Académique Documents
Professionnel Documents
Culture Documents
RESUME:
De nombreuses méthodes, basées sur les filtres, ont été développées pour estimer la composante
tendance-cycle d’une série temporelle. Parmi ces outils, les moyennes mobiles demeurent
toujours efficaces. En particulier, la moyenne mobile symétrique d’Henderson est appliquée
pour estimer la tendance-cycle dans le programme de désaisonnalisation X11. Mais pour les
observations les plus récentes, il est nécessaire d’utiliser des filtres asymétriques. Dans cet
article, une nouvelle méthode de lissage, basée sur le noyau d’Epanechnikov, est utilisée pour
traiter les extrémités d’une série temporelle. Cette méthode est comparée au filtre d’Henderson
sur des données de l’Indice de Production Industrielle.
ABSTRACT:
Many filters have been developed to estimate trend-cycle component of time series does.
Among these tools, moving averages remain efficient. In particularity, the symmetric
Henderson smoother is applied for trend-cycle estimation in software as X11. But for the most
recently observations, it is necessary to use asymmetric filters. We propose a new smoothing
method, based on the Epanechnikov kernel, to treat the endpoints. We compare this method
with the Henderson filter on data.
*
GENES, 60 rue Etienne Dolet, 92240 Malakoff, France. Email : o.vasyechko_stat@yahoo.fr;
grun@ensae.fr
143
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
INTRODUCTION
Les moyennes mobiles sont en effet très simples de principe : elles n'impliquent pas
a priori l'utilisation de concepts ou de modèles sophistiqués et se révèlent
d'application particulièrement souple. Il est possible de construire une moyenne
mobile possédant les propriétés souhaitées en termes de conservation de tendance,
de réduction du bruit, de souplesse et/ou d’absence de déphasage, s'adaptant ainsi
au problème traité (Grun-Rehomme et Ladiray, 1994, Gray et Thomson, 1996,
Guggemos et al., 2012). Les moyennes mobiles symétriques ont de très bonnes
propriétés en ce sens, mais la question du traitement des extrémités reste posée. En
effet, une moyenne mobile symétrique d’ordre 2p + 1 ne permet pas de lisser les p
derniers points de la série (ni les p premiers, mais ces points étant les plus anciens,
leur importance est moindre).
- Prolonger avec des prévisions la série observée par un modèle de type ARIMA et
continuer à utiliser la même moyenne mobile symétrique. Cas de X11-ARIMA
(Dagum, 1982).
144
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
On s’intéresse dans cet article au lissage des derniers points d’une série temporelle
en suivant une démarche de type Henderson.
On s’intéresse à une série temporelle mensuelle (la démarche serait analogue pour
une série trimestrielle) dont on suppose qu’elle se décompose de façon additive en
une tendance-cycle (notée TC t ) et une composante résiduelle t :
X t TC t t (1)
1.1. PROBLEMATIQUE
- Moyennes mobiles de Bongard (1962) qui ont pour objectif une réduction de la
variance résiduelle. En effet, le bruit blanc est transformé par la moyenne mobile
en une suite de variables aléatoires (t*), de même variance égale à :
145
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
i f
* 2 2i
2
. On y ajoute les contraintes inhérentes à la conservation d’un
i p
polynôme de degré 2 (par exemple).
- Moyennes mobiles de Henderson qui ont un bon pouvoir de lissage et que nous
développerons dans ce texte (cf. 1.2).
- Médianes mobiles : ces lisseurs non linéaires permettent de construire une courbe
lisse à partir de données qui peuvent être très perturbées. On peut aussi concevoir
des compositions de moyennes et/ou médianes mobiles. Ces lisseurs sont d’autant
plus performants que le bruit est à queue épaisse.
La valeur à l'instant t de la série brute est donc remplacée par une moyenne
pondérée (de coefficients t ) de p valeurs "passées" de la série, de la valeur
actuelle et de f valeurs "futures" de la série. La quantité p+f+1 est appelée ordre de
la moyenne mobile, notée MM.
Lorsque p est égal à f, la moyenne mobile est dite centrée.
Si, en outre, on a t t pour tout t, la moyenne mobile MM centrée est dite
symétrique.
La transformation de X t par la moyenne mobile MM s’écrit :
k f
X t* MMX t θ
k p
k X t k (2)
146
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
Il est clair, pour des raisons de définition, que les p premiers points et les f derniers
points de la série brute ne peuvent être transformés par l'opérateur MM.
Il est facile de montrer que pour qu'une moyenne mobile MM conserve les
polynômes de degré d, il faut et il suffit que ses coefficients vérifient :
i f i f
θi 1 et k 1,2,.....,d i k
θi 0 (3)
i p i p
Pour ces extrémités, on peut utiliser des moyennes mobiles asymétriques (de même
ordre et en gardant les mêmes contraintes que pour la moyenne mobile symétrique
utilisée pour les autres points) ou chercher une moyenne mobile asymétrique, la
plus proche (minimisation de l’erreur quadratique de la moyenne mobile
symétrique, Musgrave, 1964).
Les moyennes mobiles de type "Henderson" sont surtout utilisées pour lisser une
série. L'estimation T̂t de la tendance (ou tendance-cycle) doit donc être une courbe
lisse. Une base de l'ensemble des séries étant constituée des séries définies par :
1 si t t 0
X t (t 0 ) (4)
0 si t t 0
il suffit d'imposer que les transformées de ces séries par la moyenne mobile soient
souples. Ces séries transformées sont, à une translation des temps près, égales à la
série des coefficients de la moyenne mobile:
..... 0 0 f f 1 ..... p 1 p
i
( )
i
3
i
2
(5)
147
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
Plus cette quantité est faible, plus la série transformée par la moyenne mobile est
jugée souple. De plus, les moyennes mobiles de Henderson sont supposées restituer
correctement des polynômes de degré 1 ou 2.
Le filtre de Henderson est un estimateur sans biais pour lisser une parabole.
Les moyennes d’Henderson ( t ) sont solutions du problème d’optimisation :
f f f f
min ( 3 t ) 2 / t 1, t t 0, t 2
t 0 (6)
p p p p
Dans cet article, à titre d’exemple, on s’intéresse aux moyennes mobiles d’ordre 13
(p+f+1=13) pour p variant de 6 (moyenne centrée) à 12 (dernier point connu).
Dagum et Bianconcini (2008, 2012) s’intéresse à cet ordre dans sa préoccupation de
désaisonnalisation de séries mensuelles et Alexandrov et al. (2012) à partir de
l’estimation du rapport signal sur bruit.
Comme on ne s’intéresse qu’à l’extrémité des valeurs les plus récentes de la série,
on suppose toujours que p f .
148
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
H-6-6
0,3
0,25
0,2
0,15
0,1
0,05
0
-8 -6 -4 -2 0 2 4 6 8
-0,05
H-7-5
0,25
0,2
0,15
0,1
0,05
0
-8 -6 -4 -2 0 2 4 6
-0,05
-0,1
H-8-4
0,25
0,2
0,15
0,1
0,05
0
-10 -8 -6 -4 -2 0 2 4 6
-0,05
149
METHO
ODES DE LISSAG
GE D’UNE SERIIE TEMPORELL
LE : LE PROBLE
EME DES EXTRE
REMITES
H-10-2
0,3
0,25
0,2
0,15
0,1
0,05
0
-12 -10 -8 -6 -4 -2 -0,05 0 2 4
-0,1
H-11-1
0,5
0,4
0,3
0,2
0,1
0
-12 -10 -8 -6 -4 -2 0 2
-0,1
-0,2
-0,3
150
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
H-12-0
0,6
0,5
0,4
0,3
0,2
0,1
0
-14 -12 -10 -8 -6 -4 -2 -0,1 0
-0,2
-0,3
-0,4
Conséquences
2. Pour les trois derniers ordres (de 10 à 12), la plus grande valeur des coefficients
reste bloquée à la date t - 2, ce qui n’est pas satisfaisant, puisque la dernière
valeur observée pèse moins que celle à t-2.
Ces remarques ont déjà été formulées par Dagum et Bianconcini (2008, 2012).
f f f
min ( 3 t ) 2 / t 1, t t 0 (7)
p p p
151
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
MH-6-6
0,15
0,1
0,05
0
-8 -6 -4 -2 0 2 4 6 8
MH-7-5
0,2
0,15
0,1
0,05
0
-8 -6 -4 -2 0 2 4 6
MH-8-4
0,2
0,15
0,1
0,05
0
-10 -8 -6 -4 -2 0 2 4 6
-0,05
152
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
MH-9-3
0,25
0,2
0,15
0,1
0,05
0
-10 -8 -6 -4 -2 0 2 4
-0,05
-0,1
MH-10-2
0,3
0,25
0,2
0,15
0,1
0,05
0
-12 -10 -8 -6 -4 -2 -0,05 0 2 4
-0,1
MH-11-1
0,4
0,3
0,2
0,1
0
-12 -10 -8 -6 -4 -2 0 2
-0,1
-0,2
Conséquences
Les formes sont assez proches des précédentes. Pour les derniers ordres, le point de
retournement est en t-4, t-5 et donc les dernières valeurs observées ont moins
d’influence sur le lissage que la valeur actuelle en ces derniers points de la série.
Cette démarche ne permet pas de répondre à notre objection précédente.
153
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
f
min t (at 2 bt c) (8)
a, b, c
p
f f f
t 1,
p
t t 0,
p
t
p
2
t 0 (9)
Posons
S0 p f 1
f f p
f ( f 1) p ( p 1)
S1 t t t
p 1 1 2
f p f
p ( p 1)(2 p 1) f ( f 1)(2 f 1)
S 2 t t t 2
2 2
(10)
p 1 1 6
f f p
f 2 ( f 1) 2 p 2 ( p 1) 2
S 3 t 3 t 3 t 3
p 1 1 4
f p f
S 4 t 4 t 4 t 4
p 1 1
p ( p 1)(6 p 9 p 2 p 1) f ( f 1)(6 f 3 9 f 2 f 1)
3
30
En tenant compte des contraintes, on obtient le système :
154
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
aS 4 bS 3 cS 2 0
aS 3 bS 2 cS1 0 (11)
aS bS cS 1
2 1 0
S4 S3 S2
Soit A S 3 S2 S1 (11b)
S S1 S 0
2
a 0
1
S S S 22 S S S1 S 4
D’où b A 0 et a 1 3 ,b 2 3 ,
c 1 det( A) det( A)
S 2 S 4 S 32
c (12)
det( A)
p f a b c
6 6 -0,006993 0 0,17482517
7 5 -0,006493 -0,007492 0,16683317
8 4 -0,004995 -0,008991 0,14885115
9 3 -0,002497 0,001498 0,13886114
10 2 0,000999 0,029970 0,16683317
11 1 0,005494 0,082418 0,27472527
12 0 0,010989 0,164835 0,51648352
Puis on pose : t at 2 bt c .
155
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
156
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
MM-6-6
0,2
0,15
0,1
0,05
0
0 2 4 6 8 10 12 14
-0,05
-0,1
MM-7-5
0,2
0,15
0,1
0,05
0
0 2 4 6 8 10 12 14
-0,05
-0,1
-0,15
MM-8-4
0,2
0,15
0,1
0,05
0
-0,05 0 2 4 6 8 10 12 14
-0,1
-0,15
157
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
MM9-3
0,15
0,1
0,05
0
0 2 4 6 8 10 12 14
-0,05
-0,1
MM10-2
0,25
0,2
0,15
0,1
0,05
0
0 2 4 6 8 10 12 14
-0,05
MM-11-1
0,4
0,2
0
0 5 10 15
‐0,2
MM-12-0
0,6
0,5
0,4
0,3
0,2
0,1
0
-0,1 0 2 4 6 8 10 12 14
-0,2
158
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
Les coefficients restent bien sur une parabole et la plus grande valeur est obtenue
chaque fois à la date actuelle jusqu’à la moyenne mobile d’ordre 9-3, ce qui semble
satisfaisant. Mais comme dans les approches classiques de Henderson, on obtint
deux groupes de moyennes mobiles : celles de 6 à 9 (fonction concave) et celles de
10 à 12 (convexes), et dans ces derniers cas, la dernière valeur a le plus de poids.
Envisageons donc une autre approche.
La méthode des noyaux est utilisée, en général, pour estimer la densité d’une loi de
probabilité à partir d’un échantillon, en prenant en compte le caractère local de cette
densité (Bosq, Lecoutre, 1990).
Un noyau K est une application numérique bornée d’une variable réelle qui vérifie :
K ( x) dx 1 et
R
lim x K ( x) 0
x
X x n Xt x
pt K t / K (13)
n t 1 n
n
Par construction, on a : p
1
t 1.
n
La valeur de f est alors estimée par : fˆn ( x) pt xt .
1
x K ( x) dx 1 , l’optimum de l’EQI
2
classe des noyaux positifs, pairs et vérifiant
R
159
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
t2
3
K (t ) (1 ) 5, 5 (t ) (14)
4 5 5
Le noyau peut être utilisé définir les coefficients t des moyennes mobiles.
K (t / )
En effet, on pose : t f
,
K (t / )
t p
X t TC t t (15)
K (t / )
t m
K (t / )
t m
De suite, on peut remarquer que 0 (poids de la date actuelle pour le lissage) sera
toujours plus grands que les poids attribués aux dates antérieures ou postérieures).
160
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
m
Pour une moyenne mobile symétrique d’ordre 2m+1, il faut choisir pour
5
rester dans l’intervalle m, m,
t 3 t2 m
t m
3 t2
on obtient K ( )
4 5
(1
m2
) et
m
K (
)
m 4 5
(1
m2
),
d’où
m
t 3 t2 m
m
K( )
4 5
( 2 m 1 2 2 )
m m
3 (m 1)(2m 1) 4m 2 1
( 2m 1 )
4 5 3m 4m 5
et
3m t2
t (1 )
4m 2 1 m2
On compare les coefficients obtenus par le noyau d’Epanechnikov avec ceux de
notre variante du critère de Henderson pour différents ordres de la moyenne mobile.
La proximité des coefficients dépend peu de l’ordre de la moyenne mobile.
L’exemple de l’ordre 13 peut se généraliser.
161
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
162
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
Noyau-6-6
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
-8 -6 -4 -2 0 2 4 6 8
Noyau-7-5
0,12
0,1
0,08
0,06
0,04
0,02
0
-8 -6 -4 -2 0 2 4 6
Noyau-8-4
0,12
0,1
0,08
0,06
0,04
0,02
0
-10 -8 -6 -4 -2 0 2 4 6
163
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
Noyau-9-3
0,12
0,1
0,08
0,06
0,04
0,02
0
-10 -8 -6 -4 -2 0 2 4
Noyau-10-2
0,12
0,1
0,08
0,06
0,04
0,02
0
-12 -10 -8 -6 -4 -2 0 2 4
Noyau-11-1
0,12
0,1
0,08
0,06
0,04
0,02
0
-12 -10 -8 -6 -4 -2 0 2
164
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
Noyau-12-0
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
-14 -12 -10 -8 -6 -4 -2 0
Cette approche par le noyau présente l’avantage que la valeur présente a plus de
poids que les autres valeurs, et le poids diminue, aussi bien dans le passé que dans
le futur, en s’éloignant de la valeur présente. Et cette propriété reste valable pour
toutes les moyennes mobiles asymétriques. De plus elle conserve les constantes,
mais non les droites et les paraboles.
On peut alors chercher la moyenne mobile la plus proche de celle obtenue avec le
noyau et qui conserve les paraboles.
f
Soit xt les coefficients de la moyenne mobile associée du noyau, avec x
p
t 1 .
f f f f
min ( t xt ) / t 1,
2
t t 0, t 2
t 0 (17)
p p p p
Comme la fonction objectif est convexe et les contraintes linéaires indépendantes,
la solution du problème d’optimisation vérifie les conditions de Kuhn et Tuker, on
obtient :
f 2
t xt
3 p
f
2 A t xt , où l’expression de A est donnée en (11b), d’où
1
p
1 0
f f
( S 0 S 2 S12 )( t 2 xt ) ( S1 S 2 S 0 S 3 )( tx t )
p p
3 , (18)
det( A)
165
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
f f
( S1 S 2 S 0 S 3 )( t 2 xt ) ( S 0 S 4 S 22 )( txt )
p p
2
det( A)
f f
( S1 S 3 S 22 )( t 2 xt ) ( S 2 S 3 S1 S 4 )( tx t )
p p
1 .
det( A)
Puis t xt (3t 2 2 t 1 )
NP-6-6
0,2
0,15
0,1
0,05
0
-8 -6 -4 -2 0 2 4 6 8
-0,05
-0,1
NP-7-5
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
-8 -6 -4 -2 0 2 4 6
-0,02
166
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
NP-8-4
0,2
0,15
0,1
0,05
0
-10 -8 -6 -4 -2 0 2 4 6
-0,05
-0,1
-0,15
NP-9-3
0,15
0,1
0,05
0
-10 -8 -6 -4 -2 0 2 4
-0,05
-0,1
NP-10-2
0,25
0,2
0,15
0,1
0,05
0
-12 -10 -8 -6 -4 -2 0 2 4
-0,05
167
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
NP-11-1
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
-12 -10 -8 -6 -4 -2 -0,05 0 2
-0,1
NP-12-0
0,6
0,5
0,4
0,3
0,2
0,1
0
-14 -12 -10 -8 -6 -4 -2 0
-0,1
-0,2
4. APPLICATION
168
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
septembre 2011 (base 100 en 2005) pour trois secteurs d’activité agrégés :
l’ensemble de l’industrie (industrie manufacturière, industries extractives et autres),
l’industrie manufacturière et la construction (graphiques 6, 7, 8 en annexe). Ces
graphiques permettent de visualiser les différentes méthodes de lissage sur
l’ensemble de la série, mais on aussi limiter les graphiques à la fin des valeurs
observées, les douze dernières valeurs, de façon à mieux cerner les détails
(graphiques 6b, 7b et 8b en annexe)
- La moyenne d’Henderson qui ne conserve que les droites est très lisse, mais
n’appréhende pas les points de retournement à l’extrémité de la série. Cette
approche, certes plus simple, ne nous donne pas une estimation suffisamment
sensible aux points de retournement à la fin de la série.
CONCLUSION
- Dans les méthodes qui conservent les paraboles, un basculement s’opère entre les
moyennes mobiles asymétriques d’ordre 9-3 et celles d’ordre 10-2, où l’on passe
d’une concavité de la courbe des coefficients avec un poids prépondérant à la
valeur actuelle (ce qui semble raisonnable) à une convexité qui attribue le plus
grand poids à la dernière valeur observée (ce qui est moins raisonnable).
169
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
REFERENCES
Alexandrov, T., S. Bianconcini, E.B. Dagum, P. Maass and T.S. McElroy, 2012.
“A review of some modern approaches to the problem of trend extraction”,
Econometric Reviews, 31(6), pp. 593-624.
Bianconcini, S. and B. Quenneville, 2010. “Real time analysis based on
reproducing kernel Henderson filters”, Estudios de Economia Aplicada, 28(3),
pp.1-22.
Bongard, J., 1962. Quelques remarques sur les moyennes mobiles in l’élimination
des variations saisonnières à l’aide de calculatrices électroniques, OCDE.
Bosq, D. and J.P. Lecoutre, 1990. Théorie de l’estimation fonctionnelle,
Economica.
Cleveland, W.S., 1979. “Robust locally weighted regression and smoothing
scatterplots”, Journal of the American Statistical Association, 74 (368), pp.829–
836.
Cleveland, W.S. and S.J. Devlin, 1988. “Locally-weighted regression: an
approach to regression analysis by local fitting”, Journal of the American Statistical
Association, 83 (403), pp. 596–610.
Dagum, E.B., 1982. “The effects of asymmetric filters of seasonal factor
revisions”, Journal of the American Statistical Association, 77, pp. 732-738.
Dagum, E.B., 1988. The X11ARIMA/88 seasonal adjustment method, foundation
and user’s manual, research paper, Time Series Research and Analysis Division,
Statistics Canada.
Dagum, E.B. and S. Bianconcini, 2008. “The Henderson smoother in reproducing
kernel Hilbert space”, J. of Business & Economic Statistics, 26(4), pp. 536-545.
Dagum, E.B. and S. Bianconcini, 2012. “Reducing revisions in real time trend-
cycle estimation”, JSM 2012 Online Program.
Doherty, M., 2001. “The surrogate Henderson filters in X11”, Australian and New
Zealand journal of Statistics, 43, pp. 385-392.
Findley, D., B. Monsell, W. Bell, M. Otto and B. Chen, 1998. “New capabilities
and methods of the X12ARIMA seasonal adjustment program”, Journal of Business
& Economic Statistics, 16, pp. 127-152.
Gasser, T. and H.G. Müller, 1979. Kernel estimation of regression functions.
Smoothing techniques for curve estimation (Proceedings of a Workshop held in
Heidelberg, April 2-4, 1979), Lectures Notes in Math., 737 Springer, pp. 23-68.
Gray, A. and P. Thomson, 1996. “Design of moving-average trend filters using
fidelity and smoothness criteria”, Time Series Analysis, vol. 2 (in memory of E.J.
Hannan), Springer Lectures Notes in Statistics, vol. 15, pp. 205-219.
Guggemos, F., D. Ladiray and M. Grun-Rehomme, 2012. “New results on linear
filters minimizing phase-shift for seasonal adjustment”, Joint Statistical Meetings,
San Diego, USA, July28-August 3, 2012.
Grun-Rehomme, M. and D. Ladiray, 1994. “Moyennes mobiles centrées et non
centrées: construction et comparaison“, Revue de Statistiques Appliquées (RSA),
vol. XLII, n. 3, pp. 33-61.
Henderson, R., 1916. “Note on graduation by adjusted average”, Transaction of
Actuarial Society of America, 17, pp. 43-48.
170
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
171
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
110
105
100
Valeurs
base 100 en 2005
Henderson
95 "classique"
Henderson
"simplifié"
droites
90
85
80
2007-…
2007-…
2007-…
2007-…
2007-…
2007-…
2008-…
2008-…
2008-…
2008-…
2008-…
2008-…
2009-…
2009-…
2009-…
2009-…
2009-…
2009-…
2010-…
2010-…
2010-…
2010-…
2010-…
2010-…
2011-…
2011-…
2011-…
2011-…
2011-…
Valeurs Henderson "classique"
Henderson "simplifié"droites varHend. Coeffs sur parabole
Epanechnikov
172
MICHEL GRUN-REHOMME ET OLGA VASYECHKO
110
105
100
Valeurs
base 100 en 2005
Henderson
95 "classique"
Henderson
"simplifié"
droites
90
85
80
2007…
2007…
2007…
2007…
2007…
2007…
2008…
2008…
2008…
2008…
2008…
2008…
2009…
2009…
2009…
2009…
2009…
2009…
2010…
2010…
2010…
2010…
2010…
2010…
2011…
2011…
2011…
2011…
2011…
GRAPHIQUE 7B. COMPARAISON DES METHODES DE LISSAGE SUR L’IPI CVS-
CJO DE L’INDUSTRIE MANUFACTURIERE POUR LES DOUZE
DERNIERES VALEURS DU GRAPHIQUE 7
Valeurs Henderson "classique"
Henderson "simplifié"droites varHend. Coeffs sur parabole
Epanechnikov
173
METHODES DE LISSAGE D’UNE SERIE TEMPORELLE : LE PROBLEME DES EXTREMITES
110
105
100
Valeurs
base 100 en 2005
Henderson
95 "classique"
Henderson
"simplifié"
droites
90
85
80
2007…
2007…
2007…
2007…
2007…
2007…
2008…
2008…
2008…
2008…
2008…
2008…
2009…
2009…
2009…
2009…
2009…
2009…
2010…
2010…
2010…
2010…
2010…
2010…
2011…
2011…
2011…
2011…
2011…
GRAPHIQUE 8B. COMPARAISON DES METHODES DE LISSAGE SUR L’IPI CVS-CJO
DANS LA CONSTRUCTION POUR LES DOUZE DERNIERES VALEURS
DU GRAPHIQUE 8
Valeurs Henderson "classique"
Henderson "simplifié"droites varHend. Coeffs sur parabole
Epanechnikov
174