Académique Documents
Professionnel Documents
Culture Documents
Perspective de Prévision
II. Instruments de Prévision
III. Les Méthodes Quantitatives de la Prévision
Bavwidinsi B. Bawawana
1 Livres :
1 Makradakis S. et al. (1998),Forecasting Methods and Applications,
3rd edition, Wiley & Sons.
2 Hyndman R. et Athanasopoulos G. (Avril 2014), Forecasting :
Principles and Practice, OTEXTS.COM.
3 Kamiantako M. Cours de Théorie et Pratique de Prévision, Université
de Kinshasa, Faculté des Sciences Economiques et des Gestions.
2 Logiciels :
1 Microsoft Excel
2 Programme Statistique R
I. Perspective de Prévision
1 Importance de Prévision
I Importance de Prévision
2 Bref Aperçu des Techniques de Prévision
I Prévision Quantitative
I Prévision Qualitative
3 Etapes de Base dans la Tâche de Prévision
I Définition du Problème
I Collecte des informations
I Analyse exploratoire (Préliminaire)
I Identification et Estimation du Modèle
I Utilisation et Evaluation du Modèle de Prévision
Prévisions Quantitatives
Prévisions Quantitatives
Modèles Explicatifs
Modèles Temporels
Instruments de Prévision
En plus des illustrations graphiques, il est utile de fournir aussi les résumés
chiffrés des données.
Pour les données univariés, les statistiques descriptives les plus utilisées
sont :
1 P
La Moyenne Ȳ = n yi
1
S2 (yi − Ȳ )2
P
La Variance = n−1
q
1
(yi − Ȳ )2
P
l’écart type S = n−1
Pour les données bivariés, les statistiques descriptives les plus utilisées
sont :
La Covariance mesure comment deux variables “co-varie”
2 1 X
Covxy = Sxy = (xi − X̄ )(yi − Ȳ )
n−1
(xi − X̄ )(yi − Ȳ )
P
covxy
rxy = = qP qP
Sx Sy (xi − X̄ )2 (yi − Ȳ )2
où -1 ≤ r ≤ 1
La corrélation mesure l’association linéaire entre deux variables.
L’Auto-Covariance
n
1 X
Ck = (Yt − Ȳ )(Yt−k − Ȳ )
n t=k+1
le coefficient d’autocorrélation
n
(Yt − Ȳ )(Yt−k − Ȳ )
P
t=k+1
rk = n
(Yt − Ȳ )2
P
t=1
où -1 ≤ rk ≤ 1
1 60 - - 7 - 49 - -
2 43 60 - -10 7 100 -70 -
3 67 43 60 14 -10 196 -140 98
4 50 67 43 -3 14 9 -42 30
5 56 50 67 3 -3 9 -9 42
6 42 56 50 -11 3 121 -33 33
318 484 -294 203
Ȳ = 3186 = 53,
Autocovariance lag 1 = −294 203
6 = −49, lag 2 = 6 = 33.83
Autocorrélation lag 1 = − 294 203
484 = −0.607, lag 2 = 484 = 0.419
L’ensemble des coefficients d’autocorrélation à l’intervalle
1, 2, 3, · · · , t forme la fonction d’autocorrélation (ACF). Le graphique
associé à cette fonction est le corrélogramme.
Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 30 / 90
I. Perspective de Prévision
II. Instruments de Prévision
III. Les Méthodes Quantitatives de la Prévision
Si
U=1 : La méthode naïve est aussi bonne que la technique formelle de prévision
U<1 : La technique formelle utilisée est meilleure que la méthode naïve.
U>1 : La méthode naïve est meilleure que la technique formelle de prévision
Une source de variation qui peut affecter les séries chronologiques est
l’effet de l’inflation et du changement de la population.
1 Ajustements à l’inflation : L’approche standard est d’exprimer les
données en terme d’une autre valeur de référence équivalente à une
année précise. Exemples : valeur de l’année 1980, PIB en valeur
constante au lieu du PIB en valeur courante.
2 Ajustements à la population : Les données qui sont influencées par
la population peuvent être transformées pour tenir compte de l’effet
de variation de la population.
I Ces données peuvent être exprimées en terme de “par habitant”(ou par
100 habitants, par mille habitants, etc.).
1 Scénario de Prévision
I Stratégie d’Evaluation de la Prévision
2 Méthodes Naïves
I Méthode Naïve Simple
I Drift Méthode
Le Scénario de Prévision
où
Yt est la variable obsevée au temps t,
Ft+h est la prévision à l’horizon h.
où
m est la saison (durée de la saison),
k = x(h − 1)/my + 1,
xuy représente la partie entière de u.
3.3.1. La Moyenne
3.3.1. La Moyenne
1 t+1
X
Ft+2 = Yi (5)
t + 1 i=1
3.3.1. La Moyenne
Le terme moyenne mobile est utilisé parce qu’une fois qu’une nouvelle
observation devient disponible, la nouvelle moyenne est calculée en
laissant tomber la plus vielle observation et en incluant la nouvelle.
De façon algébrique,
Yt + Yt−1 + · · · + Yt−k+1
Ft+1 =
k
Yt+1 + Yt + · · · + Yt−k+2
Ft+2 =
k
Comparant Ft+1 et Ft+2 , nous avons laissé tomber la valeur Yt−k+1
au profit de la nouvelle observation disponible Yt+1 .
1
Ft+2 = Ft+1 + (Yt+1 − Yt−k+1 )
k
où 0 < α < 1.
Ft+1 représente la moyenne mobile pondérée des toutes les valeurs passées.
Il est habituel d’optimiser la MSE parce qu’il est une fonction lissée
d’α, et il est plus facile de trouver la valeur α qui minimise cette
valeur.
Il est aussi possible d’optimiser d’autres mesures de précision telle que
la MAPE.
L’optimum α peut être différent lorsque l’objectif est de minimiser la
MAPE.
At
où αt+1 = Mt
Lt = αYt + (1 − α) Lt−1 + bt−1 (15)
bt = β Lt − Lt−1 + (1 − β)bt−1 (16)
Ft+m = Lt + bt × m (17)
où
Lt est le niveau de la série à l’époque t
bt est la pente de la tendace à l’époque t
Initialisation
Le procédure d’initialisation de la méthode Linéaire de Holt nécessite
l’initialisation de :
Valeur initiale de la moyenne de la série L1
L1 = Y1 (18)
Initialisation
Le procédure de la méthode Linéaire de Holt nécessite 2 paramètres :
α et β sont choisis en minimisant les valeurs de MSE ou d’autres
critères.
Elles peuvent être choisies à l’aide d’un algorithme d’optimisation
non-linéaire.
Lt
bt = β + (1 − β)bt−1 (21)
Lt−1
Ft+m = Lt × btm (22)
où
Lt est le niveau de la série à l’époque t
bt est le taux de croissance à l’époque t
Initialisation
Le procédure de la méthode de tendance exponentielle de Holt nécessite
l’initialisation de :
Valeur initiale de la moyenne de la série kL1.
L1 = Y1 (23)
Yt
St = γ + (1 − γ)St−s (27)
Lt
Ft+m = Lt + bt m St−s+m (28)
Les indices saisonniers sont initialisés avec les ratios des toutes premières
observations avec les valeurs moyennes de la première année, de manière
suivante :
Y1 Y2 Ys−1 Ys
S1 = , S2 = , · · · , Ss−1 = , Ss = (31)
Ls Ls Ls Ls
Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 88 / 90
I. Perspective de Prévision
II. Instruments de Prévision
III. Les Méthodes Quantitatives de la Prévision