Beruflich Dokumente
Kultur Dokumente
des séries
chronologiques
à travers des exemples
Plan du cours
› Définition et présentation d’une série chronologique
› Étude des composantes d’une série chronologique
› Élimination des variations
› Analyse des composantes stochastique d’une série
› Étude des caractéristiques statistiques (stationnarité)
› Présentation de modèles (AR, MA, ARMA)
› Présentation de la méthodologie Box Jenkins
Présentation
› Une série est une suite d’observation ordonnées en fonction du temps
› Exemple :
Effectif annuel de la population
Chiffre d’affaire annuel de la production intérieur brute
Niveau mensuel de l’indice des prix
CA mensuel d’une entreprise
Nombre de salariés d’un établissement à la fin de chaque mois
….
Présentation
Le champ d’application de l’économétrie dans la finance
Le modèle multiplicatif :
convient plus aux séries comportant une
partie saisonnière qui décroit ou croit dans
le temps
Schéma d’analyse
1er trimestre 2e trimestre 3e trimestre 4e trimestre
› Exemple : Soit la série Année 1 89,658 97,593 108,906 114,157
chronologique suivante Année 2 96,205 99,399 112,763 119,185
observée trimestriellement Année3 99,602 105,192 116,556 121,911
Année 4 103,272 109,644 121,208 126,508
pendant 6 ans: Année 5 105,637 113,428 125,641 131,147
Année 6 111,118 117,215 129,776 133
133
128
123
118
113
108
103
98 Le modèle additif
93
88
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Schéma d’analyse 1er trimestre 2e trimestre 3e trimestre 4e trimestre
Année 1 224,3705 253,2811 201,2421 248,9411
› Exemple : Soit la série Année 2 274,3802 300,1641 248,9038 298,4386
Année3 331,9657 371,4032 303,4313 365,9029
chronologique suivante Année 4 406,6326 437,9967 361,5774 444,8447
observée trimestriellement Année 5 488,4166 536,5268 435,5698 549,3614
pendant 6 ans: Année 6 598,0016 659,2896 533,2156 669,2675
651
601
551
501
451
401
351
Le modèle multiplicatif
301
251
201
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Les composantes d’une série chronologique
La tendance est un lieu géométrique simple qui peut être une droite ou
une courbe.
11 21,3544118 40
12 21,8191176
36 22,2838235 35
32 22,7485294 30
12 23,2132353
25
13 23,6779412
37 24,1426471 20
33 24,6073529
15
13 25,0720588
15 25,5367647 10
39 26,0014706
5
35 26,4661765
14 26,9308824 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
17 27,3955882
41 27,8602941
Traitons le cas où le Trend est une Droite
2. Détermination des composantes saisonnières
› Remarque :
Nous disposons des données trimestrielles
1 𝑌𝑡
𝑠𝑖 =
𝑐𝑎𝑟𝑑 𝑇𝑖 𝐶𝑡
Traitons le cas où le Trend est une Droite
2. Détermination des composantes saisonnières
› Par exemple pour le calcul du coefficient saisonnier relatif à la
deuxième saison : 1 𝑌𝑡
𝑆2 = 𝑠 =2
𝑐𝑎𝑟𝑑 𝑇2 𝐶𝑡
› Pour les coefficients saisonniers nous avons quatre :
𝑇1 = 1;5; 9; 13
𝑇2 = 2;6; 10; 14
𝑇3 = 3;7; 11; 15
𝑇4 = 4;8; 12; 16
Donc nous avons :
𝑆𝑡 = 𝑠 2 ; 𝑡𝜖𝑇𝑖
Traitons le cas où le Trend est une Droite
2. Détermination des composantes saisonnières
› Exemple de calcul du coefficient saisonnier relatif à la deuxième
saison : 2
1 𝑌𝑡
𝑆2 = 𝑠 =
𝑐𝑎𝑟𝑑 𝑇2 𝐶𝑡
1 𝑌2 𝑌6 𝑌10 𝑌14
𝐶2 = 0,4647 × 2 + 20,425 = 21,3544118 = + + +
4 𝐶2 𝐶6 𝐶10 𝐶14
𝐶6 = 0,4647 × 6 + 20,425 = 23, 2132353
𝐶10 = 0,4647 × 10 + 20,425 = 25,0720588 𝐶𝑡 = 0,4647𝑡𝑖 + 20,425
𝐶14 = 0,4647 × 14 + 20,425 = 26,9308824
1 11 12 13 14
𝑆2 = 𝑠 2 = 0,52 = + + +
4 21,354 23,213 25,072 26,931
Traitons le cas où le Trend est une Droite
2. Détermination des composantes saisonnières
› Bien sur 𝑆14 = 𝑆10 = 𝑆6 = 𝑆2 = 𝑠 2 = 0,52
De la même manière 𝑆1 = 𝑆5 = 𝑆9 = 𝑆13 = 𝑠1 = 1,38
nous pouvons calculer
𝑆3 = 𝑆7 = 𝑆11 = 𝑆15 = 𝑠 3 = 0,58
les autres coefficients
𝑆4 = 𝑆8 = 𝑆12 = 𝑆16 = 𝑠 4 = 1,53
saisonniers
La détermination de la variable « vente » corrigée des variations
saisonnières s’effectue à partir de la relation suivante :
𝑌𝑡 Par exemple pour 𝑡 = 14
𝑌𝑐𝑣𝑠,𝑡 = ; 1≤𝑡≤𝑛
𝑆𝑡 𝑌14 14
𝑌𝑐𝑣𝑠,14 = = = 27,05
𝑆14 0,52
Traitons le cas où le Trend est une Droite
3. Détermination de la composante aléatoire
› Le Schéma retenu est un schéma multiplicatif 𝑌𝑡 = 𝑆𝑡 × 𝐶𝑡 + 𝜀𝑡
370
350
330
310
290
270
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Exemple numérique :
traitement d’une série ayant une saisonnalité additive.
› Soit la série suivante, représentant l’évolution mensuelle des
entrées de touristes au Maroc de 1999 à 2001
Représentation graphique :
350 1999 2000 2001
JANVIER 120 143 144
300 FÉVRIER 151 170 193
MARS 191 211 228
250 AVRIL 199 254 270
MAI 172 182 209
200 JUIN 184 187 196
JUILLET 291 303 310
150 AOÛT 256 262 251
SEPTEMBRE 192 196 184
100
OCTOBRE 205 211 162
MAI
MAI
MAI
JUIN
JUIN
JUIN
AVRIL
AVRIL
AVRIL
FÉVRIER
MARS
AOÛT
FÉVRIER
MARS
AOÛT
FÉVRIER
MARS
AOÛT
JANVIER
OCTOBRE
JANVIER
OCTOBRE
JANVIER
OCTOBRE
JUILLET
JUILLET
JUILLET
NOVEMBRE
NOVEMBRE
NOVEMBRE
SEPTEMBRE
SEPTEMBRE
SEPTEMBRE
DÉCEMBRE
DÉCEMBRE
100
300
250
200
150
Yt MMC
NOVEM…
NOVEM…
NOVEM…
100
OCTOB…
OCTOB…
OCTOB…
SEPTE…
DÉCEM…
SEPTE…
DÉCEM…
SEPTE…
MARS
MARS
MARS
JUIN
JUIN
JUIN
MAI
MAI
MAI
JUILLET
JUILLET
JUILLET
AVRIL
AVRIL
AVRIL
AOÛT
AOÛT
AOÛT
JANVIER
FÉVRIER
JANVIER
FÉVRIER
JANVIER
FÉVRIER
Exemple numérique :
Traitement d’une série ayant une saisonnalité additive.
› Le calcul des coefficients saisonniers
› On calcul les différences à la moyenne mobile 𝑥𝑖𝑗 = 𝑦𝑖𝑗 − 𝑀12 𝑦𝑖𝑗 )
› On calcul la synthèse de ces écarts (deux cas soit le moyenne des
écarts, soit la valeur médiane des écarts) sont des premières
estimations des coefficients saisonniers : 𝑥𝑗 = 𝑆𝑗
› Puisque par définition la somme des coefficients saisonniers doit être
nulle.
› On calcul des estimations des coefficients saisonniers par correction
𝑒
proportionnelle des premières estimations 𝑆′𝑗 = 𝑆𝑗 −
12
Exemple numérique :
traitement d’une série ayant une saisonnalité additive.
› Etablissement de la série corrigée des variations saisonnières
graphique
représentation
300
250
200
150
100
JANVIER
FÉVRIER
MARS
AVRIL
MAI
Exemple numérique :
JUIN
1999 JUILLET
AOÛT
SEPTEMBRE
OCTOBRE
NOVEMBRE
DÉCEMBRE
JANVIER
FÉVRIER
MARS
AVRIL
MAI
JUIN
2000
JUILLET
AOÛT
SEPTEMBRE
OCTOBRE
NOVEMBRE
DÉCEMBRE
JANVIER
FÉVRIER
MARS
AVRIL
MAI
JUIN
2001
JUILLET
AOÛT
traitement d’une série ayant une saisonnalité additive.
SEPTEMBRE
Yt
OCTOBRE
NOVEMBRE
Ycvs
DÉCEMBRE
Yt
Exemple numérique :
traitement d’une série ayant une saisonnalité multiplicative
› Soit le tableau suivant de l’indice trimestriel de la production
industrielle, base 100 en 1962. 1 trimestre 2 trimestre 3 trimestre 4 trimestre
1962 110,3 102,9 88,4 107,3
Représentation graphique : 1963 101 109,8 94,1 116,1
1964 115,6 119,2 97,7 120,3
170
1965 115,1 119,5 101,1 127,4
1966 124,8 129 109,3 133,6
160 1967 129,4 131,8 110,2 136,4
150
1968 138,5 120,1 120,8 154,4
1969 149,5 157,1 130,8 166,5
140
150
1968 1969
130
1966
1968
120
1967 1964
110
1965
160
150
140
130
120
1969
110
1968
1967
100
1966
1965
90
1964
80 1963
1 trimestre
2 trimestre 1962
3 trimestre
4 trimestre
Exemple numérique :
Traitement d’une série ayant une saisonnalité multiplicative
Calcul de la moyenne mobile
› La calcul de la moyenne mobile sur 4 trimestres a été effectué sur
ordinateur 170 Moyenne mobile
160
150
140
130
120
110
100
90 Réel Prévision
80
1962 1963 1964 1965 1966 1967 1968 1969
Exemple numérique :
Traitement d’une série ayant une saisonnalité multiplicative
Le calcul des coefficients saisonniers
𝑦𝑖𝑗
› On calcul les rapports à la moyenne mobile 𝑟𝑖𝑗 =
𝑀4 𝑦𝑖𝑗
› Les données corrigées sont obtenues en division les données brutes par
le coefficient saisonnier du trimestre correspondant:
𝑦𝑖𝑗
𝑦′𝑖𝑗 =
𝑆′𝑗
graphique
représentation
160
170
150
140
130
120
110
100
90
80
1 trimestre
2 trimestre
1962
3 trimestre
Exemple numérique :
4 trimestre
1 trimestre
2 trimestre
1963
3 trimestre
4 trimestre
1 trimestre
2 trimestre
1964
3 trimestre
4 trimestre
1 trimestre
2 trimestre
1965
3 trimestre
4 trimestre
1 trimestre
2 trimestre
1966
3 trimestre
4 trimestre
1 trimestre
2 trimestre
1967
3 trimestre
4 trimestre
1 trimestre
2 trimestre
1968
3 trimestre
4 trimestre
1 trimestre
Série Brute
2 trimestre
1969
3 trimestre
Ycvs
Traitement d’une série ayant une saisonnalité multiplicative
4 trimestre
S…
Questions pour comprendre
› Soit : 𝑦𝑡 = 𝑐𝑡 1 + 𝑠𝑡 1 + 𝜀𝑡
Q? est ce que c’est un modèle additif ?
› Décomposer une série consiste a estimer, pour chaque date, les
valeurs de la composante Ct et de la composante St? Vrai / faux
› Il existe deux grandes catégories de méthodes de décomposition
utilisées:
Méthodes analytiques Vrai / faux
Méthodes empiriques Vrai / faux
Méthodes paramétriques Vrai / faux
Méthodes non paramétriques Vrai / faux
Questions pour comprendre
› Les hypothèses sur les composantes Ct et St de la méthode analytique/
paramétrique, sont : Vrai / faux
Le mouvement saisonnier est une fonction périodique de période p
Le mouvement conjoncturel est une fonction linéaire du temps.
› Parmi les avantages de la méthode analytique : Vrai / faux
Elle jouit des fondements théoriques solides.
Permet d’évaluer la variance de paramètres estimés.
Applicable aux séries dont la tendance extra-saisonnière est
représentée par une fonction analytique : linéaire, exponentielle,
polynôme, etc.
Questions pour comprendre
› Les méthodes empiriques/non paramétriques ne supposent aucune
hypothèse sur l’allure du mouvement extra-saisonnier Vrai / faux
›
Pratique de l’économétrie
des séries
chronologiques
à travers des exemples
Présentation du Problème
› Introduction :
4000
1970–I
1970–IV
1971–III
1972–II
PIB
1973–I
1973–IV
1974–III
1975–II
1976–I
RDM
1976–IV
1977–III
1978–II
1979–I
CM
1979–IV
1980–III
1981–Il
1982–I
1982–IV
1983–III
1984–Il
1985–I
1985–IV
1986–III
1987–Il
1988–I
1988–IV
1989–III
Présentation du Problème
1990–Il
1991–I
1991–IV
50
0
150
200
250
100
1970–I
1970–IV
1971–III
Il y a une tendance mais avec des fluctuations
1972–II
1973–I
1973–IV
1974–III
1975–II
1976–I
1976–IV
1977–III
1978–II
Q? qui a généré ces courbes? Et avec quel mécanisme?
1979–I
1979–IV
1980–III
1981–Il
1982–I
1982–IV
1983–III
1984–Il
1985–I
1985–IV
1986–III
1987–Il
PROFIT
1988–I
1988–IV
DIVIDENDE
1989–III
1990–Il
1991–I
1991–IV
Objectif fondamental
C’est Modéliser la partie aléatoire d’une série temporelle.
Dans la première partie du cours nous avons vu que :
𝑌𝑡 = 𝑆𝑡 × 𝐶𝑡 + 𝜀𝑡
Cette la partie aléatoire qui
nous intéresse
𝑌𝑡 − 𝑌𝑡−1 = ∆𝑌𝑡 = 𝑢𝑡
yt=5+Yt-1+ut
-10
1200
-15
1000
200
unitaire 0
Simulation du processus stochastique non
stationnaire sous Eviews Y
RESID 25
4
20
3
15
2
1 10
0 5
-1
0
-2
-5
-3
-10
-4
50 100 150 200 250
Y1 300 350 400 450 500
50 100 150 200 250 300 350 400 450 500
3,000
2,500
2,000
1,500
1,000
500
0
50 100 150 200 250 300 350 400 450 500
Processus stochastique à racine unitaire
Soit le modèle RWM suivant : 𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑢𝑡 il rassemble à un modèle
AR.
› Si 𝜌 = 1 : le modèle devient un modèle avec marche aléatoire sans
dérive. Et nous somme en présence de ce qu’on appelle un problème de
racine unitaire, c-à-d une situation de non stationnarité.
› 𝜌 = 1 signifie : Non stationnarité = marche aléatoire = racine unitaire.
› Si 𝜌 ≤ 1 la série 𝑌𝑡 est stationnaire.
Exemple :
› Pour saisir la différence entre les trends stochastiques et déterministes,
considérons la simulation suivante :
On généré 500 valeurs de 𝑢𝑡 à partir d’une distribution normale standard
où la valeur initiale de 𝑌 était 1.
Stationnarité du trend TS, et stationnarité
300
différentielle du processus stochastique DS
250
200
150
100
50
-50
Yt=0,5+Yt-1+Ut yt=0,5t+ut
Le phénomène de la régression fallacieuse
(Spurious Regression)
› Pour montrer pourquoi la stationnarisation est aussi importante : soient
les deux modèles de marches aléatoires suivants :
𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 et 𝑋𝑡 = 𝑋𝑡−1 + 𝑣𝑡
Simulation : On généré 500 valeurs de 𝑢𝑡 et de 𝑣𝑡 à partir d’une
distribution normale standard et on suppose que les valeurs initiales de 𝑌
et 𝑋 égalent à 0. Nous avons également supposé que 𝑢𝑡 et 𝑣𝑡 sont pas
corrélées.
› Ces deux séries sont non stationnaire.
› Nous allons effectuer une régression 𝑌𝑡 = a𝑋𝑡 + b + 𝜀𝑡
› Résultat attendu: R² tend vers 0 puisque les deux processus ne sont
pas corrélés
Le phénomène de la régression fallacieuse
(Spurious Regression)
Dependent Variable: Y
› Coefficient de 𝑋 (la pente) est très significatif bien que R² est très faible.
› Donc il existe une relation statistiquement significative entre les variables,
alors qu’a priori il devrait avoir aucune.
› C’est le phénomène de régression fallacieuse
› Yule a montré que la (fausse) corrélation pourrait persister dans les séries
temporelles non stationnaires même si l'échantillon est très grande.
Test de la stationnarité
Dans la pratique, nous sommes confrontés à deux questions importantes:
› Comment pouvons-nous savoir si une série de temps donné est
stationnaire?
› Si l'on trouve qu'une série donnée est non stationnaire, est-il possible de
la rendre stationnaire?
› Bien qu’il existe de multiples tests de stationnarité, nous discuterons de
deux types tests:
(1) l'analyse graphique
(2) le test de corrélogramme
Test de la stationnarité
Analyse graphique 5000
Exemple PIB
4500
hausse. 3000
1981–Il
1984–Il
1987–Il
1990–Il
1972–II
1975–II
1978–II
1970–IV
1973–IV
1976–IV
1979–IV
1982–IV
1985–IV
1988–IV
1991–IV
1970–I
1971–III
1973–I
1974–III
1976–I
1977–III
1979–I
1980–III
1982–I
1983–III
1985–I
1986–III
1988–I
1989–III
1991–I
Test de la stationnarité
› Fonctions d’autocorrélation ACF et corrélogramme
Analyse 5
6
7
0.976
0.972
0.967
0.008
0.015
-0.02...
2450.1
2929.8
3406.2
0.000
0.000
0.000
8 0.963 0.004 3879.3 0.000
9 0.959 0.013 4349.1 0.000
La caractéristique de ce corrélogramme est que les 1...
1...
0.956
0.953
0.114
0.032
4817.0
5283.2
0.000
0.000
1... 0.950 0.023 5747.9 0.000
CA à différents retards (lags) sont très élevés, même 1...
1...
0.947
0.944
-0.04...
0.005
6210.5
6671.0
0.000
0.000
1... 0.941 -0.01... 7129.2 0.000
jusqu'à un décalage de 30 retards. 1...
1...
0.938
0.936
0.042
0.013
7585.7
8040.5
0.000
0.000
1... 0.933 -0.02... 8493.4 0.000
1... 0.929 -0.02... 8943.9 0.000
2... 0.926 0.004 9392.1 0.000
2... 0.922 -0.02... 9837.7 0.000
2... 0.919 0.012 10281. 0.000
2... 0.915 -0.04... 10722. 0.000
stationnaire. 2...
2...
2...
0.899
0.895
0.892
0.024
-0.01...
0.015
12454.
12880.
13304.
0.000
0.000
0.000
3... 0.888 -0.04... 13725. 0.000
Test de la stationnarité
› Fonctions d’autocorrélation ACF et corrélogramme
Date: 12/07/15 Time: 17:26
Sample: 1970Q1 1991Q4
Cas du PIB (Exemple concret) Included observations: 88