à l’étape de validation nous ont permis de vérifier l’adéquation de ce modèle aux
données dont nous disposons. Une fois le modèle choisi, estimé et validé, nous avons calculé
les prévisions pour un horizon de 12 mois.
Le même cheminement à été suivi pour l’étude des séries (RA1G CARB, EST CARB et SUD
CARB) où celles ci ont subit un ajustement par la fonction cubique , les séries sont ainsi
devenus stationnaires, le modèle retenu est de type SARIMA(p,0, q) (P,D,Q) qui a été
exploité pour effectuer des prévisions pour l’année 2005.
165