Analyse des séries chronologiques

1
I- Généralités
I.1 Définition
Une série chronologique est un série où les observations de la
variable sont effectuées à des intervalles de temps constants. On
peut considérer une série chronologique comme une série double
où l’une des variables est la variable temps.
Exemple : la production mensuelle, trimestrielle, annuelle d’un
bien ou service. Les importations ou les exportations dans le
temps.

2
I.2. Les différentes composantes d’une série chronologique
Exemple : Soit l’évolution du chiffre d’affaire d’une entreprise en
million de DH.
Trimestres
1 2 3 4
Années
2006 120 148 155 120
2007 130 162 169 132
2008 144 178 186 145
2009 157 196 210 160

3
La représentation graphique des données

CA
250

200

150

100

50

4
L’examen de ce graphique montre l’existence de plusieurs
composantes :
• Un effet saisonnier qui indique des variations saisonnières
(variations qui se reproduisent périodiquement) ;
• Un mouvement à long terme (tendance à long terme) appelé
trend ;
• Un mouvement accidentel : ce sont des variations imprévisibles
dues à des circonstances exceptionnelles (grèves, inondations,
sécheresse, ….)

5
I.3. L’intérêt de l’analyse d’une série chronologique
L’analyse des séries chronologiques permet de séparer et de
mesurer les effets d’une tendance longue des résultats d’un
mouvement saisonnier.

6
II. L’analyse de la tendance générale : Les différentes
méthodes d’ajustement
II.1. Le problème d’ajustement
La détermination de la tendance générale (le trend) dans un
graphique représentant une série chronologique, revient à
remplacer les valeurs réelles de la série par des valeurs calculées
afin de donner à la série une allure plus régulière.
Il existe plusieurs méthodes d’ajustement :
• Ajustement graphique
• Ajustement mécanique
• Ajustement analytique
7
II.1.1. L’ajustement graphique : Méthode des points moyens
Soit le graphique suivant représentant une série chronologique :

8
Les étapes de l’ajustement graphique sont :
1. On joint les points max et min de la courbe ;
2. A partir des points max et min on trace des parallèles à l’axe
0y, on obtient un ensemble de segments de droites ;
3. On prend les milieux de ces segments ;
4. On joint ces différents milieux des segments.

9
II.1.2. L’ajustement mécanique
Cette méthode consiste à diviser un nuage statistique en « sous
nuage » et à résumer chaque sous nuage par un seul point. Pour
cela, on distingue deux méthodes selon le choix des sous nuages.
A- La méthode des moyennes échelonnées
Soit un nuage statistique théorique :
Temps 1
2 3 4 5 6 7 8 9
(xi)
Variable
y1 y2 y3 y4 y5 y6 y7 y8 y9
(yi)
La méthode des moyennes échelonnées consiste à :

10
 1- On divise le nuage statistique en sous nuage ayant un nombre
impaire de points ;
2- On remplace chaque sous nuage par un point telle que
l’abscisse x’i soit égale à la médiane des valeurs xi et
l’ordonnée y’i soit égale à la moyenne des yi.
On obtient le nuage de points suivant :

x'i 2 5 8

y'i (y1+y2+y3)/3 (y4+y5+y6)/3 (y7+y8+y9)/3

11
Remarque : l’inconvénient de la méthode des moyenne
échelonnées, c’est qu’elle réduit énormément le nombre de points
du nuage. D’où l’intérêt d’utiliser une autre méthode.
B- La méthode des moyennes mobiles
Le calcul des moyennes mobiles se fait de la manière suivante :
1- On divise le nuage statistique en sous nuage qui ne sont pas
disjoints. Chaque sous nuage contient (n – 1) données du sous
nuage précédent ;
2- Chaque sous nuage est remplacé par un point telle que
l’abscisse x’i soit égale à la médiane des valeurs xi et
l’ordonnée y’i soit égale à la moyenne des yi.
12
On obtient ainsi le nuage suivant :

x'i 2 3 4 5

y'i (y1+y2+y3)/3 (y2+y3+y4)/3 (y3+y4+y5)/3 (y4+y5+y6)/3

x'i 6 7 8

y'i (y5+y6+y7)/3 (y6+y7+y8)/3 (y7+y8+y9)/3

13
C- Application
Soit l’évolution du chiffre d’affaire d’une entreprise en
million de DH.
Trimestres
1 2 3 4
Années
2006 120 148 155 120
2007 130 162 169 132
2008 144 178 186 145
2009 157 196 210 160

14
 Trimestres Moyennes échelonnées Moyennes mobiles
C.A. (yi)
(xi) x’i y'i x’i y'i
1 120
2 148 2 141 2 141
3 155 3 141
4 120 4 135
5 130 5 137,3 5 137,3
6 162 6 153,6
7 169 7 154,3
8 132 8 148,3 8 148,3
9 144 9 151,3
10 178 10 169,3
11 186 11 169,6 11 169,6
12 145 12 162,6
13 157 13 166
14 196 14 187,6 14 187,6
15 210 15 188,6
16 160

15
II.1.3. L’ajustement analytique
Il consiste à schématiser la série par une fonction mathématique.
La fonction la plus simple étant celle d’une droite linéaire .
A. Notion des moindres carrés ordinaires
Soit un nuage statistique simple :

16
 90

80

70

60
QUANTITÉ

50

40
60 70 80 90 100

PRIX

Soit y = ax + b, la droite qui résume le mieux ce nuage statistique

(on dit qu’elle ajuste le mieux ce nuage de points).

17
Pout tout xi correspond une valeur yi qui est une valeur réellement
observée et pour tout xi correspond une valeur i qui est une valeur
estimée sur la droite de régression.
i = xi + .
Pour tout xi il existe une différence entre la valeur observée et la
valeur estimée.

La droite d’ajustement idéale est celle pour laquelle les écarts entre
yi et ŷi soient les plus faibles possibles.

18
B. Valeurs estimées (ajustées) et résidus
Les valeurs ajustées sont obtenues au moyen de la droite de
régression :

ˆyi = aˆxi + bˆ
Les valeurs ajustées sont les « prédictions » des yi réalisées au
moyen de la variable x et de la droite de régression de y en x.

Les résidus sont les différences entre les valeurs observées et les
valeurs ajustées de la variable dépendante :
19
 ui = yi − yˆ i
Les résidus représentent la partie inexpliquée des yi par la droite de
n

∑u =0
régression. Leur moyenne est nulle : i =1
i .

En d’autres termes, la somme des erreurs d’estimation doit être

minime (∑ yi − yˆi = min). Pour ne tenir compte des valeurs absolues,
nous elevons au carré et cette condition des moindres carrés s’écrit
( y ˆ
y )
alors : ∑ i i → min .
−
2

20
Les résidus peuvent être expliqués par :
Des erreurs d’observation ;
Des variables explicatives qui ne sont pas inclus dans le
modèle ;
Des erreurs qui viennent de ce que la vraie relation n’est pas
en fait linéaire.
Dans ces deux derniers cas, on dit que le modèle a été mal spécifié.

21
C. Calcul des paramètres
( y ˆ
y )
Partons de la condition des moindres carrés ∑ i i → min et
−
2

remplaçons i par sa valeur : ∑ (yi − aˆxi − b ) → Z (a, b)

2
ŷ ˆ

1- Calcul de

Z ( a, b) = ∑ ( yi − aˆxi − b
ˆ )
2

Supposons que est connue et dérivons par rapport à .

∂Z
∂bˆ
(
= −2 ∑ yi − aˆ xi − bˆ = 0 )
(
= ∑ yi − aˆ xi − bˆ = 0 )
= ∑ yi − aˆ ∑ xi − nbˆ = 0
22
Division partout par n et on obtient :

∑y − aˆ ∑x −bˆ = 0 ⇔ y − aˆx −bˆ = 0

i i

n n

Donc
ˆ
b = y − ˆ
a x

2- Calcul de
On sait que la droite de régression passe par le point moyen
M ( x , y ) , faisons un changement de variable et prenons comme
nouvelle origine de notre système de référence le point M.
23
 Y
y
Y’ = âx
Yi
yi x
Y'i
y'i

y
M Xi X

0 x xi x

Pour tout Xi nous allons avoir une valeur réellement observée Yi et

une valeur estimée sur la droite i. Donc pour tout Xi, nous avons
une erreur d’estimation. La droite de régression est celle qui ajuste

24
au mieux un nuage de points au sens des moindres carrés telle
que :

∑Y −Ŷ = ∑Y −âX
i i i i →min

∑(Y −âX ) →min

2
i i

Dérivons par rapport à , on obtient :

[
2 ∑ (Yi − aˆX i ) (− X i ) = 0 ]
∑ (Y − aˆX )( X ) = 0
i i i

∑ Y X − aˆ ∑ X = 0
i i i
2

25
Donc :
aˆ =
∑ XY i i

∑X i
2

X i = xi − x
Avec, Yi = yi − y
3- Equation de la droite de régression
y = ax + b

∑ (x − x )( y − y )
aˆ =
i i

∑ (x − x )
2
i

26
 bˆ = y − aˆx

y = ax + b

∑ (x − x )( y − y )
a= i i

∑ (x − x )
2
i

b = y − ax
Application :

27
Trimestres
C.A. (yi) xi* yi xi2
(xi)
1 120 120 1
2 148 296 4
3 155 465 9
4 120 480 16
5 130 650 25
6 162 972 36
7 169 1183 49
8 132 1056 64
9 144 1296 81
10 178 1780 100
11 186 2046 121
12 145 1740 144
13 157 2041 169
14 196 2744 196
15 210 3150 225
16 160 2560 256
136 2512 22579 1496
28
 ∑ ̅ ∑ ̅ × , ×
= ∑ ̅
= ∑ ̅
= = 3,6
× ,

" = # − %̅ = 157 − 3,6 × 8,5 = 126

y = 3,6x + 126
Remarque : Lorsqu’on cherche a ajuster une série chronologique,
par la méthode des moindres carrés, il est préférable de d’appliquer
cette méthode non pas aux données brutes de la série, mais aux
moyennes mobiles afin d’obtenir une tendance corrigée des
mouvement saisonniers.

29
III. L’analyse de l’influence saisonnière
III.1. Mesure de la composante saisonnière
Elle se mesure à l’aide du coefficient saisonnier que l’on calcul par
la méthode du rapports au trend.
III.1.1. Notion de rapports au trend
Pour déterminer le trend on remplace les valeurs réellement
observées de la série par les valeurs calculées. On appelle rapports
+,-./01 231.04é.1
au trend, le rapport
4,-./01 6,-6/-é.1

Reprenons l’exemple précédent et calculons les rapports au trend

de l’évolution trimestrielle du CA.

30
Trimestres Rapports
C.A. (yi) yi calculés
(xi) au trend
1 120 129,6 0,93
2 148 133,2 1,11
3 155 136,8 1,13
4 120 140,4 0,85
5 130 144 0,90
6 162 147,6 1,10
7 169 151,2 1,12
8 132 154,8 0,85
9 144 158,4 0,91
10 178 162 1,10
11 186 165,6 1,12
12 145 169,2 0,86
13 157 172,8 0,91
14 196 176,4 1,11
15 210 180 1,17
16 160 183,6 0,87
136 2512
31
 III.1.2. Calcul des coefficients saisonniers
On obtient le coefficient saisonniers trimestriel en faisant la
moyenne des rapports au trend correspondants aux trimestres.

Trimestres
1 2 3 4
Années
2006 0,93 1,11 1,13 0,85
2007 0,90 1,10 1,12 0,85
2008 0,91 1,10 1,12 0,86
2009 0,91 1,11 1,17 0,87
Total 3,65 4,42 4,54 3,43
Coefficients
0,91 1,10 1,14 0,86
saisonniers
32
 III.2. La dessaisonalisation d’une série
Elle consiste à supprimer le mouvement saisonnier d’une série
chronologique. Pour se faire, il faut diviser chaque donnée brute
(réelle) par le coefficient correspondant.

Trimestres
1 2 3 4
Années
2006 131,9 134,5 136,0 139,5
2007 142,9 147,3 148,2 153,5
2008 158,2 161,8 163,2 168,6
2009 172,5 178,2 184,2 186,0

33
III.3. Essai de prévision :
Essayons de trouver le chiffre d’affaire du 4ème trimestre de 2012 ?

34