Académique Documents
Professionnel Documents
Culture Documents
supervision de M. CHASSEM
Narcisse, Ingénieur Statisticien
Economiste.
PROJET DE
SERIES
TEMPORELLE
S
Modelisation du prix de l’huile
de palme
SOMMAIRE
INTRODUCTION ..................................................................................................................................................... 2
I. PRESENTATION ET VISUALISATION DE LA SERIE ......................................................................... 2
II. VISUALISATION DE LA SERIE TEMPORELLE :.................................................................................. 3
III. ETUDE DE LA STATIONNARITE ......................................................................................................... 3
IV. VISUALISATION DE LA TENDANCE AVEC LES MOYENNES MOBILES ................................ 5
V. MODELE 1. X(T) = T(T) + S(T) + ARMA(P,Q) ..................................................................................... 6
V.1 ESTIMATION TENDANCE AVEC LA REGRESSION .................................................................. 6
V.2 ETUDE DE LA SAISONNALITÉ ........................................................................................................ 8
V.3 CALCUL DES RÉSIDUS ........................................................................................................................ 9
V.4 CHOIX DU MODELE ........................................................................................................................... 12
V.5 ALTERNATIVES .................................................................................................................................. 13
V.6 PREDICTION ........................................................................................................................................ 17
VI. MODELE 2. X(T) = ARMA(P,Q) .......................................................................................................... 18
VI.1 DIFFERENCIATION DE LA SERIE A L’ORDRE 1 ..................................................................... 18
VI.2 CHOIX DU MODELE DU MEILLEUR MODELE ......................................................................... 20
VI.3 LES AUTRES ALTERNATIVES ........................................................................................................ 20
VI.4 PRÉVISION DU DEUXIÈME MODÈLE .......................................................................................... 22
CONCLUSION ......................................................................................................................................................... 23
ANNEXES ................................................................................................................................................................ 24
~1~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
INTRODUCTION
Une série temporelle, ou série chronologique, est une suite de valeurs numériques
représentant l’évolution d’une quantité spécifique au cours du temps. De telles suites de
variables aléatoires peuvent être exprimées mathématiquement afin d’en analyser le
comportement, généralement pour comprendre son évolution passée et pour en prévoir le
comportement futur. Une telle transposition mathématique utilise le plus souvent des
concepts de probabilités et de statistique.
Les séries temporelles sont considérées à tort comme étant une branche exclusive de
l’économétrie. Cette dernière est une discipline qui est relativement jeune alors que les
séries temporelles ont été utilisées bien avant, par exemple en astronomie (1906) et en
météorologie (1968).
L’objet des séries temporelles est l’étude des variables au cours du temps. Même s’ils n’ont
pas été à l’origine de cette discipline, ce sont les économètres qui ont assuré les grandes
avancées qu’a connues cette discipline (beaucoup de « Prix Nobel » d’économie sont des
économètres).
Parmi ses principaux objectifs figurent la détermination de tendances au sein de ces séries
ainsi que la stabilité des valeurs (et de leur variation) au cours du temps.
Le but de cette étude est d’analyser la série temporelle portant sur l’évolution des prix de
l’huile de palme dans un contexte supposé, afin de construire le modèle de prédiction le
plus optimal possible.
~2~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
Péri 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009
ode M01 M02 M03 M04 M05 M06 M07 M08 M09 M10
Prix 658.5 655.6 660.4 799.7 872.6 788.5 698.4 746.0 703.8 724.6
5 6 8 0 1 7 8 5 5 6
Péri 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010
ode M11 M12 M01 M02 M03 M04 M05 M06 M07 M08
Prix 763.3 821.8 830.8 830.0 862.8 862.7 855.3 825.6 844.4 943.7
3 1 8 0 3 1 1 8 3 3
Table 1: Les 20 premieres donnees
1000.00
800.00
600.00
400.00
200.00
0.00
55
13
19
25
31
37
43
49
61
67
73
79
85
91
97
103
109
115
121
127
1
7
Periode
Table 2: Price_Oil
Ce graphique présentant l’évolution du prix de l’huile de palme ($/mt) entre 2009 et 2018.
Les prix semblent diminuer au fil du temps, cela pourrait s’expliquer par l’augmentation de
la production due au progrès techniques et scientifiques.
~3~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Augmented Dickey-Fuller Test
##
~4~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
## data: price_oil
## Dickey-Fuller = -2.1262, Lag order = 4, p-value = 0.5242
## alternative hypothesis: stationary
D’après le diagramme d’autocorrélation simple nous pouvons dire que la série n’est pas
stationnaire, en effet si elle l’était on observerait une décroissance rapide vers la valeur
zéro ce qui n’est pas le cas. Cette observation sera conforte par le test de stationnarité de
Dickey-Fuller qui a une p-value de 0.5242:
~5~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Call:
## lm(formula = price_oil ~ poly(t, 3))
##
## Coefficients:
## (Intercept) poly(t, 3)1 poly(t, 3)2 poly(t, 3)3
## 840.8 -1097.1 -702.2 973.9
~6~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
~7~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
~8~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
~9~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Shapiro-Wilk normality test
##
## data: residu
## W = 0.96701, p-value = 0.004823
~ 10 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
~ 11 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
Les résidus obtenus ne sont pas de Bruits Blanc. Cela se confirme a travers le tests de
Box.test() et le test shapiro.test().
##
## Call:
## arima(x = residu, order = c(1, 0, 1))
##
## Coefficients:
## ar1 ma1 intercept
## 0.8614 0.3966 -9.9317
## s.e. 0.0497 0.0847 36.0322
##
~ 12 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Box-Pierce test
##
## data: residuals(mod)
## X-squared = 0.0065782, df = 1, p-value = 0.9354
##
## Shapiro-Wilk normality test
##
## data: residuals(mod)
## W = 0.9907, p-value = 0.5981
Le modèle optimale pour modéliser les résidus est le modèle ARMA(1,1). Nous appuyons ce
Résultat avec le test Box-Pierce et le Test de Shapiro-Wilk. Les p-value respectives sont :
0.9354 et 0.5981.
V.5 ALTERNATIVES
ARMA (1,5), ARMA (1,7), ARMA (1,6), ARMA (1,7), ARMA (2,7) et ARMA (2,8).
Pour chacun des modèles nous avons effectués successivement le test Box-Pierce et le Test
de Shapiro-Wilk.
##
## Call:
## arima(x = residu, order = c(1, 0, 5))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 ma5 intercept
## 0.7640 0.4964 0.0939 0.0881 0.3302 0.1534 -10.3649
## s.e. 0.1043 0.1331 0.1399 0.1261 0.1257 0.1088 32.1615
##
## sigma^2 estimated as 1576: log likelihood = -613.25, aic = 1242.5
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
ACF1
## Training set 0.130583 39.69274 31.06016 130.418 179.0235 0.9129619 0.00715
8717
~ 13 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Box-Pierce test
##
## data: residuals(mod1)
## X-squared = 0.0061497, df = 1, p-value = 0.9375
##
## Shapiro-Wilk normality test
##
## data: residuals(mod1)
## W = 0.99427, p-value = 0.9086
##
## Call:
## arima(x = residu, order = c(1, 0, 6))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 ma5 ma6 intercept
## 0.7836 0.4764 0.0671 0.0696 0.3138 0.1246 -0.0268 -10.5949
## s.e. 0.1455 0.1703 0.2015 0.1602 0.1522 0.1907 0.1495 32.8463
##
## sigma^2 estimated as 1575: log likelihood = -613.24, aic = 1244.47
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.1077297 39.68721 31.02397 138.7728 187.4799 0.9118979
## ACF1
## Training set 0.008151886
##
## Box-Pierce test
##
## data: residuals(mod2)
## X-squared = 0.0079744, df = 1, p-value = 0.9288
##
## Shapiro-Wilk normality test
##
## data: residuals(mod2)
## W = 0.99358, p-value = 0.8594
##
## Call:
## arima(x = residu, order = c(1, 0, 7))
##
## Coefficients:
## ar1 ma1 ma2 ma3 ma4 ma5 ma6 ma7 inter
cept
## 0.7536 0.5065 0.1062 0.1053 0.3437 0.1533 0.0017 0.029 -10.
2374
## s.e. 0.2380 0.2554 0.3160 0.2644 0.2353 0.2706 0.2278 0.142 32.
~ 14 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
0936
##
## sigma^2 estimated as 1574: log likelihood = -613.21, aic = 1246.43
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 0.1267427 39.67628 31.02028 156.9468 205.6891 0.9117896
## ACF1
## Training set 0.008449665
##
## Box-Pierce test
##
## data: residuals(mod3)
## X-squared = 0.0085676, df = 1, p-value = 0.9263
##
## Shapiro-Wilk normality test
##
## data: residuals(mod3)
## W = 0.99369, p-value = 0.8679
##
## Call:
## arima(x = residu, order = c(2, 0, 7))
##
## Coefficients:
##
## Box-Pierce test
##
~ 15 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
## data: residuals(mod4)
## X-squared = 0.0089378, df = 1, p-value = 0.9247
##
## Shapiro-Wilk normality test
##
## data: residuals(mod4)
## W = 0.99364, p-value = 0.864
##
## Call:
## arima(x = residu, order = c(2, 0, 8))
##
## Coefficients:
## ar1 ar2 ma1 ma2 ma3 ma4 ma5 ma6
ma7
## 1.1134 -0.8754 0.0566 0.4931 0.8470 0.9111 0.4441 0.4114 0.4
388
## s.e. 0.0770 0.0829 0.1191 0.1015 0.0999 0.1179 0.1290 0.1012 0.1
065
## ma8 intercept
## 0.2934 -6.2940
## s.e. 0.1102 21.9924
##
## sigma^2 estimated as 1467: log likelihood = -611.18, aic = 1246.36
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
ACF1
## Training set 0.148259 38.30099 30.17166 294.0684 341.5571 0.8868457 0.0464
5855
##
## Box-Pierce test
##
## data: residuals(mod5)
## X-squared = 0.25901, df = 1, p-value = 0.6108
##
## Shapiro-Wilk normality test
##
## data: residuals(mod5)
## W = 0.98957, p-value = 0.4965
~ 16 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
V.6 PREDICTION
Visualisation de la prediction
prix de l'huile de Palme PREDICTIONS
1400.00
1200.00
1000.00
800.00
PRICE
600.00
400.00
200.00
0.00
91
97
103
109
115
121
127
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
PERIODE
~ 17 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
Table 9: DIFFERENTIATION
## Warning in adf.test(price, alternative = "stationary"): p-value smaller th
an
## printed p-value
##
## Augmented Dickey-Fuller Test
##
## data: price
## Dickey-Fuller = -4.6841, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
La série obtenue est bien stationnaire, la p-value du test de Dickey-Fuller est de 0.01 au seul
5%. Nous ne disposons pas d’assez d’éléments pour rejeter l’hypothèse de la stationnarité.
~ 18 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Box-Pierce test
##
~ 19 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
## data: price
## X-squared = 8.2821, df = 1, p-value = 0.004004
## Series: price
## ARIMA(0,0,1) with zero mean
##
## Coefficients:
## ma1
## 0.3554
## s.e. 0.0861
##
## sigma^2 = 1835: log likelihood = -615.56
## AIC=1235.12 AICc=1235.22 BIC=1240.68
##
## Box-Pierce test
##
## data: residuals(mod_bon)
## X-squared = 0.056947, df = 1, p-value = 0.8114
##
## Shapiro-Wilk normality test
##
## data: residuals(mod_bon)
## W = 0.98578, p-value = 0.241
~ 20 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
##
## Box-Pierce test
##
## data: residuals(mod_1)
## X-squared = 0.21806, df = 1, p-value = 0.6405
##
## Shapiro-Wilk normality test
##
## data: residuals(mod_1)
## W = 0.98037, p-value = 0.07952
##
## Call:
## arima(x = price, order = c(2, 1, 1))
##
## Coefficients:
## ar1 ar2 ma1
## 0.2974 -0.2270 -0.9554
## s.e. 0.0953 0.0941 0.0486
##
## sigma^2 estimated as 1834: log likelihood = -611.98, aic = 1231.97
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set -4.062851 42.63951 31.53399 Inf Inf 0.7668851 0.01119537
##
## Box-Pierce test
##
## data: residuals(mod_2)
## X-squared = 0.014915, df = 1, p-value = 0.9028
##
## Shapiro-Wilk normality test
##
## data: residuals(mod_2)
## W = 0.97982, p-value = 0.07078
~ 21 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
~ 22 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
CONCLUSION
Apres avoir modéliser la série temporelle décrivant l’évolution des prix de l’huile de palme
par deux modèles diffèrent, il en ressort que le modèles tenant compte de la tendance s’en
sors le mieux. L’autre modèle étant stationnaire n’est tout simplement pas en phase avec la
conjoncture économique et la réalité. De plus en se basant sur le critère AIC le modèle
tenant compte de la tendance est le meilleur.
~ 23 ~
PROJET DE SERIES TEMPORELLES | KAMENI FOKAM, MASTER1 ACTUARIAT
ANNEXES
~ 24 ~