CHAPITRE 2 ESTIMATION DES COMPOSANTES DETERMINISTES - PREVISION

Objectifs :
 Estimer la tendance et la composante saisonnière ;
 Effectuer des prévisions dans un cadre déterministe.

Soit une série temporelle (𝑋 ), avec 𝑡 = 1, 2, … , 𝑛, que l’on désire étudier. La démarche
consiste respectivement à :
- la représenter graphiquement en vue de repérer la tendance et la saisonnalité ;
- choisir un modèle pour le terme résiduel ;
- valider le modèle, ou l’invalider ;
- prédire les réalisations futures par un modèle.
NB : au départ de cette démarche, on peut procéder éventuellement à un prétraitement de la
série consistant à corriger les données, par exemple au moyen d’une standardisation, d’une
transformation par une fonction…

I. ESTIMATION DE LA TENDANCE
On suppose que la série temporelle(𝑋 ), avec 𝑡 = 1, 2, … , 𝑛, ne comporte pour seules
composantes que la tendance et le terme d’erreur, et on cherche à spécifier une fonction de
temps qui représente le mieux possible la tendance 𝑇 .

A. Estimation paramétrique
Cette méthode concerne des tendances polynomiales et des tendances susceptibles d’être
linéarisées après transformation.

1. Forme générale d’une tendance polynomiale

Il s’agit des tendances de la forme :
𝑇 = 𝑎 + 𝑎 𝑡 +𝑎 𝑡 + ⋯+ 𝑎 𝑡
Deux cas particuliers d’une telle tendance sont :
 la forme linéaire :
𝑇 =𝑎 +𝑎 𝑡

 la forme quadratique :
𝑇 = 𝑎 +𝑎 𝑡+𝑎 𝑡

Séries temps & tech.pr. Seco4 Chap2 NDAME.MAKEMBE 21.22 Page 1 sur 6
La méthode classique d’estimation des paramètres utilisée est celle des moindres carrés
ordinaire.

2. Degré du polynôme

Le degré du polynôme doit être le plus faible possible, et son choix est effectué sur la base :

 de l’examen visuel de la courbe représentative de la série étudiée ;

 des résidus observés après ajustement : les résidus doivent fluctuer autour de zéro, avec
une faible amplitude.

3. Exemples de tendances non linéaires

Nous pensons ici, par exemple, à des tendances de la forme :

 𝑇 = 1⁄(𝑎 + 𝑎 𝑡)
 𝑇 = 𝑏𝑒 + 𝑐
 𝑇 =𝑒
 𝑇 = ln(𝑎 + 𝑎 𝑡 + 𝑎 𝑡 )

Moyennant un changement de variable adéquat, on se ramène au cas linéaire. Par exemple :

 Si on a à estimer une tendance de la forme 𝑇 = 1⁄(𝑎 + 𝑎 𝑡).

En posant 𝑍 = 1⁄𝑇 , on retrouve une forme linéaire de la tendance.

 Si on a à estimer 𝑇 = 𝑒 , alors il suffit de passer par le logarithme pour retrouver

une forme linéaire.

 De même, estimer 𝑇 = 𝑏𝑒 + 𝑐. On se ramène à une tendance linéaire en posant 𝑍 =

ln(𝑇 − 𝑐) = ln(𝑏) + 𝑎𝑡. Dans ce cas, le changement de variable étant donné par 𝑋′ =
ln(𝑋 − 𝑐) et on ajuste une droite 𝑍 = ln(𝑏) + 𝑎𝑡 par rapport à la nouvelle
série (𝑋′ ) .

Remarque :

 Dans le choix d’un changement de variable, toujours se faire orienter par la

représentation graphique de la série observée.
 Le changement de variable peut s’avérer impossible.
 En cas de choix entre plusieurs possibilités, se faire guider par la variabilité résiduelle
ou la variabilité expliquée.

B. Estimation non paramétrique de la tendance : Moyennes mobiles

Lorsqu’il paraît compliqué de trouver l’allure de la fonction représentative de 𝑍 , ou de procéder

à un changement de variable, on peut faire recours à la théorie non paramétrique de l’estimation

Séries temps & tech.pr. Seco4 Chap2 NDAME.MAKEMBE 21.22 Page 2 sur 6
de la tendance, qui ne suppose à priori rien sur celle – ci et consiste à l’approcher par la moyenne
mobile arithmétique d’ordre 2𝑚 + 1 : 𝑋 ∗ = 𝑀 (𝑡).

1. Intérêt et conditions d’application des moyennes mobiles

Le but d’un lissage par moyennes mobiles est de faire apparaître l’allure de la tendance. Il s’agit
donc de faire disparaître la saisonnalité et de réduire au maximum le bruit blanc. C’est un outil
simple à mettre en œuvre qui met en évidence l’allure de la tendance en supprimant la
composante saisonnière et en atténuant le bruit.
L’application de cette méthode repose sur les hypothèses suivantes :

 Une saisonnalité à coefficients constants dont la période est égale à l’ordre de la

moyenne mobile (période impaire), ou à l’ordre de la moyenne mobile moins 1
(période paire).
 Une erreur de variance faible.

Remarque :
- Avec cette méthode, on ne dispose pas d’estimation de la tendance pour les 𝑚 premières et
𝑚 dernières valeurs observées. Afin d’avoir des estimées de la tendance pour toutes les
dates observées, on peut, si les points (𝑋 ∗ ) ,…, paraissent alignés par exemple,
faire un ajustement linéaire, ensuite une interpolation linéaire afin d’estimer la tendance
pour les points 𝑡 = 1, 2, … , 𝑚 et 𝑡 = 𝑛 − 𝑚 + 1, … , 𝑛.
- Bien que la méthode des moyennes mobiles soit particulièrement adaptée au modèle additif
lorsque la tendance est sensiblement linéaire, la composante saisonnière périodique, et le
bruit de variance faible, elle peut bien directement s’appliquer à une série sans hypothèse a
priori sur le modèle sous-jacent. La méthode est donc valable quel que soit le modèle de
décomposition.
.
2. Propriétés
Les moyennes mobiles arithmétiques d’ordre 𝑝:

- laissent invariants les polynômes de degré 1 ;

- arrêtent les fonctions périodiques de période 𝑝 (en d’autres termes, on fait disparaître une
composante saisonnière de période 𝑝 avec une moyenne mobile d’ordre 𝑝;

Séries temps & tech.pr. Seco4 Chap2 NDAME.MAKEMBE 21.22 Page 3 sur 6
- réduisent la variance d’un bruit blanc de manière optimale (on gomme d’autant plus le bruit
que l’ordre de la moyenne est élevé. Toutefois, on perd les caractéristiques de la tendance
une moyenne mobile d’ordre trop grand, et ce jusqu’à obtention d’une tendance constante).
-
II. ESTIMATION DE LA COMPOSANTE SAISONNIERE

Nous supposons la série étudiée affectée de la tendance et de la composante saisonnière.

Comment calculer les coefficients saisonniers ?

A. Cas du modèle additif

𝑿𝒕 = 𝑻𝒕 + 𝑺𝒕 + 𝜺𝒕

On calcule la série diminuée de la tendance en retranchant à la série 𝑋 de départ la série

transformée 𝑋 ∗ .

A l’issue de ce premier filtrage, on dispose ainsi de la série suivante :

𝑆 = 𝑋 − 𝑋 ∗ , 𝑡 = 𝑚 + 1, 𝑚 + 2, … , 𝑛 − 𝑚, appelée série corrigée de la tendance.

On estime ensuite chacun des 𝑝 coefficients saisonniers (𝑐̅ ) , ,…, par la moyenne
arithmétique des 𝑆 correspondant à chaque saison.

On retranche enfin à chaque coefficient estimé la moyenne des coefficients calculés afin que la
condition de nullité de la moyenne des coefficients dans un modèle additif soit respectée ; on
obtient ainsi le résultat définitif des 𝑝 coefficients saisonniers, notés 𝑐̂ , 𝑐̂ , … , 𝑐̂ .

Remarque : La série corrigée des valeurs saisonnières (ou série désaisonnalisée) s’écrit :

𝑋 , = 𝑋 − 𝑆 , 𝑡 = 1, 2, … , 𝑛, où 𝑆 est le coefficient saisonnier de la période considérée.

B. Cas d’un modèle multiplicatif

𝑿𝒕 = 𝑻𝒕 ∗ 𝑺𝒕 ∗ 𝜺𝒕

- On calcule 𝑆 = ∗ (où le dénominateur représente la moyenne mobile calculée).

- On calcule les 𝑐̅ comme dans le modèle additif.

- La somme des coefficients saisonniers d’une une série temporelle de période 𝑝 est égale
à 𝑝.

Séries temps & tech.pr. Seco4 Chap2 NDAME.MAKEMBE 21.22 Page 4 sur 6
 III. PERTINENCE DU MODELE : analyse des résidus

L’analyse des résidus a pour but de contrôler la pertinence du modèle. Dans le cas du modèle
additif par exemple, les résidus s’estiment par 𝜀̂ = 𝑋 − 𝑆 − 𝑇 = 𝑋 , −𝑇.

Si le modèle est significatif, il ne doit rester dans les résidus aucune trace du saisonnier. Pour
le vérifier, on trace le corrélogramme1 des résidus pour vérifier l’absence de saisonnalité. Si le
modèle est significatif, le corrélogramme ne doit présenter que des valeurs faibles, montrant
une faible corrélation entre les erreurs.

Dans le cas contraire, si le corrélogramme présente des pics régulièrement espacés, alors le
saisonnier n’a pas été totalement éliminé. Par conséquent, le modèle proposé n’est pas
approprié. On peut, dans ce cas, soit réitérer la procédure comme indiqué au 6 ii- ci – dessous,
soit proposer un autre modèle.

Si le modèle est bon, on construit le graphe des résidus (𝑡, 𝜀̂ ), afin de repérer d’éventuelles
déviations exceptionnelles, une tendance, etc.

IV. PREVISION

Une méthodologie possible est donnée par les étapes successives suivantes :

i- Application d’une moyenne mobile d’ordre approprié.

ii- Estimation de la saisonnalité comme décrite plus haut.
iii- Estimation de la tendance de la série corrigée des variations saisonnières.
iv- Itération éventuelle de la procédure (on peut à nouveau estimer la tendance à partir
de la série 𝑋 , en appliquant une moyenne mobile d’ordre différent de celui utilisé
à la première étape. On retranche alors à la série 𝑋 cette tendance, et on revient
éventuellement à l’étape ii-, pour une seconde estimation du saisonnier.
v- Analyse des résidus
vi- Prévision.

1
En fait, théoriquement, le corrélogramme n’est tracé que pour des séries stationnaires, et donc des séries ne
présentant ni tendance, ni saisonnalité.

Séries temps & tech.pr. Seco4 Chap2 NDAME.MAKEMBE 21.22 Page 5 sur 6
Exercice 1
On considère le tableau ci-dessous (cf. exercice 1, chap.1) :

Année 2018 Année 2019 Année 2020

Trimestre 1 2000 2200 2400

Trimestre 2 1800 2000 2200

Trimestre 3 2100 2300 2500

Trimestre 4 1900 2100 2300

a) Calculer la tendance par la méthode des MCO.

b) Calculer les coefficients saisonniers en utilisant le modèle convenable.
c) Calculer la série des valeurs désaisonnalisées.
d) étudier les résidus.
e) Calculer les prévisions pour 2019.
f) utiliser le modèle construit pour prévoir les ventes en 2019.

Exercice 2

On considère le tableau ci-dessous (cf. exercice 2, chap.1) :

Année 2018 Année 2019 Année 2020

Trimestre 1 2000 4500 10125

Trimestre 2 1500 3375 7593,75

Trimestre 3 3000 6750 15187,5

Trimestre 4 2250 5062,5 11390,625

a) Calculer la tendance par la méthode des MCO.

b) Calculer les coefficients saisonniers en utilisant le modèle convenable.
c) Calculer la série des valeurs désaisonnalisées.
d) Calculer les prévisions pour 2019.

Séries temps & tech.pr. Seco4 Chap2 NDAME.MAKEMBE 21.22 Page 6 sur 6