Formation Eviews

Formation Eviews 7
Introduction
Jonathan Benchimol
Plan
Prise en main du logiciel
Utilisation
Cration
Gestion
Analyse statistique
Reprsentations graphiques
Statistiques descriptives
Economtrie
Estimations
Tests
Mthodes
2 Jonathan Benchimol
Prise en main du logiciel
Jonathan Benchimol 3
Utilisation
Cration
Gestion
Fentre initiale
Fentre de commande
Statuts et fentres
Crer ou ouvrir un fichier
Plusieurs manires daccder des donnes:
Cration dun nouveau fichier de travail (Workfile)
File/New/Workfile puis suivre les indications
wfcreate(wf=annual, page=myproject) a 1950 2005
Ouvrir un fichier Eviews (.wf1)
File/Open/Workfile puis slectionner le fichier ouvrir
wfopen "c:\data files\data.wf1"
Ouvrir un fichier qui nest pas en format Eviews
File/Open/Foreign Data as Workfile puis slectionner le fichier
ouvrir
wfopen "c:\data files\data.xls"
Cration dun nouveau workfile
Cration dun nouveau
workfile:
File/New/Workfile
Choisir le type de structure
Choisir la frquence
Choisir les bornes
Optionnel:
Donner un nom au workfile
Donner un nom la page
du workfile
Saisie de donnes
Premire mthode: le copi/coll sur une nouvelle srie.
Une fois le workfile
cr, allez dans Excel et
slectionner une srie
sans son label.
Collez ensuite dans
lobjet srie la srie
slectionne (cf. ci
aprs).
Si cela ne fonctionne
pas, noubliez pas de
dverrouiller le mode
dition
Cration partir dExcel

Fentre Workfile
Repres
Nombre dobservations
Feuilles
Barre de boutons
Objets
Fentre Workfile
Cration et excution d'un programme
Deux faons d'diter et d'excuter un programme sous Eviews:
Interactive use
Des commandes lmentaires peuvent tout d'abord tre reportes une une
dans la ligne de commande (situe au-dessous de la barre de menu).
Les commandes seront alors excutes immdiatement, mais ne seront pas
enregistres dans un fichier.
Batch use
On ouvre une nouvelle fentre dans laquelle on va enregistrer une squence de
commandes.
Pour ouvrir un programme existant:
File/Open/Program
Pour crer un programme
File/New/Program
program nom_du_programme
Ce mode permet d'excuter un bloc de commandes et de les enregistrer
dans un fichier. On pourra alors excuter le programme de faon rpte et
l'appliquer d'autres bases de donnes.
Alphanumrique Sries groupes Matrice symtrique
Vecteur de paramtres Vecteur colonne Systme
Equation Echantillon dobservations
Table
Facteur Scalaire Texte
Graphique Srie temporelle Carte de valeurs
Groupe de sries
Max. de vraisemblance
Matrice
Modle
VAR
Vecteur Reprsentation d'tat
Etude transversale
Vecteur de chanes de caractres
Chanes de caractres
Les objets
Ci-avant un rcapitulatif de tous les types dobjets.
Deux moyens de dclaration:
Avec le menu:
Object/New Object
Avec la ligne de commande:
type_objet nom_objet
Types dobjets les plus utiliss:
Srie temporelle:
series x
Groupe de sries:
group g x y
Equation:
equation eq01
Fentre Object
Menu
File: ouverture, fermeture, sauvegarde, impression
Edit: copi, coll, retour en tat prcdent, rechercher
Object: crer, grer ou imprimer un type dobjet
View (lorsquun objet est slectionn): voir, statistiques
sur lobjet, lien avec la base de donnes, ouvrir
Proc: procdures globales ou particulires
Quick: estimation, statistiques groupes, tests statistiques,
VAR, gnrateur bouton le plus utilis !!!
Options, Add-in, Windows: facultatif
Help: utiliser sans limite.
Analyse statistique
Reprsentations graphiques
Statistiques descriptives
Introduction : Fentre Object
Introduction : Fentre Srie
Manipulation de donnes
Afficher la srie, etc

Label
View/label
Sheet
View/Spreadsheet
Line
Views/Graph/Line
Stats
Views/Descriptive Statistics & tests
Introduction: Fentre Srie
Introduction: Fentre Srie
Opration sur les sries
Crer une nouvelle srie y:
series y

Crer la srie y en fonction de x et z:
series y = 2*x + 3*z

Crer la srie y log delle-mme:
series y = log(y)

Crer la srie y moyenne mobile dordre 6 de x:
series = @movav(x,6)
Opration sur les intervalles de temps

Partie suprieure
Point initial et terminal
de lintervalle
Partie inferieure
Zone conditionnelle

Exemple dchantillon
Partie suprieure: prendre en compte uniquement les
observations 50 100 et 200 250:
50 100 200 250
Partie inferieure: parmi ces observations, prendre en
compte uniquement celles o la variable x est comprise
entre 6 et 13 et la variable y est inferieure sa moyenne:
(x>=6 and x<=13) or (y<@mean(y))
Dfinition dchantillon
La commande smpl permet de dfinir un chantillon de
donnes, avec ou sans condition:
Slectionner uniquement un chantillon de 1970Q1 1999Q4:
smpl 1970Q1 1999Q4
Slectionner uniquement , dans un chantillon de 1970Q1
1999Q4, les donnes o rates est suprieur 1.8:
smpl 1970Q1 1999Q4 if rates>1.8
Slectionner uniquement un chantillon de 1970Q1 la
dernire valeur :
smpl 1970Q1 @last
Sauvegarder un chantillon de la premire valeur 1989Q2 :
Sample s1 @first 1989Q2
Chanes de caractre
Crer une chane de caractre:
Ligne de commande:
alpha myseries
alpha name
alpha symbol
smpl @all if name = Benchimol"
Grace au menu:
Object/New Object/Series Alpha
Cration partir dune chane:
Mettre dans la srie de caractres myseries le nom de la srie name
et le symbole de la srie symbol entre parenthse:
alpha myseries = name + " (" + symbol + ")
Mettre dans la srie bname les noms commenant par la lettre B:
series bname = (@lower(@left(name, 1)) = "B")

Attribution de labels
Donner un label aux valeurs des variables:
valmap
Object/New Object/ValMap

Utile uniquement lorsque la variable ne prsente quun
nombre restreint de valeurs.
Pour attribuer un label une srie, cliquer sur Properties
dans le menu de celle-ci puis sur Value Map.

Attribution de labels
Exemple dattribution de labels:
valmap mymap
mymap.append 3 "trois"
mymap.append 99 "do not exist"
Groupe de sries
Permet de visualiser et dtudier plus dune srie, formant
ainsi un groupe de sries.
Crer simplement un groupe de sries en slectionnant
plus dune srie du workfile (maintenir enfonce la
touche Ctrl et cliquer sur les sries slectionner), puis
clic bouton droit, puis Open, puis as a Group.
Cet objet est trs utile pour effectuer des tableaux
rcapitulatifs, pour reprsenter lvolution dune srie en
fonction dune autre ou pour en reprsenter plusieurs
sur un mme plan.
Utilisation de laide
IMPORTANT: ds que vous avez une question, cliquez sur
Help, puis sur Quick Help Reference, puis sur lun des
type correspondant votre interrogation:
Question sur un Objet ?
Question sur une Commande ?
Question sur une Fonction ?
Question sur les Matrices ?
Question sur la Programmation ?
Une fois que vous avez ouvert le champ correspondant
votre question, tapez-y un mot cls de votre
IMPORTANT: utilisez le plus souvent possible laide.
Crer un graphique
Lorsque vous avez
ouvert une srie,
cliquer sur
View/Graph
Un cran apparait
(cf. ci-contre).
Configurer votre
graphique puis
cliquer sur OK
pour lafficher.
Crer un graphique de plusieurs sries
Crer un groupe de sries
Ouvrir le groupe puis allez
dans View/Graph puis OK

Si vous voulez obtenir
plusieurs graphiques sur une
seule fentre, cliquer sur
Options, puis dans Multiple
Series, cliquer sur Multiple
Graphs

Pour changer de Template,
cliquer aussi sur Options (ou
double-clic sur le graphique),
puis Template & Objects puis
laissez-vous guider.

Prsentation du graphique
Possibilits: ajouter du texte, modifier lchelle des axes,
modifier lapparence (template), sauvegarder son propre
template, afin de le rutiliser, etc
Ces agrments esthtiques sont trs pratiques lorsque
les graphiques doivent rpondre une mme charte
graphique par exemple.
Mettons en pratique par plusieurs exemple ces
possibilits.
Figer ou pas Figer ?
Le graphique gnr partir dune srie par Eviews peut
tre soit connect aux donnes, soit dconnect des
donnes partir desquelles il a t construit:
Si lon change quelque chose dans les donnes, cela modifiera
laspect du graphique: Freeze
Si lon change quelque chose dans les donnes, ou si on passe
une autre visualisation, cela ne modifiera pas laspect du
graphique: Freeze
Freezer un objet cre un autre objet qui devient
indpendant de lobjet originel. Il ny a plus dactualisation
possible.
Statistiques de base
Cliquer sur une srie, puis:
View/Descriptive Stats &
Tests/Histogram and Stats
View/Descriptive Stats &
Tests/Stats Table

Pour un Groupe de Sries:
Quick/Group
Statistics/Descriptive Statistics
Les observations manquantes
sont automatiquement exclues
des statistiques

Economtrie
Estimations
Tests
Mthodes
Quest-ce que lconomtrie
Ensemble des techniques destines mesurer des
grandeurs conomiques.
Mesure de grandeurs pralablement dfinies par l'conomie
(emploi, croissance, valeur ajoute, etc.);
Vrification empirique de relations entre ces grandeurs
prdites par des modles issus de l'conomie mathmatique ;
Etude a priori de relations entre grandeurs mathmatiques
indpendamment d'un modle conomique sous-jacent.
Objectifs
Utiliser Eviews pour
Expliquer ces mesures.
Exploiter des donnes.
Etablir et tester des relations robustes entre elles.
Exposer et prsenter ses rsultats.
Quantifier des paramtres dun modle.
Tester des hypothses ou des prvisions.
Confronter des modles concurrents.
Simuler des volutions passes ou venir.
Etudier des interactions entre variables.
Rapprocher la thorie la ralit.

Mthodologie
Spcifier du modle
Choisir les variables explicatives
Choisir la forme fonctionnelle
Prendre en compte les chocs
Confronter le modle aux donnes
Estimer le modle
Evaluer et analyser les rsultats
Tester de la robustesse de lestimation
Utiliser le model
Prvoir
Envisager des variantes
Cas extrmes

Nomenclature
Relation entre une variable explique (Y
t
) et des variables
explicatives (X
t,k
) pondres par des paramtres (a
k
), une
constante (paramtre a
0
) et une perturbation (choc u
t,i
):

Y
t
= a
0
+ a
1
X
t,1
+ a
2
X
t,2
+ + a
i
X
t,i
+ u
t,i

On cherche estimer les paramtres, inconnus du
modle.
u
t,i
peut tre peru comme un choc, une perturbation,
une erreur ou un ala.
Il sagit ici dan modle linaire avec un terme constant.

Objectifs spcifiques
A laide dobservations des variables (donnes), on
cherche :
Estimer les paramtres du modle.
Evaluer la prcision des estimations.
Montrer le pouvoir explicatif du modle.
Savoir si la liaison globale entre Y
t
et X
t,k
est significative.
Savoir si lapport marginal de chaque variable est significatif.
Evaluer la capacit prdictive du modle.
Envisager des aspect particuliers.
MCO: Tests
Pour toute lestimation
R ajust
Mean dependent var
S.D. dependent var
S.E. of regression
Akaike info criterion
Sum squared resid
Schwarz criterion
Log likelihood
Hannan-Quinn criter.
F-statistic
Durbin-Watson stat
Prob(F-statistic)
Pour chaque paramtre:
Student (p-value)
Std. Error
Estimation dun quation par les MCO
Crer un workfile regroupant les donnes analyser
Estimer les coefficients de la rgression:
Quick/Estimate Equation ou Object/Equation
Ecrire la relation sous forme dune quation:
VExplique=c(1)*VExplicative1+c(2)*VExplicative2+C(3)
ou
LS Vexplique C Vexplicatives spares par un espace

Les variables suivies de (-1), (-2) sont des variables
retardes.
Lestimation se fait en ajustant lchantillon de faon ne
pas tenir compte des donnes manquantes.

Fentre Equation Estimation
Eviews donne le choix
entre plusieurs
techniques destimation,
et une personnalisation
de lchantillon au
moment de lestimation.
Rsidus des MCO
Lorsque vous obtenez
le rsultat des
estimations, un onglet
Resids apparait.
Cliquez dessus pour
obtenir un graphique
des rsidus
(perturbations).
-.4
-.2
.0
.2
.4
-1.2
-0.8
-0.4
0.0
0.4
0.8
00 01 02 03 04 05 06 07 08 09 10 11
Residual Actual Fitted
Travailler avec les rsultats statistiques
Fonctions retournant
un scalaire:
Travailler avec les rsultats statistiques
un vecteur ou une
matrice dobjets:
des caractres:

Travailler avec la rgression
Cliquez sur View pour voir:
Les reprsentations
Les sorties
La structure ARMA
Les rsidus
Gradients, drivs
Matrice des covariances
Tests sur les coefficients
Tests sur les rsidus
Tests de stabilit
Etc
Travailler avec la rgression
Cliquez sur Proc pour
effectuer:
Des prvisions
Un modle
Des drives de la fonction
de rgression par rapport
aux paramtres
Un groupe des rgresseurs

En ligne de commande
Estimer une quation par les moindres carrs (MCO):
eq1.ls(options) y c x1 x2
eq1.ls(options) y = c(1) + c(2)*x1 + c(3)*x2
Stocker dans un vecteur lestimation dune quation par
les moindres carrs (MCO):
coef(3) myvector
eq1.ls(options) y = myvector(1) + myvector(2)*x1 + myvector(3)*x2
Afficher le spcification de lquation estime:
show eq1.spec
Afficher les rsultats dune quation estime:
show eq1.results
En ligne de commande
Stocker les rsidus dune quation estime dans une srie
nom_residus:
eq1.makeresids nom_residus
Afficher les rsidus estims:
eq1.resids(options)
g pour une reprsentation graphique
t pour une reprsentation sous forme de tableau
show eq1.resids
Crer un modle partir de lquation estime:
makemodel
Signification des tests
Student: test de significativit dun paramtre
Fisher: test de significativit global
Test de normalit des erreurs
Durbin Watson: Test dautocorrlation
White: Test dhtroscdasticit
Show: Test de stabilit
Test de colinarit

Autres tests
Aprs avoir effectu votre rgression, les test Student, de
Fisher et de Durbin-Watson figurent directement dans la
fentre quation gnre.
Pour calculer dautres
tests statistiques, cliquez
sur le bouton View de la
fentre Equation, et
slectionnez soit un des
trois type de diagnostic:
Coefficient, Residuals ou
Stability.
Pour revenir aux rsultats
de la rgression, cliquez
sur le bouton Stats.
Spcification dun modle
Considrations importantes au moment du choix dun
modle
Consquences du choix dun mauvais modle
Assurer la validit dun modle
Critres de choix
Erreurs de spcification
Remdes
Evaluation des performances de modles
Spcification dun modle
Types derreurs de spcification:
Omission dune variable pertinente
Inclusion dune variable superflue
Forme fonctionnelle errone
Erreurs de mesure
Erreurs de spcification du terme stochastique
Dtection de variables non-pertinentes:
Test de Student (pour une variable)
Test de Fisher (pour plusieurs variables)
Dtection de variables omises:
Examen des rsidus
Analyse de lautocorrlation ou de lhtroscdasticit

Autocorrlation des rsidus
Aprs avoir effectu votre rgression, cliquez sur View de
la fentre quation puis cliquez sur Residuals Diagnostics,
puis sur Correlegram Q Statistics
Vous devez ensuite choisir lordre maximal
dautocorrlation des rsidus que vous dsirez obtenir.

Remarque
Un processus AR(1) est frquemment postul, car il traduit
lide quun choc exogne un moment donn a un effet
persistant mais dcroissant exponentiellement avec le temps.
Analyse des rsidus
Examen visuel des rsidus
Lanalyse graphique des rsidus permet le plus souvent de
dtecter une autocorrlation des erreurs lorsque :
Les rsidus sont pendant plusieurs priodes conscutives, soit positifs,
soit ngatifs : corrlation positive
Les rsidus sont alterns : corrlation ngative.
Cependant, le plus souvent, lanalyse graphique est
dlicate interprter.
Il faut faire des tests dautocorrlation:
Statistique de DW
View/Residual Diagnostics/Correlogram-Q-statistics
View/Residual Diagnostics/Serial Correlation LM Test
Test de Durbin et Watson
Le test de Durbin Watson (DW) teste seulement
lautocorrlation du premier ordre.
Il existe un plage de valeurs pour lesquelles on ne peut
conclure.
Dans un modle auto rgressif, le test de DW est biais
en faveur de lacceptation de lhypothse nulle:
En effet, prenons le modle AR suivant
Y
t
= a
0
+ a
1
Y
t-1
+ a
2
X
t
+ u
t

La variable explique Y
t
dpend de ses valeurs passes.
Test de Breusch-Pagan-Godfrey
Si les erreurs suivant un
AR(p), alors il faut tester
lgalit zro de tous
les coefficients de cet
AR(p).
Dans la fentre quation,
aller dans View, puis
Residuals Diagnostics, puis
dans Heteroskedasticity
Tests
Test de Breusch-Pagan-Godfrey
Les rgresseurs du modle peuvent comprendre des
valeurs dcales de la variable dpendante (ce qui tranche
avec les restrictions du test de DW).
Ce test est galement applicable lorsque les erreurs
suivant un MA(q).
Si lon ne considre quun AR(1), le test BG est connu
sous le nom de test M de Durbin.
La valeur p, longueur du dcalage, ne peut tre prcise
priori. Il est invitable de procder quelques
exprimentations. On peut alors utiliser les critres AIC,
HQC et SC pour choisir le bonne longueur du dcalage.
En prsence dautocorrlation
Trouver si lautocorrlation est une pure autocorrlation
et non le rsultat dune mauvaise spcification du modle.
Les rsidus peuvent tre dus une mauvaise spcification
du modle ou une forme fonctionnelle incorrecte.
Est-ce que les variables prises en compte prsentent des
tendances, auquel cas il faut intgrer dans le modle le
temps (@trend). Si en changeant la spcification, la
statistique de DW reste anormalement faible alors on
peut effectivement conclure la prsence
dautocorrlation.
Si il sagit dautocorrlation pure MCQG
Exemple: Nombre doeufs
-600
-400
-200
0
200
400
600
2,000
2,400
2,800
3,200
3,600
4,000
00 01 02 03 04 05 06 07 08 09 10 11
Residual Actual Fitted
2,200
2,400
2,600
2,800
3,000
3,200
3,400
3,600
3,800
4,000
00 01 02 03 04 05 06 07 08 09 10 11 12
Nombre d'oeufs
2,200
2,400
2,600
2,800
3,000
3,200
3,400
3,600
3,800
4,000
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Means by Season
Nombre d'oeufs par saison
Test de la stabilit des paramtres
Lorsquon utilise un modle sur des sries temporelles,
des changements structurels peuvent se produire entre la
variable expliquer et les variables explicatives: les
paramtres ne restent globalement pas identiques sur
toute la priode.
Comment dtecter un changement structurel ?
Reprsentation graphique
Test de Chow
Le test de Chow estime deux modles: en utilisant
lensemble des donnes et un autre utilisant une priode
restreinte. Si la diffrence entre les deux modles est
significative, on peut douter de la stabilit de la relation
sur lensemble de la priode.
Tests de stationnarit
Un exemple avec le test de Dickey-Fuller Augment (ADF). Ce test se base
sur lhypothse de corrlation des rsidus et sur lestimation par les MCO
des 3 modles suivants :

sachant que les rsidus sont iid.
Exemple
Test de stationnarit de la
srie CATTLE_NB: modle
avec tendance et constante
en niveau , on commence
toujours par ce choix.
Le test est plus grand que
les seuils derreurs 1%, 5%
et 10%: on rejette donc
lhypothse de stationnarit.
Remarque: il peut exister un
lien entre CATTLE_NB et
CATTLE_NB (-12).
Exemple
Test de stationnarit de la
srie des CATTLE_NB:
modle avec constante
en niveau : mmes
remarques que
prcdemment.
Exemple
Ici, on test la srie
D(CATTLE_NB_SA) i.e. la
srie CATTLE_NB vue
prcdemment mais
ajuste des variations
purement saisonnires.
cattle_nb.x12(mode=a)
On utilise le mode additif
car notre srie contient des
valeurs ngatives !
Il y a stationnarit en
diffrence premire.
Test RESET de Ramsey
Ce test de spcification utilise des modles artificiels non
linaires afin de les confronter au modle estim.
Ces modles artificiels sont composs du modle estim
plus une composante de deuxime et/ou de troisime
ordre multiplie par un coefficient.
Si ces coefficients sont nuls, le modle initial est adquat.
Deux moyens deffectuer ce test:
View/Stability Diagnostics/Ramsey RESET Test
eq1.ramsey(options)
Programmation
Un programme peut tre enregistr et/ou tre utilis
et/ou modifi linfini.
En automatisant un processus, et en crivant cela dans un
programme, vous gagnerez normment de temps.
Exemple:
Ecrire un programme qui permet de dsaisonnaliser la srie
cattle_nb par la mthode x12 additive
Puis qui effectue la diffrence premire du rsultat par deux
mthodes (diffrence et log diffrence).
Avant de commencer crire ce programme, faite cette
procdure uniquement avec votre souris

Un programme pour aller plus vite ?
cattle_nb.x12(mode=a)
genr cattle_nb_sa_d1=D(cattle_nb_sa)
genr cattle_nb_sa_d2=log(cattle_nb_sa/cattle_nb_sa(-1))

cow_nb.x12(mode=a)
genr cow_nb_sa_d1=D(cow_nb_sa)
genr cow_nb_sa_d2=log(cow_nb_sa/cow_nb_sa(-1))

meat_nb.x12(mode=a)
genr meat_nb_sa_d1=D(meat_nb_sa)
genr meat_nb_sa_d2=log(meat_nb_sa/meat_nb_sa(-1))

Etc
Vision conomique
Parfois, un simple raisonnement conomique permet de
ne pas utiliser doutils statistiques complexes:
40
80
120
160
200
240
280
00 01 02 03 04 05 06 07 08 09 10 11 12
Lait (marge en %) Porc (marge en %)
Volaille (marge en %) Viande (marge en %)
Vache folle
(2002,2003)
Crise porcine
(2004)
Crise du lait
(2007, 2010)
Diminution
des marges sur
la volaille

Analyse en composantes principales
L'ACP permet de transformer des variables corrles en
nouvelles variables dcorrles les unes des autres.
Objectif:
Rduire l'information en un nombre de composantes
principales plus limit que le nombre initial de variables.
Approche
Gomtrique: reprsentation des variables dans un nouvel
espace gomtrique selon des directions d'inertie maximale
Statistique: recherche d'axes indpendants expliquant au mieux
la variance des donnes
ACP: un exemple
PC1 explique
98% de la
variance totale.
PC1 est une
combinaison
linaire de
l'ensemble des
cinq prix.
PC1 peut-tre
interprt
comme un
indice des prix.
ACP: un exemple
PC2 dpend ngativement des prix de la viande rouge
(porc, buf et viande) et positivement des prix de la
viande de volaille (chair de poulet et volaille).
0
1
2
3
4
5
1 2 3 4 5
Scree Plot (Ordered Eigenvalues)
Le graphique ci-contre
montre la forte baisse
entre la premire et la
deuxime valeur propre.
Prvision
Aprs avoir effectu une rgression, cliquez sur le bouton
Forecast du menu de la fentre quation et choisissez la
mthode adquate.
Prvision dynamique: pour
chaque priode, la valeur
prvue la date t-1 est
utilise pour calculer la
prvision la date t.
Prvision statique: pour une
priode au del de la priode
dobservation, cette prvision
est plus prcise.
Traitement des prvisions
Pour construire des prvisions statiques (lorsque
lquation estime contient comme rgresseur la variable
explique retarde), les valeurs observes sont utilises.
do eq1.fit yhat yse
Stock dans yhat et yse la srie ajuste et les cart types
associs.
Pour construire des prvisions dynamiques (lorsque
lquation estime contient comme rgresseur la variable
explique retarde), les valeurs prvues sont utilises
lorsque lhorizon de prvision est suprieur 1.
smpl 1 100, do eq1.ls y c x, smpl 101 105, do eq1.forecast yhat yse.
Dessaisonalisation
Dessaisonalisations de base:
Xsa
t
= log(X
t
/X
t-12
)
Xsa
t
= (X
t
-X
t-12
)/X
t-12

Autres types de dessaisonalisation:
X11
X12
TRAMO
Moyenne mobile
Exemple: TRAMO et donnes ariennes
Exemple: TRAMO et donnes ariennes
0
100
200
300
400
500
600
700
800
49 50 51 52 53 54 55 56 57 58 59 60 61 62
X Forecast of series
0
100
200
300
400
500
600
700
49 50 51 52 53 54 55 56 57 58 59 60
Actual series Linearized series
Autres exemple utilisant TRAMO

40
60
80
100
120
1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998
X Forecast of series Linearized series
Analyse graphique de saisonnalits
Exemple: quantit
dufs
Une saisonnalit peut
tre dans les donnes.
La connaissance de la
variable nous indique
une saisonnalit.
2,200
2,400
2,600
2,800
3,000
3,200
3,400
3,600
3,800
4,000
00 01 02 03 04 05 06 07 08 09 10 11 12
EGGS_NB
View/Graph/Seasonal Graph/Paneled lines and means
On obtient un graphique ventilant les informations:
Une moyenne par mois
Une srie mensuelle

2,200
2,400
2,600
2,800
3,000
3,200
3,400
3,600
3,800
4,000
Means by Season
EGGS_NB by Season
Juin est la priode
o le nombre
dufs produits
est maximal.
Fvrier est la
priode basse.
La production est
en croissance en
moyenne sur
lchantillon.
A partir dun groupe de sries temporelles, on obtient:
14
16
18
20
22
24
26
Russia: Total Sheep & Goats number, mln heads by Season
13
14
15
16
17
18
19
Russia: Total Pig Number, mln heads by Season
8
9
10
11
12
13
14
Russia: Total Cow Number, mln heads by Season
18
20
22
24
26
28
30
32
Means by Season
Russia: Total Cattle Number, mln heads by Season
Analyse des cycles
Filtre de frquence: sparer une dynamique issue dun cycle de
celle qui nest pas engendre par un cycle.
Aller dans Proc sur le menu de la fentre de la srie, puis dans
Frequency Filter
-40
-20
0
20
40
80
120
160
200
2000 2002 2004 2006 2008 2010 2012
Lait (marge en %)
Non-cycl i cal
Cycl e
Fixed Length Symmetric (Baxter-King) Filter
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
.0 .1 .2 .3 .4 .5
Actual Ideal
Frequency Response Function
cycl es/peri od
Analyse des cycles
-60
-40
-20
0
20
40
60
80
100
120
140
160
180
00 01 02 03 04 05 06 07 08 09 10 11 12
Lait (marge en %) Trend Cycle
Hodrick-Prescott Filter (lambda=14400)
Filtre HP: sparer un cycle dune tendance
Filtre Hodrick-Prescott (HP)
Objectif: dissocier les cycles de court terme et de long
terme.
Tolrances: inflexions lentes de la tendance, en imposant
que cet cart la tendance ne dpasse pas une certaine
valeur reprsentant les volutions de la partie
conjoncturelle.
Atout: Reprsentation non linaire de la tendance.
Lambda = 100*(nombre de priode dans lanne)
Donnes annuelles = 100*1 = 100
Donnes trimestrielles = 100*4 = 1 600
Donnes mensuelles = 100*12 = 14 400
Donnes hebdomadaires = 100*52 = 270 400
ANOVA
L'analyse de la variance (ANalysis Of VAriance) permet
de vrifier que plusieurs chantillons sont issus d'une
mme population.
Ce test s'applique lorsque l'on mesure une ou plusieurs
variables explicatives catgorielles (facteurs de variabilit,
de diffrentes modalits ou niveaux) qui ont de l'influence
sur la distribution d'une variable continue expliquer.
On parle d'analyse un facteur, lorsque l'analyse porte
sur un modle dcrit par un facteur de variabilit,
d'analyse deux facteurs ou d'analyse multifactorielle
sinon.
Tests de causalit
Aprs avoir valid la
stationnarit des
donnes, on peut
tester un lien de
causalit entre des
sries temporelles.

Ci-contre, on montre
que:
MEAT MILK
CATTLE MEAT
COW MEAT
CATTLE COW*

Quelques repres
@R2 R
@RBAR2 R ajust
@SE Ecart type de la rgression
@SSR Somme des carrs des rsidus
@DW DurbinWatson
@F Fstatistic
@LOGL Valeur de la fonction de vraisemblance
@REGOBS Nombre dobservation de la rgression
@AIC Critre dinformation dAkaike
@SC Critre de Schwartz
@MEANDEP Moyenne de la variable dpendante
@SDDEP Ecart type de la variable dpendante
@NCOEF Nombre total de coefficients estims
@COVARIANCE(i,j) Covariance des coefficients i et j
@RESIDCOVA(i,j) Covariance des rsidus de lquation i avec ceux de
lquation j dans un VAR ou un objet systme. @RESIDCOVA doit tre prcd du
nom de lobjet.
Quelques repres
+ Addition
Soustraction
* Multiplication
/ Division
^ Puissance
> Suprieur; X>Y vaut 1 si X est
suprieur Y et vaut 0 sinon. Idem avec =, <, <>, <=, >=.
D(X) Diffrence premire de X, X X(1)
D(X,n) Diffrence du nime ordre de X
D(X,n,s) Diffrence du nime ordre de X et
diffrence saisonnire dordre s.
Quelques repres
LOG(X) Logarithme naturel
DLOG(X) Diffrence premire de logarithme naturel:
LOG(X) LOG(X(1))
DLOG(X,n) Diffrence du nime ordre du logarithme de
X: LOG(X) LOG(X(n))
DLOG(X,n,s) Diffrence du nime ordre du logarithme de X
et diffrence saisonnire dordre s.
EXP(X) Fonction exponentielle
ABS(X) Fonction valeur absolue
SQR(X) Fonction racine carre
SIN(X) Fonction sinus
COS(X) Fonction cosinus
@ASIN(X) Fonction arc sinus
@ACOS(X) Fonction arc cosinus

Quelques repres
RND Nombre alatoire uniformment distribu entre
zro et un.
NRND Nombre alatoire normalement distribu N(0;1)
@PCH(X) Pourcentage de variation: (XX(1))/X(1)
@INV(X) Inverse ou rciproque: 1/X
@DNORM(X) Densit normale standard
@CNORM(X) Distribution normale cumulative
@LOGIT(X) Logit de X
@SUM(X) Somme des X
@MEAN(X) Moyenne des X
@VAR(X) Variance des X
@SUMSQ(X) Somme des carrs de X
@OBS(X) Nombre dobservations de X valides
@COV(X,Y) Covariance entre X et Y
Quelques repres
@COR(X,Y) Corrlation entre X et Y
@CROSS(X,Y) Produit crois entre X et Y
@MOVAV(X,n) Moyenne mobile sur n priodes de X, o n entier naturel
@MOVSUM(X,n) Somme mobile sur n priodes de X, o n entier naturel
@TREND(d) Tendance normalise zro en priode d o d est une
date ou un numro dobservation.
@SEAS(d) Variable dummy saisonnire gale un lorsque le
trimestre ou le mois vaut d, et zro sinon.
@DNORM(X) Fonction standard de densit normale de X
@CNORM(X) @DNORM(X) cumulative de X
@TDIST(X, d) Probabilit que le test de Student dpasse X avec d
degrs de libert.
@FDIST(X, n, d) Probabilit que le test de Fisher dpasse X avec n degrs
de libert au numrateur et d degrs de libert au dnominateur.
@CHISQ(X, d) Probabilit que le test du Chi dpasse X avec d degrs
de libert.

Formation Eviews

Transféré par

Droits d'auteur :

Formats disponibles

Formation Eviews

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Formation Eviews

Transféré par

Droits d'auteur :

Formats disponibles

Formation Eviews 7

Vous aimerez peut-être aussi