Beruflich Dokumente
Kultur Dokumente
1.1.1.
1.1.2. Contexte .3 1.2. Prsentation et description des donnes...5 1.2.1.Identification des donnes..5 1.2.2. Mcanisme d'obtention des donnes.5 1.3. Aperu de l'pidmie du VIH/SIDA en Afrique Centrale.5 CHAPITRE DEUX : THORIE DES SRIES CHRONOLOGIQUES7 2.1. Processus du Second Ordre.7 2.1.1. Gnralit7 2.1.2. Processus stationnaire au second ordre8 a. Dfinitions et notations8 b. Processus A.R.M.A(Auto Regressive Mouving Average)..9 c. Processus AR(p).9 2.1.3. Processus non stationnaires : Modles A.R.I.M.A. (Auto Regressive Integrated Mouving Average)..10 2.1.4. Tests de non stationnarit10 a. b. c. 2.1.5. a. b. Test de Dickey et Fuller ............................................................................................................... 10 Test de Dickey et Fuller augment ............................................................................................ 111 Test de Phillips-Perron............................................................................................................... 111 Etapes de la modlisation...................................................................................................... 122 Stationnarisation par filtrage..................................................................................................... 122 Identification prliminaire ......................................................................................................... 122
AWONO Cyrille ParfaitENSP 2008-2010
ii c. Estimation des modles nous utiliserons la mthode destimation par maximum de vraisemblance.................................................................................................................................... 122 d. 2.1.6. Validation................................................................................................................................... 133 Prvision : calcul rcursif de la prdiction par lAlgorithme de Durbin-Levingson ............... 144
2.2. Lissages Exponentiels.15 2.2.1. Lissage Exponentiel simple15 2.2.2. Lissage Exponentiel double.16 2.2.3. Mthode Holt-Winters17 2.2.3.1. Mthode non saisonnire17 2.2.3.2. Mthode saisonnire additive.18 2.2.3.3. Mthode saisonnire multiplicative18 CHAPITRE TROIS : APPLICATIONS AUX INDICATEURS DU VIH/SIDA ........................................................ 20 3.1. Mthode de Box-Jenkins20 3.1.1. Rappel des diffrentes tapes dans la Pratique avec le Logiciel R .................................................. 20 3.1.2. Modlisation de lvolution de la prvalence du VIH/SIDA au Cameroun par un Processus , , ............................................................................................................................................ 20 3.1.3. Modlisation de lvolution des Nouvelles Infections du VIH/SIDA au Cameroun par un Processus , , .......................................................................................................................................... 366 3.2. Mthode du Lissage Exponentiel.42 3.2.1. Prvision de lvolution de la prvalence (15-49 ans) du VIH/SIDA au Cameroun..42 3.2.2. Prvision de lvolution des nouveaux cas du VIH/SIDA au Cameroun43 Conclusion Gnrale ............................................................................................................................ 45 Liste des tableaux ................................................................................................................................ 47 Table des figures .................................................................................................................................. 48 Annexe : Liste des Codes R tiliss..50 Bibliographie ....................................................................................................................................... 60
iii
Ddicace
iv
Remerciements
Je remercie Dieu Tout-Puissant pour tous ses bienfaits. Jexprime ma gratitude tous ceux qui ont contribu la ralisation de ce mmoire. Ma reconnaissance et mes sincres remerciements vont tout le corps enseignant du Master pour leur encadrement et tous les Responsables de lcole Nationale Suprieure Polytechnique de Yaound notamment :
Pr Charles AWONO ONANA, Directeur de lENSP ; Pr Henri GWT, Chef du Dpartement de MSP de lENSP et coordonnateur du MASTER ; Pr J.C THALABARD ; Pr ROYNETTE ; Pr Lepennec ; Pr HILI ; Pr FERENHBACH ; Dr Eugne NDONG NGUEMA ; Dr YODE ; Dr Michel NDOUMBE. Ma reconnaissance va galement lendroit de Dr Marlyse Paule PEYOU NDI pour son encadrement durant mon stage lOCEAC. Je remercie particulirement le Dr Thophile MBANG pour son soutient et ses conseils.
Je ne saurais oublier tous mes camarades du Master avec qui jai pass deux excellentes annes acadmiques.
Abrviations
VIH : SIDA : OCEAC : PPSAC : OMD : CNLS : OMS : ONU : ONUSIDA : PNUD : PNS : EDSC : ARIMA : ARMA : AR : MA : AIC : ENSP MSP Virus de lImmunodficience Humaine Syndrome de lImmunodficience Acquise. Cest le stade de la maladie. Organisation pour la lutte Contre les grandes Endmies en Afrique Centrale. Programme de Prvention du SIDA en Afrique Centrale Objectifs du Millnaire pour le Dveloppement Comit Nationale de Lutte Contre le SIDA Organisation Mondiale de la Sant Organisation des Nations Unis Organisation des Nations Unies pour le SIDA Programme des Nations Unies pour le Dveloppement Programme Nationale de Stratgie Enqute Dmographique et de Sant du Cameroun AutoRegressive Integrated Mobile Average (AutoRgressif Moyenne Mobile Integr) AutoRegressive Mobile Average (AutoRgressif Moyenne Mobile) AutoRegressive (AutoRgressif) Mobile Average (Moyenne Mobile) Critre dInformation dAKAKE Ecole Nationale Suprieure Polytechnique Mathmatiques et Sciences Physiques
vi
Rsum
La prvision est un lment trs important dans la lutte contre le SIDA, elle permet danticiper lvolution des indicateurs et dadopter des stratgies visant mesurer limpact, dans le futur, des diffrentes interventions prsentes, il en est ainsi dans latteinte des OMD. Pour faire des prvisions il faut utiliser la modlisation qui est une dmarche statistique qui consiste en la reprsentation simplifie dun ensemble dobservations. Pour modliser, nous pouvons adopter deux approches. Une premire qui revient tudier la variable dintrt, en fonction de son volution au cours du temps sous forme de chronique. Une seconde approche consiste tudier ce processus en fonction de certaines variables supposes influer sur son volution, ces variables sont dites explicatives. La connaissance de cette modlisation est ncessaire pour le contrle du processus, la dtermination de la causalit, pour faire des liaisons. Ce qui pourra permettre de quantifier laspect de limpact de ce processus et de mesurer la dure de transmission de son effet sur le phnomne quil reprsente. En utilisant, lhypothse : les mmes causes produisent les mmes effets, la modlisation nous sera utile dans lanticipation, lextrapolation sur lvolution de nos processus et pourra nous aider dans la prise de dcision. Mots cls OMD, prvision, modlisation, processus, prise de dcision, test de Phillips-Perron.
vii
Abstract
Prediction is an important element in the fight against HIV/AIDS; it permits to anticipate the evolution of HIV indicators and to adopt strategies in view to measure the future impact of different interventions. To make predictions, we have to use modelization which is a statistical method which consists in simplifying the representation of a system of observations. Two approaches can be adopted for this issue: Firstly, we study our interest variable throughout its evolution in the form of time series. A second approach consists in studying our interest variable by finding the link with other influential variables. Those variables are explicative. The understanding of modelization is necessary for controling the evolution of the given process. It is also necessary for the knowledge of cause/effects relationship between variables. This will help estimate the impact of this process and evaluate the transmission time of its effect on the phenomenon it represents. Another purpose of modelization is prediction. It is based on the hypothesis that the same causes produce the same effects, meaning that as we know the evolution of our process, it helps us anticipate in decision making, being aware of future impacts. Keywords : Modelization, process, prediction, decision making, Phillips-Perrons test, estimation by maximum of likelihood.
viii
Introduction gnrale
Linfection VIH/sida a fait son apparition au Cameroun en 1980 et les premiers cas notifis apparaissent en 1982. Elle atteint les proportions dune pidmie quelques annes plus tard dans les annes 90. Les dispositifs de riposte sont ds lors mis sur pied pour la fois : rduire le nombre de nouvelles infections dans la population sexuellement active, assurer laccs au traitement pour les personnes vivant avec le virus et rduire son impact sur les Orphelins et enfants vulnrables (OEV). LEDS III ralis en 2004 a rvl une prvalence de 5,5% dans la tranche des 15 49 ans et mis en exergue le phnomne de juvnilisation et de fminisation de lpidmie. Il importe donc, ceci pour de besoins de dfinition de politiques de ripostes viables, de suivre annuellement lvolution de lpidmie et de dfinir des stratgies de lutte concrtes et fiables, de disposer dinformations sur ltat de la situation pidmiologique au Cameroun et des besoins en traitement pour la population infecte. Lobjectif de ce mmoire est de modliser lvolution des principaux indicateurs du VIH/SIDA en vu de savoir si le Cameroun atteindra les OMD lhorizon 2015 avec les stratgies actuelles. Nous travaillerons avec les donnes de la prvalence et des nouvelles infections allant 1990 2009. Nous organisons ce travail en trois chapitres : dans le premier chapitre, nous faisons une prsentation de lOCEAC, ainsi quune prsentation et une description des donnes; dans le deuxime chapitre, nous prsentons quelques notions de la thorie des sries temporelles et des mthodes de prvision; enfin, au chapitre trois, nous faisons une application aux donnes.
ix
Rsum excutif
1. Problme LOCEAC est la structure de la CEMAC charge de la coordination de la lutte contre les grandes endmies notamment le VIH/SIDA. Elle est charge daccompagner les pays dAfrique Centrale dans la ralisation des stratgies pour latteinte des OMD volet sant. La prvention du VIH/SIDA chez les jeunes (15-24ans) est son principal domaine dintervention travers le PPSAC. Le problme est de mesurer lefficacit des stratgies de prvention actuelles du Cameroun sur lvolution du VIH/SIDA : Prvoir les ralisations de la prvalence adulte (15-49ans) du SIDA au Cameroun de 2010 2015, les donnes de la tranche jeunes (15-24ans) ntant pas disponibles. Prvoir les nouvelles infections au VIH/SIDA.
2. Mthodologie Dans le but de rsoudre le problme de prvision de la prvalence et de nouvelles infections lhorizon 2015, nous avons tudi ces deux indicateurs en fonction de leur de pass. Dans un premier temps, nous les avons caractriss comme des chroniques en utilisant lalgorithme de Box-Jenkins, et le test de non stationnarit de PhillipsPerron. Ce qui nous a permis dutilis la modlisation . Dans un second temps, nous avons utilis le lissage exponentiel, particulirement le lissage Holt-Winters non saisonnier.
Au vu des deux tableaux, le lissage est le mieux indiqu parce que refltant beaucoup plus la ralit. b. 1) Pour le e nombre nouvelles infections du VIH/SIDA au Cameroun, les prvisions sont prsentes dans le tableau suivant :
Nouveaux cas Standard error Taux de rduction(%) 2010 47156 2987 3.44 2011 45478 5467 3.56 2012 43800 8244 3.69 2013 42122 11324 3.83 2014 40443 14689 3.99 2015 38765 18320 4.15
b.2) En utilisant le lissage, nous avons eu pour les nouvelles infections le tableau des rsultats :
2010 2011 2012 2013 2014 Borne inf 41187 34646 26967 18435 9181 Nouveaux cas 47120 44758 42396 40033 37671 Borne sup 53053 54870 57824 61632 66161 Taux de rduction 3.51% 5.01% 5.28% 5.57% 5.90%
AWONO Cyrille ParfaitENSP 2008-2010
xi
2015
35309
71331
6.27%
A ce niveau, lajustement est le mieux indiqu pour les mmes raisons que prcdemment.
4. Conclusion Le travail qui nous avait t demand tait destimer la prvalence du VIH/SIDA chez les adultes et le nombre de nouvelles infections au Cameroun lhorizon 2015. La base de donnes disponible allait 1990 2009. Au vu des rsultats contenus dans les tableaux (Tableau 0-1-1) et (Tableau 0-1-2), et dans les tableaux (Tableau 0-2-1) et (Tableau 0-2-2) le Cameroun est loin datteindre la cible du volet sant des OMD : Dici 2015, avoir stopp la propagation du VIH/SIDA et commenc inverser la tendance actuelle, avec le niveau de ralisation actuel, malgr une baisse continuelle de nouvelles infections : entre 2009 et 2015, la prvalence aura connu un taux de progression de 24.81% tandis que les nouvelles infections auront diminu de 20.62%. Nous aurions pu faire ltude explicative de la prvalence et de nouvelles infections en fonction des indicateurs de comportement et de ceux de la PTME pour essayer de voir sur quel levier il faudrait appuyer pour amliorer la situation; elles varieraient alors en fonction du niveau dintervention dans chaque indicateur. Malheureusement, les indicateurs de comportement ne sont pas renseigns au Cameroun (OMS/ONUSIDA). Nous attirons lattention des responsables de lOCEAC sur la ncessit de la mise sur pieds dune base donnes fiable fin dviter les biais que pourrait entraner une collecte dans des rapports qui se contredisent sur certains indicateurs pour la mme anne.
xii
LOrganisation de Coordination pour la lutte contre les Endmies en Afrique Centrale (OCEAC) a vu le jour en 1965, sur les vestiges de lancienne Organisation de Coordination et de Coopration pour la lutte contre les Grandes Endmies en Afrique Centrale (OCCGEAC), cre elle-mme en 1963, par la volont des Ministres de la Sant du Cameroun, du Congo, du Gabon, de la RCA et du Tchad. Lavnement de lOCEAC dont les actions taient orientes vers la lutte contre les grandes endmies, a contribu la disparition dune manire substantielle de la variole et la rduction de la prvalence de nombreuses maladies transmissibles en Afrique centrale. Aprs avoir travers nombre de phases dans son volution, avec en particulier une rvision de statut et une reformulation des missions en 1983, lOCEAC est devenue depuis lan 2003 une Institution spcialise de la CEMAC en matire de sant publique. Son but est de contribuer au dveloppement sanitaire de la sous rgion dAfrique Centrale. A ce titre, lOCEAC sest dote de nouvelles missions, savoir : - Coordonner les politiques et les actions de sant, - Participer la formation du personnel de sant des Etats membres, - Coordonner la recherche et la synergie des recherches appliques menes par les institutions nationales, - Mettre en uvre des missions dexpertise dans les diffrents domaines des sciences de la sant, - Contribuer la promotion de la sant, - Apporter un appui dans les interventions durgences sanitaires. LOCEAC dispose des organes de dcisions, notamment : la confrence des Chefs dEtat de la CEMAC, le Conseil des Ministres de lUEAC, le Conseil dAdministration et le Secrtariat Gnral.
Le Secrtariat Gnral de lOCEAC est lorgane excutif et est compos dun Secrtaire Gnral, dun Chef de Dpartement Administration, Finances et Logistiques, dun Chef de Dpartement Programmes et Recherche et dun Chef de Dpartement Etudes, Planification et Formation. Pour accomplir ses missions, lOCEAC dispose dunits oprationnelles : le Centre Inter-Etats de lEnseignement Suprieur en Sant Publique dAfrique Centrale (CIESPAC), lAgence de Dveloppement Sanitaire (ADS) et lInstitut de Recherche de Yaound (IRY) qui est compos dun laboratoire de recherche sur le paludisme, dun laboratoire de recherche sur les trypanosomoses et dun laboratoire de Sant Publique. Le budget de lOCEAC est un budget programme et les allocations des ressources sont lies une srie dobjectifs et de rsultats escompts. Ces ressources financires proviennent pour la plupart de la contribution des Etats membres de la CEMAC et dautres partenaires. Les ressources humaines assurant le fonctionnement de lOCEAC sont diversifies. Elles sont recrutes au sein des pays membres de la CEMAC ou proviennent dautres pays de lAfrique ou dautres continents, dans le cadre des accords de coopration avec dautres organismes / institutions, ou lors des missions dexpertise. Les thmatiques prioritaires retenues par lorganisation concernent : le VIH/SIDA, le Paludisme, la Tuberculose, la Trypanosomiase Humaine Africaine, les maladies vitables par la vaccination et la Fivre Hmorragique virus Ebola.
Organigramme de lOCEAC
SECRETAIRE EXECUTIF
CABINET
ETUDES / PLANIFICATION
COMMUNICATION
SERVICE ADMINISTRATION
DOCUMENTATION
CIESPAC
IRY
ADS
1.1.2.
Contexte
En septembre 2000, lors de la 55me session de l'Assemble Gnrale des Nations Unies, 191 pays ont sign la dclaration du Millnaire. Celle-ci contient non seulement l'engagement de l'ensemble de la communaut internationale " faire du droit au dveloppement une ralit pour tous et mettre l'humanit entire l'abri du besoin", mais aussi un ensemble d'objectifs extraits des grandes confrences et
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
PROJETS PILOTES
SERVICE DE LA LOGISTIQUE
COMPTABILITE
FORMATION
PSR-PALU
PSR-VIH
PSR-THA
HPPN
sommets mondiaux. Ces objectifs, une fois assortis de cibles et d'indicateurs permettant de les mesurer, ont t appels Objectifs du Millnaire pour le Dveloppement (OMD). Il s'agit de 8 objectifs, refltant les enjeux majeurs de l'humanit dont 3 directement lis la sant (OMD 4 : Rduire la mortalit des enfants de moins de 5 ans ; OMD 5 : Amliorer la sant maternelle ; OMD 6 : Combattre le VIH/Sida, le paludisme et dautres maladies). Les chefs dEtats Africains runis lors des sommets dAbuja en 2001 et en 2006 ont raffirm leur engagement pour la Dclaration du millnaire travers la mise sur pied des politiques daccompagnement pour atteindre les objectifs fixs. En vue de soutenir les Gouvernement dAfrique Centrale dans cette tche, lOrganisation de Coordination pour la lutte contre les Endmies en Afrique Centrale (OCEAC), agence excutive de la Communaut Economique et Montaire des Etats de lAfrique Centrale (CEMAC) en matire de sant publique est charge de la gestion des programmes/projet de sant communs aux six Etats membres (Cameroun, Congo, Gabon, Guine quatoriale, RCA et Tchad). Ces programmes sous rgionaux font parties du volet sant de la dimension sociale du programme Economique Rgional (PER). Le PER stale sur quinze ans de 2010 2025 avec trois phases de cinq ans chacune. Les programmes de sant publique retenus pour la priode allant de 2010 2015 se dclinent en deux principales composantes parmi lesquelles la lutte contre les grandes endmies avec trois axes notamment lharmonisation de la lutte contre les maladies prioritaires, lharmonisation des politiques pharmaceutiques et le dveloppement des ressources humaines. Ainsi, laction de lOCEAC est recentre autour des thmatiques prioritaires qui constituent les problmes de sant publique les plus importants. Il sagit du VIH/SIDA, du paludisme, de la tuberculose, des fivres hmorragiques, des maladies vitables par la vaccination et de la trypanosomiase humaine africaine. Latteinte des cibles des OMD volet sant sagence aux objectifs des programmes et initiatives de lOCEAC, qui avec ses partenaires, la CEEAC, lOMS, le PNUD/Projet CADRE, lAllemagne, la France, le NEPAD, la BAD pour ne citer que ceux-l mobilisent le soutien ncessaire cet effet. En vue dactualiser le profil sanitaire de la sous rgion dAfrique Centrale et faciliter la planification, le suivi et lenregistrement des progrs raliss vers laccomplissement des OMD, des outils (outils danalyse de situation, dvaluation des besoins (Modle de sant intgr) etc.), sont mis la disposition des pays. Lesdits outils permettent chaque pays de raliser, avec lappui des partenaires, une analyse de la situation sanitaire, de ressortir les gaps et destimer les besoins pour latteinte des cibles des OMD. Le rsultat obtenu servira de socle une planification base sur les donnes concrtes. Lors de lvaluation des besoins, les points de rfrence de base sont les plans stratgiques nationaux pluriannuels des diffrents programmes et les plans
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
oprationnels annuels. Trois niveaux danalyse sont dvelopps : quantitative, qualitative et financire, dont lobjectif gnral est de dterminer si les objectifs et les stratgies actuels conviennent pour latteinte des OMD.
1.2.
Les donnes dont nous disposons dans le cadre de notre mmoire sont macros et annuelles consignes dans un tableau de vingt (20) lignes et trois colonnes (Voir tableau en annexe), chaque ligne reprsentant une anne. Les variables sont : : Prvalence du VIH/SIDA dans la population adulte (15-49ans). : Nouveaux cas de VIH/SIDA au Cameroun. Ces donnes ont t observes pendant vingt (20) ans.
1.2.2.
Les donnes de lOCEAC sont collectes travers les rapports annuels des organismes de lutte contre le SIDA des pays de la CEMAC, de lOMS et de lONUSIDA.
1.3.
Le VIH/SIDA est la pandmie la plus meurtrire de notre sicle avec son actif trois(3) millions de dcs par an. Selon le rapport de lONUSIDA de dcembre 2005, on estime 40,3 millions le nombre de personnes vivant avec le VIH/SIDA (PVVIH), dont 95% dans les pays en dveloppement, et 4,9 millions le nombre des nouvelles infections. En deux dcennies, la pandmie a provoqu prs de 30 millions de dcs. Vingt ans aprs sa dcouverte, son volution a t exponentielle dans les pays du sud, notamment en Afrique subsaharienne o vivent plus de 70% des personnes infectes pour une population qui ne reprsente que 10% de la population mondiale. Selon le rapport ONUSIDA 2006, la zone CEMAC compte prs de 1 170 000 PVVIH, soit environ 2,5% des PVVIH existant dans le monde entier. En moyenne 25 000
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
nouveaux cas sont dnombrs par an dans la zone CEMAC. Le tableau ci-dessous fait ressortir la prvalence de la maladie aprs 18 annes dexistence (1987 et 2005), tmoignant dune vitesse daccroissement inquitante.
Taux de prvalence Pays 1987* Cameroun (EDS 2004) Congo(enqute seroprv (03)) Gabon Guine Equatoriale Rpublique Centrafricaine Tchad (enqute serop 2005) TOTAL 0 0,5% 3 7% 0,5 2% 0 0,5% 3 7% 0 0,5%
Taux de prvalence 2005 5,5% (4,9 5,9) 7,8% 4,2 (3,3 7,5) 7,9% (5,1 11,5) 3,2% enqut serop 2004 (2,6 3,8) 10,9 (4,5 17,2) 3,3% (1,7 6,0)
Sources : * OCEAC ; # Enqute nationale 2006 ** ONUSIDA rapport Tableau 1-1 : Prvalence du VIH entre 1987 et 2005 dans la zone CEMAC
La pandmie du VIH/SIDA touche toutes les couches de la socit. La transmission par voie htrosexuelle est la plus dominante (80%)[2-3] dans la sous rgion. Les autres voies de contamination telles que la voie sanguine et la transmission Mreenfant reprsentent 3% 10%[2-3], un taux moindre de 0.001%[2-3] est d aux accidents pendant les soins. Les deux types de virus seraient prsents, avec une prdominance de la souche VIH1 (95%) [2-3]. Le VIH-SIDA est lune des premires causes de morbidit et de mortalit touchant particulirement les jeunes et les femmes. Il est considr la fois comme un problme de sant publique, de dveloppement, du social et de scurit. Ainsi, cette pandmie constitue aujourdhui un vritable flau qui affecte principalement le capital humain des mnages et des entreprises, et dont lampleur et les consquences se traduisent par un impact ngatif dans tous les secteurs de dveloppement.
7
-------------------------------------------------------------------CHAPITRE DEUX ------------------------------------------------------------------
2.1.
Dfinition : on appelle processus alatoire du second ordre temps discret et rel, toute suite Xn : IR dfinie sur un espace de probabilit (, , ), valeurs dans (, ), index par nT avec T = ou telle que : Pour un tel processus on peut dfinir les fonctions de moyenne et dautocovariance : Moyenne : : ; , (|Xn|2) , pour tout nT.
Auto covariance: : , , , , . Ces fonctions sexpriment encore laide du produit scalaire : , dfini sur lespace de probabilit , , sous-jacent au processus ; alors , 1
AWONO Cyrille ParfaitENSP 2008-2010
et
Proposition : La fonction dauto covariance est symtrique de type positif, i.e. , , ; , 0 Pour toute fonction : support fini ( est semi dfini positive et paire). 2.1.2. Processus stationnaire au second ordre a. Dfinitions et notations Soit X un processus, on dit que X est strictement (ou fortement) stationnaire si pour toute suite finie dinstants , , lments de et tout entier , , , et , sont de mmes lois (lois jointes invariantes par translation dans le temps). En effet dans bien des cas concrets, il est impossible de recommencer des sries de mesures (ex : temprature quotidienne en un lieu gographique prcis, toujours la mme heure pendant 3 ans), on peut donc chercher ntudier que les modles alatoires dont le comportement dans le temps est assez stable. On sintressera, dans la suite, une stabilit plus faible. Dfinition : Un processus est stationnaire au second ordre (ou faiblement stationnaire) si sa moyenne et son auto-covariance sont invariantes par translation dans le temps, i.e. : , E , , , .
o est une constante et , ne dpend plus que de , donc il existe une fonction : , telle que , . Alors pour un processus faiblement stationnaire, on a : || 0, (Par lingalit de Schwartz)
et
, , fonction dauto-corrlation
Dfinition : Nous appellerons Bruit Blanc (BB) ou White Noise (WN) de variance (not WN (0, )) tout processus stationnaire, centr et non auto-corrl. Soit un tel processus. Nous avons: 0, et 0 pour 0 b. Processus A.R.M.A. (Auto Regressive Mouving Average) Dfinition : soit un processus stationnaire au second ordre et centr. est un processus , , sil existe un bruit blanc dfini sur , , et des nombres rels (avec 1, , , avec 1, , tels que : en particulier :
Dfinition (Oprateur retard) Loprateur retard B (backward) est dfini comme tant : o = = B :
(2.1)
o 0,
est dit autorgressif dordre , ou encore , sil vrifie (2.1) avec 0 i.e. Si est dit moyenne mobile dordre , ou encore , sil vrifie (2.1) avec 0 i.e. Si
(2.2)
o 0, .
(2.3)
Ce processus est toujours stationnaire. Nous allons caractriser les processus et donner, sans dmonstration, quelques rsultats sur les processus , . c. Processus AR (p) Ces processus jouent un rle important dans les applications car ce sont ceux qui, tout instant t, peuvent tre extrapols linairement partir des valeurs
o 0, .
prcdentes , , un bruit blanc prs. Si dsigne le polynme unitaire 0 1 de degr : lquation (2.2) peut alors scrire, laide de loprateur retard , sous la forme 1
10
(2.4)
2.1.3. Processus non stationnaires : Modles A.R.I.M.A. (Auto Regressive Integrated Mouving Average) Il existe plusieurs processus non stationnaires au second ordre, nous nous contenterons de prsenter une structure de modles qui est plus proche des modles , les modles qui sont des processus intgrs. Ils ont lavantage de prsenter une non stationnarit modlisable. Dfinition: Un processus intgr est un processus qui peut tre rendu stationnaire par diffrenciation. Si un processus stochastique doit tre diffrenci fois pour atteindre la stationnarit, il est dit tre intgr dordre ou ; les processus stationnaires sont 0. Dfinition : est un processus , , , sil existe un entier naturel tel que le processus 1 est un , . Autrement dit sil existe deux polynmes et de degr et respectivement et un bruit blanc dfini sur le mme espace (, , ), tels que 1 , 2.1.4. o 0,
(2.5)
Il teste si la srie est une marche alatoire avec tendance dterministe. On effectue la rgression suivante : .
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
Quand || 1, le processus est stationnaire, explosif si || 1 et intgr dans le cas contraire. b. Test de Dickey et Fuller augment Il corrige le test prcdent, il permet de prendre en compte lauto-corrlation possible de la srie diffrencie via lutilisation des valeurs retardes, : est 1 VS : n'est pas 1.
11
On excute la rgression :
c. Test de Phillips-Perron Robuste lhtroscdasticit par rapport au test de Dickey-Fuller. On effectue la rgression :
Avec
1 2 2 1
l'cart-type de ;
12
2.1.5.
Etapes de la modlisation
Nous utiliserons les diffrentes tapes dcrites par lalgorithme de Box-Jenkins qui vise formuler un modle permettant de reprsenter une srie. Lide principale est le concept de minimisation du nombre de paramtres. Loprateur de diffrentiation 1 , ou limine les tendances, est estim en effectuant des tests de stationnarit sur la srie brute puis sur les sries rsiduelles. Cette opration rend la srie stationnaire et donne une estimation du nombre d de diffrenciation. La srie rsiduelle suppose stationnaire sera modlise par un , . Recherche des valeurs possibles , pour , , il est essentiel dtablir une hypothse maximale du nombre de coefficients utiliser. Pour ce faire, on utilise les fonctions et et on les observe visuellement, sachant les proprits suivantes : : 0 si : tend graduellement vers 0. Et : 0 si : tend graduellement vers 0. b. Identification prliminaire a. Stationnarisation par filtrage
Ainsi pour un pur, on observe un seuil de pour , est non nul. Il devient nul pour . Pour un pur, le comportement est le mme mais cette fois-ci en utilisant l et comme valeur de coupure. Pour les , nous avons la mthode du coin qui nest pas implmentable, nous allons donc observer sparment et . c. Estimation des modles (nous utiliserons destimation par maximum de vraisemblance). la mthode
Pour dterminer lexpression de la vraisemblance du modle, nous supposerons que la loi des erreurs est gaussienne car les tant normalement distribues et indpendantes, le vecteur , , est gaussien et par consquent X, comme combinaison linaire du vecteur , . Lexpression minimiser est donc :
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
13
Avec , la vraisemblance du modle et la matrice de variance-covariance des rsidus. d. Validation On peut juger si lestimation est de bonne qualit par le biais de lanalyse des rsidus, donc tudier les fonctions et de la srie des rsidus, mais souvent on rsume cette tude en effectuant le test : : est un bruit blanc nest pas un bruit blanc. :
1 1 1 2 || 2 2 2 2
Pour cela nous utiliserons le test de Ljung et Box dont la statistique est : 2
Sous , ~ , donc si est petite (la probabilit critique ou est grande i.e. suprieure au seuil fix) les rsidus sont des bruits blancs. Si le choix savre difficile entre plusieurs modles concurrents, il faut utiliser le critre ad hoc. Deux sont en gnral proposs. Selon le critre dinformation dAkake, le meilleur modle est celui qui minimise la statistique :
, 2
Et la statistique du critre dinformation de Schwarz est, quant elle : concide avec le critre Baysien dinformation .
,
14
2.1.6 Prvision : calcul rcursif de la prdiction par lAlgorithme de Durbin-Levingson Soit , un processus au second ordre rel centr dont la fonction dautocovariance est note , . Soit , , un chantillon de . Pour tout 1, on note , , le sous espace vectoriel ferm de , , , engendr par ; 0 et . On pose
On suppose de plus que la matrice , , est dfinie positive. , , et on dduit que : On montre que , , 1
(Prvision dhorizon dordre 1 de lalgorithme des innovations) et pour la prvision dhorizon dordre 1 on a : ,
1.96 ,
Dans lchantillon initial , , , on considre seulement, 1 observations avec 0. Les 1 seront prvoir par le modle. On peut alors considrer plusieurs critres :
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
15
2.6
La prvision est une moyenne de toutes les observations passes, pondre de sorte ce que plus lobservation soit ancienne moins elle ait dimportance.
Une constante de lissage proche de 0 0.3 donne une importance significative aux observations loignes, tandis quun proche de 1 0.7 tend ngliger ces observations loignes. Remarque : la prvision , ne dpend pas de !
16
Formules rcursives de mise jour La dfinition (2.6) vrifiant la formule rcursive suivante
Choix de la constante de lissage Pour choisir la constante de lissage, une solution pragmatique consiste tester plusieurs valeurs et choisir celle minimisant un critre derreur minimale. Pour cela on partage lchantillon dobservations en un chantillon dapprentissage (les 80% premires observations : , , o m est par exemple lentier le plus proche de ) et un chantillon test (les20% dernires : , , ), on estime le modle de lissage exponentiel partir de lchantillon dapprentissage, et on value lerreur sur lchantillon test : , ,
la prvision , peut tre obtenue immdiatement partir de la connaissance de : 1- la prvision , base sur les 1mes premires observations, 2- lobservation . Lutilisation de cette rcurrence permet de raliser des algorithmes trs rapides destimation de la prvision par lissage exponentiel (en initialisant , .
x , x 1 x , ,
On rpte cette opration pour plusieurs valeurs de la constante de lissage , et on choisit celle conduisant lerreur la plus petite. On ajuste au voisinage de linstant une droite dquation . La prvision par lissage exponentiel double est : sont solutions de : o et
Mmoire de Master 2 de statistique applique
min 1
17
Remarque : comme pour le lissage exponentiel simple, lestimateur de la prvision est la meilleure approximation au sens des moindres carrs pondrs. Formules rcursives de mise jour , 1 1 2 1 2 ,
o et sont les estimations des paramtres et lorsque lon a observ la srie jusqu la -me observation. Les valeurs initiales tant 0 et 0 . 2.2.3. Mthode de Holt-Winters 2.2.3.1. Mthode non saisonnire Comme la mthode de lissage exponentiel double celle de Holt-Winters non saisonnire revient estimer au voisinage de linstant une droite La prvision prend la forme ,
La variante par rapport la mthode de lissage exponentiel double est au niveau des formules de mise jour dans lestimation des paramtres et . Soient deux constantes de lissages 0 1 et 0 1. Les formules de mise jour sont :
Remarque : lintroduction de deux constantes rend la mthode plus souple que le lissage exponentiel double : la constante joue un rle dans lestimation de lordonne lorigine de la droite, , et la constante dans celle de la pente de la droite, . si et sont petits le lissage est important car on tient compte du pass lointain. On cherche maintenant ajuster au voisinage de linstant une droite dquation o est une composante priodique de priode . Soient trois constantes de lissage 0 1 , 0 1 et 0 1. Les formules rcursives de mise jour sont : 1 1 1, 1 1 , 1 . Les prvisions sont de la forme : , 1 , , 1 2 , 2.2.3.2. Mthode saisonnire additive
1 1 1, 1 1 1.
18
et ainsi de suite pour 2. Les trois constantes de lissages, , et ont le mme effet que prcdemment, plus elles sont petites et plus limportance des donnes loignes est significative. Elles agissent respectivement sur les paramtres , et . On ajuste au voisinage de linstant une droite dquation o est une composante priodique de priode . Les formules rcursives de mise jour sont : , 2.2.3.3. Mthode saisonnire multiplicative
1 1 1, 1 1 1, 1 .
19
, 1 , , 1 2.
20
-----------------------------------------------------------------CHAPITRE TROIS -------------------------------------------------------------------
3.1.
Mthode de Box-Jenkins
3.1.1. Rappel des diffrentes tapes dans la Pratique avec le Logiciel R
Etape 1 : Stationnarisation Regarder le graphe de la srie et vrifier si le niveau change avec le temps, Vrifier si la fonction dcrot rapidement ou pas, Tester la stationnarit par le test de Dickey et Fuller ou Philipps-Perron si la srie est non stationnaire, on prend les diffrences premires et on recommence ltape 1 jusqu lobtention dune srie stationnaire 1 , ( est le nombre de fois que la srie a t diffrentie). Etape 2 : Calculer la statistique : si la -value est grande on peut considrer que la srie rsiduelle est un bruit blanc et on arrte la modlisation, sinon on continue, nous allons observer le graphe des valeurs de cette statistiques.
Etape 3 : Identification prliminaire par la commande : Analyser les courbes et pour obtenir les valeurs maximales du couple , . Etape 5 : Validation : Regarder la statistique Q, si la -value ou probabilit critique est plus grande que le seuil fix, on arrte la modlisation, sinon retourner ltape 4 pour dterminer le bon modle. Etape 4 : Estimation du modle retenu.
Pour cela nous allons essayer dappliquer lalgorithme de modlisation propos par Box et Jenkins pour la prsentation de notre chronique.
21
Partir de ce graphique nous constatons que nos observations voluent suivant une tendance polynmiale en fonction du temps. Premire tape : suppression de la composante tendancielle Nous utilisons la mthode de diffrenciation qui consiste dterminer lordre ncessaire pour obtenir une srie stationnaire.
22
Ce graphique prsente une dcroissance lente de la fonction dauto corrlation, nous pouvons affirmer que la chronique nest pas stationnaire. La P-value du test de Phillips Perron est : 0.7329 5%, ce qui permet dadmettre lhypothse nulle de non stationnarit de la srie avec un risque de 5% de se tromper. Nous diffrencions une premire fois et nous obtenons la srie : 1 .
A ce niveau aussi, la srie est non stationnaire car la dcroissante de la fonction dauto corrlation est lente et la du test de Phillips Perron est : 0.8153 5%. Nous diffrencions une seconde fois et nous obtenons la srie : 1 . Daprs le test de Phillips Perron on a : 0.09299 5%. Ce qui signifie que la srie est non stationnaire au risque de 5% de se tromper. La figure ci-dessous reprsente son autocorrlogramme.
23
En diffrenciant la chronique pour la troisime fois nous obtenons la srie : 1 . La figure ci-dessus prsente son auto-corrlogramme.
24
Le test de Phillips Perron nous permet dadmettre la stationnarit de la chronique diffrencie trois fois avec 0.01 5%. Donc, on retient comme ordre de diffrenciation 3. Nous avons la reprsentation de la srie diffrencie 3 fois sur le graphique cidessous.
La srie tant stationnaire, Nous pouvons lajuster par un processus , cest--dire par un processus , 0, , ce qui reviendrait ajuster la srie par un , 3, . En observant la figure 3-5 des fonctions dauto corrlations et dauto corrlations partielles de la srie diffrencie , on constate que 1 et 2. et 0, 1, 2 possibles en affichant les rsultats puis choisir celui le mieux adapt cette modlisation. Nous allons essayez toutes les combinaisons d, , 0,1 Dtermination des valeurs maximales du couple, .
Les coefficients de cette modlisation et les intervalles de confiance estims au niveau de 5% sont contenus dans le tableau III-1. 2.5% -1.1667 -1.4683 -0.2931 -0.0587 Para.est -0.158248621 -0.506559539 0.360274863 0.002276058 97.5% 0.8502 0.4552 1.0137 0.0632
Modlisation 1 : , , ou , ,
25
lobservation du tableau, on constate que les coefficients ne sont pas significativement diffrents de zro. Avec : . . . . .
Le graphique montre quil ny a pas une grande diffrence entre la chronique et son ajustement. Pour la validation du modle on va faire ltude des rsidus.
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
26
En observant les graphes de la fonction dauto corrlation et celui des rsidus standardiss, on peut affirmer que les rsidus sont stationnaires car toutes les valeurs de l dordre 1 sont contenues dans la bande bleue, ce qui voudrait dire quau seuil de 5% les rsidus sont stationnaires. En plus toutes les de la statistique de Ljung-Box sont suprieures 5% ; ce qui nous permet de conclure que les rsidus forment un bruit blanc de variance . . Do la validation du modle.
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
27
Les coefficients et les intervalles de confiance de cette modlisation sont contenus dans le tableau ci-dessous.
Modlisation 2 : , , ou , ,
Les coefficients obtenus dans cet ajustement ne sont pas significativement diffrents de zro. Avec : . . Le modle estim est le suivant : . . . Ci-dessus le graphique des valeurs de et ajustes.
Nous voyons quil nya pas une grande diffrence entre les deux courbes. tude des rsidus La figure suivant prsente les schmas des rsidus.
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
28
En observant les graphes de la fonction dauto corrlation et celui des rsidus standardiss, on peut affirmer que les rsidus sont stationnaires car toutes les valeurs de l dordre 1 sont contenues dans la bande bleue, ce qui voudrait dire quau seuil de 5% les rsidus sont stationnaires. En plus toutes les de la statistique de Ljung-Box sont suprieures 5% ; ce qui nous permet de conclure que les rsidus forment un bruit blanc de variance . . Do la validation de ce modle .
Modlisation 3: , , ou , ,
29
2.5% Para.est 97.5% ar1 -0.9373 -0.5682557862 -0.1992 Intercept -0.0556 0.0007835812 0.0572
Tableau 3-3 : Les coefficients de 1,0,0.
. .
Nous nobservons pas une nette diffrence entre les deux graphes. tude des rsidus Nous avons ci-dessous le graphique des rsidus.
30
Daprs tous ces graphes, les rsidus forment un bruit blanc de variance . . Elle est plus grande que celle des deux premiers modles. Do la validation de ce modle. Modlisation 4 : , , ou , ,
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
31
. .
Les coefficients ne sont pas tous significativement diffrents de zro. On a le modle suivant : . . .
On remarque un assez bon ajustement. tude des rsidus Nous avons ci-dessous le graphique des rsidus.
32
2.5%
Para.est
97.5%
Au vu des graphiques ci-dessus, les rsidus forment un bruit avec une variance . . Do la validation de ce modle.
33
-0.1542 0.0434
Les coefficients ne sont pas tous significativement diffrents de zro. Le modle est : . . . .
34
Les de la statistique de Ljung-box ne sont pas toutes suprieures 5% ; les rsidus ne sont pas un bruit blanc . La variance est . . On peut conclure la non validation de ce modle.
35
Do est ajuste par un , , dquation : . o est un bruit blanc et . Finalement est ajuste par un , , dquation : . avec un .
Tous les cinq modles sajustent correctement. Dans les deux premiers modles, les coefficients ne sont pas significativement diffrents de zro. Le modle 3 a le plus petit avec . .
Nous avons ci-dessous les graphes de la chronique et de son ajustement par le modle.
36
Tableau 3-6 : Les prvisions de la prvalence du VIH/SIDA chez les adultes (15 - 49ans) au Cameroun
Nous voyons ici que la progression est assez rapide, entre 1990 et 2015, la prvalence aura connu dun taux de progression de 92.67%.
3.1.3. Modlisation de lvolution des Nouvelles Infections au VIH/SIDA au Cameroun par un Processus , ,
Lauto-coorlogrmme suivant montre que la chronique nest pas stationnaire ; cela est confirm par le test Phillips-Perron dont la est . 5%.
Mmoire de Master 2 de statistique applique
Partir de ce graphique nous constatons que nos observations voluent suivant une tendance polynmiale en fonction du temps.
37
En suivant les mmes tapes quau II.1 et en diffrenciant pour la premire fois on obtient la srie dont lauto corrlogramme est prsent cidessous :
Le test de Phillips-Perron donne une de . 5%. Donc la chronique diffrencie une fois nest pas stationnaire.
Une deuxime diffrenciation nous donne la srie dont les auto corrlogrammes sont reprsents ici.
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
38
La dcroissance est exponentielle vers zro, on peut conclure une stationnarit de notre chronique et le test de Phillips-Perron le confirme avec une Ainsi, nous obtenons une srie qui est stationnaire. Avec 1 et 2. Nous allons essayez toutes les combinaisons d, , 0,1 et 0, 1, 2 possibles en affichant les rsultats puis choisir celui qui est le mieux adapt cette modlisation. Sa reprsentation est donne ci-dessous : . 5%
39
Nous pouvons donc ajuster notre chronique par un processus , 2, . Les intervalles de confiance des coefficients des modles obtenus avec diffrentes valeurs de et sont regroups dans les tableaux suivant : 1 1 2 1 1 1 1 2 1, 2, 2 2.5% Para.est -0.6145 0.5192853 -2.1258 -1.1014993 -0.0887 0.4747525 97.5% 1.6530 -0.0772 1.0382
1, 2, 0 2.5% Para.est 97.5% -0.8177 -0.4168080 -0.0159 0, 2,2 2.5% Para.est 97.5% -1.1262 -0.5626566 0.0009 -0.4183 0.1529620 0.7242 0, 2,1 2.5% Para.est 97.5% -0.8408 -0.4668771 -0.093
Seules les processus 1, 2, 0 et 0, 2,1 ont les coefficients significativement diffrents de zro. Ltude des rsidus donne respectivement les graphes suivants :
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
40
Au regard de ces graphiques, nous pouvons conclure que les rsidus de chacun des ajustements forment un bruit blanc.
Notre chronique peut finalement tre ajuste par le processus 0, 2, 1 car ses coefficients sont significativement diffrents de zro, cest lui qui a le plus petit et la plus petite variance. Ci-dessous nous avons les graphes de notre srie et son ajustement.
41
Nous obtenons ainsi un assez bon ajustement partir du quel on peut faire des prvisions. On a le tableau suivant :
Daprs le tableau, le nombre de nouvelles infections diminue progressivement ; entre 2009 et 2015, il aura baiss dun taux de 20.62%.
42
3.2.
Nous constatons que lerreur minimale, qui est de 0.5714, est obtenue lorsque . Ce qui signifie que seul le prsent est pris en compte. Lajustement est donc : , , ,
lobservation de la figure (Figure 3-1), cette srie ne prsente pas de saisonnalit. Nous nous proposons dutiliser le lissage Holt-Winters non saisonnier.
43
Nous avons un assez un bon ajustement et nous pouvons ainsi faire des prvisions. On a le tableau suivant : 2010 2011 2012 2013 2014 2015 Borne inf 5.1820 4.9596 4.6406 4.2394 3.7653 3.2253 prvalence Borne sup Taux de progression(%) 5.54 5.8979 4.14 5.76 6.5604 3.97 5.98 7.3193 3.82 6.20 8.1606 3.68 6.42 9.0747 3.55 6.64 10.0547 3.43
Le tableau ci-dessus montre une progression assez lente ; entre 2009 et 2015 la prvalence adulte du VIH/SIDA aura connu un taux de progression de 24.81%.
3.2.2.
Lerreur minimale est obtenue pour . et . et les coefficients sont et . Ces valeurs de et montre que le pass lointain nest pas vraiment pris en compte. Lajustement est :
, . , , .
Une fois de plus daprs la figure (Figure 3-18), nous avons une srie qui ne prsente pas de saisonnalit ; nous allons utiliser un lissage Holt-Winters non saisonnier.
44
Ici aussi, nous avons un assez bon ajustement et nous pouvons faire de bonnes prvisions. Nous avons le tableau suivant : 2010 2011 2012 2013 2014 2015 Borne inf 41187 34646 26967 18435 9181 0 Nouveaux cas 47120 44758 42396 40033 37671 35309 Borne sup 53053 54870 57824 61632 66161 71331 Taux de rduction 3.51% 5.01% 5.28% 5.57% 5.90% 6.27%
Tableau 3-10 : Les prvisions de nouvelles infections du VIH/SIDA au Cameroun par lissage
Les rsultats dans le tableau montrent une baisse progressive de nouvelles infections du VIH/SIDA au Cameroun ; entre 2009 et 2015, le nombre de nouvelles infections aura connu un taux de rduction de 27.70%.
45
Conclusion Gnrale
Dans le but de savoir si le Cameroun atteindra les OMD lhorizon 2015, une modlisation de lvolution des principaux indicateurs du VIH/SIDA a t ncessaire. Pour cela nous avons utilis la modlisation et le lissage Holt-Winters non saisonnier qui traduisent une analyse de lvolution de ces indicateurs sous forme de sries temporelles. Dans un premier temps, nous avons tudi la prvalence adulte (15-49ans). Au dpart cette srie nest pas stationnaire, elle prsente une tendance polynmiale. Pour la rendre stationnaire, il a t question dune diffrenciation dordre trois. Aprs cette transformation, la srie obtenue est stationnaire, cela tant confirm par les tests de stationnarit. lobservation des graphiques des fonctions dauto corrlation et dauto corrlation partielle des rsidus, nous avons slectionn les modles suivants : 1, 3, 2, 1, 3, 1, 1, 3, 0, 0, 3, 2 et 0, 3, 1. Le modle 1, 3, 0 est apparu comme le plus fiable et a t retenu pour lvolution de la prvalence adulte du VIH/SIDA au Cameroun grce au critre dAIC et sa variance plus petite. Le modle final est 1, 3, 0 dquation : Nous avons pu obtenir de trs bonnes prvisions en utilisant le lissage exponentiel par lajustement : , , , . avec un
Dans un second temps, nous avons tudi lvolution de nouveaux cas de SIDA au Cameroun. Aprs une diffrenciation dordre deux de la srie de dpart qui prsente une tendance polynmiale, nous avons obtenu une srie stationnaire et aprs les tests de bruit blanc sur les rsidus, le modle 0, 2, 1 a t retenu pour son et sa variance qui sont plus petits. Les prvisions ont t ainsi faites et les rsultats tmoignent de modles acceptables. Avec le lissage, nous avons ajust notre srie par :
, . , ,
46
En dfinitive, pour la prvision de lvolution de la prvalence adulte au Cameroun, nous pouvons retenir le lissage Holt-Winters non saisonnier qui nous donne de trs bons rsultats refltant la ralit. Dans le cas de nouvelles infections, lajustement est le mieux indiqu pour les mmes raisons. Au vu des rsultats, le Cameroun est loin datteindre la cible du volet sant des OMD : Dici 2015, avoir stopp la propagation du VIH/SIDA et commenc inverser la tendance actuelle avec le niveau actuel des interventions, malgr une baisse continuelle de nouvelles infections. Nous aurions pu faire ltude explicative de la prvalence et de nouvelles infections en fonction des indicateurs de comportement et de ceux de la PTME pour essayer de voir sur quel levier il faudrait appuyer pour amliorer la situation; elles varieraient alors en fonction du niveau dintervention dans chaque indicateur. Malheureusement, les indicateurs de comportement ne sont pas renseigns au Cameroun (OMS/ONUSIDA). Nous attirons lattention des responsables de lOCEAC sur la ncessit de la mise sur pieds dune base donnes fiable fin dviter les biais que pourrait entraner une collecte dans des rapports qui se contredisent sur certains indicateurs pour la mme anne.
47
Tableau 3-4 : Les coefficients de 0,0,2 Tableau 3-5 : Les coefficients de 0,0,1
Tableau 3-6 : Les prvisions de la prvalence du VIH/SIDA chez les adultes (15 - 49ans) au Cameroun Tableau 3-7 : Les coefficients de , 2,
Tableau 3-8 : Prvisions de Nouvelles Infections au VIH/SIDA au Cameroun Tableau 3-9 : Les prvisions de la prvalence du SIDA au Cameroun par lissage Tableau 3-10 : Les prvisions de nouvelles infections du VIH/SIDA au Cameroun par lissage
48
Figure 3-9 : Schma de la chronique et son ajustement par le modle Figure 3-10 : Schmas des rsidus obtenus par ce modle Figure 3-11 : Schma de la chronique et de son ajustement par le modle. Figure 3-12 : Schmas des rsidus obtenus par ce modle. Figure 3-13 : Schma de la chronique et de son ajustement par le modle Figure 3-14 : Schmas des rsidus obtenus par ce modle. Figure 3-15 : Schma de la chronique et de son ajustement par le modle. Figure 3-16 : Schmas des rsidus obtenus par ce modle. Figure 3-17 : La chronique et son ajustement
Figure 3-18 : Evolution de nouveaux cas de SIDA Figure 3-19 : auto corrlogramme de la srie Xt Figure 3-20 : auto corrlogramme de la srie X1t Figure 3-21 : Auto corrlogrmme de la srie X2t
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
49
Figure 3-22 : Reprsentation de la srie diffrencie deux fois Figure 3-23 : Les rsidus du processus 1, 2, 0 Figure 3-25 : La chronique Xt et son Ajustement Figure 3-26 : La srie et son ajustement lisse Figure 3-27 : La srie et son ajustement lisse Figure 3-24 : Les rsidus du processus 0, 2, 1
50
Anne 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
0.8 1.3 2 2.8 3.7 4.7 5.4 5.9 6.1 6.2 6.2 6 5.97 5.7 5.5 5.44 5.2 5.1 5.1 5.32
317 921 2229 3614 5375 8141 9626 13576 20419 29175 34944 36905 46221 47643 49421 50314 51214 54481 51598 48834
Sources : Rapports CNLS OMS/ONUSIDA Table de donnes disponibles : Prvalence et Nouvelles infections
# Importation des donnes sur R Tableau=read.table("Tableau_donnes.txt",header=TRUE) Tableau attach(Tableau) # Convertion des donnes en series temporelles Tableau1=ts(Tableau, start=1990,end=2009,frequency=1)
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
51
Tableau1 ## Prvalence du sida Yt=ts(TPrevVIH,start=1990,end=2009,frequency=1) plot(Yt) ### Etude de la chronique Yt( prvalence) acf(Yt) PP.test(Yt) # 1ere diffrentiation de Yt Y1t=diff(Yt,differences=1) acf(Y1t) PP.test(Y1t)
# 2eme diffrentiation de Yt Y2t=diff(Yt,differences=2) acf(Y2t) PP.test(Y2t) # 3eme diffrentiation de Yt Y3t=diff(Yt,differences=3) acf(Y3t) pacf(Y3t) PP.test(Y3t) plot(Y3t,col="red") # Modlisation 1 de Y3t par: fitY3t1=arima(Y3t,order=c(1,0,2))
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
52
fitY3t1
# Le rsum de l'estimation summary(fitY3t1) coefIC1<-round(confint(fitY3t1),4)#Intervalle de confiance des coefficients coefIC1 tab1<-data.frame(coefIC1[,1],coef(fitY3t1),coefIC1[,2]) tab1 # Les rsidus residus1<-residuals(fitY3t1) plot(residus1,col="green") tsdiag(fitY3t1) Y3t1adj=Y3t-residus1 (# l'ajustement) # Reprsentation de Y3t et son ajustement sur un graphique plot(Y3t,ylim=c(-0.4,0.6), col=1) lines(Y3t1adj,col=2) legend(x=1995,y=0.55,legend=c("srie Y3t","srie Y3t ajuste"),fill=c(1,2))
# modlisation 2 de Y3t par: fitY3t2=arima(Y3t,order=c(1,0,1)) fitY3t2 # le rsum de l'estimation summary(fitY3t2) coefIC2<-round(confint(fitY3t2),4)#Intervalle de confiance des coefficients
53
coefIC2 tab2<-data.frame(coefIC2[,1],coef(fitY3t2),coefIC2[,2]) tab2 # Les rsidus residus2<-residuals(fitY3t2) plot(residus2,col="green") tsdiag(fitY3t2) Y3t2adj=Y3t-residus2 # Reprsentation de Y3t et son ajustement sur un graphique plot(Y3t,ylim=c(-0.4,0.6), col=1) lines(Y3t2adj,col=2) legend(x=1995,y=0.55,legend=c("srie Y3t","srie Y3t ajuste"),fill=c(1,2)) # modlisation 3 de Y3t par: fitY3t3=arima(Y3t,order=c(1,0,0)) fitY3t3 # le rsum de l'estimation summary(fitY3t3) coefIC3<-round(confint(fitY3t3),4)#Intervalle de confiance des coefficients coefIC3 tab3<-data.frame(coefIC3[,1],coef(fitY3t3),coefIC3[,2]) tab3 # Les rsidus residus3<-residuals(fitY3t3) plot(residus3,col="green")
54
tsdiag(fitY3t3) Y3t3adj=Y3t-residus3 # Reprsentation de Y3t et son ajustement sur un graphique plot(Y3t,ylim=c(-0.4,0.6), col=1) lines(Y3t3adj,col=2) legend(x=1995,y=0.55,legend=c("srie Y3t","srie Y3t ajuste"),fill=c(1,2))
# Modlisation 4 fitY3t4=arima(Y3t,order=c(0,0,2)) # le rsum de l'estimation summary(fitY3t4) coefIC4<-round(confint(fitY3t4),4) tab4<-data.frame(coefIC4[,1],coef(fitY3t4),coefIC4[,2]) tab4 # Les rsidus residus4<-residuals(fitY3t4) plot(residus4,col="green") tsdiag(fitY3t4) Y3t4adj=Y3t-residus4 # Reprsentation de Y3t et son ajustement sur un graphique plot(Y3t,ylim=c(-0.4,0.6), col=1) lines(Y3t4adj,col=2) legend(x=1995,y=0.55,legend=c("srie Y3t","srie Y3t ajuste"),fill=c(1,2))
# Modlisation 5
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
55
fitY3t5=arima(Y3t,order=c(0,0,1)) # le rsum de l'estimation summary(fitY3t5) coefIC5<-round(confint(fitY3t5),4) tab5<-data.frame(coefIC5[,1],coef(fitY3t5),coefIC5[,2]) tab5 # Les rsidus residus5<-residuals(fitY3t5) plot(residus5,col="green") tsdiag(fitY3t5) Y3t5adj=Y3t-residus5 # Reprsentation de Y3t et son ajustement sur un graphique plot(Y3t,ylim=c(-0.4,0.6), col=1) lines(Y3t5adj,col=2) legend(x=1995,y=0.55,legend=c("srie Y3t","srie Y3t ajuste"),fill=c(1,2))
56
lines(Yt33adj,col=4) legend(x=2000,y=3,legend=c("srie Yt","srie Yt ajuste"),fill=c(1,4)) # Prvisions de la chronique Yt avec Arima(1,3,0) pred3=predict(fit3,n.ahead=6) pred3 # # Etude de la chronique Xt (Nouvelles infections) Tableau=read.table("Tableau_donnes.txt",header=TRUE) Tableau attach(Tableau) Xt=ts(NouvCas,start=1990,end=2009,frequency=1) plot(Xt) acf(Xt) PP.test(Xt)
X1t=diff(Xt, differences=1) acf(X1t) pacf(X1t) PP.test(X1t) X2t=diff(Xt, differences=2) par(mfrow=c(2,2)) acf(X2t) pacf(X2t PP.test(X2t)
fitXt=arima(Xt,order=c(1,2,2))
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
57
fitXt1=arima(Xt,order=c(1,2,1)) summary(fitXt1) coefIC1<-round(confint(fitXt1),4) tab<-data.frame(coefIC[,1],coef(fitXt),coefIC[,2]) tab1<-data.frame(coefIC1[,1],coef(fitXt1),coefIC1[,2]) tab1 fitXt2=arima(Xt,order=c(1,2,0)) summary(fitXt2) coefIC2<-round(confint(fitXt2),4) tab2<-data.frame(coefIC2[,1],coef(fitXt2),coefIC2[,2]) tab2
fitXt4=arima(Xt,order=c(0,2,1)) summary(fitXt4)
Mmoire de Master 2 de statistique applique AWONO Cyrille ParfaitENSP 2008-2010
58
coefIC4<-round(confint(fitXt4),4) tab4<-data.frame(coefIC4[,1],coef(fitXt4),coefIC4[,2]) tab4 # Etude des rsidus tsdiag(fitXt2) tsdiag(fitXt4) # ajustement Xtadj=Xt-residuals(fitXt4) plot(Xt,ylim=c(0,60000)) lines(Xtadj,col=4) legend(x=2003,y=20000,legend=c("srie Y3t","srie Y3t ajuste"),fill=c(1,4)) # Prvisions de la chronique Xt avec Arima(0,2,1) pred=predict(fitXt4,n.ahead=6) pred
### Lissage exponentiel ## La srie Yt de la prvalence adulte # Lissage Holt-Winters non saisonnier Ytlisse=HoltWinters(Yt,gamma=FALSE) summmary(Ytlisse) plot(Ytlisse) pred<-predict(Ytlisse,n.ahead=6,prediction.interval=TRUE) pred
59
## La srie Xt de la prvalence adulte # Lissage Holt-Winters non saisonnier Xtlisse=HoltWinters(Xt,gamma=FALSE) summmary(Xtlisse) plot(Xtlisse) legend(x=2000,y=20000,legend=c("srie Xt","srie Xt lisse"),fill=c(1,2)) pred<-predict(Xtlisse,n.ahead=6,prediction.interval=TRUE) pred
60
Bibliographie
1 Les diffrents Rapports du CNLS (2002 - 2009) [1-1] EDSC- III [1-2] EDSC-1998 [1-3] Rapport GTC/CNLS 2006 [1-4] Rapport ACMS, CENAME 2005, 2008 [1-5] MICS, 2006 [1-6] INS- Annuaire Statistique du Cameroun 2006 [1-7] Rapport denqute de surveillance sentinelle du VIH et de la syphilis chez les femmes enceintes frquentant la consultation prnatale en 2009 au Cameroun [1-8] RAPPORT DE PROGRES PTME N 4 Anne 2009 [1-9] PROFIL DES ESTIMATIONS ET PROJECTIONS EN MATIERE DE VIH ET SIDA AU CAMEROUN 2010 2020, CNLS Juin 2010. [1-11] PNS 2006-2010 [1-12] Rapport de Progrs PTME N 4 2010 [1-13] Rapport de Progrs N10 [1-14] Rapport de Progrs N11 2 Les Rapports de lOCEAC
[2-1] Analyse de la situation du Cameroun (OCEAC-2009) [2-2] Les Principes Directeurs (OCEAC-2009) [2-3] PLAN STRATEGIQUE SOUS REGIONAL DE LUTTE CONTRE LE VIH et sida EN AFRIQUE CENTRALE (2006-2010)
61
[2-4] Projet Sous-Rgional dappui aux pays dAfrique Centrale pour latteinte des cibles des O.M.D. volet Sant (2010-2015) 3 Les Rapports ONU - OMS - ONUSIDA [2-5] Plan Stratgique PPSAC (2009-2012)
[3-1] United Nations, Department of Economic and Social Affairs, Population Division. World Contraceptive Use 2009 (POP/DB/CP/Rev2009). CONTRACEPTIVE PREVALENCE, ANY METHOD AND ANY MODERN METHOD, 1985 TO 2008 [3-2] Le Point Sur Lpidmie De Sida 2007 |Aperu Mondial (ONUSIDA) [3-3] United Nations, Department of Economic and Social Affairs, Population Division. World Contraceptive Use 2009 (POP/DB/CP/Rev2009). CONTRACEPTIVE PREVALENCE BY METHOD, MOST RECENT ESTIMATE [3-4] Rapport UNGASS_2008_ADOPTED_Cameroon [3-5] Rapport UNAIDS/WHO, 2004 [3-6] Rapport UNGASS ADOPTED 2007 [3-7] Epidemiological Fact Sheet on HIV and AIDS Core data on epidemiology and response, Cameroon. 2008 update [3-8] Outlook_report_2010 [3-9] http://www.unaids.org/fr/KnowledgeCentre/Resources/Publications/ [3-10] 2008 Report on the global AIDS epidemic, UNAIDS/WHO, July 2008 [3-11] Source: UNPD, Population Projections, Medium Variant, 2004 Revision [3-12] UNGASS 20080820_gr08_annexe2_table_en [3-13] Cameroon_2010_country_progress_report_fr
Introduction aux sries temporelles - Julien JACQUES 5 C. Gouriroux, A. Montfort : Cours de sries temporelles, Economica. 1983 6 G. Box, G. Jenkins : Time series analysis, Holden Day. 1976.