Académique Documents
Professionnel Documents
Culture Documents
Tayeb OUADERHMAN
1
12/12/2020
I- Introduction
• Contrairement à l’économétrie traditionnelle, le but de l’analyse
des séries chronologiques n’est pas de relier des variables entre
elles, mais de s’intéresser à la dynamique d’une variable.
• L’analyse des séries chronologiques est cette partie de la
statistique qui a pour but de caractériser la dépendance pouvant
exister dans une série d’observations.
• L’approche que nous allons considérer consiste à caractériser la
dépendance via un modèle et une fois que nous aurons ajusté un
modèle satisfaisant à une série chronologique, nous verrons qu’en
plus de nous permettre de mieux comprendre le phénomène
étudié, il nous servira à prédire les valeurs futures de la série.
2
12/12/2020
3
12/12/2020
4
12/12/2020
10
5
12/12/2020
11
11
12
6
12/12/2020
13
13
14
14
7
12/12/2020
15
15
16
8
12/12/2020
17
17
9
12/12/2020
Avec :
19
19
20
10
12/12/2020
Avant toute chose, remarquons que les lissages utilisés suppriment les valeurs
du bord. Ils ne sont donc pas à recommander pour la prévision ! Toutefois,
diverses techniques existent pour pallier ce problème (lissage sur la plus
grande fenêtre possible, prévision des valeurs futures avant lissage, etc.).
21
21
22
22
11
12/12/2020
23
23
3 - Analyse de la tendance
Il existe plusieurs méthodes possibles pouvant servir chacune à exprimer
le mouvement tendanciel.
• Estimation de la tendance (Lissage par moyenne mobile par exemple)
• Ajustement par une fonction analytique du type T= f(t);
• Élimination de la tendance.
Dans les deux premiers cas, on désire exprimer la tendance à l’aide d’une
courbe très lisse, une succession de points (t, zt) situés au milieu du
nuage de points (t, Xt).
24
24
12
12/12/2020
25
25
26
26
13
12/12/2020
27
27
28
28
14
12/12/2020
29
29
30
30
15
12/12/2020
31
31
32
32
16
12/12/2020
33
33
34
34
17
12/12/2020
35
35
36
36
18
12/12/2020
37
37
L’espacement des
pics toutes les 12
périodes nous
indique que la série
est de période 12…
38
38
19
12/12/2020
3.1 Introduction
3.2 Le lissage exponentiel simple
3.3 Le lissage exponentiel de Holt
3.4 Le lissage exponentiel de Winters
39
39
Introduction
40
20
12/12/2020
1500
1400
1300
1200
COURS
1100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
JOUR 41
41
42
42
21
12/12/2020
43
43
2 possibilités :
fixer la valeur de α
Manuellement ou
laisser le soin à SPSS
qui balaiera l’intervalle
[0,1] à la recherche de α
minimisant le SSE (somme
des erreurs au carré).
44
44
22
12/12/2020
1500
1400
1300
1200
COURS
1100 PREVISION
1 3 5 7 9 11 13 15 17 19
2 4 6 8 10 12 14 16 18 20
JOUR
S0 = Y1 ; alpha = 0.46 45
45
Formule de lissage
St = Yt + (1-)St-1
où : - = constante de lissage ( 0 1)
46
23
12/12/2020
t −1
St = Yt + (1 − ) j Yt − j + (1 − ) t S0
j=1
= Moyenne pondérée des valeurs passées
= Valeur lissée
Conséquences
- Somme des poids = 1
- Pour = 0, St = S0 pour tout t
- Pour = 1, St = Yt pour tout t
47
47
48
48
24
12/12/2020
1400
1300
1200
COURS
VALEUR
1100 LISSEE
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
JOUR
49
49
Prévision de Yt
Sur l’historique (t = 1 à T):
Sur le futur :
50
25
12/12/2020
Prévision de Yt
= 0.46 St = Yt + (1 - )St-1 S0 = Y 1
51
Choix de
Results of EXSMOOTH procedure for Variable COURS
MODEL= NN (No trend, no seasonality)
DFE = 15.
52
52
26
12/12/2020
Prévision de Yt
1500
Yt
1400 S16
S0
1300
1200
St-1 COURS
1100 PREVISION
1 3 5 7 9 11 13 15 17 19
2 4 6 8 10 12 14 16 18 20
JOUR
53
53
où
1 T
ˆ =
T − 1 t =1
(Yt − Ŷt ) 2
54
54
27
12/12/2020
Forecast
Model
cours-Model_1
Forecast UCL LCL
17 1346 1467 1226
18 1346 1477 1215
19 1346 1486 1206
20 1346 1495 1197
55
55
La méthode de Holt
Exemple : Chiffre d ’affaires d ’une société
12 000
11 000
10 000
90 00
CA
80 00
1 3 5 7 9 11 13 15 17 19 21 23 25
Trimestre 56
56
28
12/12/2020
57
57
La méthode de Holt
Hypothèses : Série avec tendance, sans saisonnalité
Formules de lissage
= Ŷt = Prévision de Yt en t - 1
58
29
12/12/2020
La méthode de Holt
Choix des valeurs initiales de T0 et S0 dans SPSS
YT − Y1
T0 =
T −1
S0 = Y1 − 0.5T0
Ŷt = St -1 + Tt −1 = prévision de Yt
59
Choix de et
Results of EXSMOOTH procedure for Variable CA
MODEL= HOLT (Linear trend, no seasonality)
DFE = 24.
60
30
12/12/2020
Chiffre
Trimestre d'affaires prévision résidu
_________ __________ ___________ ___________
61
61
12000
11000
10000
9000
Chiffre
d'affaires
8000 prévision
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Trimestre 62
62
31
12/12/2020
63
63
Forecast
Model
ca-Model_1
Forecast UCL LCL
27 11566 11981 11151
28 11601 12130 11072
29 11636 12360 10913
30 11672 12649 10695
64
64
32
12/12/2020
65
65
La méthode de Winters
Exemple : Ventes de boissons
66
33
12/12/2020
Ventes de boissons
67
La méthode de Winters
Hypothèses : Série avec tendance et saisonnalité d’ordre s (ici s = 12)
Formule de prévision : A l’instant t, à l’horizon h
Prévision localement
Ŷt (h ) = (St + h Tt ) I t + h −s linéaire
*
Prévision Niveau de Pente de Coefficient Coefficient saisonnier
de Yt+h la tendance la tendance saisonnier
Formules de lissage
Yt
St = ( ) + (1 - ) (St -1 + Tt −1 )
I t -s
Tt = (St − St −1 ) + (1 - ) Tt −1
Yt
It = ( ) + (1 - ) I t -s
St 68
68
34
12/12/2020
La méthode de Winters
69
69
La méthode de Winters
Ŷt = (St -1 + Tt −1 ) I t −s
= prévision de Yt calculée à l' instant t - 1
70
70
35
12/12/2020
Résultats
Results of EXSMOOTH procedure for Variable boisson
MODEL= WINTERS (Linear trend, multiplicative seasonality) Period= 12
DFE = 80.
71
e 2t
________ _________ ___________ ___________
72
36
12/12/2020
73
73
Calculer :
- Ssept 69 et Tsept 69
- Ŷsept 69 (13) = prévision d' octobre 70 74
74
37
12/12/2020
75
75
Forecast
Model
champagn-Model_1
Forecast UCL LCL
Oc t 1969 6982 8210 5754
Nov 1969 10390 11756 9024
Dec 1969 12914 14434 11395
Jan 1970 3859 5121 2596
Feb 1970 3655 4970 2340
Mar 1970 4544 5992 3096
Apr 1970 4826 6360 3293
May 1970 4912 6507 3317
Jun 1970 5192 6877 3507
Jul 1970 4661 6305 3017
Aug 1970 1977 3300 654
Sep 1970 6079 8385 3773
76
76
38
12/12/2020
Conclusion générale
Les méthodes de lissage exponentiel sont plus vastes que ce qui a été
présenté jusqu’ici. En fait, elle comporte 9 modèles selon le type de la
tendance et du saisonnier et leur combinaison (additive/multiplicative).
Avantages
il n’est pas nécessaire d’expliciter le modèle reliant le présent au
passé, bien que celui-ci existe,
les équations de prévisions sont simples à comprendre et faciles à
communiquer,
les méthodes de lissage exponentiel sont souvent aussi efficaces que
les méthodes plus complexes (Box et Jenkins),
ces méthodes sont robustes et permettent de travailler sur des séries
courtes ou changeant de structure,
pour les séries courtes, le lissage exponentiel est le plus
adapté.
77
77
39