Chap4 Cours

Présentation et analyse théorique des séries chronologiques Estimation de la tendance et des variations saison
Chapitre 4. Les séries chronologiques
Jean-François Coeurjolly
http://www-ljk.imag.fr/membres/Jean-Francois.Coeurjolly/
Laboratoire Jean Kuntzmann (LJK), Grenoble University

1 Présentation et analyse théorique des séries chronologiques

Généralités
Décomposition d’une série chronologique
Modélisation d’une série chronologique
2 Estimation de la tendance et des variations saisonnières

Estimation de la tendance
Estimaion des variations saisonnières
3 Série corrigée des variations saisonnières et prédiction

Série C.V.S.
Prédiction
Généralités
Généralités
Définition
Une série chronologique (ou série temporelle) est une suite
d’observations numériques ordonnées dans le temps.
Exemples :
Consommation d’électricité mensuelle.
Chiffre d’affaires trimestriel d’une entreprise.
Notations :
la variable étudiée est notée y.
le temps est repéré par la lettre t, t = 1, 2, . . ..
y(t) est la valeur de la série étudiée à l’instant t.
Généralités
Un premier exemple : tableaux
On s’intéresse ici au Chiffre d’Affaires trimestriel de l’entreprise

Biomérieux entre 2010 et 2012. Deux façons équivalentes de
présenter ce jeu de données :
t y(t)
1 306
2 344
3 333
2010 2011 2012 4 373
I 306 327 362 5 327
II 344 345 387 6 345
III 333 347 382 7 347
IV 373 406 437 8 406
9 362
10 387
11 382
12 437
Généralités
Un premier exemple : représentation graphique
En abscisse : le temps t.
En ordonnée : la variable y(t).
t y(t)
1 306
2 344
3 333
4 373
450
5 327 ●
6 345
7 347 ●
400
y(t)
●
8 406 ●
●
9 362 ●
350
● ●
10 387 ●
●
●
11 382
●
300
12 437
2 4 6 8 10 12 14
t
Différentes composantes : I. la tendance
La tendance ou trend :
450
traduit généralement ●
l’évolution générale du
●
400
phénomène observé
y(t)
(croissance, décroissance, ●
●
●
stagnation,. . . ). C’est une 350
●
courbe (ici une droite) ● ● ●
que l’on note T (t) ●

●
(fonction de t).
●
300
2 4 6 8 10 12 14
t
Différentes composantes : II les variations saisonnières
Les variations saisonnières :

ce sont des pics ou des creux
qui se répètent de cycle en cycle.
450
Ici le cycle est de un an, c-a-d 4
trimestres. La fonction de ●
saisonnalité se note S (t) :

●
400
S () doit être une fonction
y(t)
1
●
●
périodique. Autrement ●
●
dit, si le cycle est de un an 350
● ●
et si les observations sont ●
●
●
mensuelles :
S (t + 12) = S (t).
●
300
trimestrielles :
2 4 6 8 10 12 14
S (t + 4) = S (t).
t
Différentes composantes : II les variations saisonnières
Les variations saisonnières :

ce sont des pics ou des creux
qui se répètent de cycle en cycle.
Ici le cycle est de un an, c-a-d 4
450
trimestres. La fonction de ●
saisonnalité se note S (t) :
●
400
1 S () doit être une fonction
y(t)
●
périodique. ●
●
●
2 Les variations saisonnières 350
● ● ●
se compensent sur un ●
●
cycle. C’est le principe de
conservation des aires : ●
300
surface violette = surface

orange pour tous les cycles. 2 4 6 8 10 12 14
t
Différentes composantes : III les variations accidentelles
450
●
Ce sont des pics ou des creux

●
400
qui ”cassent” la monotonie des
cycles. On les note ε(t). Dans la y(t)
●
●
●
suite, on ne tiendra pas compte ●
350
de ces variations accidentelles. ● ● ●
●
●
●
300
2 4 6 8 10 12 14
t
Qu’est-ce que la modélisation ?
Modéliser une série temporelle consiste à supposer qu’elle

est régie par une certaine fonction.

En particulier, on supposera que y(t) = f (T (t), S (t)) , c-a-d
fonction d’une certaine tendance et de variations
saisonnières.

En particulier, on supposera que y(t) = f (T (t), S (t)) , c-a-d
fonction d’une certaine tendance et de variations
saisonnières.
Restriction du cours : ne seront considérés ici que
1 les modèles additifs.
2 les modèles multiplicatifs.
Modèle 1 : le modèle additif

Il est défini par
y(t) = T (t) + S (t)

Il est utilisé lorsque les flucutations/variations autour de
la tendance sont constantes.
● ● ●
●
10
10
●
● ●
● ● ●
●
y(t)
y(t)
●
●
5
● ●
5
● ● ●
● ●
● 0
●
0
● ●
2 4 6 8 10 12 14 0 2 4 6 8 10 12 14
t t
Modèle 2 : le modèle multiplicatif

Il est défini par
y(t) = T (t) × S (t)

Il est utilisé lorsque les flucutations/variations autour de
la tendance sont croissantes ou décroissantes.
10 15 20 25
10 15 20 25
● ●
● ●
y(t)
y(t)
● ●
● ●
5
5
● ● ● ● ● ●
● ● ● ● ● ●
● ● ● ●
0
0
−5
−5
2 4 6 8 10 12 14 2 4 6 8 10 12
t t
Principe de conservation des aires
Soit p le nombre d’observations par cycle. On peut montrer que

ce principe est conservé
1 pour un modèle additif si
p
1X
S (t)= 0.
p t=1
2 pour un modèle multiplicatif si

p
1X
S (t)= 1.
p t=1
Méthodologie générale
Plusieurs méthodes différentes pour estimer la tendance :

Définir la tendance par la régression linéaire (ou régression
plus complexe) de y(t) en fonction du temps.
Avantage : simple et rapide à calculer.
Dûs aux effets saisonniers, l’ajustement par une droite (ou
autre) n’est pas toujours adéquat (R 2 << 1).

Utiliser une méthode plus locale appelée méthode des
moyennes mobiles que l’on combine le plus souvent à
une régression linéaire (des moyennes mobiles en fonction
du temps).

Utiliser une méthode plus locale appelée méthode des
moyennes mobiles que l’on combine le plus souvent à
une régression linéaire (des moyennes mobiles en fonction
du temps).
L’estimation de la tendance ne dépénd pas du modèle
(additif, multiplicatif,. . . ) envisagé.
Moyennes mobiles
Définition
La moyenne mobile d’ordre k à l’instant t correspond à la moyenne
pondérée de k + 1, si k est pair, ou k , si k est impair, observations
centrées autour de l’instant k . Cette série temporelle est notée Mk (t).
Moyennes mobiles
Définition
Premier cas : k = 3
t y(t) M3 (t)
1 306 Démarche :
2 344
3 333
On calcule les moyennes
4 373 successives de 3 observations.
5 327
6 345 La 1ère moy. étant centrée autour
7 347 de l’instant t = 2, celle-ci
8 406 correspond à M3 (2).
9 362
10 387 Par le calcul
11 382 (306 + 344 + 333)/3 ' 326.7.
12 437
Moyennes mobiles
Définition
Premier cas : k = 3
t y(t) M3 (t)
1 306 × Démarche :
2 344 326.7
3 333
On calcule les moyennes
4 373 successives de 3 observations.
5 327
6 345 La 1ère moy. étant centrée autour
7 347 de l’instant t = 2, celle-ci
8 406 correspond à M3 (2).
9 362
10 387 Par le calcul
11 382 (306 + 344 + 333)/3 ' 326.7.
12 437
Moyennes mobiles
Définition
Premier cas : k = 3
t y(t) M3 (t)
1 306 ×
2 344 326.7
3 333 350
4 373 Démarche :
5 327
6 345 On poursuit . . .
7 347
8 406 (344 + 333 + 373)/3 = 350.
9 362
10 387
11 382
12 437
Moyennes mobiles
Définition
Premier cas : k = 3
t y(t) M3 (t)
1 306 × Démarche :
2 344 326.7
3 333 350 . . . et pour t = 11, on obtient
4 373 344.3
5 327 348.3 (387 + 382 + 437)/3 = 402.
6 345 339.7
7 347 366
8 406 371.7 Autrement dit, pour tout
9 362 385 t = 2, . . . , 11
10 387 377
11 382 402 M3 (t) = 1
3
(y(t − 1) + y(t) + y(t + 1))
12 437 ×
Moyennes mobiles
Définition
Second cas : k = 4
Démarche :
t y(t) M4 (t)
1 306 × Moyenne des k = 4-ères=
2 344 ×
3 333 341.6
(306 + 344 + 333 + 373)/4 = 339.
4 373 Moyenne centrée autour de l’instant t = 2.5.
5 327
6 345 La seconde moyenne donne
7 347 (344 + 333 + 373 + 327)/4 ' 344.2. Moyenne
8 406 centrée autour de l’instant t = 3.5.
9 362
10 387 ⇒ en faisant la moy. de ces deux résultats on
11 382 obtient un représentant à l’instant t = 3
12 437
(339 + 344.2)/2 = 341.6.
Moyennes mobiles
Définition
Second cas : k = 4
Démarche : . . . on poursuit avec le même
t y(t) M4 (t) raisonnement.
1 306 ×
2 344 × Moyenne des k = 4 avant-dernières obs.=
3 333 341.6 (406 + 362 + 387 + 382)/4 ' 384.2. Moyenne
4 373 344.4
centrée autour de l’instant t = 9.5.
5 327 346.2
6 345 352.1 La seconde moyenne donne
7 347 360.6
8 406 370.2 (362 + 387 + 382 + 437)/4 ' 392. Moyenne
9 362 379.9 centrée autour de l’instant t = 10.5.
10 387 388.1
11 382 × ⇒ en faisant la moy. de ces deux résultats on
12 437 × obtient un représentant à l’instant t = 10
(384.2 + 392)/2 = 388.1.
Moyennes mobiles
Définition
Second cas : k = 4
Synthèse :
t y(t) M4 (t)
1 306 × M4 (t) ne peut donc pas être calculée aux instants
2 344 × t = 1, 2 et t = 11, 12.
3 333 341.6
pour tout t = 3, . . . , 10
4 373 344.4
5 327 346.2 1 1
6 345 352.1 M4 (t) = (y(t − 2) + y(t − 1) + y(t) + y(t + 1))
2 4
7 347 360.6
1
+ (y(t − 1) + y(t) + y(t + 1) + y(t + 2))

8 406 370.2
9 362 379.9 4
y(t − 2)/2 + y(t − 1) + y(t) + y(t + 1) + y(t + 2)/2
10 387 388.1 = .
11 382 × 4
12 437 ×
M4 (t) est donc une moy. pondérée de 5 obs.
Application et représentation graphique

D’un point de vue pratique . . .
. . . l’ordre des moyennes mobiles correspond au nombre p
d’observations par cycle , c-a-d k = 4 dans le cas du C.A. de
Biomérieux.
t y(t) M4 (t) ● y'(t)

1 306 × M4(t)
450
2 344 × ●
3 333 341.6
4 373 344.4
●
400
5 327 346.2
y(t)
●
6 345 352.1 ●
●
7 347 360.6 ●
8 406 370.2
350
● ● ●
9 362 379.9 ●
10 387 388.1 ●
11 382 × ●
300
12 437 ×
2 4 6 8 10 12 14
t
Méthodologie
Si aucune liaison fonctionnelle entre Mk et le temps ne semble se
dégager, on définit la tendance T (t) = Mk (t).
Si une liaison (par exemple linéaire) se dégage, on estime cette
liaison et on estime T (t) grâce à l’estimation de cette liaison.
L’avantage est de pouvoir définir une tendance à tout instant.
t y(t) M4 (t) Démarche :
1 306 ×
2 344 × une relation linéaire entre M4 (t) et le temps t
3 333 341.6 pour t = 3, . . . , 10 peut être suspectée.
4 373 344.4
5 327 346.2 à l’aide de la calculatrice le coeff. de corr. lin.
6 345 352.1
entre M4 et t vaut 97.7%.
7 347 360.6
8 406 370.2 ⇒ ajustement linéaire excellent. On définit
9 362 379.9
10 387 388.1 T (t) par la droite de régression
11 382 ×
12 437 × T(t) ' 6.95t + 315.24.
Méthodologie
Si aucune liaison fonctionnelle entre Mk et le temps ne semble se
dégager, on définit la tendance T (t) = Mk (t).
Si une liason (par exemple linéaire) se dégage, on estime cette
liaison et on estime T (t) grâce à l’estimation de cette liaison.
L’avantage est de pouvoir définir une tendance à tout instant.
t y(t) M4 (t) T (t) Démarche :
1 306 × 322.2
2 344 × 329.1
1 On part de la relation estimée
3 333 341.6 336.1
4 373 344.4 343 T(t) ' 6.95t + 315.24.
5 327 346.2 350
6 345 352.1 356.9 2 et on l’applique aux instants t = 1, . . . , 12.
7 347 360.6 363.9
8 406 370.2 370.8 3 Ainsi
9 362 379.9 377.8
10 387 388.1 384.7
11 382 × 391.7 T(1) = 6.95 × 1 + 315.24 = 322.2
12 437 × 398.6 T(12) = 6.95 × 12 + 315.24 = 398.6.
Et graphiquement . . .
t y(t) M4 (t) T (t) ● y'(t)

M4(t)
1 306 × 322.2
450
T(t)
2 344 × 329.1 ●
3 333 341.6 336.1
4 373 344.4 343 ●
400
5 327 346.2 350
y(t)
●
6 345 352.1 356.9 ●
●
7 347 360.6 363.9 ●
8 406 370.2 370.8
350
● ● ●
9 362 379.9 377.8 ●
●
10 387 388.1 384.7
11 382 × 391.7 ●
300
12 437 × 398.6
2 4 6 8 10 12 14
t
L’estimation des variations saisonnières . . .
se fait après avoir estimé la tendance.
est dépendante d’un modèle envisagé : additif ou multiplicatif (dans ce
cours).
On suppose ci-dessous que p = 4 (4 observations par cycle).
Modèle additif : y(t) = T (t) + S (t) Modèle multiplicatif : y(t) = T (t) × S (t)
Calculer la fonction S (t) = y(t) − T (t). Calculer la fonction S (t) = y(t)/T (t).
Périodiser la fonction S : définir p = 4 coefficients saisonniers

par exemple : S1 = (S (1) + S (5) + S (9))/3
Principe de conservations des aires :

calculer S = (S1 + . . . + S4 )/4.
et définir les coefficients saisonniers modifiés Sj0 pour j = 1, . . . , 4
Sj0 = Sj − S Sj0 = Sj /S
Retour sur l’exemple . . .
. . . en supposant un modèle additif car les fluctuations de la série

autour de la tendance semblent constantes.
t y(t) M4 (t) T (t) S (t) Sj Sj0
1 306 × 322.2 -16.2
2 344 × 329.1 14.9
3 333 341.6 336.1 -3.1
4 373 344.4 343 30
5 327 346.2 350 -23
6 345 352.1 356.9 -11.9 1 Etape 1 :
7 347 360.6 363.9 -16.9 S (t) = y(t) − T (t) .
8 406 370.2 370.8 35.2
9 362 379.9 377.8 -15.8
10 387 388.1 384.7 2.3
11 382 × 391.7 -9.7
12 437 × 398.6 38.4

1 306 × 322.2 -16.2 -18.3
2 344 × 329.1 14.9 1.8
3 333 341.6 336.1 -3.1 -9.9
4 373 344.4 343 30 34.5 1 Etape 1 : S (t) = y(t) − T (t).
5 327 346.2 350 -23 -18.3
6 345 352.1 356.9 -11.9 1.8 2 Etape 2 : calcul des Sj .
7 347 360.6 363.9 -16.9 -9.9
ex :
8 406 370.2 370.8 35.2 34.5
9 362 379.9 377.8 -15.8 -18.3 S1 = (−16.2 − 23 − 15.8)/3
10 387 388.1 384.7 2.3 1.8
11 382 × 391.7 -9.7 -9.9
12 437 × 398.6 38.4 34.5

1 306 × 322.2 -16.2 -18.3 -20.3 1 Etape 1 :
2 344 × 329.1 14.9 1.8 -0.2 S (t) = y(t) − T (t).
3 333 341.6 336.1 -3.1 -9.9 -11.9
4 373 344.4 343 30 34.5 32.5 2 Etape 2 : calcul des Sj .
5 327 346.2 350 -23 -18.3 -20.3
6 345 352.1 356.9 -11.9 1.8 -0.2 3 Etape 3 : calcul de S et
7 347 360.6 363.9 -16.9 -9.9 -11.9 de Sj0
8 406 370.2 370.8 35.2 34.5 32.5
9 362 379.9 377.8 -15.8 -18.3 -20.3
10 387 388.1 384.7 2.3 1.8 -0.2 S =(S1 + . . . + S4 )/4 ' 2
11 382 × 391.7 -9.7 -9.9 -11.9
12 437 × 398.6 38.4 34.5 32.5 Sj0 =Sj − S
Série C.V.S.
Définition
La série corrigée des variations saisonnières est une série temporelle
permettant de pouvoir comparer les valeurs numériques de la série initiale
indépendamment des fluctuations saisonnières. Cette série est notée y ? (t).
La définition dépend du modèle choisi :
1 modèle additif : y ? (t) = y(t) − Sj0 .
2 modèle multiplicatif : y ? (t) = y(t)/Sj0 .
Exemple de calcul sur l’exemple : y ? (1) = 306 − (−20.3) = 326.3
t y(t) T (t) Sj0 y ? (t)

1 306 322.2 -20.3 326.3 ● y(t)
2 344 329.1 -0.2 344.2 y*(t)
450
3 333 336.1 -11.9 344.9 ●
4 373 343 32.5 340.5

5 327 350 -20.3 347.3 ●
400
y(t)
6 345 356.9 -0.2 345.2 ●
●
●
7 347 363.9 -11.9 358.9 ●
8 406 370.8 32.5 373.5 350 ● ● ●
●
●
9 362 377.8 -20.3 382.3
10 387 384.7 -0.2 387.2 ●
300
11 382 391.7 -11.9 393.9 2 4 6 8 10 12 14

12 437 398.6 32.5 404.5
Prédiction
L’intérêt de la modélisation est qu’elle peut être utilisée

pour faire des prédictions.
Problème : prédire les C.A. de Biomérieux pour les deux
premiers trimestres de 2013.
Méthodologie
Prédiction

Méthodologie
1 on cherche b
y (13) et b
y (14)
Prédiction

Méthodologie
1 on cherche b
y (13) et b
y (14)
2 Utiliser la droite de régression pour estimer T (13) et
T (14).
Prédiction

Méthodologie
1 on cherche b
y (13) et b
y (14)
T (14).
3 Utiliser les coeff. saisonniers associés aux trimestres à
prédire : ici S10 et S20 .
Prédiction

Méthodologie
1 on cherche b
y (13) et b
y (14)
T (14).
3 Utiliser les coeff. saisonniers associés aux trimestres à
prédire : ici S10 et S20 .
4 On combine le tout
y(13) =T (13) + S10 ' 6.95 × 13 + 315.24 − 20.3 ' 385.3 (M e)

b
y(14) =T (14) + S20 ' 6.95 × 14 + 315.24 − 0.2 ' 412.3 (M e).
b
Prédiction
Représentation graphique des valeurs prédites
y(13) ' 385.3 (M e)

b
y(14) ' 412.3 (M e)
b
450
●
●
400
y(t)
● ●
●
●
●
350
● ● ●
●
●
●
300
2 4 6 8 10 12 14
t
Prédiction
Représentation graphique des valeurs prédites
y(13) ' 385.3 (M e)

b
y(14) ' 412.3 (M e)
b
450
que l’on peut comparer aux

●
●
vraies valeurs observées
400
y(t)
● ●
●
●
●
y(13) =358.9 (M e)
350
● ● ● y(14) =395.1 (M e)
●
●
● montrant les limites de la

300
modélisation qui ne prend

2 4 6 8 10 12 14 peut-être pas en compte des
t effets conjoncturels.

Chap4 Cours

Transféré par

Informations du document

Titre original

Copyright

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 :

Chap4 Cours

Titre original :

Transféré par

Droits d'auteur :

Présentation et analyse théorique des séries chronologiques Estimation de la tendance et des variations saison

Chapitre 4. Les séries chronologiques

Laboratoire Jean Kuntzmann (LJK), Grenoble University

1 Présentation et analyse théorique des séries chronologiques

2 Estimation de la tendance et des variations saisonnières

3 Série corrigée des variations saisonnières et prédiction

Un premier exemple : tableaux

On s’intéresse ici au Chiffre d’Affaires trimestriel de l’entreprise

Un premier exemple : représentation graphique

Décomposition d’une série chronologique

Différentes composantes : I. la tendance

que l’on note T (t) ●

Décomposition d’une série chronologique

Différentes composantes : II les variations saisonnières

Les variations saisonnières :

saisonnalité se note S (t) :

Décomposition d’une série chronologique

Différentes composantes : II les variations saisonnières

Les variations saisonnières :

surface violette = surface

Décomposition d’une série chronologique

Différentes composantes : III les variations accidentelles

Ce sont des pics ou des creux

Modélisation d’une série chronologique

Qu’est-ce que la modélisation ?

Modéliser une série temporelle consiste à supposer qu’elle

Modélisation d’une série chronologique

Qu’est-ce que la modélisation ?

Modéliser une série temporelle consiste à supposer qu’elle

Modélisation d’une série chronologique

Qu’est-ce que la modélisation ?

Modéliser une série temporelle consiste à supposer qu’elle

Modélisation d’une série chronologique

Modèle 1 : le modèle additif

y(t) = T (t) + S (t)

Modélisation d’une série chronologique

Modèle 2 : le modèle multiplicatif

y(t) = T (t) × S (t)

Modélisation d’une série chronologique

Principe de conservation des aires

Soit p le nombre d’observations par cycle. On peut montrer que

2 pour un modèle multiplicatif si

Plusieurs méthodes différentes pour estimer la tendance :

Plusieurs méthodes différentes pour estimer la tendance :

Plusieurs méthodes différentes pour estimer la tendance :

Application et représentation graphique

t y(t) M4 (t) ● y'(t)

t y(t) M4 (t) T (t) ● y'(t)

Estimaion des variations saisonnières

On suppose ci-dessous que p = 4 (4 observations par cycle).

Périodiser la fonction S : définir p = 4 coefficients saisonniers

Principe de conservations des aires :

et définir les coefficients saisonniers modifiés Sj0 pour j = 1, . . . , 4

Estimaion des variations saisonnières

Retour sur l’exemple . . .

. . . en supposant un modèle additif car les fluctuations de la série

Estimaion des variations saisonnières

Retour sur l’exemple . . .

. . . en supposant un modèle additif car les fluctuations de la série

Estimaion des variations saisonnières

Retour sur l’exemple . . .

. . . en supposant un modèle additif car les fluctuations de la série

Exemple de calcul sur l’exemple : y ? (1) = 306 − (−20.3) = 326.3

t y(t) T (t) Sj0 y ? (t)

4 373 343 32.5 340.5