R EVUE DE STATISTIQUE APPLIQUÉE
B. B URTSCHY C. M ENENDIAN
À propos de la prévision à court terme de la production industrielle
Revue de statistique appliquée, tome 28, n
o2 (1980), p. 5-24
<http://www.numdam.org/item?id=RSA_1980__28_2_5_0>
© Société française de statistique, 1980, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.
sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les conditions générales d’uti- lisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
A PROPOS DE LA PRÉVISION A COURT TERME DE LA PRODUCTION INDUSTRIELLE
B. BURTSCHY * et C. MENENDIAN **
1. - INTRODUCTION
L’analyse
et laprévision
à court terme de sérieschronologiques
macroécono-miques
ont faitl’objet, depuis longtemps,
de recherches nombreuses.Dans une
optique conjoncturelle,
laprévision
d’indicateurs devient essentielle dans la mesure où elle conditionne les décisions et actions des agentséconomiques
et devrait permettre la conduite d’une
politique économique plus
efficace.Pour ce
qui
est de laFrance,
mentionnons le modèleéconométrique
trimes-triel de la
conjoncture METRIC,
dernier né de la collaboration entre la direction de la Prévision etl’INSEE,
etqui
concerne l’économie dans son ensemble(voir [5]).
Parallèlement aux modèles
globaux,
on peut s’intéresser à laprévision
à courtterme d’une série
chronologique prise isolément,
et c’est ce type de recherchequi
constitue
l’objet
de laprésente
étude.Plus
précisément,
on considère l’évolution de l’indicateur d’offre constitué par l’indicegénéral
mensuel de laproduction
industriellefrançaise. (Bâtiment
etTravaux Publics
exclus),
base 100 en1970,
lapériode
d’observation allant dejanvier
1963 àseptembre
1977(voir [6]
et[7]).
On
envisage
de modéliser la sériemacroéconomique précédente
suivantdeux types de méthodes :
1 )
la méthode de BOX et JENKINS univariée(voir
référencesB)
2)
la méthodeéconométrique (voir
référencesC)
danslaquelle
les variablesexplicatives proviennent
de résultatsd’enquêtes qualitatives.
Dans un
premier
temps, lesproblèmes
inhérents à chacune de ces deux méthodes sontétudiés,
et pour cequi
concerne la modélisationéconométrique,
le choix du modèle et des variables
explicatives
est entièrementexplicité.
(*) Ecole Nationale Supérieure des Télécommunications (**) Institut d’Etudes Politiques - Paris
Revue de Statistique Appliquée, 1980, vol. XXV) H, n° 2
Mots-clés : Séries
chronologiques.
Stationnarité. Processus ARMA.Enquête
deconjoncture.
Retards échelonnés. Tendance àlong
terme. Saisonnalité.6
En second
lieu,
les deux modèles sontcomparés
au niveau de leur efficacitéà
représenter
etprévoir
l’indicegénéral
de laproduction
industrielle.2. - MODELISATION PAR LA METHODE DE BOX ET JENKINS
La méthode de BOX et JENKINS
(voir [9 ]
et[ 13 ]), d’apparition
relativementrécente,
est une méthoded’analyse
et deprévision
de sérieschronologiques.
Sa
caractéristique
essentielle est d’effectuer une modélisationstochastique
oùl’évolution de la série est une réalisation d’un processus aléatoire déterminé.
Contrairement à la
plupart
des autresméthodes,
ce modèle n’est pas donnéa
priori
mais sélectionné dans une classe très étendue demodèles,
les modèles ARIMA(Auto Regressive Integrated Moving Average).
Cette méthode existe sous diverses formes :
- la méthode univariée
qui explique
l’évolutionintrinsèque
d’une sérieindépendamment
de toute variableexplicative ;
- la méthode univariée avec
fonctions
detransfert
où l’évolution de la série est, deplus, expliquée
à l’aide d’autres sériesexplicatives
décaléesdans le temps ;
- la méthode multivariée
qui
permetd’analyser plusieurs
séries simultané- ment, et nonplus
uneseule,
en fonction deplusieurs
sériesexplicatives.
Au niveau de la
pratique,
sont maîtrisés très couramment les deuxpremiers niveaux,
le cas multivarié posant desproblèmes théoriques spécifiques
pourlesquels
il
n’existe,
à l’heureactuelle,
que des solutionspartielles (sauf peut-être
le casbivarié).
Dans le cadre de cet
article,
nous nous limiterons à uneprésentation
dupremier
niveau(le
cas univariésimple)
que nous comparerons à larégression
avecses diverses variantes, nous réservant de
présenter
ultérieurement lacomparaison
avec un modèle à fonctions de transfert.
2.1. -
Rappels
sur laméthodologie
de BOX et JENKINSLe
principe
de la méthode est de modéliser la série à l’aide de la classe des modèles ARIMA.On considère tout d’abord le cas des séries
stationnaires,
réalisations d’un processus aléatoire stationnairesous-jacent.
Une série est stationnaire si cette
caractéristiques
sontindépendantes
dutemps ; en
particulier,
la moyenne et la variance nedépendent
pas du temps.Une série
économique
étant très rarementstationnaire,
nous verrons dansla
partie
2.2. comment rendre stationnaire une telle série.D’une
façon générale,
une sérieéconomique
ztpeut
être considérée comme unsystème
linéairedynamique 1/1
soumis à des chocs aléatoires at .Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
7 soit :
avec :
expression
danslaquelle
B estl’opérateur
de retard défini par :D’après
le théorème de WOLD(voir [ 16]
et[20])
tout processus stationnairepossédant
unco"élogramme
peut sedécomposer
en deux processus non corrélés entre eux et tels que lepremier
soitdéterminable(l )
et le second, linéaire au secondordre(2-).
En
pratique,
laplupart
des processus linéaires au second ordre peuvent s’écrire sous la forme d’un processus ARMA(Auto Regressive Moving Average).
Les diverses formes s’écrivent :
- Processus
autorégressit
d’ordre p , AR(p) :
d’où :
- Processus de moyenne mobile d’orde q, MA
(q)
d’où :
(1) Un processus stationnaire
{xt 1
est dit "’déterminable "’ s’il existe une suite de nombresbl’ b2’...’ bB’...
telle que : Xt +blXt-1
+...+ bBXt-8
+... = 0, identi-quement en t.
(2) Un processus stationnaire
{V t}
est dit ’linéaire au second ordre " s’il existe un proces- sus sans corrélation{et } et
une suite de nombres al ’ a2 ’ ... , ae , ... , telsque 2 a203B8
con-verge quand T croît indéfiniment et que l’on ait :
identiquement en t avec m = E
(Yt)
Revue de Statistique Appliquée, 1980, vol. XXVII I, n° 2
8
- Modèle mixte ARMA
(p, q)
soit :
ou encore :
En
pratique,
lesparamètres
p et q s’identifient à l’aide des coefficients d’auto- corrélation et d’autocorrélationpartielle empiriques.
Lescoefficients ’Pi ’ Oj
eta;
(variance
desat)
sont estimés par uneprocédure
de maximum de vraisemblancesous
l’hypothèse
où le bruit blancf at }
est Gaussien.2.2. - Les cas de la non stationnarité
La
plupart
des séries étant non stationnaires, ils’agit
d’effectuer des transfor- mationsqui
rendent lesséries,
stationnaires. Deux transformations sont couram-ment utilisées :
- la
différenciation
d’ordred , if1
zt , où ’V estl’opérateur
de différen- ciation(Vzt
= zt -Zt -1)’
cequi
détermine leparamètre
d des modèlesARIMA
(p , d , q), généralisation
des modèles ARMA(p , q) ;
- la
transformation
du typeLog
zt(la plus
familière chez leséconomistes)
mais
plus généralement,
unetransformation
du type :Cette transformation est celle de BOX et COX
(voir [12])
et la transforma- tionLog
n’en estqu’un
casparticulier.
Notons que le
paramètre
À se détermine par le maximum de vraisemblance.2.3. - Les séries avec saisonnalité
Le cas des séries
présentant
une saisonnalité se traite par unedécomposition,
souvent
multiplicative,
en facteurs saisonnier et non saisonnier et recherche d’un modèle SARIMA(p , d ,
q ;P , D , Q)
où p,d,
q sont lesparamètres
du modèlenon saisonnier et
P ,
D etQ ,
ceux du modèle saisonnier.Grâce à cette
décomposition,
il n’est nullement utile de désaisonnaliser lasérie,
cetteopération
n’introduisant en faitq’un
biaissupplémentaire
dans lamesure où la correction des variations saisonnières n’est
jamais parfaite.
2.4. -
Application
à une sériemacroéconomique
La méthode de BOX et JENKINS univariée a été
appliquée
à la série brute de l’indicegénéral
de laproduction
industriellefrançaise,
base 100 en1970,
surla
période janvier
1963 -septembre
1977.Revue de Statistique Appliquée, 1980, vol. XXVI 11, n° 2
9
Comme
l’indique
lafigure 1,
cette série n’est pas stationnaire.Aussi,
on effectue unepremière
transformationlogarithmique (X
=0)
ainsiqu’une
différen-ciation saisonnière
(D
=1 ,
d =0)
pour rendre stationnaire la série.Un examen des
graphiques
d’auto corrélation nous permet de définir lesparamètres
non saisonniers(p
=4 ,
q =0)
et saisonniers(P
=0 , Q
=1)
dumodèle.
Dans une deuxième
phase,
on estime les coefficients et on vérifie que les résidus forment un bruit blanc(si
ce n’est pas le cas, il faut recommencer laphase
d’identification du modèle car elle a été
déficiente).
C’est à ce niveauqu’on
peut calculer le vraiparamètre X
de la transformation de BOX et COX : dans notreexemple,
on obtient X =0,17, c’est-à-dire,
une transformation trèsproche
de latransformation
logarithmique.
Enfin,
si le modèle est correct(les
coefficients sontsignificativement
diffé-rents de
zéro,
les résidus forment un bruitblanc),
onpeut l’appliquer
dans uneoptique
deprévision (voir partie
4 et annexe1).
3. - MODELISATION
ECONOMETRIQUE
Dans le cadre de la modélisation d’une série
chronologique
à l’aide de sesseules valeurs
passées,
il semble très difficile à l’heureactuelle,
d’obtenir de meil-leurs résultats que ceux fournis par la méthode BOX et JENKINS.
Mais
s’agissant d’analyser
et deprévoir
unechronique macroéconomique
mensuelle
(indice général
de laproduction industrielle),
il ne faut pasperdre
devue
qu’un
modèle univarié fournit desprévisions qui
ne peuvents’adapter qu’avec
un certain retard lors d’un retournement
conjoncturel.
Aussi il semble souhaitable
d’adjoindre
au modèleunivarié,
un modèle écono-métrique
dont le but estd’expliquer
au mieux la variablemacroéconomique
àpartir
de variables
explicatives
et des’adapter
exactement aux dates des renversements de laconjoncture.
Le choix des variables
explicatives
et lesproblèmes spécifiques
à l’évolution de laproduction
industrielle sur lapériode
1963-1977 nousguident quant
au type de modèle aadopter.
3.1. - Choix des variables
explicatives
Une des idées de
base
de laprésente
étude consiste à faire intervenir des variablesexplicatives
issuesd’enquêtes qualitatives.
Or, parmi
lesenquêtes
parsondage
mises enplace
parl’INSEE, l’enquête
mensuelle sur la situation et les
perspectives
dans l’industrie mérite une attentionparticulière (voir [3]).
En
effet,
outrel’aspect qualitatif
desréponses
données par les industrielsenquêtés (toutes
lesquestions n’appellent
que trois types deréponse :
augmenta- tion, stabilité ou diminution par rapport au moisprécédent), l’enquête
permet d’obtenir des résultatsrapidement publiables
sur laproduction,
maiségalement
sur des
grandeurs
pourlesquelles
lesstatistiques quantitatives
ne fournissent aucunRevue de Statistique Appliquée, 1980, vol. XXVII I, n 2
10 Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
11
renseignement :
enparticulier,
niveau des carnets de commande et desstocks, perspectives
deproduction
à court terme.Pour résumer la tendance de la
production
lors d’un moisdonné, l’expérience
montre
qu’il
faut considérer le soldealgébrique
despourcentages
deréponses "aug-
mentation" et "diminution" fournies par les industriels concernant leur
production
récente.
L’évolution de ces soldes
algébriques
constitue les indicateursd’opinion
que l’INSEEpublie
tous les mois(voir [8 ]).
Plutôt que d’utiliser comme variables
explicatives naturelles,
les indicateurs relatifs auxstocks,
aux carnets de commandes ou au niveau de lademande,
le choixs’est délibérément
porté
sur l’indicateur de laproduction
récente(figure 2).
Ce choix se fonde sur le fait que les chefs
d’entreprise indiquent également
leurs
perspectives
deproduction
dans les trois ou quatre mois à venir. Ces perspec- tives constituent ainsi desprévisions
de la variableexplicative
etpeuvent
conférerau modèle
économétrique explicatif
unprolongement prévisionnel.
3.2. - Confrontation entre séries "indice" et
"enquête"
3.2.1. - Niveau et tendance
La variable à
expliquer
étant l’indice deproduction
industriellecorrigé
desvariations
saisonnières,
base 100 en 1970(voir [7]),
il estclassique
de considérer la sériechronologique correspondante
comme la résultante de trois mouvements fondamentaux : la tendance àlong
terme, la fluctuationconjoncturelle
et lesvariations aléatoires et accidentelles.
Autrement
dit,
lors d’un moisdonné,
l’indiceindique
le niveau deproduction
atteint.
D’autre
part,
dansl’enquête
deconjoncture,
il est demandé aux chefs d’entre-prise d’indiquer
leur tendance récente deproduction
enspécifiant
si cette tendanceest
purement
saisonnière ou non.En d’autres termes, l’indicateur
d’opinion
issu del’enquête
ne reflète théo-riquement
que la fluctuationconjoncturelle (et
les variationsaléatoires)
sanstenir compte de la tendance à
long
terme et du mouvement saisonnier éventuel.Si les industriels
répondaient
exactement à laquestion posée,
la tendance deproduction
lors du mois tpourrait
être mesurée par la pente de la droite des moindres carrésajustée
sur les valeurs de l’indice deproduction
désaisonnalisé lors des moist - 3 , t - 2 , t - 1 et t (voir [2]).
Il résulte des considérations
précédentes
que la série "indice" et la série"enquête"
ne sont pas de même nature, lapremière
se référant à un niveau deproduction
et la seconde ayant trait à une tendance.Aussi, devons-nous éliminer la tendance à
long
terme de l’indice deproduc-
tion industrielle désaisonnalisé pour
pouvoir
confronter l’indicateur deproduction
issu de
l’enquête
avec la série des écarts entre l’indice et sa tendance àlong
terme.3.2.2. - Période d’observation
Les séries
chronologiques
mensuelles utilisées sont observéesdepuis janvier
1963
jusqu’à septembre
1977.Revue de Statistique Appliquée, 1980, vol. XXVII I, n° 2
12
Pour ce
qui
concerne l’indicegénéral
de laproduction industrielle,
lapériode
choisie
correspond
à 177 observations. Cette série a étécorrigée
pour les mois de mai etjuin
1968 parinterpolation
linéaire.D’autre
part, l’enquête
mensuelle deconjoncture n’ayant
pas lieu au moisd’août,
des valeurs fictives du solde desréponses
des industriels ont été attribuées pour les mois d’août parinterpolation
linéaireportant
sur les mois dejuillet
etseptembre
de l’année considérée. De cefait,
les deux séries(indice
etenquête)
sont de
longueur
177.3.2.3. - Tendance à
long
termePour
représenter
la croissance de laproduction
industrielledepuis
l’immé-diat
après-guerre (vers 1950),
il estclassique
de considérer une tendance àlong
terme de forme
exponentielle,
ce choix se fondant sur le fait que cette croissance s’effectue avec un taux annuel moyen de l’ordre de 6 %.Cette
hypothèse
se confirme bien sur l’indice deproduction
industrielle entre 1963 etjuillet
1974.Mais août 1974 marque le début d’une
dépression profonde jusqu’en
mai1975,
date àpartir
delaquelle
laproduction
d’ensemble repart avec un taux de croissancebeaucoup
moins soutenu que celui que l’on avait connu entre 1963 et 1973.En
fait,
il fautrappeler
que la "crisepétrolière"
datée enseptembre 1973,
n’a fait
qu’amplifier
le renversement de l’activitéqui
suit toutephase d’expansion
de l’économie. L’indice de
production industrielle, qui présente
un temps deréponse
assezlong,
ne reflète la crisequ’en
août 1974.La
reprise
de laproduction
a lieu enseptembre
1975 et elles’accompagne
des mesures de relance
gouvernementales qui
ne suffisent pas à absorber le choc de la "crisepétrolière".
De cefait,
la croissance de laproduction
industrielle s’atténue àpartir
dejanvier
1976 et devientquasiment
stationnaire à dater du mois d’août 1976(taux
de croisance annuel de l’ordre de2,5 %).
Ce ralentissement de la croissance montre un
changement profond
quant à la forme de la tendance àlong
terme de laproduction ;
aussi, sur lapériode 1963-1977,
un trendexponentiel
ne convientplus.
Or,
entre les années 1963 et1977,
onpeut
noter que lapériode
1963-1967est
marquée
par une tendance croissante relativement forte suivie par une crois-sance
plus
forte lors des annés1968-1974,
lapériode
actuelle se caractérisant parune croissance
beaucoup plus
modérée.Ces remarques
suggèrent
unereprésentation
de la tendance àlong
terme sousforme d’une
fonction logistique.
Néanmoins, quelques précautions
doivent êtreprises
quant à l’utilisation de ce type de fonction à des finsprévisionnelles.
Eneffet,
la fonctionlogistique
est croissante avec saturation
(asymptote horizontale)
et, parlà-même,
ne peutservir à
prévoir
laproduction
industrielle que dans le cadre d’un horizon assezproche.
Aussi le choix de la fonction
logistique
pourreprésenter
la tendance àlong
terme de l’indice de
production industrielle,
a étéguidé plus
par des considéra- tions d’ordrestatistique
que par unjugement
sur la théorie de la croissance.Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
13 3.3. - Choix du modèle
Par la
rapidité
de l’information et de sapublication,
l’indicateur deproduc-
tion récente lors du mois t reflète la situation de la
production
de ce même moistandis que l’indice de la
production
industrielle n’est connu que deux moisplus
tard.
Dans ces
conditions,
il existe un temps deréponse
entre l’information ins- tantanée fournie parl’enquête
et le niveau de laproduction
donné par l’indice.Aussi il semble
judicieux
depostuler
un modèle à retards échelonnés entre la série "indice" et la série"enquête".
Le groupement ENS
signifiant
que l’on s’intéresse à l’ensemble desindustries,
nous poserons :
YENS = indice
général
de laproduction industrielle, corrigé
des variationssaisonnières,
base 100 en 1970.XENS = pourcentage du solde des
réponses
des industriels concernant leurproduction
récente.TENS = tendance à
long
terme de l’indicegénéral
de laproduction
indus-trielle.
DENS = écart entre l’indice
général
de laproduction
industrielle et sa ten- dance àlong
terme.Compte
tenu de cesnotations,
le modèle s’écrit pour le mois t :avec :
Et =
perturbation
aléatoire lors du mois tEnfin les
grandeurs
calculées par le modèle sont notées :CDENS = écart calculé par le modèle entre l’indice
général
de laproduction
industrielle et la tendance à
long
terme.CYENS = indice
général
de laproduction
industrielle calculé par le modèle :CYENSt
=CDENSt
+TENSt
3.4. - Résultats
Sur la
période janvier
1963 -septembre
1977(t
=1, 2 ,
... ,177),
l’estima-tion des
paramètres M ,
aet {3
a conduit à retenir comme tendance àlong
termede l’indice de
production industrielle,
la fonction :Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
14 Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
15
D’autre
part,
lesparamètres
du modèle à retards échelonnés que nous avons considéré ont été estimés par la méthode de S. ALMON(voir [17]
et annexe2).
En
fait, l’exploitation
de la méthodeprécédente
a montré que les résidus d’estima- tion étaient fortementautocorrélés ; aussi, parallèlement
à la méthode deALMON,
nous avons utilisé la méthode de D. COCHRANE et G.H. ORCUTT
(voir [18]), laquelle
améliore très sensiblement laqualité explicative
du modèle.La
figure
3 fournit lacomparaison graphique
entre l’indice deproduction
industrielle YENS et l’indice CYENS
ajusté
par le modèle.Sur ce
graphique,
ne sontreproduites
que les données concernant lapériode
récente
janvier
1973 -septembre 1977,
pourlaquelle
les renversementsconjonc-
turels sont
particulièrement importants.
On peut noter la très bonne
qualité
del’ajustement
réalisé tant au niveaude
l’amplitude
des fluctuationsqu’à
celui del’adaptation
fidèle du modèle auxpoints
de retournement de laconjoncture.
4. - COMPARAISON ENTRE LES DEUX TYPES DE METHODES
Traditionnellement,
les méthodesd’analyse
des sériestemporelles
en statis-tique
et les modèleséconométriques
sont considérés comme étant deuxapproches
distinctes d’un même
problème : l’analyse
des sérieséconomiques.
Il faut évidem- ment aller au-delà de la stérilepolémique
deprédominance
de l’une ou l’autredes méthodes pour essayer d’examiner les avantages et inconvénients de chacune d’entre elles.
Considérons d’abord la méthode de BOX et JENKINS dont la
principale caractéristique
est defournir,
enrègle générale,
une bonneprévision
à court terme,ce
qui
a contribué pourbeaucoup
à son succès.Ainsi,
le tableau 1 et lafigure
4 fournissent les réalisations de l’indicegénéral
brut de la
production
industrielle ainsi que lesprévisions
obtenues par la méthode de BOX et JENKINSjusqu’à
l’horizon de douze mois en prenant le mois dejuillet
1977 comme
origine
deprévision.
On
peut
remarquerglobalement
que bienqu’elles
soient un peu surestimées(sauf
pour avril1978),
lesprévisions
ne sont pas trèséloignées
des réalisationscorrespondantes
etprésentent
une évolutionpara#èle
à celle des réalisations.Parmi les autres avantages de la méthode BOX et
JENKINS,
notons celuiqui permet
de traiter des séries brutes sans aucune transformation :ainsi, l’analyse
de l’indice
général
de laproduction industrielle, corrigé
des variations saisonnières,met en lumière les défauts de la méthode de désaisonnalisation. Ceci n’est pas un fait nouveau
quand
on sait que les différentes méthodes de correction des variations saisonnières "surdésaisonnalisent" un peutrop
les séries.Parmi les inconvénients de la méthode BOX et
JENKINS,
il faut citer le com-portement de "boîte noire" de la méthode.
Ne se cadrant que sur les
données,
la méthode lesépouse
le mieuxpossible
même si ce sont des accidents passagers. De
plus,
lesparamètres
du modèle n’ontpas
toujours
designification économique,
sanscompter qu’en
l’absence de variablesRevue de Statistique Appliquée, 1980, vol. XXV I I I, n" 2
16 Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
17 TABLEAU 1
Réalisations et Préoisiom (B.I.) de l’Indice général brut
de la production industrielle
Période d’observation : Janvier 1963 - Septembre 1977)
explicatives,
la méthode resteimpuissante
devant un renversementconjoncturel auquel
elle nes’adaptera qu’avec
un certain retard. Cettecritique
n’acependant
pas de fondement dans le cas d’un modèle à fonctions de transfert.
Enfin,
pour des raisonsidentiques
auxprécédentes,
lecomportement pré-
visionnel de la méthode se détériore avec l’horizon de la
prévision.
En ce
qui
concerne le modèleéconométrique,
sa fonctionprinciaple
estl’explication.
Dans cette
optique,
sesprévisions
à moyen terme sontplutôt
bonnes carc’est à ce niveau que
l’explication
duphénomène
estimportante.
Il en est demême pour ce
qui
concerne les retournementsconjoncturels. L’analyse
par un modèleéconométrique permet
de biencomprendre
une série et d’en trouver lesdivers facteurs
explicatifs.
Il est
cependant
difficile à rendreprévisionnel
dans la mesure où il fautaussi
prévoir
les variablesexplicatives (sauf lorsqu’elles
sontdécalées).
Le modèleest sensible aux erreurs de
spécification, c’est-4-dire,
au choix des variablesexpli-
catives,
lequel dépend
essentiellement duconcepteur
dumodèle,
cequi
en faitet sa force et sa faiblesse.
Enfin
l’application
d’un modèleéconométrique
supposegénéralement
que les séries soient désaisonnalisées et, en touterigueur,
stationnaires. Ceci pose le pro- blème de ladésaisonnalisation,
car les méthodes dérivées du modèle linéaire sont maladaptées
aux sérieschronologiques
et nepeuvent
s’utiliser valablementqu’avec
un certain nombre de
protections.
Revue de Statistique Appliquée, 1980, vol. XXVIII, n" 2
18
En
résumé,
la méthode BOX et JENKINS ne se laisseguider
que par lesfaits,
donc les données : c’estl’optique
du statisticien.Quant
à la méthode écono-métrique,
elle voit la réalité à travers unmodèle, l’adéquation
des observations aumodèle ne différant que par des erreurs aléatoires : c’est
l’optique
de l’économiste.Appliquées brutalement,
les deux méthodes sontcritiquables ; ainsi,
lapremière
essaieraid’expliquer
des évènements purement fortuits alors que la seconde sera sensible aux erreurs dejugement
et de la connaissance de la réalité.En
fait,
les deux méthodes ne sont pas à comparer tellesquelles
avec commecritère la
qualité
de leursprévisions respectives
à court terme. Plutôt que concur-rentes, elles sont
complémentaires,
laprédominance
de l’une par rapport à l’autre variant au hasard des découvertesscientifiques (voir
référencesD).
D’ailleurs, lorsque
l’on sedirige
vers des modèlesplus élaborés,
ARMAmultivariés et modèles à
équations multiples,
les deux méthodes sont, d’unpoint
de vue
théorique,
formellement trèsproches.
Enfin,
au niveauqui
nous intéresse dans cetarticle,
onpeut
enchaîner les deux méthodes de diversesfaçons :
- il est
possible
deprévoir
la variableexplicative
par la méthode de BOX et JENKINS etd’appliquer
ensuite le modèleéconométrique ;
- les résidus d’estimation d’un modèle de BOX et JENKINS peuvent être
expliqués
par des variablesexplicatives.
Le tableau 2 illustre les
performances prévisionnelles respectives
pour un horizon de 12 mois, de la méthode BOX et JENKINS et de la méthode économé-trique
enprenant Septembre
1976 commeorigine
deprévision.
TABLEAU 2
Prévisions sur 12 mois de l’indice général de la production industrielle corrigé des variations saisonnières (base 100 en 19 70)
Origine de prévision : Septembre 1976
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
19
Cette
comparaison
desprévisions appelle plusieurs
remarques.Tout
d’abord,
pour cequi
concerne le modèleéconométrique,
on ne peut pas àproprement parler
calculer desprévisions
maisplutôt
les valeursajustées par le
modèle.D’autre
part,
c’est la série de l’indicegénéral
de laproduction
industriellecorrigé
des variations saisonnièresqui
a été modélisé par la méthode BOX etJENKINS,
afin depouvoir
comparer directement les niveaux desprévisions
obtenues par les deux
méthodes ;
lapériode
d’observation servant à cette modélisa- tion estseptembre
1971 -Septembre
1977.L’identification et l’estimation des
paramètres
du modèle ont montré que l’in- dice YENS était bienreprésenté
par un modèleAR(4) ; plus précisément,
ontrouve :
où at est un bruit blanc
d’écart-type
estiméégal
à0,46
x10-3 .
Pour ce
qui
est des résultatsobtenus,
le tableau 2indique
assez clairementque, sur la
période envisagée,
les méthodes sontcomparables
pour cequi
concernele niveau des
prévisions.
Deplus
l’écart absolu moyen entre laprévision
et la réali-sation
correspondante
fournitrespectivement 1,5
pour le modèle BOX et JENKINS et1,4
pour le modèleéconométrique,
cequi
confirmebien,
dans ce cas,l’équiva-
lence des deux méthodes.
5. - CONCLUSION
Dans cette étude sur
l’analyse
et laprévision
de l’indicegénéral
de laproduc-
tion
industrielle,
nous avons utilisé deux outils : un modèleéconométrique simple
et la méthode de BOX et JENKINS univariée.
Chacune de ces deux méthodes a
apporté
unéclairage particulier
soit auniveau de la
compréhension
duphénomène,
soit au niveau de saprévision.
Notonsà ce propos que
l’application
des méthodesprécédentes
a étéégalement
effectuéesur les indices de
production
industrielle desagrégats
Biens de consommation, Biensd’équipement
et Biens intermédiaires et sur les indicateurscorrespondants
issus des
enquêtes
deconjoncture ;
laqualité
des résultats trouvés est tout à faitcomparable
à celle que l’on obtient avec l’ensemble de laproduction
industrielle.Malgré
leur relativesimplicité
et le faitqu’elles
permettent d’obtenir de bonnesprévisions,
ces deux méthodes ont toutefois leurs limites.Ainsi,
en cequi
concerne la méthodeéconométrique,
il aurait étépossible
d’améliorer la connaissance de la variable
explicative,
car lepassé
influe sur laréponse
des industriels.Sur la
question
concernant leurproduction récente,
les chefsd’entreprise
font intervenir non seulement la tendance récente de la
production
maiségalement
la tendance de la
production
décalée dequelques
mois en arrière et aussi la variationde
production
en un an.Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
20
Enfin,
il peut y avoir unphénomène inverse,
c’est-à-dire unimpact
del’opi-
nion des industriels sur la
production
effective.Il est alors clair que les deux modèles
envisagés
nepermettent plus
deprendre
en
compte
ceshypothèses :
il faut alors passer soit à un modèle àéquations
mul-tiples,
soit à une méthode de BOX et JENKINS à fonctions detransfert,
voire même, multivariée.REMERCIEMENTS
Les auteurs tiennent à remercier Monsieur le Professeur A. PIATIER pour tous les conseils
qu’il
a bien voulu leur donner en matière deconjoncture
écono-mique.
ANNEXE 1
Résultats de la modélisation de l’indice
général
brut de laproduction
industrielle par la méthode de BOX et JENKINS univariée1. -
Graphes
d’autocorréllltion(A CF)
et d’autocorrélationpartielle (PA CF) a)
sur la série stationnaire(D
=1,
03BB =0)
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
21
b)
sur la série résiduelle avec un modèle p = 4c)
sur la série résiduelle avec un modèle p = 4 etQ
= 12. -
Equation
du modèleEn
appelant :
ZENSt
= indicegénéral
brut de laproduction industrielle,
base 100 en 1970 etle modèle a pour
équation :
L’estimation de la variance résiduelle
aâ
du bruit blanc Gaussien{at }
estégale
à0,98
x10-3 .
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
22 ANNEXE 2
Résultats de la modélisation
économétrique
par la méthode de ALMON
1. -
Technique
itérative de COCHRANE-ORCUTT2. - Méthode de ALMON
Polynôme
dedegré
3 avec 8 retardsLe
polynôme
s’annule pour le retard 8Un modèle
plus simple (polynôme
dedegré
2 et 3retards)
ne tenant pascompte
de l’effet à 6 moispeut
êtreenvisagé
avec,toutefois,
desperformances prévisionnelles
moindres.Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 2
23 REFERENCES
A -
Conjoncture
[1]
Ph. L’HARDY(1976). -
"Les attitudes desménages ;
leursignification".
Economie et
Statistique -
1976.[2]
C. MALHOMME(1969). - "L’influence
dupassé
dans lesenquêtes
de con-joncture -
Un essai de correction" - 9e conférence duCIRET, Septembre
1969.
[3]
B. TABUTEAU(1975). - Enquêtes
deconjoncture
etanalyse économique - Cujas,
TEMAnalyse n° 5, 1975.
[4]
P. TEILLARD(1975). -
"L’indice de laproduction
industrielle de 1963 à 1975". Thèse de3e cycle ,
ParisVI,
Décembre 1975.[5]
INSEE(1977). - "METRIC,
modèleéconométrique
trimestriel de la conjonc- ture". Annales del’INSEE, n° 26-27, Avril-Septembre
1977.[6]
INSEE : Bulletin mensuel destatistique.
[7]
INSEE(1976). -
"Les indices de laproduction industrielle,
base 100 en 1970". Collections del’INSEE,
E35,
Février 1976.[8]
INSEE :"Enquête
mensuelleauprès
deschefs d’entreprise" -
Tendances de laConjoncture. Depuis
1962.B - La méthode de BOX et JENKINS
[9]
O.D. ANDERSON(1976). -
Time Seriesanalysis
andforecasting :
the Box-Jenkins
approach. Butterworths,
London and Boston.[10]
O.D. ANDERSON(1977). -
"Prévisionsofficielles
dans le GouvernementAnglais",
Revue deStatistique Appliquée, 1977,
vol.XXV, n°
1.[11] T.W.
ANDERSON(1971). -
The statisticalanalysis of
time series.Wiley.
[12]
G.E.P. BOX and D.R. COX(1964). -
"Ananalysis of transformations".
Journal of
Royal
StatisticalSociety,
B.26, 1964.
[13]
G.E.P. BOX and G.M. JENKINS(1970). -
Time SeriesAnalysis : Forecasting
and
Control,
HoldenDay,
San Francisco(2e
édition en1976).
[14]
W.A. FULLER(1976). -
Introduction to statistical time series -Wiley.
[15]
C.W.J. GRANGER and P. NEWBOLD(1977). - Forecasting
economic time series. Academic Press.[16]
H. WOLD(1954). -
Astudy
in theanalysis of stationary
time series. Alm-quist
and Wiksell - Stockholm.C - Econométrie
[17]
S. ALMON(1965) - "The
distributedlag between capital appropriations
andexpenditures".
Econometrica, Janvier 1965.Revue de Statistique Appliquée, 1980, vol. XXVII I, n° 2
24
[18]
D. COCHRANE and G.H. ORCUTT(1949). - "Application of
least squaresregression
torelationships containing
autocorrelated error termes". Journal of the American StatisticalAssociation,
vol. 44.[19]
C. FOURGEAUD et B. LENCLUD(1978). - Econométrie,
Presses Universi- taires de France.[20]
E. MALINVAUD(1969). -
Méthodesstatistiques
de l’économétrie - Dunod.[21]
H.THEIL (1971). - Principles of Econometrics - Wiley.
[22]
G. VANGREVELINGHE(1970). -
Econométrie - Hermann.D -
Comparaison
entreapproche économétrique
etanalyse
des sériestemporelles [23]
C. CHRIST(1975). - "Judging
theperformance of
econometric modelsof
the U.S.
Economy",
International EconomicReview,
Vol.16, n° 1,
Feb.1975.
[24]
C.R. NELSON(1975). -
"RationalExpectations
and the PredictiveEffi- ciency of
EconomicModels",
The Journal ofBusiness,
vol. 4B, n° 3 , July
1975.
[25]
D. PROTHERO and K. WALLIS(1976). - "Modelling
Macroeconomic TimeSeries",
Journal ofRoyal
StatisticalSociety,
A(1976), 139,
part.4, p. 468.
Revue de Statistique Appliquée, 1980, vol. XXVI 11, n" 2