Université Mohammed V de Rabat

École Mohammedia d’Ingénieurs

Département : Génie Modélisation et informatique scientifique

Rapport

Examen TP : Séries chronologiques

Réalisé par :
Encadré par :
AIT OUGARRAM
Jinane Mr.Youssef
LAMRANI

Année Universitaire : 2022/2023

1
.1-les packages nécessaires pour l’étude sont :

2- pour savoir si le processus est modélisable par un processus ARMA il faut voir sa
représentation graphique pour identifier su il est stationnaire ou non :

Le test de dickey fuller permet de tester la non stationnarité de type

stochastique, la p value est relativement un peu plus grande que 0.05 donc
nous pouvons accepter l’hypothèse H0 et dire que notre série serie1 n’est pas
stationnaire et donc on peut par utiliser ARMA

2
Interprétation :
D’après cette présentation, on peut déduire que la série « serie1 » a une
tendance et une saisonnalité et donc ce n’est pas possible de la modéliser par
un processus ARMA.

3-diviser la série en apprentissage et test :

Pour éviter le problème du overfitting nous allons diviser notre série de base
en deux une partie d’apprentissage pour laquelle nous avons réservé une
grande partie de la base de donner et on a isoler les donnée d’une année pour
ensuite tester la validité de notre modèle qu’on avait choisi en utilisant train
4-stationnariser la série train et tester sa stationnarité après transformation :
Pour la suite nous allons travailler avec Train :

3
Pour la série train nous allons appliquer l’operateur de différence simple une
seule fois pour éliminer la tendance d=1, ensuite nous allons appliquer
l’operateur de différence saisonnier une seule fois pour éliminer la saisonnalité
D=1.
Pour s’assurer que la série « trainning » ainsi obtenue et stationnaire nous
allons la tester par le test dickey fuller une autre fois, le test indique une p-
value=0.01 < 0.05 donc on rejette H 0 , et donc on rejette l’hypothèse que la
série est non stationnaire, donc elle stationnaire.
La representation aussi indique que la serie obtenue est stationnaire.
5-poposition des modèles :

4
D’après ce qui précède la différenciation nous a permis de déduire que d=1 et
D=1
On regarde la moitie d’une saison pour chacune des acf et pacf on trouve que
la ACF s’annule a partie de q=2
la PACF s’annule a partie de p=0 tend rapidement vers 0
Pour P ET Q on regarde les saisons
D’après la acf on peut dire que le Q=1
D’après la acf on peut dire que elle tend rapidement vers 0
Donc les modèle que nous pouvons proposer pour Train sont SARIMA(0,1,2)
(0,1,1) ou SARIMA(1,1,2)(0,1,2)
En fait nous allons tester tout les modèles possible avec un critère de
p+q+d+P+D+Q<6

5
On peut donc déduire que le modèle choisit est SARIMA(2,1,0)(0,1,1) parce que
il a la plus petite AIC
6- le modèle choisi

-test de significativité des coefficients :

6
Test de student :
On remarque que pour le deuxième coefficient la valeur est inferieur a 1,69
mais un peu proche donc ce coefficient est nul
Les autres sont significatifs
-test de normalité des résidus :

Donc on rejette H0 les residus ne sont pas normale

7
Donc d’après le test de ljung box les résidus sont blanches parce que la p
value > 0.05 donc on accepte H0 la blancheur des résidus
Le checkbox aussi on trouve que les autocorrélations sont dans l’intervalle de
confiance, sauf pour la normalité il ne suit pas la courbe parfaitement
Pour conclure on peut dire que ce modèle est acceptable et peut modéliser
notre série.

8
7-predictions

8-comparaison

Les erreurs sont relativement proches soit pour trainning et pour test donc le
modèle est valide il n’est overfit pour la base de données et les erreurs sont
9
relativement faibles.
9-entrainement du modèle avec toute la série

10-autoarima :

10
La fonction auto.arima a proposé un autre modèle pour notre série qui est
SARIMA(1,1,1)(2,1,0) .car en effet chaque modèle a ces avantages et
inconvénients on ne peut pas trouver un modèle parfait qui vérifie tous les
conditions de blancheur et normalité etc… .

Exercice 2 :
1-les packages :

11
On remarque que la série a de grandes variations de variances et le acf et pacf
se comporte comme un ARMA.

12
3-la blancheur :

la serie n’est pas un bruit blanc

4-acf et pacf :

13
Les residus^2 ne sont pas des bruit blancs on donc tester si il y’a un effet
garch car série n’est pas corrèle or que serie^2 est corrèle.
5-

Donc il y’a un effet garch car on rejette H0

H0 : pas d’effet garch
6-modele :
D’apres acf et pacf on peut proposer p=1 et q=1

7-
14
8-prediction et tracage de l’ecartype de 12 instant futurs

15
16