Les Modèles de décomposition

Modèle additif : Yt = gt + St + εt

Modèle multiplicatif : Yt = gt · St · ε t
 Le modèle additif
y t = g t+ st + εt avec t = 1, ... , T.
Dans le modèle additif, l'amplitude de la composante saisonnière et du bruit reste
constante au cours du temps.
Ventes d'huitres (2003 - 2006)

120
100
80
60
40
20
0
1er 2e 3e 4e 1er 2e 3e 4e 1er 2e 3e 4e 1er 2e 3e 4e
tri tri tri tri tri tri tri tri tri tri tri tri tri tri tri tri
03 03 03 03 04 04 04 04 05 05 05 05 06 06 06 06

Hypothèses : pour des raisons d'unicité d'écriture de la décomposition, on suppose

que les composantes st et εt sont centrées et donc toute l'information concernant la
tendance le comportement "moyen" est contenue dans la composante gt
Le nuage de points est limité par deux droites parallèles (tube)
 Le modèle multiplicatif
yt = gt x st x εt avec t =1, ... , T.
Dans ce modèle, l'amplitude de la composante saisonnière et du bruit n'est plus
constante au cours du temps : elles varient au cours du temps
proportionnellement à la tendance gt .
Le nuage de points est limité par deux droites pas parallèles (entonnoir)
Ventes d'Huitres

200
180
160
140
120
100
80
60
40
20
0
1er 2e 3e 4e 1er 2e 3e 4e 1er 2e 3e 4e 1er 2e 3e 4e
tri tri tri tri tri tri tri tri tri tri tri tri tri tri tri tri
03 03 03 03 04 04 04 04 05 05 05 05 06 06 06 06
 Estimation de la tendance

Pour faire apparaître la tendance, il faut

procéder à éliminer et amortir les
mouvements cycliques, saisonniers et
accidentels en utilisant la technique des
moyennes mobiles.
 Moyenne Mobile
• Si l est impair l=2k+1
k

y t i
mm t  i  k t  k  1,...,T - k
l
• Si l est pair l=2k
k k

y t i  y t i
mm t  mmt +1
mm 't  i  k i 1 k
= t  k  1,...,T - k
2l 2
k 1
0,5 y t k   y t i  0,5 y t  k
ou mm 't  i  k 1
t  k  1,...,T - k
l
.
Exemple
MA cas ou l est impair
• Le calcul de la moyenne mobile d’ordre l = 3 =2.1+1
avec k=1 donne les valeurs suivantes

temps t1 t2 t3 t4 t5 t6 t7 t8 t9
yt 4 6 5 3 7 5 4 3 6
mmt 5 4,67 5 5 5,33 4 4,33

La moyenne mobile d’ordre 3 pour t6 vaut:

75 4
mm 6  = 5,33
3
.
Exemple
MA cas ou l est impair
• Le calcul de la moyenne mobile d’ordre l = 5 =2.2+1
avec k=2 donne les valeurs suivantes

temps t1 t2 t3 t4 t5 t6 t7 t8 t9
yt 4 6 5 3 7 5 4 3 6
mmt 5 5,2 4,8 5,33 5

La moyenne mobile d’ordre 5 pour t4 vaut:

6 53 7 5
mm 4  = 5,2
5
 MA cas l est impair

K valeurs sont perdues à chaque extrémité

.
Exemple
MA cas ou l est pair
• Le calcul de la moyenne mobile d’ordre l = 4 avec
k=2 donne les valeurs suivantes

temp t1 t2 t3 t4 t5 t6 t7 t8 t9
s
yt 4 6 5 3 7 5 4 3 6
mmt 4,5 5,25 5 4,75 4,75 4,5
mm’t 4,875 5,125 4,875 4,75 4,625

4 653 653 7

4,5  5, 25 4 4 4+12+10+6+7
mm '3  = =  4,875
2 2 8
 Exemple
MA cas ou l est pair

temps t1 t2 t3 t4 t5 t6 t7 t8 t9
yt 4 6 5 3 7 5 4 3 6
mm’t 4,875 5,13 4,875 4,75 4,63

1 1
4.  6  5  3  7.
mm '3  2 2  4,875
4
 Estimation des mouvements
saisonniers
• Deux méthodes pour vérifier si la série
chronologique suit un modèle additif ou
multiplicatif

– Méthode graphique (méthode de profil ou de la

bande)
– Méthode analytique
Méthode du profil
Méthode de la bande
 Méthode Analytique
de Buyes Ballot

Cette méthode consiste à:

- Calculer les moyennes et les écarts-types pour
chacune des périodes considérées
- Déterminer la droite des moindres carrés   aY  b.

Si a est nul (a < 0,05) modèle additif

sinon (a > 0,1) modèle multiplicatif.
 Tableau
de Buyes Ballot
Détection de saisonnalité par la table
de Buyes Ballot
 Définitions
• Définition 1: On appelle variation saisonnière d'une
série chronologique à l’instant t une variation due à
un effet momentané se reproduisant régulièrement
dans le temps.

• Définition 2: la période notée k des variations

saisonnières est la longueur exprimée en unité de
temps séparant deux variations saisonnières dues à un
même phénomène.

Remarque : nous supposerons dans la suite que la série est soumise à des
variations saisonnières de même période k. La période est alors le nombre de
variations saisonnières.
 Théorème
• Théorème : les moyennes mobiles d’une série
soumise à des variations saisonnières de
période k ne sont pas soumises à ces variations
saisonnières si leur longueur l est égale à la
période k, et plus généralement si leur
longueur est un multiple de la période.
MM l =4

MM l =5
 Correction des variations saisonnières
Cas d’un modèle Additif : yt = g t+ st + εt avec t =1, ... , n.
• Méthode de calcul :
– On calcul les moyennes mobiles (approxime la tendance g t )
– On calcule les écarts : yi,j – mmi,j = Sj i = 1, …, n et j = 1, …, k
– On calcule la moyenne des écarts pour chaque saison.
n
1
Sˆ j   ( y i , j  mm i , j )
n i 1
– On corrige si la moyenne des moyenne n’est pas égale à 0
k
ˆˆ 1
m Sˆ   Sˆ j
S j  Sˆ j  m sˆ avec
k j 1
– On obtiendra alors la série corrigée des variations
saisonnières CVS
ˆˆ
y CVS  y i , j S j
 Exemple
Ventes d'Huitres MM4t
yt tr1 tr2 tr3 tr4 tr1 tr2 tr3 tr4
année 3 52 36 69 89 63,125 65,875
année 4 65 45 86 111 69,15625 74,09375 78,9063 82,34375
année 5 81 56 108 139 86,44531 92,61719 98,6328 102,9297
année 6 102 70 135 174 108,0566 115,7715

yt -mm4t
tr1 tr2 tr3 tr4
5,875 23,125
-4,156 -29,09 7,0938 28,656

-5,445 -36,62 9,3672 36,07

-6,057 -45,77 Total Moyenne
 écarts -15,66 -111,5 22,336 87,852 -16,9531
écarts moyens -5,219 -37,16 7,4453 29,284 -5,65104 -1,41276
écarts corrigés -3,807 -35,75 8,8581 30,697 0
 Correction des variations saisonnières
Cas d’un modèle multiplicatif : yt = g t* st * εt avec t =1, ... , n.
• Méthode de calcul :
– On calcule les moyennes mobiles
– On calcule les ratios : y t /mm t (appelé rapport saisonnier)
– On calcule la moyenne arithmétique des écarts pour chaque
1 n y i,j
saison: ˆ
S 
j
'

n

(
i 1
)
mm i , j
– On corrige si la moyenne des moyennes n’est pas égale à 1
k

ˆ
ˆ
Sj '
Sˆ '
j 
j 1
Sˆ'
j

m Sˆ ' avec m Sˆ '


k
– On obtiendra alors la série corrigée des variations saisonnières:
y i,j
ˆˆ '
Sj
 Méthode de Buyes Ballot
• Il faut avoir une série qui suit le modèle additif.
• La tendance doit être linéaire.
• Le modèle complet est le suivant :
pour tout i = 1, …, n et j = 1, …, k

y i , j  a [(i -1) k  j ]  b  s j  e i , j

t  (i -1)k  j
 Estimateurs de MCO
12  n n (n  1) 
a
ˆ 2  
kn (n  1)  i 1
iY i . 
2
Y 

n 1
cˆ j Y . j  aˆ( j  k ) k
2
k c j

sˆ j  cˆi  bˆ avec c j  kb
j 1
 b j 1

ˆ ( nk  1)
b Y  a
ˆ
2
k 1
sˆ j  Y . j Y  aˆ( j  )
2
 Conclusion
Pour décomposer une série chronologique on
doit commencer par :
• Tracer son graphique
• Choisir un modèle de composition (additif ou
multiplicatif)
• Estimer la tendance gt
• Estimer les variations saisonnières.
 Exemple : Modèle Additif : yt = g t+ st + εt avec t =1, ... , n.

Avec g t = a t + b (ajustement linéaire)

• A partir des données

suivantes d’achats trimestriels Série chronologique

de fuel d’un immeuble Modèle déterministe : additif simple

Achats de fuel dans un immeuble
année 3 année 5 année 6
tri 1 5 6 7
tri 2 2 3 4
tri 3 7 8 9
• Calculez : tri 4 6 7 8
1. La fonction g t
2. Les coefficients saisonniers
3. Prévoyez les ventes pour chaque trimestre de l’année 2007