Vous êtes sur la page 1sur 3

Notes sur l'analyse des sries chronologiques

L'analyse d'une srie chronologique consiste tudier l'volution de cette dernire pour pouvoir expliquer son comportement dans le temps. Le choix d'un modle pour une srie donne, permet de faire des prvisions dont la qualit est trs lie aux choix du modle. La mthode de dcomposition saisonnire permet de dcomposer une srie donne en trois composantes : tendance, composante saisonnire et composante irrgulire. Cette mthode peut tre considre comme une version trs simplifie du programme amricain X-11, trs largement utilis pour dsaisonnaliser les sries chronologiques. La mthode de Box et Jenkins consiste approcher la srie par un processus ARIMA. C'est une mthodologie compose de quatre tapes : Analyse prliminaire, spcification, estimation et validation. Cette mthode est en gnral disponible dans les logiciels de statistique : SPSS, TSE, . Le modle ou la forme espace d'tat permet de dcomposer la srie sous forme de plusieurs composantes. La forme structurelle de Harvey dcompose la srie en tendance, composante saisonnire et composante irrgulire. Un processus ARIMA peut s'crire sous une forme espace d'tat. L'tude des srie chronologiques sous l'angle de la tendance, composante saisonnire et composante irrgulire est une approche classique. Une approche plus labore consiste considrer l'effet calendrier et la composante de saisonnalit mobile due au calendrier lunaire. Cette dernire est engendre par les ftes et vnements dont les dates sont fixes par le calendrier lunaire (Ramadan, Aid Adha, Pques, ). Ces dates changent d'une anne l'autre par rapport au calendrier grgorien qui est la rfrence des sries chronologiques. Les vnements lunaires crent alors des effets saison mobiles. La composante du calendrier corrige l'effet de la composition des jours, qui diffre d'un mois l'autre. Parmi les exemples les plus remarqus, on peut citer le chiffre daffaires des centres commerciaux, qui augmente sensiblement pendant les week-ends. Pour un mois qui comprend cinq week-ends, il est trs probable que son chiffre daffaires soit suprieur celui dun mois qui ne comprend que quatre week-ends. 1- La mthode de dcomposition saisonnire La mthode de dcomposition saisonnire consiste appliquer une moyenne mobile la srie pour estimer le trend. En supposant un schma multiplicatif, le rapport de chaque observation au trend permet d'liminer ce dernier. Pour chaque mois, les valeurs extrmes sont ignores, et la moyenne des rapports restants est calcule. La valeur obtenue constitue une premire estimation de la composante saisonnire. Cette estimation est multiplie par un coefficient de correction, calcul de telle sorte que la somme des 12 composantes saisonnires est gale 12. Une srie exprime dans le calendrier grgorien, peut tre transforme dans le calendrier hgirien en utilisant la formule al = a1 n1/t1 + a2 n2/t2, al est la valeur de la srie pour le mois lunaire l, ce mois est compos de n1 jours du mois solaire s1 et n2 jours du mois solaire s2, t1 et t2 dsignent le nombre de jours de chacun de ces mois, a1 et a2 sont les valeurs de la srie pour les mois s1 et s2. Une telle transformation suppose que deux priodes constituant un mois solaire et appartenant deux mois lunaires successifs, ont la mme moyenne qui est la moyenne mensuelle du mois solaire. De ce fait, aucune priode ne peut se 1

distinguer par rapport l'autre d'un ventuel effet de saison. Ce qui contredit l'objectif de dpart qui est l'apprciation des phnomnes saisonniers du calendrier lunaire. Malgr cela, cette transformation est utilise pour estimer les composantes saisonnires de ce calendrier. La moyenne mobile choisie pour estimer le trend, est une moyenne de deux moyennes d'ordre 12. Pour un mois donn, une moyenne de douze valeurs successives dans lesquelles ce mois occupe le septime rang, est d'abord calcule. Ensuite, une moyenne de douze valeurs successives dans lesquelles ce mois occupe le huitime rang, est calcule. La valeur du trend n'est autre que la moyenne de ces deux moyennes. L'application de cette mthode ne permet pas d'estimer le trend pour les six premiers et les six derniers mois de la srie. L'estimation des composantes saisonnires relatives au calendrier hgirien, permet d'apprcier l'effet des vnements qui sont mobiles par rapport au calendrier grgorien. Pour chaque calendrier, les rapports des observations aux trends, sont considrs. Les conclusions mises sur l'effet saisonnier dpendent de la nature de ces rapports : Rapports tous suprieurs 1 : effet saisonnier favorisant Rapports tous infrieurs 1 : effet saisonnier dfavorisant Rapports trs proches de 1 : absence d'effet saisonnier Rapport distribues d'une manire quelconque : Aucune conclusion. 2- La mthode de Box et Jenkins Un processus ARIMA(p,d,q) est dfini par y * = (B)y t , (B) est un oprateur de diffrence de t
* puissance d dont le module de ses racines est gale 1 et y t est un processus ARMA(p,q) dfini par : y* = 1 y *-1 + + p y *-p yt-p + t + 1t-1 + + qt-q t = 1,...,n. t t t t est un bruit blanc de moyenne nulle et de variance 2 et yt est une srie observable. Les paramtres 1, p, 1, q sont des rels, B tant l'oprateur retard : B r y t = y t -r .

L'analyse prliminaire consiste appliquer la srie, un oprateur de diffrence pour la rendre stationnaire. En pratique cet oprateur est souvent gale (1-B)(1-B12), l'oprateur 1-B sert liminer la composante tendancielle et 1-B12 limine la composante saisonnire. La spcification du modle se base sur la forme des autocorrlations et autocorrlations partielles de la srie rendue stationnaire, qui conduit un ou plusieurs modles ARMA. L'estimation des paramtres, consiste estimer les paramtres inconnus du modle, 1, p, * 1, q et 2 la variance du bruit. Pour cela il est possible d'crire le processus y t sous la forme espace d'tat et maximiser la fonction vraisemblance, voir Amrani I & A Skalli (2007). Une telle dmarche suppose la normalit du bruit t. La validation consiste s'assurer que les paramtres 1, p, vrifient bien l'hypothse de stationnarit (le module des racines du polynme dfini par (z) = 1- 1z - - pzp est * suprieur 1) ainsi que la conformit de l'criture du processus y t sous la forme espace d'tat. Lorsque la validation n'est pas assure, un nouveau modle est spcifi. Il possible d'obtenir plusieurs modles valides, dans ce cas un critre comparaison est utilis pour choisir le meilleure modle.

Bell R.W & Hillmer S.C. (1983) ont remarqu que l'identification d'un processus ARMA est plus simple au niveau la srie tudie, lorsqu'ils ont intgrer dans le modle la composante du calendrier et la composante de Pques sous forme de paramtres de rgression dterministes. 3- Le modle espace d'tat Le modle espace d'tat est constitu de deux quations : une quation de mesure, dans laquelle la srie est exprime en fonction d'un vecteur d'tat, et une quation de transition dans laquelle le vecteur d'tat suit un processus de premier ordre. Aprs avoir constitu ces deux quations, L'application du modle espace d'tat consiste appliquer un algorithme connu sous le nom de filtre de Kalman, initialiser le vecteur d'tat, estimer les paramtres inconnus du modle et enfin s'assurer que ce dernier, vrifie des tests de validation. Le vecteur d'tat se compose en gnral des diffrentes composantes qui peuvent expliquer une srie. L'intrt du modle espace d'tat est que chaque composante peut-tre choisie comme fixe ou stochastique. Amrani I & A Skalli (2008) ont utilis le modle espace d'tat pour montrer l'intrt d'intgrer la composante de saisonnalit mobile pour modliser les sries chronologiques. Ils ont montr travers deux applications que la prsence de celle-ci peut soit permettre la conformit des tests de validation ou amliorer la qualit de la modlisation. Rfrences Amrani I & A Skalli (2008) Evaluation de la saisonnalit mobile lie au calendrier lunaire sur les sries chronologiques par application du modle espace d'tat, MODULAD, 38, 2008. Amrani I & A Skalli (2007) A note on the estimation of parameters of a stationary ARMA model using a quasi-Newton method, InterStat, Novembre 2007 Bell. R.W & Hillmer. S.C. (1983) Modeling time series with calendar variation. Journal of the American Statistical Association 78, 526-534