Académique Documents
Professionnel Documents
Culture Documents
6-Méthode de Box Jenkins
6-Méthode de Box Jenkins
Pr. R. EL YAMANI
12/06/2021
2020-2021 1
PLAN DE COURS
1 Généralités sur les séries chronologiques
7 Modèles ARCH
8 Modèles GARCH
2
LA MÉTHODOLOGIE
DE BOX AND
JENKINS
2 Aalyse de la saisonnalité
3 Identification du processus
6 Cas pratique
INTRODUCTION
12/06/2021
6
DEFINITION DE LA METHODE DE
BOX-JENKINS
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
12/06/2021
9
DESAISONNALISATION
12/06/2021
10
ANALYSE DE STATIONNARITE EN TERME
DE TENDENCE
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
12/06/2021
13
VALIDATION ET RÉALISATION DES
PRÉVISIONS
12/06/2021
14
VALIDATION ET RÉALISATION DES
PRÉVISIONS
12/06/2021
15
VALIDATION ET RÉALISATION DES
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
12/06/2021
Test sur les résidus; sont-ils des bruits blanc 17
METHODE DE BOX-JENKINS
NON
OUI
On change le
modèle
Prévision
12/06/2021
18
METHODE DE BOX-JENKINS
12/06/2021
19
CAS PRATIQUE
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
12/06/2021
21
Analyse de la stationnarité
22
Analyse de la stationnarité
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
23
Analyse de la stationnarité
Null Hypothesis: ACTIF has a unit root
Test de DAF Pour le modèle 2: Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=14)
modèle2 n’admet pas une constante. Variable Coefficient Std. Error t-Statistic Prob.
24
Analyse de la stationnarité
Test de DAF Pour le modèle 1: Null Hypothesis: ACTIF has a unit root
Exogenous: None
Lag Length: 3 (Automatic - based on SIC, maxlag=14)
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
Dependent Variable: D(ACTIF)
stationnaire). Method: Least Squares
Date: 03/30/20 Time: 12:33
Sample (adjusted): 5 220
Included observations: 216 after adjustments
Donc Ho est acceptée, le modèle1
admet une racine unitaire. Variable Coefficient Std. Error t-Statistic Prob.
25
Stationnarisation de processus Actif
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
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
28
Identification du processus ARIMA
30
Identification du processus ARIMA
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=ProgramCopier 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 programmeRun 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)
equation arima11.ls dactif ar(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)
equation arima15.ls dactif ar(2) ma(1) ma(2)
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 AR(2) equation arima24.ls dactif ar(3)
Modèle AR(2) MA(1) equation arima25.ls dactif ar(3) ma(1)
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(1) equation arima29.ls dactif ar(3) 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
Identification du processus ARIMA
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
Included obs ervations : 219
Convergence achieved after 40 iterations
Coefficient covariance com puted us ing outer product of gradients
33
Corrélogramme des résidus
du modèle retenu
Date: 03/30/20 Time: 16:32
Sample: 1 220
Included observations: 219
34
Validation du processus retenu
Table01
Date: 03/30/20 Tim e: 17:43
Sam ple: 1 220
Included obs ervations : 219
Q-s tatis tic probabilities adjus ted for 4 ARMA term s
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
35
Validation du processus retenu
Table02
Date: 03/30/20 Tim e: 17:49
36
Validation du processus retenu
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
-5
10
-10
5
-15
0
-5
-10
-15
25 50 75 100 125 150 175 200
Graphe04
8
Forecast: DACTIFF
6 Actual: DACTIF
Forecast sample: 1 220
4
Adjusted sample: 3 220
2
Included observations: 218
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
Réalisation des prévisions
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
Included observations: 217
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
12/06/2021
41