Cours Theorie Pratique de Prevision

I.
Perspective de Prévision
II. Instruments de Prévision
III. Les Méthodes Quantitatives de la Prévision
Théorie et Pratique de Prévision
Bavwidinsi B. Bawawana
Faculté des Sciences Economiques et Gestion

Université de Kinshasa
Année Académique 2018- 2019
Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 1 / 90

I. Perspective de Prévision
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

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

1.1. Importance de Prévision
Il existe un décalage entre la perception d’un besoin ou éveńement

imminent et sa réalisation effective
Lorsque le délai de mise en oeuvre est de courte durée ou inexistant,
la prévision n’est pas nécessaire.
Lorsque le délai de mise en oeuvre est long, et le résultat final de
l’événement est conditionnné par les facteurs identifiables, la prévision
joue un rôle crucial.
La prévision permettra de déterminer quand un événement ou un besoin
se réalisera, ainsi que les actions appropriées qui peuvent être prises.

1.1. Importance de la Prévision
Toute organisation fixe ses objectifs, cherche à prédire les facteurs

environementaux, et choisit les actions lui permettant d’atteindre ses
objectifs.
Le besoin de la prévision s’accroit avec la volonté du management de
réduire sa dépendance au hasard et essaie d’intégrer la science dans la
prise en main de sa destinée en faisant face à son environement.
Comme toutes les branches d’une organisation sont interdépendantes,
une bonne ou mauvaise prévision d’une branche peut affecter
l’organisation dans son entièreté.

1.1. Importance de la Prévision

Quelques domaines où la prevision joue un rôle important :
Ordonnancement : Une utilisation efficiente des ressources nécessite
un bon ordonnancement de la production, personnel, argent liquide,
etc.Pour un ordonnancement adéquat, la prévision du niveau de la
demande des produits, matériels, main-d’oeuvre, finances sont
essentielles.
Acquisition des ressources : le temps nécessaire à l’acquisition des
matières premières, au recrutement du personnel, à l’achat
d’équipements peut varier de quelques jours à plusieurs années.
La prévision est nécessaire pour programmer rationnellement
l’approvisionnement en ressources nécessaires.
Détermination des ressources nécessaires : toute organisation doit
déterminer quelles ressources elle désire avoir à long terme, et ce, en
fonction de ses objectifs. La prévision est nécessaire pour déterminer
les besoins futurs en ressources.
1.1. Importance de Prévision
Afin de bien planifier, l’organisation doit disposer des connaissances et

compéntences qui couvrent au moins quatre domaines :
Identification et définition du problème de prévision ;

Utilisation des différentes méthodes de prévisions ;
Procédure sur la selection des méthodes de prévision appropriées à
une situation particulière (spécifique) ;
Un support organisationnel nécessaire à l’application et l’utilisation
des méthodes formalisées de prévision.

1.2. Bref Aperçu des Techniques de Prévision
Les situations et/ou événements à prévoir varient largement en fonction de

l’horizon temporel, des facteurs qui déterminent les résultats actuels, des
types de comportement (pattern) des données.

1.2. Bref Aperçu des Techniques de Prévision
Les techniques de prévision sont catégorisées en deux groupes :

1 Quantitative : Les données quantitatives sont disponibles et
suffisantes.
I Séries Chronologiques : Prédire la suite du comportement (patterns)
historique des données (exemple : La croissance du chiffre d’affaire
dans le temps, l’évolution du produit interieur brut, etc.)
I Explicative : comprendre comment les variables explicatives affectent la
variable expliquée.
2 Qualitative : Il existe peu ou pas des données quantitatives, mais l’on
dispose suffisament des connaissances qualitatives.
3 Non prévisible : Il existe peu ou pas d’information.

Prévisions Quantitatives
Les prévisions quantitatives ne peuvent être utilisées que si trois conditions

sont remplies :
1 Les informations sur le passé sont disponibles.
2 Ces informations peuvent être quantifiées en terme des données
numériques.
3 Il y a hypothèse que quelques aspects de la tendance passée vont se
reproduire dans le futur (hypothèse de la continuité).

Prévisions Quantitatives
Il y a deux grandes catégories dans la prévision quantitative :

1 Méthodes intuitives ou ad hoc : basées sur les expériences empiriques
qui varient largement d’un domaine à un autre, d’un prévisionniste à
un autre, d’une institution à une autre. Elles sont simples et faciles à
utiliser mais ne sont pas toujours correctes (méthode naïve).
2 Méthodes quantitatives formelles : basées sur les principes
statistiques. Elles impliquent l’extrapolation faite de façon standard
avec l’aide d’une approche systématique qui cherche à minimiser les
erreurs de prévision.

1.2.1 Modèles Explicatifs et Temporels
1 Modèles explicatifs font l’hypothèse que la variable à prevoir exhibe

(montre) une relation explicative avec une ou plusieurs variables.
PNB = f(politiques monetaire et fiscale, inflation, depenses

sur le capital, importation, exportation, Erreur)
2 La prévision par la série temporelle traite le système comme une boite
noire et ne fait aucune tentative de decouvrir les facteurs qui affectent
le système.
PNBt+1 = f (PNBt , PNBt−1 , PNBt−3 , ..., Erreur )

Modèles Explicatifs
1 Le but du modèle explicatif est de découvrir la forme relationnelle et

de l’utiliser pour prédire les valeurs futures de la variable à prévoir.
2 Selon ce modèle, tout changement dans les inputs affectera l’output
du système de façon prédictible, sous l’hypothèse que la relation
explicative reste inchangée.

Modèles Temporels
1 La prévision par les séries chronologiques traite le système comme une

boite noire et ne fait aucune tentative de découvrir les facteurs qui
affectent le système.
2 La prévision est basée sur les valeurs passées de la variable et/ou ses
erreurs passées, mais pas sur les variables explicatives qui peuvent
affecter le système.
3 L’objectif des méthodes de prévision chronologique est de découvrir la
tendance historique des données et d’extrapoler cette tendance dans
le futur.

1.2.2. Prévisions Qualitatives
1 Elles ne nécessitent pas des données de la même façon que les

méthodes quantitatives.
2 Les inputs nécessaires pour ces méthodes dépendent de la specificité
de chaque méthode, et sont principalement le produit du jugement
personnel et des connaissances accumulées à travers le temps, fruit de
l’expérience.
3 Elles sont souvent utilisées pour fournir des indices, aider le
plannificateur, ou comme supplément aux prévisions quantitatives.
4 Elles fournissent des informations utiles aux gestionnaires.

1.3. Les Etapes de Base de Prévision
Il y a essentiellement 5 étapes de base dans le processus de prévision.

1 La Définition du Problème : Elle implique la compréhension profonde
de la façon dont la prévision sera utilisée, qui est le demandeur final
de cette prévision, comment la prévision s’intègre dans l’organisation
ou l’entreprise.
2 Collecte des informations : Il y a deux types d’information à collecter :
I Les données statistiques ;
I L’accumulation des jugements et d’expertises des personnels clés.

1.3 Les Etapes de Base de Prévision
3 Analyse Exploratoire (Préliminaire)

I Faire l’illustration graphique des données pour leur visualisation
effective ;
I Calculer quelques statistiques descriptives simples.
4 Identification et estimation de modèle : chaque modèle est une
construction artificielle. Il est basé sur un ensemble des hypothèses
(explicites ou implicites), et souvent, implique un ou plusieurs
paramètres qui doivent être estimés en utilisant les données
historiques connues.
5 Utilisation et Evaluation du modèle de prévision : une fois que le
modèle ait été judicieusement sélectionné et ses paramètres estimés
proprement, le modèle doit etre utilisé pour faire les prévisions.
I A cette étape, le prévisionniste choisit et ajuste plusieurs modéles et
retient un ou deux modèles.

Instruments de Prévision
1 Séries Chronologiques et Données en Coupe Instatanée

2 Illustrations Graphiques
3 Résumés Chiffrés des Données
4 Mesure de Précision de la Prévision
5 Intervalles de Prédiction
6 Transformations et Ajustement
I Transformations Mathématiques
I L’Ajustement aux Effets de Calendrier
I Ajustement à l’Inflation
I Changement de la Population

2.1. Séries Chronologiques et Données Transversales ou en

Coupe Instantanée.
Les données transversales sont des donneées pour lesquelles la valeur

des unités statistiques sont observées à une date fixe.
exemple : la consommation individuelle au temps t.
Une série temporelle est une suite de valeurs numériques représentant
l’évolution d’une quantité au cours du temps.
exemple : Ventes mensuelles, prix journalier de stock, taux d’intérêt
hebdomadaire, profit annuel.
∗ Faire la prévision revient à estimer comment la séquence d’observations

évolue dans le futur.
∗ Les hypothèses sont :
Les observations dans le temps sont espacées de façon égale.
Quelques aspects du comportement des données continuent
dans le futur.
2.2. L’illustration Graphique des Données
La première tâche à effectuer lors de l’étape exploratoire est la

visualisation des données à l’aide des graphes.
Les caractéristiques de base des données telles que leur comportement
(pattern), les observations atypiques peuvent être vue facilement à
l’aide d’un graphe.
Les graphes peuvent suggérer des explications de certaines variations
des données.
Les types de graphe dépendent essentiellement du type des données.

2.2.1. Graphique Temporel et Comportements des Séries

Chronologiques
Les données sont illustrées à travers le temps.

Le graphique temporel relèvera immediatement la tendance des
données à travers le temps, le comportement saisonnier régulier et
d’autres caractéristiques systématiques des données.
Une étape importante, quant à la selection de la méthode de prévision
appropriée, est de considerer les caractéristiques des données de façon
à choisir la méthode la mieux appropriée aux caractéristiques
qu’affichent le graphique.

2.2.1. Graphique Temporel et Comportement des series

Chronologiques
Les données peuvent afficher quatre types de comportement (pattern) :
Horizontal : Les données fluctuent autour d’une moyenne constante.
Une telle série est dite stationnaire par rapport à la moyenne.
La tendance (Trend) Zt : Représente l’évolution à long terme de la
série. Elle traduit le comportement moyen de la série. La tendance
peut être croissante ou décroissante.
La Saisonnalité (St ) : lorsque la série est influencée par les facteurs
saisonniers (ex. un semestre, mois, ou bien un jour spécifique de la
semaine).
Le Cycle : lorque le phénomène se répète aux intervalles de temps
irréguliers et générallement plus longs. Sans information spécifique, il
est trés difficile de dissocier la tendance et le cycle.

2.2.2. Graphiques Saisonniers
Lorsque les donneés affichent un comportment saisonnier, il est important

de faire une illustration graphique de la saisonnalité.
Le graphique saisonnier est comme un graphique temporel avec la

particularité que chaque saison est illustreé individuellement.
Le graphique saisonnier permet de bien visualiser le comportement
saisonnier.

2.2.3. Graphique en Nuage des Points (scatterplot)
Lorsque les donneés ne sont pas temporelles, l’illustration par un

graphique temporel ou saisonnier n’est plus appropriée.
Le graphique en nuage des points aide à visualiser la relation entre
deux variables, la variable à prévoir et sa variable explicative ou ses
variables explicatives. Il facilite également le choix du modéle
explicatif (linéaire, quadratique, etc.)

2.3 Résumés Chiffrés des données
En plus des illustrations graphiques, il est utile de fournir aussi les résumés
chiffrés des données.

2.3.1 Statistiques Descriptives des Données Univariées
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
où X̄ et Ȳ sont les moyennes de X et Y, et n est le nombre

d’observations.
L’unité de mesure de la covariance est très problématique et parfois
difficile à interpreter. L’amplitude de la covariance dépend des unités
en présence.

2.3.2. Statistiques Descriptives des Données Bivariées
Le Coefficient de corrélation est une mesure spéciale de la covariance

qui prend soin du problème d’echelle.
(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.

2.3.3 Coefficients d’Autocorrélation et Corrélograme
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

t Yt Yt−1 Yt−1 (Yt − Ȳ ) (Yt−1 − Ȳ ) (Yt − Ȳ )2 (Yt − Ȳ )(Yt−1 − Ȳ ) (Yt − Ȳ )(Yt−2 −
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.
2.4. Mesures de Précision de Prévision
La précision est souvent considerée comme un critère de choix à la

sélection d’une méthode de prévision.
La précision se réfère à la bonté du modèle (Goodness-of-fit).
La bonté d’un modèle fait allusion à l’ajustement du modèle aux
données, en d’autres termes comment, le modèle est capable de
reproduire les données observées.

2.4.1. Mesures Statistiques Standards
Soit Yt l’observation à la période t et Ft la prévision à la même période.

Nous définissons l’erreur t = Yt − Ft
n
1 P
L’Erreur Moyenne (ME) ¯ = n t
t=1
n
1
|t |
P
L’Erreur Absolue Moyenne (MAE) = n
t=1
n
1
(t )2
P
L’erreur Quadratique Moyenne (EQM) (MSE) = n
t=1
La taille de ces différentes mesures dépend de l’échelle des données. Ainsi,
elles ne facilitent pas la comparaison entre différentes séries et aux
différents intervalles de temps.

2.4.1 Mesures Statistiques Standards
Pour faciliter la comparaison, nous faisons appel aux mesures d’erreurs

relatives ou en percentage.

L’Erreur relative ou en pourcentage PEt = YtY−F t
t
× 100.
Ces deux mesures relatives sont les plus utilisées :
I L’erreur Moyenne en Pourcentage
n
1X
MPE (Mean Percent Error) = (PEt )
n t=1
I L’Erreur Absolue Moyenne en Pourcentage
n
1X
MAPE (Mean Absolute Percent Error) = (|PEt |)
n t=1

2.4.3. Mesure de Précision Hors l’Echantillon
L’ensemble des données est divisé en deux sous-ensembles :

1 Données d’initialisation
2 Données de contrôle
Les données d’initialisation servent à initialiser la méthode et à
estimer les paramètres.
Les données de contrôle servent à faire la prévision.

2.4.4. Coefficient d’inégalité de Theil
Un autre indicateur statistique fréquemment utilisé est le coefficient

d’inégalité de Theil.
Il est basé sur une comparaison des écarts prévisionnels avec les écarts
observés. Il est défini par
v
u n (F −Y )2
uP
t t t
t=1
t
U =v v
u n u n Y2
uP uP
t Ft2 t t
t=1 t=1
t + t
où 0≤ U ≤ 1.
Le numerateur est la RMSE alors que le dénominateur est la somme
des racines carrées des moyennes des carrées des prévisions et des
réalisations.
2.4.4 Coefficient d’inégalité de Theil
Une autre variante du coefficient d’inégalité de Theil.

Il est basé sur une comparaison de la méthode naïve avec une
méthode formelle de prévision quelconque.
Le résultat relatif au coefficient de Theil du paquet “forecast” sera
basé sur cette variante.
v
u n−1
u P Ft+1 −Yt+1 2
u
u t=1 Yt
U =u
u n−1 2
t P Yt+1 −Yt
Yt
t=1
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

2.4.5. ACF des Erreurs de Prévision
La fonction d’autocorrélation (ACF) des erreurs de prévision peut être

utilisée pour étudier le comportement des erreurs de prévision.
Les erreurs de prévision corrélees nous informent que le modèle
selectionné n’a pas capturé toutes les informations pertinentes (il y a
une partie déterministe dans les erreurs).

2.5. Intervalles de Prédiction
L’hypothèse dans la construction d’un intervalle de prédiction est que

les erreurs de prévision suivent une loi normale de moyenne zéro et de
variance σ 2 , t ∼ NID(0, σ 2 ).
L’intervalle de la prévision est donnée par l’équation suivante :
√
Fn+1 ± z(1− α2 ) MSE
où z est la valeur du percentile d’une loi normale de moyenne 0 et de

variance σ 2 , associé à (1 − α) intervalle de confiance.

2.6 Transformations et Ajustements
L’ajustement et/ou la transformation des données historiques peuvent

conduire au choix d’un modèle de prévision simple et facile.

2.6.1 Transformations Mathématiques
Si les données montrent des variations liées aux différents niveaux de

la série, alors une transfomation peut être utile dans le but d’annuler
ces variations.
La transformation Box-Cox est une famille de transformations
mathématiques incluant les transformations logarithmiques et les
power ( transformations (transformations par la puissance)
log(yt ) si λ = 0;
Wt =
(ytλ − 1)/λ autrement.
Une fois que la transformation ait été choisie et les prévisions produites,
nous devons retransformer les prévisions pour les exprimées en terme des
valeurs
( originales.
e wt si λ = 0;
yt = 1
(λwt + 1) λ autrement.

2.6.3 Caractéristique du power transformation
Si certaines valeurs de Yt sont inférieures à zéro, aucune

transformation n’est possible à moins d’ajuster toutes les observations
en ajoutant une valeur constante à leurs valeurs originales.
Choisir une valeur λ simple. Ce choix facilitera l’interprétation.
Souvent aucune transformation n’est nécessaire.
Quelquefois la transformation a un impact négligeable sur les
prévisions mais son effet est considérable sur l’intervalle de prédiction.

2.6.3 Ajustements aux Effets de Calendrier
Quelquefois les variations des séries chronologiques sont due à la variation

du nombre des jours du mois.
La durée du mois peut avoir un impact considérable car elle peut
varier de 10%, soit ( 31−28
30 ).
Les valeurs de la série peuvent être ajustées comme suit :
nombre de jours du mois

Wt = Yt ×
nombre de jours du mois t
365.25/12
Wt = Yt ×
nombre de jours du mois t

2.6.3 Ajustements aux Effets de Calendrier
Ajustement Jour de Bourse : Dans les marches boursiers, les jours

sont classifiés comme ouvert ou fermé, et tous les jours ouvrables ont
les memes effets. Les valeurs de la série peuvent etre ajustées comme
suit :
nombre de jours ouvrables du mois standard

Wt = Yt ×
nombre de jours ouvrable du mois t
où Yt est déjà ajusté pour la durée du mois et transformé si nécessaire.

2.6.4 Ajustements à l’Inflation et au Changement de la

Population
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.).

Les Méthodes Quantitatives de la Prévision
1 Scénario de Prévision
I Stratégie d’Evaluation de la Prévision
2 Méthodes Naïves
I Méthode Naïve Simple
I Drift Méthode
I Méthode Naïve Saisonnière

3 Méthodes par la Moyenne
I La Moyenne
I La Moyenne Mobile
4 Méthodes de Lissage Exponentiel
I Méthode de Lissage Exponentiel Simple
I Méthode de Lissage Exponentiel Simple avec Taux de Réponse Adaptatif

I Méthode de Lissage Exponentiel de Holt
F Méthode de Lissage Exponentiel Linéaire de Holt
F Méthode de la Tendace Exponentiel de Holt
I Méthodes de Lissage Exponentiel de Holt-Winter
F Saisonnalité Multiplicative
F Saisonnalité Additive
3.1 Le Scénario de Prévision
Le Scénario de Prévision

3.1 Le Scénario de Prévision

1 Etape 1 :
I Choisir une série chronologique à analyser.
I Diviser la série en deux :
F Données d’initialisation (training set)
F Données de contrôle (Test test)
2 Etape 2 :
I Chosir la méthode de prévision
3 Etape 3 :
I Initialiser la méthode à l’aide des données d’initialisation.
4 Etape 4 :
I A l’aide des données de contrôle, faire la prévision.
I Tester la prévision (MAPE, MSE, ect.)
I Optimiser les valeurs des paramétres.
5 Etape 5 :
I Décision sur l’évaluation du modèle.
I Avantages et inconvenients.
I Application potentiel.
3.2. Méthodes Naïves
Méthodes Naïves Simples

Drift Méthodes
Méthodes Naïves Saisonnières

3.2.1. Méthodes Naïves Simples
La prévision au temps t + 1 est obtenue à partir des valeurs

historiques de la variable à prévoir.
La prévision actuelle est faite à l’aide des observations antérieures
sans examen préalable du comportement des données ou des
interactions (relations) avec d’autres variables.
La prévision de la valeur future est égale à la valeur précédente de la
variable à prevoir.
Ft+1 = Yt (1)
où
Yt est la variable obsevée au temps t,
Ft+1 est la prévision au temps t + 1.

3.2.2. Drift Méthodes
Est une Variante de la méthode naïve qui permet aux valeurs de

prévision de varier à travers le temps.
Ce changement à travers le temps est appelé “Drift”, et est égale à la
moyenne de la différence des données historiques.
La prévision au temps t + h sera donnée par :
T
h X Yt − Y1

Ft+h = Yt + (Yt − Yt−1 ) = Yt + h (2)
T − 1 t=2 t −1
où
Yt est la variable obsevée au temps t,
Ft+h est la prévision à l’horizon h.

3.2.3. Méthodes Naïves Saisonnières
Le prévision au temps t + h sera égale à la dernière valeur de la même

saison de l’année. (Ex. données annuelles ; le même mois de l’année
précédente).
La prévision Ft+h sera égale à :
Ft+h = yt+h−km (3)
où
m est la saison (durée de la saison),
k = x(h − 1)/my + 1,
xuy représente la partie entière de u.

3.3. Méthodes par la Moyenne
3.3.1. La moyenne simple

3.3.2. La moyenne mobile simple

3.3.1. La Moyenne
La moyenne est un estimateur qui minimise l’erreur quadratique

moyenne (MSE).
Pour être optimale comme instrument de prévision, les données
doivent être stationnaires.
Les données sont stationnaires si le processus le générant est en
équilibre autour d’une valeur constante et que la variance autour de la
moyenne reste constante.

3.3.1. La Moyenne
Si les donnees sont stationnaires, la moyenne comme prévision sera

égale à :
t
1X
Ft+1 = Yi (4)
t i=1
Quand l’observation Yt+1 devient disponible, la prévision à la période
t + 2 est la nouvelle moyenne
1 t+1
X
Ft+2 = Yi (5)
t + 1 i=1

3.3.1. La Moyenne
Pour que la moyenne soit un bon instrument de prévision, les valeurs

observées Yt ne doivent pas avoir :
1 une tendance perceptible ;
2 une saisonnalité perceptible.
Le grand obstacle à l’utilisation de cette méthode est l’improbabilité
de l’hypothèse de la stationarité des séries à prévoir.

3.3.2. La Moyenne Mobile
Une façon de modifier les données passées de la moyenne comme

instrument (outil) de prévision est de préciser, dès le début, combien
d’observations passées seront incluses dans la moyenne.
La moyenne mobile d’ordre k, ou MA(k), est égale à :
t
1 X 1
Ft+1 = Yi = (Yt + Yt−1 + Yt−2 + · · · + Yt−k+1 ) (6)
k i=t−k+1
k

Caractéristiques de la Moyenne Mobile
N’a besoin que de k dernières observations.

Le nombre d’observations de chaque moyenne reste constant.
La moyenne mobile d’ordre 1, MA(1) est équivalente à la méthode
naïve Ft+1 = yt .
La moyenne mobile d’ordre n, MA(n) est équivalente à la moyenne.

Prévision par la Moyenne Mobile : Inconvenients
Les méthodes de la moyenne mobile ne peuvent manipuler ni la

tendance et ni la saisonnalité.
Nécessite un stockage important parceque toutes les k dernières
observations doivent être stockées.

3.3.1. Méthode de la Moyenne Mobile
Le choix de la valeur k influencera la valeur de prévision.

I Lorsque la valeur de k est faible(petite), la moyenne mobile suivra le
comportement (pattern) des données mais cette prévision sera en
retard par rapport au comportement réel de la série, décallant d’une ou
de plusieurs périodes.
I Lorsque la valeur de k est grande, la moyenne sera plus lissée.

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 .

Ft+2 est simplement un ajustement de la prévision précédente Ft+1 .

Cet ajustement est d’ordre k1 de la différence entre Yt+1 et Yt−k+1 .
1
Ft+2 = Ft+1 + (Yt+1 − Yt−k+1 )
k

3.4. Méthodes de Lissage Exponentiel.
Une extension logique à la méthode de moyenne mobile simple est la

moyenne mobile ponderée.
En moyenne mobile simple, k observations etaient utilisées pour les
prévisions, ceci implique un poids égale de k1 pour les k observations.
Les méthodes de lissages exponentiels sont des méthodes qui
assignent les poids exponentiellement décroissants aux observations
en fonction de leurs éloignements (distances) dans le temps.
La propriété commune de toutes les méthodes de lissages exponentiels
est d’assigner, aux valeurs récente de la série, un poids relativement
élevé.

3.4.1. Méthode de Lissage Exponentiel Simple (LES)

(SES)
La méthode de LES considère la prévision de la période précédente et

l’ajuste à l’aide de l’erreur de prévision.
Ft+1 = Ft + α(Yt − Ft ) (7)
où 0 < α < 1.


(SES)
Si α est proche de 1, la nouvelle prévision ajuste significativement

l’erreur précécente. A l’inverse, si α est proche de 0, la nouvelle
prévision procède à un faible ajustement.
L’effet d’α (grande ou petite) est complétement analogue (à l’inverse)
à l’effet de k dans le calcul de la MA(k)
Toutes les méthodes de lissage exponentiel ont un problème
d’initialisation. :
I si α est proche de zéro, la procédure d’initialisation joue un rôle
important pendant plusieurs périodes.
I si le paramétre α n’est pas proche de zéro, l’influence de la procédure
d’initialisation devient de moins à moins significative à travers le temps.


(SES)
L’equation 7 peut s’écrire de la façon suivante :
Ft+1 = αYt + (1 − α)Ft (8)
La prévision (Ft+1 ), est la pondération de l’observation la plus

récente, (Yt ), avec un poids α et de la plus récente prévision avec un
poids de 1 − α.

3.4.1. Méthode de Lissage Exponentiel Simple (LES) (SES)
La méthode LES résout substantiellement le problème de stockage

evoqué précédemment. Il n’est plus nécessaire de stocker toutes les
observations passées ou un sous-ensemble des données, seulement
l’observation la plus récente, la prévision la plus récente et la valeur
d’α.


(SES)
L’équation 8 peut être exprimée en fonction (terme) des données passées.

Ft+1 = αYt + (1 − α) αYt−1 + (1 − α)Ft−1
= αYt + α(1 − α)Yt−1 + (1 − α)2 Ft−1 (9)
De manière analogue, en remplacant Ft−1 par ses composantes, Ft−2 par

ses composantes et ainsi de suite, l’on obtient :
Ft+1 = αYt +α(1−α)Yt−1 +α(1−α)2 Yt−2 +· · ·+α(1−α)t−1 Y1 +(1−α)t F1 (10)
Ft+1 représente la moyenne mobile pondérée des toutes les valeurs passées.


(SES)
La somme de toutes les pondérations α (1 − α)s s’approchera de 1.

Soit SN , une suite géométrique de terme initial non nul a ∈ R et de
raison q, la série SN converge si et seulement si |q| < 1.
∞
a
aq n convergera vers
P
Lorsque N → ∞ et |q| < 1, la suite SN = 1−q .
n=0
∞
Ainsi, lorsque t → ∞, St = α(1 − α)t , avec (1 − α) < 1,
P
t=0
α α
convergera vers 1−(1−α) = α = 1.

3.4.1. Méthode de Lissage Exponentiel Simple
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.

Quelques difficultés du LES :

I La recherche d’α optimal : le minimum MSE doit être trouvé par essai
et erreur.

L’hypothèse retenue est que l’horizon de la prévision est d’une période

à l’avance.
Pour les horizons plus longs, l’hypothèse est que la prévision est une
constate.
Ft+h = Ft+1 , h = 2, 3, 4, · · ·

3.4.2. Méthode de Lissage Exponentiel Simple avec Taux

de Réponse adaptatif
(Adaptative-Response-Rate single exponential smoothing (ARRSES))

La méthode de lissage exponentiel simple (LES) nécessite la
spécification de la valeur α, et il est montré que ce choix dépend de la
mesure de précision retenue (la MAPE ou la MSE).
L’ARRSES à l’avantage sur le LES du fait qu’il permet une
modification contrôlée d’α en réponse au changement dans le
comportement de la série.


(Adaptative-Response-Rate single exponential smoothing (ARRSES))
L’équation de base de la prévision avec la méthode ARRSES est identique
à l’équation 8, excepté que α est remplacée par αt .
Ft+1 = αt Yt + (1 − αt )Ft (11)
At
où αt+1 = Mt
At = βEt + (1 − β)At−1 (12)

Mt = β Et + (1 − β)Mt−1 (13)
Et = Yt − Ft (14)


At , équation 12, est la valeur estimée de l’erreur de prévision lissée.

Elle est une moyenne ponderée de At−1 et de la dernière erreur de
prévision, Et .
Mt , équation 13, est la valeur estimée de la valeur absolue de l’erreur
de prévision, calculée comme la moyenne ponderée de Mt−1 et de la
valeur absolue de la dernière erreur de prévision, Et .


L’initialisation de l’ARRSES est plus compliquée que les LES.

L’initialisátion peut se faire de la manir̀e suivante :
F2 = Y1
α2 = α3 = α4 = β où 0 < β < 1
A1 = M1 = 0


En résumé :
La méthode de ARRSES est semblable à la méthode de LES à la
seule différence que la valeur l’α est systématiquement et
automatiquement changée d’une période à une autre afin de suivre
l’évolution du comportment des données.
Pour contrôler la variation d’αt :
I la valeur de β doit être contrôlée. Plus petite est la valeur de β, plus
faible seront le changement d’αt
I déterminer une borne supérieure qui fixe la limite du changement d’αt
d’une période à une autre.
Bien que les prévisions par la méthode ARRSES sont moins précises
comparées à celle de LES, avec un α optimal, elle est préferée à la
méthode de LES parcequ’elle réduit le risque des erreurs.

L’utilisation de la méthode ARRSES nécessite que les données n’exhibent

aucune tendance, ni saisonnalité.

3.4.3. Méthode de Lissage Exponentiel Linéaire de Holt
Holt (1957) à fait l’extension du LES pour permettre la prévision des

données avec tendace mais sans saisonnalité.
Lissage exponentiel linéaire de Holt fait appel à deux constantes de
lissage α et β (0 < α, β < 1), deux équations de lissage et une
équation de prévision.

3.4.3.1 Méthode de Lissage Exponentiel Linéaire de Holt

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

3.4.3.1. Méthode de Lissage Exponentiel Linéaire de Holt
L’équation 15 ajuste Lt directement pour la tendance t de la période

précédente bt−1 en l’ajoutant à sa dernière valeur lissée Lt−1 . Ceci
élimine le décalage et ramène Lt au niveau approximative de sa valeur
courante.
l’équation met à jour (exergue) la tendace, qui est exprimée comme la
différence entre deux dernières valeurs lissées (si la série à une
tendance, les nouvelles valeurs seront supérieures ou inférieures aux
valeurs précédentes).

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)
Trouver la pente de la tendace b1.

Y4 − Y1

b1 = Y2 − Y1 ou b1 = (19)
3

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.

3.4.3.2. Méthode de Tendance Exponentielle de Holt
Elle est une variante de la méthode de lissage exponentiel de Holt où le

niveau et la tendance sont multipliés au lieu d’être additionnées.

Lt = αYt + (1 − α) Lt−1 × bt−1 (20)
Lt
bt = β + (1 − β)bt−1 (21)
Lt−1
Ft+m = Lt × btm (22)
où
bt est le taux de croissance à l’époque t

3.4.3.2. Méthode de Tendance Exponentielle de Holt
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)
Le taux de croissance initial b1.

Y2
b1 = (24)
Y1

3.4.4. Méthode de Lissage Exponentiel de Holt-Winters
Holt (1957) et Winters (1960) ont fait une extension de la méthode

du lissage exponentiel de Holt pour saisir (capturer) la saisonnalité.
Cette méthode fait appel à 3 équations de lissage, 3 paramètres de
lissage α, β, et λ 0 < α, β, λ < 1.
s dénote la période dans une saison. Exemple, pour les données
trimestrielle s = 4 et pour les données annuelles, s = 12.

3.4.4. Méthode de Lissage Exponentiel de Holt-Winters
Il y a deux façons de spécifier la saisonnalité par la Méthode de Lissage

Exponentiel de Holt-Winters.
Saisonnalité Additive
I Le modéle additif est préféré lorsque les variations saisonnières sont à
peu près constantes à travers le temps.
Saisonnalité Multiplicative
I le modèle multiplicatif est préféré lorsque les variations saisonnières
changent proportionnellement au niveau de la série.

3.4.4.1. Méthode de Lissage Exponentiel de Holt-Winters

Saisonnalité Multiplicative
Yt

Lt = α + (1 − α) Lt−1 + bt−1 (25)
St−s

bt = β Lt − Lt−1 + (1 − β)bt−1 (26)
Yt
St = γ + (1 − γ)St−s (27)
Lt

Ft+m = Lt + bt m St−s+m (28)
où Lt est le niveau de la série à l’époque t,

bt est la pente de la tendace à l’époque t,
St est le niveau de la saisonnalité,
s
P
avec St = s, et s est la périodicité de la saisonnalité.
t=1
3.4.4.1. Méthode de Lissage Exponentiel de Holt-Winters :

Initialisation de la Saisonnalité Multiplicative
Il y a lieu d’initialiser la tendace et le niveau de la série à la période s.
1

Ls = Y1 + Y2 + · · · + Ys−1 + Ys (29)
s
L’équation 29 est un MA(s) qui élimine la saisonalité de la série.
Pour initialiser la tendance, il est préferable de considérer deux saisons
completes.
" #
1 (Ys+1 − Y1 ) (Ys+2 − Y2 ) (Ys+s−1 − Ys−1 ) (Ys+s − Ys )
bs = + +· · ·+ + (30)
s s s s s
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
3.4.4.2. Méthode de Lissage Exponentiel de Holt-Winters

Saisonnalité Additive

Lt = α Yt − St−s + (1 − α) Lt−1 + bt−1 (32)

bt = β Lt − Lt−1 + (1 − β)bt−1 (33)

St = γ Yt − Lt + (1 − γ)St−s (34)
Ft+m = Lt + bt m + St−s+m (35)

où
bt est la pente de la tendace à l’époque t
St est le niveau de la saisonnalité
s
P
avec St = 0, et s est la périodicité de la saisonnalité.
t=1
3.4.4.2. Méthode de Lissage Exponentiel de Holt-Winters :

Initialisation de la Saisonnalité Additive
Les valeurs initiales de Ls et bs sont identiques à celles de la méthode

multiplicative.
Les indices saisonniers sont initialisés comme la différence entre les

toutes premières observations et la moyenne et la première année.
S1 = Y1 − Ls , S2 = Y2 − Ls , · · · , Ss−1 = Ys−1 − Ls , Ss = Ys − Ls (36)

Cours Theorie Pratique de Prevision

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Theorie Pratique de Prevision

Transféré par

Droits d'auteur :

Formats disponibles

I.

Théorie et Pratique de Prévision

Faculté des Sciences Economiques et Gestion

Année Académique 2018- 2019

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 1 / 90

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 2 / 90

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 3 / 90

1.1. Importance de Prévision

Il existe un décalage entre la perception d’un besoin ou éveńement

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 4 / 90

1.1. Importance de la Prévision

Toute organisation fixe ses objectifs, cherche à prédire les facteurs

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 5 / 90

1.1. Importance de la Prévision

1.1. Importance de Prévision

Afin de bien planifier, l’organisation doit disposer des connaissances et

Identification et définition du problème de prévision ;

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 7 / 90

1.2. Bref Aperçu des Techniques de Prévision

Les situations et/ou événements à prévoir varient largement en fonction de

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 8 / 90

1.2. Bref Aperçu des Techniques de Prévision

Les techniques de prévision sont catégorisées en deux groupes :

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 9 / 90

Les prévisions quantitatives ne peuvent être utilisées que si trois conditions

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 10 / 90

Il y a deux grandes catégories dans la prévision quantitative :

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 11 / 90

1.2.1 Modèles Explicatifs et Temporels

1 Modèles explicatifs font l’hypothèse que la variable à prevoir exhibe

PNB = f(politiques monetaire et fiscale, inflation, depenses

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 12 / 90

1 Le but du modèle explicatif est de découvrir la forme relationnelle et

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 13 / 90

1 La prévision par les séries chronologiques traite le système comme une

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 14 / 90

1.2.2. Prévisions Qualitatives

1 Elles ne nécessitent pas des données de la même façon que les

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 15 / 90

1.3. Les Etapes de Base de Prévision

Il y a essentiellement 5 étapes de base dans le processus de prévision.

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 16 / 90

1.3 Les Etapes de Base de Prévision

3 Analyse Exploratoire (Préliminaire)

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 17 / 90

1 Séries Chronologiques et Données en Coupe Instatanée

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 18 / 90

2.1. Séries Chronologiques et Données Transversales ou en

Les données transversales sont des donneées pour lesquelles la valeur

∗ Faire la prévision revient à estimer comment la séquence d’observations

2.2. L’illustration Graphique des Données

La première tâche à effectuer lors de l’étape exploratoire est la

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 20 / 90

2.2.1. Graphique Temporel et Comportements des Séries

Les données sont illustrées à travers le temps.

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 21 / 90

2.2.1. Graphique Temporel et Comportement des series

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 22 / 90

2.2.2. Graphiques Saisonniers

Lorsque les donneés affichent un comportment saisonnier, il est important

Le graphique saisonnier est comme un graphique temporel avec la

Bavwidinsi B. Bawawana Théorie et Pratique de Prévision 23 / 90

2.2.3. Graphique en Nuage des Points (scatterplot)