3.4.1. Choix des variables
Dans notre travail, nous avons essayé de choisir au
mieux les variables explicatives qui sont en corrélation directe avec la
consommation de l'énergie électrique au Togo. Pour cela nous
avons retenu la température saison sèche (Tempss), la
température en saison pluvieuse (Tempsp), l'émissions de co2
(emissco), les précipitations (precip), la population (pop), le prix
d'électricité et le produit intérieur brut (PIB).
3.4.1.1. Etudes de la stationnarité des
séries de données
Une série temporelle est stationnaire si elle ne
comporte ni tendance, ni saisonnalité, plus généralement,
aucun facteur n'évoluant avec le temps. Ceci étant, nous devons
d'abord déterminer l'ordre d'intégration des variables. On dit
donc qu'une variable est intégrée d'ordre
35
p si sa différence p est stationnaire
c'est-à-dire que sa différence d'ordre p est d'accroissement nul.
Il permet de mettre en évidence la stationnarité d'une
série. Donc on met en oeuvre le test de stationnarité de
dickey-fuller (DF et ADF).
3.4.1.2. Test de racine unitaire
Ce test permet de détecter les existences de non
stationnarité des séries, aussi de déterminer de quel type
de non stationnarité s'agit-il, c'est donc la bonne méthode pour
rendre stationnaire les séries. On distingue deux types de non
stationnarité des séries que sont :
? Le processus DS (differency stationary) : c'est un processus
de nature aléatoire et pour le rendre stationnaire on utilise les
filtres de différence.
? Le processus TS (trend stationary) : c'est un processus de
nature déterministe et pour le rendre stationnaire on utilise la
méthode des moindres carrés ordinaires (MCO). L'application de ce
test nécessite la détermination du nombre de retard pour chaque
série.
Tableau 2: Test Dickey-Fuller Augmenté (ADF)
|
Variable
|
Libellé
|
I(0)
|
|
I(1)
|
|
|
Level
|
Trend
|
Level
|
Trend
|
|
|
-4.343*
|
|
|
|
|
Lconsel
|
Consommation d'électricité
|
|
|
|
|
|
|
0.549
|
|
|
|
|
|
-3.584*
|
|
|
|
|
Tempss
|
Température saison sèche
|
|
|
|
|
|
|
0.0319
|
|
|
|
|
|
-3.725*
|
|
|
|
|
LPrecip
|
Précipitation
|
|
|
|
|
|
|
0.0001
|
|
|
|
|
|
-3.723*
|
|
|
|
|
Emissco
|
Emission co2
|
|
|
|
|
|
|
0.0666
|
|
|
|
|
|
3.723
|
-4.343
|
|
-3.233**
|
|
Lpop
|
Population
|
0.955
|
0.8959
|
|
0.0000
|
|
Tempsp
|
température saison pluie
|
-3.725
|
|
|
|
|
|
0.0000
|
|
|
|
|
|
-2,625
|
-3,23
|
-3,73
|
|
|
Prixel
|
Prix d'éléctricité
|
|
|
|
|
|
|
0,889
|
0,64
|
0
|
|
|
Lpib
|
Produit Intérieur Brut
|
-2.625
|
-3.23
|
-3,73**
|
|
|
|
0.889
|
0.4465
|
0
|
|
Source : De l'auteur
36
Le test de racine unitaire nécessite le choix du nombre
de retard (p), afin de déterminer cette valeur, on utilise les
critères d'information Akaike (AIC) et Schwarz (SC). Pour un ordre
« p » allant de 1 à 4, on retient le retard qui minimise ces
deux critères d'information.
Les symboles *, ** représente respectivement la
stationnarité à niveau, en différence première
L'on note que les séries PIB par tête, Population
et le prix d'électricité sont intégrées d'ordre 1
(stationnaire après la première différence), alors que la
température saison pluvieuse et sèche, précipitation,
consommation d'électricité, émission de co2 restent
stationnaires à niveau (sans différenciation). Les séries
sont ainsi intégrées à des ordres différents ce qui
nous pousse à choisir un modelé autorégressif à
distribution.
| 
