Travail À Faire

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 11

ANALYSE D’UNE SERIE TEMPORELE

SOUS EVIEWS

ENCADREE PAR :
DR. RACHIDI LAHOUSSINE

REALISE PAR :
BOUACHRA MONSIF
MASTER DE RECHERCHE
MASTERECONOME APPLIQUEE-
DE RECHERCHE ECONOME
AGADIR
APPLIQUEE-AGADIR
SOMMAIRE

I. INTRODUCTION
II. ANALYSE STATISTIQUE
1. PRESENTATION GRAPHIQUE (STAT DESCRIPTIVE).
2. CORRELOGRAMME.
III. ETUDE DES CARACTERISTIQUE STOCHASTIQUE E(X)
ET V(X)
1. ANALYSER ET MODELISER LE PROCESSUS GENERATEUR
DES DONNEES (TS OU DS).
2. ETUDE DE LA STATIONNARITE.
3. DETERMINATION DES ORDRES p ET q DU PROCESSUS
ARMA.
4. ESTIMATION DES PARAMETRES.
5. LA VALIDATION DU MODELE.
6. PREVISION DES VALEURS FUTURES.

MONSIF BOUACHRA 1
I. INTRODUCTION

Une série chronologique ou chronique est une suite d’observations d’une variable
statistique ayant été faites à intervalles de temps constants (jours, semaines, mois,
trimestres, semestres, années …). Et plutôt appelée série temporelle.

Mathématiquement on peut définir une série chronologique comme un ensemble de


valeurs prises par une fonction y =f(t).

Par exemple :

▪ Nombre mensuel de vente de voitures neuves en France.


▪ Nombre annuel de naissance en France.
Alors, L’objet de cette recherche est de vous présenter et analyser la série
chronologique de IPC1.

IPC* : L'indice des prix à la consommation est l'instrument de mesure de l'inflation.


Il permet d'estimer, entre deux périodes données, la variation moyenne des prix des
produits consommés par les ménages. Il est basé sur l'observation d'un panier fixe de
biens et services, actualisé chaque année.
Pour ce faire, on va donc traiter dans un premier point l’analyse statistique de série,
puis on va étudie les caractéristique stochastique (e(x) et v(x)) de cet série IPC.

1
Voir l’annexe

MONSIF BOUACHRA 2
II. ANALYSE STATISTIQUE
1. PRESENTATION GRAPHIQUE (STAT DESCRIPTIVE)
Cette partie se focaliser sur l’analyse graphique de série étudiée après les étapes
suivantes : show → view → Graph

IPC
20

16

12

-4
60 65 70 75 80 85 90 95 00 05 10 15 20

Source : logiciel EViews

Alors on constate que la série ne pas stationnaire graphiquement.

2. CORRELOGRAMME.
EViews fournit les résultats des fonctions d’autocorrélation simple (colonne AC)
et partielle (colonne PAC), avec les corrélogrammes respectifs. Les bornes de
l’intervalle de confiance sont stylisées par des traits pointillés horizontaux.

La statistique Q de Ljung-Box confirme ce fait : Q-Stat = 127.32 (au retard


k = 15) > χ2 0,05 ;15 = 25, on refuse l'hypothèse de nullité des coefficients ρk (la
probabilité critique de ce test est indiquée α = 0,000 < 0,05, donc on refuse H0).
Alors le processus est non stationnaire.

MONSIF BOUACHRA 3
Source : logiciel EViews

III. ETUDE DES CARACTERISTIQUE STOCHASTIQUE


E(X) ET V(X)
1. ANALYSER ET MODELISER LE PROCESSUS GENERATEUR
DES DONNEES (TS OU DS).
Pour analyser la non-stationnarité, deux types de processus sont distingués :
✓ Les processus TS (Trend Stationary) qui représentent une non-stationnarité de
type déterministe.
✓ Les processus DS (Differency Stationary) pour les processus non

stationnaires aléatoire.
 En effectuée Le test DFA (avec quatre retards) conduit à des résultats similaires :
• L’estimation par les MCO des paramètres du modèle [3] donne :

Source : logiciel EViews

MONSIF BOUACHRA 4
❖ Le coefficient de la droite de tendance n’est pas significativement différent de
0. Puisque (Tc = 1,69) < (tb= 3.14) au seuil de 5%. Alors on rejette
l’hypothèse d’un processus TS.
• L’estimation par les MCO des paramètres du modèle [2] donne :

Source : logiciel EViews

❖ Le terme constant n’est pas significativement différent de 0. Puisque (Tc =


1,62) < (tb= 2.86) au seuil de 5%. Alors on rejette l’hypothèse d’un
processus DS avec dérive.
• L’estimation par les MCO des paramètres du modèle [1] donne :

Source : logiciel EViews

MONSIF BOUACHRA 5
❖ Tφˆ1 = 2.96 > T. Tabulé = −1,95, on accepte l’hypothèse H0 de racine
unitaire ; le processus n’est pas stationnaire. Alors Il s’agit donc d’un
processus DS sans dérive.

2. ETUDE DE LA STATIONNARITE.
Pour stationnariser la marche aléatoire, il suffit d’appliquer au processus le filtre
aux différences premières : 𝒙𝒕 = 𝒙𝒕−𝟏 + 𝝐𝒕
Après la commode suivent :

Source : logiciel EViews

Nous obtenons une nouvelle série dipc2, pour effectuer un nouveau graphique et
corrélogramme d'une série, pour justifie est-ce-que la série est stationnaire ou pas ?
Voilà le graphique et corrélogramme d'une série dipc :

Source : logiciel EViews

La statistique Q a une probabilité critique de 0,060 (pour k = 15) supérieure à 0,05 ;


nous acceptons l’hypothèse H0 de nullité des coefficients du corrélogramme. Le
corrélogramme de la série dipc filtrée par les différences premières est
caractéristique d’un bruit blanc.
La série dipc est donc bien un processus DS sans dérive. S’agit-il d’un bruit blanc
gaussien ?

2
Tableau Voir annexe

MONSIF BOUACHRA 6
Pour cela, il convient de vérifier la normalité des erreurs. Le test de Jarque et Bera ,
fondé sur la notion de Skewness et de Kurtosis qui permet de vérifier la normalité
d’une distribution statistique.

Source : L’histogramme de la distribution et les valeurs empiriques des Skewness et Kurtosis dans logiciel
EViews

✓ Les tests sont effectués à partir des valeurs :

|0.848421−𝟎| |8.872547−𝟑|
ν1= = 2,705>1.96 ν2 = = 14.14>1.96

𝟔 Et 𝟐𝟒
𝟔𝟏 √
𝟔𝟏

Nous rejetons l’hypothèse de normalité en ce qui concerne la symétrie


(Skewness) et l’aplatissement (Kurtosis) de la distribution, ce qui est confirmé par la
statistique de Jarque-Bera : JB = 94,97214 > χ2 0,05(2) = 5,99. Le processus IPC en
différences est donc un bruit blanc non gaussien.
3. DETERMINATION DES ORDRES p ET q DU PROCESSUS
ARMA.
Compte tenu de la forme des corrélogrammes simple et partiel nous sélectionnons
un modèle ARMA (0, 1) (0, 0)3. Puisque que Le meilleur modèle c’est celui qui
minimise les critères d’information (AIC ou SC). Nous constatons que la constante
est significativement différente de 0.

3
Elément de ARMA (voir annexe)

MONSIF BOUACHRA 7
Source : logiciel EViews

4. ESTIMATION DES PARAMETRES.

Nous pouvons appliquer une méthode des moindres carrés pour estimer les
paramètres d’un modèle ARMA (0.1) (0,0)

Source : logiciel EViews

5. LA VALIDATION DU MODELE.
o Tests de student sur les coefficients
Les coefficients sont tous significative différents de 0 (t-statistique sont supérieur à
t-tabulée) et aussi les probabilités critiques sont inférieures à 0.05.

o Analyse des résidus

MONSIF BOUACHRA 8
Corrélogramme du résidu Corrélogramme du résidu au carré
Source : logiciel EViews

Source : logiciel EViews

• Le corrélogramme du résidu indique qu’il s’agit d’un processus sans mémoire


(car les probabilité critique sont supérieure 0.05). Le corrélogramme du résidu
au carré n’indique aucun terme de significative différente à 0 (les probabilité
critique sont supérieure 0.05). Alors les résidus sont donc homoscédastique.
Les résidus donc un bruit blanc.

6. PREVISION DES VALEURS FUTURES


La prévision est donnée par :

Source : logiciel EViews

Fin

MONSIF BOUACHRA 9
Bibliographie :
▪ Analyse des séries temporelles Régis Bourbonnais Michel Terraza 3éme édition.
▪ Économétrie Cours et exercices corrigés Régis Bourbonnais 9e édition.
▪ ECONOMETRIE DES SERIES TEMPORELLES Hélène Hamisultane.
▪ Économétrie Appliquée : Manuel des cas pratiques sur EViews et Stata Jonas Kibala
Kuma.

MONSIF BOUACHRA 10

Vous aimerez peut-être aussi