Académique Documents
Professionnel Documents
Culture Documents
Encadré par:
MR. OUHMANE EL MEHDI
Elaboré par:
Belghaouti Wafa
Laamiri Saida
Elouargua Imane
Boujaadia Fatine
Plan
Plan Introduction
A. Stationnarité de la série
B. Corrélogramme
C. Test de Dickey Fuller ( test de racine unitaire)
La non stationnarité:
les processus d’autocorrélation simple et partielle
Les processus générateurs de données TS & DS
D. la stratégie
1
séquentielle
2
de test
E. Validation de Modèle (Test de « bruit blanc »)
F. Prévisions
Les modèles ARMA & ARIMA
Etude de cas
Conclusion
Introduction
1 3
Définition, domaines d’application, composantes, et objectifs
SERIE CHRONOLOGIQUE
=
Suite d’observations indicées par le temps
yt , t = 1, …, T
En général, dates d’observation régulières :
1 t = heure …
4
jour …
mois …
année …
Domaines d’application
Financ
e
Cours de bourse
quotidiens
Epidémiologie 1 5
Démographie
Population, total-Morocco
Marketing
1 6
•Analyser un phénomène
«Décrire/comprendre/juger l’évolution de la série »
1 7
Les variations saisonnières sont des fluctuations périodiques à l’intérieur d’une année, et qui se reproduisent de
façon plus ou moins permanente d’une année à l’autre. Ces variations sont dues au rythme des saisons
• La méthodologie de Box & Jenkins vise à formuler un modèle permettant de représenter une
chronique avec comme finalité de prévoir des valeurs futures.
•De ce fait, l'objet de cette méthodologie est de modéliser une série temporelle en fonction de ses valeurs
passées et présentes afin de déterminer le processus ARMA /ARIMA.
Éléments d’analyse des séries temporelles (Stationnarité)
Définition
Intérêt de la stationnarité
1 10
• le corrélogramme nous donne une idée sur la non stationnarité, le corrélogramme d’une
série chronologique est la représentation graphique de la fonction d’autocorrélation simple
et partielle il fournit des résultats avec des bornes de l’intervalle de confiance qui sont
stylisées par des traits pointillés horizontaux ; chaque terme qui sort de cet intervalle est
donc significativement différent de 0 au seuil de 5 % cad sa probabilité est inferieure a 0.05
•Les tests informels consistent à l'analyse des moments et des plots afin de détecter la
1 11
stationnarité ; mais ce ne sont que des tests de présomption de stationnarité. Puis une
vérification de ces intuitions (tests informels) est faite par l'application des tests formels
notamment le test de racine unitaire de Dickey Fuller.
Corrélogramme : Fonctions d’Autocorrélation Simple et Partielle
1 13
La non-stationnarité : Test de Racine Unitaire
Pour analyser la non-stationnarité, deux types de processus sont distingués:
TS
La non stationnarité
1
DS
le processus DS (Differency Stationary) pour les
processus non stationnaires aléatoires
(stochastique).
1 15
L’estimation des ordres p et q
ARMA/ARIMA
1 17
Après avoir rendre la série stationnaire on va appliquer le modèle ARIMA pour faire
les prévisions.
Evolution du nombre de passagers
aériens au cours du temps
1 18
Corrélogramme
1 19
1 20
1 21
On utilise le Test de Dickey Fuller pour
confirmer la stationnarité de la série on va
commencer par le modèle 3 qui contient
la tendance et la constante où on étudie la
significativité du coefficient de la
tendance.
1
t-statistique 2,21<t-tabulée 3.14
1 23
t-statistique 1,44<t-tabulée 2,86
1 25
Un processus DS
sans dérive .
• Pour rendre une série de processus DS stationnaire on utilise la méthode de différenciation , on fait la première
différenciation , si la série ne devient pas stationnaire on procède au deuxième différenciation et ce par la commande
suivante :
genr dx1=X1-X1(-1)
1 27
1
Corrélogramme après la différenciation
1 29
AR(2) et MA(2) SONT
SIGNFICATIFS
1 30
Validation du modèle : analyse des résidus
Processus
avec
mémoire
1 31
Selon les conditions de validation du modèle on remarque que les probabilités figurant dans le corrélogramme des
résidus sont inférieures à 5% donc on conclut qu’il s’agit d’un processus avec mémoire.
Ainsi que les probabilités du corrélogramme des résidus au carré sont aussi inférieures à 5% alors on a des résidus
hétéroscédastiques , alors on constate l’absence du bruit blanc .
Donc le modèle n’est pas valide .
Validation du Modèle
•Pour prévoir automatiquement une série à l'aide de modèles ARIMA, ouvrez la série et cliquez sur Proc/Automatic ARIMA... qui fera apparaître
la boîte de dialogue Automatic ARIMA Forecasting :
1 35
L' onglet Options de la boîte de dialogue fournit des options supplémentaires sur la sélection
et la sortie du modèle :
1 36
Le graphique Réel et Prévision indique que le modèle choisi a assez bien prévu les valeurs
réelles.
1 37
1 38
Conclusion
1 39
Bibliographie
https://www.memoireonline.com/07/07/521/prevision-serie
-chronologique-methode-box-jenkins.html
https://www.ladissertation.com/Archives-du-BAC/BAC-Espag
nol-LV1/La-m%C3%A9thode-de-Box-and-Jenkins-399827.html
https://fr.m.wikipedia.org/wiki/Test_augment%C3%A9_de_D
ickey-Fuller
https://slideplayer.fr/slide/5422542/
https://slideplayer.fr/slide/5422542/
1 40