I.2. IDENTIFICATION DU MODELE
Nous constatons que le premier coefficient
d'autocorrélation est significativement différent de zéro.
Ainsi nous présumons que V est un processus ARIMA (1,0,0). Pour
confirmer cela, estimons le modèle :
Vt = èVt-1 + ìt
(voir tableau 8 en annexe)
I.3. ESTIMATION DU MODELE
LS V V(-1)
L'estimation de ce modèle nous confirme l'existence
d'un ARIMA (1,0,0) car le coefficient de la variable décalée est
significatif. Les résidus de cette estimation que nous avons
générer à l'aide des commandes GENR U = resid du logiciel
Eviews sont stationnaires comme nous l'indique les tableaux 9 et 10 en
annexe.
L'estimation de notre série faite sur Eviews
étant valide, nous pouvons l'utiliser pour la prévision. Ceci
peut être confirmé par le tableau et le graphique de
l'étape suivante qui nous montrent que les valeurs actuelles et futures
ne s'écartent pas.
I.4. VALIDATION DU MODELE
a) Hétéroscédastisticité
Ho : il y a absence d'hétéro.
Hi : il y a hétéro
|
ARCH Test:
|
|
F-statistic
|
2.748452
|
Probability
|
0.100514
|
|
Obs*R-squared
|
2.728235
|
Probability
|
0.098588
|
En analysant les données se trouvant dans le tableau ci
haut, on ne peut rejeter l'hypothèse nulle ; c'est à dire
qu'il y a absence d'hétéro.
|
Obs
|
Actual
|
Fitted
|
Residual
|
Residual Plot
|
|
|
|
|
|
|
97
|
-0.02915
|
-0.01989
|
-0.00926
|
| . * . |
|
|
98
|
-0.04377
|
-0.02084
|
-0.02293
|
| . *| . |
|
|
99
|
-0.05329
|
-0.03128
|
-0.02201
|
| . *| . |
|
|
100
|
-0.04974
|
-0.03810
|
-0.01164
|
| . *| . |
|
|
101
|
-0.03430
|
-0.03555
|
0.00125
|
| . * . |
|
|
102
|
-0.07261
|
-0.02452
|
-0.04809
|
| .* | . |
|
|
103
|
-0.06827
|
-0.05190
|
-0.01636
|
| . *| . |
|
En outre, le coefficient de Theil (0,2919) tend vers
zéro, la prévision est donc performante.
Le coefficient d'inégalité de Theil étant
de 29,19% on peut dire qu'il est élevé. Il est donc possible de
réduire sa valeur en estimant directement lChi en fonction de t et de
Chi (-1) en utilisant les commandes suivantes :
LS lChi c t lChi (-1) (voir tableau 11 en annexe)
Nous constatons que le coefficient de Theil a baissé
(0,004980). De plus, la prévision faite sur base de cette
régression est meilleure que la précédente du fait que le
Root Mean Square Error est inférieur à celui du premier
modèle. (voir graphique 3 en annexe).
|
Obs
|
Actual
|
Fitted
|
Residual
|
Residual Plot
|
|
97
|
5.99655
|
5.99310
|
0.00345
|
| . * . |
|
|
98
|
5.99146
|
6.00125
|
-0.00979
|
| . *| . |
|
|
99
|
5.99146
|
5.99990
|
-0.00844
|
| . * . |
|
|
100
|
6.00455
|
6.00219
|
0.00236
|
| . * . |
|
|
101
|
6.02951
|
6.01383
|
0.01568
|
| . |* . |
|
|
102
|
6.00073
|
6.03398
|
-0.03325
|
| .* | . |
|
|
103
|
6.01460
|
6.01568
|
-0.00108
|
| . * . |
|
| 
