Module :

Analyse des séries chronologiques

Pr. R. EL YAMANI

Master Marchés Financiers et Economie Appliquée

2ème Semestre

5/24/2021 2020-2021
Pr.R.EL YAMANI 1
 Plan de cours
1 Généralités sur les séries chronologiques

2 Détection de de la saisonnalité et Décomposition de la série

3 Stationnarité et processus non stationnaires

4 Tests de racine unitaire

5 Identification du processus générateur ARIMA

6 Méthode de Box & Jenkin

7 Modèles ARCH

8 Modèles GARCH
5/24/2021 Pr.R.EL YAMANI 2
 Détection de de
la saisonnalité
et Décomposition
de la série

5/24/2021 Pr.R.EL YAMANI 3

 Introduction

Le terme saisonnalité renvoi au fait que les saisons exercent une

influence certaine sur l’activité économique et sociale.

5/24/2021 Pr.R.EL YAMANI 4

 Meilleure compréhension du
phénomène

Objectifs
d’analyse
La prévision des des séries La Modélisation
valeurs futures chronologiq
ues-

Décomposition et
dessaisonalisation

5/24/2021 Pr.R.EL YAMANI 5

 Analyse de la
saisonnalité

5/24/2021 Pr.R.EL YAMANI 6

 Introduction
L’étude de la saisonnalité est un préalable au traitement d'une série
chronologique.
En effet, lorsque cette composante existe, il convient de l'isoler afin de
pouvoir analyser les autres caractéristiques.
Une désaisonnalisation systématique, sans tester l'existence de cette
composante, peut créer un « bruit » parasite nuisible à l'analyse de la
chronique et donc dégrader la qualité de la prévision.
Dans ce qui suit nous allons voir deux points essentiels:
===Les Techniques permettant de détecter une composante
saisonnière;
=== Les Méthodes de désaisonnalisation.
5/24/2021 Pr.R.EL YAMANI 7
 La détection de la saisonnalité

La
représentation
graphique Saisonnalité L’Analyse de
la variance
(ANOVA)

5/24/2021 Pr.R.EL YAMANI 8

 La détection de la saisonnalité
par la représentation graphique
2000000

1800000

1600000

1400000

1200000

1000000
Série1
800000

600000

400000

200000

0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 103 106

L'analyse graphique d'une chronique suffit, parfois, pour mettre

en évidence une saisonnalité. Néanmoins, si cet examen n'est pas
révélateur ou en cas de doute, le tableau de l’ANOVA permet
d'analyser plus finement l'historique.
5/24/2021 Pr.R.EL YAMANI 9
 La détection de la saisonnalité
par l’analyse de la variance
ANOVA
Il convient d’établir un tableau complet à deux entrées dans lequel sont consignées les
valeurs de yt . Il est constitué en ligne par les années et en colonne par le facteur à
analyser (mois, trimestre...). Dans notre exemple le facteur mois.
La série yt est relatives aux ventes mensuelles réalisées par une entreprise (Voir
Application 1: Détection de la saisonnalité et Décomposition de la série).
Annee/Mois Janvier Février Mars Avril Mai Juin Juillet Août Septembre Octobre Novembre Décembre
2008 698946 638041 718236 821271 784120 716939 888476 972707 813992 730863 696184 712995
2009 782471 642497 760498 999909 853569 804394 1009367 1111095 907950 821701 821917 880184
2010 870694 767514 975288 1112996 924080 937958 1188662 1295654 1007962 1038065 962669 1045039
2011 968713 913851 1089179 1102760 1060233 1028911 1241591 1359673 927334 1121050 1029702 1023464
2012 925859 887970 1066484 1161178 1088904 1064090 1323625 1361028 1014323 1178399 1112587 1165564
2013 1043362 995117 1216390 1251333 1255466 1262765 1587234 1511463 1313590 1398385 1273727 1253009
2014 1206197 1107231 1250160 1407424 1222021 1279706 1687813 1408773 1383552 1377514 1169888 1169639
2015 1081964 1035573 1167371 1315917 1212113 1245333 1512292 1498327 1369894 1321584 1186176 1158118
2016 1099282 1004268 1269531 1391086 1382546 1402087 1413756 1804211 1569708 1558858 1264159 1336699
5/24/2021 Pr.R.EL YAMANI 10
 La détection de la saisonnalité
par l’analyse de la variance
ANOVA
Apres avoir établi le tableau de Buys-Ballot, constitué en ligne par les
années et en colonne par le facteur à analyser (mois, trimestre...), il
convient de réaliser l’ANOVA sur Excel, en suivant les étapes :
1-Installer l’Utilitaire d’analyse sur Excel : Cliquer sur l’ongle
FichierOptionsComplémentsAtteindreCocher tous les
Macros complémentaires disponiblesOk
2-Aller sur l’ongle Données, puis cliquer sur Utilitaire d’analyse (à
votre droite)Choisir Analyse de variance : Deux facteurs sans
répétition d’expérienceOk
3-Cliquer sur intitulé présent Plage d’entréeSélectionner tout le
tableau Ok

5/24/2021 Pr.R.EL YAMANI 11

 La détection de la saisonnalité
par l’analyse de la variance
ANOVA
Test de l'influence du facteur "Année"
Hypothèses du test:
• H0: Les moyennes sont toutes égales (L'impact du facteur "année" n'est pas significatif
• H1: Les moyennes ne sont pas toutes égales (L'impact du facteur "année" est significatif, donc
la série est affectée d'une tendance)

Si la valeur F est supérieure à la Valeur critique pour F

Cas 1
La règle de décision: On rejette H0, donc la série est affectée d'une tendance

Si la valeur F est inférieure à la Valeur critique pour F

Cas 2 La règle de décision: On accepte H0, donc la série n’est pas affectée d'une
tendance

5/24/2021 Pr.R.EL YAMANI 12

 La détection de la saisonnalité
par l’analyse de la variance
ANOVA
Test de l'influence du facteur « Mois"
Hypothèses du test:
• H0: Les moyennes sont toutes égales (L'impact du facteur "Mois" n'est pas significatif)
• H1: Les moyennes ne sont pas toutes égales (L'impact du facteur "Mois" est significatif, donc
la série est affectée d'une tendance saisonnière)

Si la valeur F est supérieure à la Valeur critique pour F

Cas 1
La règle de décision: On rejette H0, donc la série est donc saisonnière

Si la valeur F est inférieure à la Valeur critique pour F

Cas 2 La règle de décision: On accepte H0, donc la série n’est pas saisonnière

5/24/2021 Pr.R.EL YAMANI 13

 La détection de la saisonnalité
par l’analyse de la variance
ANOVA: Application TD1
Test de l'influence du facteur "Année"
• H0: Les moyennes sont toutes égales (L'impact du facteur "année" n'est pas significatif
• H1: Les moyennes ne sont pas toutes égales (L'impact du facteur "année" est significatif, donc
la série est affectée d'une tendance)
• La statistique du test: F=103.77 > Valeur critique pour F=2.04
• La règle de décision: Rejet de H0, la série est donc affectée d'une tendance
Test de l'influence du facteur "Mois"
• H0: Les moyennes sont toutes égales (L'impact du facteur "mois" n'est pas significatif
• H1: Les moyennes ne sont pas toutes égales (L'impact du facteur "mois" est significatif, donc
la série est affectée d'une tendance saisonnière)
• La statistique du test F=31.91>Valeur critique pour F=1.89
• La règle de décision: Rejet de H0, la série est donc saisonnière
== La série des Ventes est donc affectée d’une saisonnalité et d’une tendance
==Pour la désosannaliser il faut analyser le schéma de décomposition.
5/24/2021 Pr.R.EL YAMANI 14
 Décomposition
Selon un schéma
additif ou
multiplicatif

5/24/2021 Pr.R.EL YAMANI 15

 Les modèles de décomposition

Un modèle est une image simplifiée de la réalité qui vise à

traduire les mécanismes de fonctionnement du phénomène
étudié et permet de mieux les comprendre.
Un modèle peut être meilleur qu’un autre pour décrire la
réalité et bien sûr plusieurs questions se posent alors :

comment mesurer cette qualité ?

comment diagnostiquer le meilleur modèle ?

5/24/2021 Pr.R.EL YAMANI 16

 Typologie de la modélisation
Les modèles déterministes
Ces modèles relèvent de la Statistique
Descriptive. Ils ne font intervenir que
de manière sous-jacente le calcul des
probabilités et ils consistent à
supposer que l’observation de la série
𝒀𝒕 à la date t est une fonction du
temps t et d’une variable 𝜺𝒕 centrée
faisant office d’erreur au modèle,
représentant la différence entre la
réalité et le modèle proposé :
𝒀𝒕 = 𝒇(𝒕, 𝜺𝒕 )
5/24/2021
Les modèles stochastiques
Ils sont du même type que les
modèles déterministes à ceci près
que les variables de bruit 𝜺𝒕
ne sont pas (independent and
identically distributed iid) mais
possèdent une structure de
corrélation non nulle : 𝜺𝒕 est une
fonction des valeurs passées (±
lointaines suivant le modèle) et
d’un terme d’erreur 𝒏𝒕 .
Où 𝒏𝒕 est un bruit blanc (variable
aléatoire de moyenne nulle non
corrélée).
ε𝒕 = 𝒂𝟏 𝑿𝒕−𝟏 + 𝒂𝟐 𝑿𝒕−𝟐 + 𝒏𝒕
Pr.R.EL YAMANI 17
5/24/2021 Pr.R.EL YAMANI 18
 Le modèle additif
Dans le cadre de l’étude des séries chronologiques, le modèle
additif est un modèle qui permet de modéliser le comportement
d’une série qui présente une saisonnalité additive.
Le modèle s’écrit:

𝑌𝑡 = 𝑇𝑡 + 𝑆𝑡 + 𝐴𝑡
Avec
𝑇𝑡 : La tendance
𝑆𝑡 : La variation saisonnière
𝐴𝑡 : Les variations accidentelles

5/24/2021 Pr.R.EL YAMANI 19

 Le modèle multiplicatif

La 1ère forme du modèle multiplicatif:

On suppose que les variations saisonnières(St) dépendent de la
tendance (Tt).
Et on considère que Yt s’écrit de la manière suivante :

Yt = Tt × St + At avec: t=1, ..., n

Dans ce modèle, l'amplitude de la composante saisonnière varie au

cours du temps proportionnellement à la tendance (Tt).

5/24/2021 Pr.R.EL YAMANI 20

 Le modèle multiplicatif
Les mouvements saisonniers ont une amplitude proportionnelle
à la tendance.
Amplitude
croissante

Trend

5/24/2021 Pr.R.EL YAMANI 21

 Le modèle multiplicatif

La 2 ème forme du modèle multiplicatif:

On suppose que les variations saisonnières et les variations accidentelles dépendent de la

tendance.
Et on considère que Yt s’écrit de la manière suivante :
Yt = Tt × St × At
Remarques:

Dans le cas d’une série (Yt) à valeurs positives, ce 2ème modèle multiplicatif
se ramène à un modèle additif en considérant la série (ln(Yt)):

ln(Yt) = ln(Tt) + ln(St) + ln(At).

La seule différence entre les 2 modèles multiplicatifs est dans l’estimation

des At, qui n’a pas une grande importance.

5/24/2021 Pr.R.EL YAMANI 22

 Recherche du modèle de
décomposition

Il existe trois méthodes simples pour choisir le modèle de

décomposition d'une série chronologique.

 Méthode de la bande
Les méthodes graphiques v

 Méthode du profil

La méthode analytique v  Méthode de Buys-Ballot

5/24/2021 Pr.R.EL YAMANI 23

 On fait un graphique représentant la série
chronologique, puis on trace une droite passant
respectivement par les minima et par les maxima de
chaque saison.
Si ces deux droites sont parallèles, nous sommes en
présence d’un modèle additif.
Dans le cas contraire, c’est un modèle multiplicatif.

5/24/2021 Pr.R.EL YAMANI 24

 Modèle additif

Représentation graphique de la série

180

170

160

150

140

130

120

110

100

90

80
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58

5/24/2021 Pr.R.EL YAMANI 25

 Modèle multiplicatif
Nouvelles immatriculations de voitures
particulieres,commerciales et utilitaires neuves selon le mois
6000

5000
y = 14,644x + 2590,1

4000

Série1
3000 Linéaire (Série1)

2000

1000

5/24/2021 Pr.R.EL YAMANI 26

 Pour faire cette détermination (modèle additif,
multiplicatif) graphiquement, on peut par exemple
superposer les saisons représentées par des droites de
profil sur un même graphique. Si ces droites sont
parallèles, le modèle est additif, autrement le modèle est
multiplicatif.

5/24/2021 Pr.R.EL YAMANI 27

 Modèle additif

14000000

12000000

10000000 Série9
Série8
Série7
8000000
Série6
Série5
6000000 Série4
Série3

4000000 Série2
Série1

2000000

0
1 2 3 4 5 6 7 8 9 10 11 12

5/24/2021 Pr.R.EL YAMANI 28

 Modèle multiplicatif

Nouvelles immatriculation de voitures particulieres,commerciales et utilitaires neuves selon le mois

6000

5000

4000
1996
1997

3000 1998
1999
2000

2000

1000

0
Janvier Fevrier Mars Avril Mai Juin Juillet Août
5/24/2021 29
 Méthode de Buys-Ballot

Apres avoir établi le tableau de Buys-Ballot (en ligne par les années et en colonne le
facteur à analyser, dans notre cas le mois), il convient de :
1-Calculer les moyennes et les écarts types de chaque année à part ;
2-Realiser la régression de la série des écarts types en fonction de la série des moyennes
déjà calculées.
Septemb
Annee/M Février Août Novembr Décembr Moyennes Ecarts types
re
ois Janvier Mars Avril Mai Juin Juillet Octobre e e (m) (σ)
766064.16 94335.5199
2008 698946 638041 718236 821271 784120 716939 888476 972707 813992 730863 696184 712995 67 6
2009 782471 642497 760498 999909 853569 804394 1009367 1111095 907950 821701 821917 880184 866296 126647.008
1010548.4 141538.776
2010 870694 767514 975288 1112996 924080 937958 1188662 1295654 1007962 1038065 962669 1045039 17 7
1072205.0 127176.007
2011 968713 913851 1089179 1102760 1060233 1028911 1241591 1359673 927334 1121050 1029702 1023464 83 6
1112500.9 140056.168
2012 925859 887970 1066484 1161178 1088904 1064090 1323625 1361028 1014323 1178399 1112587 1165564 17 2
1280153.4 167006.147
2013 1043362 995117 1216390 1251333 1255466 1262765 1587234 1511463 1313590 1398385 1273727 1253009 17 9
158174.527
2014 1206197 1107231 1250160 1407424 1222021 1279706 1687813 1408773 1383552 1377514 1169888 1169639 1305826.5 7
1258721.8 150275.515
2015 1081964 1035573 1167371 1315917 1212113 1245333 1512292 1498327 1369894 1321584 1186176 1158118 33 7
5/24/2021 30
Pr.R.EL YAMANI 1374682.5 212523.006
2016 1099282 1004268 1269531 1391086 1382546 1402087 1413756 1804211 1569708 1558858 1264159 1336699 83 8
 Méthode de Buys-Ballot

Cette méthode analytique consiste à calculer pour chacune des années la

moyenne et l'écart-type puis à vérifier la liaison entre l'écart-type et la moyenne
par la méthodes des moindres carrés. Nous devons rechercher le modèle :
𝜎𝑡 = 𝑎0 + 𝑎1 𝑌𝑡
 On teste les hypothèses :
• 𝐻0 : 𝑎1 = 0
• 𝐻1 : 𝑎1 ≠ 0

 Si la Probabilité de m est supérieure à 0,05, On accepte 𝐻0 , donc 𝑎1 = 0

alors l'écart-type n'est pas une fonction de la moyenne, le modèle est
additif.
 Si la Probabilité de m est inférieure à 0,05, On rejette 𝐻0, , 𝑑𝑜𝑛𝑐 𝑎1 ≠ 0
alors l'écart-type est une fonction de la moyenne, le modèle est multiplicatif.

5/24/2021 Pr.R.EL YAMANI 31

 Méthode de Buys-Ballot
Application TD 1

𝜎𝑡 = 𝑎0 + 𝑎1 𝑌𝑡
 On teste les hypothèses :
• 𝐻0 : 𝑎1 = 0
• 𝐻1 : 𝑎1 ≠ 0
σ= -6879+0.13 m
(Probabilité = 0.0017)

 la Probabilité de m est inférieure à 0,0.

On rejette 𝐻0 , donc 𝑎1 ≠ 0 alors l'écart-type est une fonction de la
moyenne, le modèle est multiplicatif

5/24/2021 Pr.R.EL YAMANI 32

 Méthodes de
Désaisonnalisation

5/24/2021 Pr.R.EL YAMANI 33

 Introduction

Des facteurs qui surviennent régulièrement à la même

période de l’année (jour, semaine, mois, trimestre ou
semestre) font varier les valeurs d’une série chronologique.
La désaisonnalisation d’une série économique, comme son
nom l’indique, consiste principalement à utiliser certaines
techniques mathématiques, dans l’objectif d’épurer la série
de sa composante saisonnière. Cette composante est extraite
de la série pour produire la série désaisonnalisée. En effet,
Cette composante saisonnière ne donne aucune indication
quant à l’évolution conjoncturelle de la série.

5/24/2021 Pr.R.EL YAMANI 34

 Méthodes de Désaisonnalisation

Non Paramétriques Paramétriques

(Modèles implicites ou traditionnels) (Modèles explicites ou récents)

Moyennes mobiles (Effet Slutsky-Yule: auto- Régression(fonctions

Stochastiques(aléatoires
corrélation induite par le lissage et introduction d’un déterministes du temps
non déterministes)
cycle artificiel dans les données) pour chaque composante)

X11-Census
-estimations itératives basées sur des moyenne ARIMA (aléatoires non
mobiles.-Méthode sensible aux effets de bord déterministes)

X11-ARIMA
-estimations itératives basées sur des moyenne
mobiles.-Double désaisonnalisation.

X12-Census
-Corrige beaucoup mieux la série initiale des effets
indésirables à l’aide de modèles de régression à erreur Pr.R.EL YAMANI 35
5/24/2021 ARIMA