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

 > 

Prévision de la consommation du gaz naturel pour la distribution publique par la méthode traditionnelle, lissage exponentiel et Box & Jenkins

( Télécharger le fichier original )
par Ratiba MOULAI
Institut National de la Planification et de la Statistique Alger - Ingenieur d'Etat en Statistique 2007
  

précédent sommaire suivant

Extinction Rebellion

3.4.2.4 Validation du modèle :

Test d'autocorrélation du résidu (test de Ljung-Box) :

Le corrélogramme du résidu de la série « HPsa » est représenté ci-dessous :

Le corrélogramme du résidu ne fait apparaître aucun terme en dehors de l'intervalle de confiance au seuil a = 5% et la statistique de Ljung-Box Q = 7.9454 est inférieure à la valeur tabulée du khi-deux à 8 degrés de liberté A = 15.507. Donc le résidu forme bien un bruit blanc.

Test de normalité du résidu (test de Jarque et Bera) :

La statistique de Jarque et Bera S = 0.566955 est inférieure à la valeur tabulée du khi-deux à 2 degrés de liberté A = 5.991 au seuil a= 5%.

Donc notre résidu forme bien un bruit blanc normal.

On conclut que le modèle SARIMA (1,0,1)* (0,1,2)12 est valide et peut s'écrire :

(1 - OB)(1 - B)0 (1 - B12)1 HP (t) = (1 - BB) (1 - B1B12 - B2B24)et .

(1 + 0.587746B)(1 - B12)HP(t) = (1 - 0.997493B)(1 - 0.169309B12 - 0.610933B24 )et .

3.4.2.5 Prévision :

La série « HP » a été modélisée par un processus SARIMA(1,0,1)* (0,1,2)12 qui s'écrit comme suit :

HP(t) = -0.587746HP(t-1) + HP(t-12) + 0.587746HP(t-13) - 0.997493 Et-1 - 0.169309 Et_12+ 0.168884 Et_13 - 0.610933 Et-24 + 0.609401 Et_25 + Et

Les résultats des prévisions sont présentés dans le tableau suivant :

Tableau 3.12 -Prévision par la méthode de Box & Jenkins sur la consommation du gaz
naturel région HP.

mois (2007)

HP (t+h)

janv-07

4127926249

févr-07

3706058639

mars-07

2549155013

avr-07

1092425308

mai-07

667040044

juin-07

742354688

juil-07

472133847

août-07

590249808

sept-07

566840838

oct-07

836848416

nov-07

2016070538

déc-07

3871507607

La consommation de gaz naturel en 2007 pour la distribution publique région HP diminuera de 0.16% par rapport à 2006.

3.4.3 Etude de la série sud :

3.4.3.1 Analyse du corrélogramme :

Le corrélogramme nous indique que la série « sud » n'est pas stationnaire, elle est affectée d'une saisonnalité. Nous devons procéder à sa désaisonnalisation. Nous obtenons alors une nouvelle série « sudsa », son corrélogramme est le suivant :

3.4.3.2 Etude de la stationnarité de la série « sudsa » : Le test de Dickey-Fuller :

Choix du nombre de retards optimal :

Les critères d'information d'Akaike et Schwatz ont été minimisés pour un nombre de retards p = 0 (annexe C. 1 tableau C. 1.2). Dans ce cas on utilise le test de Dickey-Fuller simple.

Le test de Dickey-Fuller simple :

On commence par estimer le modèle (3), dont les résultats d'estimation sont les suivants :

La réalisation de Mckinnon&ñ = -4.43 59 est inférieure à la valeur tabulée ~

~ O~O5 = -3.5426, on rejette donc l'hypothèse nulle d'existence de racine unitaire au seuil á = 5%.

Le coefficient b de la tendance n'est pas significatif, la statistique calculée de Student égale à -1.095380 est inférieure à 1.96, donc le modèle (3) n'est pas adapté. On doit refaire le test de racine unitaire à partir du modèle (2) dont les résultas sont les suivants :

On rejette l'hypothèse nulle de présence de racine unitaire puisque &ñ = -3.3 6540 est inférieure à la valeur tabulée du modèle (2) ~

C O~O5 = -2.9472 au seuil á = 5%.

La constante C n'est pas significative car la statistique de Student calculée égale à 0.540949 est inférieure à 1.96 ce qui veut dire que le modèle (2) n'est pas adapté. On doit refaire le test de racine unitaire à partir du modèle (1).

La réalisation de Mckinnon au seuil á= 5% (&ñ = -2.336270) est inférieure à la valeur tabulée

(

~ C O~O5 = -1.9507), donc nous pouvons conclure que la série « sudsa » est stationnaire. 3.4.3.3 Identification et estimation du modèle :

D'après le corrélogramme on peut identifier les modèles suivants : SARIMA (1,0,2) * (1,1, 0)12, SARIMA (1,0,2) * (0,1,2)12 , SARIMA (1,0,2) * (2,1,0)12 .

Les coefficients du modèle SARIMA (1,0,2)* (2,1,0)12 (annexe C.2 tableau C.2.9) ne sont pas significatifs, reste à choisir entre les deux modèles :

Tableau 3.13-Critères de pouvoir prédictif sudsa

Critères

R2

SCR

AI K

SC

SARIMA(1,0,2)*(1,1,0)

0.461851

7.30E+15

36.07410

36.02405

SARIMA(1,0,2)*(0,1,2)

0.555944

6.80E+15

41.92433

36.24624

On conclut que le meilleur modèle est le modèle SARIMA (1,0,2) * (0,1,2)12 .

précédent sommaire suivant






Extinction Rebellion





Changeons ce systeme injuste, Soyez votre propre syndic





"Il faudrait pour le bonheur des états que les philosophes fussent roi ou que les rois fussent philosophes"   Platon