Annexe
Annexe A : Méthode de la décomposition
1. Analyse des significativités des composantes
Irrégulier, Niveau, Cycle et Saison et statistique d'ajustement de la
décomposition de la série avec data training du modèle.
|
Statistiques d'ajustement basées sur
la
vraisemblance
|
|
Statistique
|
Valeur
|
|
Log-vraiserrbhrKe compëte
|
2023.2
|
|
Lng-vraisembI nce de partie diffuse
|
-Z48.6
|
|
Ctrze niions non manquantes utilisées
|
940
|
|
Paranrélres
e9ümés
|
6
|
|
Elérnems d'état diffus initiai
rés
|
12
|
|
Scarne des carrés résiduelle
normalisée
|
928
|
|
AIC(préférer les petites
valeurs)
|
4034
|
|
BIC (préférer les petites
valeurs)
|
-4006
|
|
AICC (préférer les petites
valeurs)
|
-4034
|
|
EE 1C (préférer les petites
valeurs)
|
-4024
|
|
CRIC (préférer les petites
valeurs)
|
-4000
|
|
Statistiques d'ajustement basées sur les
résidus
|
|
Erreur quadratique moyenne
|
0.00045885
|
|
Erreur RMS
|
0.02142
|
|
Erreur absolue du pourcentage de la moyenne
|
0.14905
|
|
Erreur relative (en ) maximum
|
1.22121
|
|
R carré
|
0.91904
|
|
R carré ajusté
|
0.91855
|
|
R carré de marche aléatoire
|
0.85075
|
|
R carré ajusté d'Amemiya
|
0.91786
|
|
Number of non-missing residuals used for computing the
fit statistics = 828
|
Analyse de significativité des
composantes (basée sur l'état
final)
|
Composante
|
DDL
|
khi-2
|
Pr > khi-2
|
|
Irrégulier
|
1
|
0.02
|
0.8915
|
|
Niveau
|
1
|
982036
|
c.0001
|
|
Cycle
|
2
|
5.08
|
0.0789
|
|
Saison
|
11
|
162.01
|
c_0001
|
2. Analyse des significativités des composantes
Irrégulier, Niveau, Cycle et Saison et statistique d'ajustement de la
décomposition de la série avec data training du deuxième
modèle
|
/Analyse de sij'ihca1Ytke des composantes
sur l'état final)
|
|
Composante
|
DI)_
|
khi-2
|
Pr >161-2
|
|
Niveau
|
1
|
1379868
|
c.0001
|
|
Saison
|
11
|
237.43
|
c.0001
|
Page 24
|
Statistiques d'ajustement tri sin les
r&sidus
|
|
Erreur quadratique moyenne
|
0.00056471
|
|
Erreur RMS
|
0.02376
|
|
Erreur absolue du pourcentage de la moyenne
|
0.16626
|
|
Erreur relative (en ) maximum
|
1.22121
|
|
R carré
|
0.90037
|
|
R carré ajuste
|
0.90025
|
|
R carré de marche aleatoke
|
0.$1632
|
|
R carré ajusté d'lvrremiya
|
0.89969
|
|
Humber of noir-rrissing residuals used
for computing the lit statistics = 829
|
Page 25
|
Sta1üques d'ajustement basera srr
la
vraisemblance
|
|
Statistique
|
Valeur
|
|
Lcgvrai serrblance cc:api:ire
|
1934.2
|
|
Lngvraiserrblance de partie tirffuse
|
-2485
|
|
Chseruaüans non manquantes
utilisées
|
940
|
|
Pararniitres
élimés
|
2
|
|
Blé/rems détat diffus inrlial se'
s
|
12
|
|
Sonne des carrés résiduelle
norrn2lisde
|
428
|
|
PJC (préférer les
pelitesvaleurs)
|
-3864
|
|
BIC (préférer Ies petit.
valeurs)
|
-3855
|
|
AICC {préférer les pefl s
valeurs}
|
-3864
|
|
I-I!IC (préférer le .
pelités valeurs)
|
-3861
|
|
CAIC {préférer Ies petitim
valeurs}
|
-3853
|
3. Prévision du log de nombre de naissance de
l'année 2016 par la data training en utilisant la méthode de la
décomposition de la série.
|
Prëvisirsns pour la variable Ig
|
|
Obis
|
date
|
Prëvisian
|
Erreur type
|
95%
Confidence Liras
|
|
841
|
.JAF 2O16
|
11.163318
|
0.12323
|
11.017792
|
11.1l3 845
|
|
142
|
FE B2016
|
10.964711
|
0.12764
|
14.911534
|
11.0184166
|
|
843
|
11AR2016
|
11.137546
|
0.13203
|
1O.9747E9
|
11.100324
|
|
044
|
.4P R2016
|
11.167695
|
0.635136
|
14.936803
|
11. 677386
|
|
045
|
MAY2016
|
11.169912
|
0.13932
|
10.992839
|
11.146985
|
|
145
|
,11..11 42015
|
11.162956
|
01142561 51
|
119796E2
|
11.141261
|
|
047
|
JU L2016
|
11.107541
|
0_04546
|
11.118440
|
11.196642
|
|
948
|
AUG2016
|
11.187381
|
0_04924
|
10.992836
|
11.181923
|
|
844
|
9EP2016
|
11.17905D
|
0.15186
|
10.979367
|
11.178733
|
|
050
|
OCf2016
|
11.18617E
|
0.15332
|
10.981674
|
11.190632
|
|
051
|
NOV2116
|
11.026563
|
0.05544
|
10.917926
|
11.135240
|
|
IV
|
DED11
|
11.16095D
|
4.15555
|
1O.95008
|
11.171803
|
4.
Page 26
Comparaison des prévisions de nombre de naissance du
modèle et des observations de la testing data de l'année 2016.
Date
|
Prévision
|
Observa- tion
|
exp (prévi-Sion)
|
Janv-16
|
11,063318
|
62600
|
63787,8492
|
Fev-16
|
10,9647
|
57900
|
57797,4537
|
Mars-16
|
11,037546
|
59700
|
62164,9118
|
Avr-16
|
11,007095
|
57300
|
60300,4593
|
Mai-16
|
11,069912
|
62400
|
64209,8561
|
Juin-16
|
11,062956
|
62800
|
63764,7622
|
Juil-16
|
11,107541
|
67300
|
66672,0431
|
Aout-16
|
11,08738
|
65100
|
65341,3274
|
Sept-16
|
11,07905
|
63500
|
64799,2948
|
|
5. Code sous SAS :
Importation de la base de données :
proc import DATAFILE='/folders/myshortcuts/my fold-
ers/emines/nbrenaissance.xls'
OUT=NBNAISSANCE
dbms=xls
replace;
getnames=yes;
RUN;
Division de la base de données en training et testing
:
data training;
set NBNAISSANCE;
Page 27
IE (ann e >= 2016) THEN DELETE; date = mdy(mois,1,ann e); lg =
log(nbre naissance);
run;
data testing;
set NBNAISSANCE;
IE (ann e < 2016) THEN DELETE;
date = mdy(mois,1,ann e);
lg = log(nbre naissance);
run;
Affichage de training data selon la date :
proc sort data=training out=training; by date;
run;
Méthode de décomposition pour la training data :
proc ucm data=training ;
id date interval=month ;
model lg ;
level;
season length=12 type=dummy ;
forecast lead=12 back=0 alpha=0.05
outlier;
run;
| 
