Application de la procédure de
Box and Jenkins sous Eviews
Réalisé par :
Zakaryae Maamour(Act-Fin,N°22)
et Ayoub Boutahar(BSDB N°7)
Projet N°2
—
Cours Séries Chronologique
—
Sous L’encadrement de [Link]
➢ Nous intéressons dans ce Projet °2 à appliquer la méthode de Box-Jenkins sur
des données réelles notée ‘X’ sous Eviews qui représente Indices trimestriels de
salaires dans le secteur privé En France.
(Source : [Link]
1/illustration graphique, autocorrélations :
Projet N°2 PAGE 2
2/statistiques descriptives relatives à la série choisie :
Projet N°2 PAGE 3
3/Etude de la non stationnarité :
• Le graphe de la série montre qu’elle n’est pas stationnaire (Apparemment, cette
série n’est pas stationnaire : elle semble présenter d’une part une rupture de
tendance et d’autre part une volatilité des valeurs qui s’accroît au cours du
temps.)
On utilise aussi le test de racine unitaire (test ADF) ou/et le test de Phillips-
Perron pour confirmer la non stationnarité :
• Test de Dickey-Fuller Augmenté (ADF) : Il teste l'hypothèse nulle selon
laquelle une racine unitaire est présente dans une série temporelle, ce qui
indique la non-stationnarité. Si le résultat du test rejette l'hypothèse nulle, la
série est considérée comme stationnaire.
• Le test de Phillips-Perron(PP) : est un test statistique qui vise à savoir si une
série temporelle est stationnaire c'est-à-dire si ses propriétés statistiques
(espérance, variance, auto-corrélation) varient ou pas dans le temps.
Projet N°2 PAGE 4
➢ Pour le test ADF et le test PP La série a une racine unitaire (p-value>0.05), donc
la série ‘X’ est non stationnaire.
Projet N°2 PAGE 5
4/ Choix du modèle ARMA :
I. Stationnarisation de la série :
On utilise la commande ci-dessous(méthode de stationnarisation des différences
premières) pour enlever la racine unitaire et on obtient une nouvelle série
Stationnaire nommée ‘dX’.
Projet N°2 PAGE 6
➢ D’après Le Graphique de la série stationnaire : On remarque que la série fluctue
autour d’une moyenne constante.
➢ D’après le test ADF, on rejette l’hypothèse de présence de racine unitaire, ce qui
affirme que la série obtenue est une série stationnaire (p-value<0.05).
Projet N°2 PAGE 7
Projet N°2 PAGE 8
[Link]élisation de la série dX :
➢ La série dX est stationnaire, on cherche un modèle ARMA(p; q) qui
représente cette série. Pour identifier le processus qui représente au
mieux notre série, on examine les autocorrélation simples (pour
déterminer le nombres de retards de MA) et partielles (pour déterminer
le nombres de retard d’un processus AR).
➢ On va se limiter au premiers trois retards pour ne pas perdre
l’information.
Projet N°2 PAGE 9
Projet N°2 PAGE 10
➢ L’examen de ce corrélogramme montre qu’il existe des pics important
pour le terme AR et le terme MA .
➢ L’examen de ce corrélogramme montre que l’on peut anticiper des modèle
de type MA(1), MA(2), MA(3), AR(1), AR(2), ARMA(1; 1), ARMA(2; 1),
ARMA(3; 1), ARMA(2; 0).
Projet N°2 PAGE 11
Projet N°2 PAGE 12
➢ On peut de façon automatique sous Eviews sélectionner le modèle
ARMA adéquat :
➢ C’est le ARMA(2,0).
5/ la qualité du modèle à l’aide des critères d’information :
➢ Après la détermination des modèles proposés on choisit le modèle qui
donne la meilleure combinaison de critères Akaike ،Schwarz ،Hannan-
Quinn, prise en compte le Coefficient de détermination R2 , et le paramètre
statistique DW. Après avoir examiné touts les modèles proposés Nous avons
pu choisir le modèle ARMA(2,0) Pour les considérations suivantes:
• La moindre valeur Akaike ،Schwarz ،HannanQuinn,
• bonne signification des paramètres estimés.
• meilleur coefficient de détermination R2
Projet N°2 PAGE 13
6/ la validité du modèle :
Nous allons diagnostiquer notre modèle car il ne peut etre mis à défaut, avec des tests
suivants
❖ Test d’autocorrélation :
Projet N°2 PAGE 14
- Autocorrélogramme des résidus du modèle ARMA(2,0)-
➢ On remarque qu’il ya absence des pics dans l’autocorrélogrammes i.e :
il ya absence d’autocorrélation des erreurs ce qui montre que le
modèle est significatif, donc l’hypothèse de bruit blanc des résidus est
validée.
❖ Test de normalité des résidus :
➢ On veut tester la normalité des résidus du modèle ARMA(2,0). Le test que
nous utilisons est de Jarque et Bera.
Projet N°2 PAGE 15
❖ Test d’hétéroscédasticité :
Dans l’output de l’estimation, suivre : View/Residual
Tests/Heteroskedasticity Tests… la boîte de dialogue à droite s’affiche
(elle complète la procédure) et, à gauche : les résultats du test :
Projet N°2 PAGE 16
❖ Avantages et principes : détection de l’hétéroscédasticité et sa forme. On régresse
les résidus de l’estimation de base sur la variable responsable
d’hétéroscédasticité (régresseur significatif = hétéroscédasticité) ;
Projet N°2 PAGE 17
7-8/ prévision à l’horizon d’une année :
Projet N°2 PAGE 18
Conclusion :
Notre travail est basé sur l’application de la méthode de Box-Jenkins sur des données
réelles afin de prévoir, en utilisant les modèles ARIMA, à l’aide de test d’ADF, les
autocorrélation, les autocorrélation partiels et les critères d’information notamment
AIC et BIC. On peut conclure à des valeurs prévisionnelles et des résultats satisfaisants
et homogènes qui nous conforte dans notre conviction que la méthode utilisée est la
plus adéquate pour effectuer une telle étude .
Projet N°2 PAGE 19