Les méthodes d'ajustement saisonnier

1. INTRODUCTION
2. Préliminaires
3. Lissage Exponentiel simple et double; Méthodes de HOLT- WINTERS
4. Méthodes des Moyennes Mobiles
5. Méthode X-11
6. Méthode X-12
7. Méthode X-13
8. Méthode TRAMO / SEATS37
7. CONCLUSION

1. INTRODUCTION
La dessaisonalisation consiste à retirer la saisonnalité apparente des séries afin d’en
faciliter la lecture, ce qui s’apparente à l’analyse de la variance ; il s’agit de mesurer la
variabilité associée à la tendance et au cycle, en ‘contrôlant’ les effets saisonniers
(Lacroix, 2002).

2. Préliminaires
2.1 Analyse de la saisonnalité

L’étude de la saisonnalité n’a de sens que si les données sont infra- annuelles
(semestre, trimestre, mois etc.) et peut s’effectuer soit de façon visuelle soit de façon
empirique (analyse du graphique ou test de Fisher).

TESTE DE FISHER SOUS EVIEWS

Syntaxe: LS Nom de la série @seas(1) @seas(2) @seas(3) @seas(4) @seas(5)

@seas(6) @seas(7) @seas(8) @seas(9) @seas(10) @seas(11) @seas(12) puis
ENTREE (si série est mensuelle).

Procédure de décision
Si t-stat > 1,96 (pour toutes les périodes): la série est saisonnière sinon la série est
dépourvue de saisonnalité.
2.2 Détermination du Modèle de Décomposition de la Série.
Utilisation la méthode Droite de Mayer pour savoir si la série est du type additif ou
multiplicatif.

Elle s’appuie sur la régression de la série reconstituée de la moyenne sur celle de l’écart
type.

Par exemple, une série mensuelle on aura douze moyennes et douze écart types.

Si la t-statistique associée est inférieure à 1,96 alors la série est de type additif sinon
multiplicatif.

Le coefficient de la moyenne des exportations est 0.219 et la t- statistique associée

(1,38) est inférieure à 1,96. Le type de décomposition adéquat à la série
EXPORTATION est additif

3. Lissage Exponentiel simple et double; Méthodes de HOLT-WINTERS

3.1 Lissage Exponentiel Simple
Il donne une moyenne des observations passées où le poids de chaque observation
décroît de façon exponentielle avec la distance.

Procédure sous EVIEWS:

Quick, Series Statistics, Exponential Smoothing, Nom de la série , Single

Ensuite on obtient la série lissée

Le lissage a eu pour effet d’amortir les pics et les creux de la série exportation. La série
EXPORTSM est moins fluctuante que la série EXPORTATION car il y a eu ‘lissage’ des
irrégularités

3.2 Principe du Lissage Exponentiel Double

Au cas où la série a une moyenne approximativement constante, le lissage exponentiel
est bien adapté et le principe de lissage exponentiel double est de faire un ajustement
par une droite linéaire.

Procédure sous EVIEWS:

Quick, Series Statistics, Exponential Smoothing, Nom de la série , double
Ensuite on obtient la série doublement lissée
Le lissage a pour effet d’amortir les pics et les creux de la série EXPORTATION. La série
EXPORTSM a une tendance qui évolue en dents de scies.

3.3 Les Méthodes de Holt-Winters

Méthode saisonnière additive/multiplicative
Holt et Winters ajustent aussi une droite au voisinage comme dans le lissage exponentiel
double et les formules de mise à jour des coefficients sont toutefois différentes et sont des
moyennes pondérées.

Procédure sous EVIEWS:

Quick, Series Statistics, Exponential Smoothing, Nom de la série, Holt- Winters Additive /
Multiplicative

Ensuite on obtient la série Holt-Winter lissée

La série Vente_Hw_A est dépourvue d’effets saisonniers et plus apte à donner de

meilleures prévisions contrairement à la série VENTE.

4. Méthodes des Moyennes Mobiles

Le principe de cette méthode est de construire une nouvelle série obtenue en calculant
des moyennes arithmétiques successives de longueur p fixe à partir des données
originales. Chacune de ces moyennes obtenues correspondra au ‘milieu’ de la période
pour laquelle la moyenne arithmétique vient d’être calculée.

Procédure sous EVIEWS

La série EXPORT_MA et la série EXPORTATION sont presque similaires sur chaque

premier et troisième trimestre annuel. Les effets irréguliers des deuxièmes et quatrièmes
trimestres sont faibles mais elles existent quand même et sont corrigés.

5. Méthode X-11
La méthode de dessaisonalisation X-11 est une méthode qui utilise des moyennes
mobiles simples composées, les moyennes mobiles de Henderson et les moyennes
mobiles asymétriques de Musgrave pour estimer les principales composantes de la série,
tendance et saisonnalité. Ces filtres, qui n'impliquent pas a priori l'utilisation de concepts
ou de modèles sophistiqués, sont très simples en principe et se révèlent d'application
particulièrement souples.
Procédure sous EVIEWS

La série EXPORT_X11 est dépourvue d’effets saisonniers, moins fluctuante et plus apte à
donner de meilleures prévisions contrairement à la série EXPORTATION.

6. Méthode X-12
La méthode X-12 vient améliorer la 11. A travers les travaux de Box et Jenkins (1970)
couplés a X- 12 – ARIMA et au module reg – ARIMA de US Bureau of Census (1998),
ont permis de remédier aux lacunes (des variations sensibles des estimations pour les
dates les plus récentes) et de compléter la méthode X-11.

Note importante :

Dans la fenêtre apparue après lancement de la série dessaisonnalisée, donne à la

page 5, les résultats du test de présence de saisonnalité. Dans le cas échéant, la P-
value est donnée avec la décision qui va avec, soit Présence à niveau de
Saisonnalité à 0.1%. Ce test est un test puissant et aide à départager en cas de
doute

La série IMPORTATION_SA est dépourvue d’effets saisonniers, moins fluctuante et plus

apte à donner de meilleures prévisions contrairement à la série IMPORTATION.

7. Méthode X-13
La méthode X-13 est récente (mai 2007) et est une version fusionnée de deux
programmes: X-12 et SEATS. Pas encore intégrée dans EVIEWS.

Les nouveaux dispositifs les plus importants sont:

mis à jour automatique du procédé d'identification de modèle ARIMA;

procédures révisées pour l'ajustement saisonnier composé ;

dossier de diagnostic unifié;

nouvelle Spécification de métadonnées qui permet à des utilisateurs d'incorporer leur

propre métadonnée au dossier de diagnostic unifié.

8. Méthode TRAMO / SEATS

TRAMO (‘Time series Regression with Arima noise, Missing observations and Outliers’)
est tout d’abord employé pour détecter les points atypiques (aberrants et extrêmes).
Après détection, estimation et correction, la série est modifiée au moyen d’un ARIMA
avant d’être modélisée.

SEATS (‘Signal Extraction in Arima Time Series’) effectue la décomposition de la série en

sommant ses composantes orthogonales : tendance, saisonnalité, irrégulier et cycle, en
procédant par extraction du signal à partir de la densité spectrale de la série initiale.

7. CONCLUSION
Il faut noter que la moyenne mobile simple et le lissage exponentiel simple
s’appliquent aux séries temporelles stationnaires (dépourvues de tendance et de
saisonnalité) ce qui est extrêmement rare en économie et les affaires.

La moyenne mobile double, le lissage exponentiel double et la méthode de

Holt-Winters non saisonnière s’appliquent aux chroniques tendancielles et non
saisonnières.

Alors que les méthodes de Holt-Winters saisonnières (additif et multiplicatif)

sont utilisées pour prévoir des séries saisonnières.

Egalement les méthodes de lissage sont plus faciles à mettre en œuvre que
les autres méthodes (de Box Jenkins). Les méthodes de lissage représente une
alternative surtout lorsque les séries sont trop courtes ou trop volatiles (changement de
structure fréquent dans les données).