Comptabilité, modèles de prévisions, économétrie des séries temporelles, série de MASI, indice de MASI, stationnarité, test de Dickey-Fuller, corrélogramme
L'économétrie des séries temporelles est tournée vers la construction de modèles de prévision qui sont plus performants que ceux issus de l'économétrie classique. Dans ce travail on va essayer de construire un modèle de prévision pour la série de MASI. Pour se faire on va se baser sur les données tirées du site de la bourse de Casablanca concernant l'indice de MASI. La série ainsi obtenue commence du 03/01/2000 et se termine le 18/02/2010.
A noter qu'on va travailler ici sur la série log de MASI. La première autocorrélation partielle est significativement différente de zéro (elle sort de l'intervalle de confiance), donc on choisit p=1. Une autre façon de choisir le nombre optimal des retards se limite à l'observation des critères d'information et à la vérification ex-post de l'absence d'autocorrélation des innovations.
Ainsi on utilise les critères d'information disponibles sous Eviews, à savoir le critère d'Akaike (AIC) et le critère de Schwartz (SC). Pour ce faire, il suffit tout d'abord de se donner un nombre de retards maximums admissibles, noté pmax, compte tenu du nombre d'observations disponibles et donc du nombre de degrés de liberté des régressions correspondants.
[...] On vérifie ensuite que le modèle à partir duquel nous avons fait le test (modèle est bien le bon modèle. On teste pour cela la nullité du cœfficient de la constante conditionnellement à la présence d'une racine unitaire. Pour obtenir la réalisation de la statistique de Fischer F2 associée à ce test on écrit le petit programme suivant : La valeur de la réalisation de la statistique de Fischer F2 est stockée dans la variable scalaire (SCALAR) nommée F2. Nous obtenons ainsi une valeur de F2 égale à 0,9004. [...]
[...] Ceci signifie que le test de non-stationnarité pratiqué avec les seuils asymptotiques incluant une constante (modèle doit être remis en cause. Il faut donc recommencer ce test à partir du modèle 1 sans constante ni trend. Modèle sans constante et sans tendance Cette fois-ci, dans la fenêtre de Unit Root Test, on choisit none ce qui donne : Pour un niveau de risque de Statistique de Student est supérieure au seuil critique (1,336923 > -1,940949) et donc on accepte l'hypothèse nulle de racine unitaire dans le modèle 1. [...]
[...] On passe alors au test la nullité de la constante c par le simple test de Student avec des seuils standards. Ainsi on a le t du coefficient de la constante (1,419848) inférieur à 1,96 cela implique que le modèle 2 n'est pas adapté puisque la présence d'une constante est rejetée. On refait alors le test de racine unitaire à partir du modèle 1 qui ne comprend ni constante ni trend. Modèle sans constante et sans tendance En comparant la réalisation de la statistique de Student (-30,52208) au seuil critique tabulé 1.940949 on constate que la première est inférieure à la deuxième ce qui signifie le rejet de l'hypothèse nulle de non-stationnarité. [...]
[...] Dans ce travail on va essayer de construire un modèle de prévision pour la série de MASI. Pour se faire on va se baser sur les données tirées du site de la bourse de Casablanca concernant l'indice de MASI. La série ainsi obtenue commence du 03/01/2000 et se termine le 18/02/2010. Etude de la stationnarite A noter qu'on va travailler ici sur la série log de MASI. Pour créer cette série qu'on notera LMASI sous Eviews, on va dans Quick puis dans Generate series et on tape dans la fenêtre qui apparaît : LMASI= log(MASI) Graphique et corrélogramme Pour obtenir le graphique de LMASI, on ouvre le fichier où est rangée la série LMASI. [...]
[...] La série DLMASI est bel et bien stationnaire. [...]
Référence bibliographique
Source fiable, format APALecture en ligne
avec notre liseuse dédiée !Contenu vérifié
par notre comité de lecture
