UNIVERSITE HASSAN II-Casablanca
FSJES Mohammedia
Master Marchés Financiers et Economie
Appliquée
le modèle multiplicatif
Préparé par:
MERRAD ZINEB
EL KASSIMI
GHIZLANE
ER6REGHAIT
HANANE Encadré par:
ER6RADI NASSIMA Pr: Mme Rachida ELyamani
Plan
Partie théorique:
Les séries chronologiques et la correction des
variations saisonnaires:Le modèle
multiplicatif
Partie pratique:
Étude de cas: l'évolution du trafic régulier
enregistré aux différents aéroports du
Maroc; Application des méthodes graphique
et analytique sur le fichier Eviews et Excel.
INTRODUCTION
Une série chronologique, ou série temporelle, est une
série d'observations ordonnées chronologiquement.
Elles se rencontrent naturellement dans une grande
variété de domaines, On peut citer : l'économie (taux
de chômage, PNB …), la finance (cours d'action, taux
d'intérêt, …), l'écologie (pollution à l'ozone, au CO,
…), le transport (avec l'exemple célèbre du trafic
aérien international), la démographie… .
INTRODUCTION
Les objectifs d'étude sont multiples, La prévision est
sans doute le but le plus fréquent.
Il s'agit de prévoir les valeurs futures d'une variable
grâce aux valeurs observées dans le présent et le
passé de cette même variable ; la problématique
n'est donc pas la même qu'en régression où l'on
cherche à prévoir le niveau d'une variable en
fonction du niveau d'autres variables .
I. Partie théorique:
Les séries chronologiques et
la correction des variations
saisonnières: Le modèle
multiplicatif.
CONSTRUCTION DES SÉRIES
CORRIGÉES DES VARIATIONS
SAISONNIÈRES
La correction des variations
saisonnières suppose que certaines
hypothèses soient vérifiées et cela
dans le but de simplifier certaines
écritures.
CONSTRUCTION DES SÉRIES
CORRIGÉES DES VARIATIONS
SAISONNIÈRES
Hypothèse 1: La décomposition de
la série
Nous admettrons que la série
chronologique n’est constituée que de
trois composantes, qui sont :
la tendance notée Tt
la saisonnalité notée St
le résidu noté At
CONSTRUCTION DES SÉRIES
CORRIGÉES DES VARIATIONS
SAISONNIÈRES
Hypothèse 2: Les modèles
Nous nous intéresserons à trois types de modèles :
le modèle additif,
yt = Tt + St + At
le modèle multiplicatif général,
yt = Tt (1+St) + At
le modèle multiplicatif particulier de la forme :
yt = Tt*St*At
ce dernier modèle devient additif lorsque nous appliquons un logarithme :
ln(yt) = ln(Tt) + ln(St) + ln(At)
Si nous posons le changement de variable :
y't = ln(yt) T't = ln(Tt) S't = ln(St) A't = ln(At)
alors le modèle peut être traité de façon additive :
y't = T't + S't + A't
II. Partie pratique:
Application des méthodes
graphique et analytique sur le
fichier Eviews et Excel.
Étude de cas:
La série objet de notre application empirique
retrace l'évolution du trafic régulier
enregistré aux différents aéroports du Maroc
de janvier 1990à décembre1994, soit 60
observations, les vols réguliers sont des
vols programmés sur une saison donnée,
suivant des horaires et des itinéraires fixes,
identifié par un numéro de vol.
Étude de cas
ANNEE janvier férier mars avril mai juin juillet aout septembre octobre novembre décembre
1990 713 756 1042 903 905 1240 812 160 997 1180 1160 1022
1991 1026 989 1161 1074 980 1480 1010 570 1010 1248 1220 1120
1992 1006 1037 1220 1227 1040 1730 1034 540 1203 1310 1340 1140
1993 1092 1081 1284 1236 1068 1910 1203 490 1282 1360 1370 1160
1994 1080 1067 1279 1228 1059 2160 1190 430 1278 1282 1163 1365
Étude de cas
Pour étudier les séries chronologiques, on commence on général par une représentation
graphique afin d'avoir une idée sur les différents composantes comme la saisonnalité et
la tendance.
Figure 1 : Evolution mensuelle du trafic régulier des passagers
2500
2000
LES passagers
1500
1000
500
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
Étude de cas
Détection de la saisonnalité par le test de
Fisher :
Le test sera effectué sous Excel, par l'utilisation de
l'utilitaire d'analyse de la variance, le test consiste à
tester l'hypothèse nulle d'absence de saisonnalité
contre l'hypothèse alternative.
Résultats du test donne:
Étude de cas
Analyse de variance: deux facteurs sans répétition d'expérience
RAPPORT DÉTAILLÉ Nombre d'échantillons Somme Moyenne Variance
1990 12 10890 907,5 83315
1991 12 12888 1074 46062,3636
1992 12 13827 1152,25 76630,75
1993 12 14536 1211,33333 101917,515
1994 12 14581 1215,08333 146569,72
janvier 5 4917 983,4 24141,8
férier 5 4930 986 17774
mars 5 5986 1197,2 10035,7
avril 5 5668 1133,6 21212,3
mai 5 5052 1010,4 4647,3
juin 5 8520 1704 129130
juillet 5 5249 1049,8 25377,2
aout 5 2190 438 26970
septembre 5 5770 1154 19886,5
octobre 5 6380 1276 4562
novembre 5 6253 1250,6 9766,8
décembre 5 5807 1161,4 15764,8
Étude de cas
ANALYSE DE
VARIANCE
Moyenne
Source des variations Somme des carrés Degré de liberté des carrés F Probabilité Valeur critique pour F
Lignes(année) 784531,1 4 196132,775 19,0696832 3,6856E-09 2,583667427
Colonnes(mois) 4546906,333 11 413355,121 40,1898724 2,6361E-19 2,014046013
Erreur 452542,5 44 10285,0568
Total 5783979,933 59
Le test de Fisher montre clairement que la valeur calculé 19.069 est largement
supérieur à la valeur critique de F à 5% qui est égale à 2.58. Ainsi, on rejette
l'hypothèse H0 d'absence de saisonnalité et on accepte l'hypothèse alternative
d'existence de la saisonnalité.
Décomposition de la série:
Pour décomposer la série chronologique de trafic on va utiliser deux
méthodes, l'une graphique et l'autre analytique.
a) La méthode graphique
La méthode graphique appelé la méthode de la bande, qui consiste
à tracer la droite qui passe par les minima et la droite qui passe par les
maxima. Deux cas peuvent se présenter :
Si les droites sont à peu près parallèles, dans cas le modèle de
décomposition est additif ;
Si les droites ne sont pas parallèles entre elles ; le modèle est
multiplicatif.
Étude de cas
Figure 1 : la méthode bande
2500
2000 YT
1500
1000
500
On remarque que les droites passants par les minima et les maxima ne sont pas
parallèles, en effet, les droites se divergent avec le temps, ceci implique que la variance
est une fonction croissante du temps. Sur la base de cette méthode graphique, on peut
dire que le modèle de décomposition est multiplicatif. Pour s'assurer du bien fondé de la
méthode de décomposition de la bande, on va utiliser une méthode analytique plus
objective.
étude de cas: méthode profil
Figure 2: la méthode profil.
Chart Title
2500
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
Series1 Series2 Series3 Series4 Series5
On remarque que les droites de profil qui représente les saisons ne sont pas
parallèles ce qui signifie que le modèle est multiplicatif.
.
Étude de cas
b) La méthode analytique du tableau de
Buys et Ballot:
Cette méthode consiste à calculer pour
chacune des années la moyenne et l'écart
type, puis à vérifier la liaison entre l'écart
type et la moyenne par la méthode des
moindres carrés, autrement dit, on doit
chercher estimer le modèle suivant :
Étude de cas:
L'écartype moyenne
ANNEE janvier férier mars avril mai juin juillet aout septembre octobre novembre décembre
288,643379 907,5
1990 713 756 1042 903 905 1240 812 160 997 1180 1160 1022
214,621443 1074
1991 1026 989 1161 1074 980 1480 1010 570 1010 1248 1220 1120
276,822597 1152,25
1992 1006 1037 1220 1227 1040 1730 1034 540 1203 1310 1340 1140
319,245227 1211,33333
1993 1092 1081 1284 1236 1068 1910 1203 490 1282 1360 1370 1160
382,84425 1215,08333
1994 1080 1067 1279 1228 1059 2160 1190 430 1278 1282 1163 1365
Étude de cas:
RAPPORT DÉTAILLÉ
Statistiques de la régression
Coefficient de détermination
0,479738172
multiple
Coefficient de détermination
0,230148714
R^2
Coefficient de détermination
-0,026468381
R^2
Erreur-type 62,30174772
Observations 5
ANALYSE DE VARIANCE
Degré de Somme des Moyenne des
F Valeur critique de F
liberté carrés carrés
0,8968565
Régression 1 3481,155532 3481,155532 0,413492286
2
Résidus 3 11644,52331 3881,507769
Total 4 15125,67884
Limite Limite Limite
supérieur inférieure supérieur
Limite inférieure
Probabilit e pour pour seuil e pour
Coefficients Erreur-type Statistique t pour seuil de
é seuil de de seuil de
confiance = 95%
confiance confiance confiance
= 95% = 95,0% = 95,0%
-
0,0893015 906,68976 906,68976
Constante 39,8304112 272,3877377 0,146226888 -827,0289384 827,02893
4 1 1
8
-
0,0413492 1,0061905 1,0061905
moyenne 0,230752946 0,243660859 0,947025087 -0,544684654 0,5446846
3 5 5
5
Étude de cas
𝜎𝑡 = 𝑎0 + 𝑎1𝑌𝑡
On teste les hypothèses :
• 𝐻0: 𝑎1 = 0 • 𝐻1: 𝑎1 ≠ 0
La probabilité de la moyenne est inférieur à 5%
qui est de 0,04 dans ce cas on accepte
l'hypothèse alternative H1 que la valeur de la
pente est significativement différente de 0.
Alors l’écart type est une fonction de la
moyenne, le modèle est multiplicatif.
Application sur Eviews:
la détection de la saisonnalité par la
méthode graphique.
Nous représentons
graphiquement la série
chronologique pour observer les
trois composantes de la série et
éventuellement pour repérer les
points aberrants.
Interprétation: d’après
l’observation de la courbe de la
série dans cette graphe on peut
dire qu’il y a des perturbations qui
se répètent dans le temps avec
des intervalles régulières.
Donc on peut dire que la série
trafic régulier enregistré aux
différents aéroports du Maroc est
affecté d’une saisonnalité.
Application sur Eviews:
la détection de la saisonnalité par la méthode
graphique.
D’après cette graphe on
peut noter que cette série
est affectée par une
tendance à la hausse, et
pour le mouvement
saisonnière, on peut
observer des perturbations
qui se répètent dans le
temps avec des intervalle
régulier donc la série est
affectée d’une saisonnalité.
Détection de la saisonnalité
par la méthode analytique:
Régression de la série en
fonction de la
saisonnalité, et j’aurais
l’estimation de la variable
vente en fonction de 12
mois.
On a les probabilité du
série>0,05 et le Tc>T
critique donc la série est
affectée d’une
saisonnalité.
La décomposition de la série
Décomposition de la série par le
modèle multiplicatif:
Sélectionner la série puis proc
puis seasonal adjustment puis la
méthode des moyennes mobile
puis analyser par le modèle
multiplicatif.
Par la suit on auras la série
corrigée de la variable
saisonnière: que la série trafic
régulier enregistré aux différents
aéroports du Maroc.
Décomposition par la méthode
analytique:
Le graphe qui
regroupe la
série
stationnaire et
la série
corrigée
les_passa.
Désaisonnalisation:
T les passagers yt st cs ytscv
janv-90 1 713 923,649727 0,77193765 0,91127584 0,00127809
févr-90 2 756 930,035612 0,8128721 0,90948394 0,00120302
mars-90 3 1042 936,421497 1,11274677 1,10165877 0,00105725
avr-90 4 903 942,807382 0,95777782 1,03353211 0,00114455
mai-90 5 905 949,193267 0,95344123 0,92025025 0,00101685
juin-90 6 1240 955,579152 1,29764238 1,5228506 0,00122811
juil-90 7 812 961,965037 0,84410552 0,93824262 0,00115547
août-90 8 160 968,350922 0,16522936 0,38767279 0,00242295
sept-90 9 997 974,736807 1,02284021 1,02233393 0,00102541
oct-90 10 1180 981,122691 1,20270381 1,13120322 0,00095865
nov-90 11 1160 987,508576 1,17467334 1,10397519 0,0009517
déc-90 12 1022 993,894461 1,02827819 1,01315944 0,00099135
janv-91 13 1026 1000,28035 1,02571245 0,94611039 0,00092213
févr-91 14 989 1006,66623 0,98245076 0,93363689 0,00094402
mars-91 15 1161 1013,05212 1,14604173 1,09888676 0,0009465
avr-91 16 1074 1019,438 1,05352164 1,05247069 0,00097995
mai-91 17 980 1025,82389 0,95532968 0,9119525 0,00093056
juin-91 18 1480 1032,20977 1,43381708 1,57915265 0,001067
juil-91 19 1010 1038,59566 0,972467 0,9617769 0,00095225
août-91 20 570 1044,98154 0,54546418 0,44328364 0,00077769
Désaisonnalisation:
sept-91 21 1010 1051,36743 0,96065369 1,02220736 0,00101209
oct-91 22 1248 1057,75331 1,17985922 1,11332807 0,00089209
nov-91 23 1220 1064,1392 1,14646656 1,08630065 0,00089041
déc-91 24 1120 1070,52508 1,04621556 1,00937976 0,00090123
janv-92 25 1006 1076,91097 0,93415336 0,91957637 0,00091409
févr-92 26 1037 1083,29685 0,95726301 0,91736561 0,00088463
mars-92 27 1220 1089,68274 1,11959193 1,08316844 0,00088784
avr-92 28 1227 1096,06862 1,11945546 1,05212037 0,00085747
mai-92 29 1040 1102,45451 0,94334958 0,89749344 0,00086297
juin-92 30 1730 1108,84039 1,56018848 1,62759784 0,00094081
juil-92 31 1034 1115,22628 0,9271661 0,95821353 0,00092671
août-92 32 540 1121,61216 0,48144984 0,40922346 0,00075782
sept-92 33 1203 1127,99805 1,06649121 1,04272525 0,00086677
oct-92 34 1310 1134,38393 1,15481185 1,09115102 0,00083294
nov-92 35 1340 1140,76982 1,17464539 1,06624535 0,00079571
déc-92 36 1140 1147,1557 0,99376222 0,99710116 0,00087465
janv-93 37 1092 1153,54159 0,94664988 0,91228787 0,00083543
févr-93 38 1081 1159,92747 0,93195482 0,89741691 0,00083017
mars-93 39 1284 1166,31336 1,10090482 1,0649567 0,00082941
avr-93 40 1236 1172,69924 1,05397868 1,01845282 0,00082399
mai-93 41 1068 1179,08513 0,90578702 0,87456537 0,00081888
juin-93 42 1910 1185,47101 1,61117394 1,66130253 0,00086979
juil-93 43 1203 1191,8569 1,00934936 0,97373724 0,00080942
août-93 44 490 1198,24278 0,40893215 0,37311027 0,00076145
sept-93 45 1282 1204,62867 1,06422837 1,03084228 0,00080409
oct-93 46 1360 1211,01455 1,12302532 1,05932061 0,00077891
nov-93 47 1370 1217,40044 1,1253487 1,01204533 0,00073872
déc-93 48 1160 1223,78632 0,94787789 0,99877062 0,00086101
janv-94 49 1080 1230,17221 0,87792587 0,87792587 0,00081289
févr-94 50 1067 1236,55809 0,86287899 0,86287899 0,0008087
mars-94 51 1279 1242,94398 1,02900857 1,02900857 0,00080454
avr-94 52 1228 1249,32986 0,98292696 0,98292696 0,00080043
mai-94 53 1059 1255,71575 0,84334373 0,84334373 0,00079636
juin-94 54 2160 1262,10163 1,71143111 1,71143111 0,00079233
juil-94 55 1190 1268,48752 0,93812512 0,93812512 0,00078834
août-94 56 430 1274,8734 0,33728839 0,33728839 0,00078439
sept-94 57 1278 1281,25928 0,99745619 0,99745619 0,00078048
oct-94 58 1282 1287,64517 0,9956159 0,9956159 0,00077661
nov-94 59 1163 1294,03105 0,89874195 0,89874195 0,00077278
déc-94 60 1365 1300,41694 1,04966335 1,04966335 0,00076898
Désaisonnalisation:
ordonnée a
RAPPORT DÉTAILLÉ+3 917,263842
l'origine
6,38588497 pente
Statistique
s de la
régression
Coefficient de détermination
0,35619156
multiple
Coefficient de détermination R^2 0,12687243
Coefficient de détermination R^2 0,11181851
Erreur-type 295,078959
Observations 60
ANALYSE DE VARIANCE
Degré de Somme Moyenne
F Valeur critique de F
liberté des carrés des carrés
Régression 1 733827,585 733827,585 8,42786455 0,005217995
Résidus 58 5050152,35 87071,5922
Total 59 5783979,93
Limite Limite Limite
supérieur inférieure supérieur
Limite inférieure
Coefficien Erreur- Statistiqu Probabilit e pour pour seuil e pour
pour seuil de
ts type et é seuil de de seuil de
confiance = 95%
confiance confiance confiance
= 95% = 95,0% = 95,0%
917,26384 77,151485 11,889127 3,4717E- 1071,6993 762,82836 1071,6993
Constante 762,8283635
2 9 4 17 2 3 2
6,3858849 2,1996942 2,9030784 10,789051 1,9827185 10,789051
T 0,005218 1,982718548
7 4 6 4 5 4
conclusion
L'objectif premier de ce travail c'était de trouver une modélisation
adéquate de la demande du trafic aérien au Maroc, servant comme base
de simulation et projection de trafic nous avons utilisé la modélisation
cette approche a nécessité un traitement préliminaire de la chronique du
trafic aérien au Maroc, à cet effet, on a corrigé la chronique des variations
saisonnières.
