Académique Documents
Professionnel Documents
Culture Documents
Il existe une méthode qui utilise le modèle Espace -Etat (Space – State model), modèle
couramment utilisé pour faire une imputation.
→ Remplacement des données accidentelles ;
( { )
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 ).
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 ;
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
( ) (∑ )
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.
() [ ] ()
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 … … …
(
Linéaire inversé f ( t )=
1
at +b) 1 ~ ~
: ¿, on considère l’inverse =( a+ bt ) + St + Rt
Yt
j=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
−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;
( )
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.
Chapitre 03 : Lissage
Lissage exponentiel simple