6-Méthode de Box Jenkins

MODULE
ANALYSE DES SÉRIES

CHRONOLOGIQUES
2ème Semestre Masters: MFEA
Pr. R. EL YAMANI
12/06/2021
2020-2021 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
2
LA MÉTHODOLOGIE
DE BOX AND
JENKINS
12/06/2021 Mme. EL YAMANI

3
Aalyse du graphe et corrélogramme de la
1 série
2 Aalyse de la saisonnalité
3 Identification du processus
Estimation des paramètres (p,q) du

4 processus
5 Validation et réalisation des prévisions
6 Cas pratique
INTRODUCTION
La maitrise de l’environnement économique est

devenue, avec le temps, la priorité des acteurs
des pouvoirs publics et des entreprises. Ils
doivent anticiper les incertitudes liées à l’avenir
afin de mieux les aborder qu’elles soient bonnes
ou mauvaises. Pour contourner l’incertitude liée
au futur à travers des bonnes décisions, sur le
plan économique et de prévisions du
comportement des variables économiques
(macro ou micro économiques).
INTRODUCTION
Box et Jenkins (1976) ont proposé une technique de prévision pour une
série uni variée qui est fondée sur la notion du processus ARIMA. Cette
technique possède trois étapes: identification, estimation et validation.
Dans la première étape, l'objet est de déterminer à partir de
l'observation des fonctions d'autocorrélation simple et partielle dans
la famille des modèles de types ARIMA (p, d, q) le modèle adéquat.
Puis une vérification de ces intuitions (tests informels) par l'application
des tests formels notamment le test de racine unitaire de Dickey Fuller.
La deuxième étape consiste à estimer les paramètres du modèle
adéquat retenu.
Enfin, la validation du modèle se réfère à divers tests statistiques de
spécification pour vérifier si le modèle ne peut être mis à défaut. Ces
tests statistiques consistent à tester que les résidus du modèle estimé ne
suivent pas exactement le bruit blanc mais s'en rapprochent en
d'autres termes les résidus ne doivent pas être autocorrélés et ne
présentent pas d'hétéroscédasticité.
12/06/2021
6
DEFINITION DE LA METHODE DE
BOX-JENKINS
La méthode de box-Jenkins est une méthode de

prévision qui est basée sur l’évolution des séries
chronologiques pour identifier le processus générateur
d’une série.
En effet, une chronique peut être générer par quatre
types de processus à savoir : AR, MA,ARMA ou
ARIMA.
En présence d’une série complète, deux problèmes sont
posés celui de connaitre quand est ce une série suit un
processus AR,MA, ARMA ou ARIMA d’une part et
quel est son ordre une fois qu’on est fixé sur son
processus, d’autre part.
12/06/2021
7
DEFINITION DA LA METHODE DE BOX-
JENKINS
Pour cette méthode, la partie autorégressive d’un processus
notée AR, est constituée par une combinaison linéaire finie
de la valeur passée du processus, la partie moyenne mobile
notée MA est constituée d’une combinaison finie en t des
valeurs passées d’un bruit blanc.
La méthode box-Jenkins contient les étapes suivantes:
1-Identification;
2-Estimation;
3-Validation;
4-Prévision.
12/06/2021
8
IDENTIFICATION
La phase d’identification est la plus difficile, elle consiste à

déterminer le modèle adéquat dans la famille des modèles
ARMA .
Elle est fondée sur l’étude des corrélogrammes simple est
partiel.
12/06/2021
9
DESAISONNALISATION
Dans la cas d’une série affectée d’un mouvement

saisonnier, il convient de la retirer préalablement à tout
traitement statistique. Cette saisonnalité est ajoutée à la
série prévue à la fin du traitement afin d’obtenir une
prévision en terme brut.
12/06/2021
10
ANALYSE DE STATIONNARITE EN TERME
DE TENDENCE
Si l’étude du corrélogramme simple et les tests statistiques s’y

rapportant présagent d’une série affectée d’une tendance, il
convient d’en étudier les caractéristiques selon les tests de
dickey- Fuller.
Après stationnarisation,nous pouvons identifier les valeurs
des paramètres p.q du modèle ARIMA.
Si le corrélogramme simple n’a que ses q premiers termes
diffèrents de 0 et que les termes du corrélogramme partiel
diminuent lentement, nous pouvons pronostiquer un MA(q).
12/06/2021
11
ANALYSE DE STATIONNARITE EN TERME
DE TENDENCE
Si le corrélogramme partiel n’a que ses p premiers termes
diffèrent de 0 et que les termes du corrélogramme simple
diminuent lentement, nous pouvons pronostiquer un AR(p).
Si les fonctions d’autocorrélation simple et partielle ne
paraissent pas tronquées, il s’agit alors d’un processus de type
ARIMA ,dont les paramètres dépendent de la forme
particulière du corrélogramme.
L’ordre d’intégration d est obtenu par le nombre de fois que la
série initiale a été différenciée pour obtenir la stationnarité.
Test de Dickey – Fuller augmenté et l’analyse du
corrélogramme sont utilisés pour le déterminer.
Apres stationnarisation nous pouvons identifier les valeurs des
paramètres (p,q) du modèle ARIMA
12/06/2021
12
ESTIMATION DES PARAMÈTRES
Les méthodes d’estimations diffèrent

selon le type de processus diagnostiqué.
dans le cas d’un modèle AR(p) et
MA(q), nous pouvons appliquer une
méthode des MCO.
12/06/2021
13
VALIDATION ET RÉALISATION DES
PRÉVISIONS
La question qui se pose ici est de savoir si le modèle

choisi dans la phase d’identification est dont les
paramètres qui ont été estimés peuvent être considérés
comme valables.
les résidus sont calculés, à partir du modèle estimé,

jouent un rôle important dans cette dernière étape :
peuvent-ils être considérés comme réalisation d’un
bruit blanc?
12/06/2021
14
PRÉVISIONS
Une analyse de leur fonction d’autocorrélation peut

déjà fournir une réponse partielle. Des tests ont été
construits pour préciser cette réponse.
Si la réponse à la question posée ci-dessus est

négative, il ne reste plus qu’à reprendre les trois étapes
d’identification, d’estimation et de validation pour un
autre modèle, autant de fois que cela peut s’avérer
nécessaire.
12/06/2021
15
PRÉVISIONS
Test sur les paramètres : aussi normal qu’on le connaît (t de
student)
L’analyse des résidus obéissent à un bruit blanc ,il ne doit
pas exister d’autocorrélation dans la série et les résidus
doivent être homoscédastique.s
les tests suivants peuvent être utilisés
 Le teste de durbin watson
 Le teste de arch d’hétéroscédasticité
 Le teste de box et pierce et de ljung box
 Le choix du modèle : il y a deux critères, celle d’akaike et
de schwarz on retient le modèle qui minimise le critère
retenu.
12/06/2021
16
METHODE DE BOX-JENKINS
Aalyse du graphe et corrélogramme de la série Xt
Aalyse de la saisonnalité
Test de DickeyFuller
Régression sur la tendance si TS Passage aux différences si DS
Série stationnaire DXt
Aalyse des corrélogrammes AC et PAC de la série stationnaire
Détermination des ordres p et q du processus ARMA
Estimation des paramètres
Test de student: Les coefficients non significatifs à éliminer
12/06/2021
Test sur les résidus; sont-ils des bruits blanc 17
En estimer les Le modèle est-

Identifier un
paramètres il valide?
modèle
NON
OUI
On change le
modèle
Prévision
12/06/2021
18
Notre travail empirique consiste à appliquer la méthode

de prévision « box-jenkins » aux données relatives à
l’évolution du taux de chômage de genre masculin sur la
période 2006-2013 par trimestre.
Cette méthode nécessite le passage par plusieurs

étapes que nous résumons ainsi:
1-Vérfication de la stationnarité de la série;

2- Identification des paramètres (p;q) du processus à
l’aide des cor rélogrammes de l’autocor rélation simple
et par tielle);
3-Validation du processus retenu;
4- Réalisation des prévisions.
12/06/2021
19
CAS PRATIQUE
Modélisation du prix d’actif en million de DH

pour
Une société cotée en bourse de Casablanca
Pour l’année 2018
20
Analyse de la stationnarité
Graph01
Hodrick-Prescott Filter (lambda=100)  La série étudiée accuse
40 une tendance tantôt à
30
la hausse tantôt à la
baisse ;
20
 Il se peut que la série

8 10
ne soit pas
4 0
stationnaire.
0
 Pour vérifier cette
-4 affirmation, nous
-8
allons procéder à
25 50 75 100 125 150 175 200 l’analyse des
ACTIF Trend Cycle autocorrélations.
12/06/2021
21
Date: 03/30/20 Time: 12:23

Sample: 1 220 On va tester les hypothèses suivantes :
Included observations: 220 H0 : 𝝆𝒌 = 0
Autocorrelation Partial Correlation AC PAC Q-Stat Prob H1 : 𝝆𝒌 ≠ 0
1 0.897 0.897 179.26 0.000
(Avec k = 1, …, 20)
2 0.830 0.134 333.60 0.000
3 0.795 0.158 475.83 0.000
4 0.782 0.164 614.19 0.000
La statistique Q de Ljung-Box Q-Stat
5 0.760 0.035 745.35 0.000 = 1925,6 (au retard k = 20) > χ2
6 0.735 0.030 868.66 0.000
7 0.696 -0.06... 979.64 0.000 0,05;20 = 31,41, on refuse
8 0.673 0.039 1083.9 0.000 l'hypothèse de nullité des coefficients
9 0.640 -0.06... 1178.6 0.000
1... 0.623 0.055 1268.9 0.000 𝜌𝑘 (la probabilité critique de ce test
1... 0.598 -0.02... 1352.5 0.000 est indiquée αc = 0,000 < 0,05, donc
1... 0.594 0.106 1435.2 0.000
1... 0.566 -0.06... 1510.9 0.000 on refuse H0). Le processus Actif
1... 0.556 0.072 1584.1 0.000 n'est pas un bruit blanc. A partir des
1... 0.528 -0.07... 1650.5 0.000
1... 0.516 0.041 1714.3 0.000 tests de Dickey-Fuller nous allons
1... 0.493 -0.04... 1772.6 0.000
1... 0.481 0.026 1828.7 0.000
examiner si le processus est non
1... 0.455 -0.05... 1879.0 0.000 stationnaire.
2... 0.437 -0.01... 1925.6 0.000
22
Test de DAF Pour le modèle 3: Null Hypothesis: ACTIF has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=14)
𝑿𝒕 = 𝝋𝑿𝒕−𝟏 + 𝒄 + 𝒃𝒕 + 𝜺𝒕
t-Statistic Prob.*
Test de la tendance
𝐻0 : 𝑐𝑜𝑒𝑓𝑓 𝑑𝑒 𝑇𝑒𝑛𝑑𝑎𝑛𝑐𝑒 = 0 Augmented Dickey-Fuller test statistic -4.033204 0.0090
𝐻1 : 𝑐𝑜𝑒𝑓𝑓 𝑑𝑒 𝑙𝑎 𝑇𝒆𝒏𝒅𝒂𝒏𝒄𝒆 ≠ 0 Test critical values: 1% level -4.000511
5% level -3.430477
10% level -3.138828
Le coefficient de la droite de *MacKinnon (1996) one-sided p-values.
tendance n’est pas significativement

différent de 0 (t∗ = 1,719< t-tabulée = Augmented Dickey-Fuller Test Equation
Dependent Variable: D(ACTIF)
3,12 au risque de 5%.), on rejette Method: Least Squares
l’hypothèse d’un processus TS. Date: 03/30/20 Time: 12:25
Sample (adjusted): 2 220
Included observations: 219 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.

Donc Ho est acceptée Le
ACTIF(-1) -0.135245 0.033533 -4.033204 0.0001
processus Actif n’admet pas une tendance. C 1.843028 0.553972 3.326937 0.0010
On passe à l’estimation du modèle 2. @TREND("1") 0.006511 0.003787 1.719271 0.0870
23
Null Hypothesis: ACTIF has a unit root
Test de DAF Pour le modèle 2: Exogenous: Constant
𝑿𝒕 = 𝝋𝑿𝒕−𝟏 + 𝒄 + 𝜺𝒕 t-Statistic Prob.*
Test de la constante Augmented Dickey-Fuller test statistic -2.306282 0.1709

𝑯𝟎 : 𝒄𝒐𝒆𝒇𝒇 𝒅𝒆 𝒍𝒂 𝑪𝒔𝒕 = 𝟎 Test critical values: 1% level -3.460596
5% level -2.874741
𝑯𝟏 : 𝒄𝒐𝒆𝒇𝒇 𝒅𝒆 𝒍𝒂 𝑪𝒔𝒕 ≠ 𝟎 10% level -2.573883
Le terme constant n’est pas *MacKinnon (1996) one-sided p-values.

significativement différent de 0 (t∗ = 2,356
< t-tabulée = 2,84 au risque de 5%) Augmented Dickey-Fuller Test Equation
Method: Least Squares
Date: 03/30/20 Time: 12:28
Donc Ho est acceptée Le Included observations: 216 after adjustments
modèle2 n’admet pas une constante. Variable Coefficient Std. Error t-Statistic Prob.
On passe à l’estimation du ACTIF(-1) -0.067264 0.029165 -2.306282 0.0221

modèle 1. D(ACTIF(-1)) -0.239180 0.068630 -3.485076 0.0006
D(ACTIF(-2)) -0.217876 0.068017 -3.203270 0.0016
D(ACTIF(-3)) -0.174967 0.066968 -2.612710 0.0096
C 1.347762 0.571966 2.356368 0.0194
24
Test de DAF Pour le modèle 1: Null Hypothesis: ACTIF has a unit root
Exogenous: None
𝑿𝒕 = 𝝋𝑿𝒕−𝟏 + 𝒄 + 𝜺𝒕
t-Statistic Prob.*
Test de la présence de racine unitaire :
𝑯𝟎 : 𝝋 = 𝟏 𝒍𝒆 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝒏′ 𝒆𝒂𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 Augmented Dickey-Fuller test statistic -0.266144 0.5893
Test critical values: 1% level -2.575712
𝑯𝟏 : 𝝋 < 𝟏 𝒍𝒆 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 5% level -1.942303
10% level -1.615721
Comme on a la t-statistique de Dicky-
Fuller est supérieure à la valeur critique *MacKinnon (1996) one-sided p-values.
au seuil 5%(-0.266 > -1.615) donc la série
possède une racine unitaire (elle n’et pas Augmented Dickey-Fuller Test Equation
stationnaire). Method: Least Squares
Date: 03/30/20 Time: 12:33
Included observations: 216 after adjustments
Donc Ho est acceptée, le modèle1
admet une racine unitaire. Variable Coefficient Std. Error t-Statistic Prob.
ACTIF(-1) -0.002683 0.010081 -0.266144 0.7904

D(ACTIF(-1)) -0.274485 0.067689 -4.055065 0.0001
La série n’est pas stationnaire, il D(ACTIF(-2)) -0.241928 0.067965 -3.559620 0.0005
s’agit d’un processus DS sans dérive. D(ACTIF(-3)) -0.189145 0.067409 -2.805919 0.0055
25
Stationnarisation de processus Actif
Dactif = Actift - Actift(-1) Null Hypothesis: DACTIF has a unit root

Exogenous: None
Il s’agit de la première différenciation t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -12.24574 0.0000

Test critical values: 1% level -2.575712
5% level -1.942303
𝑡𝜑 = −12,245 < −1,942 10% level -1.615721
*MacKinnon (1996) one-sided p-values.

T-Statistic < T-tabulée (Au risque de 5%)
Augmented Dickey-Fuller Test Equation
 D’où 𝐻0 , l’hypothèse de non Dependent Variable: D(DACTIF)
stationnarité, est rejetée. Method: Least Squares
Date: 03/30/20 Time: 12:40
Actif → I (1) : Le processus Actif est Included observations: 216 after adjustments
intégré d’ordre 1 car il est stationnaire Variable Coefficient Std. Error t-Statistic Prob.
après la première différenciation.
DACTIF(-1) -1.710739 0.139701 -12.24574 0.0000
D(DACTIF(-1)) 0.434104 0.105631 4.109620 0.0001
D(DACTIF(-2)) 0.190419 0.067092 2.838164 0.0050
26
Identification du processus ARIMA
Date: 03/30/20 Tim e: 12:41
Sam ple: 1 220
Il ne s’agit pas d’une marche au hasard
Included obs ervations : 219
(les probabilités critiques de la Q-Stat
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 -0.19... -0.19... 8.4614 0.004

sont toutes très largement inférieures à
2
3
-0.15...
-0.10...
-0.19...
-0.18...
13.568
15.860
0.001
0.001 0,05), le processus est à mémoire, il
4 0.051 -0.05... 16.451 0.002
5 0.018 -0.03... 16.527 0.005 existe donc une représentation dans la
6 0.086 0.074 18.220 0.006
7
8
-0.07...
0.042
-0.03...
0.055
19.644
20.043
0.006
0.010
classe des processus ARMA.
9 -0.06... -0.04... 20.922 0.013
L’Analyse
1... 0.052 0.030 21.540 0.018
1... -0.14... -0.15... 26.630 0.005 des fonctions
1... 0.086 0.005 28.374 0.005
1...
1...
-0.04...
0.117
-0.07...
0.079
28.786
32.029
0.007
0.004
d’autocorrélation simple et partielle sur
1... -0.08... -0.03... 33.645 0.004
1... 0.041 0.050 34.053 0.005 la série stationnaire nous permet de
1... -0.06... -0.02... 35.207 0.006
1...
1...
0.068
-0.05...
0.032
-0.03...
36.335
37.154
0.006
0.008
dégager les décalages significatifs:
2... 0.057 0.008 37.937 0.009
2...
2...
-0.00...
0.036
0.032
0.010
37.941
38.252
0.013
0.017  Dans la colonne de la fonction
2... -0.08... -0.02... 39.840 0.016
2... 0.093 0.061 41.996 0.013 d’autocorrélation partielle, on
2... -0.15... -0.10... 47.975 0.004
2...
2...
0.084
-0.01...
0.005
-0.00...
49.748
49.774
0.003
0.005
trouve : AR(1) et AR(2).
2... -0.02... -0.07... 49.901 0.007
 Dans la colonne de la fonction

2... -0.01... 0.001 49.980 0.009
3... 0.081 0.033 51.652 0.008
3... -0.09... -0.03... 53.812 0.007
3...
3...
0.067
-0.02...
0.037
0.030
54.986
55.096
0.007
0.009
d’autocorrélation, on trouve : MA(1)
3... 0.106 0.095 58.039 0.006
3... -0.05... 0.039 58.697 0.007 MA(2) et MA(3).
3... -0.04... -0.07... 59.271 0.009 27
Pour estimer le processus ARIMA (3,1,3), nous optons pour la régression SET WISE.
Modèle à estimer Commande sur Eviews

Modèle AR(1) equation arima1.ls dactif ar(1)
Modèle AR(1) AR(2) equation arima2.ls dactif ar(1) ar(2)
Modèle AR(1) AR(2) MA(1) equation arima3.ls dactif ar(1) ar(2) ma(1)
Modèle AR(1) AR(2) MA (1) MA(2) equation arima4.ls dactif ar(1) ar(2) ma(1) ma(2)
Modèle AR(1) AR(2) MA(1) MA(2) equation arima5.ls dactif ar(1) ar(2) ma(1) ma(2)
MA(3) ma(3)
Modèle AR(1) AR(2) MA(2) MA(3) equation arima6.ls dactif ar(1) ar(2) ma(2) ma(3)
Modèle AR(1) AR(2) MA(3) equation arima7.ls dactif ar(1) ar(2) ma(3)
Modèle AR(1) MA(1) equation arima8.ls dactif ar(1) ma(1)
Modèle AR(1) MA(1) MA(2) equation arima9.ls dactif ar(1) ma(1) ma(2)
Modèle AR(1) MA(1) MA(2) MA(3) equation arima10.ls dactif ar(1) ma(1) ma(2)
ma(3)
28

Modèle MA(1) equation arima19.ls dactif ma(1)
Modèle MA (1) MA(2) equation arima20.ls dactif ma(1) ma(2)
Modèle MA(2) MA(3) equation arima22.ls dactif ma(2) ma(3)
Donc, on est censé d’estimer 24 modèles 29

Modèle AR(1) AR(2) AR(3) equation arima30.ls dactif ar(1) ar(2) ar(3)
Modèle AR (1) AR(3) equation arima31.ls dactif ar (1) ar(3)
Modèle AR(2) AR(3) equation arima32.ls dactif ar(2) ar(3)
Donc, on est censé d’estimer 33 modèles
30
Pour estimer le processus ARIMA (3,1,3), nous Les commandes:
equation arima1.ls dactif ar(1)
optons pour la régression SET WISE. equation arima2.ls dactif ar(1) ar(2)
On va programmer toutes les régression via le equation arima3.ls dactif ar(1) ar(2) ma(1)
equation arima4.ls dactif ar(1) ar(2) ma(1) ma(2)
programme Eviews: equation arima5.ls dactif ar(1) ar(2) ma(1) ma(2) ma(3)
File=Niew=ProgramCopier les commandes equation arima6.ls dactif ar(1) ar(2) ma(2) ma(3)
equation arima7.ls dactif ar(1) ar(2) ma(3)
dans l’interface du programmeRun equation arima8.ls dactif ar(1) ma(1)
equation arima9.ls dactif ar(1) ma(1) ma(2)
Après l’estimation des différents modèles, l’analyse equation arima10.ls dactif ar(1) ma(1) ma(2) ma(3)
de la significativité des coefficients (Tous les equation arima12.ls dactif ar(1) ma(3)
equation arima13.ls dactif ar(2)
coefficients doivent être significatifs) nous conduit equation arima14.ls dactif ar(2) ma(1)
à conserver ces quatre modèles pour les 12 du equation arima16.ls dactif ar(2) ma(2)
modèles suivants: Modèle AR(1) equation arima17.ls dactif ar(2) ma(2) ma(3)
equation arima18.ls dactif ar(2) ma(3)
Modèle AR(1) AR(2) equation arima19.ls dactif ma(1)
Modèle AR(1) AR(2) MA(3) equation arima20.ls dactif ma(1) ma(2)
Modèle AR(1) MA(1) equation arima21.ls dactif ma(2)
equation arima22.ls dactif ma(2) ma(3)
Modèle AR(1) MA(1) MA(2) MA(3) equation arima23.ls dactif ma(3)
Modèle MA(1) equation arima26.ls dactif ar(3) ma(1) ma(2)
equation arima27.ls dactif ar(3) ma(2)
Modèle MA (1) MA(2) equation arima28.ls dactif ar(3) ma(2) ma(3)
Modèle AR(3) MA(3) equation arima30.ls dactif ar(1) ar(2) ar(3)
equation arima31.ls dactif ar (1) ar(3)
Modèle AR (1) AR(2) AR(3) equation arima32.ls dactif ar(2) ar(3)
31
D’après les critères d’information (AIC et SC), il ressort que le modèle AR(1) AR(2) MA(1)
dispose d’une qualité supérieure (Ie modèle a les critères d’infirmation AIC et CS les plus
petits et le R² le plus grand ). Le fait de retenir ce modèle ne signifie pas que les autres
modèles ne peuvent pas être utilisés pour la prévision. Ces critères n’accordent au modèle
retenu qu’une certaine prééminence sur les autres.
Akaike info criterion Schwarz criterion
Modèle R²
(AIC) (SC)
Modèle AR(1) 5.042325 5.073275 0.03711
Modèle AR(1) AR(2) 5.012369 5.058794 0.07435
Modèle AR(1) AR(2) MA(3) 4.986450 5.048351 0.106647
Modèle AR(1) MA(1) 4.987460 5.053463 0.097455
Modèle AR(1) MA(1) MA(2) MA(3 4.956429 5.033806 0.143287
Modèle AR(2) 5.057855 5.088805 0.022073
Modèle AR(2) MA(1) 4.991994 5.038419 0.093307
Modèle MA(1) 5.013541 5.044491 0.064812
Modèle MA(1) MA(2) 4.984214 5.030640 0.100411
Modèle AR(3) MA(1) 3.047133 5.002242 0.084025
Modèle AR(3) MA(3) 5.058247 5.104673 0.032033
Modèle AR(1) AR(2) AR(3) 4.984888 5.046789 0.108085
D’où le modèle ARIMA (p=1; d=1; q=3) est celui le plus adéquat pour modéliser
notre série. 32
Estimation du modèle retenu
Dependent Variable: DACTIF
Method: ARMA Maxim um Likelihood (BFGS)
Date: 03/30/20 Tim e: 16:32
Sam ple: 2 220
Convergence achieved after 40 iterations
Coefficient covariance com puted us ing outer product of gradients
Variable Coefficient Std. Error t-Statis tic Prob.
AR(1) -0.989622 0.024787 -39.92503 0.0000

MA(1) 0.759952 0.072273 10.51504 0.0000
MA(2) -0.460591 0.084566 -5.446539 0.0000
MA(3) -0.268006 0.071704 -3.737690 0.0002
SIGMASQ 7.918274 0.688531 11.50024 0.0000
R-s quared 0.143287 Mean dependent var 0.082700

Adjus ted R-s quared 0.127274 S.D. dependent var 3.047133
S.E. of regres s ion 2.846626 Akaike info criterion 4.956429
Sum s quared res id 1734.102 Schwarz criterion 5.033806
Log likelihood -537.7290 Hannan-Quinn criter. 4.987679
Les coefficients estimés sont tous statistiquement significatifs

comme l’atteste la statistique de student.
Donc:
DActif = -0.989622* DActift-1 + 0.759952*εt-1 -0.460591*εt-2 - 0.268006*εt-3
33
Corrélogramme des résidus
du modèle retenu
Date: 03/30/20 Time: 16:32
Sample: 1 220
Included observations: 219
1 -0.00... -0.00... 0.0172 0.896 Le corrélogramme de la série des

2 -0.00... -0.00...
3 -0.00... -0.00...
0.0231
0.0235
0.989
0.999
résidus montre qu’aucun terme n’est à
4 -0.01... -0.01... 0.0803 0.999 l’extérieur des deux intervalles de
5 0.102 0.102 2.4496 0.784 confiance (Toutes les probabilités sont
6 0.014 0.015 2.4922 0.869
7 0.010 0.012 2.5159 0.926 supérieures à 0,05). On accepte
8 -0.03... -0.03... 2.8366 0.944 l’hypothèse que la série des résidus est
9 -0.02... -0.02... 2.9603 0.966
1... -0.03... -0.04... 3.2865 0.974
un bruit blanc.
1... -0.09... -0.10... 5.4090 0.910 La série des Actifs est valablement
1... 0.017 0.011 5.4761 0.940 représenté par un ARIMA(1,1,3).
1... 0.003 0.009 5.4780 0.963
1... 0.062 0.069 6.3755 0.956
1... -0.02... -0.01... 6.4726 0.971
1... -0.00... 0.018 6.4782 0.982
1... -0.01... -0.01... 6.5217 0.989
1... 0.008 0.006 6.5375 0.993
1... 0.013 -0.01... 6.5805 0.996
34
Validation du processus retenu
Table01
Date: 03/30/20 Tim e: 17:43
Sam ple: 1 220
Q-s tatis tic probabilities adjus ted for 4 ARMA term s
1. Test d’autoccorélation Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 -0.00... -0.00... 0.0172

2 -0.00... -0.00... 0.0231
Analyse du corrélogramme des 3
4
-0.00...
-0.01...
-0.00...
-0.01...
0.0235
0.0803
résidus 5
6
0.102
0.014
0.102
0.015
2.4496
2.4922
0.118
0.288
7 0.010 0.012 2.5159 0.472
8 -0.03... -0.03... 2.8366 0.586
9 -0.02... -0.02... 2.9603 0.706
1... -0.03... -0.04... 3.2865 0.772
1... -0.09... -0.10... 5.4090 0.610
1... 0.017 0.011 5.4761 0.706
Le corrélogramme des résidus 1...
1...
0.003
0.062
0.009
0.069
5.4780
6.3755
0.791
0.783
indique que toutes les probabilités 1...

1...
-0.02...
-0.00...
-0.01...
0.018
6.4726
6.4782
0.840
0.890
1... -0.01... -0.01... 6.5217 0.925
sont supérieures à 0,05. 1...
1...
0.008
0.013
0.006
-0.01...
6.5375
6.5805
0.951
0.968
Donc il s’agit d’un processus sans 2...
2...
0.005
0.047
0.001
0.039
6.5875
7.1359
0.980
0.982
2... -0.01... -0.01... 7.1916 0.988
mémoire (Absence 2... -0.04... -0.03... 7.5848 0.990
2... 0.022 0.027 7.7031 0.994
d’autocorrélation). 2...
2...
-0.11...
0.017
-0.10...
0.000
10.786
10.855
0.967
0.977
2... 0.016 0.015 10.922 0.984
2... -0.05... -0.05... 11.795 0.982
2... 0.028 0.032 11.997 0.987
3... 0.036 0.062 12.323 0.989
3... -0.02... -0.02... 12.503 0.992
3... 0.054 0.060 13.245 0.992
3... 0.029 0.029 13.463 0.994
3... 0.069 0.058 14.696 0.991
3... -0.01... -0.02... 14.726 0.994
3... -0.06... -0.09... 16.001 0.992
35
Table02
Date: 03/30/20 Tim e: 17:49
2. Test d’heteroscedasticité Sam ple: 1 220

Analyse du corrélogramme des 1 -0.04... -0.04... 0.3554 0.551

2 -0.05... -0.06... 1.1302 0.568
résidus au carré : 3
4
-0.04...
-0.02...
-0.04...
-0.03...
1.5599
1.7166
0.669
0.788
5 0.090 0.082 3.5400 0.617
6 -0.13... -0.13... 7.7151 0.260
Le correlogramme des résidus au 7

8
-0.01...
-0.08...
-0.02...
-0.09...
7.7951
9.3161
0.351
0.316
9 0.097 0.084 11.490 0.244
carré indique que toutes les 1...
1...
0.121
-0.09...
0.103
-0.06...
14.881
17.090
0.136
0.105
probabilités sont supérieures à 0,05. 1...
1...
0.024
-0.00...
0.019
0.009
17.222
17.229
0.141
0.189
Donc aucun terme n’est 1...

1...
0.084
-0.00...
0.055
-0.00...
18.908
18.924
0.168
0.217
1... -0.03... 0.012 19.223 0.257
significativement différent de 0. 1...
1...
-0.05...
-0.07...
-0.06...
-0.07...
20.047
21.562
0.272
0.252
Les résidus sont alors 1...
2...
-0.01...
-0.04...
-0.06...
-0.04...
21.586
22.047
0.305
0.338
2... 0.044 0.048 22.522 0.370
homoscédastiques 2... 0.000 -0.00... 22.522 0.429
2... -0.06... -0.08... 23.556 0.429
2... 0.053 0.016 24.253 0.447
2... 0.003 -0.00... 24.255 0.505
Les résidus ne sont pas 2...
2...
-0.05...
0.063
-0.08...
0.094
25.041
26.026
0.517
0.517
autocorrélés et ils sont 2...

2...
-0.02...
-0.06...
-0.01...
-0.08...
26.218
27.338
0.561
0.553
3... -0.02... -0.03... 27.533 0.595
homoscédastiques 3...
3...
-0.04...
0.037
-0.06...
0.040
27.941
28.304
0.624
0.654
== les résidus constituent un 3...
3...
-0.05...
0.082
-0.03...
0.057
28.951
30.724
0.669
0.629
bruit blanc 3...

3...
-0.00...
-0.00...
-0.01...
-0.01...
30.728
30.738
0.674
0.717
36
2. Test de normalité
Graph02
24
Series: Residuals
Sample 2 220
20 Observations 219
16 Mean 0.158176
Median -0.059168
Maximum 8.624430
12 Minimum -10.47616
Std. Dev. 2.815930
Skewness -0.112200
8
Kurtosis 3.662961
4 Jarque-Bera 4.470084
Probability 0.106988
0
-10 -8 -6 -4 -2 0 2 4 6 8
Analyse de la normalité des résidus :

Le test de normalité: Les résidus sont-ils guassiens?
La statistique de Jarque-Bera (JB=4,4<χ2 =5.99 ) indique une probabilité
critique de 0,1069>0,05, nous acceptons l’hypothese de normalité des résidus.
= La représentation est validée le processus de « Actif » est

donc un prosessus ARIMA(1,1,3).
37
Réalisation des prévisions
Finalement le model étudié est validé sur le plan statistique .Notre modèle
est un processus ARIMA(1,1,3), il nous reste que de faire des prévisions.
L'observation du graphique montre bien que les valeurs de la variable
actuelle sont collées avec celle de la variable de prévision (fitted value) et
que le résidu se comporte t comme un bruit blanc.
Graphe03 10
-5
10
-10
5
-15
0
-5
-10
-15
25 50 75 100 125 150 175 200
Res idual A c tual Fitted
Cliquer sur l’ équation du modele estimé View Actual,Fitte,Residual=

Actual,Fitte,Residual,Graph
12/06/2021
38
Après avoir réaliser cette projection dans l'échantillon , il nous faut vérifier que
le coefficient d'inégalité de Theil tend vers 0 pour avoir une bonne prévision.
Il ressort de cet output que le coefficient de Theil est assez élevé, ce qui
n’assure pas une bonne prédiction. Il donne une valeur de 0.984. Une
variance de proportion assez élevée (dans notre cas 0.962).
Graphe04
8
Forecast: DACTIFF
6 Actual: DACTIF
Forecast sample: 1 220
4
Adjusted sample: 3 220
2
Root Mean Squared Error 3.050831
0 Mean Absolute Error 2.408289
Mean Abs. Percent Error 106.6805
-2 Theil Inequality Coefficient 0.984188
Bias Proportion 0.000682
-4
Variance Proportion 0.962808
-6
Covariance Proportion 0.036510
-8
25 50 75 100 125 150 175 200
DA CTIFF ± 2 S.E.
Proc=Srturture/Resize Current Pages puis vous ajoutez les périodes pour prévision
=Ok
Cliquer sur l’equation du modele estime Proc Forecast = Ok
12/06/2021 39
Le coefficient d’inégalité de Theil étant élevé, soit 0.984. Il est possible
de réduire sa valeur en transformant le modèle ARIMA(p, d, q) à un
modèle ARIMA(p+1, 1, q).
Dans ce cas, comme il s’agit d’un ARIMA (1, 1, 3), ainsi, nous aurons
après transformation : ARIMA (2, 1, 3).
Au regard de ce résultat, il se dégage que le coefficient d’inégalité de
THEIL a sensiblement diminué (0.972)mais il reste très élevé. Donc, la
prévision réalisée sur la base de ce modèle n’est pas bonne.
Graphe05
8
Forecast: DACTIFF
6 Actual: DACTIF
Forecast sample: 1 220
4
Adjusted sample: 4 220
2
Root Mean Squared Error 3.051617
0 Mean Absolute Error 2.405912
Mean Abs. Percent Error 107.3428
-2 Theil Inequality Coefficient 0.972035
Bias Proportion 0.000562
-4
Variance Proportion 0.939229
-6
Covariance Proportion 0.060209
-8
25 50 75 100 125 150 175 200
12/06/2021
DACTIFF ± 2 S.E.
40
Conclusion
En guise de conclusion, nous pouvons dire que les actifs de cette

entreprise restent difficiles à prédire.
Dans cette étude, nous avons remarqué que les prévisions faites
sur ces Actifs sont de mauvaise qualité et cela du au fait que les
modèles ARMA(p,q) ne prennent pas en considération certaines
contraintes structurelles.
Ces contraintes sont, surtout, liées au caractère volatile de
certaines variables, en l’occurrence notre série d’étude.
Afin de prédire les valeurs de ces Actifs on aura besoin de
recourir aux autres modèles de prédiction, didiés à l’analyse des
séries financières relevant d’une grande volatilité.
12/06/2021
41

6-Méthode de Box Jenkins

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

6-Méthode de Box Jenkins

Transféré par

Droits d'auteur :

Formats disponibles

MODULE

ANALYSE DES SÉRIES

2ème Semestre Masters: MFEA

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

12/06/2021 Mme. EL YAMANI

Estimation des paramètres (p,q) du

5 Validation et réalisation des prévisions

La maitrise de l’environnement économique est

La méthode de box-Jenkins est une méthode de

La phase d’identification est la plus difficile, elle consiste à

Dans la cas d’une série affectée d’un mouvement

Si l’étude du corrélogramme simple et les tests statistiques s’y

Les méthodes d’estimations diffèrent

La question qui se pose ici est de savoir si le modèle

les résidus sont calculés, à partir du modèle estimé,

Une analyse de leur fonction d’autocorrélation peut

Si la réponse à la question posée ci-dessus est

Régression sur la tendance si TS Passage aux différences si DS

Série stationnaire DXt

Aalyse des corrélogrammes AC et PAC de la série stationnaire

Détermination des ordres p et q du processus ARMA

Estimation des paramètres

Test de student: Les coefficients non significatifs à éliminer

En estimer les Le modèle est-

Notre travail empirique consiste à appliquer la méthode

Cette méthode nécessite le passage par plusieurs

1-Vérfication de la stationnarité de la série;

Modélisation du prix d’actif en million de DH

 Il se peut que la série

Date: 03/30/20 Time: 12:23

Le coefficient de la droite de *MacKinnon (1996) one-sided p-values.

tendance n’est pas significativement

Variable Coefficient Std. Error t-Statistic Prob.

𝑿𝒕 = 𝝋𝑿𝒕−𝟏 + 𝒄 + 𝜺𝒕 t-Statistic Prob.*

Test de la constante Augmented Dickey-Fuller test statistic -2.306282 0.1709

Le terme constant n’est pas *MacKinnon (1996) one-sided p-values.

On passe à l’estimation du ACTIF(-1) -0.067264 0.029165 -2.306282 0.0221

ACTIF(-1) -0.002683 0.010081 -0.266144 0.7904

Dactif = Actift - Actift(-1) Null Hypothesis: DACTIF has a unit root

Il s’agit de la première différenciation t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -12.24574 0.0000

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

1 -0.19... -0.19... 8.4614 0.004

 Dans la colonne de la fonction

Modèle à estimer Commande sur Eviews

Modèle à estimer Commande sur Eviews

Donc, on est censé d’estimer 24 modèles 29

Donc, on est censé d’estimer 33 modèles

Variable Coefficient Std. Error t-Statis tic Prob.

AR(1) -0.989622 0.024787 -39.92503 0.0000

R-s quared 0.143287 Mean dependent var 0.082700

Les coefficients estimés sont tous statistiquement significatifs

DActif = -0.989622* DActift-1 + 0.759952*εt-1 -0.460591*εt-2 - 0.268006*εt-3

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.00... -0.00... 0.0172 0.896 Le corrélogramme de la série des

1. Test d’autoccorélation Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.00... -0.00... 0.0172

indique que toutes les probabilités 1...

2. Test d’heteroscedasticité Sam ple: 1 220

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

DActif = -0.989622* DActift-1 + 0.759952εt-1 -0.460591εt-2 - 0.268006*εt-3