Wodje Appolini

ANALYSE DES SÉRIES TEMPORELLES

Chapitre 01 : Généralités
Nature des séries et problématique :
→ Deux grandes familles de méthodes (descriptives et inférentielles)
Une série temporelle/Chronique/Série chronologique est une observation répétée d’une
grandeur d’intérêt dans le temps.
On note x t , t ∈Θ .

Notion de haute et basse fréquence f = ( 1

T )
. A hautes fréquences (sur de petites périodes),
l’analyse se complexifie.
Notion de bulk de volatilité.
La représentation graphique est la 1ère étape avant d’étudier la série (faire une prévision).

Composantes d’une série :

→ Tendance – cycle (Z) : (Evolution de long terme de la chronique) évolution fondamentale à
laquelle se superposent les autres composantes (voir figure).
- Trend : Composante de long terme (généralement au-delà de 05 ans). Pour
observer correctement la tendance, il faut beaucoup de données ;
- Cycle : composante conjoncturelle, mouvement oscillatoire d’amplitude et
de période pouvant varier autour de la tendance.
→ Saisonnalité : Mouvements très courts de pics et de creux successifs qui se répètent
presqu’à l’identique de période en période à des dates précises.
NB : Modèle = représentation simplifiée d’une réalité.
→ Accidentelle : variations imprévues d’amplitudes relativement importante. Dans le modèle,

pour gérer cela, on utilise une variable binaire (Dummy) {

1 sit=t 0
0 , sinon
.

→ Irrégulier/Résiduelle : creux ou pics de faible amplitude qui brisent la régularité de la

variation d’ensemble, résultante de fluctuations irrégulières et imprévisibles
Variable de type flux (pas d’accumulation) et de type stock (il y’a accumulation de
l’information : par exemple la quantité d’eau contenue dans un réservoir) ;
Etape de l’étude d’une chronique :

1. Correction des données :

→ Evaluation de données manquantes (on procède donc à l’imputation des données : grâce à
une méthode d’interpolation linéaire par exemple) ;
 Wodje Appolini

Il existe une méthode qui utilise le modèle Espace -Etat (Space – State model), modèle
couramment utilisé pour faire une imputation.
→ Remplacement des données accidentelles ;

→ Découpage en sous séries (Ici, chaque situation a sa particularité) ;

→ Standardisation afin de se ramener à intervalles de longue fixe (imputation en fonction de

la nature de la variable (flux ou stock).
→ Transformation des données : pour des raisons diverses, on peut être parfois amenés à
utiliser des données transformées. Par exemple, en économie, on utilise la famille de

( { )
log ( X t ) , si λ=0
1 λ yt = 1 λ
transformation de Box-Cox : ( X t −1) La transformation de la
λ ( X −1 ) , si λ >0
λ t
fonction de Cobb Douglas en fonction linéaire en est un exemple.

2. Observation de la série
Il s’agit de représenter la série (courbes en ligne, courbes de profil, month plot)

3. Modélisation de la série
→ Trouver une représentation simplifiée du processus qui définit la dynamique des données
que nous avons ;
→ Modèle mathématique de la composante résiduelle ;
→ Deux modélisations (descriptive et stochastique)
En ce qui concerne les modèles descriptifs, on distingue :
- Modèle additif : y t =T t +S t + R t(Graphiquement, ici, la variation est plutôt
constante) ;
- Modèle multiplicatif : y t =T t × ( 1+ St ) ×(1+ Rt )(Graphiquement, la variation
est croissante ou décroissante) ;
- Modèle mixte : y t =T t + ( 1+ St ) ×(1+ Rt ).

Quelques méthodes (03) d’identification du modèle :

a) Test graphique de la bande :
o Tracer la droite des maximas
o Tracer la droite des minimas
o Si les 02 semblent parallèles, alors modèle additif, sinon, modèle multiplicatif ;
Version analytique : droite des maximas (droite de régression linéaire des maximas)
d’équation ( D ) : y=ax +b , de même, la droite des minimas ( D ' ) : y=a ' x+ b ' . L’hypothèse
H 0=|a−a '|< ϵ

b) Courbe de profil :
o Pour chaque année, représenter la série de données ;
 Wodje Appolini

o Si l’ensemble des courbes semble parallèle (ont la même allure), modèle additif, sinon,
multiplicatif
c) Méthode de Buys Ballot  :
o Pour chaque année, calculer la moyenne et l’écart type des observations ;
o Représenter moyenne vs écart type ;
o Si graphique horizontal alors modèle additif, sinon modèle multiplicatif ;
o Estimer les paramètres de la droite d’ajustement, si la pente est proche de zéro, alors le
modèle est additif ;

4. Diagnostic du modèle – Ajustement au modèle

- Etude des résidus ;
- Test sur les résidus ;

5. Prévision :
- Echantillon d’apprentissage ;
- Echantillon de test ;
 Wodje Appolini

Chapitre 02 : Désaisonnalisation
(But de la désaisonnalisation : - Expliquer la dynamique de Y = T + S + R, - Diagnostic des
modèles)

Introduction :
La représentation est la 1ère étape dans un exercice de modélisation ;
On suppose sans nuire à la généralité une série additive (si le modèle est multiplicatif, on
passe au logarithme).
Principe de conservation des aires :

(∑ )
p
- Si le modèle est additif, la somme des coefficients saisonniers est nulle S j=0 .
j=1

- Si le modèle est multiplicatif, la somme des coefficients est égale à la période

( ) (∑ )
p p

∑ S j= p si Y =T + S+ R , et S j=0 si Y =T × ( 1+ S ) ×( 1+ R).
j=1 j=1

1. Estimation de la tendance :
1.1. Estimation de la tendance par moyenne échelonnée
 Subdiviser les données en sous échantillons : par exemple les données relatives à une
année ;
 Calculer les moyennes pour chaque échantillon
 La tendance est donnée par la série des moyennes
La tendance ici a l’allure d’une fonction en escalier.

1.2. Tendance déterministe

1.2.1. Estimation de la tendance linéaire
Cette méthode est appliquée si après représentation, on peut estimer que la tendance peut être
linéaire.
 Cette méthode consiste à estimer la tendance par la méthode des moindres carrés
ordinaires. Supposons que la tendance peut être approximée par une fonction linéaire :
T t=a+bt .
 Estimation par les MCO : (Avec Y t =T t + St + R t=a+bt+ ( S t + R t )=a+bt+ Rt , avec Rt
qui est le résidu.
 Minimisation de l’erreur quadratique commise en remplaçant la tendance par
l’approximation ∑( y t−a−bt).
Méthode de la droite de Mayer.
 Wodje Appolini

1.2.2. Estimation de la tendance quadratique

 Cette méthode consiste à estimer la tendance par la méthode des moindres carrés
ordinaires. Supposons que la tendance peut être approximée par une fonction
quadratique : T t=a+bt+ c t 2.
2 2
 Estimation par les MCO : (Avec Y t =T t + St + R t=a+bt+ c t + ( S t + R t ) =a+bt +c t + Rt ,
avec Rt qui est le résidu.
 Minimisation de l’erreur quadratique commise en remplaçant la tendance par
l’approximation ∑( y t−a−bt−c t 2).

() [ ] ()
a 1 1 1
2 y1
Posons β= b , X = … 2 2 ∈ M T × 3, Y = y 2 , donc ^β=( X t X ) X t Y
2 −1

c 1 … … …

1.2.3. Estimation de la tendance non linéaire

 Changement de variables ;
 Estimation directe
 Cas spécifique :

(
Linéaire inversé  f ( t )=
1
at +b) 1 ~ ~
: ¿, on considère l’inverse =( a+ bt ) + St + Rt
Yt

Exponentiel ( f (t )=b exp at )

1.3. Moyennes Mobiles

→ Les opérateurs :
Opérateur retard (Lag) : L : y t ⟼ y t −1
k
Polynôme retard : P ( L ) : y t ⟼ a0 + ∑ a j L ( y t )=a0 + a1 y t −1+ …+at y t−k
j

j=1

Opérateur avance (Forward) : F : y t ⟼ y t +1

Opérateur identité : I : y t ⟼ y t
Opérateur différence :
Δ ( y t ) = y t− y t −1

Δ ( y t ,2 )=Δ ( y t ) −Δ ( y t −1)
p
Δ ( y t , p )=( 1−L ) y t

Propriétés : F=L−1, F p=L− p

q
Les filtres linéaires : combinaison linéaire des opérateurs Lag et Forward : FL=∑ ω j L
−j

−p

Moyenne mobile : est un filtre linéaire dont la somme des pondérations (ω j ) vaut 1.
 Wodje Appolini

On distingue :
Les moyennes mobiles symétriques : p=q et ω j=ω− j;

Les moyennes mobiles symétriques non pondérées : ωj=ω 0.

Pour estimer les tendances, on va utiliser les moyennes mobiles d’ordre pair ou d’ordre impair
selon que la période soit paire ou impaire.
Moyenne mobile d’ordre impair :
p
1
MM ( 2 p+1 ) ( y t )= ∑ L j ( yt)
2 p+1 − p

Moyenne mobile d’ordre pair :

( )
p−1
MM 1+ MM 2 1 1 p 1 p
L yt + ∑ L yt + F yt
j
MM ( 2 p ) ( y t )= ( y t )=
2 2p 2 − p+1 2

1
Exemple : M 3= (L+ I + F)
3
Les moyennes mobiles sont utilisées pour estimer la tendance, cela dit, la tendance à un
instant donné sera la moyenne mobile retenue à cet instant.

1.4. Médianes mobiles

−j
Med M =Mediane(L , j ∈− p , q)
Généralement utilisé lorsqu’il y’a des valeurs accidentelles qu’on ne voudrait pas corriger.

2. Estimation de la composante saisonnière

On suppose la tendance déjà estimée à partir d’une des méthodes citées plus haut.
On suppose le Modèle additif : y t =T t +S t + R t
¿
 Calcul y t = y t −T t =St + R t
¿ ¿ ¿
 Re paramétrage de y t tel que y t = y ij où i indique l’année (i∈ 1 , I ) et j la sous période
( j∈1 , p)  ;
 Calcul de la moyenne sur chaque sous période (chaque mois si la donnée est
mensuelle, chaque trimestre si la donnée est trimestrielle, …) :
1 ¿
S j= ∑ ( y ij )
I
 Vérifier le principe de conservation des aires ;
 Si principe non vérifié, il faut corriger :
1
 S¿j=S j− ∑S j (Le nouveau coefficient correspond aux anciens coefficients moins la
p
valeur moyenne des anciens coefficients).
 Calculer la série corrigée des variations saisonnières (CVS) : y CVS = y−S .
 Wodje Appolini

Chapitre 03 : Lissage
Lissage exponentiel simple