Scribd Logo
Importer

Bienvenue sur Scribd !

  • 385 vues

    Examen de Techniques de Prevision-1

    Transféré par

    Malick Seye
    Ce document présente une analyse des techniques de prévision saisonnière pour un ensemble de données de bénéfices trimestriels. Il décrit l'utilisation de moyennes mobiles, d'ajustement saisonnier, de décomposition de séries chronologiques et de modèles de Holt-Winters pour générer des prévisions. Il examine également des tests de normalité et de significativité des modèles de régression linéaire appliqués à d'autres ensembles de données.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Examen de Techniques de Prevision-1

    Transféré par

    Malick Seye
    385 vues5 pages
    Ce document présente une analyse des techniques de prévision saisonnière pour un ensemble de données de bénéfices trimestriels. Il décrit l'utilisation de moyennes mobiles, d'ajustement saisonnier, de décomposition de séries chronologiques et de modèles de Holt-Winters pour générer des prévisions. Il examine également des tests de normalité et de significativité des modèles de régression linéaire appliqués à d'autres ensembles de données.

    Description originale:

    Jii

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente une analyse des techniques de prévision saisonnière pour un ensemble de données de bénéfices trimestriels. Il décrit l'utilisation de moyennes mobiles, d'ajustement saisonnier, de décomposition de séries chronologiques et de modèles de Holt-Winters pour générer des prévisions. Il examine également des tests de normalité et de significativité des modèles de régression linéaire appliqués à d'autres ensembles de données.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    385 vues5 pages

    Examen de Techniques de Prevision-1

    Transféré par

    Malick Seye
    Ce document présente une analyse des techniques de prévision saisonnière pour un ensemble de données de bénéfices trimestriels. Il décrit l'utilisation de moyennes mobiles, d'ajustement saisonnier, de décomposition de séries chronologiques et de modèles de Holt-Winters pour générer des prévisions. Il examine également des tests de normalité et de significativité des modèles de régression linéaire appliqués à d'autres ensembles de données.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 5

    EXAMEN DE TECHNIQUES DE PREVISION

    EXERCICE 1 :
    1. REPRESENTATION GRAPHIQUE
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝑅𝐴𝑃𝐻 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐵𝐸𝑁𝐸𝐹𝐼𝐶𝐸 → 𝑂𝐾
    ANALYSE : la série présente des fluctuations avec des amplitudes différentes
    d’où l’existence d’un mouvement saisonnier.
    2. COEFFICIENTS SAISONNIERS A L’AIDE DE LA MOYENNE GENERALE
    2016 2017 2018 2019 Moyenne coefficients
    er
    1 trimestre 307 394 523 560 446 0,8532
    2éme trimestre 385 512 660 730 571,75 1,0939
    3éme trimestre 295 399 530 597 455,25 0,8710
    4éme trimestre 433 570 734 734 617,75 1,1819
    Moyenne générale 522,6875 4

    3. INTERPRETATION DES CS (GOOGLE)

     Le coefficient du 1er trimestre et 3éme trimestre sont inférieur à 1 donc l’activité


    de ces deux trimestres sont inférieur à la moyenne.
     Le coefficient du 2ére trimestre et 4éme trimestre sont supérieurs à 1 donc
    l’activité de ces deux trimestres sont supérieur à la moyenne.

    4. PREVISION DES 4 TRIMESTRES


    La prévision du bénéfice en 2020 = 2611 ∗ 1,1 = 2872,1
    2611 = 560 + 720 + 597 + 734
    Le trimestre moyen = 2872,1/4 = 718,025

    trimestre coefficients Bénéfices 2020


    moyen
    1er trimestre 718,025 0,8532 612,61893
    2éme trimestre 718,025 1,0939 785,4475475
    3éme trimestre 718,025 0,8710 625,399775
    4éme trimestre 718,025 1,1819 848,6337475

    5. SERIE DESAISONNALISEE
    a. JUSTIFICATION DU CHOIX DE LA LONGEUR 4
    La longueur peut être justifiée par la présence de quatre trimestres dans une année et
    somme totale des coefficients de saisonniers, qui est égale 4.

    b. DETERMINONS MOB4
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝐸𝑁𝐸𝑅𝐴𝑇𝐸 𝑆𝐸𝑅𝐼𝐸𝑆 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝑀𝑂𝐵4
    = @𝑀𝑂𝑉𝐴𝑉(𝐵𝐸𝑁𝐸𝐹𝐼𝐶𝐸, 4)
    POUR LA TENDANCE
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝑅𝐴𝑃𝐻 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝑀𝑂𝐵4 → 𝑂𝐾
    c. LA SAISONNALITE PAR BUYS BALLOT
    Il faut emmener les données sur Excel et calculer les écart-type de chaque
    année. S’ils sont constants la saisonnalité est additive et multiplicatives s’ils
    varient.
    d. LA SERIE DESAISONALISEE
    𝐵𝐸𝑁𝐸𝐹𝐼𝐶𝐸 → 𝑃𝑅𝑂𝐶 → 𝑆𝐸𝐴𝑆𝑂𝑁𝐴𝐿 𝐴𝐷𝐽𝑈𝑆𝑇𝑀𝐸𝑁𝑇
    → 𝑀𝑂𝑉𝐼𝑁𝐺 𝐴𝑉𝐸𝑅𝐴𝐺𝐸 𝑀𝐸𝑇𝐻𝑂𝐷
    → 𝑆𝐴𝐼𝑆𝐼𝑅: (𝐴𝐷𝐽𝑈𝑆𝑇𝐸𝐷 𝑆𝐸𝑅𝐼𝐸𝑆)𝐶𝑉𝑆 𝐸𝑇 (𝐹𝐴𝐶𝑇𝑂𝑅𝑆)𝐶𝑆 → 𝑂𝐾
    e. LA TENDANCE EN UTILISANT LA SERIE CVS
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝐸𝑁𝐸𝑅𝐴𝑇𝐸 𝑆𝐸𝑅𝐼𝐸𝑆 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝑇 = @𝑇𝑅𝐸𝑁𝐷 + 1 → 𝑂𝐾
    𝑄𝑈𝐼𝐶𝐾 → 𝐸𝑆𝑇𝐼𝑀𝐴𝑇𝐸 𝐸𝑄𝑈𝐴𝑇𝐼𝑂𝑁 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐶𝑉𝑆 𝐶 𝑇 → 𝑂𝐾
    𝑆𝑈𝑅 𝐿𝐸 𝑇𝐴𝐵𝐿𝐸𝐴𝑈 𝑄𝑈𝐼 𝐴𝑃𝑃𝐴𝑅𝐴𝐼𝑇: 𝐹𝑂𝑅𝐸𝐶𝐴𝑆𝑇
    → 𝑆𝐴𝐼𝑆𝐼𝑅 (𝐹𝑂𝑅𝐸𝐶𝐴𝑆𝑇 𝑁𝐴𝑀𝐸)𝐶𝑉𝑆_𝐷𝑅
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝑅𝐴𝑃𝐻 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐵𝐸𝑁𝐸𝐹𝐼𝐶𝐸 𝐶𝑉𝑆_𝐷𝑅
    NB : la tendance est en rouge
    f. PREVISION POUR 2020
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝐸𝑁𝐸𝑅𝐴𝑇𝐸 𝑆𝐸𝑅𝐼𝐸𝑆 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐵𝐸𝑁𝐸𝐹𝐼𝐶𝐸2020 =CVS_DR*CS
    NB : Prendre les 4 premières valeurs pour les 4 trimestres de 2020
    6. PREVISION PAR LA METHODE DE HOLT-WINTER
    𝑄𝑈𝐼𝐶𝐾 → 𝑆𝐸𝑅𝐼𝐸𝑆 𝑆𝑇𝐴𝑇𝐼𝑆𝑇𝐼𝐶 → 𝐸𝑋𝑃𝑂𝑁𝐸𝑁𝑇𝐼𝐸𝐿 𝑆𝑀𝑂𝑂𝑇𝐻𝐼𝑁𝐺
    → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐵𝐸𝑁𝐸𝐹𝐼𝐶𝐸
    → 𝐶𝑂𝐶𝐻𝐸𝑅 𝐻𝑂𝐿𝑇 − 𝑊𝐼𝑁𝑇𝐸𝑅 𝑀𝑈𝐿𝑇𝐼𝑃𝐿𝐼𝐶𝐴𝑇𝐼𝑉𝐸 → 𝑂𝐾
    Il faudra multiplier la valeur de mean par seasonnal pour avoir la prévision de
    chaque trimestre.
    Il faudra aussi noter la valeur de root mean squared error (erreur quadratique
    moyenne) pout la dernière question.
    EXERCICE 2 :
    1. QUE STIPULE CES MODELES (RECHERCHE)
    2. LE TERME D’ERREUR (RECHERCHE)

    3. TERTE DE NORMALITE ET DE LOG-NORMALITE


    Test de normalité
    Le test de l’hypothèse est le suivant
    𝐻0 : La variable X suit une loi normale 𝑁(𝑚, 𝜎)
    𝐻1 : La variable X ne suit pas une loi normale 𝑁(𝑚, 𝜎)
    Test de 𝑙𝑜𝑔𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑡é
    Le test de l’hypothèse est le suivant
    𝐻0 : La variable 𝑙𝑜𝑔(𝑋) suit une loi normale 𝑁(𝑚, 𝜎)
    𝐻1 : La variable 𝑙𝑜𝑔(𝑋) ne suit pas une loi normale 𝑁(𝑚, 𝜎)
    Remarque : Une variable X suit une loi 𝑙𝑜𝑔𝑛𝑜𝑟𝑚𝑎𝑙𝑒 si son logarithme
    suit une loi normale.
    𝑄𝑈𝐼𝐶𝐾 → 𝐺𝑅𝑂𝑈𝑃 𝑆𝑇𝐴𝑇𝐼𝑆𝑇𝐼𝐶 → 𝐷𝐸𝑆𝐶𝑅𝐼𝑃𝑇𝐼𝑉𝐸 𝑆𝑇𝐴𝑇𝐼𝑆𝑇𝐼𝐶
    → 𝐶𝑂𝑀𝑀𝑂𝑁 𝑆𝐴𝑀𝑃𝐿𝐸
    → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐼𝑁𝑉 𝐿𝑂𝐺(𝐼𝑁𝑉) 𝑃𝐼𝐵 𝐿𝑂𝐺(𝑃𝐼𝐵) → 𝑂𝐾
    Il faut regarder la probabilité de jarque Bera si c’est inférieur au seuil alors on
    rejette H0 donc les variables suivent une loi normale
    4. L’HYPOTHESE DE NORMALITE (RECHERCHE)
    5. ESTIMATION DES PARAMETRES
    MODELE 1 :
    𝑄𝑈𝐼𝐶𝐾 → 𝐸𝑆𝑇𝐼𝑀𝐴𝑇𝐸 𝐸𝑄𝑈𝐴𝑇𝐼𝑂𝑁 → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐿𝑂𝐺(𝐼𝑁𝑉) 𝐶 𝐿𝑂𝐺(𝑃𝐼𝐵)
    Dans le tableau qui apparait 𝑃𝐼𝐵 = 𝑎2 =
    𝑙 ′ é𝑙𝑎𝑠𝑡𝑖𝑐𝑖𝑡é 𝑑𝑒 𝑙 ′ 𝐼𝑁𝑉 𝑝𝑎𝑟 𝑟𝑎𝑝𝑝𝑜𝑟𝑡 𝑎𝑢 𝑃𝐼𝐵
    MODELE 2 :
    𝑄𝑈𝐼𝐶𝐾 → 𝐸𝑆𝑇𝐼𝑀𝐴𝑇𝐸 𝐸𝑄𝑈𝐴𝑇𝐼𝑂𝑁
    → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐿𝑂𝐺(𝐼𝑁𝑉) 𝐶 𝐿𝑂𝐺(𝐼𝑁𝑉(−1)) 𝐿𝑂𝐺(𝑃𝐼𝐵)
    6. INTERPRETATION DE 𝑹𝟐 (RECHERCHE)

    7. LES TESTS

    a) TEST DE SIGNIFICATIVITE DES VARIABLES EXPLICATIVES (TEST DE


    STUDENT)
    MODELE 1:
    𝐻0 : 𝑎2 = 0
    𝐻1 : 𝑎2 ≠ 0
    La probabilité critique associe au teste de Student (t-statistic) est donnée par la
    cinquième colonne « Prob ».
    Si sa probabilité est inférieur au seuil (5% par exemple) on rejette 𝐻0.
    MODELE 2:
    𝐻0 : 𝑏2 = 𝑏3 = 0
    𝐻1 : ∃𝑏𝑖 ≠ 0
    La probabilité critique associe au teste de Student (t-statistic) est donnée par la
    cinquième colonne « Prob ».
    Si sa probabilité est inférieur au seuil (5% par exemple) on rejette 𝐻0.
    b. TEST DE SIGNIFICATIVITE GLOBALE DU MODELE (TEST DE FISHER)
    Nous voulons tester
    𝐻0 : 𝛽2 = 𝛽3 = 0 (Le modèle n’est pas globalement significatif)
    Contre
    𝐻1 : Il existe au moins un coefficient différent de 0 (le modèle est globalement
    significatif)
    La statistique de Fisher (F-statistics) est :
    c. TEST D’HOMOCEDASTICITE DES ERREURS
    𝐻0 : Les erreurs sont homocédastiques
    𝐻1 : Les erreurs sont hétérocédastique
    𝑄𝑈𝐼𝐶𝐾 → 𝐸𝑆𝑇𝐼𝑀𝐴𝑇𝐸 𝐸𝑄𝑈𝐴𝑇𝐼𝑂𝑁
    → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐿𝑂𝐺(𝐼𝑁𝑉) 𝐶 𝐿𝑂𝐺(𝐼𝑁𝑉(−1)) 𝐿𝑂𝐺(𝑃𝐼𝐵)
    PUIS
    𝑉𝑖𝑒𝑤 → 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑠 𝑇𝑒𝑠𝑡 → 𝑊ℎ𝑖𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑠𝑘𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑡𝑦 (𝑁𝑜 𝑐𝑟𝑜𝑠𝑠 𝑡𝑒𝑟𝑚𝑠)
    Il faut regarder la probabilité de 𝐹 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐 et le comparer au seuil
    d. AUTO CORRELATION DES ERREURS TEST DE BREUSCCH-GODFREY
    𝐻0 : Les erreurs ne sont pas corrélées
    𝐻1 : Les erreurs sont corrélées au premier ordre
    𝑄𝑈𝐼𝐶𝐾 → 𝐸𝑆𝑇𝐼𝑀𝐴𝑇𝐸 𝐸𝑄𝑈𝐴𝑇𝐼𝑂𝑁
    → 𝑆𝐴𝐼𝑆𝐼𝑅 𝐿𝑂𝐺(𝐼𝑁𝑉) 𝐶 𝐿𝑂𝐺(𝐼𝑁𝑉(−1)) 𝐿𝑂𝐺(𝑃𝐼𝐵)
    PUIS
    𝑉𝑖𝑒𝑤 (à 𝑔𝑎𝑢𝑐ℎ𝑒) → 𝑅𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑠 𝑇𝑒𝑠𝑡 → 𝑆𝑒𝑟𝑖𝑎𝑙 𝐶𝑜𝑟𝑟é𝑙𝑎𝑡𝑖𝑜𝑛 𝐿𝑀 𝑇𝑒𝑠𝑡
    → « 𝐿𝑎𝑔 𝑡𝑜 𝑖𝑛𝑐𝑙𝑢𝑑𝑒 » : 𝑆𝑎𝑖𝑠𝑖𝑟 2 → 𝑜𝑘
    Il faut regarder la probabilité de 𝐹 − 𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐 et le comparer au seuil
    e. STABILITE DES COEFFICIENTS TEST DE CUSUM CARRE
    𝑉𝑖𝑒𝑤 > 𝑆𝑡𝑎𝑏𝑖𝑙𝑖𝑡𝑦 𝑇𝑒𝑠𝑡𝑠 > 𝑅𝑒𝑐𝑢𝑟𝑠𝑖𝑣𝑒 𝐸𝑠𝑡𝑖𝑚𝑎𝑡𝑒𝑠
    > 𝐶𝑢𝑠𝑢𝑚 𝑜𝑓 𝑆𝑞𝑢𝑎𝑟𝑒𝑠 𝑇𝑒𝑠𝑡 > 𝑂𝐾
    Conclusion : Le modèle est ponctuellement instable car la courbe coupe le
    corridor.

    8. PREVISION (RECHERCHE)

    Vous aimerez peut-être aussi