12/12/2020

Prévision d’une série chronologique

Tayeb OUADERHMAN

Mon intérêt réside dans le futur

car je me prépare à y passer le
reste de ma vie.

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

• Une série chronologique est la réalisation d’un processus

aléatoire indicé par le temps : ce sont des observations
effectuées à intervalle fixé h, au temps t1, t2,…, tN .
Une série chronologique sera notée :Y(t1), Y(t2),…, Y(tN)
• Notons h, l’horizon de prévision et N l’origine de la prévision.
On s’intéresse à la valeur future inconnue YN+h.
Yt = f(Yt-1,Yt-2 ,…; β1, β2 ,…, βm)+ bruit
• On distingue 2 formes de prévisions:
– La prévision ponctuelle notée ŶN(h): c’est une valeur unique qui
représente la meilleure estimation de YN+h sur la base des données
disponibles.
– L’intervalle de prévision : [ŶN, inf(h),ŶN, sup(h)] ∋ YN+h. Il s’agit d’un
intervalle de valeurs possibles de la variable dans lequel la valeur future
YN+h devrait se trouver avec une probabilité donnée:

Différents types de séries chronologiques

3
 12/12/2020

• On modélise un processus par :

– la somme :
• d’une partie déterministe
• et d’une partie aléatoire(modèle additif),
– ou par le produit d’une partie
• déterministe
• et d’une partie aléatoire (modèle
multiplicatif).
• La séparation en partie déterministe et partie aléatoire est arbitraire.
• L’´etude d’un processus aléatoire à partir d’une série chronologique
a généralement deux objectifs :
– expliquer les variations,
– prédire les valeurs futures.
Les deux objectifs sont souvent liés.

• L’horizon de prévision est l’intervalle de temps qui sépare le moment

où la prévision est effectuée (origine de prévision) et le moment pour
lequel on désire la prévision.
• Selon l’horizon, on distingue entre prévision à
– court terme
􀃊 1-5 périodes
􀃊 habituellement quelques jours ou semaines
– moyen terme
􀃊 3 -12 périodes
􀃊 habituellement de quelques mois à 1 ou 2 ans
– long terme
􀃊 10 périodes
􀃊 habituellement plus de 2 années.
En fait, la signification précise de ces expressions dépend du domaine
d’application (commerce d’alimentation, de textile, d’automobiles,
8
bourse, météorologie, télécommunication, etc.).
8

4
 12/12/2020

Cadre conceptuel de prévision

Évaluation des prévisions

1- L’évaluation basée sur l’analyse statistique des
erreurs:
Erreur = Série_Actuelle – Prévision (at = Yt - Ft;
Ft=Ŷt-1(1))
2- Validation par échantillon test :
• Construction du modèle : utiliser Y1,…,YN-m (N-
m obs.);
• Pour valider utiliser YN-m+1,…,YN (m
observations) .
10

10

5
 12/12/2020

Lancement d’une analyse de s.c :

Représentation graphique :
L’analyse d’une série chronologique débute
toujours par sa représentation graphique.

11

11

Comment dater une série chronologique?

Cliquer : Données > Défini des dates…

• La procédure permet de créer 3 (ou 4)

nouvelles variables correspondant aux types
de dates sélectionnées.
12

12

6
 12/12/2020

13

13

Quelques techniques descriptives

• Nous allons illustrer quelques techniques descriptives

utiles en séries chronologiques sur :

série du trafic aérien

international

14

14

7
 12/12/2020

15

15

On peut déjà faire quelques remarques préliminaires :

Augmentation régulière du trafic ;
Fluctuation saisonnière
Les données sont de plus en plus dispersées.
Cependant certains points mériteraient d'être éclaircis ; par exemple :
L'augmentation se fait-elle de façon constante, exponentielle, etc.?
La fluctuation saisonnière est-elle constante au fil du temps ?
Que se passe-t-il, indépendamment de la tendance à la hausse et des
fluctuations saisonnières?
les deux premières questions reviennent à étudier la partie
déterministe de la série que l'on visualise aisément ; la dernière vise à
analyser la structure aléatoire - "le bruit" - qui reste une fois que l'on
a extrait la partie déterministe. Dans ce chapitre on étudiera
essentiellement la partie déterministe en préparant le terrain pour la
partie aléatoire.
16

16

8
 12/12/2020

Utilisation d'une transformation :

il est commode de faire subir une transformation
aux données dans le but de stabiliser la variance.

17

17

Estimation de la tendance et de la saisonnalité.

le problème de l'estimation d'une tendance ; par exemple on peut se
demander si une variation observée du chômage est le fait d'une
fluctuation saisonnière, ou bien est le reflet d'une tendance.
Un autre problème consiste à évaluer l'impact d'un événement sur
une variable
•la tendance correspond à l'évolution au cours du temps
indépendamment de fluctuations saisonnières ; la saisonnalité aux
variations saisonnières "pures". Cependant, tendance et saisonnalité
semblent sont souvent liées et il est parfois difficile de les extraire.
•Afin de mieux estimer la tendance, il est nécessaire de faire appel à la
statistique mathématique qui fournit un certain nombre d'outils de calcul:
•Elle peut se faire par exemple :
•Soit en imposant une forme paramétrée, par exemple ici une
fonction affine, ou de type exponentiel
•Soit en filtrant la saisonnalité. Ceci peut être réalisé au moyen18d'un
lissage par moyenne mobile.
18

9
 12/12/2020

On propose un modèle de décomposition additive pour

Il en résulte une décomposition multiplicative pour xt :

Avec :

Supposons alors que Mt soit connu. Alors St et Ut s'interprètent

comme des indices ; St est l'indice saisonnier et Ut l'indice aléatoire
par lesquels on doit multiplier le niveau actuel de tendance pour
obtenir le nombre de passagers. On peut donc exprimer St et Ut en
pourcentage.

19

19

Définition : un filtre moyenne mobile (ou MA pour Moving Average)

est une application de la forme :

Les filtres MA centrés les plus simples sont de la forme

L'appellation (2h+1) MA fait référence à la largeur de la fenêtre utilisée

pour lisser ; il en est de même de l'appellation 2h MA même si la
largeur de la fenêtre est 2h+1 car ce filtre s'obtient comme la moyenne
des deux filtres "naturels" de taille 2h.
La largeur de la fenêtre doit être choisie en fonction de l'objectif
souhaité. S'agissant de filtrer la saisonnalité, il est recommandé de
choisir la taille de la fenêtre égale à la périodicité. Dans notre cas, on
utilisera le filtre 12 MA.
20

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

Finalement la décomposition obtenue pour la série 'airline' est

la suivante :

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

II- Estimation de la Tendance par Moyenne Mobile

Les moyennes mobiles sont destinées à lisser une série

chronologique.
• C'est un outil simple mais efficace, qui permet de mettre
en évidence la tendance de la série en supprimant la
composante saisonnière et en atténuant l'amplitude des
fluctuations irrégulières.
La moyenne mobile (centrée) d'ordre k, MMk(t) consiste à
calculer, pour chaque instant d'observation t, la moyenne
empirique des k observations voisines de celle
correspondant à la date t.

25

25

La table suivante illustre une Moyenne Mobile d’ordre 3:

Pour un ordre impair, la moyenne est centrée

sur l’obs.
Ce n’est pas le cas lorsque cet ordre est pair :

26

26

13
 12/12/2020

27

27

Lissage par moyennes mobiles :

1- Ajustement de fonctions
Cette approche repose sur l’hypothèse que la tendance peut être
représentée par une courbe supposée définie a priori : y = f(t).
Sous SPSS : Analyse > Régression > Ajustement de fonctions

28

28

14
 12/12/2020

Exemple: Ajustement de la tendance obtenu par une fonction

de type linéaire, cubique, MM6 et MM12

29

29

Maintenant qu'un ajustement de tendance est défini, il ne reste plus

qu'à en déduire S (le Saisonnier) et E (Résidu). Mais avant cela il
faut définir le type de modèle pour la série X.
Le modèle peut être multiplicatif ou additif (mais il n’est pas
toujours évident de définir à quel type de modèle appartient la série.)

Supposons que la série chronologique présente les caractéristiques d’un

modèle additif : Xt = Tt + St + Et.
Les séries S et E peuvent être obtenues à partir de la formule suivante :
Série sans tendance = Xt - Série Ajustée = St + Et.
Pour un modèle multiplicatif : Xt = Tt . St . Et :
Série sans tendance = Xt/Série Ajustée = St . Et.

30

30

15
 12/12/2020

Élimination de tendance par différenciation :

31

31

32

32

16
 12/12/2020

33

33

34

34

17
 12/12/2020

Analyse de la composante saisonnière

Étude de la périodicité de la série

a) Diagramme Séquentiel classique

35

35

•Étude de la périodicité de la série

c) Autocorrélation rk: fonction qui mesure la corrélation de la
série avec elle même mais décalée de k périodes.

Visualiser la fonction d’autocorrélation sous SPSS

Analyse > Séries chronologiques > Autocorrélations…

36

36

18
 12/12/2020

37

37

Le graphe, dit auto-corrélogramme, de rk, pour k=1,2,…,36, se

présente ainsi :

L’espacement des
pics toutes les 12
périodes nous
indique que la série
est de période 12…

38

38

19
 12/12/2020

III- Les méthodes de prévision par lissage

exponentiel

3.1 Introduction
3.2 Le lissage exponentiel simple
3.3 Le lissage exponentiel de Holt
3.4 Le lissage exponentiel de Winters

TENDANCE SAISONNALITÉ MÉTHODE

NON NON LISSAGE SIMPLE

OUI NON LISSAGE DE HOLT

OUI OUI LISSAGE DE WINTERS

39

39

Introduction

Les méthodes de lissage exponentiel sont plus récentes que les

méthodes étudiées précédemment. Initialement proposées pour
calculer rapidement des prévisions pour un grand nombre de séries,
(gestion de stocks), ces méthodes se sont avérées fournir des
prévisions de meilleure qualité que ce qui pouvait être imaginé à
priori.
Après le lissage exponentiel simple qui ne peut être employé en
présence d’une tendance ou d’une saisonnalité, nous étudions
la méthode de Holt, qui peut convenir pour des séries présentant une
tendance, puis le lissage de Winters, pour le cas où la tendance et la
composante saisonnière sont juxtaposées soit de manière additive,
soit de manière multiplicative.
40

40

20
 12/12/2020

Lissage exponentiel simple

Exemple : Cours d’une action
JOUR COURS JOUR COURS JOUR COURS
1 1293 7 1243 12 1343
2 1209 8 1203 13 1364
3 1205 9 1390 14 1330
4 1273 10 1360 15 1377
5 1220 11 1353 16 1332
6 1290

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

L’ajustement du paramètre α se fait en cliquant sur

le bouton Paramètres :

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

Prévision de la série COURS D’UNE ACTION

par lissage exponentiel simple

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

Formules de prévision et de lissage

Prévision de Yt+h réalisée à l’instant t Prévision de Y17
en t = 16 :
Ŷt (h ) = St - si S0 = Y1
- si  = 0
où : - Ŷt (h ) = prévision de Yt + h
- si  = 1
- St = estimation de la moyenne de la
série à l’instant t

Formule de lissage

St = Yt + (1-)St-1

où : -  = constante de lissage ( 0    1)

- S0 = valeur initiale (Y1 ou Y = valeur choisie par SPSS)

46

46

23
 12/12/2020

Calcul de la valeur lissée St

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

Application : Cours d’une action

 = 0.46 St = Yt + (1 - )St-1 S0 = Y 1

Jour Cours (Yt) Valeur lissée St

0 S0 = Y1 = 1293
1 1293 1293
2 1209 1254.36
3 1205 1231.65
. . .
. . .
. . .
15 1377 1358.00
16 1332 1346.04

48

48

24
 12/12/2020

Application : Cours d’une action

Cours Yt et valeur lissée St [alpha = 0.46]

1500

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):

Ŷt = Prévision de Yt réalisée en t - 1

= Moyenne estimée de la série en t - 1
= St -1

Sur le futur :

ŶT (h) = Prévision de YT + h réalisée en T

= Moyenne estimée de la série en T
= ST
pour tout horizon de prévision h
50

50

25
 12/12/2020

Prévision de Yt
 = 0.46 St = Yt + (1 - )St-1 S0 = Y 1

Jour Cours Valeur lissée Prévision de Yt Résidu

Yt St (= St-1) et = Yt – St-1
0 1293.00
1 1293 1293.00 1293.00 0.00 Calculés
2 1209 1254.36 1293.00 -84.00
3 1205 1231.65 1254.36 -49.36 par SPSS
. . . . .
. . . . .
. . . . .
15 1377 1358.00 1341.81 35.19
16 1332 1346.04 1358.00 -26.00
17 1346.04
18 1346.04
19 1346.04
20 1346.04

On choisit  minimisant  e2t Pour  = 0.46 :  e 2t = 50085 51

51

Choix de 
Results of EXSMOOTH procedure for Variable COURS
MODEL= NN (No trend, no seasonality)

Initial values: Series Trend

1293.00000 Not used

DFE = 15.

The 10 smallest SSE's are: Alpha SSE

.4600000 50085.26068
.4700000 50090.61536
.4500000 50094.47462
.4800000 50110.08196
.4400000 50118.73892
.4900000 50143.22786
.4300000 50158.56131
.5000000 50189.64352
.4200000 50214.47645
.5100000 50248.94158

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

Intervalle de prévision à l’horizon h au niveau 95%

Données observées : Y1, …, YT

Prévision de YT+h : ŶT (h ) = ST

Intervalle de prévision à 95% de YT+h :

ŶT (h)  1.96  ˆ  1 + (h - 1) 2

où
1 T
ˆ = 
T − 1 t =1
(Yt − Ŷt ) 2

54

54

27
 12/12/2020

Intervalle de prévision au niveau de confiance 95%

Utilisation du « Time series modeler » de SPSS

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

Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4

1972 9 050 9 380 9 378
1973 9 680 10 100 10 160 10 469
1974 10 738 10 910 11 058 11 016
1975 10 869 11 034 11 135 10 845
1976 11 108 11 115 11 424 10 895
1977 11 437 11 352 11 381 11 401
1978 11 507 11 453 11 561

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

Formule de prévision : A l’instant t, à l’horizon h

Prévision
Ŷt (h ) = St + h  Tt localement
linéaire
Prévision Niveau de Pente de
de Yt+h la tendance la tendance

Formules de lissage

St = Yt + (1 - ) (St-1 + Tt-1)

= Ŷt = Prévision de Yt en t - 1

Tt = (St - St-1) + (1 - ) Tt-1

58

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

Choix des constantes de lissage  et 

Ŷt = St -1 + Tt −1 = prévision de Yt

Yt - Ŷt = erreur de prévision

On recherche  et  minimisant  (Yt − Ŷt ) 2 59

59

Choix de  et 
Results of EXSMOOTH procedure for Variable CA
MODEL= HOLT (Linear trend, no seasonality)

Initial values: Series Trend

8999.78000 100.44000

DFE = 24.

The 10 smallest SSE's are: Alpha Beta(*) SSE

.4100000 1.000000 1014101.3926
.4200000 1.000000 1014605.7163
.4100000 .9900000 1015200.6924
.4200000 .9900000 1015268.6427
.4000000 1.000000 1015741.5978
.4200000 .9800000 1016033.2733
.4100000 .9800000 1016402.7294
.4200000 .9700000 1016900.4755
.4300000 1.000000 1017088.4978
.4000000 .9900000 1017288.6506

(*) Gamma dans SPSS

60

60

30
 12/12/2020

Prévision du Chiffre d’Affaires

Chiffre
Trimestre d'affaires prévision résidu
_________ __________ ___________ ___________

1 9050 9100.22000 -50.22000

2 9380 9159.47960 220.52040
3 9378 9420.15613 -42.15613
4 9680 9555.85127 124.14873
.
.
.
24 11507 11459.70349 47.29651
25 11453 11524.15142 -71.15142
26 11561 11510.86362 50.13638
27 . 11567.85973 .
28 . 11604.29993 .
29 . 11640.74012 .
30 . 11677.18032 .

61

61

Prévision du Chiffre d’Affaires

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

Intervalle de Prévision à 95% du CA

Utilisation du « Time series modeler » de SPSS

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

La méthode de Holt s’étend aux séries saisonnières de période

s donnée.
Aux deux équations de la méthode de Holt s’ajoutent une
équation spécifique à la saisonnalité.
La tendance et le saisonnier peuvent être combinés de manière
additive (Winters additif) ou multiplicative (Holt-Winters).

65

65

La méthode de Winters
Exemple : Ventes de boissons

1962 … 1968 1969 1970

Janvier 2815 2639 3934 4348
Février 2672 2899 3162 3564
Mars 2755 3370 4286 4577
Avril 2721 3740 4676 4788
Mai 2946 2927 5010 4618
Juin 3036 3986 4874 5312
Juillet 2282 4217 4633 4298
Août 2212 1738 1649 1431
Septembre 2922 5221 5951 5877
Octobre 4301 6424 6981
Novembre 5764 9842 9851
Décembre 7312 13076 12670

On exclut les douze derniers mois pour valider la méthode.

66

66

33
 12/12/2020

Ventes de boissons

On exclut les douze derniers mois pour valider la méthode.

67

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

Choix des valeurs initiales T0 , S0

Yk − Y1
T0 = , où k est le nombre d' années complètes
(k − 1)  s
s
S0 = Y1 − ( )  T0
2

Choix des coefficients saisonniers I01, …, I0s

Les coefficients saisonniers I01, …, I0s sont obtenus

en partant de la décomposition saisonnière de la série Yt
avec poids identiques. La moyenne mobile initiale est
construite sur s termes.

69

69

La méthode de Winters

Choix des constantes de lissage ,  et 

Ŷt = (St -1 + Tt −1 )  I t −s
= prévision de Yt calculée à l' instant t - 1

Yt - Ŷt = erreur de prévision

On recherche  ,  ,  minimisant  (Yt − Ŷt ) 2

70

70

35
 12/12/2020

Résultats
Results of EXSMOOTH procedure for Variable boisson
MODEL= WINTERS (Linear trend, multiplicative seasonality) Period= 12

Seasonal indices:(en pourcentage)

1 73.05851
2 67.43095
3 81.49642 Calculer :
4 83.91526
5
6
92.57661
88.61501
- S1, T1, I1, I12
7 73.56785
8 36.17448 - Ŷ1 , Ŷ2
9 92.43837
10 120.75980
11 174.76449
12 215.20225

Initial values: Series Trend

3350.79861 21.22801

DFE = 80.

The 5 smallest SSE's are: Alpha Beta Gamma SSE

.0500000 .0300000 .0000000 30047638.175
.0600000 .0200000 .0000000 30094467.153
.0500000 .0200000 .0000000 30099702.780
.0500000 .0400000 .0000000 30193432.067
.0600000 .0300000 .0000000 30194656.348
71

71

Résultats sur l’historique utilisé : (horizon h = 1)

Date boisson Prévision Résidu

 e 2t
________ _________ ___________ ___________

JAN 1962 2815 2463.55246 351.44754

FEB 1962 2672 2304.80933 367.19067 = 30047638
MAR 1962 2755 2826.31399 -71.31399
APR 1962 2721 2925.52282 -204.52282
MAY 1962 2946 3236.81640 -290.81640
JUN 1962 3036 3103.70251 -67.70251
JUL 1962 2282 2589.82403 -307.82403
AUG 1962 2212 1273.50670 938.49330
SEP 1962 2922 3397.22170 -475.22170
OCT 1962 4301 4436.22316 -135.22316
NOV 1962 5764 6452.30884 -688.30884
DEC 1962 7312 7953.28875 -641.28875
.
.
.

JUL 1969 4633 4119.96749 513.03251

AUG 1969 1649 2044.67375 -395.67375
SEP 1969 5951 5188.64038 762.35962
72

72

36
 12/12/2020

Résultats sur l’historique utilisé

(prévision à l’horizon 1)

73

73

Résultats sur la période test : (horizon h = 1 à 12)

Date boisson Prévision Résidu
________ _________ ___________ ___________

OCT 1969 6981 6848.37398 132.62602

NOV 1969 9851 9940.29754 -89.29754
DEC 1969 12670 12276.38085 393.61915
JAN 1970 4348 4179.92009 168.07991
FEB 1970 3564 3869.24602 -305.24602
MAR 1970 4577 4689.98831 -112.98831
APR 1970 4788 4843.24782 -55.24782
MAY 1970 4618 5358.65535 -740.65535
JUN 1970 5312 5144.19067 167.80933
JUL 1970 4298 4283.01302 14.98698
AUG 1970 1431 2112.08652 -681.08652
SEP 1970 5877 5412.60115 464.39885

Calculer :
- Ssept 69 et Tsept 69
- Ŷsept 69 (13) = prévision d' octobre 70 74

74

37
 12/12/2020

Résultats sur la période test

(prévision sur l’horizon 1 à 12)

75

75

Intervalle de Prévision à 95% de boissons

Utilisation du « Time series modeler » de SPSS

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