Master : Economie de l’Energie et

de la Finance

Analyse des séries

temporelles :
Etude de Prévision

Pr. Abdeljamil ABAOUBAIDA

ENCADRANT

AZANZOUM Abderahim

Walid Hamza OUAKHIR

MEEF
Pourquoi étudier le comportement de consommation ?

L’analyse du comportement de consommation adopté par les agents

économiques constitue dès le départ de la pensé économique un
champ de recherche et de débat des économistes. Cette thématique
tire son importance de l’utilité de sa maitrise pour les différents
intervenants économiques notamment les producteurs puisque
l’habilité de maitriser et de prévoir le comportement de
consommation adoptés par les ménages leurs permettent de bien
anticiper leurs production future et les moyens de financement dont
ils auront besoin.

Dans ce travail on va essayer d’étudier l’effet du revenu sur le

comportement de consommation des ménage ce dernier qui a était
toujours l’une des variables les plus répandues en matière
d’explication des variétés du comportement de consommation, et on
va essayer aussi de mener une prévision de la consommation finale
des ménages moyennant un modèle ARMA en se basant sur des
données de consommation et de revenu relatives au cas du Japon.

Définition des concepts

La consommation: c’est l’acte d’un agent économique qui utilise ou

transforme des biens et services. Cette transformation entraine une
destruction immédiate ou progressive des éléments consommés.

Le revenu: c’est la rémunération pour un travail, on peut aussi

exprimer le revenu au niveau macro par le PIB.

Revue de littérature:
La relation revenu consommation a pris une immense importance
dans la pensée économique, selon la théorie keynésienne, la relation
entre le revenu et la consommation est fonctionnelle à partir de la loi
fondamentale de keynes qui affirme que: « lorsque le revenu
augmente la consommation augmente aussi mais d’un montant
inférieur à l’accroissement des revenus ». Elle s’exprime comme suit:
C= C0+cY

Ou

C : la consommation

C0: consommation autonome

c : la propension marginale à consommer

Spécification du modèle :

Pour étudier l’effet de revenu sur les fluctuations de consommation

des ménages on va adopter un modèle de régression linéaire simple
qui représente une illustration du modèle keynésien, le modèle
s’écrit sous la forme suivante : Y =α + βX où Y représente la

consommation, α la consommation autonome et X représente le

revenu

Mesure des variables

La dépense de consommation des ménages utilisée dans ce travail

s’agit d’une moyenne annuelle ce qui nous mènes à travailler avec le
log de cette variable pour réduire son échelle, et la même chose
pour le revenu

Pour mesurer la variable revenu nous avons utilisé le PIB qui est un
indicateur de mesure de la richesse des nations
Pour mener ce travail nous avons travaillé sur deux séries
temporelles de 59 observations qui représentent l’évolution du PIB
et de la dépense de consommation des ménages

L’étude de la stationnarité :

 Le revenu:
Etude descriptive :
Analyse graphique :

Depuis l’analyse du graphique ci-dessus on s’aperçoit que la

moyenne de cette série n’est pas constante ce qui représente
une violation d’une des conditions de la stationnarité
Analyse par le Correlogram :
Les probabilités de Q-stat tend vers 0 ce qui nous mènes à
accepter l’hypothèse H1 du Correlogram c'est-à-dire la série
n’est pas stationnaire
Analyse par le test de la racine unitaire ADF :
La probabilité liée au trend est supérieur au seuil de risque 5%
ce qui implique que la série est n’est pas affectée par le temps
alors on procède au test ADF de la constante
 Le test ADF de la constante montre que la significativité de
cette dernière
La probabilité de Mackinnon est supérieur à 5% ce qui
implique une présence de la racine unitaire alors le processus
de la série revenu s’agit d’un processus non stationnaire du
type DS avec dérive
 La consommation
Analyse graphique

Commentaire :

D’après la représentation graphique ci-dessus on s’aperçoit que la

moyenne de cette série varie dans le temps ce qui implique une non
stationnarité de la série

Analyse par le Correlogram

Les probabilités du Q-stat tendent vers 0 ce qui implique la non
stationnarité de la série consommation

Analyse par le test de la racine unitaire ADF

La probabilité liée au trend est supérieur à 5% ce signifie que la série
n’est pas affectée par le temps

On procède au test ADF de la constante

La probabilité liée à la constante est inférieur à 5% ce que implique
la significativité de la constante

La probabilité de Mackinnon est supérieure à 5% ce qui implique

l’acceptation de l’hypothèse nulle de test ADF

Les deux résultats ci-dessus montrent que le processus de la série

consommation s’agit d’un processus non linéaire du type DS avec
dérive

La stationnarisation des séries

Le revenu

Puisque la série du revenu s’agit d’un processus non stationnaire de

type DS avec dérive alors il suffit pour la rendre stationnaire de
retranché la différence de la série principale par l’écriture suivante
sur EVIEWS Genr drevnu= d (revenu)
Les probabilités du Q-stat sont largement supérieurs à 5% ce qui
implique l’acceptation de l’hypothèse nulle du Correlogram alors la
stationnarité du processus

La consommation

Le processus de la série consommation comme déjà indiquer s’agit

d’un processus non stationnaire du type DS avec dérive alors pour le
rendre stationnaire il suffit de taper la formule suivante sur EViews

Genr dconsommation= d (consommation)

Le correlogram de la série stationnaire de la consommation

Les probabilités de Q-stat sont supérieurs à 5% ce qui implique
l’acceptation de l’hypothèse nulle du Correlogram alors la
stationnarité du processus.

Les prévisions

Pour procéder à la prévision tout d’abord on va tester la

significativité du modèle ARMA. D’après le corrélograme de la série
stationnaire on a trouvé le modèle AR(1) et MA(6) donc on va tester
leurs significativités.
Commentaire :

D’après ce test on constate que le modèle ARMA est significative

puisque la p-value du t-stat est inférieur à 5% alors on accepte le
modèle ARMA.
Série Log consommation et Revenu
CONSOMMATION REVENU
1971 9.262289 9.869311
1972 9.302768 9.936086
1973 9.374628 10.00507
1974 9.450638 9.973653
1975 9.430682 9.988089
1976 9.457702 10.01967
1977 9.478951 10.05300
1978 9.508936 10.09533
1979 9.551064 10.14030
1980 9.605515 10.16024
1981 9.608293 10.19409
1982 9.625413 10.21989
1983 9.664107 10.24770
1984 9.690518 10.28539
1985 9.715054 10.33029
1986 9.749192 10.35692
1987 9.779258 10.39822
1988 9.817196 10.45960
1989 9.863176 10.50294
1990 9.907170 10.54730
1991 9.950546 10.57780
1992 9.969407 10.58376
1993 9.989400 10.57610
1994 9.997679 10.58258
1995 10.01701 10.60581
1996 10.03785 10.63381
1997 10.05596 10.64213
 1998 10.06048 10.62806
1999 10.05188 10.62371
2000 10.06158 10.64946
2001 10.07555 10.65110
2002 10.09195 10.64996
2003 10.10137 10.66298
2004 10.10580 10.68446
2005 10.11848 10.70085
2006 10.13067 10.71432
2007 10.14032 10.72958
2008 10.14849 10.71810
2009 10.13779 10.66253
2010 10.13084 10.70342
2011 10.15438 10.70411
2012 10.15236 10.72055
2013 10.17404 10.74180
2014 10.19889 10.74687
2015 10.19161 10.76008
2016 10.19032 10.76731
2017 10.19025 10.78806
2018 10.20318 10.79793

Commentaire :

Ce graphique montre la prévision maximale si on est optimiste et la

prévision minimale si on est pessimiste.