Vous êtes sur la page 1sur 8

Qu’est-ce qu’une série chronologique ?

Modélisation et Modélisation et
prévision prévision

Cours SG042 F. Sur - ENSMN F. Sur - ENSMN

Introduction Introduction

Modèles de Séries temporelles / Chroniques / Time Series Modèles de


Modélisation et prévision décomposition
Tendance
→ suite d’observations d’une grandeur au cours du temps. décomposition
Tendance
Composante Composante
saisonnière
Composante aléatoire
Exemples : saisonnière
Composante aléatoire

Séries chronologiques - Séance 1 Estimation des économétrie (taux de chômage), Estimation des
paramètres et paramètres et
Décomposition d’une chronique décomposition
Moindres carrés
finance (cours d’action), décomposition
Moindres carrés
Filtrage Filtrage

Conclusion
écologie (pollution), Conclusion

Frédéric Sur démographie (population),


École des Mines de Nancy météorologie (relevé de températures),
astronomie (fluctuations de la magnitude d’un astre). . .
www.loria.fr/∼sur/enseignement/modprev/
Modèle sous-jacent liant les observations.

1/31 2/31

Exemple de série chronologique Dans le modèle. . .


Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Introduction Introduction

Modèles de Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière saisonnière
Composante aléatoire Composante aléatoire

Estimation des Estimation des


paramètres et
décomposition
Perturbations ponctuelles : variations forte amplitude. paramètres et
décomposition
Moindres carrés (grève, krach boursier, attentats, erreur de mesure. . .) Moindres carrés
Filtrage Filtrage

Conclusion
→ À traiter en premier. Cf “modèles d’intervention”. Conclusion

Tendance Tt : évolution globale.


Variations saisonnières St : fluctuations périodiques.
Cf “données corrigées des variations saisonnières”.
Trafic aérien aux USA de 1990 à 2004. → moyenne nulle sur une période.
Composante aléatoire ut : fluctuations irrégulières
But du cours : décrire l’évolution des chroniques à l’aide de imprévisibles de faible amplitude.
modèles basés sur des propriétés statistiques. → moyenne nulle.
3/31 4/31
Pourquoi étudier les chroniques ? À faire avant chaque séance. . .
Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Description / explication d’un phénomène. Introduction Introduction

chômage : variation tendancielle ou fluctuation saisonnière ? Modèles de Modèles de


décomposition décomposition

Prévision.
Tendance
Composante Polycopié du cours : Tendance
Composante
saisonnière saisonnière
consommation d’électricité, démographie, restauration rapide. . . Composante aléatoire chaque chapitre correspond à une séance Composante aléatoire

Estimation des Estimation des


paramètres et paramètres et
Étude de la dynamique. décomposition −→ à lire avant le cours ! décomposition
Moindres carrés Moindres carrés
cours d’actions. Filtrage (“pour en savoir plus” optionnel) Filtrage

Conclusion Conclusion
Impact d’un événement sur une variable.
sécurité routière : impact d’une nouvelle loi. Pour approfondir : bibliographie du polycopié disponible à la
bibliothèque.
SG042 : techniques statistiques, aspects temporels.
Autres points de vue : automatique / théorie du contrôle,
traitement du signal.
→ cf cours électifs.
5/31 6/31

Séance 1 Modèles de décomposition


Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN


Modèle additif : Xt = Tt + St + ut
Introduction Modèle multiplicatif : Xt = Tt · St · ut Introduction
1 Introduction Modèles de Modèle mixte : Xt = Tt · St + ut Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
2 Modèles de décomposition saisonnière
Composante aléatoire
saisonnière
Composante aléatoire
Tendance Estimation des Estimation des
paramètres et paramètres et
Composante saisonnière décomposition décomposition
Composante aléatoire Moindres carrés
Filtrage
Moindres carrés
Filtrage

Conclusion Conclusion

3 Estimation des paramètres et décomposition


Moindres carrés
Filtrage

4 Conclusion

7/31 8/31
Exemple de décomposition Exemple de décomposition
Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Introduction Introduction

Modèles de Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière saisonnière
Composante aléatoire Composante aléatoire

Estimation des Estimation des


paramètres et paramètres et
décomposition décomposition
Moindres carrés Moindres carrés
Filtrage Filtrage

Conclusion Conclusion

Trafic aérien aux USA de 1994 à 1997.


Tendance Tt .
→ modèle multiplicatif.

9/31 10/31

Exemple de décomposition Exemple de décomposition


Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Introduction Introduction

Modèles de Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière saisonnière
Composante aléatoire Composante aléatoire

Estimation des Estimation des


paramètres et paramètres et
décomposition décomposition
Moindres carrés Moindres carrés
Filtrage Filtrage

Conclusion Conclusion

Composante saisonnière St . Résidus ut .


(modèle multiplicatif, donc St centré sur 1 et pas 0) (pas de structure apparente)

11/31 12/31
Composante tendancielle Tt Composante saisonnière St
Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Introduction Introduction

Modèles de Modèles de
décomposition décomposition
Tendance Tendance

Exemples de composante tendancielle Tt : Composante


saisonnière St périodique, de période p. Composante
saisonnière
Composante aléatoire Composante aléatoire

linéaire : Tt = at + b Estimation des −→ éventuellement plusieurs composantes périodiques Estimation des


paramètres et paramètres et
quadratique : Tt = at 2 + bt + c décomposition superposées. décomposition
Moindres carrés Moindres carrés

e at Exemple : comp. annuelle + comp. trimestrielle. . .


Filtrage Filtrage
exponentielle : Tt = T0
Conclusion Conclusion
...
avec les paramètres a,b,c,T0 . . . à déterminer. Question : comment trouver les périodes ?

13/31 14/31

Comment trouver la (les) période(s) ? Le périodogramme


Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN


Transformée de Fourier Discrète pour un signal stationnaire
Introduction Introduction

Pour une chronique X0 , X1 , . . . , XT −1 , TFD : Modèles de Définition : périodogramme Modèles de


décomposition
2 décomposition
Tendance b Tendance
T
X −1 ∀ 0 < k < T /2 + 1, JT /k = T Xk
bk = 1
Composante Composante
saisonnière saisonnière
−2iπkt/T
∀k ∈ {0, 1, . . . , T − 1}, X Xt e Composante aléatoire Composante aléatoire
T Estimation des est l’amplitude de la composante de période T Estimation des
t=0 paramètres et k paramètres et
décomposition
(fréquence Tk ). décomposition
b1 = X
(signal réel, donc X bT −1 , X
b2 = X
bT −2 . . . ) Moindres carrés Moindres carrés
Filtrage
Le graphe de J est appelé périodogramme. Filtrage

Conclusion Conclusion
TFD inverse : (formule de reconstruction)
−→ les ”pics” dans le périodogramme permettent
T
X −1
d’identifier les composantes saisonnières.
∀t ∈ {0, 1, . . . , T − 1}, Xt = bk e 2iπkt/T
X
k=0 Attention : on peut démontrer que les (X bk ) on tendance à
décroı̂tre (donc le périodogramme à croı̂tre). Donc on ne
bk et X
Remarque : les coefficients X bT −k correspondent à la regarde que les pics sur le ”début” du périodogramme.
composante de fréquence k/T (ou période T /k).

15/31 16/31
Composante aléatoire ut Exemples
Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN


→ pas de tendance ou de phénomène périodique superposé.
Introduction Introduction
Modélisation : (ut ) réalisation d’un processus aléatoire (εt )
Modèles de Modèles de
stationnaire. décomposition décomposition
Tendance Tendance
Composante Composante

Définition : (εt ) stationnaire (au second ordre)


saisonnière saisonnière
Composante aléatoire Composante aléatoire

Estimation des Estimation des


∀t, E(εt ) = m (moyenne constante) paramètres et paramètres et
décomposition décomposition
∀t, s, cov(εt , εs ) = γ(|t − s|) Moindres carrés Moindres carrés
Filtrage Filtrage
(covariance symétrique, invariante par translation) Conclusion Conclusion

En particulier ∀t, var(εt ) = γ(0) (variance constante).

Cas particuliers de processus stationnaires : bruit blanc gaussien processus non stationnaire
Bruit blanc faible : m = 0 et ∀h > 0, γ(h) = 0.
Bruit blanc fort : m = 0 et (εt ) i.i.d.
Bruit blanc gaussien : (εt ) i.i.d. ∼ N (0, σ 2 ).
(cf résidus dans la régression)

17/31 18/31

Caractérisation des processus stationnaires Processus stationnaires : corrélogramme


Modélisation et Modélisation et
prévision prévision
+∞
X F. Sur - ENSMN F. Sur - ENSMN
Processus stationnaires considérés : Xt = m + aj εt−j
j=0
Introduction
Définition : fonction d’autocorrélation Introduction
P
avec +∞ 2 Modèles de Modèles de
j=0 aj < +∞ et (εt ) bruit blanc (faible) décomposition Cov(Xt , Xt+h ) γ(h) décomposition

(motivation : décomposition de Wold) Tendance ∀h > 0, ρ(h) = p = . Tendance


Composante
saisonnière Var(Xt )Var(Xt+h ) γ(0) Composante
saisonnière
Composante aléatoire Composante aléatoire
Remarque : en fait (εt ) sera même généralement un bruit blanc
gaussien.
Estimation des
paramètres et Graphe de ρ(h) : corrélogramme (ACF). Estimation des
paramètres et
décomposition décomposition
Moindres carrés Moindres carrés

Par définition, (Xt ) caractérisé par Filtrage


Proposition : intérêt du corrélogramme Filtrage

Conclusion Conclusion
moyenne m, k
X
fonction de covariance γ. Si Xt = m + aj εt−j , alors ∀h > k, ρ(h) = 0.
j=0

m estimé par la moyenne empirique : k X


X k
Preuve : Cov(Xt , Xt+h ) = ai aj Cov(εt−i , εt+h−j ).
T
1 X i=0 j=0
XT = Xt Or Cov(εt−i , εt+h−j ) = 0 si h 6= j − i (car (εt ) b.b.).
T
t=1

19/31 20/31
Estimation du corrélogramme Séance 1
Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Corrélogramme empirique : Introduction Introduction

Modèles de 1 Introduction Modèles de


PT décomposition décomposition
T t=h+1 (Xt − X T )(Xt−h − XT) Tendance Tendance
ρb(h) = PT Composante Composante
T −h t=1 (Xt − X T )
2 saisonnière
Composante aléatoire
2 Modèles de décomposition saisonnière
Composante aléatoire

Estimation des Tendance Estimation des


Remarque : ρb(h) calculé pour h << T (il faut suffisamment paramètres et
décomposition Composante saisonnière paramètres et
décomposition
d’échantillons pour le numérateur), et alors TT−h ' 1. Moindres carrés
Filtrage
Composante aléatoire Moindres carrés
Filtrage

Conclusion Conclusion
Preuve de convergence : cf poly.
3 Estimation des paramètres et décomposition
Moindres carrés
Remarque : le corrélogramme d’une chronique périodique Filtrage
est périodique (même période).
Cov(Xt , Xt+h ) γ(h) 4 Conclusion
En effet : ρ(h) = p = .
Var(Xt )Var(Xt+h ) γ(0)

21/31 22/31

1. Estimation de paramètres aux moindres carrés 2. Filtrage par moyennes mobiles


Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN


(Xt ) : chronique mensuelle. (trimestrielle dans le poly.)
Définition : moyenne mobile
Introduction Introduction
Modèle de Buys-Ballot : Soit (Xt ) une chronique, et
Modèles de Modèles de
12
X décomposition décomposition
(Yt ) = M(Xt ) la chronique telle que
Xt = a1 + a2 t + bi δi (t) +ui (t) Tendance Tendance
| {z } Composante
saisonnière
Composante
saisonnière
Tt |i=1 {z } Composante aléatoire m2
X Composante aléatoire

St Estimation des ∀t, Yt = θi Xt+i Estimation des


paramètres et paramètres et
décomposition i=−m1 décomposition
δi : indicatrice du mois i. Moindres carrés Moindres carrés
Filtrage Filtrage
Estimation des paramètres aux moindres carrés des résidus : Conclusion
(Yt ) est obtenue de (Xt ) par filtrage par moyenne mobile. Conclusion
 !2

 T
X X12
Remarque : M linéaire.


 min
 Xt − a1 − a2 t − bi δi (t)
ai ,bj
t=1 i=1 Premier objectif : décomposition de Xt = Tt + St + ut .

 X12 Trouver un filtre tel que


 t.q.
 bi = 0
M(Tt ) = Tt ;
i=1
M(St ) = 0 ;
Rôle de la contrainte : lever l’indétermination sur les bi .
(St est de moyenne nulle sur la période) M(ut ) “aussi petit que possible”.
23/31 24/31
Les moyennes mobiles arithmétiques Effet de Yule-Slutsky
Modélisation et Modélisation et
prévision prévision

Filtre symétrique
P : m1 = m2 (= m), θi = θ−i
F. Sur - ENSMN F. Sur - ENSMN

M(Xt ) = m i=−m θi Xt+i . Introduction Attention à l’apparition éventuelle d’une périodicité Introduction

Modèles de “artificielle”. Modèles de


Propriété décomposition décomposition
Pm Tendance Tendance

Une moyenne mobile symétrique telle que i=−m θi =1 Composante


saisonnière
Composante
saisonnière

conserve les chroniques affines Xt = at + b.


3
Composante aléatoire 1 Composante aléatoire

Estimation des 2
0.8 Estimation des
paramètres et 0.6
paramètres et
décomposition décomposition
Propriété
1 0.4
Moindres carrés Moindres carrés
Filtrage 0.2 Filtrage
0

Parmi ces moy. mob., celles qui “minimisent” M(ut ) avec Conclusion 0 Conclusion
1
(ut ) réalisation d’un b.b. faible (εt ) vérifient : ∀i, θi = 2m+1 .
−1 −0.2

−0.4

Pm Pm
−2
−0.6

Preuve : Var(M(εt )) = Var( i=−m θi εt+i ) = σ 2 i=−m θi2 ,


Pm −3
0 50 100 150 200 250 300 350 400 450 500
−0.8
0 50 100 150 200 250 300 350 400 450 500

à minimiser, sous contrainte i=−m θi = 1. bruit blanc gaussien, σ = 1 lissage arithmétique, 2m + 1 = 19


Définition : moyenne mobile arithmétique
1 Remarque : la variance du processus est divisée par 19.
∀i ∈ {−m, . . . , m}, θi = .
2m + 1
25/31 26/31

Saisonnalité et moyennes mobiles arithmétiques Récapitulatif


Modélisation et Modélisation et
prévision prévision

F. Sur - ENSMN F. Sur - ENSMN

Introduction Introduction
1
M2m+1 (Xt ) = (Xt−m + Xt−m+1 + · · · + Xt+m ) . Modèles de
Hypothèses : (Xt ) chronique à décomposer sous la forme :
Modèles de
2m + 1 décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière
Composante aléatoire
Xt = Tt + St + ut , saisonnière
Composante aléatoire
Propriété Estimation des Estimation des

Les composantes saisonnières St de période 2m + 1 et de paramètres et


décomposition
avec Tt linéaire et St de période p. paramètres et
décomposition
moyenne nulle sur une période sont filtrées par M : Moindres carrés
Filtrage
Moindres carrés
Filtrage

M(St ) = 0. Conclusion
Alors : Conclusion

Mp (Xt ) ' Tt .
Mk (St + ut ) ' St si k << p.
Généralisation : composantes saisonnières de période 2m :
  de plus, (Id − Mp )(Yt ) a une moyenne nulle sur une
1 1 1 période p.
M2m (Xt ) = Xt−m + Xt−m+1 + · · · + Xt+m−1 + Xt+m .
2m 2 2

Discussion détaillée du filtrage : cf traitement du signal.


27/31 28/31
Un algorithme de décomposition par filtrage Séance 1
Modélisation et Modélisation et
prévision prévision

Décomposition de Xt = Tt + St + ut . F. Sur - ENSMN F. Sur - ENSMN

Étape 0 : périodogramme, connaissances → période p de St . Introduction Introduction

1 estimation de la tendance : T = M(X )


Modèles de 1 Introduction Modèles de
t t décomposition décomposition
2 estimation de Σ = S + u : Σ = X − T
Tendance Tendance
t t t t t t Composante Composante

3 estimation de la composante saisonnière : S = M 0 (Σ )


saisonnière 2 Modèles de décomposition saisonnière
t t Composante aléatoire Composante aléatoire

4 estimation de la série corrigée des variations Estimation des Tendance Estimation des
paramètres et paramètres et
saisonnières (cvs) : Xt0 = Xt − St ; et ut = Xt0 − Tt décomposition Composante saisonnière décomposition
Moindres carrés
Composante aléatoire Moindres carrés

où Filtrage Filtrage

Conclusion Conclusion
M conserve Tt et filtre (élimine) St et ut ,
3 Estimation des paramètres et décomposition
M 0 conserve St et filtre ut .
Moindres carrés
Choix de M : tendance linéaire (par exemple) → M = Mp . Filtrage
Choix de M 0 : M 0 (Σt ) = M 00 (Σt ) − Mp (M 00 (Σt ))
avec M 00 moy. mob. de support “petit” (filtre ut ) 4 Conclusion
composée avec Id − Mp pour que la moyenne sur une
période soit nulle.
Remarque : c’est l’idée du programme Census X11.
29/31 30/31

Conclusion
Modélisation et
prévision

F. Sur - ENSMN

Introduction

Décomposition d’une chronique : Modèles de


décomposition
tendance, Tendance
Composante
saisonnière
composante saisonnière, Composante aléatoire

Estimation des
composante aléatoire. paramètres et
décomposition
Moindres carrés

Composante aléatoire : processus stationnaire. Filtrage

Conclusion

Décomposition en pratique :
estimation aux moindres carrés d’un modèle
paramétrique (table de Buys-Ballot)
ou filtrage (Census X11).

31/31