WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Trafic aérien de passagers et les entrées des touristes internationaux au Maroc : quelle relation ?

( Télécharger le fichier original )
par El Mostafa ERRAITAB
Université Hassan II Mohammédia, Casablanca - Master en Techniques de Modélisation Economiques et Econométrie 2013
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

c) Correction de la série des variations saisonnières.

Maintenant que nous savons que la série est affectée d'une tendance saisonnière et que le modèle de décomposition de la série chronologique est de type multiplicatif, nous procédons à l'estimation de la composante saisonnière et de la retirer de la tendance, pour ce faire, on va utiliser la méthode de la moyenne mobile qu'on a abordée ses contours théoriques au troisième paragraphe de la sous section 2.3.

Pour désaisonnaliser la série du trafic, on va exécuter la commande suivante sous Eviews : seas(options) series_name name_adjust [name_fac],

-tel que (option) désigne le modèle de décomposition, m pour un modèle multiplicative et a pour un modèle additif

-Series_name indique l'intitulé de la série à corriger ;

-name_adjust est le nom qu'on va attribuer à la série corrigée des variations saisonnières et ;

-[name_fac] est le nom qu'on va donner aux facteurs saisonniers.

L'exécution de la commande nous donne les résultats suivants :

Coefficients saisonniers

Date: 02/04/13 Time: 14:43

Sample: 2005M01 2012M12

Included observations: 96

Ratio to Moving Average

Original Series: PAXREG

Adjusted Series: PAX_ADJ

 
 
 
 
 
 

Scaling Factors:

 
 
 
 
 
 

 1

 0.939103

 2

 0.813950

 3

 0.940598

 4

 1.032110

 5

 0.944515

 6

 0.993388

 7

 1.276256

 8

 1.272791

 9

 1.004974

 10

 0.966333

 11

 0.918118

 12

 0.991644

 
 
 
 
 
 

La visualisation des la série brute et la série CVS ou bien ajustée sur un même graphique nous permet d'avoir une idée sur l'impact de la correction sur la série initiale,

Figure 28 : Série corrigée des variations saisonnières


Source : Calculs de l'auteur sur la base des données de l'ONDA

Comme on a déjà mentionnée plus haut, la correction de la série par la méthode des moyennes mobiles a permis d'éliminer les variations saisonnières sans toucher à la tendance.

Maintenant que nous avons détecté et corrigé la série de ses variations saisonnières, on doit tester l'existence de la stationnarité, savoir de quel type si elle existe et puis rendre la série stationnaire par la méthode adaptée au type de stationnarité.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Soit réservé sans ostentation pour éviter de t'attirer l'incompréhension haineuse des ignorants"   Pythagore