0% ont trouvé ce document utile (0 vote)

186 vues87 pages

Prévision de l'inflation au Sénégal

Ce mémoire de Master porte sur la modélisation et la prévision des séries temporelles, avec une application spécifique à l'inflation au Sénégal. L'étude vise à déterminer une méthodologie efficace pour prédire l'inflation, en utilisant les approches Box-Jenkins et Holt-Winters, et conclut que Box-Jenkins offre de meilleures prévisions. Le travail a été soutenu publiquement le 27 février 2020 à l'Université Assane Seck de Ziguinchor.

Transféré par

rimaboulkhir

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

186 vues87 pages

Prévision de l'inflation au Sénégal

Transféré par

rimaboulkhir

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

UNIVERSITE ASSANE SECK DE ZIGUINCHOR

UFR : Sciences Economiques et Sociales

Département : Economie et Gestion
Option : Economie
Master Finance et Développement
Spécialité : Evaluation d’impact des politiques de développement
Mémoire de Master 2
THEME

Modélisation et prévision des séries temporelles :

Application à la série de l’inflation au Sénégal
Présenté et soutenu par : Sous la direction du :
Boubacar KANDE Dr Mor NDONGO

Soutenu publiquement le 27 Février 2020 devant le jury composé de :

Président Pr Abdou Aziz NIANG, Université Assane Seck de Ziguinchor (UASZ)

Examinateur Dr Blaise Waly BASSE, Université Assane Seck de Ziguinchor (UASZ)

Examinateur Mr Alassane AW, Ingénieur Statisticien à l’ANSD/Sénégal

Encadreur Dr Mor NDONGO, Université Assane Seck de Ziguinchor (UASZ)

Année Universitaire : 2018/2019

Dédicace

A mon cher père Samba KANDE ;

A ma chère mère Kadidiatou KANDE ;
A mes frères et soeurs ;
A mes oncles et tantes ;
A mes cousins et cousines ;
A toutes mes connaissances
Je dédie ce travail

i
Remerciements

Au terme du présent travail, l’honneur nous échoit d’exprimer notre profonde recon-
naissance à toutes les personnes qui, de près ou de loin, ont contribué à sa réalisation.
Nos sentiments de gratitude vont principalement à Dr Mor NDONGO, directeur de ce
mémoire. Ses conseils, ses remarques, sa compréhension et surtout sa rigueur scientifique
nous ont été chers. Sans oublier, nos remerciements vont à l’androit du Pr Abdou Aziz
NIANG pour sa contribution, ses conseils dans la réalisation de ce document.
Nos remerciements sont aussi adressés à tous les enseignants chercheurs du départe-
ment des sciences économique et de gestion. Nous disons merci à nos parents qui ont
beaucoup investi pour nos études et avec la confiance qu’ils m’ont accordé pour en arrivé
là.
Sans oublier aussi mon maı̂tre de l’école primaire le nom de Mr Thierno DIAMANKA
je le remercie infiniment par sa qualité, sa rigueur et ses conseils dont jusque là que j’ai
suivi.
Nos remerciements vont aussi à l’endroit des doctorants et nouveaux docteurs du
département économie et gestion qui m’ont accompagné, intégré, conseillé et orienté depuis
ma première année à Université.

ii
Résumé & Abstract

Résumé
Notre étude portait sur la modélisation et prévision des séries temporelles : Application
à la série de l’inflation au Sénégal. L’objectif était de trouver une méthodologie permet-
tant de mieux prévoir l’inflation. Pour ce faire nous avons appliqué deux approches des
séries temporelles uni variés à savoir Box-Jenkins (1970) et Holt-Winters (1960) sur des
données de la série mensuelle de l’indice harmonisé des prix à la consommation au Séné-
gal. Après l’analyse, nous concluons que l’approche de Box-Jenkins est meilleur en terme
de prévisions.

Abstract
Our study focused on modeling and forecasting time series : Application to the inflation
series in Senegal. The objective was to find a methodology to better predict inflation. To do
this, we applied two approaches to the varied uni time series, namely Box-Jenkins (1970)
and Holt-Winters (1960) on data from the monthly series of the harmonized consumer
price index in Senegal. After analyzing, we conclude that the Box-Jenkins approach is
better in terms of forecasts.

iii
Notations & abréviations

ACF : Fonction d’Auto corrélation

AIC : Critère d’Information Akaike
AICC : Critère d’Information Akaike Corrigé
ANSD : Agence Nationale de la Statistique et de la Démographie
ARIMA : Auto régressif Intégré à Moyenne Mobile
ARDL : Auto régressif à retard échelonné
ARMAX : Auto régressif à Moyenne Mobile avec Variables Explicatives
BCEAO : Banque Centrale des Etats de l’Afrique de l’Ouest
BCRG : Banque Centrale de la République de Guinée
BIC : Critère d’Information de Bays
ESPS-II : Deuxième Enquête de Suivi de la Pauvreté au Sénégal
CPNK : Courbe de Philips Néo-keynésienne
CNSEE : Centre National de la Statistique et des Etudes Economiques
COICOP : Classification of individual consomption by purpose
FAVAR : Vecteur Auto régressif Augmenté par Facteurs
H0 : Hypothèse nulle des tests statistiques
H1 : Hypothèse alternative des tests statistiques
I : Intégré
IPC : Indice des Prix à la Consommation
INPS : Institut Nationale de la Planification et de la Statistique
i.i.d : Indépendamment et Identiquement Distribué
IHPC : Indice Harmonisé des Prix à la Consommation
IHPCnonten : Indice Harmonisé des Prix à la Consommation dépourvu de la droite de
tendance
KPSS : Kwiatkowski-Phillips-Schmidt-Shin
MAPE : Erreur Absolue Moyenne en Pourcentage

iv
MAE : Erreur Absolue Moyenne
MCO : Moindre Carré Ordinaire
PACF : Fonction d’Autocorrélation Partielle
PGD : Processus Générateur de Données
SARIMA : Auto régressif Intégré à Moyenne Mobile Saisonnier
Tc : T-statistique Calculée
UEMOA : Union Economique et Monétaire Ouest Africain
VAR : Vecteur Auto régressif

v
Sommaire

Dédicace i

Remerciements ii

Résumé & Abstract iii

Notations & abréviations v

Liste des figures viii

Liste des tableaux ix

Introduction générale 2

1 Généralités et Revue de la littérature 6

1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Revue de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2 Généralités sur les séries temporelles 21

2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Approche de Box-Jenkins (1970) . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Approche de Holt-Winters (1960) . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 Critères de comparaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

vi
3 Application à l’indice harmonisé des prix à la consommation au Sénégal 37
3.1 Analyse exploratoire des données . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 Approche de Box et Jenkins . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Approche de Holt et Winters . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4 Comparaison des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Conclusion générale 57

Bibliographie 60

Table des matières 68

Annexes 69

vii
Table des figures

1.1 L’évolution du taux d’inflation au Sénégal de 2008 à 2018 . . . . . . . . . . 10

1.2 L’évolution du taux d’inflation dans les pays de l’UEMOA de 2008 à 2018 . 11
1.3 Evolutions mensuelles des indices des prix des produits importés et locaux 12
1.4 L’évolutions mensuelles des indices des prix selon le secteur d’activité . . . 13
1.5 Diagramme de l’IHPC selon la nomenclature . . . . . . . . . . . . . . . . . 14

2.1 Étapes de modélisation Box-Jenkins . . . . . . . . . . . . . . . . . . . . . . 33

2.2 Etapes de la modélisation par l’approche de Holt-Winters . . . . . . . . . . 35

3.1 Boite à moustache de l’IHPC . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.2 Trajectoire de l’IHPC au Sénégal de Janvier 2008 à décembre 2018 . . . . . 40
3.3 Décomposition de la série de l’IHPC au Sénégal . . . . . . . . . . . . . . . 41
3.4 Trajectoire de l’IHPC ajustée de la tendance . . . . . . . . . . . . . . . . . 43
3.5 Représentation de la série ajustée rangée par mois . . . . . . . . . . . . . . 44
3.6 Représentation de la série corrigé de la tendance et de la saisonnalité . . . 46
3.7 Fonctions d’autocorrélation de la série sans tendance et sans saisonnalité . 47
3.8 Diagnostique graphique des résidus . . . . . . . . . . . . . . . . . . . . . . 49
3.9 Visualisation des prévisions par le modèle de Box-Jenkins . . . . . . . . . . 51
3.10 Visualisation des prévisions du modèle de Hol-Winters additif . . . . . . . 53
3.11 Simulations de prévisions par les deux approches . . . . . . . . . . . . . . . 54
3.12 L’évolution des variations saisonnières de l’IHPC . . . . . . . . . . . . . . . 72

viii
Liste des tableaux

1.1 Les douze fonctions de l’IHPC base 100 et leurs pondérations . . . . . . . . 9

2.1 Fonctions d’autocorrélations des processus ARMA(p,q) . . . . . . . . . . . 29

3.1 Statistiques descriptives de l’IHPC . . . . . . . . . . . . . . . . . . . . . . 39

3.2 Estimation de l’équation de la tendance par les MCO . . . . . . . . . . . . 42
3.3 Résultats du test d’absence de saisonnalité de Kruskal-Wallis . . . . . . . . 44
3.4 Coefficients saisonniers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.5 Résultats du test KPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6 Résultats de l’estimation des modèles . . . . . . . . . . . . . . . . . . . . . 48
3.7 Résultats du test de significativité de notre modèle . . . . . . . . . . . . . 48
3.8 Test de normalité de Jarque Bera . . . . . . . . . . . . . . . . . . . . . . . 50
3.9 Test de bruit blanc gaussien de Ljung et Box . . . . . . . . . . . . . . . . . 50
3.10 Estimation du modèle de Holt-Winters saisonniers additif de l’IHPC . . . . 52
3.11 Mesure de la qualité des prévisions pour les deux approches . . . . . . . . 55

ix
Introduction générale

1
2

Contexte et problématique
Dans un contexte de mondialisation et de l’interdépendance de plus en plus poussée
des économies, l’inflation apparait comme un phénomène observé aussi bien dans les pays
industrialisés que dans les pays en développements. Ainsi, il est plus difficile pour les
pays en développements de maitriser efficacement et de manière durable le phénomène de
l’inflation. En effet, les hausses continues des coûts de l’énergie constatées qui ont des effets
dans tous les autres secteurs et les contraintes structurelles auxquelles sont confrontés ces
pays constituent des limites à la lutte contre l’inflation.
En considérant la zone UEMOA (Union Economique et Monétaire Ouest Africaine),
les statistiques ont montré que l’inflation s’est établie en moyenne à 5,15% pendant la
période de 1976 à 2015 suite à de nombreuses crises économiques (Meuriot [39]). Donc,
on note bien la présence de l’inflation dans les pays de la zone de l’UEMOA.
Le Sénégal étant un pays membre de l’UEMOA, le fort taux d’ouverture de l’économie
Sénégalaise qui passe de 24,9% en 2016 à 26,5% accompagné d’une faible demande globale
surtout pour les produits importés atteste de sa vulnérabilité face à la conjoncture inter-
nationale. Ainsi, l’augmentation continue du cours du baril de pétrole ou la contraction
de l’offre mondiale de riz, de blé ou de lait se répercute sur les prix intérieur à la consom-
mation, entrainent par la suite une hausse du niveau général des prix. Cela s’est manifesté
au Sénégal par une évolution inhabituelle des prix mesurés par l’indice harmonisé des prix
à la consommation (IHPC) qui a dévié de sa trajectoire dès le premier trimestre de 2007
(Mbaye et Sene [37]). Le taux d’inflation s’est établi à 5,7% à la fin du troisième trimestre
de l’année 2007 contre moins de 3% pour les autres pays membres de l’union économique
et monétaire de l’Afrique de l’ouest (UEMOA). Ce taux a suscité des débats auprès des
autorités nationales et celles de l’union.
L’évolution atypique des prix de l’année 2007 amène à voir de près ce qui s’est passé
pour comprendre ce retournement de tendance. En effet, l’inflation entraine des pertur-
bations aussi bien dans le plan économique que social.
Mais depuis quelques années, le taux d’inflation a connu une stabilité au Sénégal sauf
qu’en 2017 il a été une tendance haussière.
Au Sénégal, l’inflation est mesurée par la variation de l’indice harmonisé des prix à la
consommation (IHPC). L’inflation étant le résultat de phénomènes complexes affectant
l’économie et ne laisse guère indifférent, car étant au cœur des préoccupations des autorités
politiques et monétaires, des investisseurs et des populations.
Ainsi, la littérature théorique et empirique a mis en évidence qu’une inflation élevée
et variable a des coûts économiques et sociaux importants et variés. En effet :

+ elle entraı̂ne des distorsions dans les prix relatifs ;

Boubacar KANDE 2 mémoire de master 2

+ elle réduit l’épargne et l’investissement et freine par la suite la croissance écono-

mique ;

+ elle encourage les investissements improductifs et les fuites des capitaux ;

+ elle crée une incertitude dans l’économie : elle rend plus difficile l’interprétation de
l’information transmise par les prix des biens et des services, compliquant les prises
de décisions des ménages, des entreprises et des pouvoirs publics ;

+ elle rend le système financier moins efficient ; elle rend aussi plus difficile la prise de
décisions pour le futur.

Ainsi, la stabilité des prix est l’un des principaux objectifs des autorités monétaires.
Elle est définie comme un taux d’inflation suffisamment faible et graduel pour que les
ménages et les entreprises n’aient pas à tenir en compte dans leurs décisions de consom-
mations et d’investissements (Duguay [23]). Pratiquement toutes les banques centrales
ont reconnu l’importance de réaliser la stabilité des prix à tous instants.
Cependant, l’objectif de stabilité des prix assigné à la politique monétaire exige des
institutions monétaires et les prôneurs de décisions d’investissements des outils pour mieux
suivre et anticiper l’évolution des prix dans les court et moyen termes. Il existe de nos
jours un ensemble de méthodes rigoureuses basées sur des algorithmes, permettant de faire
des anticipations autrement dit des prévisions, notamment sur les séries temporelles. Ainsi
réduire l’incertitude liée à la connaissance du futur, améliorer la qualité de l’information
et des décisions qui en découlent demeurent les principaux objectifs de la prévision.
A court et moyen terme, l’efficacité des méthodes statistiques (par opposition aux mé-
thodes économétriques structurelles) de prévision est prouvée (Kuma [33]). Ces méthodes
reposent sur la construction de modèles auto-projectifs pour lesquels les prévisions sont
faites sur la base de l’information contenue dans la série à prévoir autrement appelé pro-
cessus générateur de données (PGD). Seule la connaissance du passé et du présent de la
série permet de la projeter sur le futur. Les méthodes statistiques en générale, la méthode
des séries temporelles en particulier ont l’avantage d’être simple, peu exigeant en don-
nées et s’applique avec un certain succès même lorsqu’on a une connaissance limitée du
phénomène étudié. Elle repose sur les seules propriétés statistiques des séries considérées.
La question de l’identification de l’évolution de l’inflation et surtout celle de son de-
venir dans le futur, constituent l’un des problèmes majeurs face auxquels sont confrontés
régulièrement les décideurs des pouvoirs publics, qui doivent idéalement, anticiper sur le
mouvement de cet informateur, afin de prendre à temps des mesures qui s’imposent. Ainsi,

Boubacar KANDE 3 mémoire de master 2

nous nous posons la question de savoir comment peut-on décrire l’évolution temporelle
de l’inflation au Sénégal ?

Justification du choix du Sujet

Cette étude est importante dans la mesure où elle est une intervention dans la prise
de décisions. Elle nous permettra de bien suivre l’évolution du taux d’inflation qui est
l’objectif principal des institutions monétaires et les gouvernements afin de savoir quelles
politiques menées.
Ainsi, l’indice des prix à la consommation des ménages est la mesure la plus usuelle de
l’inflation. Il détermine l’orientation de la politique monétaire et est au coeur de multiples
dérèglements qui touchent tous les aspects de la vie socio-économique tels que vie sociale,
budget de l’Etat, endettement, entreprises, etc.
Il est important pour les agents économiques (pouvoirs publics, bailleurs de fonds, entre-
prises, ménages, etc) de projeter l’inflation future permet de mieux apprécier la trajectoire
de la cible fixée par le critère de convergence de l’union économique et monétaire ouest
Africain (UEMOA) qui est à 3% (Mbaye et Sene [37])
Dans l’angle scientifique, mettre en oeuvre une méthodologie sophistiquée en s’ap-
puyant sur des outils économétriques plus récents contribuera très fortement dans la re-
cherche en sciences économiques.

Objectifs de recherche
Nous répartissons nos objectifs de recherche en deux catégories à savoir un objectif
général et deux objectifs spécifiques.

Objectif général
De manière globale, il est question de trouver une méthodologie qui prévoit au mieux
l’inflation au Sénégal.

Objectifs spécifiques
Plus précisément, à partir des données mensuelles de l’indice harmonisé des prix à
la consommation (IHPC) du Sénégal observés de janvier 2008 à décembre 2018, nous
devons :

+ Modéliser, à l’aide des séries temporelles, la dynamique de l’indice harmonisé des

prix à la consommation du Sénégal ;

+ Prédire ses valeurs futures.

Boubacar KANDE 4 mémoire de master 2

Organisation du travail
Notre travail sera articulé autour de trois chapitres.

+ Le premier chapitre sera intitulé généralités et revue de la littérature. Dans ce cha-

pitre, nous définissons quelques concepts qui tournent autour de l’inflation, sa me-
sure, les faits stylisés et ensuite faire une revue la littérature sur les méthodes de
prévision de l’inflation.

+ Le deuxième chapitre sera lui intitulé généralités sur les séries temporelles.

+ Et le chapitre trois sera consacré à l’application avec les données réelles sur l’indice
harmonisé des prix à la consommation du Sénégal. Pour ce faire nous utilisons deux
techniques à savoir la méthode de Box et Jenkins sur un modèle ARIMA saisonnier
et celle de Holt et Winters afin de comparer la meilleure en termes de prévision.

Durant tout le long de notre étude, nous effectuons les analyses économétrique, à l’aide du
logiciel R version 3.3.0 (2016-05-03), ainsi qu’à ses packages (tseries, caschrono, fBasics,
forecast)

Boubacar KANDE 5 mémoire de master 2

CHAPITRE 1

Généralités et Revue de la littérature

Chapitre 1.Généralités et Revue de la littérature 7

Dans ce chapitre, nous définissons quelques concepts, expliquons comment on peut

mesurer l’inflation avec d’autres indicateurs macroéconomiques, retraçons les faits mar-
quants de l’inflation au Sénégal et dans l’espace UEMOA, et faire un rappel sur les travaux
théoriques et empiriques faits sur la prévision de l’inflation.

1.1 Généralités
1.1.1 Définitions et mesures
1.1.1.1 Inflation

Le concept inflation comporte plusieurs définitions selon les auteurs ; les uns le défi-
nissent par ses causes et d’autres par ses manifestations ou conséquences.
Le professeur Kinzonzi (1979) définit l’inflation comme étant « le processus de hausse,
pendant une certaine période de temps, du niveau général des prix relatifs des biens et
services offerts sur le marché, avec comme conséquence une diminution progressive du
pouvoir d’achat de l’unité monétaire »(Umba Di Mamona [48]).
Selon Franck Shostak (2002), l’essence de l’inflation n’est pas une augmentation des
prix, mais une augmentation de l’offre de la monnaie qui, à son tour met en mouvement
une augmentation générale des prix de biens et services (Umba Di Mamona [48]).
Pour Bernard et Colli (1976), l’inflation est un phénomène général d’ajustement, pour
la voie monétaire des tensions s’exerçant dans un ensemble socio-économique et caractérisé
par la hausse générale des prix et de la dépréciation (Colli et Bernard [15]). Ainsi, il y’a
inflation lorsque le niveau général des prix croı̂t alors que la valeur des marchandises en
circulation n’augmente pas.

1.1.1.2 Inflation importée

L’inflation importée est hausse générale et durable des prix provoquée par une aug-
mentation des coûts des produits importés (Mercillon [38]).
Avec l’inflation importée, les coûts de productions sont plus importants pour les entre-
prises nationales. Ces dernières répercutent le plus souvent cette hausse sur le prix des
biens ou services vendus. Et du cout le pouvoir d’achat des ménages va baisser.

1.1.1.3 Inflation sous-jacente

L’inflation sous-jacente est une mesure du niveau de la hausse générale des prix qui
ne tient pas compte de certains postes de dépenses dans le calcul (Lassoued [34]). Cette
inflation exclut les éléments les plus volatils tels que le pétrole ou les produits alimentaires
(produits laitiers, viandes...). Ces derniers sont très sensibles à l’évolution de l’offre et la

Boubacar KANDE 7 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 8

demande. Elle exclut également les postes de dépenses liés à l’investissement de l’Etat.
C’est le cas des prix de l’énergie (électricité et gaz) qui sont des prix réglementés.

1.1.1.4 Indice des prix à la consommation

L’indice des prix à la consommation est un instrument de mesure qui fournit une esti-
mation de l’évolution d’ensemble des prix des biens et services figurant dans la consomma-
tion des ménages pour une date de référence donnée. Cet indice ne mesure pas le niveau
des prix pour une période déterminée, mais plutôt une variation de ce niveau entre deux
périodes.
L’indice des prix est un indicateur couramment utilisé pour mesurer les variations au
cours du temps du niveau général des prix des biens et services acquis. Comme que les prix
des différents biens et services n’évoluent pas tous au même taux, un indice des prix ne
peut que refléter la moyenne des variations. Généralement il est attribué à une valeur de
100 pour une période de base déterminée et, pour d’autres périodes, les valeurs de l’indice
doivent en principe fournir une estimation des variations moyennes en pourcentage des
prix, par comparaison avec la période de base.

1.1.1.5 Indice harmonisé des prix à la consommation

L’indice harmonisé des prix à la consommation (IHPC) est un indice des prix à la
consommation calculé de façon relativement comparable dans les pays membres de l’UE-
MOA afin de maitriser l’inflation. Il a été créé par le règlement de l’UEMOA en 1997 et
a remplacé l’indice des prix à la consommation (IPC).

1.1.1.6 Mesure de l’inflation

Depuis janvier 1998, l’Agence Nationale de la Statistique et de la Démographie calcule

l’indice harmonisé des prix à la consommation (IHPC). Cet indice a trois principales
utilisations : économique, comptable et sociale.

+ L’IHPC sert à mesurer, chaque mois, la variation des prix au Sénégal. Il permet
aussi de comparer l’inflation avec celle des autres pays membres de l’union et celle
d’autres pays de la zone franc.

+ Il est utilisé par la comptabilité nationale pour la déflation d’autres agrégats comme
la consommation des ménages, le produit intérieur brut, etc. Cette opération permet
de passer de l’agrégat à prix courants à l’agrégat à prix constants.

+ L’IHPC peut aussi servir à indexer des contrats privés, des pensions alimentaires,
etc.

Boubacar KANDE 8 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 9

Ainsi l’inflation annuelle est calculée au Sénégal comme suit :

IHP Ct − IHP Ct−12

It = × 100 (1.1)
IHP Ct−12

Pour le calcul de l’IHPC, nous avons douze fonctions selon la classification de l’UEMOA.
Le tableau suivant nous montre les différentes catégories de fonction des biens et services
et leurs pondérations.

Tableau 1.1 – Les douze fonctions de l’IHPC base 100 et leurs pondérations

N° Intitulés Pondérations

01 Produits alimentaires et 49,64%

boissons non alcoolisées

02 Boissons alcoolisées, tabac 0,49%

et stupéfiants

03 Articles d’habillement et 7,30%

chaussures

04 Logement, eau, gaz, 12,04%

électricité et autres
combustibles

05 Meubles, articles de 5,02%

ménage et entretien
courant du foyer

06 Santé 3,53%

07 Transports 5,63%

08 Communication 3,29%

09 Loisirs et culture 3,53%

10 Enseignement 1,94%

11 Restaurants et hôtels 3,76%

12 Biens et services divers 3,83%

Somme 100,00%

Source : ANSD / Sénégal

Boubacar KANDE 9 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 10

Donc l’indice harmonisé des prix à la consommation se calcule comme suit :

12
X Pti
IHP Ct = × P0i (1.2)
i=1
Pibase

Avec Pti le prix courant de la catégorie i (i = 1, 2, ..., 12 catégorie), P0i la pondération de

la catégorie i.

1.1.2 Faits stylisés de l’inflation et les prix à la consommation

1.1.2.1 L’évolution de l’inflation au Sénégal

Figure 1.1 – L’évolution du taux d’inflation au Sénégal de 2008 à 2018

Source : Auteur, réalisé à partir des données de l’ANSD /Sénégal

La figure 1.1 nous montre que durant la période de 2008 à 2018, il a été constaté
une forte augmentation du taux d’inflation au Sénégal pour les années 2008 et 2011 qui
dépassent largement le seuil établi par la zone UEMOA (qui est de 3%).
Ces tensions inflationnistes en 2008 et 2011 sont dues à la fois aux chocs d’origines
interne et externe. Selon le rapport de travail de la Banque Centrale des Etats de l’Afrique
de l’Ouest (BCEAO) en 2011 sur l’évolution des prix à la consommation, l’inflation était
expliquée par une forte augmentation des prix alimentaires principalement les céréales
locales et des produits alimentaires importés (huile, blé, lait, riz, etc) mais également aux
fortes tensions sur les cours du pétrole brut. Ces dernières ont impacté indirectement sur
certains biens et services notamment l’électricité et les services de transport.

Boubacar KANDE 10 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 11

1.1.2.2 L’évolution de l’inflation dans l’UEMOA

Figure 1.2 – L’évolution du taux d’inflation dans les pays de l’UEMOA de 2008 à 2018

Source : Auteur, réalisé à partir des donnés de la banque mondiale

Nous avons constaté une différence en termes de variation dans les pays membres
de l’union économique et monétaire ouest africain (UEMAO) dans la période de 2008 à
2018. Mais les tendances sont sensiblement égales. Pour l’ensemble des pays de l’union,
les années 2008 et 2011 ont été marquées par une forte inflation. Ainsi, le taux d’inflation
moyenne annuelle de l’union était de 7,4% en 2008 et 3,9% en 2011 (Rapport de BCEAO
[6]). Selon le rapport de travail de la BCEAO de 2011, ces taux d’inflations élevés sont
causés par la crise alimentaire et énergétique (2008) et des perturbations par la crise
post-électorales en Côte d’Ivoire (2011).
Cependant en 2012, certains pays de la zone comme le Benin, le Mali et le Burkina
Faso ont enregistré un taux d’inflation qui dépasse largement le seuil de convergent (3%).
Cette hausse est imputable au niveau général des prix à la consommation des fonctions «
transport », « autres biens et services » et « produits alimentaires » (Dossou et Awoue-
koun [20]). En 2017 aussi il y’a eu une tendance haussière du taux d’inflation dans certains
pays. Cette hausse peut s’expliquer par certains facteurs d’origine interne comme la hausse
des loyers, hausse des prix des services de restauration et la hausse des prix des céréales
locales. A l’exception de la Guinée Bissau et du Burkina, les prix des loyers ont augmenté
pour les autres pays. En effet, les hausses les plus importantes ont été enregistrées au Niger
(+15,0%) et en Côte d’Ivoire (+2,13%) (Rapport de BCEAO [8]). En plus l’augmentation
des prix des loyers, ceux des céréales locales ont aussi connu une hausse en 2017. Selon
le rapport de travail de la BCEAO de 2017, ce fait s’explique par un recul en terme de
production de céréales de la Côte d’Ivoire et du Sénégal respectivement 4,5% et 1,3%.

Boubacar KANDE 11 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 12

Pour les cinq dernières années, le taux d’inflation est stable dans l’ensemble des pays de
la zone UEMOA.

1.1.2.3 Evolution des prix des produits importés et locaux au Sénégal

Figure 1.3 – Evolutions mensuelles des indices des prix des produits importés et locaux

Source : ANSD / Sénégal

La figure 1.3 illustre l’évolution des indices des prix des produits importés et locaux au
Sénégal. Elle nous permet de faire une comparaison entre les prix des produits locaux et
ceux importés. Ainsi, l’écart entre les deux évolutions est très important. Dans la période
de 2014 à 2018, les prix des produits locaux sont plus élevés que ceux des produits im-
portés. Ce phénomène peut s’expliquer par la cherté des matières premières, une faiblesse
de niveau d’accès aux inputs comme les subventions, les crédits, la technologie etc.

Boubacar KANDE 12 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 13

1.1.2.4 Evolution des prix selon le secteur d’activité au Sénégal

Figure 1.4 – L’évolutions mensuelles des indices des prix selon le secteur d’activité

Source : ANSD / Sénégal

L’indice des prix dans le secteur primaire est largement plus élevé que les deux autres
secteurs. Durant la période de 2014 à 2018, l’indice a connu une évolution atypique d’une
tendance croissante dans le secteur primaire. Cela peut se justifier du fait le secteur
primaire au Sénégal est principalement dominé par l’agriculture. L’activité agricole au
Sénégal dépend essentiellement de la pluviométrie.

Boubacar KANDE 13 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 14

1.1.2.5 L’IHPC suivant la nomenclature

Figure 1.5 – Diagramme de l’IHPC selon la nomenclature

Source : Auteur, réalisé à partir des données de l’ANSD / Sénégal

Le diagramme 1.5 nous montre la part de chacune des douze fonctions selon la classi-
fication de l’UEMAO dans la formation de l’indice harmonisé des prix à la consommation
des ménages au Sénégal. Nous constatons que les fonctions comme « produits alimen-
taires et boissons non alcoolisées » et « enseignement » leurs pourcentages sont beaucoup
plus importants dans l’IHPC (qui est respectivement 9,31% et 9,23%). En plus ces deux
fonctions, il y’a celle des « Restaurants et Hôtels » où les prix des biens et services sont
également élèves (9,15%). En effet la fonction « communication » enregistre le pourcen-
tage le plus petit parmi les douze fonctions.

1.2 Revue de la littérature

1.2.1 Aspects théoriques
Dès l’avant-guerre, Tinbergen a développé les premiers modèles macroéconomiques de
prévision (Jordan et al [30]). Les équations de ces modèles macroéconomiques s’étaient
construites en base de la théorie économique et l’économétrie était juste un moyen pour
estimer les paramètres des modèles. Ces modèles macro économétriques traditionnels
n’avaient pas pu prévoir la récession mondiale (le premier choc pétrolier). Ainsi, les années

Boubacar KANDE 14 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 15

soixante-dix furent celles de la remise en cause radicale des modèles macro économétriques
(Grellet [28]). En effet les modèles basés sur des techniques de séries temporelles avaient
révolutionnés les méthodes traditionnellement utilisées pour la prévision des grandeurs
économiques en général et macroéconomiques en particulier.
Dès 1970, Box et Jenkins ont développé les modèles de séries temporelles ARIMA. En
1975, Granger et Newbold ont démontré que les modèles de séries temporelles ARIMA
ont souvent fourni de meilleures prévisions que les modèles économétriques traditionnels
(Jordan et al [30]).
Ainsi la littérature économique fait ressortir plusieurs méthodes de prévision de l’in-
flation. Tout en s’accordant sur le fait qu’il n’existe pas de modèle unique qui permet de
faire la prévision des indices des prix qui devance les autres modèles. Les académiciens, les
praticiens et les banques centrales font recours à plusieurs types de modélisations écono-
métriques allant des modèles les plus simples, tels que les modèles uni variés, aux modèles
les plus complexes tels que les modèles structurels (Mouha et al [41]). Ainsi toute cette
multitude de modélisation peut être regroupée en deux catégories à savoir les modèles
statistiques et les modèles structurels.

1.2.1.1 L’approche statistique de prévision

Cette approche fait partie des méthodes a-théoriques utilisées par plusieurs banques
centrales (Mouha et al [41]). Ce type de modélisation se base uniquement sur la dynamique
intrinsèque de l’inflation et ne prend pas en considération les interactions pouvant exister
entre l’inflation et les différents indicateurs macroéconomiques. Parmi les modèles qui sont
issus de cette approche, il y’a le modèle autorégressif intégré à moyenne mobile (ARIMA)
développé par Box et Jenkins en 1976 qui est couramment utilisé pour des prévisions à
court terme. Le ARIMA est un modèle uni varié de prévision qui se base sur l’analyse
statistique des données. L’objectif de ce type de modélisation est déterminé, pour une
série temporelle linéaire stationnaire, son processus générateur de données (PGD) afin
de l’utiliser, par la suite, dans la prévision. Les prévisions issues de ces modèles sont des
fonctions linéaires des observations passées.
En réalité, la plupart des séries macroéconomiques sont non-stationnaires (Doucouré
[22]). Toutefois, elles peuvent présenter une certaine homogénéité et peuvent être mo-
délisées à travers les processus ARIMA. Pour cela il faut stationnariser la série étudiée.
Plusieurs auteurs ont montré que ces modèles statistiques unis variés simples donnent
souvent de bons résultats par rapport aux autres modèles plus sophistiqués. Stock et
Watson en 1999 témoignent du degré de précision satisfaisant des modèles autorégressifs
de marche aléatoire dans les prévisions de variables économiques aux États-Unis (Moisan
[40]).
Atkeson et Ohanian (2001) confirment ce constat en avançant qu’aucun des modèles
de prévision, y compris celui issu de la courbe de Phillips, ne devance automatiquement

Boubacar KANDE 15 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 16

le modèle de marche aléatoire (Atkeson et Ohanion [4]). De même, Fritzer et al (2002)

constatent que les prévisions issues des modèles unis variés surperforment celles des mo-
dèles multivariés à des horizons de prévision de court terme (Fritzer [25]). Cependant,
à des horizons de prévision plus étendus, les modèles multivariés semblent plus précis.
Hurbrich en 2005 affirme aussi la bonne performance des modèles autorégressifs sur un
horizon d’un an.
Holt (1957) et Winters (1960) ont proposé une méthodologie pour faire des prévisions
à court terme qui prend en compte les composantes tendancielle et saisonnière d’une série
temporelle.

1.2.1.2 L’approche structurelle

La seconde grande approche de prévision de l’inflation est celle basée sur les modèles
structurels permettant de quantifier des relations de cause à effet décrites par un modèle
théorique dont la validation nécessite une vérification de deux catégories d’hypothèses
celles statistiques et celle économiques. Parmi ces modèles théoriques nous retenons la
courbe de Phillips. Phillips (1958) à travers sa courbe, il a observé une relation inverse
entre le niveau de chômage et l’inflation, en Angleterre (Phillips [44]). Ainsi une nouvelle
génération de la courbe de Phillips est apparue dans les travaux d’analyse de la politique
monétaire au milieu des années 1990 Il s’agit de la nouvelle courbe de Phillips Néo-
Keynésienne (CPNK). Cette dernière montre une relation entre l’inflation, l’output gap
(l’écart entre la production effective et le potentiel de production), l’inflation anticipée et
les chocs d’offre. Pour ce type de modèles, le comportement optimisateur des entreprises,
face à certaines rigidités des prix, fait que l’inflation soit perçue comme un phénomène
plutôt tourné vers le futur.
Galit et Gertler (1999) ont ainsi retenu une nouvelle courbe de Phillips dite « hybride
» (Gali et Gertler [27]).

πt = αt πt−1 + αt πt+1 + β(Yt − Yt∗ ) + t (1.3)

Avec πt l’inflation courante, πt−1 l’inflation passée, πt+1 l’inflation future anticipée des
agents, Yt la production effective et Yt∗ le potentiel de production.
Mankiw (2011) montre que la monnaie n’est pas prise en compte par ces modèles.
Ainsi ce qui explique le recours de certains auteurs à la modélisation de l’inflation en se
basant sur la théorie quantitative de la monnaie de Milton Friedman, donnant naissance
à nouveau modèle appelé modèle P-star Gerlach et Svenson en 2000 (Mouha et al [41]).
Dans cette modélisation, l’écart du prix par rapport à sa « valeur fondamentale P* »
dépend, à la fois, de l’output gap et de l’écart de la vitesse de circulation de la monnaie
comparativement à sa « valeur structurelle ». Ainsi, l’infation (π) est une fonction de
l’inflation anticipée (π e ), de la croissance excessive de la liquidité (EL) et de chocs exogènes

Boubacar KANDE 16 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 17

responsables de la volatilité de l’inflation (CE) :

e
πt = f (πt+1 , ELt−1 , CEt ) + t (1.4)

Hallman, Porter et Small en 1991 montre l’existence d’une relation de long terme entre la
monnaie et les prix dans les modèles P-star (Mouha et al [41]). L’idée générale qui sous-
tend dans ces modèles est que les prix courants ne peuvent pas s’écarter durablement de
leur valeur structurelle et on peut s’attendre à ce que les prix tendent à s’ajuster à leur
niveau d’équilibre P-étoile.
Les nouvelles courbes de Phillips, d’inspiration Keynésienne citée plus haut ne prennent
en compte que l’inflation anticipée et l’écart de production (output gap). C’est ainsi que
Atkeson et Ohanion (2001) suggèrent la prise en compte les facteurs à l’origine de la fluc-
tuation des prix, ceux qui sont susceptibles d’agir sur la dynamique de court terme tels
que le taux de change et la fiscalité indirecte (Atkeson et Ohanion [4]).
En tenant compte aussi de la persistance de l’inflation, Sharon et Tinslay (2002) ra-
joutent au modèle de base sur la courbe de Phillips, l’inflation retardée (Kozicki et Tinsley
[32]).
D’autres travaux sur la prévision de l’inflation comme Calvo en 1994 incorporent,
en plus des précédents facteurs, la hausse des salaires nominaux, l’inflation mondiale
et l’ouverture économique à travers les importations de produits tels que les produits
alimentaires et le pétrole, l’accumulation des réserves de change qui peuvent nourrir une
augmentation de l’offre de monnaie (Mouha et al [41]).

1.2.2 Aspects empiriques

Dans le cadre des travaux empiriques sur le mécanisme de transmission de la politique
monétaire au canada, Dugay (1996) utilise un modèle qui décrit le processus d’ajustement
des prix où l’inflation est mesurée par l’indice des prix à la consommation hors alimentaires
et énergie (Duguay [23]). Pour ce faire il fait appel à une version relativement simple d’une
courbe de phillips dotée d’anticipations adaptatives. Le modèle retenu intègre plusieurs
variables telles que le taux de change, taux effectif de l’impôt indirect, taux de variation
du prix relatif du pétrole et l’écart de production. Il parvient à expliquer les variations
du taux d’inflation au Canada sur les vingt dernières années. Il relève dans cette étude
qu’une augmentation d’un point de pourcentage des impôts indirects provoque une hausse
de 0,4% du taux d’inflation sauf si celle-ci est compensée par une augmentation de 0,7%
point de pourcentage de l’écart cumulatif entre l’offre et la demande pendant une année.
En outre une dépréciation réelle entraı̂ne une hausse passagère du taux d’inflation, en
raison de ses effets secondaires sur les salaires et les anticipations.
Touré (2000) propose un modèle de prévision des prix à la consommation des ménages
à Bamako (Mali). Il utilise la méthode de Box-Jenkins et le lissage de Holt-Winters et

Boubacar KANDE 17 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 18

montre que ces méthodes sont appropriées pour prévoir l’évolution à court terme de l’indice
des prix à la consommation. Il montre toutefois que la combinaison de ces deux méthodes
améliore la précision de la prévision (Touré [47]).
Après leur article de 1999 sur la capacité prévisionnelle de la courbe de Phillips sur un
horizon de 12 mois, en utilisant le taux de chômage et 167 autres indicateurs économiques,
Stock et Watson introduisent l’information financière dans les prévisions de l’inflation aux
Etats-Unis (Moisan [40]). Il s’agit des prix de certains actifs financiers qui constituent
une classe d’indicateurs potentiels de par leurs signes précurseurs : taux d’intérêt, taux
de change, prix des commodités, prix d’actifs côtés en bourses. Ils concluent que les
principales variables explicatives de l’inflation aux Etats-Unis sont les taux d’intérêts,
l’écart des taux (courbe des taux selon la structure des taux par terme), le rendement
des actions, les taux de dividendes et les taux de change. Ces deux auteurs utilisent des
données sur la période 1959-1999 provenant de 38 indicateurs de sept pays développés dont
les Etats-Unis, le Canada, la France et le Japon. A partir de leurs travaux, ils concluent
que les prix des actifs financiers sont utiles pour faire de bonnes prévisions de l’inflation
dans ces pays.
Biau et Sobczak (2001) en cherchant un modèle de prévision de l’inflation pour la
France.Ils ont trouvé un modèle multivarié dont les variables explicatives retenues dans
leurs travaux sont l’inflation importée, la fiscalité indirecte et des variables de tension sur
les marchés des biens et du travail (Biau et Sobczak [9]).
En abordant les déterminants de l’inflation, N’diaye et Badji (2008) utilisent un modèle
à correction d’erreur et l’approche par les fonctions de consommation, pour apprécier l’effet
d’un choc sur une fonction de consommation sur le niveau des prix au Sénégal (Ndiaye
et Badji [42]). Les résultats de l’étude montrent que les fonctions « alimentation », «
logement » et « habillement » seraient celles qui influencent le plus le niveau général des
prix à la consommation. A long terme, une hausse de 10% des fonctions « alimentation
» entrainerait une augmentation de 4,2%du niveau général des Prix à la Consommation
(IHPC). Un accroissement de même ampleur des prix du logement et de l’habillement
entrainerait respectivement une augmentation de 2,1% et de 1% de l’inflation. Dans le
court terme, la vitesse d’ajustement de l’IHPC à la suite d’un choc sur un trimestre serait
de l’ordre 7,7%.
Dabiré en 2008 effectue une prévision à court terme de l’inflation au Burkina Faso. Il a
utilisé trois méthodes de prévision, à savoir la méthode ARIMA, le lissage de Holt-Winter
et la méthode combinée de Granger et Newbold. L’approche retenue dans cette étude est
la méthode de combinaison (Diallo et Doumbouya [18]).
Dembo (2010) propose un modèle de prévision de l’inflation dans les pays membre de
l’UEMOA (Dembo [16]). Dans son étude, il a retenu un modèle autorégressif à retards
échelonnés (ARDL), mettant en relation l’inflation avec ses valeurs passées et d’autres
variables explicatives. Il ressort des résultats de l’étude que la valeur future de l’inflation

Boubacar KANDE 18 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 19

dans les pays de l’UEMOA dépend essentiellement de ses valeurs passées, de l’inflation
importée et du niveau de la production vivrière.
Dembo (2011) a fait une étude sur la prévision de l’inflation dans la zone de l’UEMOA
en adoptant une approche par composantes (Dembo [17]). Cette approche consiste à
prévoir séparément des composantes de l’Indice Harmonisé des Prix à la Consommation
(IHPC). Parmi ces composantes, l’auteur a retenu six composantes telles que : produits
pétroliers, combustibles solides, électricité, produits frais, céréales, indice d’inflation sous-
jacente. Il ressort de ses estimations, que l’évolution des prix des produits pétroliers dans
les pays de l’UEMOA est liée à celle des cours mondiaux du pétrole brut. La prévision de
l’indice des prix des céréales tient compte d’une part, de son profil saisonnier et, d’autre
part , de l’évolution de la production céréalière locale, ainsi que des cours mondiaux du riz.
L’inflation sous-jacente est expliquée par l’inflation dans la zone euro, zone franc, ainsi que
par l’évolution des cours mondiaux des produits alimentaires et du pétrole brut. Il a aussi
déterminé un modèle SARIMA (Auto régressif Intégré à Moyenne Mobile Saisonnière)
pour prévoir l’indice des prix des combustibles solides et celui des produits frais.
Diallo et Doumbouya (2012) ont cherché un modèle de prévision de l’inflation en Gui-
née en utilisant l’approche de Box-Jenkins sur un modèle Autorégressif Intégré à Moyenne
mobile (ARIMA) saisonnier et la méthode de Holt-Winters (Diallo et Doumbouya [18]).
Ces auteurs ont utilisé les données mensuelles de l’indice harmonisé des prix à la consom-
mation (IHPC) couvrant la période de Janvier 2001 à Décembre 2011. Ils ont conclu que
la méthode de Box-Jenkins sur un ARIMA saisonnier et la méthode de Holt-Winters, ont
permis de trouver un modèle de prévision sur un horizon de six mois de l’inflation pour
la Banque Centrale de la République de Guinée (BCRG).
Myriam MOISAN (2010) a fait une étude sur la prévision de l’inflation au Canada dans
le cadre d’un mémoire de maı̂trise en Economie à l’Université du QUEBEC à MONTREAL
(Moisan [40]). L’auteur a utilisé des modèles VAR (modèles de vecteurs autorégressifs)
et des modèles FAVAR (modèles de vecteurs autorégressifs augmentés par facteurs). En
appliquant ces deux catégories de modèles sur des données mensuelles de l’inflation du Ca-
nada, l’auteur a conclu que les modèles de vecteurs autorégressifs augmentés par facteurs
(FAVAR) ont un potentiel pour la prévision de l’inflation au Canada.
Hossein et al (2007) ont mené une étude portant sur l’Essai de modélisation de l’infla-
tion en Algérie dans le cadre d’un mémoire de recherche à l’Institut national de planifi-
cation et de la statistique (INPS) en Statistique Appliquée en Alger (Hossein et al [29]).
Pour ce faire, les auteurs ont utilisé deux méthodes statistiques pour déterminer les valeurs
futures de l’inflation en Algérie à savoir les méthodes de Box-Jenkins et de Holt-Winters.
En effectuant une comparaison entre ces deux méthodes en termes de pouvoir prédictif,
ils ont retenu que la méthode de Holt-Winters permet d’obtenir des meilleures prévisions
de l’inflation en Algérie.
Christophe Massamba (2005) a mené une étude de prévison des indices des prix à la

Boubacar KANDE 19 mémoire de master 2

Chapitre 1.Généralités et Revue de la littérature 20

consommation des ménages au Congo en utilisant les modèles Autorégressif à Moyenne

Mobile avec variables explicatives (ARMAX). Pour ce faire l’auteur a utilisé des données
mensulles du centre national de la statistique et des études économiques (CNSEE) du
congo. Il ressort de ses conclusions que ces modèles sont mieux adaptés et produisent des
meilleurs prévisions lorsque les variables présentent des ruptures (Massamba [36]).

Boubacar KANDE 20 mémoire de master 2

CHAPITRE 2

Généralités sur les séries temporelles

Chapitre 2.Généralités sur les séries temporelles 22

La Modélisation des séries temporelles est un domaine plus récemment appliqué en éco-
nomie mais ancien en astronomie, géologie, météorologie, etc. L’analyse des séries tempo-
relles fondée sur l’exploitation de données historiques recueillies sur un phénomène donné,
durant une certaine période ; la recherche d’un modèle pouvant constitué un cadre ma-
thématique reflétant l’évolution de ces données et partant de l’hypothèse que ”le passé
pourrait être garant de l’avenir” c’est-à-dire effectuer des prévisions (Bourbonnais et Ter-
raza [10]).
Après avoir présenté la partie théorique de notre étude, ce chapitre constitue notre
cadre méthodologique où nous expliquerons en détail les éléments essentiels pour l’analyse
statistique des données temporelles dont nous aurons besoin au cours de notre application.
Ainsi nous adoptons deux approches : une méthode de lissage basée sur l’approche de Holt-
Winters (Doucouré [22]) et une deuxième méthode fondée sur l’approche de Box-Jenkins
(Doucouré [22]). Ces dernières s’intéressent à une seule série pour la modélisation. Elles
s’appuient sur les propriétés statistiques de la série étudiée pour identifier un processus
générateur des données et faire des prévisions. Nous comparons les capacités prédictives
des ces deux approches sur les données de l’indice harmonisé des prix à la consommation
au Sénégal, dans le chapitre 3.

2.1 Définitions
2.1.1 Définition d’une série temporelle
On appelle série chronologique (série temporelle ou encore chronique) une série sta-
tistique à deux variables (t, Yt ) avec t ∈ T , T = (t1 , t2 , ..., tn ) où la première composante
t est le temps et la deuxième composante désigne la variable numérique Yt prenant ses
valeurs aux instants t . Suivant la nature du problème étudié la série peut être journalière
(cours d’une action en bourse), mensuelle (consommation mensuelle de gaz), trimestrielle
(nombre trimestriel de chômeurs), annuelle (chiffre annuel des bénéfices des exportations,
etc) (Bourbonnais et Terraza [10]).
La série Yt a des intervalles de temps réguliers. L’étude de telles données statistiques est
utile lorsque l’on cherche à analyser, comprendre ou encore prévoir un phénomène évo-
luant dans le temps. Le but est donc de tirer des conclusions à partir des séries observées
en s’appuyant sur ses propriétés statistiques.

2.1.2 Les composantes d’une série chronologique

L’analyse graphique d’une série chronologique permet de visionner un certain nombre
de composantes décrivant son mouvement au cours du temps. Il est intéressant alors d’ana-
lyser ces composantes en détail afin d’obtenir des meilleures prévisions. Les principales

Boubacar KANDE 22 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 23

composantes décrivant une série chronologique sont : la tendance, la composante cyclique,

la composante saisonnière et la composante résiduelle (Dor [19]).

+ La tendance (Tt ) décrit le mouvement de long terme, de fond ou encore structurel

du phénomène. Elle est une fonction du temps.

+ Le cycle (Ct ) regroupe des variations à période moins précises autour de la tendance.
Ces phases durent en général plusieurs années, mais n’ont pas de durée fixe. Dans
la plus part des travaux sur les séries temporelles la tendance regroupe aussi la
composante cyclique (Dor [19]).

+ Variations saisonnières (St ) sont des variations qui se reproduisent périodiquement

à des moments bien déterminés et qui sont liées au rythme imposé par les variations
météorologiques des saisons (production agricole, consommation de gaz,. . . ), ou en-
core par des activités économiques et sociales (fêtes, vacances, solde, le ramadan,
etc).

+ Fluctuations irrégulières (At ) ou encore composante résiduelle qui rassemble tout ce

que les autres composantes n’ont pu expliquer du phénomène observé. Elle est appe-
lée aussi la composante aléatoire de la série (composante exogène dont l’individu n’a
pas de contrôle). Elle regroupe de nombreuses fluctuations, en particuliers acciden-
telles, dont le caractère est exceptionnel et imprévisible, (catastrophes naturelles,
grèves, guerres. . . ). Par hypothèse ce type d’événement est censé être corrigé, cette
composante présente en général une allure aléatoire plus ou moins stable autour de
sa moyenne.

2.1.3 Définition des coefficients saisonniers

On suppose que l’influence des variations saisonnières doit être neutre sur l’année et
que ces variations (St ) se répètent théoriquement à l’identique de période en période.
Dans toute série chronologique observée sur un cas réel, les variations saisonnières ne
sont jamais identiques. Donc, pour satisfaire aux exigences du modèle théorique, et pour
pouvoir étudier la série réelle, il faut estimer, à la place des (St ) observées, des variations
périodiques identiques chaque année (mois par mois, ou trimestre par trimestre) qu’on
appelle coefficients saisonniers notés Sj avec j = 1, . . . , 12 pour des données mensuelles et
j = 1, . . . , 4 pour des données trimestrielles (Charpentier [13]).

2.1.4 Notion de stationnarité

La stationnarité est un concept très important dans la modélisation des séries tempo-
relles. Elle suppose que le passé est comparable au présent et au futur. Ainsi la modéli-
sation des séries temporelles, nécessite, que ces dernières soient stationnaires. Autrement

Boubacar KANDE 23 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 24

dit que la série ne présente ni tendance, ni cycle et ni saisonnalité. La modélisation des

séries stationnaires nous permet d’éviter des régressions fallacieuses ou illusoires.
Définition : Une série temporelle (Yt ) est stationnaire du second ordre si :

i - Pour tout t, E(Yt ) = m, constante indépendante du temps.

ii - pour tout t, V ar(Yt ) = σ 2 , constante et finie.

iii - pour tout t et pour tout h,Cov(Yt , Yt+h ) = γ(h), où γ(h) désigne la fonction d’au-
tocovariance.

En d’autres termes, une série chronologique est stationnaire si elle est la réalisation d’un
processus stationnaire. Ceci implique que la série est dépourvue de tendance, de saison-
nalité et aucun facteur n’évoluant avec le temps. Une variable stationnaire a tendance
à fluctuer autour de sa moyenne revenant régulièrement à sa valeur d’équilibre de long
terme.

2.1.5 Notion de bruit blanc

Une suite de variables aléatoires At constitue un bruit blanc faible lors qu’elle possède
les propriétés suivantes :



E(At ) = 0, ∀t








V ar(At ) = σ 2 6= 0, constante (2.1)







 Cov(Ah , At ) = 0, ∀t, ∀h



En d’autres termes, les variables aléatoires At sont de moyenne nulle, de variance constante
et non corrélées. Un bruit blanc fort est un bruit blanc faible et que les variables aléatoires
At sont indépendantes et identiquement distribuées (i-i-d).

2.1.6 Processus stationnaires

2.1.6.1 Modèles autorégressifs AR(p)

Pour un processus autorégressif, chaque valeur de la série est une combinaison linéaire
des valeurs précédentes de la série. Si la valeur de la série à l’instant t, Yt ne dépend que des
valeurs précédentes Yt−p à une perturbation aléatoire εt , le processus est dit autorégrassif
d’ordre p et noté AR(p) qui s’écrit comme suit :
p
X
Yt = φk Yt−k + εt (2.2)
k=1

Boubacar KANDE 24 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 25

Où φk avec k = 1, . . . , p constituent les paramètres du modèle et εt est le terme d’erreur.

2.1.6.2 Modèles à moyennes mobiles MA(q)

La valeur courante d’un processus de moyenne mobile est définie comme une combinai-
son linéaire de la perturbation courante avec une ou plusieurs perturbations précédentes.
L’ordre de la moyenne mobile indique le nombre de périodes précédentes incorporées dans
la valeur courante. Ainsi, une moyenne mobile d’ordre q, MA(q) est définie par l’équation
suivante : q
X
Yt = θj εt−j + εt (2.3)
j=1

Où les θj avec j = 1, . . . , q sont les paramètres du modèle et εt est le terme d’erreur.

2.1.6.3 Modèles autorégressifs à moyennes mobiles ARMA(p,q)

Il s’agit de décrire un processus stationnaire qui peut être représenté, soit par un
modèle « autorégressif » AR(p), soit par un modèle « moyenne mobile » MA(q), soit par
un modèle mixte ARMA (p, q). Les modèles AR et MA peuvent être parfaits dans certains
cas, mais il peut arriver que l’on ait besoin d’estimer un grand nombre de paramètres
pour ajuster le modèle. Si l’on dispose de peu d’observations, ces estimations auront
tendance à être peu précises. De plus, si un modèle contenant p paramètres convient pour
la situation, il n’est pas bon de tenter d’ajuster un modèle qui en contiendra plus que p.
Les modèles ARMA consistent à avoir une partie autorégressive et une partie à moyenne
mobile. En 1938 Herman Wold a montré que les processus ARMA pouvaient être utilisés
pour modéliser n’importe quelle série stationnaire pour autant que les ordres p et q soient
bien choisis. En 1970, Box et Jenkins ont travaillé pour développer une méthodologie pour
l’estimation du modèle d’une série chronologique. Un processus est dit ARMA (p, q) s’il
existe des suites réelles (φk ) et (θj ) telles que :
p q
X X
Yt = φk Yt−k + εt + θj εt−j (2.4)
k=1 j=1

2.1.7 Processus non stationnaire

2.1.7.1 Opérateur de retard et variables intégrées

On appelle opérateur de retard B un opérateur qui à tout processus (Xt ) t ∈ Z associe

le processus (Yt ) t ∈ Z défini par (Bourbonnais [11]) :

∀t ∈ Z, Yt = BXt = Xt−1 (2.5)

Boubacar KANDE 25 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 26

Un processus (Yt ) est dit intégré d’ordre d et on note Yt ∼ I(d), si le processus obtenu
après d différenciations est stationnaire :

Zt = ∆d Yt = (1 − B)d Yt (2.6)

2.1.7.2 Modèles autorégressifs intégrés à moyennes mobiles ARIMA(p,d,q)

La plupart des séries macroéconomiques ne sont pas stationnaires. Ainsi il est né-
cessaire de rendre ces séries stationnaires en intégrant les séries initiales. Les processus
ARIMA permettent de combiner trois types de processus temporels : les processus auto-
régressifs (AR), les processus moyenne mobile (MA) et les processus intégrés (I). Dans
le cas général, un modèle ARIMA (p, d, q) est une combinaison de ces trois types de
processus ; p, d et q désignent respectivement l’ordre du processus autorégressif, l’ordre
d’intégration et l’ordre de la moyenne mobile (Doucouré [21]). Il s’agit par la méthode
de Box et Jenkins de construire un modèle restituant le mieux possible le comportement
d’une série temporelle suivant quelques étapes que nous allons développer après.
Un processus (Yt ) est dit ARIMA(p,d,q) avec p,d,q positifs ou nuls si le processus (1−B)d Yt
est un processus ARMA(p,q) stationnaire.
p q
X X
∆d Yt = φk Yt−k + εt + θj εt−j , (2.7)
k=1 j=1

avec φk , θj des paramètres du modèle à estimer.

Les processus ARIMA sont utiles pour des processus qui ont des corrélations positives et
lentement décroissantes car cette propriété des autocorrélations peut être le signe d’une
tendance dans la série.

2.2 Approche de Box-Jenkins (1970)

George Box et Gwilym Jenkins ont développé en 1970 une méthodologie de recherche,
d’étude systématique et d’apprentissage. Cette méthode cherche à comprendre le processus
générateur des données (PGD) à travers les séries temporelles. Ainsi cette méthodologie
décrit quelques étapes pour trouver un modèle permettant de représenter une série dans
le but de faire des prévisions.

2.2.1 Décomposition de la série brute

Cette étape consiste à éliminer les composantes de la série qui dépendent du temps
telles que la tendance (T) et la saisonnalité (S). Pour ce faire nous diagnostiquons leur
existence. Si c’est le cas, donc la série sera ajustée de la tendance et de la saisonnalité
afin de modéliser la partie aléatoire (fluctuations irrégulières de la série) par un processus

Boubacar KANDE 26 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 27

ARIMA.
Nous avons expliqué en détail les trois principales composantes d’une série temporelle. Il
est important de savoir de quelle forme prend la combinaison de ces trois composantes
s’ils existent autrement appelé schéma de décomposition. Il en existe essentiellement deux
grands types (Bourbonnais [11]).

2.2.1.1 Schéma additif

Dans un modèle additif, on suppose que les trois (03) composantes : tendance, varia-
tions saisonnières et variations accidentelles sont indépendantes les unes des autres. On
considère que la série Yt s’écrit comme la somme de ces trois composantes :

Yt = Tt + St + At (2.8)

2.2.1.2 Schéma multiplicatif

Dans le cas, d’un schéma multiplicatif, l’amplitude des variations (saisonnières) varie.
On suppose que les variations saisonnières et les variations accidentelles dépendent de la
tendance et on considère que Yt s’écrit de la manière suivante :

Yt = Tt × St × At (2.9)

Dans ce cas on peut utiliser le logarithme dans l’équation 2.9 pour le ramener à un modèle
additif qui est donné par :

ln(Yt ) = ln(Tt ) + ln(St ) + ln(At ) (2.10)

En ce qui concerne la tendance, la série sera regressée par les MCO sur le temps et nous
vérifions la significativité du coefficient de β1 de l’équation de la tendance (2.11). Pour
détecter la saisonnalité, en plus des diagnostiques graphiques nous effectuerons également
un test statistique. Lorsque la saisonnalité est présente, nous déterminerons les coefficients
saisonniers avec la fonction « decompose » de R.

2.2.1.3 Estimation de l’équation de la tendance

Pour estimer l’équation de la tendance, nous régressons la série sur le temps avec la
méthode des moindres carrées ordinaires (MCO). L’équation de la tendance peut être
définie comme suit :
Tt = β0 + β1 t (2.11)

Après l’estimation de la tendance, nous effectuerons un test de significativité des pa-

ramètres. Lorsque β1 n’est pas significatif, alors nous pourrons négliger la tendance et

Boubacar KANDE 27 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 28

analyser les deux autres composantes.

2.2.1.4 Test d’absence de saisonnalité

Pour vérifier si la série est dépourvue de saisonnalité, nous utilisons deux méthodes à
savoir la méthode graphique et celle formelle (test d’absence de saisonnalité). La méthode
graphique consiste à comparer les 12 sous séries des observations du même mois pour les
années successives en traçant leurs graphes respectifs. Lorsqu’il apparait des dissimilitudes
sur les 12 graphes, nous pouvons dire que les variations saisonnières sont significatives
sinon il y’a absence de saisonnalité.
Pour appuyer la conclusion de la méthode graphique, nous effectuerons un test de non
saisonnalité ou d’absence de saisonnalité. Nous utilisons un test non paramétrique : le test
de Kruskal-Wallis de comparaison des résidus groupés par mois. En notant Lj (Yt ), la loi
de distribution des résidus de Yt dans le j me groupe ( observation du j me mois). Le test
se formule comme suit :



 H0 : L1 (Yt ) = L2 (Yt ) = ... = L12(Yt )


(2.12)


 H1 : ∃(i, j)/Li (Yt ) 6= Lj (Yt )



L’hypothèse nulle H0 correspond à l’hypothèse d’absence de saisonnalité. Pour la conclu-

sion du test, nous observons la p-value du test donnée par le logiciel R. Si la p-value est
inférieure au seuil par défaut 5%, nous rejetterons l’hypothèse nulle d’absence des effets
saisonniers.

2.2.2 Identification des ordres p, d et q

Pour l’identification des p et q, nous examinons les fonctions d’autocorrélation simple
et partielle et pour l’ordre d’intégration d un test de stationnarité sera appliqué à la série
dépourvue de tendance et d’effets saisonniers.

2.2.2.1 Test de stationnarité : test de KPSS

Après avoir soustrait la série brute de la tendance et la saisonnalité s’il existe, nous
obtenons la composante aléatoire. Cette dernière sera modélisée par un ARIMA. Ainsi il
faut tester la stationnarité de la série ajustée de la tendance et de la saisonnalité. Pour cela,
nous utilisons le test de stationnarité de KPSS. Si la série ajustée s’avère non stationnaire,
nous appliquons la différenciation. L’ordre de différenciation (d) est le nombre de différence
que nous devons appliquer à la série pour la rendre stationnaire.
Le test de KPSS nous permettra de vérifier si la série est stationnaire ou non. Il s’agit de

Boubacar KANDE 28 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 29

tester : 


 H0 : Série est stationnaire


(2.13)


 H1 : Série est non stationnaire



Nous utiliserons dans cette étude la fonction « kpss.test() » du package tseries de R

pour la mise en œuvre du test KPSS.
Nous rejetons l’hypothèse nulle de la stationnarité lorsque la P-value est inférieure à 5%
(le seuil par défaut).

2.2.2.2 Identification des ordres p et q : analyse des ACF et PACF

Pour rechercher des valeurs possibles (pj , qj ) pour (p, q), il est essentiel d’établir une
hypothèse maximale du nombre de coefficients à utiliser. Pour ce faire, nous utiliserons
les fonctions d’autocorrélation ACF et d’autocorrélation partielle PACF.
Les ordres p correspondent aux retards (j) dont la fonction d’autocorrélation partielle
P ACF (ρj ) présente des pics qui sortent de son intervalle de confiance.
Les ordres q correspondent aux retards (j) dont la fonction d’autocorrélation ACF (ρj )
présente des pics qui sortent de son intervalle de confiance.

Tableau 2.1 – Fonctions d’autocorrélations des processus ARMA(p,q)

Processus Fonction d’autocorrélation Fonction d’autocorrélation

simple (ACF) partielle (PACF)

AR(p) Décroissance exponentielle Pics significatifs pour les p

et/ou Sinusoı̈dale premiers retards, les autres
coefficients nuls pour les
retards j > p

MA(q) Pics significatifs pour les q Décroissance exponentielle

premiers retards, les autres et/ou Sinusoı̈dale
coefficients nuls pour les
retards j > q

ARMA(p,q) Décroissance exponentielle Décroissance exponentielle

et/ou Sinusoı̈dale après et/ou Sinusoı̈dale après
(q-p) (p-q)

Source : l’ouvrage de Doucouré (2016) [22]

Boubacar KANDE 29 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 30

2.2.3 Estimation des modèles ARIMA candidats

Dans cette partie nous utilisons la méthode d’estimation par maximum de vraisem-
blance. Pour déterminer l’expression de la vraisemblance du modèle se fonde sous les
hypothèses de blancheur des résidus et de normalité des résidus. L’expression à maximiser
est donc la suivante :

n 1 1 1 0
log(L) = − log(2π) − log(σ 2 ) − log(|det(Ω)|) − 2 Y Ω−1 Y (2.14)
2 2 2 2σ

Avec L, la vraisemblance du modèle et Ω la matrice de variance-covariance des résidus.

2.2.4 Validation des modèles estimés

Après l’estimation de plusieurs modèles, il est question de retenir le meilleur modèle.
Pour ce faire, nous suivrons un certain nombre d’étapes :

2.2.4.1 Sélection du modèle

Pour sélectionner le meilleur modèle, nous utiliserons le critère d’information akaike

ou Akaike information criterion en anglais (AIC) utilisé par Akaike (1974) et le critère
d’information bayésien ou Bayesian information criterion (BIC) utilisé par Schwarz (1978)
(Galbraith et Zinde Walsh [26]).

L’AIC se définit comme suit :

2k
AIC = lnσ̂k2 + , (2.15)
T

où k représente l’ordre d’un processus AR ou la somme des ordres AR et MA dans un

modèle ARMA. Cependant ce critère a connu des modifications avec les travaux de Suguira
(1978) et Tsai (1989). Il devient le AIC corrigé (AICC) défini comme cela :

1 + Tk
AICC = T lnσ̂k2 + T (2.16)
1 − k+2
T

La correction se rapporte au biais d’estimation de l’information dans l’AIC.

Le BIC se définit comme suit :

klnT
BIC = lnσ̂k2 + (2.17)
T

Le meilleur modèle est celui qui minimise à la fois l’AICC et le BIC.

Boubacar KANDE 30 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 31

2.2.4.2 Test de significativité des paramètres du modèle retenu

Pour cette étape, nous appliquerons le test de student pour voir la significativité des
paramètres estimés ; ensuite nous éliminons ceux qui ne sont pas significatifs. Le test se
formalise comme suit : 


 H0 : ωi = 0


(2.18)


 H1 : ωi 6= 0



Avec ωi = φk , θj et ω̂i = φ̂k , θ̂j

Pour cela nous calculons la statistique de student qui est définie comme suit :

ω̂i
Tc = , (2.19)
σω̂i

où ω̂i représente les paramètres estimés de φ̂k et θ̂j ; σω̂i est l’écart type du paramètre
correspondant. Pour la conclusion du test, nous comparerons le Tc avec 1,96 (lu dans
la table de la loi normale centré réduite car la taille de notre échantillon est largement
supérieure à 30).
Lorsque Tc est supérieur à 1,96 en valeur absolue, alors nous acceptons H1 , d’où le
paramètre est significatif. Sinon, il ne l’est pas.

2.2.4.3 Test de bruit blanc : test de Ljung et Box

L’étape de validation est de juger si l’estimation est de bonne qualité en analysant les
résidus. Autrement dit de vérifier l’hypothèse présupposée de bruité des erreurs. Pour ce
faire, nous utilisons le test suivant :



 H0 : Les résidus sont des bruits blancs


(2.20)


 H1 : Les résidus ne sont pas des bruits blancs



Pour cela, nous utiliserons le test de Ljung et Box dont la statistique est :

k
X ρ̂2 (j)
Q(k) = n(n + 2) , (2.21)
j=1
(n − j)

avec Q(k) ∼ χ2 (k) (la statistique de Ljung et Box suit la loi de Khi-deux à k degré de
liberté). Lorsque la quantité Q(k) est petite, alors la probabilité qu’on accepte H0 ou
encore appelé P-value devient grande. Si la P-value est supérieure au seuil qu’on s’est

Boubacar KANDE 31 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 32

fixé. Ainsi l’hypothèse H0 est acceptée les résidus sont des bruits blancs.
Pour la mise en oeuvre du test dans le logiciel R, nous utiliserons la fonction « box.test
» du package « caschrono »

2.2.4.4 Test de normalité des résidus : test de Jarque-bera

Le test de Jarque Bera permet de vérifier si les erreurs suivent une loi normale ou pas.
Il est formalisé comme suit :



 H0 : les erreurs suivent une loi normale


(2.22)


 H1 : les erreurs ne suivent pas une loi normale



On accepte l’hypothèse nulle de normalité lorsque la P-value est inférieure à 5%. Pour la
mise en œuvre du test sous R, nous utiliserons la fonction « jarque.bera.test() » du
package « tseries ».

2.2.5 Prévision du modèle retenu

C’est l’ultime étape de cette méthodologie, voire de la quasi-totalité des analyses
statistiques. C’est une extrapolation des observations d’une série en se basant sur ses
observations et erreurs passées. Lors de cette étape, il est indispensable de prendre en
considération les transformations effectuées sur la chronique afin d’aboutir à des valeurs
prévisionnelles appropriées. Par définition :

Ŷt+h = E(Yt+h /It ), (2.23)

où It est l’information disponible au temps t. It = (Y1 , ..., Yt , ε1 , ..., εt )

Boubacar KANDE 32 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 33

Figure 2.1 – Étapes de modélisation Box-Jenkins

Source : Auteur, réalisé en se basant sur l’ouvrage [11]

2.3 Approche de Holt-Winters (1960)

La méthode de Holt-Winters est une des méthodes de lissages exponentiels qui permet
de réaliser des prévisions à partir des observations d’une série temporelle. Elle a l’avan-
tage de prendre en compte toutes les composantes d’une série à savoir la tendance, la
saisonnalité et la partie aléatoire tandis que les autres méthodes de lissages ne le sont pas.
Il existe trois versions pour cette méthode : non saisonnière, saisonnière additive et
saisonnière multiplicative. Le choix d’une version de Holt-Winters se fait sur la base des
résultats de la décomposition et de l’analyse des composantes d’une série.

2.3.1 Holt-Winters non saisonnière

Cette version est utilisée lorsque la série est affectée de tendance linéaire mais à l’ab-
sence de la saisonnalité.
Cette méthode revient à estimer au voisinage de l’instant T une droite :

Yt = a(t − T ) + b + εt , (2.24)

avec a et b des paramètres à estimer par la méthode de lissage :

Boubacar KANDE 33 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 34

+ le lissage de la moyenne a avec un coefficient de lissage α ;

+ le lissage de la tendance b avec un coefficient de lissage β. Nous obtenons :

âT = (1 − α) ŶT (1) − ŶT −1 (1) + αâT −1 ,

b̂T = (1 − β)Yt + α ŶT −1 (1) + ŶT −1 (2) , avec |α| < 1 et |β| < 1
La prévision pour l’horizon h de cette version prend la forme suivante :

ŶT (h) = âT h + b̂T (2.25)

2.3.2 Holt-Winters saisonnière additive

Cette méthode est utilisée lorsqu’on constate après décomposition que notre série
présente une saisonnalité additive. Ainsi le modèle considéré dans ce cas de figure est :

Yt = (a(t − T ) + b) + St + εt (2.26)

Ainsi pour l’estimation des paramètres a, b et St , Holt et Winters ont proposé les formules
suivantes : 


âT = (1 − β)âT −1 + β(b̂T − b̂T −1 )








b̂T = α(YT − ŜT −P ) + (1 − α)(b̂T −1 + âT −1 ) , (2.27)







 ŜT = γ(YT − b̂T ) + (1 − γ)ŜT −P



où α, β et γ sont dans ]0, 1[.

Les prévisions pour un horizon h se calculent comme suit :



âT h + b̂T + ŜT +h−P , si1 ≤ h ≤ P








ŶT (h) = âT h + b̂T + ŜT +h−2P , siP ≤ h ≤ 2P (2.28)







 ...



2.3.3 Holt-Winters saisonnière multiplicative

Lorsque la série présente des saisonnalités multiplicatives, on estime le modèle suivant :

Yt = (a(t − T ) + b)St + εt (2.29)

Boubacar KANDE 34 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 35

Pour l’estimation de ce modèle, les formules suivantes sont utilisées.




âT = (1 − β)âT −1 + (1 − β)(b̂T − b̂T −1 )








b̂T = α Ŝ YT + (1 − α)(b̂T −1 + âT −1 ) , (2.30)
T −P







 ŜT = γ Yb̂ T + (1 − γ)ŜT −P


T

où α, β et γ sont dans ]0, 1[.

Les prévisions se déterminent comme suit :



(âT h + b̂T )ŜT +h−P , si1 ≤ h ≤ P








ŶT (h) = (âT h + b̂T )ŜT +h−2P , siP ≤ h ≤ 2P (2.31)







 ...



Figure 2.2 – Etapes de la modélisation par l’approche de Holt-Winters

Source : Auteur

Boubacar KANDE 35 mémoire de master 2

Chapitre 2.Généralités sur les séries temporelles 36

2.4 Critères de comparaisons

Pour les critères de comparaison, nous utiliserons certains indicateurs statistiques pour
évaluer le pouvoir prédictif d’un modèle. Il existe plusieurs indicateurs mais les plus sou-
vent utilisés sont : Erreur Absolue Moyenne en Pourcentage (Mean Absolute Percentage
Error en anglais) et Erreur Absolue Moyenne (Mean Absolute Error en anglais) (Dou-
couré [22]). Ces deux indicateurs ont pour but de mesurer l’erreur faite sur les prévisions
autrement dit l’écart entre les valeurs réelles et celles prédites. Ainsi le principe de calcul
de ces indicateurs est le suivant :
Soient Y1 , ..., YT les T valeurs observées
Soient Ŷ1 , ..., ŶT les prévisions associées
Posons et = Yt − Ŷt avec t = 1, ..., T .

+ Erreur Absolue Moyenne en Pourcentage

T
!
1 X |et |
M AP E = × 100 (2.32)
T t=1 Yt

+ Erreur Absolue Moyenne

T
1X
M AE = |et | (2.33)
T t=1

Pour la comparaison en terme de pouvoir prédictif, on choisira le modèle qui minimise ces
indicateurs ( MAPE et MAE).

Boubacar KANDE 36 mémoire de master 2

CHAPITRE 3

Application à l’indice harmonisé des prix à la consommation au

Sénégal
Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 38

Dans ce chapitre, nous entamons la phase d’application sur la série de l’indice harmo-
nisé des prix à la consommation (IHPC) au Sénégal. Nous utilisons cet indice pour prévoir
le comportement de l’inflation car il est la mesure la plus usuelle. L’objectif principal de
notre étude est de trouver un modèle qui prévoit mieux l’inflation au Sénégal dans le
court et moyen terme. Pour cela, nous utilisons deux méthodes à savoir la modélisation
ARIMA de Box-Jenkins et le lissage de Holt-Winters présentées plus haut. Ces dernières
sont des approches statistiques qui s’intéressent à une seule série. Ces approches s’avèrent
simples et non exigentes en données et s’appliquent avec un certain succès même lorsqu’on
a une connaissance limitée du phénomène étudié. Plusieurs méthodes de prévision ont été
présentées dans la littérature mais le choix de l’une ou de l’autre de ces méthodes dépend
de plusieurs facteurs : disponibilité des données, objectif de l’étude, horizon de prévision
choisi etc.
Ainsi la modélisation par l’approche statistique a été privilégiée par rapport à l’approche
structurelle en raison du besoin de disposer d’un outil de prévision de l’inflation dans le
court terme face à la disponibilité des données sur les séries longues qu’exigent les modèles
explicatifs.
Après avoir déterminé les prévisions pour chacune de ces méthodes, nous passons à
la comparaison en terme de pouvoir prédictif et sélectionnons la meilleure. L’étendue
temporelle de notre échantillon est de janvier 2008 à décembre 2018.
Nous abordons dans ce chapitre l’analyse exploratoire de la série brut, modélisation
et la prévision avec les deux approches présentées au chapitre 2 et enfin la comparaison
en terme de pouvoir prédictif. Pour ce faire, nous utilisons les indicateurs de mesure de la
qualité de prévision des séries temporelles évoqués dans le chapitre 2.

3.1 Analyse exploratoire des données

3.1.1 Présentation des données
Les données que nous utilisons dans cette application sont issues du site de l’Agence
Nationale de la Statistique et de la Démographie (ANSD) du Sénégal. la base est composée
d’une seule variable qui est l’indice harmonisé des prix à la consommation. Depuis sa
création en 1996, il est la mesure la plus usuelle de l’inflation dans l’espace UEMOA.
Connaissant ces valeurs, nous pouvons déterminer l’évolution de l’inflation. Cet indice
base 100 en 2014, mesure l’évolution des prix à la consommation au plan national. La
méthodologie de calcul de l’IHPC est commune pour les huit pays de l’UEMOA. La
principale source identifiée pour les pondérations est la deuxième Enquête de Suivi de la
Pauvreté au Sénégal (ESPS-II) de 2011. Le champ couvert par l’indice harmonisé des prix
à la consommation est l’ensemble du pays découpé en zones écologiques/économiques, à
savoir le Sud, le Nord, le Centre Nord, l’Ouest et le Centre Sud (Rapport ANSD [1]).

Boubacar KANDE 38 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 39

L’IHPC est publié selon la classification des fonctions de consommation des ménages à
12 fonctions (COICOP). Notre série couvre la période allant de janvier 2008 à décembre
2018. C’est une série mensuelle.

3.1.2 Statistiques descriptives

L’analyse descriptive de nos données consiste à calculer les statistiques élémentaires
de la variable étudiée et faire une représentation graphique. Pour ce faire, nous utilisons
deux méthodes à savoir formelle et graphique.

3.1.2.1 Méthode formelle

Le tableau 3.1 nous montre les éléments de tendance centrale et de dispérsion de notre
série pour la période de janvier 2008 à décembre 2018.

Tableau 3.1 – Statistiques descriptives de l’IHPC

Minimum 1er Médiane Moyenne 3ème Maximum

quartile quartile

91,96 97,38 99,24 98,79 101,12 104,14

Source : Auteur, Réalisé à partir des données de l’ANSD

La valeur de l’IHPC la plus importante durant cette période est 104,14 qui correspond
au maximum, et la valeur la plus petite est 91,96. L’IHPC est en moyenne mensuelle de
98,79 pour la même période. Pour visualiser les données de ce tableau, nous représentons
la boite à moustache. Cette dernière nous permettra de détecter l’existence des valeurs
aberrantes de notre série.

Boubacar KANDE 39 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 40

3.1.2.2 Méthode graphique

Figure 3.1 – Boite à moustache de l’IHPC

Source : Auteur, réalisé à partir des données de l’ANSD

Cette figure nous montre qu’il y’a absence de valeurs aberrantes dans nos données.

La figure 3.2 retrace l’évolution de l’indice harmonisé des prix à la consommation au

Sénégal de janvier 2008 à décembre 2018.

Figure 3.2 – Trajectoire de l’IHPC au Sénégal de Janvier 2008 à décembre 2018

Source : Auteur, réalisé à partir des données de l’ANSD

Boubacar KANDE 40 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 41

Nous constatons qu’il n’est pas stable durant cette période. Il a connu des fluctuations
fortes sur la période d’étude (2008 à 2018). En plus des fluctuations constatées, l’indice a
connu une tendance haussière durant cette période.

3.2 Approche de Box et Jenkins

3.2.1 Décomposition de la série
La figure 3.1 nous montre les différentes composantes de la série de l’IHPC au Sénégal.
Ces composantes sont : composante aléatoire, composante saisonnière et tendance.

Figure 3.3 – Décomposition de la série de l’IHPC au Sénégal

Source : Auteur, réalisé à partir des données de l’ANSD

Le type de schéma que suit notre série qui est dans ce cas un schéma additif (2.8). Par
la suite, nous vérifions la pertinence de la tendance et saisonnalité afin de les éliminer pour
pouvoir modéliser la composante aléatoire par un modèle autorégressif intégré à moyenne
mobile (ARIMA). L’écriture de notre série devient :

IHP Ct = Tt + St + At (3.1)

Boubacar KANDE 41 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 42

3.2.2 Régression de la tendance

Nous estimons la droite de la tendance suivante :

Tt = β0 + β1 t (3.2)

Nous avons estimé l’équation de la tendance par la méthode des moindres carrés ordinaires
(mco). Les résultats nous montrent que tous les coefficients sont significatifs au seuil de
5%.

Tableau 3.2 – Estimation de l’équation de la tendance par les MCO

Coefficients Estimations Ecart-type T-Student P-value

β0 94,783 0,326 290,79 2e-16***

β1 0,061 0,005 14,15 2e-16***

***significativité au seuil de 0,1% ; **significativité 1% ; *significativité 5%

Source : Auteur, réalisé à partir des données de l’ANSD

Ce qui montre que la tendance est significative. Avant de passer à l’étape d’analyse
de la saisonnalité, nous ajustons la série IHPC par la tendance.
Notre série devient :

IHP Ct = 94, 783 + 0, 061t + IHP Cnontent , (3.3)

où IHP Ct = St + At est la série ajustée de la tendance.

Boubacar KANDE 42 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 43

Figure 3.4 – Trajectoire de l’IHPC ajustée de la tendance

Source : Auteur, à partir des données de l’ANSD

Ainsi nous utilisons la série ajustée de la tendance pour analyser la composante sai-
sonnière (S).

3.2.3 Analyse des effets saisonniers

Dans cette étape, nous nous intéressons à la composante saisonnière. Pour ce faire,
nous utilisons désormais l’IHPC ajusté de sa tendance. Nous utilisons deux méthodes
pour la détection de la présence de cette composante à savoir la méthode graphique et
celle formelle appelée aussi test.

La figure 3.5 est une représentation de l’IHPC ajusté de la tendance rangé par ordre
mensuel.

Boubacar KANDE 43 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 44

Figure 3.5 – Représentation de la série ajustée rangée par mois

Source : Auteur, à partir des données de l’ANSD

L’examen de ce graphe nous conduit à soupçonner que les variations saisonnières sont
significatives car il y’a une dissimilitude pour les douze mois de l’année. Nous utilisons un
test d’absence de saisonnalité en appui pour confirmer la conclusion de l’analyse graphique.

3.2.3.1 Test d’absence de la saisonnalité

Pour faire le test, nous avons choisi le test non paramétrique de comparaison de distri-
butions de Kruskal-Wallis, à cause de la taille (11) réduite de nos séries d’IHPC groupées
par mois. L’hypothèse nulle du test est l’hypothèse d’absence de saisonnalité.

Avec la fonction « kruskal.test » du package « tseries » de R, nous obtenons les

résultats du test dans le tableau suivant.

Tableau 3.3 – Résultats du test d’absence de saisonnalité de Kruskal-Wallis

Chi-2 Degré de liberté P-value

26,676 11 0,005142

Source : Auteur, à partir des données de l’ANSD

Boubacar KANDE 44 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 45

Nous rejetons l’hypothèse nulle d’absence de saisonnalité car la p-value du test est
inférieure à 0,05 (0,005142<0,05). Les variations saisonnières sont donc significatives. Nous
déterminons maintenant les coefficients saisonniers de l’IHPC ajusté de sa tendance puis
éliminons la partie saisonnière. Il restera uniquement la composante aléatoire que nous
modélisons par la suite par un ARIMA.

3.2.3.2 Détermination des coefficients saisonniers

Le tableau 3.4 montre l’évolution des variations saisonnières dans l’année.

Tableau 3.4 – Coefficients saisonniers

Mois Coefficients saisonniers (S)

Janvier -24,653248

Février 15,473789

Mars 12,782644

Avril 5,364226

Mai 1,309445

Juin 10,436482

Juillet 27,927155

Août 10,872374

Septembre 3,635774

Octobre -21,328098

Novembre -11,291970

Décembre -30,528570

Source : Auteur, à partir des données de l’ANSD

Nous avons des coefficients négatifs et ceux positifs. Nous retenons un schéma additif,
donc ces coefficients sont additifs à l’IHPC. Les coefficients positifs viennent augmen-
ter l’indice tandis que ceux négatifs diminuent l’indice. En analysant les résultats, nous
constatons que le premier mois de l’année et les trois derniers mois ont des coefficients
négatifs. Le mois de juillet qui a le coefficient le plus élevé dans l’année et cela vient en

Boubacar KANDE 45 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 46

augmentant l’indice des prix à la consommation.

Ensuite nous désaisonnalisons l’IHPC ajusté de sa tendance en soustrayant les coefficients
saisonniers.
IHP Cnontent = St + At ⇒ At = IHP Cnontent − St (3.4)

Finalement la série désaisonnalisée correspond à la partie aléatoire. Autrement dit après

avoir retiré la tendance et la saisonnalité de notre série, nous obtenons sa partie aléatoire
(At ). Ainsi nous modélisons cette partie par un ARIMA.

Figure 3.6 – Représentation de la série corrigé de la tendance et de la saisonnalité

Source : Auteur, à partir des données de l’ANSD

3.2.4 Identification des ordres p, d et q

Nous cherchons maintenant à modéliser la partie aléatoire par un ARIMA(p,d,q) en
se basant sur les étapes de Box et Jenkins.
Nous utilisons le test de stationnarité pour identifier l’ordre d et examinons les fonctions
d’autocorrélations simple et partielle pour les ordres p et q.
Le graphique 3.6 nous révèle que la série corrigée de sa tendance et de sa saisonnalité est
stationnaire. Nous confirmons cela par un test de stationnarité. Ainsi nous appliquons le
test de KPSS (2.13) .
Avec la fonction « kpss.test » du package « tseries » de R, nous obtenons les résultats
du test.

Boubacar KANDE 46 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 47

Tableau 3.5 – Résultats du test KPSS

KPSS level P-value

0,15429 0,1

Source : Auteur, à partir des données de l’ANSD

Nous acceptons l’hypothèse nulle de la stationnarité de la série car le p-value est supé-
rieur au seuil de 5% ( 0,1>0,05). Notre série est stationnaire. Nous retenons ainsi l’ordre
d’intégration d = 0. Par la suite, il reste qu’à trouver un modèle ARIMA(p,0,q) qui revient
à un ARMA(p,q).
Pour identifier les ordres p et q, nous examinons les fonctions d’autocorrélation simple et
partielle.

Nous constatons que la fonction d’autocorrélation simple (ACF) décroit de façon si-
nusoı̈dale tandis que la fonction d’autocorrélation partielle (PACF) décroit et s’annule
au-delà du 11ième retard. Ainsi, nous pouvons retenir AR(p). On a des pics sortant de
l’intervalle au 1ier et 11ième retards de la PACF. Ensuite notre estimation va porter sur
deux modèles à savoir le AR(1) et AR(11) et retenir celui qui minimise les critères AICC
et BIC.
Figure 3.7 – Fonctions d’autocorrélation de la série sans tendance et sans saisonnalité

Source : Auteur, à partir des données de l’ANSD

Boubacar KANDE 47 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 48

3.2.5 Estimation des modèles candidats

Nous avons deux modèles candidats à estimer par la méthode du maximum de vrai-
semblance. Les résultats de l’estimation sont consignés dans le tableau suivant :

Tableau 3.6 – Résultats de l’estimation des modèles

Modèles AICC BIC

AR(1) 1289,96 1298,42

AR(11) 1290,82 1325,21

Source : Auteur, à partir des données de l’ANSD

3.2.6 Validation
La validation consiste à faire l’arbitrage entre les modèles estimés plus haut en se
basant sur les critères de sélection, à tester la significativité des coefficients du modèle
retenu et enfin, à faire un diagnostique de la normalité des résidus.
Pour la sélection du modèle, nous retenons le modèle AR(1) qui minimise les deux critères
AICC et BIC qui sont respectivement (1289,96 et 1298,42) (voir tableau 3.6). Nous testons
la significativité des coefficients de ce modèle. Ainsi les résultats du test sont présentés
dans le tableau suivant :
Tableau 3.7 – Résultats du test de significativité de notre modèle

Coefficient Estimation Ecart-type t-statistique

AR(1) 0,3157 0,0822 3,8406

Source : Auteur, à partir des données de l’ANSD

Comme nous pouvons le voir le coefficient AR(1) est significatif au seuil de 5% en se

basant sur la comparaison entre la valeur absolue du t-statistique et la valeur 1,96 lu dans
la table de la loi normale (3,8406>1,96).
Ensuite nous examinons les résidus pour vérifier l’hypothèse de normalité et de bruité.
Pour ce faire, on utilise la méthode graphique et celle des tests présentés dans le chapitre
de la méthodologie 2.

Boubacar KANDE 48 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 49

Au regard de la trajectoire des résidus, nous pouvons conclure que les résidus sont des
bruits blancs gaussiens car ils fluctuent autour de leur moyenne qui est nulle et une variance
qui semble constante dans le temps. Sa courbe de densité est une parfaite représentation
d’une courbe de densité de la loi normale (une courbe en cloche).

Figure 3.8 – Diagnostique graphique des résidus

Source : Auteur, à partir des données de l’ANSD

Pour confirmer la conclusion issue de cette analyse graphique, nous effectuons un test
de normalité des résidus de Jarque Bera et un test de bruit blanc gaussien de Ljung et
Box. Ainsi les résultats des tests sont les suivants :

Boubacar KANDE 49 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 50

Tableau 3.8 – Test de normalité de Jarque Bera

Statistique de Jarque Bera Degré de liberté P-value

0,071886 2 0,9647

Source : Auteur, à partir des données de l’ANSD

L’hypothèse nulle du test est la normalité des résidus. Le résultat de ce test nous
conduit à accepter que les résidus sont normalement distribués car le p-value du test est
supérieure au seuil 5% (0,9647 > 0,05).

Tableau 3.9 – Test de bruit blanc gaussien de Ljung et Box

X-squared Degré de liberté P-value

0,34903 1 0,5547

Source : Auteur, à partir des données de l’ANSD

Le test statistique de Ljung et Box confirme l’hypothèse que les résidus sont des bruits
blancs gaussiens qui correspond à l’hypothèse nulle du test. Avec une p-value supérieure
au seuil (0,5547>0,05), l’hypothèse nulle est acceptée.

Ainsi l’approche de Box et Jenkins nous a permis d’obtenir un modèle qui décrit le
mouvement de l’indice harmonisé des prix à la consommation au Sénégal. Ce modèle se
présente comme suit :

IHP Ct = 94, 783 + 0, 061t + St + At , (3.5)

avec At = 0, 3157At−1 + t et St les coefficients saisonniers calculés dans le tableau 3.4

3.2.7 Prévision du modèle retenu

Nous calculons maintenant les prévisions sur un horizon allant de janvier 2019 à dé-
cembre 2020 par le modèle retenu.

Boubacar KANDE 50 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 51

Figure 3.9 – Visualisation des prévisions par le modèle de Box-Jenkins

Source : Auteur, à partir des données de l’ANSD

Cette figure montre la représentation des prévisions par l’approche de Box-Jenkins

sur un horizon temporel allant de janvier 2019 à décembre 2020 soit 24 mois avec ses
intervalles de prévisions aux niveaux de 80% et 95%.

3.3 Approche de Holt et Winters

3.3.1 Estimation du modèle
L’analyse exploratoire de l’indice harmonisé des prix à la consommation (IHPC) fait
apparaı̂tre une saisonnalité additive ; ce qui nous amène à l’utilisation de la version additive
de l’approche Holt-Winters car elle est adaptée aux série affectées d’une tendance linéaire
et d’une variation saisonnière. Pour cela, nous estimons le modèle de Holt-Winters version
saisonnière additive avec la méthode de lissage. Ce qui nous donne les résultats suivants :

Boubacar KANDE 51 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 52

Tableau 3.10 – Estimation du modèle de Holt-Winters saisonniers additif de l’IHPC

Paramètres de lissages du modèle Holt-Winters saisonnière additive

α 0,5985672

β 0,0346596

γ 1

Coefficients du modèle

a 100,8392403

b 0,009555524

S1 1,795301758

S2 0,744773718

S3 0,488869805

S4 -1,009508924

S5 -1,406504918

S6 -2,284243432

S7 -2,228133071

S8 -0,161816392

S9 1,713615308

S10 2,317112569

S11 2,486979737

S12 1,968452044

Source : Auteur, réalisé à partir des données de l’ANSD

Ce tableau présente les résultats de l’estimation du modèle de Holt-Winters saisonnier

additif avec la méthode de lissage. Où S1,. . . ,S12 sont des coefficients saisonniers estimés
par ce modèle.

Boubacar KANDE 52 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 53

3.3.2 Prévision par le modèle Holt-Winters

En effectuant des prévisions avec ce modèle sur le même horizon que celles de l’ap-
proche de Box-Jenkins (horizon de prévision de janvier 2019 à décembre 2020, soit 24
mois), nous obtenons les prévisions suivantes :

Figure 3.10 – Visualisation des prévisions du modèle de Hol-Winters additif

Source : Auteur, à partir des données de l’ANSD

Cette figure est la représentation des résultats de prévisions par le modèle de Holt-
Winters saisonnier additif avec des intervalles de prévisions pour des niveaux de confiances
de 80% et de 95%

3.4 Comparaison des résultats

Pour comparer les résultats en terme de pouvoir prédictif, nous effectuons des simula-
tions sur la période d’observation (janvier 2008 à décembre 2018).
A partir de l’examen du graphique de simulations de prévisions de l’IHPC pour les deux
approches à savoir l’approche de Box-Jenkins et celle de Holt-Winters, nous constatons
que la série prévue (valeurs prédites) semble se confondre à la série de ses réalisations sur
la période d’observation (valeurs observées).

Boubacar KANDE 53 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 54

Figure 3.11 – Simulations de prévisions par les deux approches

Source : Auteur, réalisé à partir des données de l’ANSD

Nous sommes amenés maintenant à faire une comparaison entre l’approche de Box-
Jenkins et celle de Holt-Winters en termes de prévisions. Pour ce faire nous utilisons des
indicateurs de mesure de la qualité des prévisions des séries temporelles tels que le MAPE
et le MAE présentés dans le chapitre 2. Le principe est de retenir le modèle qui minimise
ces indicateurs.

Nous constatons que l’approche de Box-Jenkins est meilleure que celle de Holt-Winters
en termes de prévision sur un horizon de 24 mois. En comparant les indicateurs de mesure
de la qualité des prévisions pour les séries temporelles, le modèle de Box-Jenkins présente
les valeurs les plus petites par rapport à celui de Holt-Winters. D’après le calcul de ces
indicateurs, l’écart entre une prédiction de l’indice harmonisé des prix à la consommation
et sa réalisation n’est, en moyenne, que de 0,52 ; et ne représente ainsi que 0,53% de sa
réalisation pour le modèle de Box-Jenkins 3.11.
Les résultats de ces indicateurs sont consignés dans le tableau suivant :

Boubacar KANDE 54 mémoire de master 2

Chapitre 3.Application à l’indice harmonisé des prix à la consommation au Sénégal 55

Tableau 3.11 – Mesure de la qualité des prévisions pour les deux approches

Indicateurs de Modèle de Modèle de

qualités Box-Jenkins Holt-Winters

MAPE 0,5369637 0,6546018

MAE 0,5290969 0,6463233

Source : Auteur, à partir des données de l’ANSD

Nous concluons que l’approche de Box-Jenkins permet de prévoir l’indice harmonisé

des prix à la consommation (IHPC) au Sénégal sur un horizon de 24 mois. En connais-
sant les prévisions de cet indice, nous pouvons déterminer les prévisions de l’inflation en
calculant son taux de variation. Il ressort aussi que l’IHPC au Sénégal est stationnaire
sur notre période d’étude allant de janvier 2008 à décembre 2018. L’IHPC présente des
variations saisonnières qui sont produites par d’autres facteurs que nous n’avons pas pris
en compte dans notre analyse. Ainsi, une tendance haussière a été identifiée dans cette
période. Le modèle final que nous retenons dans le cadre cette étude est celui obtenu avec
l’approche de Box-Jenkins.

Boubacar KANDE 55 mémoire de master 2

Conclusion générale

Boubacar KANDE 56 mémoire de master 2

Conclusion Générale

Conclusion Général

L’objectif de notre étude était de trouver une méthodologie qui prévoit le mieux l’in-
flation au Sénégal. Pour atteindre cet objectif, nous avons utilisé deux approches univariés
des séries temporelles à savoir l’approche de Box-Jenkins (1970) et celle de Holt-Winters
(1960).
Ainsi, nous avons analysé les données de l’indice harmonisé des prix à la consommation
(IHPC) au Sénégal.
Les prévisions ont été calculées pour chacune des deux approches sur un horizon de
2 ans soit 24 mois. En effet selon les indicateurs de mesures de la qualité des prévisions
l’Erreur Absolue Moyenne en Pourcentage (MAPE) et l’Erreur Absolue Moyenne (MAE),
l’approche de Box-Jenkins est préférable à celle de Holt-Winters.
Notre étude peut servir pour les agents économiques d’outil d’anticipation et d’aide
à la prise des décisions d’investissement, d’épargne, de consommation et de politiques
économiques.
Pour la recherche scientifique, l’analyse approfondie des indicateurs macroéconomiques
avec des méthodes récentes est un surplus pour la recherche en sciences économiques.
Pour l’utilisation du modèle retenu avec l’approche de Box-Jenkins, nous recomman-
dons d’ajuster tous les 24 mois pour prendre en compte les nouvelles données observées
afin d’améliorer la qualité des prévisions.
Le modèle que nous avons mis en oeuvre permet de prédire l’avenir de l’IHPC et indi-
rectement de l’inflation au Sénégal à un horizon court. Ce modèle ne permet pas d’iden-
tifier les facteurs qui influencent le mouvement de l’inflation. Or, pour que les décideurs
de politiques économiques puissent agir efficacement dans l’amélioration des conditions
socio-économiques du pays, il leur faut identifier les facteurs influents du mouvement de
cet indicateur. Pour cela, il fallait introduire d’autres indicateurs économiques dans la
modélisation. Autrement dit l’utilisation des modèles multivariés des séries temporelles.
Dans le futur, nous souhaiterons étudier la dynamique de long terme de l’inflation au Sé-

Boubacar KANDE 57 mémoire de master 2

Conclusion Générale 58

négal et faire des simulations de politiques économiques afin de la maintenir durablement

sous le seuil de convergence de l’UEMOA en utilisant les modèles multivariés des séries
temporelles.

Boubacar KANDE 58 mémoire de master 2

Bibliographie

BIBLIOGRAPHIE

Boubacar KANDE 59 mémoire de master 2

Bibliographie 60

Bibliographie

[1] ANSD (2018). Indice harmonisé des prix à la consommation (IHPC) pour les pays
membres de l’UEMOA. Rapport de travail Février – 2018. 7 pages.

[2] ANSD (2018). Indice harmonisé des prix à la consommation (IHPC) pour les pays
membres de l’UEMOA. Rapport de travail Mars – 2018. 6 pages.

[3] ANSD (2018). Indice harmonisé des prix à la consommation (IHPC) pour les pays
membres de l’UEMOA. Rapport de travail Juillet – 2018. 7 pages.

[4] Atkeson, A. et Ohanion, L. E. (2001). Are phillips curves useful for forecasting infla-
tion ?. Quarterly Review, Federal Reserve Bank of Minneapolis. 12 pages.

[5] Aragon, Y. (2011). Séries temporelles avec R méthodes et cas. Université de Toulouse
1 – Capitole, Springer France. 266 pages.

[6] BCEAO (2011). Rapport sur l’évolution des prix à la consommation dans l’UEMOA
sur les dix dernières années (2002 – 2011). Direction de la recherche et de la statistique
/ Service de la statistique. 45 pages.

[7] BCEAO (2015). Rapport sur l’évolution des prix à la consommation dans
l’UEMOA en 2015 et perspectives. Direction de la recherche et de la sta-
tistique / Service de la statistique. 38 pages. [en ligne] disponible sur :
https://www.bceao.int/sites/default/files/2017-12/rapport annuel sur l evolution
des prix a la consommation dans l uemoa en 2015 et perspective.pdf

[8] BCEAO (2017). Rapport sur l’évolution des prix à la consommation dans l’UEMOA
en 2017 et perspectives. Direction de la recherche et de la statistique / Service de la
statistique. 37 pages.

Boubacar KANDE 60 mémoire de master 2

Bibliographie 61

[9] Biau, O. et Sobczak, N. (2001). Prévoir l’inflation en France. Note de conjoncture :

INSEE conjoncture. 89 pages. [en ligne] disponible sur : https://www.epsilon.insee.fr/
jspui/bitstream/1/12927/1/nc 0106.pdf

[10] Bourbonnais, R. et Terraza, M. (2004). Analyse des séries temporelles. Paris : Dunod.
368 pages.

[11] Bourbonnais, R. (2015). Cours et exercices corrigés. Paris : dunod, 9ème édition. 392
pages.

[12] Boutahar, M. (2007). Séries temporelles : estimation paramétrique et

non paramétrique avec le logiciel R. Support de cours de l’Université
de Marseille : département de Mathématique. 78 pages. [en ligne] dis-
ponible sur : https://docplayer.fr/5100685-Series-temporelles-estimation-pa\
rametrique-et-non-parametrique-avec-le-logiciel-r.html

[13] Charpentier, A. (2010). Cours des séries temporelles théorie et applications. Univer-
sité Paris Dauphine. 121 pages.

[14] Charpentier, A. (2014). Modèle de prévision séries temporelles. Support de cours,

Université de Paris Dauphine. 196 pages. [en ligne] disponible sur : https://
freakonometrics.hypotheses.org/files/2014/06/uqam-ts-10-06-2014.pdf

[15] Colli et Bernard. (1978). Vocabulaire économique et financière. Nouvelle édition, Ed.
du Seuil. 255 pages

[16] Dembo, T. M. (2010). Modèles de prévision de l’inflation dans les pays membres de
l’UEMOA. Banque centrale des Etats de l’Afrique de l’Ouest (BCEAO) : document
d’étude et de recherche n°3. 33 pages. [en ligne] disponible sur : https://www.bceao.
int/sites/default/files/2017-12/er12010.pdf

[17] Dembo, T. M. (2011). Prévision de l’inflation dans la zone UEMOA : une approche
par composantes. Banque centrale des Etats de l’Afrique de l’Ouest (BCEAO),
document d’étude et de recherche n°2. 34 pages. [en ligne] disponible sur : https:
//www.bceao.int/sites/default/files/2017-11/er prevision mathurin.pdf

[18] Diallo, A. T. et Doumbouya, M. (2012). Modèle de prévision de l’inflation en Guinée.

Banque centrale de la République de Guinée : Direction Générale des études. 29
pages.

[19] Dor, E. (2009). Econométrie. Paris : Pearson Education. 162 pages.

[20] Dossou, T. M. et Awouekoun, M. M. (2018). Analyse de la relation entre

l’inflation et la croissance économique au Benin. Document de travail n°

Boubacar KANDE 61 mémoire de master 2

Bibliographie 62

001 (2018). Centre d’analyse des politiques de développement (Benin). 16

pages. [en ligne] disponible sur : https://plan.gouv.bj/wp-content/uploads/2017/03/
Analyse-Relation-Inflation-Croissance-CAPOD.pdf

[21] Doucouré, F. B. (1998). Problèmes de prédiction dans les modèles de séries chronolo-
giques linéaires à temps discret. Thèse : Mathématiques Appliquées. Sénégal : UGB
de Saint-Louis, 194 pages. [en ligne] disponible sur : http://greenstone.lecames.org/
collect/thefe/index/assoc/HASH6d2d/ac76d5c0.dir/CS 02417.pdf

[22] Doucouré, F. B. (2016). Méthodes économétriques cours et exercices résolus avec les
logiciels Eviews et Stata. Tome 1, 1ère édition : ARIMA. 357 pages.

[23] Duguay, P. (1996). La transmission de la politique monétaire au Canada. Banque

du Canada. 144 pages. [en ligne] disponible sur : https://www.banqueducanada.ca/
wp-content/uploads/2011/02/hermes-f.pdf

[24] Edwin, L. H. (2006). La stratégie de la confiance. L’économie poli-

tique, pages 26 – 39. [en ligne] disponible sur : https://www.cairn.info/
revue-l-economie-politique-2006-1-page-26.htm

[25] Fritzer, F. (2002). Forecasting Austrian HICP and its components using VAR and
ARIMA Models. Working papers n° 73, Oesterreichische Nationalbank (Austrian
Central Bank). 49 pages. [en ligne] disponible sur : https://www.oenb.at/dam/jcr:
c385b784-c1eb-4b82-8e4e-83eec7e42a75/wp73 tcm16-6163.pdf

[26] Galbraith, J. W. et Zinde – Walsh, V. (2004). Evaluation des critères d’information

pour les modèles de séries chronologiques. L’actualité économique, pages 207 – 227.
[en ligne] disponible sur : https://www.erudit.org/fr/revues/ae/2004-v80-n2-3-ae958/
011386ar.pdf

[27] Gali, J. et Gertler, M. (1999). Inflation dynamics : A structural Econometric Analysis.

Working Papers series, National bureau of Economic Research Cambridge. 31 pages.
[en ligne] disponible sur : https://www.nber.org/papers/w7551.pdf

[28] Grellet, G. (2003). Econométrie. Support de cours d’économétrie. 64 pages. [en ligne]
disponible sur : http://www.pantheonsorbonne.fr/IMG/pdf/GRELLET2003.doc.pdf

[29] Hossein et al. (2007). Essai de modélisation de l’inflation en Algérie. Mémoire de

recherche : Statistique Appliquée. Alger : Institut National de Planification et de la
Statistique (INPS). 69 pages. [en ligne] disponible sur : https://www.memoireonline.
com/12/07/787/m essai-modelisation-inflation-algerie3.html

[30] Jordan, J. T. et al (2002). Prévisions d’inflation par des modèles vectoriels autorégres-
sifs. Banque nationale de Suisse (Zurich), Rapport de travail trimestriel. 27 pages. [en

Boubacar KANDE 62 mémoire de master 2

Bibliographie 63

ligne] disponible sur : https://www.snb.ch/fr/mmr/reference/quartbul 2002 1/source/

quartbul 2002 1.fr.pdf

[31] Kahn, A. G. (1996). Achieving price stability : A summary of Bank’s

1996 Symposium. Economic Review, pages 53 – 61. [en ligne] disponible
sur : https://www.researchgate.net/publication/5043814 Achieving Price Stability A
Summary of the Bank’s 1996 Symposium

[32] Kozicki, S. et Tinsley, P. A. (2002). Alternative sources of the lag dynamics of in-
flation. Research division federal Reserve Bank of Kansas city. 52 pages. [en ligne]
disponible sur : https://www.bankofcanada.ca/wp-content/uploads/2010/08/Kozicki
Tinsley-final.pdf

[33] Kuma, J. K. (2018). Prévision par l’approche méthodologique de Box et Jen-

kins : Cas d’une série non saisonnière et non stationnaire du type TS (pratique
sur Eviews et Stata). Document de recherche : Centre de Recherches Economiques
et Quantitatives (CREQ) Congo-Kinshasa. 26 pages. [en ligne] disponible sur :
https://hal.archives-ouvertes.fr/cel-01771600/document

[34] Lassoued, A. (2006). Quel(s) indicateur(s) d’inflation sous-jacente pour la Tuni-

sie. Document de travail, Institut National de la Statistique – Tunisie. 20 pages.
[en ligne] disponible sur : https://webcache.googleusercontent.com/search?q=cache:
0Nd5mzHS3GgJ:https://dial.ird.fr/media/ird-sites-d-unites-de-

[35] Leblond, S. et Belley–Ferris, I. (2004). Guide d’économétrie appliquée.

Université de Montréal : Canada. 69 pages. [en ligne] disponible sur :
https://sceco.umontreal.ca/fileadmin/Documents/FAS/sciences-economiques/
Documents/3-Ressources-services/Ressources-formulaires/GuideEconometrieStata.pdf

[36] Massamba, C. (2005). Prévision des indices des prix à la consommation des
ménages au Congo. Document de travail n° 11-2005, Bureau d’Application
des Méthodes Statistiques et Informatiques (BAMSI) Brazzaville. 34 pages.
[en ligne] disponible sur : https://www.yumpu.com/fr/document/read/5865803/
prevision-des-indices-des-prix-a-la-consommation-des-cnsee

[37] Mbaye, B. B. et Sene, S. M. (2007). Analyse et prévision des séries temporelles

par la méthode de Box & Jenkins. Document de travail du Ministère de l’éco-
nomie et des finances (Sénégal), Direction de la prévision et des études écono-
miques. 43 pages. [en ligne] disponible sur : https://fr.scribd.com/doc/106621943/
55-Analyse-Prevision-Box-Jenkins-Der

Boubacar KANDE 63 mémoire de master 2

Bibliographie 64

[38] Mercillon, H. (1958). L’inflation importée : l’inflation à facteurs externes dominants

et son développement. Revue économique, pages 461 – 481. [en ligne] disponible sur :
https://www.persee.fr/doc/reco 0035-2764 1958 num 9 3 407307

[39] Meuriot, V. (2015). Etude critique et réflexive de l’économétrie des séries temporelles
(1974 – 1982). Mémoire : Sciences économiques. Canada : Université de Versailles
Saint – Quentin – en – Yvelines, 206 pages.

[40] Moisan, M. (2010). La prévision de l’inflation au Canada. Mémoire de maitrise :

Economie. Québec (Canada) : Université du Québec à Montréal. 105 pages. [en ligne]
disponible sur : https://archipel.uqam.ca/3049/1/M11446.pdf

[41] Mouha, M. S. et al. (2017). Modèle de prévision de l’inflation à court terme pour la
Tunisie. Document de travail 1-2017, Banque centrale de Tunisie. 31 pages. [en ligne]
disponible sur : https://www.bct.gov.tn/bct/siteprod/documents/Document Travail
201706 fr.pdf

[42] Ndiaye, B. et Badji, Y. J. (2008). Les déterminants de l’inflation au Sénégal : Ap-

proche par les fonctions de consommation. ANSD/ Sénégal, 43 pages. [en ligne] dispo-
nible sur : http://www.ansd.sn/ressources/rapports/Determinants Inflation Senegal.pdf

[43] Ndongo, M. (2011). Les processus à mémoire longue saisonniers avec variance infinie
des innovations et leurs applications. Thèse : Mathématiques Appliquées / Probabi-
lités – statistiques. Sénégal : UGB / Saint – Louis, 162 pages. [en ligne] disponible
sur : https://tel.archives-ouvertes.fr/tel-00947321/document

[44] Phillips (1958). The relation between unemployment and the rate of change of money
wage rates in the United Kingdon at 1861-1957. Economica review, pages 283-299. [en
ligne] disponible sur : https://www.jstor.org/stable/2550759?seq=1#metadata info
tab contents

[45] Sall, A. K. (2016). Les perspectives de ciblage de l’inflation dans les pays de l’union
Economique et Monétaire Ouest Africaine (UEMOA) [en ligne]. Thèse de doctorat :
Economies et Finances. Orléans (France) : Université d’Orléans, 376 pages. [en ligne]
disponible sur : https://tel.archives-ouvertes.fr/tel-01713102/document

[46] Tatsa, S. (2013). Modélisation et prévision de la consommation horaire d’électricité

au Québec : Comparaison de méthodes de séries temporelles. Mémoire : Sciences
Economiques. Québec : Université de Laval, 75 pages. [en ligne] disponible sur :
https://corpus.ulaval.ca/jspui/bitstream/20.500.11794/24781/1/30329.pdf

[47] Touré, M. (2000). Modèle de prévision pour l’indice des prix à la consommation des
ménages à Bamako. Banque centrale des Etats de l’Afrique de l’Ouest (BCEAO).

Boubacar KANDE 64 mémoire de master 2

Bibliographie 65

Notes d’information et Statistiques n° 504. 19 pages. [en ligne] disponible sur :

https://www.bceao.int/sites/default/files/2017-12/Une methode de prevision des
prix application a l indice des prix a la consommation des menages a Bamako Toure
M- NIS no 504 de juin 2000-.pdf

[48] Umba Di Mamona, A. (2004). L’incidence de l’inflation sur la fiscalité Congolaise de

1995 à 2004. Mémoire : Licence Sciences commerciales et financières / Institut Supé-
rieure de commerce de Kinshasa. 102 pages. [en ligne] disponible sur : https://www.
memoireonline.com/04/07/426/incidence-inflation-fiscalite-congolaise-1994-2004.html

[49] Vroey, M. et Malgrange, P. (2006). La théorie et la modélisation macroécono-

miques, d’hier à aujourdhui. Document de travail : Paris – Jourdan / Sciences
Economiques. 33 pages. [en ligne] disponible sur : https://halshs.archives-ouvertes.
fr/halshs-00590316/document

[50] Yagoua, K. (2014). Analyse et prévision de l’évolution de l’indice des prix à la consom-
mation et des services des ménages au Caméroun. Mémoire de Master : Statistique
Appliquée. Caméroun : Université Yaoundé 1, 147 pages.

Boubacar KANDE 65 mémoire de master 2

Table des matières

Dédicace i

Remerciements ii

Résumé & Abstract iii

Notations & abréviations v

Liste des figures viii

Liste des tableaux ix

Introduction générale 2

1 Généralités et Revue de la littérature 6

1.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Définitions et mesures . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.2 Faits stylisés de l’inflation et les prix à la consommation . . . . . . 10
1.2 Revue de la littérature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1 Aspects théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2 Aspects empiriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Généralités sur les séries temporelles 21

2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

Boubacar KANDE 66 mémoire de master 2

Table des matières 67

2.1.1 Définition d’une série temporelle . . . . . . . . . . . . . . . . . . . . 22

2.1.2 Les composantes d’une série chronologique . . . . . . . . . . . . . . 22
2.1.3 Définition des coefficients saisonniers . . . . . . . . . . . . . . . . . 23
2.1.4 Notion de stationnarité . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.5 Notion de bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.6 Processus stationnaires . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.7 Processus non stationnaire . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Approche de Box-Jenkins (1970) . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Décomposition de la série brute . . . . . . . . . . . . . . . . . . . . 26
2.2.2 Identification des ordres p, d et q . . . . . . . . . . . . . . . . . . . 28
2.2.3 Estimation des modèles ARIMA candidats . . . . . . . . . . . . . . 30
2.2.4 Validation des modèles estimés . . . . . . . . . . . . . . . . . . . . 30
2.2.5 Prévision du modèle retenu . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Approche de Holt-Winters (1960) . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1 Holt-Winters non saisonnière . . . . . . . . . . . . . . . . . . . . . 33
2.3.2 Holt-Winters saisonnière additive . . . . . . . . . . . . . . . . . . . 34
2.3.3 Holt-Winters saisonnière multiplicative . . . . . . . . . . . . . . . . 34
2.4 Critères de comparaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3 Application à l’indice harmonisé des prix à la consommation au Sénégal 37

3.1 Analyse exploratoire des données . . . . . . . . . . . . . . . . . . . . . . . 38
3.1.1 Présentation des données . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1.2 Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Approche de Box et Jenkins . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.1 Décomposition de la série . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.2 Régression de la tendance . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.3 Analyse des effets saisonniers . . . . . . . . . . . . . . . . . . . . . 43
3.2.4 Identification des ordres p, d et q . . . . . . . . . . . . . . . . . . . 46
3.2.5 Estimation des modèles candidats . . . . . . . . . . . . . . . . . . . 48
3.2.6 Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.7 Prévision du modèle retenu . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Approche de Holt et Winters . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.1 Estimation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.2 Prévision par le modèle Holt-Winters . . . . . . . . . . . . . . . . . 53
3.4 Comparaison des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Boubacar KANDE 67 mémoire de master 2

Table des matières 68

Conclusion générale 57

Bibliographie 60

Table des matières 68

Annexes 69

Boubacar KANDE 68 mémoire de master 2

Annexes

Les prévisions pour les deux approches

Résultats des prévisions par l’approche de Box-Jenkins

Intervalle de prévision 80% Intervalle de prévision 95%

Horizon Prévisions Borne inf Borne sup Borne inf Borne sup
de l’IHPC

janv-19 102,723 101,7531 103,6929 101,2396 104,2064

févr-19 102,1211 100,8133 103,4288 100,121 104,1211

mars-19 102,4368 100,9072 103,9663 100,0975 104,776

avr-19 101,6404 99,951 103,3299 99,0567 104,2242

mai-19 101,347 99,5373 103,1567 98,5793 104,1147

juin-19 100,6766 98,7741 102,579 97,767 103,5861

juil-19 100,5725 98,5975 102,5476 97,5519 103,5932

août-19 102,1134 100,0809 104,1459 99,0049 105,2219

sept-19 103,8787 101,8004 105,9571 100,7002 107,0573

Boubacar KANDE 69 mémoire de master 2

Annexes 70

oct-19 104,6514 102,5363 106,7665 101,4167 107,8862

nov-19 104,7041 102,5595 106,8488 101,4241 107,9841

déc-19 103,8303 101,6618 105,9989 100,5138 107,1469

janv-20 103,7212 101,4534 105,9889 100,253 107,1894

févr-20 103,0971 100,7514 105,4428 99,5096 106,6846

mars-20 103,3928 100,9852 105,8004 99,7106 107,075

avr-20 102,5784 100,1212 105,0355 98,8205 106,3362

mai-20 102,2686 99,7717 104,7654 98,4499 106,0872

juin-20 101,5833 99,0544 104,1122 97,7157 105,4509

juil-20 101,4659 98,9111 104,0207 97,5587 105,3731

août-20 102,9946 100,4189 105,5704 99,0553 106,934

sept-20 104,749 102,1562 107,3419 100,7836 108,7144

oct-20 105,5118 102,9051 108,1185 101,5252 109,4984

nov-20 105,5556 102,9376 108,1736 101,5517 109,5594

déc-20 104,6737 102,0465 107,3008 100,6558 108,6916

Boubacar KANDE 70 mémoire de master 2

Annexes 71

Prévision par le modèle de Holt-Winters saisonnier additif

Intervalle de prévision 80% Intervalle de prévision 95%

Horizon Prévisions Borne inf Borne sup Borne inf Borne sup
de l’IHPC

janv-19 102,644 101,515 103,774 100,917 104,371

févr-19 101,603 100,275 102,932 99,571 103,635

mars-19 101,357 99,844 102,869 99,044 103,67

avr-19 99,868 98,181 101,555 97,289 102,447

mai-19 99,481 97,627 101,334 96,645 102,316

juin-19 98,612 96,596 100,629 95,528 101,696

juil-19 98,678 96,502 100,854 95,351 102,005

août-19 100,754 98,422 103,086 97,187 104,321

sept-19 102,639 100,152 105,126 98,836 106,442

oct-19 103,252 100,612 105,892 99,214 107,29

nov-19 103,431 100,638 106,224 99,16 107,703

déc-19 102,922 99,978 105,867 98,419 107,426

janv-20 102,759 99,494 106,024 97,765 107,753

févr-20 101,718 98,308 105,127 96,504 106,932

mars-20 101,471 97,917 105,026 96,036 106,907

avr-20 99,983 96,283 103,682 94,324 105,641

Boubacar KANDE 71 mémoire de master 2

Annexes 72

mai-20 99,595 95,749 103,441 93,713 105,477

juin-20 98,727 94,734 102,72 92,62 104,834

juil-20 98,793 94,651 102,934 92,459 105,126

août-20 100,869 96,578 105,159 94,307 107,43

sept-20 102,754 98,313 107,194 95,962 109,545

oct-20 103,367 98,775 107,958 96,344 110,389

nov-20 103,546 98,802 108,29 96,291 110,801

déc-20 103,037 98,14 107,934 95,548 110,526

L’évolution des variations saisonnières

Figure 3.12 – L’évolution des variations saisonnières de l’IHPC

Boubacar KANDE 72 mémoire de master 2

Annexes 73

Les codes R
##############################################################
################## Analyse des données ########################
################# Début de programme ########################
###############################################################
### importer les données
data <- read.csv("C:/Users/user/Desktop/Mes recherches mémoire/data.csv")
attach(data)
str(data)
### créer un objet de classe ts
library(tseries)
ihpc_t=ts(data,start=c(2008,1),end=c(2018,12),frequency = 12)
ihpc_t
## Analyse descriptives des données
de=decompose(ihpc_t)
plot(de$random, lwd=2, col="blue",xlab="Temps",ylab="Partie aléatoire",
main="Composante aléatoire")
plot(de$trend, lwd=2, col="blue",xlab="Temps",ylab="tendance",
main="Composante tendancière")
plot(de$seasonal, lwd=2, col="blue",xlab="Temps",ylab="saisonnalité",
main="Composante saisonnière")
summary(ihpc_t)
plot(ihpc_t,lwd=3,col="blue",main="",xlab="Temps")
boxplot(ihpc_t,col="seagreen",lwd=3)
## Regresser la droite de la tendance
temps1=c(1:132)
temps1
trend=lm(data_t~temps1)
summary(trend)
### ajuster la série de la tendance
ihpcajten=reg$residuals
ihpcajten
ihpcajten_t=ts(ihpcajten,start = c(2008,1),end = c(2018,12),frequency = 12)
plot(ihpcajten_t,lwd=3,col="blue",main="",xlab="Temps",
ylab="IHPC ajusté de la tendance")
abline(h=0,lwd=3,col="red")
##### Analyser la saisonnalité ######
mois=c("J","F","M","Av","Mai","Ju","Juil","Ao^ ut","Sep","Oct","Nov","Déc")

Boubacar KANDE 73 mémoire de master 2

Annexes 74

monthplot(ihpcajten_t,lwd=3,
ylab="IHPC",
main="",
xlab="Mois",axes=T, col="blue")
#### test d’absence de saisonnalité #########
total.mois=factor(rep(mois,11),level=mois)
IHPC.mois1=data.frame(total.mois,ihpcajten_t)
IHPC.mois1
ipc.nat.par.mois2=tapply(IHPC.mois1[,-1],total.mois,rev)
ipc.nat.par.mois2
ipc.nat.par.mois=lapply(ipc.nat.par.mois2,rev)
ipc.nat.par.mois
library(tseries)
kruskal.test(ipc.nat.par.mois)
#### le test rével que les variations saisonnières existent
# calculons les cofficients saisonnière
s=matrix(ihpcajten_t,ncol=12,nrow=11,byrow=T)
s
m1=mean( s[,1])
m2=mean(s[,2])
m3=mean(s[,3])
m4=mean(s[,4])
m5=mean(s[,5])
m6=mean(s[,6])
m7=mean(s[,7])
m8=mean(s[,8])
m9=mean(s[,9])
m10=mean(s[,10])
m11=mean(s[,11])
m12=mean(s[,12])
m=c(m1,m2,m3,m4,m5,m6,m7,m8,m9,m10,m11,m12)
mt=mean(m)
mt
coef.saison=m-mean(m)
print(coef.saison)
#désaisonnalisé notre série
co=rep(coef.saison,11)
co
serie.corrige=ihpcajten_t-co

Boubacar KANDE 74 mémoire de master 2

Annexes 75

serie.corriget=ts(serie.corrige,start = c(2008,1),
end = c(2018,12),frequency = 12)
serie.corriget
## modéliser la partie aléatoire de la série
## test de stationnarité de la série
plot(serie.corriget,col="blue",lwd=3,xlab="Temps",ylab="Série corrigé")
abline(h=0,col="red",lwd=3)
library(tseries)
kpss.test(serie.corriget)
## identification
library(forecast)
Acf(serie.corriget,col="blue",lwd=3,xlab="Retard",main="")
Pacf(serie.corriget,col="blue",lwd=3,xlab="Retard" ,main="")
# estimation des models candidats
mod1 = Arima(serie.corriget,order = c(1,0,0),method = "CSS-ML")
mod1
mod2 = Arima(serie.corriget,order = c(11,0,0),method = "CSS-ML")
mod2
#### diagnostique des résidus
summary(mod1)
res= mod1$residuals
hist(res,col="blue",lwd=3)
den=(density(res))
par(mfrow=c(1,2))
plot(res,col="blue",lwd=3, main="Trajectoire des résidus",xlab="Temps",
ylab="Résidus")
abline(h=0,col="red",lwd=3)
plot(den,lwd=3,col="blue")
abline(v=0,col="red",lty=2,lwd=3)
dev.off()
library(caschrono)
Box.test(res)
library(lmtest)
library(fBasics)
library(tseries)
jarque.bera.test(res)
##### Simulations de box jenkins
library(forecast)
modv=auto.arima(ihpc_t)

Boubacar KANDE 75 mémoire de master 2

Annexes 76

modv$fitted
plot(modv$fitted,col="green",lwd=3,main="simulations du modèle de Box-Jenkins",xlab="T
lines(ihpc_t,col="blue",lwd=3)
legend("topleft",lty=c(1,1,1,1,1),legend=c("Valeurs prédites",
"Valeurs observées" ),col=c("green","blue"),cex=0.9,lwd=3,
y.intersp=0.8)
##### Prévisions box-jenkins
library(forecast)
prevbox=forecast::forecast(modv, h=24)
print(prevbox)
##### Evaluation des prévisions de box-jenkins
library(forecast)
forecast::accuracy(prevbox)
## approche de holt -winter
library(RColorBrewer)
ihpc_t
mod3=HoltWinters(ihpc_t)
mod33=predict(mod3)
prevhol=mod3$fitted
prevhol
fitholt=prevhol[,1]
print(fitholt)
#### Simulation de Holt-winters
plot(fitholt, ylab="IHPC",col="green",lwd=3,
main="Simulation pour le modèle Holt-Winters", xlab="Temps")
lines(ihpc_t,col="blue",lwd=3)
legend("topleft",lty=c(1,1,1,1,1),legend=c("Valeurs prédites",
"Valeurs observées"),col=c("green","blue"),cex=0.9,lwd=3,
y.intersp=0.8)
#### Prévisions de holt-winters
library(forecast)
prevhol=forecast::forecast(mod3,h=24)
print(prevhol)
### Evaluation des prévisions de holt-winters
library(forecast)
forecast::accuracy(prevhol)
###### Comparaison des deux approches
plot(modv$fitted,col="green",lwd=3,main="Comparaison des deux approches",
xlab="Temps",ylab="IHPC")

Boubacar KANDE 76 mémoire de master 2

Annexes 77

lines(ihpc_t,col="blue",lwd=3)
lines(fitholt,col="red",lwd=3)
legend("topleft",lty=c(1,1,1,1,1),legend=c("Valeurs observées",
"prévision Box-Jenkins", "prévision Holt-winters"
),col=c("blue","green","red"),cex=0.9,lwd=3,
y.intersp=0.8)

###############################################################
#################### Fin de programme #########################
###############################################################

Boubacar KANDE 77 mémoire de master 2

Vous aimerez peut-être aussi

Modelisation de l'IPC Au Senegal
Pas encore d'évaluation
Modelisation de l'IPC Au Senegal
32 pages
Prédiction de l'inflation au Bénin
Pas encore d'évaluation
Prédiction de l'inflation au Bénin
136 pages
Rapport Statistique
Pas encore d'évaluation
Rapport Statistique
36 pages
Évolution des IHPC des meubles et ménages
Pas encore d'évaluation
Évolution des IHPC des meubles et ménages
6 pages
Modélisation des Indices de Prix au Bénin
Pas encore d'évaluation
Modélisation des Indices de Prix au Bénin
105 pages
IDE et Performances Économiques en RDC
Pas encore d'évaluation
IDE et Performances Économiques en RDC
111 pages
Économétrie Appliquée avec EViews
Pas encore d'évaluation
Économétrie Appliquée avec EViews
75 pages
Inflation au Sénégal : Causes et Solutions
Pas encore d'évaluation
Inflation au Sénégal : Causes et Solutions
43 pages
Analyse Multivariee Des Series Chronolog
Pas encore d'évaluation
Analyse Multivariee Des Series Chronolog
126 pages
Prévision À Court Terme de L'inflation Au Togo
Pas encore d'évaluation
Prévision À Court Terme de L'inflation Au Togo
90 pages
Modélisation financière : Approches stochastiques et économétriques
Pas encore d'évaluation
Modélisation financière : Approches stochastiques et économétriques
78 pages
En Vue de L'obtention Du Diplôme Master
Pas encore d'évaluation
En Vue de L'obtention Du Diplôme Master
86 pages
Formation sur l'analyse des prix à la consommation
Pas encore d'évaluation
Formation sur l'analyse des prix à la consommation
35 pages
Analyse Des Series Temporelles Terraza
100% (6)
Analyse Des Series Temporelles Terraza
346 pages
Cours de Series Temporelles Theorie Et Applications
Pas encore d'évaluation
Cours de Series Temporelles Theorie Et Applications
178 pages
Ts
Pas encore d'évaluation
Ts
178 pages
Cours de Series Temporelles
Pas encore d'évaluation
Cours de Series Temporelles
178 pages
Econometrie Des Séries Temporelles Univariées
Pas encore d'évaluation
Econometrie Des Séries Temporelles Univariées
432 pages
Faucher - Guyllaume L'Effet Néo-Fisherien Dans Un Modèle Néo-Keynésien, Le Role de L'investissement
Pas encore d'évaluation
Faucher - Guyllaume L'Effet Néo-Fisherien Dans Un Modèle Néo-Keynésien, Le Role de L'investissement
86 pages
Application de Box-Jenkins à l'hémodialyse
Pas encore d'évaluation
Application de Box-Jenkins à l'hémodialyse
72 pages
Econométrie R
100% (1)
Econométrie R
156 pages
DS Math BELGUERNA Abderrahmane
Pas encore d'évaluation
DS Math BELGUERNA Abderrahmane
112 pages
SERIES - TEMPORELLES - PDF 2 PDF
50% (2)
SERIES - TEMPORELLES - PDF 2 PDF
141 pages
Modélisation des Séries Temporelles en Statistique
Pas encore d'évaluation
Modélisation des Séries Temporelles en Statistique
46 pages
Déterminants de l'inflation au Congo
Pas encore d'évaluation
Déterminants de l'inflation au Congo
24 pages
Évolution du Revenu Nominal et Inflation
Pas encore d'évaluation
Évolution du Revenu Nominal et Inflation
14 pages
Etude Inflation Et Masse Monétaire
Pas encore d'évaluation
Etude Inflation Et Masse Monétaire
24 pages
Introduction à l'économétrie moderne
Pas encore d'évaluation
Introduction à l'économétrie moderne
122 pages
Econometrie
100% (7)
Econometrie
128 pages
Poly
Pas encore d'évaluation
Poly
75 pages
Yidizoglu Introduction A La Microeconomie
100% (1)
Yidizoglu Introduction A La Microeconomie
124 pages
Sciences de Gestion Synthese de Cours Exercices Corriges
Pas encore d'évaluation
Sciences de Gestion Synthese de Cours Exercices Corriges
19 pages
Modélisation Statistique des Séries Temporelles
Pas encore d'évaluation
Modélisation Statistique des Séries Temporelles
52 pages
Essais sur la politique monétaire DSGE
Pas encore d'évaluation
Essais sur la politique monétaire DSGE
183 pages
Introduction à l'économétrie avancée
Pas encore d'évaluation
Introduction à l'économétrie avancée
3 pages
Évolution de l'inflation en RDC
Pas encore d'évaluation
Évolution de l'inflation en RDC
90 pages
Table Des Matières
Pas encore d'évaluation
Table Des Matières
6 pages
Series Temporelles - Doctorat Ptci - Abidjan Dakar
Pas encore d'évaluation
Series Temporelles - Doctorat Ptci - Abidjan Dakar
41 pages
Analyse des IHPC des Produits Alimentaires UEMOA
Pas encore d'évaluation
Analyse des IHPC des Produits Alimentaires UEMOA
23 pages
Econométrie des Variables Dépendantes Limitées
Pas encore d'évaluation
Econométrie des Variables Dépendantes Limitées
84 pages
55 Analyse Prevision Box Jenkins Der
100% (2)
55 Analyse Prevision Box Jenkins Der
43 pages
Econométrie Du Modèle Linéaire-1
Pas encore d'évaluation
Econométrie Du Modèle Linéaire-1
6 pages
Document de Travail: Un Peuple - Un But - Une Foi
Pas encore d'évaluation
Document de Travail: Un Peuple - Un But - Une Foi
43 pages
Économétrie Linéaire Appliquée
Pas encore d'évaluation
Économétrie Linéaire Appliquée
253 pages
Econométrie Linéaire Appliquée (PDFDrive)
Pas encore d'évaluation
Econométrie Linéaire Appliquée (PDFDrive)
253 pages
Memoire Sur Le Modèle de Solow Appliqué en RDC
Pas encore d'évaluation
Memoire Sur Le Modèle de Solow Appliqué en RDC
18 pages
Series Chronologiques Von Sach
Pas encore d'évaluation
Series Chronologiques Von Sach
211 pages
Support Du Cours - Modélisation Statistique
Pas encore d'évaluation
Support Du Cours - Modélisation Statistique
175 pages
Analyse des déterminants du PIB
Pas encore d'évaluation
Analyse des déterminants du PIB
18 pages
Econométrie Cours de Bruno Crepon
Pas encore d'évaluation
Econométrie Cours de Bruno Crepon
279 pages
Chapitre 2. MILIEU D'ÉTUDE ET APPROCHE MÉTHODOLOGIQUE
Pas encore d'évaluation
Chapitre 2. MILIEU D'ÉTUDE ET APPROCHE MÉTHODOLOGIQUE
3 pages
Loi des grands nombres : Formules et applications
Pas encore d'évaluation
Loi des grands nombres : Formules et applications
6 pages
Analyse des Pluies : Modélisation et Statistiques
Pas encore d'évaluation
Analyse des Pluies : Modélisation et Statistiques
1 page
Bonus
Pas encore d'évaluation
Bonus
56 pages
SAÌ Â©rie NAÌ Â° 3 Estimation Et Estimation FSJES 2023 - 2024
Pas encore d'évaluation
SAÌ Â©rie NAÌ Â° 3 Estimation Et Estimation FSJES 2023 - 2024
2 pages
Econometrie Dunod
Pas encore d'évaluation
Econometrie Dunod
5 pages
Économétrie Méthode Application
100% (1)
Économétrie Méthode Application
36 pages
Stat Spatiale
Pas encore d'évaluation
Stat Spatiale
60 pages
Banque de Questions en Économétrie pour L3 FASE
Pas encore d'évaluation
Banque de Questions en Économétrie pour L3 FASE
4 pages
M1 Actuariat
Pas encore d'évaluation
M1 Actuariat
35 pages
TD Econometrie Ael3 - 2022 - 023116
Pas encore d'évaluation
TD Econometrie Ael3 - 2022 - 023116
10 pages
Série 3 Énoncé 3LF
Pas encore d'évaluation
Série 3 Énoncé 3LF
3 pages
Licence en Economie et Gestion
Pas encore d'évaluation
Licence en Economie et Gestion
2 pages
TD Regression Multilineaire
Pas encore d'évaluation
TD Regression Multilineaire
2 pages
Econométrie : Régression Linéaire Simple
Pas encore d'évaluation
Econométrie : Régression Linéaire Simple
2 pages
Modelisation Statistique ENSGMM
Pas encore d'évaluation
Modelisation Statistique ENSGMM
27 pages
9 - Régression Linéaire Multiple
Pas encore d'évaluation
9 - Régression Linéaire Multiple
35 pages
Correction TD Économétrie IHEC Carthage
Pas encore d'évaluation
Correction TD Économétrie IHEC Carthage
6 pages
Impact de l'Agriculture Contractuelle sur l'Efficacité Rizicole à Yamoussoukro
Pas encore d'évaluation
Impact de l'Agriculture Contractuelle sur l'Efficacité Rizicole à Yamoussoukro
26 pages
Analyse de l'impact du PIB sur l'investissement
Pas encore d'évaluation
Analyse de l'impact du PIB sur l'investissement
4 pages
Thèse : Machine Learning en Assurance
Pas encore d'évaluation
Thèse : Machine Learning en Assurance
337 pages
Corrigé TD2 Statistique Appliquée
Pas encore d'évaluation
Corrigé TD2 Statistique Appliquée
9 pages
Économétrie
Pas encore d'évaluation
Économétrie
24 pages
Série 02
Pas encore d'évaluation
Série 02
3 pages
MQ - L2 Statistiques MR Angelo
Pas encore d'évaluation
MQ - L2 Statistiques MR Angelo
32 pages
Introduction à l'Économétrie
Pas encore d'évaluation
Introduction à l'Économétrie
8 pages
Lambinjj Invpub
Pas encore d'évaluation
Lambinjj Invpub
17 pages
Finance Islamique: Stabilité et Inclusion
Pas encore d'évaluation
Finance Islamique: Stabilité et Inclusion
10 pages
Fiche de Collecte New Ange
Pas encore d'évaluation
Fiche de Collecte New Ange
917 pages
Presentation8 1
Pas encore d'évaluation
Presentation8 1
109 pages