Séries chronologiques réelles

1. On considère une serie suivant consommation francaise allant de 1978Q1 à 2002Q4.
   1. Sauvgarder le fichier suivant dans votre repectoire de travail.

       
      http:www.math.u-bordeaux1.fr/~hzhang/m2/st/consofra.csv
      

   2. Visualiser graphiquement. Ce processus est-il stationnaire ?
   3. Soit conso represente cette variable, calculer log(conso) le logarithme de la variable conso ainsi que dif(lconso), la difference d'ordre 1, visueliser les par graphique. Que pensez vous ?
   4. Soit lconso=log(conso), utiliser l'option stationarity=(adf=2) pour tester la stationnarity du processus lconso; Comment interpreter les résutlats ?
   5. Utiliser l'option minic scan esacf pour identifer le processus lconso(1), parmi les candidats, quel modèle choisissez vous ?
   6. On utilisera le modèle chosit par l'étape précédente. calculer les prévisions à l'horizon 10.
   7. Tracer les prévisions obtenues.

      Corrigé

       
      data consofra;
       infile 'C:\Documents and Settings\zhang\Mes documents\My SAS Files\tp4\consofra.csv';
       input conso;
       id +1;
      run;
      
      data consofra;
        set consofra;
        lconso=log(conso);
        dlconso=dif(lconso);
        t=_n_;
      run;
      
      
      proc gplot data=consofra;
        symbol1 i=join;
        plot conso*t;
        plot lconso*t;
        plot dlconso*t;
      run;
      quit;
      
      proc arima data=consofra;
         identify var=lconso stationarity=(adf=2);run;
         identify var=lconso(1) minic scan esacf;run;
         estimate  p=2; run;
         forecast id=t lead=10 out=prevision; run;
      quit;
        
      proc gplot data=prevision;
         symbol1 i=join v=star h=1 cv=black ci=black co=black w=1;
         symbol2 i=join v=none h=3 cv=green ci=green co=green w=2;
         symbol3 i=join v=none h=3 cv=red   ci=red   co=red   w=2;
         plot lconso*t=1 forecast*t=2 (l95 u95)*t=3 /overlay ;
      run;
      quit;