Chapitre III Application de Méthode de Box & Jenkins

Chapitre III Application de la méthode de Box &
Jenkins
I / LA SÉRIE PRODUCTION DES CARBURANTS DANS LA RAFFINERIE DE

SKIKDA
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.
Graphes de la moyenne et de la variance pour la série brute (RA1K CARB) :
Moyenne de RA1K CARBURANTS Variance de RA1K CARBURANTS
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
Jenkins
Nous remarquons à partir de la représentation graphique de la série RA1K CARB que la

production des carburants dans la raffinerie de SKIKDA tend à diminuer durant la période
allant de Mars:1994 à Février:1999 cela est du à l'alimentation de cette raffinerie en pétrole
brut de densité plus légère qu’à l’habitude; cette dernière a enregistré des déficits de
production en produit Gasoil durant (1994 - 1999).
Le graphe fait ressortir une saisonnalité et peut être une légère tendance ce qu’il faut
confirmer ou infirmer respectivement à l’aide des tests de l’analyse de variance et de Dickey –
Fuller respectivement.
Figure (02) : Corrélogrammes simple et partiel de la série brute (RA1K CARB)
RA1KCARB RA1KCARB
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
Limites de confiance Limites de confiance
ACF
-1,0 Coefficient -1,0 Coefficient

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Numéro de décalage Numéro de décalage
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.
Test de Fisher (ANOVA) sur la série brute (RA1K CARB) :

Pour détecter la saisonnalité, nous avons utilisé le test fondé sur l’analyse de la variance.
 Test de l’influence du facteur ligne (mois) :
Les calculs des statistiques de tests se font à l’aide du logiciel Excel ; les résultats sont les
suivants :
Tableau 1
ANALYSE DE VARIANCE
Source des Somme des Degré de Moyenne Valeur critique
F Probabilité
variations carrés liberté des carrés pour F
Lignes 1,9376E+10 11 1761493059 55,131765 9,9888E-48 1,85129627
Colonnes 1,6777E+10 14 1198355889 37,5065203 1,9824E-42 1,75648919
52
Jenkins
En appliquant le test nous trouvons que la valeur de la statistique de Fisher calculée

55,131765 pour les mois (lignes) 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 37,5065203 pour les années (colonnes) est supérieure à celle
de la valeur critique (tabulée) 1,75648919 au seuil 0,05, donc la série pourrait être affectée
d’une tendance. Nous procédons à la désaisonnalisation de la série par l’application de
l’opérateur de différence saisonnière  12  (1  B 12 ). Après avoir enlevé la saisonnalité, la

nouvelle série est la production des carburants dans la raffinerie de Skikda désaisonnalisée
que nous allons étudier.
Notation : Notons la série production des carburants dans la raffinerie de Skikda

désaisonnalisée RA1K CARB DES.
Figure (03) : Diagramme séquentiel de la série RA1K CARB DES

40000
30000
20000
10000
-10000
RA1KC AR B
-20000
-30000
-40000
Date
Transforme: Différence saisonnière (1, période 12)
Figure (04) : Corrélogrammes simple et partiel de la série RA1K CARB DES
53
Jenkins
RA1KCARB RA1KCARB
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 Limites de confiance -,5 Limites de confiance
ACF

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

Transforme: Différence saisonnière (1, période 12) Transforme: Différence saisonnière (1, période 12)
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,
donc l’effet saisonnier n’existe pas.

Fcal  25,2547961 > Ftab  1,7891663 la série pourrait être affectée d’une tendance.
 Pour déterminer le type de la composante tendancielle TS ou DS et confirmer la non

stationnarité éventuelle de la série, nous appliquons le test de racine unitaire (Test de
Dickey – Fuller).
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
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
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 RA1K CARB DES t est donné dans le tableau suivant.
Nous remarquons que la statistique de Student t ̂ associée à la variable endogène retardée

RA1K CARBDES (-1) est égale à (-5,338651) .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 0,677128 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.
55
Jenkins
 Modèle [2] : modèle avec constante sans tendance déterministe
RA1K CARB DES t =  1 RA1K CARB DES t 1 + C   t
Nous estimons le modèle [2] :  RA1K CARB DES t  RA1K 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 (RA1K CARB DES t ) est donné dans le tableau suivant.

RA1K CARB DES (-1) est égale à (-5,305789) .Cette valeur est inférieure à la valeur critique
Il faut donc à présent tester la nullité de la constante C conditionnellement à l’absence de la
racine unitaire. Nous effectuons pour cela le test H 0 : C  0 par un simple test de Student
avec des seuils standard (test symétrique, donc seuil de 1,96 à 5%). Le seuil standard de C est
égale à 0,723869, il est inférieur à 1,96 donc nous acceptons l’hypothèse de la nullité du
coefficient 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.
56
Jenkins
 Modèle [1] : modèle sans constante ni tendance déterministe
RA1K CARB DES t =  1 RA1KCARB DES t 1 +  t .

Nous estimons le modèle [1] : RA1K CARB DES t  RA1K CARB DES t 1   t .
Nous testons alors la présence d’une racine unitaire dans le processus en testant la nullité du
moindres 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.

RA1K CARB DES (-1) est égale à (-5,263950) .Cette valeur est inférieure à la valeur critique
(existence d’une racine unitaire,  = 0).
 Interprétation des résultats du test DF :
Nous pouvons remarquer que lorsque nous avons fait la différence saisonnière la
tendance a disparu, ce qui est expliqué par le fait que la saisonnalité dans cette série
est plus forte que la tendance.
Finalement : selon le test de Dickey - Fuller nous pouvons donc conclure que le
processus (RA1K CARB DES t ) est 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 désaisonnalisée a été générée par un processus stationnaire ; donc le modèle suggéré
est : SARIMA (3, 0,3) (2, 1,3).
Tableau 3
Modèles AIC BIC

2
57
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
Test sur les paramètres :

Les coefficients des paramètres AR(2) ;SMA(1) ;SAR(2) ;SMA(2) ;SMA(3) ;AR(3) ;MA(1)
du modèle SARIMA (3,0,3)(2,1,3) sont non significativement différents de zéro,le test de
Student le confirme puisque Les T-RATIO associés aux paramètres du modèle (-0,94 ; 0,41 ;
0,12 ; 0,14 ; 0,23 ; 1,26 ; 1,23) sont inférieur 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 seraient plus petits.
Le choix du modèle optimal :

Le choix du modèle optimal se fera parmi tous les modèles proposés, ce choix est basé sur
l’examen des critères d’information AIC, BIC.
Tableau 4

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).
Estimation des paramètres du modèle optimal :

AR1 ,90394950 ,04243534 21,301806 ,00000000
MA1 ,52353853 ,08411850 6,223821 ,00000000
MA2 -,20260553 ,07964744 -2,543780 ,01190184
SAR1 -,61975755 ,07268744 -8,526336 ,00000000
SAR2 -,33989554 ,08511708 -3,993271 ,00009862
58
Jenkins
SAR3 -,37658191 ,07708751 -4,885122 ,00000246
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%.
Il convient maintenant d’analyser les résidus à partir de leur fonction d’autocorrélation et

d’appliquer des tests tels que :
 Le test des points de retournements.
 Le test de bruit blanc (test de Box – Ljung).
 Le test de la nullité de la moyenne des résidus.
 Les tests de normalité des résidus (test de Jarque - Bera et de Kolmogorov –Smirnov).
 Le test d’indépendance de Von-Neumann.
 Le test de détection d’autocorrélation d’ordre1 des erreurs (Durbin-Watson).
 Le test d’homoscedasticité.
 Le test ARCH.
Tests sur les résidus du modèle optimal :

Figure (05) : Corrélogrammes simple et partiel des résidus
Error for RA1KCARB from ARIMA, MOD_1 NOCON Error for RA1KCARB from ARIMA, MOD_1 NOCON
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
59
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.
Test des points de retournements :

Il s’agit de tester l’hypothèse nulle :
H 0 : « Les  i forment un bruit blanc » contre H 1 : « Il existe une corrélation entre les  i
i = 1,…, n ».
Après les calculs à l’aide du logiciel MATLAB nous avons obtenu les résultats suivants
n2
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 ».
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
H 0 : « 1   2  ...   K  0 » Contre H 1 : «  j : j  1,  ,45 tel que  j  0 ».

 k2
K
Ce test est basé sur la statistique de Box-Ljung au pas k : Q  n(n  1) .
k 1 n  k
Si Q   0,95 ( K  p  q ) , nous acceptons l’hypothèse H 0 .

2
 Corrélogramme des résidus du modèle optimal

Les valeurs de la statistique de Box-Ljung ont de fortes probabilités. Ce qui nous entraîne à
dire que les résidus forment un bruit blanc.
Lag Corr. Err. -1 -.75 -.5 -.25 0 .25 .5 .75 1 Box-Ljung Prob.
+----+----+----+----+----+----+----+----+
1 -,019 ,076 . * . ,065 ,799
2 ,007 ,076 . * . ,073 ,964
3 ,000 ,076 . * . ,073 ,995
4 -,064 ,076 . *I . ,797 ,939
5 ,084 ,076 . I**. 2,035 ,844
6 ,048 ,075 . I* . 2,437 ,875
7 -,077 ,075 .**I . 3,484 ,837
8 -,042 ,075 . *I . 3,801 ,875
9 ,018 ,075 . * . 3,856 ,921
10 -,019 ,074 . * . 3,924 ,951
11 -,060 ,074 . *I . 4,581 ,950
12 -,019 ,074 . * . 4,649 ,969
13 -,015 ,074 . * . 4,693 ,981
60
Jenkins
14 -,145 ,073 ***I . 8,581 ,857
15 ,067 ,073 . I* . 9,412 ,855
16 ,101 ,073 . I**. 11,320 ,789
17 -,018 ,073 . * . 11,382 ,836
18 ,007 ,072 . * . 11,391 ,877
19 ,029 ,072 . I* . 11,547 ,904
20 ,063 ,072 . I* . 12,320 ,905
21 ,135 ,072 . I*** 15,839 ,779
22 ,083 ,071 . I**. 17,179 ,753
23 ,003 ,071 . * . 17,180 ,800
24 -,091 ,071 .**I . 18,828 ,761
25 ,062 ,071 . I* . 19,594 ,768
26 ,033 ,071 . I* . 19,819 ,800
27 ,126 ,070 . I*** 23,023 ,684
28 -,005 ,070 . * . 23,029 ,732
29 -,032 ,070 . *I . 23,244 ,765
30 -,084 ,070 .**I . 24,711 ,739
31 ,050 ,069 . I* . 25,240 ,757
32 ,004 ,069 . * . 25,244 ,796
33 -,053 ,069 . *I . 25,841 ,808
34 -,069 ,068 . *I . 26,865 ,803
35 -,085 ,068 .**I . 28,399 ,777
36 -,091 ,068 .**I . 30,189 ,741
37 ,096 ,068 . I**. 32,202 ,693
38 -,040 ,067 . *I . 32,545 ,719
39 -,083 ,067 .**I . 34,074 ,694
40 -,031 ,067 . *I . 34,283 ,725
41 -,076 ,067 .**I . 35,578 ,710
42 ,081 ,066 . I**. 37,063 ,687
43 -,078 ,066 .**I . 38,466 ,668
44 ,020 ,066 . * . 38,555 ,703
45 -,058 ,066 . *I . 39,324 ,710
La probabilité de la statistique de Box-Ljung est supérieure à 0,05 à n’importe quel retard et la

valeur de la statistique de Box-Ljung quand k = 45, p = 1, q = 2 et P =3 égale à 39.324,
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)).
Test de la nullité de la moyenne des résidus :

Pour tester l’hypothèse H 0 : « m=0 » contre H 1 : « m  0 » nous utilisons le test de Student
t
basé sur la statistique : t =
  / n 1
Si t  t n 1 à 5% (=1,96) nous acceptons l’hypothèse de la nullité de la moyenne des
résidus.
61
Jenkins
Tableau 5
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 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 ».
Tests de normalité sur les résidus du modèle optimal :

Les tests sont effectués à partir des valeurs empiriques des coefficients de Skewness,
Kurtosis et la statistique de Jarque-Berra données par le logiciel EVIEWS. En utilisant le
logiciel nous avons l’histogramme suivant :
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
A- Test de Skewness (asymétrie) et de Kurtosis (aplatissement) :

H 0 :  1  0 et   0
Nous testons les hypothèses suivantes :

2


 H 1 : 1  0 
 ou  0
2
 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
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.
B- Test de Jarque et Bera :

N N
Nous définissons la statistique S par : S =  1    2  3 2
6 24
Sous (1) et (2) : S  1  2
2
Nous testons H 0 : « accepter la normalité des résidus au seuil  =0,05 » contre

H 1 : « il n’ y a pas de normalité des résidus ».
Si S   1  2  nous rejetons L’hypothèse H 0 sinon nous l’acceptons.

2
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.
C - Test de Kolmogorov – Smirnov:

Nous allons tester H 0 : « F= F0 » contre H 1 : « F  F0 » où F0 est la fonction de répartition
de la loi Normale. Le logiciel Spss donne les résultats suivants :
63
Jenkins
Tableau 6
Test de Kolmogorov-Smirnov à un échantillon
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
a. La distribution à tester est gaussienne.

b. Calculée à partir des données.
D’après le Tableau 6 nous avons la statistique de Kolmogorov – Smirnov notée


Dn  SUP Dn , Dn  = 0,049 <
1,36
= 0,105 ; D’où nous acceptons l’hypothèse que les
168
résidus sont gaussiens, au seuil   0,05 .
Test d’indépendance de Von-Neumann :

Ce test peut être effectué lorsque les résidus sont gaussiens. Nous testons l’hypothèse nulle :
H 0 : « Les résidus sont indépendants et identiquement distribués » contre l’hypothèse
H 1 : « Au moins deux observations successives tendent à être corrélées ».
Après les calculs sur le logiciel Excel nous avons obtenu les résultats suivants :
 D2   D2 
D = 94203705,91 et S  2 = 45967650,3 Sous H 0 : E  2 S  2  = 1 et var 2 S  2  =0,0059 ;
2
   
Von = U obs H
= 0,32 < 1,96. Donc nous acceptons l’hypothèse 0 : « les résidus sont
indépendantes et identiquement distribués ».
Test de Durbin-Watson (Test de détection d’autocorrélation d’ordre1 des erreurs) :

Nous testons H 0 : «   0 » contre H 1 : «   0 ».
Tableau 7
64
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
La statistique DW = 2,041 est supérieure à la valeur tabulée d u , 2 =1,69 au seuil   5%,

Nous acceptons l’hypothèse de non corrélation des résidus.
(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
Mois Prévision Borne inférieure Borne supérieure

Janvier 182433,1279 171023,6821 193842,5736
Février 163378,653 149486,7418 177270,5642
Mars 188607,9673 172934,4519 204281,4826
Avril 183676,3606 166680,6714 200672,0498
Mai 208947,522 190939,9043 226955,1397
Juin 202270,462 183473,6382 221067,2858
Juillet 180619,6881 161199,6076 200039,7685
Août 189647,2971 169730,6744 209563,9198
Septembre 184768,4496 164453,7003 205083,1988
65
Jenkins
Octobre 178095,5251 157460,0299 198731,0203

Novembre 181299,1494 160404,3056 202193,9933
Décembre 179800,827 158695,6866 200905,9673
 Le graphe suivant représente les réalisations et les valeurs ajustées pour l’année 2005
pour la série RA1K CARB.
Figure (07) : Diagramme séquentiel de la série brute et des prévisions

240000
220000
200000
180000
160000
RA1KCARB
140000
Fit for FIT_1 from A
120000 RIMA, MOD_2 NOCON
Date
II / LA SÉRIE PRODUCTION DES CARBURANTS DANS LA RAFFINERIE

D’ARZEW
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
Jenkins
MOYENNE DE RA1Z CARB VARIANCE DE RA1Z CARB
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.
Figure (02) : Corrélogrammes simple et partiel de la série brute (RA1Z CARB)
67
Jenkins
RA1ZCAR RA1ZCAR
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
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.
Test de Fisher (ANOVA) sur la série brute (RA1Z CARB) :
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
-Test d’influence du facteur ligne (mois) :

H 0 : « Pas d’influence du facteur mois » contre H1 : « Il y a influence du facteur mois ».
Fcal = 240,519324 > Ftab = 1,85129627. La série est affectée d’une saisonnalité.
-Test d’influence du facteur colonne (années) :

H 0 : «La série n’est pas affectée d’une tendance» contre H1 : « La série est tendancielle ».
Fcal = 17,3442911 > Ftab = 1,75648919. La série pourrait être affectée d’une tendance.
 Afin d’éliminer la saisonnalité, il convient d’appliquer l’opérateur de différence

saisonnière d’ordre 1 sur la série brute.
Notation : Par la suite nous notons la série production des carburants dans la raffinerie
D’ARZEW désaisonnalisé RA1Z CARB DES.
68
Jenkins
Figure (03) : Diagramme séquentiel de la série RA1Z CARB DES
30000
20000
10000
SDIF F (RA1Z CARB,1,12)

0
-10000
-20000
-30000
Date
Le tracé du graphe de la série RA1Z CARB DES reflète :

1. une stabilisation de la série autour d'une certaine moyenne.
2. La série ne présente pas une tendance.
Figure (04) : Corrélogrammes simple et partiel de la série RA1Z CARB DES
RA1ZCAR RA1ZCAR
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 Limites de confiance -,5 Limites de confiance

ACF

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

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.
Test de Fisher pour la série RA1Z 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 44000683,4 11 4000062,13 0,18273074 0,99828025 1,85617067
Colonnes 4976235399 13 382787338 17,4864816 1,4236E-23 1,7891663
69
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 :
tendancielle de la série RA1Z CARB DES, nous appliquons le test de la racine unitaire.
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 :

RA1Z CARBDES (-1) est égale à (-6,249141) .Cette valeur est inférieure à la valeur critique
70
Jenkins
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.
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
Le résultat de l’affichage pour la série (RA1Z CARB DES) est donné dans le tableau
suivant :

RA1Z CARB DES (-1) est égale à (-6,456656) .Cette valeur est inférieure à la valeur critique
avec des seuils standard (test symétrique, donc seuil de 1,96 à 5%). Le seuil standard de C est
71
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.
RA1Z CARB DES t =  1 RA1ZCARB DES t 1 +  t

Nous commençons par estimer le modèle [1] :
RA1Z CARB DES t  RA1Z CARB DES t 1   t ,
Nous testons alors la présence d’une racine unitaire dans le processus en testant la nullité du
Le résultat de l’affichage pour la série RA1Z CARB DES est donné dans le tableau suivant

RA1Z CARB DES (-1) est égale à (-6,479875) .Cette valeur est inférieure à la valeur critique
(existence d’une racine unitaire,  = 0).
 Interprétation des résultats du test de Dickey – Fuller :

D’après les résultats précédents, nous pouvons donc conclure que le processus
(RA1Z CARB DES t ) est stationnaire de type I(0).

La série désaisonnalisée a été générée par un processus stationnaire ; donc le modèle
suggéré est : SARIMA (3, 0,3) (1, 1,3) (D'après la Figure 04 ) .
Tableau 3
Modèles AIC BIC

2
SARIMA (3, 0,3) (1, 1,3) 3308,9039 3340,1435 4262,7372
72
Jenkins
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.
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.

AR1 ,89960375 ,04534291 19,840009 ,00000000
MA1 ,41139376 ,09154241 4,494024 ,00001310
SMA1 ,61713960 ,07054084 8,748685 ,00000000
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 1,96 et 1,64 aux risques de 5% et 10% respectivement.
73
Jenkins

Figure (05): Corrélogrammes simples et partiel des résidus
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.

Le nombre des points de retournements est égal à 112 (P= 112)
Nous avons : N=168, E ( P )  3110 ,67 et VAR ( P )  29,54 donc VAR ( P )  5,44
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
+----+----+----+----+----+----+----+----+
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
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.

Tableau 5
Valeur du test = 0
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
Jenkins
Test de Kolmogorov – Smirnov:

Tableau 6
Error for
RA1ZCAR
from
ARIMA,
MOD_12
NOCON
N 168
Positive ,049
Négative -,046
,822

Nous trouvons Dn  0,046 et Dn  0,049 au seuil 5%.
Alors Dn  sup i  Dn , Dn  =0,049<0,105 .Nous acceptons alors la normalité des résidus.

 
Test d’indépendance de Von – Neumann :

Sous l’hypothèse que les résidus sont gaussiens nous appliquons le test d’indépendance de
Von – Neumann. La statistique de Von Neumann calculée Von =1,27 est inférieur à la valeur
tabulée de la loi normale (1,96) .Nous acceptons alors l’hypothèse que les résidus sont
Test de Durbin – Watson (test de détection d’autocorrélation d’ordre 1 des résidus) :

Tableau 7
Erreur
standard
R-deux de
1 ,052a ,003 -,003 ********** 2,037
b. Variable dépendante : Error for RA1ZCAR from ARIMA, MOD_12 NOCON
D’après le Tableau 7, la statistique DW = 2,037 est supérieure à la valeur tabulée d u , 2
=1,69 au seuil   5%, donc « les résidus ne sont pas corrélés ».

Conclusion :
Nous pouvons conclure d’après ces tests que les résidus forment bien un bruit blanc gaussien.
76
Jenkins
Finalement : le modèle qui ajust le mieux la série RA1Z CARB est
 
(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

Janvier-2005 115766.8567 108680.4991 122853.2142
Février-2005 110534.8590 102578.4229 118491.2951
Mars-2005 137769.7653 129175.9541 146363.5764
Avril-2005 135440.0755 126365.0871 144515.0639
Mai-2005 130133.5191 120688.5452 139578.4929
Juin-2005 129082.1412 119349.2048 138815.0776
Juillet-2005 114382.1582 104423.1938 124341.1225
Aout-2005 122501.2699 112363.8034 132638.7365
Septembre-2005 92311.74735 82032.67114 102590.8236
Octobre-2005 84322.53003 73930.72663 94714.33342
Novembre-2005 112902.2332 102420.4586 123384.0077
Decembre-2005 108354.2832 97800.55381 118908.0126
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
Jenkins
160000
140000
120000
100000
80000 RA1ZCAR
60000 RIMA, MOD_2 NOCON
Date
III / LA SÉRIE PRODUCTION DES CARBURANTS DANS LA RAFFINERIE

D’ALGER
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
Jenkins
180000
160000
140000
120000
RA1G CAR
100000
80000
60000
Date
Figure (02) : Corrélogrammes simple et partiel de la série brute (RA1G CARB)

RA1GCAR RA1GCAR
1.0 1.0
.5 .5
0.0 0.0
-.5 -.5
ACF partiel

ACF
-1.0 Coefficient -1.0 Coefficient

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Pour détecter la saisonnalité, nous avons utilisé l’analyse de la variance.
Test de Fisher (ANOVA) sur la série brute (RA1G CARB) :

Les calculs se font à l’aide du logiciel Excel, ils ont donné les résultats suivants :
Tableau 1
ANALYSE DE VARIANCE
F Probabilité
Lignes 1.5101E+10 11 1372793740 31.0648377 1.0699E-33 1.85129627
Colonnes 5.2037E+10 14 3716950338 84.1105663 1.3323E-64 1.75648919
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
Jenkins
Notation : nous notons la série production des carburants dans la raffinerie d’ALGER
désaisonnalisée par RA1G CARB DES.
Figure (03) : Diagramme séquentiel de la série RA1G CARB DES

60000
40000
20000
-20000
RA1G CAR
-40000
-60000
Date
Figure (04) : Corrélogrammes simple et partiel de la série RA1G CARB DES

SDIFF(PRCARA1G,1,12) SDIFF(PRCARA1G,1,12)
1.0
1.0
.5
.5
0.0 0.0
-.5
ACF partiel
Limites de confiance -.5 Limites de confiance

ACF

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

En se basant sur les corrélogrammes simple et partiel de la série différenciée représentées

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
aux retards 12 et 24.
Une deuxième application du test de saisonnalité nous permet de nous s’assurer.
80
Jenkins
Test de Fisher pour la série RA1G CARB DES :
Tableau 2
ANALYSE DE VARIANCE
F Probabilité
Lignes 159310848 11 14482804,4 0,22274658 0,99578489 1,8561721
Colonnes 8519404182 13 655338783 10,079158 8,3889E-15 1,78916792
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

RA1G CAR DES (-1) est égale à (-6.3662) .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
81
Jenkins
seuils standard (test symétrique, donc seuil de 1.96 à 5%).Le seuil standard de @ TREND
(1990:01) est égale à (5,01771) qui est supérieure à 1,96 donc nous rejetons l’hypothèse nulle
de la nullité du coefficient de la tendance. Il en est de même pour la constante
Finalement : selon le test de Dickey – Fuller nous pouvons donc conclure que le
processus (RA1G CARB DES t ) est non stationnaire de type TS.
 Le meilleur ajustement du processus est l’ajustement cubique car R 2 associé égale
0,205 est le plus grand (voir Tableau 3)
Tableau 3
Dependent Mth Rsq d.f. F Sigf b0 b1 b2 b3
RA1GCAR_1 LIN ,051 166 8,84 ,003 139,344 -47,959
RA1GCAR_1 LOG ,036 166 6,12 ,014 8580,72 -2974,1
RA1GCAR_1 INV ,025 166 4,32 ,039 -6385,1 119339
RA1GCAR_1 QUA ,094 165 8,53 ,000 -6969,1 149,147 -1,0213
RA1GCAR_1 CUB ,205 164 14,07 ,000 11887,2 -762,79 10,1165 -,0385
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
Estimation de la tendance cubique :

Estimons l’équation d’ajustement y t qui est donnée par la formule suivante :
y t  b0  b1  t  b2  t 2  b3  t 3 , les cœfficients b 0 , b 1 , b 2 et b 3 sont données par le tableau
suivant :
82
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
Time -762,785294 202,275700 -3,576151 -3,771 ,0002

Time**2 10,116508 2,352869 9,382119 4,300 ,0000
Time**3 -,038472 ,008041 -6,237758 -4,785 ,0000
(Constant) 11887,210655 4877,111335 2,437 ,0159
A présent, considérons la série ajustée (dépourvue de sa composant tendancielle) que nous

allons étudier.
Notation : Nous notons la série ajustée par RA1G AJUST t elle est donnée par la formule :
RA1G AJUST t = RA1G CARB DES t  y t .
Figure (06) : Corrélogrammes simple et partiel de la série RA1G AJUST

RA1GAJUS
RA1GAJUS 1,0
1,0
,5
,5
0,0
0,0
-,5
ACF partiel
-,5 Limites de confiance

Limites de confiance
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Les Corrélogrammes simple et partiel de la série RA1G AJUST, nous montre quelques pics
qui dépassent l’intervalle de confiance.
Test de racine unitaire (Dickey – Fuller) sur la série RA1G AJUST :

A partir des tableaux ci-dessous, nous déterminons le type de la tendance DS ou TS si elle
persiste.
83
Jenkins
RA1G AJUST t =  1 RA1G AJUST t 1 +  t  c   t . Avec  t est un processus stationnaire.

RA1G AJUST t =  1 RA1G AJUST t 1 + C   t .

RA1G AJUST t =  1 RA1G AJUST t 1 +  t
84
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.
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
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
Jenkins

Tableau 6
Modèles AIC BIC

2
SARIMA (1, 0,0) (2, 1,0) 3449,1356 3458,5075 6601,7452
Selon les critères d’information AIC et BIC, nous retenons le modèle

SARIMA (1, 0,0) (2,1,0) comme un modèle générateur de la série.
Estimation des paramètres du modèle optimal

AR1 ,55318114 ,06416158 8,621688 ,0000000
SAR1 -,77642072 ,07013540 -11,070312 ,0000000
SAR2 -,58971342 ,06076725 -9,704461 ,0000000
Adéquation du modèle (validation) :
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.

Figure (07): Corrélogrammes simple et partiel des résidus
Error for RA1GAJUS from ARIMA, MOD_14 NOCON Error for RA1GAJUS from ARIMA, MOD_14 NOCON
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Nous voyons bien que les résidus du modèle SARIMA (1,0,0)(2,1,0) forment un bruit blanc .

86
Jenkins
n2
Le nombre des points de retournements égal à P= X
i 1
i = 101.
2 16n  29
Nous avons : n = 168, E ( P )  (n  2)  110,67 et VAR ( P )   29,54 ,
3 90
P  E ( P)
VAR ( P )  5,44 . S   1,78 .
Var ( P )
Donc : S = 1,78 < S (tabulée) = 1,96 alors, nous acceptons l’hypothèse H 0 : « les résidus
Test de Box-Ljung:
H 0 : « Les auto corrélations jusqu’au pas k, (k=N/4) ne sont pas significatives » C'est-à-dire
H 0 : « 1   2  ...   K  0 » Contre H 1 : «  j : j  1,45 tel que  j  0 ».
 Corrélogrammes des résidus du modèle optimal :

+----+----+----+----+----+----+----+----+
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
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
87
Jenkins
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 . * . 30,003 ,933
44 -,073 ,066 . *I . 31,229 ,926
45 -,018 ,066 . * . 31,300 ,940
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.

Pour tester l’hypothèse H 0 : « m=0 » contre H 1 : « m  0 »
t
La statistique : t =
  / n 1
Si t  t n 1 à 5% (=1,96) nous acceptons l’hypothèse de la nullité de la moyenne des résidus.
Tableau 7
Valeur du test = 0
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 ».
Tests de normalité sur les résidus :

Kurtossis et la statistique de Jarque-Berra données par le logiciel EVIEWS. En utilisant le
88
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
0
-20000-10000 0 10000 20000 30000 40000

H 0 :  1  0 et   0
Nous testons les hypothèses suivantes : avec

2


H
 1 : 1  0 ou  2  0
 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.

H 1 : « il n’ y a pas de normalité des résidus ».
N N
La statistique de Jarque et Berat : S=  1    2  3 2 = 497,3345 > 5,991.
6 24
Conclusion : les résidus forment un bruit blanc non gaussien.
89
Jenkins
C- Test Kolmogorov – Smirnov
Error for
RA1GAJUS
from
ARIMA,
MOD_14
NOCON
N 168
Positive ,093
Négative -,102
Z de Kolmogorov-Smirnov 1,322
,061

En utilisant le logiciel Spss nous trouvons les résultats suivants :
Dn  SUP Dn , Dn   = 0,102 <

1,36
168
résidus sont gaussiens.
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 »
H1: « Les résidus sont hétéroscedastiques »
Figure (09) : Corrélogrammes simple et partiel des résidus au carré

ERRCAR ERRCAR
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
 Corrélogrammes des résidus au carré

90
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
Seul le premier terme du corrélogramme partiel et le premier terme du corrélogramme simple

qui sont significativement différent de zéro, nous soupçonnons une modélisation de type
ARCH.
Test ARCH sur les résidus
 ARCH (1)
Tableau 8
ARCH Test:
F-statistic 4.931712 Probability 0.027755
Obs*R-squared 4.845099 Probability 0.027725
Variable Coefficient Std. Error t-Statistic Prob.
91
Jenkins
C 62002410 19280981 3.215729 0.0016
RESID^2(-1) 0.171853 0.077385 2.220746 0.0278
Coefficient Std. Error z-Statistic Prob.
Variance Equation
C 2.96E+15 1.86E+14 15.86033 0.0000
ARCH(1) 15.82278 0.588713 26.87689 0.0000
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  t21 , il reste à montrer que  t est un bruit blanc
gaussien, pour le faire nous appliquons les testes suivants :
1. Test de Box – Ljung:
 Corrélogramme des erreurs  t
Autocorrelations: UT
Auto- Stand.
+----+----+----+----+----+----+----+----+
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
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
D’après le Corrélogramme des erreurs  t

on à  0., 95 (45) = 65,410; Elle est supérieure à Q
2
45 = 31,301 donc les résidus forment un bruit blanc.
2. Test des points de retournements :

Après calculs à l’aide du logiciel Matlab nous avons obtenu les résultats suivants :
N=103 ; P= 111 ; E ( P)  110 et VAR ( P)  29,37 donc VAR (P )  5,42
D’où S = 0,184 inférieur à 1,96 Donc nous acceptons H 0 « les résidus forment bien un
bruit blanc ».
3. Test de Kolmogorov-Smirnov
93
Jenkins
UT
N 168
Paramètres normaux a,b Moyenne ********
Ecart-type ********
Positive ,093
Négative -,102
Z de Kolmogorov-Smirnov 1,322
,061

D’après le Tableau nous avons la statistique de Kolmogorov-Smirnov notée


Dn  SUP Dn , Dn  = 0,102 <
1,36
168
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
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
Jenkins
Tableau 10

Janvier 77633,7407 64018,50072 91248,98065
Février 78423,047 62530,72438 94315,36961
Mars 74289,3499 57400,21582 91178,48392
Avril 70611,4187 53183,30494 88039,53246
Mai 71299,2385 53364,59266 89233,88437
Juin 87892,5663 69480,65708 106304,4756
Juillet 85797,374 66934,77496 104659,973
Août 94282,7178 74993,69162 113571,7439
Septembre 92760,9746 73067,78263 112454,1666
Octobre 88334,4581 68257,61331 108411,3029
Novembre 85425,3441 64983,82034 105866,8678
Décembre 90556,545 69767,95183 111345,1381
pour la série RA1G CARB.
200000
180000
160000
140000
120000
100000
80000 RA1GCAR
60000 PREV
Date
95
Jenkins
IV / LA SÈRIE PRODUCTION DES ARBURANTS DANS LA RAFFINERIE DE

HASSI - MESSAOUD
Notation : Nous notons la série production des carburants dans la raffinerie de

Hassi - Messaoud : RAHM CARB.
Identification
La série RAHM CARB représente l’évolution mensuelle de la production des carburants dans
la raffinerie de Hassi - Messaoud sur une période allant de janvier 1990 à décembre 2004.
Graphes de la moyenne et de la variance pour la série brute (RAHM CARB) :
MOYENNE DE RAHM CARB VARIANC DE RAHM CARB
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.
Figure (01) : Diagramme séquentiel de la série brute (RAHM CARB)

60000
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
Jenkins
Figure (02) : Corrélogrammes simple et partiel de la série brute (RAHM CARB)
RAHMCARB RAHMCARB
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
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.
Test de Fisher (ANOVA) sur la série brute (RAHM CARB)

Les résultats du test de saisonnalité sont regroupés dans le tableau ci-dessous :
Tableau 1
ANALYSE DE VARIANCE
F Probabilité
Lignes 1.2202E+10 11 1109303327 674.573126 3.379E-124 1.85129627
Colonnes 2774845454 14 198203247 120.528426 2.3717E-75 1.75648919
Les résultats tirés de cette analyse sont les suivantes :

1. Existence de la composante saisonnière.
2. La série RAHM CARB est peut être affectée d’une tendance.
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
Jenkins
figure (03) : Diagramme séquentiel de la série RAHM CARB DES

10000
8000
6000
4000
2000
RAHM CARB
-2000
-4000
-6000
Date
Figure (04) : Corrélogrammes simple et partiel de la série RAHM CARB DES
SDIFF(RAHMCARB,1,12) SDIFF(RAHMCARB,1,12)
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Le corrélogramme de la série désaisonnalisée (Figure 04) montre la présence des pics

significatifs avant le retard 12 et un pic significatif au retard 24 pour le corrélogramme
simple et un pic significatif avant le retard 12 pour le corrélogramme partiel.
Test de Fisher pour la série RAHM CARB DES :

Tableau 2
ANALYSE DE VARIANCE
F Probabilité
Lignes 4085523.93 11 371411.266 0.31963093 0.98059818 1.85617067
Colonnes 1675635529 13 128895041 110.925126 8.4423E-68 1.7891663
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
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.
Test de racine unitaire ( Dickey-Fuller) sur la série RAHM CARB DES :
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.
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
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.
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.
RAHM CARB DES t =  1 RAHM CARB DES t 1 +  t
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
Jenkins
 Interprétation des résultats du test de Dickey-Fuller :
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.
Figure (05) : Diagramme séquentiel de la série RAHM CARB DES DIF

20000
10000
D IF F (R A H M C A _ 1 ,1 )
-10000
-20000
Date
D’après le graphe de la série différenciée (Figure05), nous remarquons que la chronique se

stabilise autour de zéro. Ce qui veut dire que la série est devenu stationnaire, les étapes
suivantes confirment le résultat.
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
-.5 Limites de confiance -.5 Limites de confiance

ACF

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

Transforme: différence (1), Différence saisonnière (1, période 12) Transforme: différence (1), Différence saisonnière (1, période 12)
101
Jenkins
Test de Fisher pour la série RAHM CARB DES DIF :

Tableau 3
ANALYSE DE VARIANCE
variations carrés liberté carrés F Probabilité pour F
Lignes 4025447.56 11 365949.778 0.14394152 0.99944117 1.85617067
Colonnes 24942286.1 13 1918637.4 0.75467072 0.70625863 1.7891663
Fcal  0,14394152 < Ftab = 1,85617067 au seuil 0.05, ceci explique que H 0 est accepté,
donc l’effet saisonnier n’existe pas.

Fcal  0,75467072 < Ftab  1,7891663 la série n’est pas affectée d’une tendance.
Après différentiation la nouvelle série est : RAHM CARB DES DIF t , nous appliquons de
nouveau le test de racine unitaire : Test de Dickey – Fuller.
Test de racine unitaire (Dickey – Fuller) sur la série RAHM CARB DES DIF :

RAHM CARB DES DIF t =  1 RAHM CARB DES DIF t 1 +  t  c   t . Avec  t est un
processus stationnaire
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
Jenkins

RAHM CARB DES DIF t =  1 RAHM CARB DES DIF t 1 + C   t
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.
RAHM CARB DES DIF t =  1 RAHM CARB DES DIF t 1 +  t
t ̂ = - 13.17425 ; Cette valeur est inférieure à la valeur critique au seuil 5% (-1.9417) donc
nous rejetons l’hypothèse H 0 (existence d’une racine unitaire,  = 0).

Selon le test de Dickey - Fuller nous pouvons donc conclure que le processus (RAHM
CARB DES DIF t ) est stationnaire de type I(0).
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
SARIMA (1, 1,1) (2, 1,2) 2909,353 2928,0609 1420,5333
103
Jenkins

AR1 .90051317 .05906951 15.244975 .00000000
MA1 .99013989 .04826757 20.513562 .00000000
SAR1 -.15209645 .52184925 -.291457 .77107724
SAR2 -.10712132 .31877587 -.336040 .73727853
SMA1 .16491104 .53403514 .308802 .75787148
SMA2 .17387026 .44689361 .389064 .69774282
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.

Le choix du modèle optimal se fera parmi tous les modèles proposés, ce choix est basé sur
l’examen des critères d’information AIC, BIC.
Tableau 5
Modèles AIC BIC 2
SARIMA (1, 1,1) (0, 1,0) 2922,0412 2928,2771 1507,9996
SARIMA (1, 1,1) (0, 1,1) 2909,5136 2918,8676 1438,74
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.
L’estimation des coefficients du modèle SARIMA (1, 1,1) (0, 1,1) est donnée
par la table ci-dessous
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.
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
Jenkins
Figure (07) : Corrélogrammes simple et partiel des résidus :
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
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Test des points de retournements:

Il s’agit de tester l’hypothèse nulle :
H 0 : « Les  i forment un bruit blanc » contre H 1 : « Il existe une corrélation entre les  i
i = 1, n ».
n2
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:

H 0 : « Les auto corrélations au pas k, (k=N/4) ne sont pas significatives » C'est-à-dire
H 0 : « 1   2  ...   K  0 » Contre H 1 : «  j : j  1,45 tel que  j  0 ».
 k2 K
Ce test est basé sur la statistique de Box-Ljung au pas k : Q  n(n  1) .
k 1 n  k
Si Q   0,95 ( K  p  q ) , nous acceptons l’hypothèse H 0 .

2
105
Jenkins

+----+----+----+----+----+----+----+----+
1 -.056 .077 . *I . .530 .467
2 -.002 .076 . * . .531 .767
3 -.018 .076 . * . .589 .899
4 .050 .076 . I* . 1.028 .905
5 -.049 .076 . *I . 1.449 .919
6 -.004 .076 . * . 1.452 .963
7 .003 .075 . * . 1.454 .984
8 .049 .075 . I* . 1.888 .984
9 .054 .075 . I* . 2.407 .983
10 -.023 .075 . * . 2.503 .991
11 -.254 .074 **.**I . 14.156 .224
12 .081 .074 . I**. 15.354 .223
13 .121 .074 . I**. 18.033 .156
14 -.017 .074 . * . 18.086 .203
15 -.016 .073 . * . 18.131 .256
16 .004 .073 . * . 18.134 .316
17 .001 .073 . * . 18.134 .380
18 -.083 .073 .**I . 19.439 .365
19 .044 .072 . I* . 19.807 .406
20 -.027 .072 . *I . 19.948 .461
21 .038 .072 . I* . 20.224 .507
22 -.017 .072 . * . 20.280 .566
23 -.079 .071 .**I . 21.507 .550
24 -.180 .071 *.**I . 27.896 .264
25 .011 .071 . * . 27.920 .312
26 -.010 .071 . * . 27.941 .361
27 .005 .070 . * . 27.946 .414
28 -.018 .070 . * . 28.011 .464
29 -.002 .070 . * . 28.012 .517
30 -.112 .070 .**I . 30.583 .436
31 .070 .069 . I* . 31.609 .436
32 -.018 .069 . * . 31.679 .483
33 -.021 .069 . * . 31.773 .528
34 .000 .069 . * . 31.773 .577
35 .075 .068 . I* . 32.960 .567
36 -.105 .068 .**I . 35.322 .501
37 -.042 .068 . *I . 35.707 .530
38 .000 .068 . * . 35.707 .576
39 .010 .067 . * . 35.731 .620
40 -.004 .067 . * . 35.734 .663
41 .014 .067 . * . 35.776 .702
42 -.056 .067 . *I . 36.479 .711
43 -.016 .066 . * . 36.539 .746
44 .036 .066 . I* . 36.838 .769
45 -.044 .066 . *I . 37.286 .786
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
Jenkins

Tableau 6
Valeur du test = 0
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
Tests de normalité sur les résidus :

Figure (08)
30
Series: ERR
Sample 1991:01 2004:12
25
Observations 167
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
0
-8000 -4000 0 4000 8000 12000
A- Test de Skewness (asymétrie) et de Kurtosis(aplatissement) :

H 0 :  1  0 et   0
Soient les hypothèses suivantes :

2


H
 1 :  1  0 ou  2  0
Après calcule nous obtenons :
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
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.
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.
C- Test Kolmogorov –Smirnov:
Tableau 7
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
.000

D’après le Tableau7 nous avons la statistique de Kolmogorov-Smirnov notée


Dn qui est SUP Dn , Dn  égale à 0,059 ; elle est inférieur à 0,105 .D’où « les erreurs sont
gaussiens ».
Conclusions :
gaussien. Finalement le modèle qui ajuste le mieux la série RAHM CARB s’écrit
sous la forme suivante :
 Prévision
108
Jenkins
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.
Tableau 8

Janvier 37695,23908 34526,21542 40864,26275
Février 34530,81482 31361,79116 37699,83848
Mars 34989,66772 31820,64409 38158,69135
Avril 28705,04942 25536,02579 31874,07304
Mai 33902,00284 30732,97921 37071,02647
Juin 39349,96841 36180,94479 42518,99204
Juillet 43839,01508 40669,99146 47008,03871
Août 44246,66952 41077,64589 47415,69315
Septembre 41700,40950 38531,38588 44869,43313
Octobre 45676,28435 42507,26073 48845,30798
Novembre 41675,23501 38506,21138 44844,25863
Décembre 10340,47798 7171,45435 13509,50161
pour la série RAHM CARB.
109
Jenkins
60000
50000
40000
30000
20000
RAHMCARB
10000
0 RIMA, MOD_3 NOCON
Date
V / LA SÉRIE VENTE DES CARBURANTS DANS LA RÉGION EST
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.
Graphes de la moyenne et de la variance pour la série brute (EST CARB) :

MOYENNE DE EST CARB VARIANCE DE EST CARB
300000 600000000
200000 400000000
100000 200000000
0 0
1 3 5 7 9 11 13 15 1 3 5 7 9 11 13 15
L’évolution de la moyenne et la variance calculée montrent que la moyenne est presque

constante à travers le temps contrairement à la variance qui varie au cours du temps, ce qui
pourrait signifier que la série est non stationnaire.
Figure (01) : Diagramme séquentiel de la série brute (EST CARB)
110
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
Figure (02) : Corrélogrammes simple et partiel de la série brute(EST CARB)
ESTCARBU ESTCARBU
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
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
F Probabilité
111
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
l’opérateur de différence saisonnière  12  (1  B 12 ). l’opération effectuée, la nouvelle série

générée est : EST CARB DES.
Figure (03) : Diagramme séquentiel de la série EST CARB DES

40000
S D IF F ( E S T C A R B U ,1 ,1 2 )
20000
-20000
-40000
Date
Figure (04) : Corrélogramme simple et partiel de la série EST CARB DES

SDIFF(ESTCARBU,1,12) SDIFF(ESTCARBU,1,12)
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
112
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
F Probabilité
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.
Test de la racine unitaire ( Dickey-Fuller) sur la série EST CARB DES:

A partir des tableaux ci-dessous. Nous déterminons le type de la tendance DS ou TS :
EST CARB DES t =  1 EST CARB DES t 1 +  t  c   t . Avec  t est un processus
stationnaire
113
Jenkins
A la lecture de tableau ci-dessus, nous remarquons que la statistique t ̂ = (-7,658493) ; Cette
valeur est inférieure à la valeur critique tabulée au Seuil 5% (-3,4374) : l’hypothèse H 0

« Existence d’une racine unitaire,   0 »est rejetée, donc la série EST CARB DES ne
possède pas de racine unitaire, Le coefficient de la tendance  = 3,965737 est supérieur à
1,96 au seuil de 5% donc nous rejetons l’hypothèse nulle de la nullité du coefficient de la
tendance.
D’après les résultats précédents, la série n’admet pas une racine unitaire. Elle manifeste une
tendance. Donc la série EST CARB DES est générée par un processus non stationnaire de
type TS (trend stationnary). Le meilleur ajustement c’est l’ajustement par la fonction cubique
car R2 associé égale 0,425 est le plus grand (voir tableau 3).
Tableau 3
ESTCAR_1 LIN .228 166 49.06 .000 -6966.9 106.299

ESTCAR_1 LOG .103 166 19.03 .000 -19902 5277.88
ESTCAR_1 INV .011 166 1.76 .186 4565.41 -80196
ESTCAR_1 QUA .352 165 44.83 .000 5604.95 -242.30 1.8062
ESTCAR_1 CUB .425 164 40.42 .000 21564.9 -1014.2 11.2332 -.0326
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
Estimation de la tendance Cubique
Estimons l’équation d’ajustement y t donnée par la formule suivante :
114
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
Dependent variable.. ESTCAR_1 Methode CUBIC

Multiple R .65200
R Square .42511
Adjusted R Square .41459
Standard Error 8282.73176
-------------------- Variables in the Equation ---------------
Time -1014.159274 179.441068 -4.556910 -5.652 .0000
Time**2 11.233231 2.087256 9.984486 5.382 .0000
Time**3 -.032563 .007133 -5.060051 -4.565 .0000
(Constant) 21564.891674 4326.540788 4.984 .0000
A présent considérons EST AJUST la série dépourvue de sa composante tendancielle donnée

par la formule EST AJUST t = EST CARB DES t - y t , que nous allons étudier.
Figure (06): Diagramme séquentiel de la série EST AJUST
30000
20000
10000
-10000
ESTAJU ST
-20000
-30000
-40000
Date
Figure (07) :Corrélogrammes simple et partiel de la série EST AJUST
115
Jenkins
ESTAJUST ESTAJUST
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
D’après les corrélogrammes de la série Ajusté nous constatons :

1- Le corrélogramme simple présente des pics significatifs aux retard d’ordre1, 2, 12, 24,34,...
2- Pour le corrélogramme partiel il existe des pics significatifs aux retards d’ordre 1, 2, 3, 7,
12 et15.
Test de racine unitaire ( Dickey-Fuller) sur la série EST AJUST :

Le test de Dickey-Fuller va nous permettre de tester la stationnarité de la série.

EST AJUST t =  1 EST AJUST t 1 +  t  c   t . Avec  t est un processus stationnaire

116
Jenkins
EST AJUST t =  1 EST AJUST t 1 + C   t
EST AJUST t =  1 EST AJUST t 1 +  t
La valeur de t ̂ dans les trois modèles est inférieure à la valeur critique au seuil 5%
indiquées directement par Eviews, nous rejetons alors l’hypothèse H 0 d’existence de

racine unitaire,le coefficient de la droite de tendance n’est pas significatif
(  = 0,189125 < 1,96). C égale à 0.015419, elle est inférieure à 1,96 donc nous
acceptons l’hypothèse de la nullité de la constante. Donc la série EST AJUST n’a ni
tendance déterministe ni tendance stochastique.
Selon le test de Dickey - Fuller nous pouvons donc conclure que le processus
(EST AJUST t ) est stationnaire de type I (0).

La série obtenue est générée par un processus stationnaire ; Donc le modèle suggéré est :
SARIMA (3, 0,3) (1, 1,2).
Tableau 5

2
Modèles AIC BIC
SARIMA (3, 0,3) (1,1,2) 3433,0886 3461,2043 6354,056
117
Jenkins
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.

Tableau 6
Modèles AIC BIC


2
SARIMA (3, 0,2) (1, 1,0) 3429,4839 3448,2277 6344,8928
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).

AR1 -.6433670 .07531111 -8.542790 .00000000
AR2 -.4438677 .08667298 -5.121178 .00000085
AR3 .4708265 .07124995 6.608096 .00000000
MA1 -1.0105813 .05020297 -20.129911 .00000000
MA2 -.9090832 .05353222 -16.981982 .00000000
SAR1 -.4554331 .07191309 -6.333104 .00000000
Adéquation du modèle (validation) :
118
Jenkins
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.

Error for ESTAJUST from ARIMA, MOD_39 NOCON
1.0
.5
0.0
AC F p a rtie l
-.5
-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.

Le nombre des points de retournements égal à 115 (P = 115)
Nous avons : n =168, E ( P )  110,67 et VAR ( P )  29,54 d'où VAR ( P )  5,44
Donc : S = 0,80 < S (tabulée) = 1,96; nous acceptons l’hypothèse H 0 : « les résidus
Test de Box-Ljung :
Les valeurs de la statistique de Box-Ljung sont données par le corrélogramme suivant:
 Corrélogrammes des erreurs du modèle optimal
+----+----+----+----+----+----+----+----+
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
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
Le corrélogramme des résidus montre qu’aucun terme n’est significativement différent de

zéro et la statistique de Box-Ljung Q-stat(h) est inférieure à toutes les valeurs lues dans la
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
Le résidu peut être assimilé à un processus bruit blanc.Donc le modèle

SARIMA (3, 0,2) (1, 1,0) est validé pour représenter la série vente carburent dans la région
EST.
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 (08))
Test de la nullité de la moyenne des résidus

Pour tester l’hypothèse H 0 : « m = 0 » contre H 1 : « m  0 », nous utilisons le test de
t
Student basé sur la statistique : t =
  / n 1
Si t  t n 1 à 5% (=1,96) nous acceptons l’hypothèse de la nullité de la moyenne des résidus.
120
Jenkins
Tableau 7
Valeur du test = 0
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

Kurtosis et la statistique de Jarque-Berra données par le logiciel EVIEWS. En utilisant le
Figure (09)
14
Series: ERR
12 Sample 1991:01 2004:12
Obs ervations 168
10
Mean 31.44113
Median -467.9455
8
Maximum 14208.76
Minimum -16380.00
6 Std. Dev. 6356.060
Sk ewnes s 0.028982
4 Kurtosis 2.795550
2 Jarque-Bera 0.316116
0
-15000 -10000 -5000 0 5000 10000 15000

H 0 :  1  0 et   0

2


H
 1 : 1  0 ou  2  0
Après calcul nous obtenons :

Test de Skewness :  1 =0,153<1,96 ; Test de Kurtosis :  2 = 0,54< 1,96
Donc, d’après le résultat du test, nous acceptons 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 :

N N
Nous définissons la statistique S par : S=  1    2  3 2
6 24
H 1 : « les résidus ne suivent pas une loi normale ».
121
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
Error for
ESTAJUST
from
ARIMA,
MOD_39
NOCON
N 168
Paramètres normaux a,b Moyenne 31.4411335
Positive .053
Négative -.038
Z de Kolmogorov-Smirnov .693
.723

Nous testons la normalité des résidus en utilisant la statistique : Dn  sup i  Dn , Dn 

 
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.

Sous l’hypothèse de normalité des résidus nous testons :
 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
Test de Durbin-Watson (Test de détection d’autocorrélation d’ordre 1 des erreurs) :

H 0 : «   0 » contre H 1 : «   0 ».
Tableau 9
122
Jenkins
Erreur
standard
R-deux de
1 ,002a ,000 -,006 6375,1585 2,086
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.
Test d’homoscédastisité des résidus:

Soient les hypothèses :
H 0 : « Les résidus sont homoscédastiques »
H 1 : « Les résidus sont hétéroscedastiques »
Si  cal (1)   0,95 (1) l’hypothèse H 0 est acceptée et donc les résidus du modèle forment un
2 2
échantillon aléatoire gaussien et cet échantillon est un bruit blanc.
Corrélogramme des résidus au carré

+----+----+----+----+----+----+----+----+
1 .025 .076 . I* . .108 .743
2 .094 .076 . I**. 1.636 .441
3 -.020 .076 . * . 1.705 .636
4 .090 .076 . I**. 3.128 .537
5 .001 .076 . * . 3.128 .680
6 .002 .075 . * . 3.129 .793
7 .130 .075 . I*** 6.146 .523
8 -.035 .075 . *I . 6.359 .607
9 .091 .075 . I**. 7.848 .550
10 -.142 .074 ***I . 11.510 .319
11 .088 .074 . I**. 12.927 .298
12 .084 .074 . I**. 14.227 .286
123
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
En analysant le corrélogramme des résidus au carré du modèle optimal SARIMA (3,0,2)

(1,1,0), nous remarquons que tous ses termes sont à l’intérieur de l’intervalle de confiance
cela veut dire que les résidus du modèle optimal sont homoscédastiques.
Conclusions :
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
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
Janvier 198940.6 184567.2717 213313.9421
Février 194506.5 180135.4019 208877.6117
Mars 203623 189252.5253 217993.5109
Avril 188512.6 174142.3113 202882.8507
Mai 192703.5 178333.3411 207073.7203
Juin 200887.8 186517.6397 215258.0097
Juillet 208512 194141.9408 222882.043
Août 210009.6 195639.7441 224379.3872
Septembre 216350.2 201980.4499 230719.9441
Octobre 212780.9 198411.648 227150.1889
Novembre 205800.5 191431.3819 220169.5976
Décembre 209408.2 195039.3066 223777.0802
VI / LA SÉRIE VENTE DES CARBURANTS DANS LA RÉGION OUEST
125
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.
Graphes de la moyenne et de la variance pour la série brute :
MOIYENNE DE OUEST CARB VARIANCE DE OUEST CARB
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
L’évolution de la moyenne est presque constante contrairement à la variance qui varie

dans le temps ce qui veut dire que la série OUEST CARB pourrait ne pas stationnaire.
Figure (01) : Diagramme séquentiel de la série brute (OUEST CARB)

120000
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.
Figure (03) : Corrélogramme simple et partiel de la série brute (OUEST CARB)
126
Jenkins
OUESTCAR OUESTCAR
1,0 1,0
,5 ,5
0,0 0,0
AC F pa rtiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
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
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
de l'opérateur de différence saisonnière  S  (1  B 12 ). l'opération effectuée, la nouvelle

série générée est vente des carburants dans la région OUEST désaisonnalisée que nous allons
étudier.(notée OUEST CARB DES ).
Figure (04) : Diagramme séquentiel de la série OUEST CARB DES
20000
S D IF F ( O U E S T C A R , 1 , 1 2 )
10000
-10000
-20000
Date
Figure (05) : Corrélogrammes simple et partiel de la série OUEST CARB DES

127
Jenkins
SDIFF(OUESTCAR,1,12) SDIFF(OUESTCAR,1,12)
1,0
1,0
,5
,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

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

OUESTL CARB DES t =  1 OUESTL CARB DES t 1 +  t  c   t . Avec  t est un

OUEST CARB DES t =  1 OUEST CARB DES t 1 + C   t
128
Jenkins

OUEST CARB DES t =  1 OUEST CARB DES t 1 +t
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.

L'analyse du corrélogramme partiel de la série stationnaire OUEST CARB DES (Figure 05)
montre qu'aux retards (k = 1, 2, 3,12) les termes sont significativement différents de zéro et ce
qui concerne le corrélogramme simple, nous remarquons qu'aux retards (k = 1, 2, 3, 4, 5, 6,7,
8, 24) les termes sont aussi à l'extérieur de l'intervalle de confiance, par conséquent nous
avons un modèle candidat SARIMA (3, 0,1) (3, 1,1).
Tableau 2
Modèles AIC BIC

2
SARIMA (3, 0,1) (3, 1,1) 6285,3557 6307,2234 31398742
129
Jenkins
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.

Tableau 3

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.
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
-1,0 Coefficient
1 7 13 19 25 31 37 43
4 10 16 22 28 34 40
Numéro de décalage
130
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.

n2
2 16n  29
n=168 , P= X
i 1
i = 101, E ( P )  (n  2)  110,67 et VAR ( P ) 
3 90
 29,54 ,
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 :
Corrélogramme des erreurs du modèle optimal

Auto- Stand.
+----+----+----+----+----+----+----+----+
1 -,062 ,076 . *I . ,659 ,417
2 ,055 ,076 . I* . 1,170 ,557
3 ,081 ,076 . I**. 2,310 ,511
4 ,000 ,076 . * . 2,310 ,679
5 -,018 ,076 . * . 2,365 ,797
6 ,052 ,075 . I* . 2,840 ,829
7 -,075 ,075 .**I . 3,839 ,798
8 ,015 ,075 . * . 3,878 ,868
9 ,016 ,075 . * . 3,922 ,916
10 -,047 ,074 . *I . 4,319 ,932
11 ,010 ,074 . * . 4,337 ,959
12 -,048 ,074 . *I . 4,751 ,966
13 ,016 ,074 . * . 4,801 ,979
14 -,008 ,073 . * . 4,814 ,988
15 -,077 ,073 .**I . 5,931 ,981
16 -,025 ,073 . *I . 6,049 ,988
17 -,061 ,073 . *I . 6,755 ,987
18 ,012 ,072 . * . 6,783 ,992
19 ,071 ,072 . I* . 7,738 ,989
20 ,061 ,072 . I* . 8,452 ,988
21 -,044 ,072 . *I . 8,829 ,991
22 ,070 ,071 . I* . 9,784 ,988
23 ,060 ,071 . I* . 10,489 ,988
24 -,144 ,071 ***I . 14,592 ,932
25 ,158 ,071 . I*** 19,588 ,768
26 -,020 ,071 . * . 19,671 ,807
27 ,057 ,070 . I* . 20,338 ,816
28 ,031 ,070 . I* . 20,528 ,844
29 ,010 ,070 . * . 20,549 ,875
30 -,124 ,070 .**I . 23,728 ,784
31 -,002 ,069 . * . 23,728 ,821
32 -,033 ,069 . *I . 23,959 ,846
33 -,105 ,069 .**I . 26,309 ,789
34 ,054 ,068 . I* . 26,924 ,801
35 -,016 ,068 . * . 26,976 ,832
36 -,069 ,068 . *I . 28,005 ,827
37 -,095 ,068 .**I . 29,982 ,787
38 ,164 ,067 . I*** 35,886 ,568
39 ,024 ,067 . * . 36,017 ,607
40 -,005 ,067 . * . 36,022 ,650
41 ,065 ,067 . I* . 36,967 ,650
131
Jenkins
42 -,026 ,066 . *I . 37,115 ,685
43 -,081 ,066 .**I . 38,597 ,663
44 ,039 ,066 . I* . 38,951 ,687
45 -,050 ,066 . *I . 39,533 ,702
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
comme un bruit blanc.
Tableau 4
Valeur du test = 0
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.

30
Series: ERREUR
Sample 1991:01 2004:12
25
Obs erv ations 168
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

H 0 :  1  0 et   0

2


H
 1 : 1  0 ou  2  0
 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
Jenkins
B – Test de Jarque et Bera :

La statistique de Jarque et Bera notée (S) est égale à 2,9049 elle est inférieure à  2 ( 2) = 5,99.
Nous concluons que les résidus forment un bruit blanc gaussien.
C – Test de Kolmogorov – Smirnov:
Tableau 5
Error for
OUESTCAR
from ARIMA,
MOD_4
NOCON
N 168
Positive ,056
Négative -,055
,659

D’après le Tableau 5 nous avons la statistique de Kolmogorov – Smirnov notée


Dn  SUP Dn , Dn  = 0,056 <
1,36
168

Tableau 6
b
Récapitulatif du modèle
Erreur
standard
R-deux de
1 ,034a ,001 -,005 31554624 2,053
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
Jenkins
Test d’homoscédastisité des résidus au carré
 Corrélogramme des résidus au carré

+----+----+----+----+----+----+----+----+
1 -,044 ,076 . *I . ,327 ,568
2 ,071 ,076 . I* . 1,195 ,550
3 ,000 ,076 . * . 1,195 ,754
4 ,001 ,076 . * . 1,196 ,879
5 -,003 ,076 . * . 1,197 ,945
6 -,047 ,075 . *I . 1,581 ,954
7 -,019 ,075 . * . 1,647 ,977
8 ,227 ,075 . I**. 10,806 ,213
9 -,036 ,075 . *I . 11,040 ,273
10 ,089 ,074 . I**. 12,485 ,254
11 ,090 ,074 . I**. 13,943 ,236
12 ,036 ,074 . I* . 14,179 ,289
13 ,030 ,074 . I* . 14,348 ,350
14 -,061 ,073 . *I . 15,037 ,376
15 -,048 ,073 . *I . 15,475 ,418
16 ,042 ,073 . I* . 15,802 ,467
17 -,091 ,073 .**I . 17,380 ,429
18 ,015 ,072 . * . 17,424 ,494
19 ,029 ,072 . I* . 17,584 ,550
20 -,046 ,072 . *I . 18,000 ,587
21 ,058 ,072 . I* . 18,656 ,607
22 -,012 ,071 . * . 18,683 ,665
23 -,065 ,071 . *I . 19,511 ,671
24 -,055 ,071 . *I . 20,100 ,691
25 -,015 ,071 . * . 20,148 ,739
26 -,045 ,071 . *I . 20,556 ,765
27 -,052 ,070 . *I . 21,107 ,781
28 -,094 ,070 .**I . 22,903 ,738
29 -,103 ,070 .**I . 25,068 ,675
30 ,103 ,070 . I**. 27,279 ,609
31 -,106 ,069 .**I . 29,620 ,537
32 -,013 ,069 . * . 29,657 ,586
33 -,090 ,069 .**I . 31,369 ,548
34 -,018 ,068 . * . 31,438 ,594
35 -,022 ,068 . * . 31,538 ,636
36 -,142 ,068 ***I . 35,928 ,472
37 -,019 ,068 . * . 36,009 ,515
38 ,051 ,067 . I* . 36,587 ,535
39 -,085 ,067 .**I . 38,170 ,508
40 -,009 ,067 . * . 38,189 ,552
41 -,067 ,067 . *I . 39,207 ,551
42 ,062 ,066 . I* . 40,076 ,556
43 ,012 ,066 . * . 40,108 ,597
44 -,023 ,066 . * . 40,231 ,634
45 -,010 ,066 . * . 40,255 ,673
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
Jenkins
(1  B12 )(1  0.947  B)(1  0,336  B12 ) OUEST CARB t  (1  0,644  B)  t .

Conclusions :
Le modèle qui ajuste le mieux la série OUEST CARB est : SARIMA (1, 0,1) (1,1,0)
qui s’écrit sous la forme suivante :
 Prévisions
Les prévisions sont calculées pour la période allant de janvier 2005 à Décembre 2005
Tableau 7

Janvier 104778,3469 98396,71440 111159,9795
Février 109513,9803 102847,5504 116180,4102
Mars 108251,0321 101339,2150 115162,8493
Avril 108192,5375 101067,8812 115317,1938
Mai 110420,9585 103110,7313 117731,1856
Juin 109767,0288 102294,3304 117239,7273
Juillet 108617,6383 101002,2099 116233,0668
Août 109726,3290 101985,1617 117467,4962
Septembre 109380,9243 101528,7276 117233,1210
Octobre 108312,9514 100362,5206 116263,3823
Novembre 108057,1376 100019,6477 116094,6274
Décembre 108272,2721 100157,5167 116387,0276
135
Jenkins
VII/ LA SÉRIE VENTE DES CARBURANTS DANS LA RÉGION CENTRE
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 :
MOYENNE DE CENTRE CARB VARIANCE DE CENTRE CARB
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
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.
Figure (02) : Corrélogramme simple et partiel de la série brute (CENTRE CARB)
CENTRCAR CENTRCAR
1,0 1,0
,5 ,5
0,0 0,0
AC F partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
 Test de saisonnalité sur la série brute (CENTRE CARB) :

Le test classique en cette matière est le test de Fisher
Tableau 1
ANALYSE DE VARIANCE
F Probabilité
Lignes 5251292091 11 477390190 8,60261316 9,4242E-12 1,85129627
Colonnes 4,8524E+10 14 3466027441 62,458119 4,5944E-56 1,75648919
Les résultats tirés de cette analyse sont les suivantes :

1. Existence de la composante saisonnière.
2. La série CENTRE CARB est peut être affectée d’une tendance.
137
Jenkins
Afin de gommer la saisonnalité, nous appliquons l’opérateur 1  B 12  à la série brute.
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
Figure (04) : Corrélogramme simple et partiel de la série CENTRE CARB DES

SDIFF(CENTRCAR,1,12) SDIFF(CENTRCAR,1,12)
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
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
Jenkins
CENTRE CARB DES t =  1 CENTRE CARB DES t 1 +  t  c   t . Avec  t est un
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 ».
(1990:01) est égale à (2.449345) qui est supérieure à 1,96 donc nous rejetons l’hypothèse
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
CENTRC_1 LIN ,141 166 27,32 ,000 -4286,2 80,0869

CENTRC_1 LOG ,048 166 8,31 ,004 -11674 3439,97
CENTRC_1 INV ,000 166 ,06 ,803 3672,34 -14484
CENTRC_1 QUA ,271 165 30,72 ,000 8039,52 -261,69 1,7709
139
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
Estimation de la tendance Cubique

y t  b0  b1  t  b2  t 2  b3  t 3 Avec les cœfficients b 0 , b 1 , b 2 et b 3 sont données par le
tableau suivant :
Tableau 3
Dependent variable.. CENTRC_1 Method.. CUBIC

Multiple R ,64450
R Square ,41538
Adjusted R Square ,40469
Standard Error 7994,80319

Time -1299,068621 173,203245 -6,098237 -7,500 ,0000
Time**2 14,440783 2,014698 13,409720 7,168 ,0000
Time**3 -,043765 ,006885 -7,104977 -6,356 ,0000
(Constant) 29489,712148 4176,139357 7,061 ,0000
A présent considérons CENTRE AJUST la série dépourvue de sa composante tendancielle

donnée par la formule CENTRE AJUST t = CENTRE CARB DES t - y t , que nous allons
étudier.
Figure (06) : Diagramme séquentiel de la série CENTRE AJUST
140
Jenkins
30000
20000
10000
-10000
C EN T R AJU
-20000
-30000
-40000
Date
Figure (07) : Corrélogrammes simple et partiel de la série CENTRE AJUST
CENTRAJU CENTRAJU
1,0 1,0
,5 ,5
0,0 0,0
ACF partiel
-,5 -,5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
En se basant sur les correlogrammes simple et partiel de la série différenciée représentées

dans la Figure (07), nous constatons que :
1. pour l’ACF : il y a des pics significatifs avant le retard 12 et un pic significatif
au retard 12.
2. pour l’ACF partiel : il y a des pics significatif avant le retard 12 et un pic
significative au retard 12.
Test de racine unitaire (Dickey- Fuller) sur la série CENTRE AJUST

CENTRAJUST t =  1 CENTRAJUST t 1 +  t  c   t . Avec  t est un processus
stationnaire
141
Jenkins

CENTRAJUST t =  1 CENTRAJUST t 1 + C   t
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
Jenkins
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.

Tableau 4
Modèles AIC BIC

2
SARIMA (3, 0,3) (1, 1,3) 3598,2588 3429,4985 6605,5668

AR1 -.14909303 .02797289 -5.329911 .00000033
AR2 .06662514 .02928629 2.274960 .02425313
AR3 .94588207 .02795284 33.838492 .00000000
MA1 -.75118107 .19628275 -3.827036 .00018648
MA2 -.68855975 .31879313 -2.159895 .03228855
MA3 .29330283 .15326263 1.913727 .05746308
SAR1 -.08993573 .99309615 -.090561 .92795617
SMA1 .44357753 .99093173 .447637 .65502845
SMA2 -.08594414 .52790088 -.162804 .87088115
SMA3 .08785249 .13267353 .662170 .50882666
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.
Tableau 5
Modèles AIC BIC

2
SARIMA (3,0,2) (1,1,0) 3266,7099 3285,0091 6269,6165

SARIMA (3,0,1)(2,1,1) 3269,831 3287,4587 6634,7603
Au regard des critères d’information, le modèle optimal est SARIMA (3, 0,2) (1, 1,0) dont
nous estimons ces paramètres.

AR1 -,7683587 ,32201324 -2,3861090 ,01827511
AR2 ,4154910 ,16722737 2,4845872 ,01406900
AR3 ,3401347 ,14694678 2,3146795 ,02198706
143
Jenkins
MA1 -1,2870472 ,29709382 -4,3321240 ,00002691
MA2 -,2880691 ,31635889 -2,0705771 ,03397920
SAR1 -,6488260 ,06659310 -9,7431405 ,00000000
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 CENTRAJU from ARIMA, MOD_15 NOCON

1,0
Error for CENTRAJU from ARIMA, MOD_15 NOCON
1,0
,5
,5
0,0
0,0
-,5
A C F p a rtie l
Limites de confiance -,5

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

n2
2 16n  29
n =168, P=
i 1
X 3
i = 110, E ( P )  (n  2)  110,67 et VAR ( P ) 
90
 29,54
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
Test de Box-Ljung :
 Corrélogramme des erreurs du modèle optimal

+----+----+----+----+----+----+----+----+
1 -,024 ,076 . * . ,100 ,752
2 ,005 ,076 . * . ,104 ,949
3 ,026 ,076 . I* . ,219 ,974
4 ,093 ,076 . I**. 1,715 ,788
144
Jenkins
5 ,017 ,076 . * . 1,766 ,881
6 -,083 ,075 .**I . 2,990 ,810
7 ,109 ,075 . I**. 5,095 ,648
8 -,077 ,075 .**I . 6,151 ,630
9 ,025 ,075 . * . 6,260 ,714
10 ,057 ,074 . I* . 6,851 ,739
11 ,046 ,074 . I* . 7,239 ,779
12 -,078 ,074 .**I . 8,342 ,758
13 -,070 ,074 . *I . 9,242 ,754
14 -,045 ,073 . *I . 9,610 ,790
15 ,045 ,073 . I* . 9,996 ,820
16 -,067 ,073 . *I . 10,830 ,820
17 -,005 ,073 . * . 10,834 ,865
18 -,078 ,072 .**I . 12,002 ,847
19 -,057 ,072 . *I . 12,626 ,857
20 ,018 ,072 . * . 12,692 ,890
21 -,001 ,072 . * . 12,692 ,919
22 -,029 ,071 . *I . 12,856 ,937
23 ,044 ,071 . I* . 13,231 ,947
24 -,134 ,071 ***I . 16,815 ,856
25 ,009 ,071 . * . 16,832 ,888
26 ,060 ,071 . I* . 17,548 ,892
27 -,044 ,070 . *I . 17,942 ,905
28 -,005 ,070 . * . 17,947 ,927
29 -,174 ,070 ***I . 24,133 ,722
30 -,005 ,070 . * . 24,137 ,766
31 -,082 ,069 .**I . 25,525 ,744
32 ,053 ,069 . I* . 26,125 ,758
33 -,078 ,069 .**I . 27,421 ,741
34 -,027 ,068 . *I . 27,574 ,774
35 ,091 ,068 . I**. 29,350 ,737
36 -,057 ,068 . *I . 30,042 ,747
37 -,006 ,068 . * . 30,049 ,784
38 -,007 ,067 . * . 30,059 ,817
39 -,035 ,067 . *I . 30,327 ,839
40 -,051 ,067 . *I . 30,917 ,848
41 -,148 ,067 ***I . 35,817 ,700
42 ,020 ,066 . * . 35,905 ,734
43 -,058 ,066 . *I . 36,664 ,741
44 -,012 ,066 . * . 36,694 ,775
45 -,028 ,066 . *I . 36,870 ,800
Pour le nombre de retard k = 45, p =3, q = 2, P =1, la statistique Q 45 = 36,870 inférieure à
 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.
Test de la nullité de la moyenne des résidus
Tableau 6
Valeur du test = 0
Error for CENTRAJU from
,073 167 ,942 30.2669095 -791.391 851.92455
ARIMA, MOD_15 NOCON
145
Jenkins
t = 0,073 est inférieure à 1,96 ; donc nous acceptons l’hypothèse H 0 : « la moyenne des
résidus est nulle ».
Test de Kolmogorov – Smirnov:
Tableau 7
Error for
CENTRAJU
from
ARIMA,
MOD_15
NOCON
N 168
Ecart-type **********
Positive ,034
Négative -,041
,940


Dn  SUP Dn , Dn  = 0,041 <
1,36
168

Après avoir confirmé que les résidus sont gaussiens, ce test peut être effectué.

Après les calcules à l'aide du logiciel Excel nous avons obtenu les résultats suivants :
 D2   D2 
D 2 = 59542261,84 et S  2 =28925758,3 Sous H 0 : E  2 S  2  = 1 et var 2 S  2  =0,0059 ;
   

Tableau 8
146
Jenkins
Erreur
standard
R-deux de
1 ,015a ,000 -,006 5409,9599 2,046
b. Variable dépendante : Error for CENTRAJU from ARIMA, MOD_15 NOCON
La statistique DW = 2,046 est supérieure à la valeur tabulée valeur tabulée d u , 2 =1,69 au

seuil   5%, nous acceptons l’hypothèse de non corrélation des résidus.
Test d’homoscédastisité des résidus au carré
Figure (09) : Corrélogramme simple et partiel des résidus au carré
+----+----+----+----+----+----+----+----+
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
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
yˆ t  [(1  B 12 )(1  0,768  B  0,415  B 2  0,34  B 3 ) (1  0,648  B 12 ) CENTRE CARBt ]

 (1  1,287  B  0,228  B 2 )  t .
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
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

Janvier 195140,893 184 292,66 206 837,47
148
Jenkins
Février 185177,432 172 314,20 199 663,26

Mars 198582,939 186 674,55 215 803,44
Avril 198279,177 180 622,70 211 685,40
Mai 202473,447 187 705,30 221 700,11
Juin 204839,509 186 860,82 221 932,93
Juillet 211719,73 192 691,47 229 400,53
Août 211866,044 194 126,97 232 760,41
Septembre 216592,55 192 059,88 231 456,07
Octobre 207729,727 190 897,26 231 715,26
Novembre 191942,337 175 630,03 217 732,71
Décembre 203301,225 180 199,16 222 910,11

220000
200000
180000
160000
140000
120000
100000 CENTRCAR
80000 Fit for FIT
Date
VIII/ DE LA SÉRIE VENTE DES CARBURANTS DANS LA RÉGION SUD
Notation : Nous notons la série vente des carburants dans la région SUD:SUD CARB.
Identification
149
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.
Graphes de la moyenne et de la variance pour la série brute (SUD CARB) :

MOYENNE DE SUD CARB VARIANCE DA SUD CARB
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.
Figure (01) : Diagramme séquentiel de la série brute (SUD CARB)

90000
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.
Figure (02) : corrélogrammes simple et partiel de la série brute (SUD CARB)
150
Jenkins
SUDCARB SUDCARB
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
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
F Probabilité
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
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
Limites de confiance -.5

ACF

1 7 13 19 25 31 37 43 1 7 13 19 25 31 37 43
4 10 16 22 28 34 40 4 10 16 22 28 34 40
Une deuxième application du test de saisonnalité nous permet de nous s’assurer.
Test de Fisher pour la série SUD CARB DES
Tableau 4
ANALYSE DE VARIANCE
F Probabilité
Lignes 56573350.5 11 5143031.86 0.34224964 0.97470204 1.85129627
Colonnes 2024650850 14 144617918 9.62378463 4.082E-15 1.75648919
saison a disparu. Il nous reste à tester la tendance en utilisant le test de la racine unitaire.
Test de la racine unitaire (Dickey-Fuller) sur la série SUD CARB DES :

152
Jenkins
tendancielle de la série SUD CARB DES, nous appliquons le test de la racine unitaire.
SUD CARB DES t =  1 SUD CARB DES t 1 +  t  c   t .

SUD CARB DES (-1) est égale à (-7,1879651) .Cette valeur est inférieure à la valeur critique
(1990:01) est égale à (2,2209280) qui est supérieure à 1,96 donc nous rejetons l’hypothèse

tendance. Donc la série SUD CARB DES est générée par un processus non stationnaire de
type TS. Le meilleur ajustement c’est l’ajustement par la fonction cubique car son R 2 égale
0,613 est le plus grand (voir tableau 3).
Tableau 3
153
Jenkins
SUDCARB LIN .290 178 72.59 .000 54501.6 90.6154

SUDCARB LOG .096 178 18.95 .000 50650.4 2860.98
SUDCARB INV .003 178 .51 .474 62869.7 -5221.2
SUDCARB QUA .612 177 139.66 .000 65796.1 -281.73 2.0572
SUDCARB CUB .613 176 92.99 .000 65019.6 -230.95 1.3577 .0026
SUDCARB COM .276 178 67.90 .000 54774.0 1.0014
SUDCARB POW .090 178 17.64 .000 51717.1 .0435
SUDCARB S .002 178 .41 .522 11.0390 -.0735
SUDCARB GRO .276 178 67.90 .000 10.9110 .0014
SUDCARB EXP .276 178 67.90 .000 54774.0 .0014
SUDCARB LGS .276 178 67.90 .000 1.8E-05 .9986
Figure (05) : Diagramme séquentiel de la série SUD CARB avec Ajustement

SUDCARB
90000
80000
70000
60000
50000
Observé
40000 Cubique
-100 0 100 200
Séquence
Estimation de la tendance Cubique :

y t  b0  b1  t  b2  t 2  b3  t 3 Avec les cœfficients b 0 , b 1 , b 2 et b 3 sont données par le
tableau suivant :
Tableau 4
Dependent variable.. SUDCARB Method.. CUBIC

Multiple R .78305
R Square .61316
Adjusted R Square .60657
Standard Error 5502.60994
Time -230.952824 79.937822 -1.371750 -2.889 .0043
Time**2 1.357739 1.024724 1.506987 1.325 .1869
Time**3 .002576 .003722 .491033 .692 .4898
(Constant) 65019.586187 1675.341917 38.81 .0000
154
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
Figure (07) : Corrélogrammes simple et partiel de la série SUD AJUST

SUDAJUST SUDAJUST
1.0 1.0
.5 .5
0.0 0.0
ACF partiel
-.5 -.5
ACF

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

SUD AJUST t =  1 SUD AJUST t 1 +  t  c   t . Avec  t est un processus stationnaire
Nous commençons par estimer le modèle [3] : X t  X 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
155
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 ».
(1990:01) est égale à (0,261439) qui est inférieure à 1,96 donc nous acceptons l’hypothèse

SUD AJUST t =  1 SUD AJUST t 1 + C   t
Nous estimons le modèle [2] :  X t  X 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 (SUD AJUST t ) est donné dans le tableau.
156
Jenkins

SUDAJUST (-1) est égale à (-8,610270) .Cette valeur est inférieure à la valeur critique au
seuil 5% (-2,8788) indiquée en haut du tableau donc nous rejetons l’hypothèse H 0
avec des seuils standard (test symétrique, donc seuil de 1.96 à 5%).Le seuil standard de C est
égale à 0,138028, il est inférieur à 1,96 donc nous acceptons l’hypothèse de la nullité 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.
SUD AJUST t =  1 SUD AJUST t 1 +  t

Nous commençons par estimer le modèle [1] : X t  X t 1   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 SUD AJUST t est donné dans le tableau.

SUDAJUST (-1) est égale à (-8,635830).Cette valeur est inférieure à la valeur critique au
157
Jenkins
seuil 5% (-1.9417) indiquée en haut du tableau donc nous rejetons l’hypothèse H 0 (existence
d’une racine unitaire,  = 0).
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
SARIMA (3, 0,3) (1, 1,1) 3229,3559 3254,3476 3429,1665
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.
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
Jenkins
Après l’estimation des paramètres nous passons à l’étape de validation (adéquation du
modèle).
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.
L’inspection du corrélogramme de l’ACF et du PACF des résidus du modèle optimal, montre

que ces derniers forment un bruit blanc, ce que l’on va confirmer en utilisant les tests
suivants :
n2
Le nombre des points de retournements égal à P = X
i 1
i =102.
2 16n  29
Nous avons : n = 168 ; E ( P )  (n  2)  110,67 et VAR ( P )   29,54
3 90
P  E ( P)
VAR ( P )  5,44 . S   -1,59. Donc : S = 1,59 < S (tabulée) = 1,96 alors, nous
Var ( P )
acceptons l’hypothèse H 0 : « les résidus forment bien un bruit blanc ».
Test de Box-Ljung
 Corrélogrammes des résidus du modèle optimal :
+----+----+----+----+----+----+----+----+
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
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-
Ljung quand k = 45 est égale à 45,471, inférieure à  39

2
= 54,57 au seuil  = 0,05.

Tableau 7
Valeur du test = 0
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
160
Jenkins

Figure (08)
40
Series : ERR
Sample 1991:01 2004:12
Obs erv ations 168
30
Mean 112.8521
Median 146.1320
Max imum 11035.87
20
Minimum -12657.96
Std. Dev . 3445.604
Sk ewness -0.225382
10 Kurtos is 4.159504
0
-12000 -8000 -4000 0 4000 8000 12000

Après calcules nous obtenons :
 Test de Skewness :  1  1,193 < 1,96
 Test de Kurtosis :  2  1,4789 < 1,96
L’hypothèse de normalité est acceptée en ce qui concerne la symétrie et l’aplatissement de la

distribution. Confirmons ce résultat à l'aide du test de Jarque-Bera.
La statistique de Jarque et Bera noté (S) est égale à 4,123329 ; est inférieure à la valeur
 02, 95 (2)  5,99 d’où les résidus sont gaussien.
C- Test de Kolmogorov – Smirnov
Tableau 8
Error for
SUDAJUST
from
ARIMA,
MOD_86
NOCON
N 168
Positive .061
Négative -.071
Z de Kolmogorov-Smirnov .916
.371

En utilisant le logiciel Spss nous trouvons les résultats suivants :
161
Jenkins

Dn  SUP Dn , Dn  = 0,071 <
1,36
168

Tableau 9
b
Récapitulatif du modèle
Erreur
standard
R-deux de
1 ,145a ,021 ,015 3790,2161 2,090
b. Variable dépendante : Error for SUDCARB from ARIMA, MOD_5 NOCON
La statistique DW = 2,090 est supérieure à la valeur tabulée valeur tabulée d u , 2 =1,69 au

seuil   5%, nous acceptons l’hypothèse de non corrélation des résidus.
Test d’homoscédasticité des résidus au carré :
 Corrélogramme des résidus au carré

+----+----+----+----+----+----+----+----+
1 .083 .076 . I**. 1.172 .279
2 .026 .076 . I* . 1.292 .524
3 -.015 .076 . * . 1.331 .722
4 -.010 .076 . * . 1.349 .853
5 -.128 .076 ***I . 4.213 .519
6 -.064 .075 . *I . 4.936 .552
7 -.044 .075 . *I . 5.277 .626
8 -.050 .075 . *I . 5.718 .679
9 .156 .075 . I*** 10.098 .343
10 .132 .074 . I*** 13.268 .209
11 .061 .074 . I* . 13.934 .237
12 .075 .074 . I* . 14.962 .244
13 -.038 .074 . *I . 15.227 .293
14 -.011 .073 . * . 15.249 .361
15 .009 .073 . * . 15.265 .433
16 -.012 .073 . * . 15.294 .503
17 -.080 .073 .**I . 16.512 .488
162
Jenkins
18 -.032 .072 . *I . 16.705 .543
19 -.075 .072 . *I . 17.778 .537
20 .003 .072 . * . 17.780 .602
21 .005 .072 . * . 17.786 .663
22 .033 .071 . I* . 17.997 .706
23 .068 .071 . I* . 18.917 .706
24 .108 .071 . I**. 21.218 .626
25 -.058 .071 . *I . 21.895 .642
26 .002 .071 . * . 21.896 .694
27 .068 .070 . I* . 22.823 .694
28 -.082 .070 .**I . 24.186 .672
29 .033 .070 . I* . 24.411 .708
30 .036 .070 . I* . 24.681 .740
31 -.075 .069 .**I . 25.868 .728
32 -.075 .069 .**I . 27.063 .715
33 .053 .069 . I* . 27.655 .730
34 .058 .068 . I* . 28.366 .740
35 -.074 .068 . *I . 29.531 .729
36 .084 .068 . I**. 31.041 .703
37 .025 .068 . * . 31.173 .738
38 .106 .067 . I**. 33.628 .672
39 -.064 .067 . *I . 34.546 .673
40 -.060 .067 . *I . 35.336 .680
41 -.092 .067 .**I . 37.241 .638
42 -.070 .066 . *I . 38.339 .632
43 -.070 .066 . *I . 39.468 .625
44 -.011 .066 . * . 39.496 .665
45 .067 .066 . I* . 40.540 .661
Le corrélogramme des résidus au carré confirme que les résidus forment un bruit blanc
gaussien.
Conclusions :
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
ŷ t + SARIMA (2, 0,2) (1,1,1) qui s’écrit sous la forme suivante :
 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.
163
Jenkins
Tableau 9

Janvier 177645.6441 158633.9293 196657.3588
Février 162949.8441 129796.5358 196103.1525
Mars 177457.4552 137072.9654 217841.9450
Avril 171201.8564 126314.6147 216089.0981
Mai 175517.1436 127635.7085 223398.5788
Juin 180121.5147 130181.3111 230061.7183
Juillet 184338.2089 132953.2556 235723.1623
Août 191635.8791 139222.7847 244048.9735
Septembre 183211.4251 130058.9147 236363.9354
Octobre 176481.8170 122792.9363 230170.6976
Novembre 169547.1438 115466.2314 223628.0562
Décembre 175640.2793 121270.8126 230009.7460
pour la série SUD CARB.
164
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

Chapitre III Application de Méthode de Box &amp; Jenkins

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre III Application de Méthode de Box &amp; Jenkins

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre III Application de la méthode de Box &

I / LA SÉRIE PRODUCTION DES CARBURANTS DANS LA RAFFINERIE DE

Graphes de la moyenne et de la variance pour la série brute (RA1K CARB) :

Moyenne de RA1K CARBURANTS Variance de RA1K CARBURANTS

Nous remarquons à partir de la représentation graphique de la série RA1K CARB que la

-1,0 Coefficient -1,0 Coefficient

Numéro de décalage Numéro de décalage

Test de Fisher (ANOVA) sur la série brute (RA1K CARB) :

En appliquant le test nous trouvons que la valeur de la statistique de Fisher calculée

l’opérateur de différence saisonnière  12  (1  B 12 ). Après avoir enlevé la saisonnalité, la

Notation : Notons la série production des carburants dans la raffinerie de Skikda

Figure (03) : Diagramme séquentiel de la série RA1K CARB DES

Figure (04) : Corrélogrammes simple et partiel de la série RA1K CARB DES

-1,0 Coefficient -1,0 Coefficient

Numéro de décalage Numéro de décalage

donc l’effet saisonnier n’existe pas.

 Pour déterminer le type de la composante tendancielle TS ou DS et confirmer la non

statistique de Student t ̂ , où ̂ désigne l’estimateur des moindres carrés ordinaires (MCO).

Nous remarquons que la statistique de Student t ̂ associée à la variable endogène retardée

Nous remarquons que la statistique de Student t ̂ associée à la variable endogène retardée

RA1K CARB DES t =  1 RA1KCARB DES t 1 +  t .

Nous remarquons que la statistique de Student t ̂ associée à la variable endogène retardée

Identification et estimation du modèle a priori :

Test sur les paramètres :

Le choix du modèle optimal :

Estimation des paramètres du modèle optimal :

Il convient maintenant d’analyser les résidus à partir de leur fonction d’autocorrélation et

Tests sur les résidus du modèle optimal :

-1,0 Coefficient -1,0 Coefficient

Numéro de décalage Numéro de décalage

Test des points de retournements :

Test de Box – Ljung :

H 0 : « 1   2  ...   K  0 » Contre H 1 : «  j : j  1,  ,45 tel que  j  0 ».

Si Q   0,95 ( K  p  q ) , nous acceptons l’hypothèse H 0 .

 Corrélogramme des résidus du modèle optimal

La probabilité de la statistique de Box-Ljung est supérieure à 0,05 à n’importe quel retard et la

Test de la nullité de la moyenne des résidus :

Test sur échantillon unique

Tests de normalité sur les résidus du modèle optimal :

A- Test de Skewness (asymétrie) et de Kurtosis (aplatissement) :

Nous testons les hypothèses suivantes :

B- Test de Jarque et Bera :

Nous testons H 0 : « accepter la normalité des résidus au seuil  =0,05 » contre

Si S   1  2  nous rejetons L’hypothèse H 0 sinon nous l’acceptons.

C - Test de Kolmogorov – Smirnov:

Test de Kolmogorov-Smirnov à un échantillon

a. La distribution à tester est gaussienne.

D’après le Tableau 6 nous avons la statistique de Kolmogorov – Smirnov notée

Test d’indépendance de Von-Neumann :

Test de Durbin-Watson (Test de détection d’autocorrélation d’ordre1 des erreurs) :

La statistique DW = 2,041 est supérieure à la valeur tabulée d u , 2 =1,69 au seuil   5%,

Mois Prévision Borne inférieure Borne supérieure

Octobre 178095,5251 157460,0299 198731,0203

Figure (07) : Diagramme séquentiel de la série brute et des prévisions

II / LA SÉRIE PRODUCTION DES CARBURANTS DANS LA RAFFINERIE

MOYENNE DE RA1Z CARB VARIANCE DE RA1Z CARB

Figure (02) : Corrélogrammes simple et partiel de la série brute (RA1Z CARB)

-1,0 Coefficient -1,0 Coefficient

Numéro de décalage Numéro de décalage

Test de Fisher (ANOVA) sur la série brute (RA1Z CARB) :

-Test d’influence du facteur ligne (mois) :

-Test d’influence du facteur colonne (années) :

 Afin d’éliminer la saisonnalité, il convient d’appliquer l’opérateur de différence

SDIF F (RA1Z CARB,1,12)

Chapitre III Application de Méthode de Box & Jenkins

Chapitre III Application de Méthode de Box & Jenkins