Master Politiques Publiques et Développement

UNIVERSITE HASSAN 1er , Matière : Séries Temporelles

Faculté des Sciences Juridiques Année Universitaire : 2019-2020
Economiques et Sociales de Settat.

Méthodologie de Box et Jenkins

Exercice 1 :

En utilisant les résultats de l’annexe, préciser

1. le type de la non-stationnarité de la série X,

2. la meilleure façon de stationnariser cette série.
Expliquer clairement votre démarche.

Exercice 2

On considère les ventes mensuelles d’un produit de janvier 2001 à décembre 2014. On adopte une
décomposition multiplicative. La série VENTES CVS désigne la série des ventes corrigées des varia-
tions saisonnières .

A partir des différents résultats fournis en ANNEXE, répondre soigneusement aux questions suivantes.
1. Tester la non-stationnarité de la série VENTES CVS et préciser son type : DS ou TS.
2. En déduire la meilleure façon de stationnariser la série VENTES CVS.
3. On admet que la série des résidus issus de la dernière régression (table 6) est un bruit blanc. Calculer
les prévisions pour les ventes concernant les mois janvier et mars 2015.

Exercice 3

Pour un processus {Xt }, on estime le cœfficient d’autocorrélation partielle d’ordre 1 par

φb11 = 0.25.

Si on suppose que {Xt } peut être modélisé par un MA(1), donner une estimation du cœfficient θ1 .

Exercice 4

Pour un processus {Xt }, on estime le cœfficient d’autocorrélation d’ordre 1 par

ρb(1) = 0.42

et le cœfficient d’autocorrélation partielle d’ordre 2 par

φb22 = −0.2.

Si on suppose que {Xt } peut être modélisé par un AR(2), donner une estimation des cœfficients au-
torégressifs φ1 et φ2 .

1
Exercice 5

La phase d’identification d’une série (X1 , · · · , X100 ) donne les valeurs estimées suivantes

γ
b(0) = 1.5, ρb(1) = 0.56 et ρb(2) = 0.28.

Si on suppose que cette chronique peut être modélisée par un ARMA(1,1),

Xt − φ Xt−1 = at − θ at−1 , {at } ∼ BB(0 ; σ 2 ),

donner une estimation préliminaire des paramètres φ, θ et σ 2 .

Exercice 6 (Fichier Box Jenkins.wf1)

On considère trois processus X, Y et Z connus sur 200 périodes.

1. Analyser les propriétés stochastiques des trois chroniques :

(a) ACF et PACF,

(b) tester la non-stationnarité et préciser son type,
(c) ACF et PACF de la série stationnarisée.
2. Déterminer, dans le cas échéant, l’ordre du processus ARMA(p, q).

3. Effectuer une prévision à un horizon de trois périodes.

2
 ANNEXE
ˆ Exercice 2

Modèle (1) Modèle (2) Modèle (3)

n 1% 5% 10% n 1% 5% 10% n 1% 5% 10%
100 -2.60 -1.95 -1.61 100 -3.51 -2.89 -2.58 100 -4.04 -3.45 -3.15
250 -2.58 -1.95 -1.62 250 -3.46 -2.88 -2.57 250 -3.99 -3.43 -3.13
500 -2.58 -1.95 -1.62 500 -3.44 -2.87 -2.57 500 -3.98 -3.42 -3.13
∞ -2.58 -1.95 -1.62 ∞ -3.43 -2.86 -2.57 ∞ -3.96 -3.41 -3.12

Table 1: Valeurs critiques des tests de DF pour φ = 1 (δ = 0)

Modèle (2) Modèle (3)

Constante Tendance Constante
n 1% 5% 10% n 1% 5% 10% 1% 5% 10%
100 3.22 2.54 2.17 100 3.53 2.79 2.38 3.78 3.11 2.73
250 3.19 2.53 2.16 250 3.49 2.79 2.38 3.74 3.09 2.73
500 3.18 2.52 2.16 500 3.48 2.78 2.38 3.72 3.08 2.72
∞ 3.18 2.52 2.16 ∞ 3.46 2.78 2.38 3.71 3.08 2.72

Table 2: Valeurs critiques des tests de DF pour la constante et la tendance

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(VENTES CVS)
Method: Least Squares
Included observations: 165 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

VENTES CVS(-1) 0.015138 0.003741 4.046417 0.0001

D(VENTES CVS(-1)) −0.824567 0.064181 −12.84760 0.0000
D(VENTES CVS(-2)) −0.595799 0.063918 −9.321296 0.0000

Table 3: Estimation du Modèle (1)

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(VENTES CVS)
Method: Least Squares
Included observations: 165 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

VENTES CVS(-1) −0.001941 0.011561 −0.167849 0.8669

D(VENTES CVS(-1)) −0.818478 0.064017 −12.78526 0.0000
D(VENTES CVS(-2)) −0.596040 0.063637 −9.366251 0.0000
C 77.47825 49.65087 1.560461 0.1206

Table 4: Estimation du Modèle (2)

3
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(VENTES CVS)
Method: Least Squares
Included observations: 165 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

VENTES CVS(-1) −0.752872 0.139175 −5.409548 0.0000

D(VENTES CVS(-1)) −0.315487 0.110114 −2.865087 0.0047
D(VENTES CVS(-2)) −0.347998 0.074468 −4.673124 0.0000
C 1306.558 231.6935 5.639168 0.0000
@TREND(”0001M01”) 21.45367 3.964453 5.411509 0.0000

Table 5: Estimation du Modèle (3)

Dependent Variable: VENTES CVS

Method: Least Squares
Sample: 2001/01 2014/12
Included observations: 168

Variable Coefficient Std. Error t-Statistic Prob.

TEMPS 28.46292 0.311551 91.35876 0.0000

C 1675.541 30.35373 55.20052 0.0000

R-squared 0.980499 Mean dependent var 4080.658

Adjusted R-squared 0.980382 S.D. dependent var 1398.181

Table 6: Régression de VENTES CVS sur le temps

1 1.084721
2 1.003623
3 1.094814
4 0.955254
5 0.967748
6 1.083819
7 0.951432
8 0.849507
9 0.993490
10 1.047683
11 0.976737
12 1.019102

Table 7: Cœfficients saisonniers

4
ˆ Exercice 1
Valeurs critiques des tests de DF pour φ = 1 (δ = 0)

Modèle (1) Modèle (2) Modèle (3)

n 1% 5% 10% n 1% 5% 10% n 1% 5% 10%
100 -2.60 -1.95 -1.61 100 -3.51 -2.89 -2.58 100 -4.04 -3.45 -3.15
250 -2.58 -1.95 -1.62 250 -3.46 -2.88 -2.57 250 -3.99 -3.43 -3.13
500 -2.58 -1.95 -1.62 500 -3.44 -2.87 -2.57 500 -3.98 -3.42 -3.13
∞ -2.58 -1.95 -1.62 ∞ -3.43 -2.86 -2.57 ∞ -3.96 -3.41 -3.12

Valeurs critiques des tests de DF pour la constante et la tendance

Modèle (2) Modèle (3)

Constante Tendance Constante
n 1% 5% 10% n 1% 5% 10% 1% 5% 10%
100 3.22 2.54 2.17 100 3.53 2.79 2.38 3.78 3.11 2.73
250 3.19 2.53 2.16 250 3.49 2.79 2.38 3.74 3.09 2.73
500 3.18 2.52 2.16 500 3.48 2.78 2.38 3.72 3.08 2.72
∞ 3.18 2.52 2.16 ∞ 3.46 2.78 2.38 3.71 3.08 2.72

Tests de ADF

Null Hypothesis: X has a unit root

Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=15)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.781988 0.8814

Test critical values: 1% level −2.574245
5% level −1.942099
10% level −1.615852

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X)
Method: Least Squares
Sample (adjusted): 1950M03 1970M12
Included observations: 250 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

X(-1) 0.001772 0.002266 0.781988 0.4350

D(X(-1)) 0.347264 0.060017 5.786098 0.0000

5
 Null Hypothesis: X has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=15)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic −1.121010 0.7080

Test critical values: 1% level −3.456408
5% level −2.872904
10% level −2.572900

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X)
Method: Least Squares
Sample (adjusted): 1950M03 1970M12
Included observations: 250 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

X(-1) −0.007086 0.006321 −1.121010 0.2634

D(X(-1)) 0.347896 0.059867 5.811096 0.0000
C 0.051174 0.034103 1.500571 0.1347

Null Hypothesis: X has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic - based on SIC, maxlag=15)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic −3.372157 0.0575

Test critical values: 1% level −3.995189
5% level −3.427902
10% level −3.137310

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X)
Method: Least Squares
Sample (adjusted): 1950M03 1970M12
Included observations: 250 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

X(-1) −0.057730 0.017120 −3.372157 0.0009

D(X(-1)) 0.373802 0.059361 6.297132 0.0000
C 0.123572 0.040521 3.049561 0.0025
@TREND(”1950M01”) 0.001444 0.000455 3.174310 0.0017