Académique Documents
Professionnel Documents
Culture Documents
2022/2023
Chapitre 3:
A JUSTEMENT D ’ UNE SÉRIE
TEMPORELLE
Introduction et motivation
Introdution:
L’objectif de l’étude des séries temporelles est de faire des prédictions sur
l’évolution de la série.
• On dispose d’une série temporelle (yt )1≤t≤n , alors on cherche à trouver une fonction
simple du temps qui modélise au mieux la tendance de la série.
Définition:
• On appelle série des moyennes mobiles centrées d’ordre k avec k = 2m + 1,
m ∈ N, de la série (yt )1≤t≤n la série notée MMC(k) et définies par:
1
MMCt (k) = yt−m + yt−m+1 + ... + yt−1 + yt + yt+1 + ... + yt+m
k
• Cependant série des moyennes mobiles centrées d’ordre k avec k = 2m,
m ∈ N, de la série (yt )1≤t≤n est la série notée MMC(k) et définies par:
11 1
MMCt (k) = yt−m + yt−m+1 + ... + yt−1 + yt + yt+1 + ... + yt+m+1 + yt+m
k 2 2
Une moyenne mobile en t étant une combinaison linéaire finie des valeurs de la série
correspondant à des dates entourant t, elle réalise donc un lissage de la série, une
moyennisation.
Exemple: les séries des moyennes mobiles centrées d’ordre 2 et 4 de la série initiale
(yi )1≤i≤16 .
Le but d’un lissage par moyenne mobile est de faire apparaître l’allure de la
tendance.
Il est bien rare que ces trois objectifs puissent être parfaitement atteints
simultanément. En effet, chacun de ces objectifs conduit à des choix différents de
moyenne mobile :
Ajustement de la tendance
Après avoir représenté la série, il est souvent possible d’inférer une représentation
paramétrique de sa tendance. Dans ce cas, on procède par régression linéaire pour
estimer cette tendance.
On dispose d’une série chronologique (yi )i=1,...,n où les seules composantes présentes
sont :
la tendance.
et la composante résiduelle (les fluctuations irrégulières).
Le problème : Peut-on trouver une fonction simple du temps qui modélise au mieux
la tendance de la série (yi )i=1,...,n ?
10
yi = fθ (ti ) + ϵ
Il nous faut alors :
11
Objectif:
On veut ajuster les données par une droite et donc modéliser la tendance par une
fonction de la forme :
fθ (t) = α t + b
′
Avec : θ = (α, b)
La méthode:
La méthode des moindres carrés
12
13
14
15
n
X
SCT = (yi − y)2
i=1
n
X n
X
2
SCE = (ŷi − y) = (α̂ ti + b̂ − y)2
i=1 i=1
n
X n
X
SCR = (yi − ŷ)2 = (yi − (α̂ ti + b̂))2
i=1 i=1
16
Objectif
On veut ajuster les données par un polynôme de degré d et donc modéliser la
tendance par une fonction de la forme :
fθ (t) = α0 + α1 t + α2 t2 + · · · + αd td
Le cas d = 0 correspond à la tendance constante et le cas d = 1 à la tendance
linéaire.
′
Trouver la valeur de θ = (α0 , α1 , . . . , αd ) qui minimise
n
X
(yi − (α0 + α1 ti + . . . , αd tdi ))2
i=1
17
18
19
′
Distribution du vecteur des paramètres estimés θM C ∼ N (α, σϵ2 (T T )−1 )
θM C ∼ N (α, A) ⇒ α̂i ∼ N (α, A(i, i))
′
- σϵ2 (T T )−1 est la matrice variance covariance de α̂
- A(i, i) = σϵ2 (α̂i ) est la variance (théorique ou de la population) de α̂i , si σϵ2 est
connue.
Soit T la statistique associée à l’étude de de significativité de α̂i :
H : α̂ = 0
0 i
H1 : α̂i ̸= 0
20
α̂i − 0
T (α̂i ) = √ ∼ ST (n − K)
sd (α̂i ) = Aii
21
22
23
24
25
Comparaison de modèles
Coefficient de détermination :
X
(ŷi − y)2
i Variance expliquée
R2 = X =
(yi − y) 2 Variance Totale
i
2 T −1
Radj = 1 − (1 − R2 )
T −K
T −1
T −K >,Terme d’amplification de de l’erreur non expliqué par le modèle.
Exemple :
Nbre de paramètres R2 R2 ajusté
20−1
m1 2 0.8 1 − (1 − R2 )( 20−2 ) = 0.78
20−1
m2 5 0.75 1 − (1 − R2 )( 20−5 ) = 0.68
26
27
> summary(mod1)
> AIC(mod1)
28
f (t) = α1 t + α2 t2 + α0
29
30
Dans le cas d’une série temporelle avec une composante saisonnière st de période T
paire, l’expression st pourraît être réduite comme suit:
T T
2 2
X 2πi X 2πi
st = βi cos( t) + γi sin( t), t : 1....n
i=1
T i=1
T
31
32