Les Séries Chronologiques Gourch

Statistiques
Les Séries chronologiques
A. GOURCH
FSJE DE C ASABLANCA
2011-2012
A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 1 / 71

I. Généralités

I. Généralités : Les Séries chronologiques
1. Définition
Une série chronologique (ou chronique) est une suite d’observations
relevées au cours du temps et indexées par un ensemble
ordonné dans T = {t1 , . . . , tn } .
Notation :
Si t1 , . . . , tn sont les n-instants successifs d’observations, et yi la valeur
mesurée à l’instant ti , on note la série chronologique par :
{yt }t∈T avec T = {t1 , . . . , tn }.

Remarques :
1 Suivant la nature du problème étudié le temps peut être exprimé

en jours, en mois, trimestres ou années ;
2 Une série chronologique peut s’écrire comme une statistique
bidimensionnelle
(ti ; yti )i=1,...,n
3 Graphiquement, le temps est reporté sur l’axe des abscisses,
et les mesures {yt }t∈T sont reportées sur l’axe des ordonnées.

L’objectif de l’étude des séries chronologiques est double :

1 L’analyse d’un phénomène temporel en mettant en évidence
essentiellement la tendance générale et les fluctuations
saisonnières ;
2 L’élaboration d’un modèle permettant de faire de la prévision à
court terme.
Voici quelques exemples de séries évoluant en fonction du temps dans

différents domaines :

I. Généralités : Les Séries chronologiques :

En Economie : Evolution d'indices (INSEE, chambre de commerce, bourse, ...),
consommation d'un bien……….
En Démographie : Population urbaine, rurale, d'un pays, comportement des familles : mariages, naissance……


En Epidémiologie : Syndromes grippaux, tests VIH……
Météorologie : Pluie, température, débit des cours d'eaux….

Exemple : Voici une série chronologique (source Statec) indiquant

le nombre de victimes dans des accidents de la route au Luxembourg :
Année Nombre de Année Nombre de

victimes victimes
1970 2497 1991 1725
1980 2380 1992 1725
1981 2239 1993 1720
1982 2034 1994 1616
1983 2193 1995 1730
1984 2185 1996 1609
1985 2075 1997 1559
1986 2062 1998 1575
1987 1749 1999 1588
1988 1946 2000 1331
1989 1914 2001 1246
1990 1846

Cette série chronologique peut être représentée graphiquement de la façon suivante :

2. Les fluctuations (composantes) d’une Série

Chronologique :
Les fluctuations d’une série chronologique sont le fruit de la
composition de plusieurs composantes. Ces dernières se nomment :
Le mouvement de tendance générale ou trend ou la

composante générale représente l’évolution à long terme de la
série {yt } étudiée, débarrassée de ses fluctuations aléatoires :
elle exprime une tendance durable à la croissance ou à
la décroissance (mouvement de longue durée descendant).
Les mouvements cycliques sur une grande période autour du

trend. Ces mouvements peuvent être périodiques. Par exemple :
récession et expansion économique, etc.
2. Les fluctuations (composantes) d’une Série

Chronologique :
Les composantes (les mouvements) saisonnièr(e)s ou
saisonalité sont des variations se reproduisant périodiquement à
des moments bien déterminés (intervalles de temps réguliers
- périodique). Par exemple, dans le cadre de l’année, elle peut
être due aux saisons. Ou bien, elle peut résulter des usages
comme les fêtes, vacances,.... Cette composante sera notée St
Les composantes résiduelles ou bruit ou résidu notées (Et ) :
ce sont des fluctuations irrégulières, dus à des facteurs
exceptionnels pour la plupart imprévisibles (grève, risque de
guerre, etc.)
II. Analyse de la tendance

II. Détermination de la tendance
1. La méthode analytique : MCO
Il est clair qu’afin de pouvoir estimer la tendance, c’est-à-dire le

mouvement d’un phénomène observé sur un grand intervalle de
temps, il faut disposer d’une série statistique sur une longue période.
Disposant de ces données, le premier travail consiste à effectuer une
représentation graphique adéquate permettant d’avoir une vue globale
du phénomène étudié puis chercher l’équation de la droite de
regression yt par rapport à t via la méthode des moindres carrés.

II. Détermination de la tendance - MCO
Dans le cas d’une série chronologique, la variable explicative est le

temps (T) et on ajustera une droite à l’ensemble des observations, par
la méthode des moindres carrés, en cherchant la droite de regression
de Y selon t, pour obtenir une équation du type :

 a
 b = CovV (T ,Y )
(T ) ,
DY /t : y = a
bt + b,
b Avec

b = ȳ − a bt̄,
 b

On supposera que T prend les n valeurs :1; 2; 3; . . . ; n.

Dans le cas des séries chronologiques, on peut alléger les calculs
en utilisant les formules suivantes :
n(n+1)


 t̄ = 1+2+...+n
n = 2n = n+1
2 ,


n
ti2 = n(n+1)(2n+1)
 X

6


i=1
Ce qui nous permet d’obtenir la variance de (T) :

n 2
1X 2 (n + 1)(2n + 1) n+1
V (T ) = ti − t̄ 2 = −
n 6 2
i=1


Exemple 2 : Le tableau suivant donne les indices trimestriels de
stocks de matières en valeur des industries agricoles et alimentaires
(IAA) : trimestre 1 trimestre 2 trimestre 3 trimestre 4
2004 108.2 104.5 102.8 107.8
2005 107.9 106.2 104.5 112.3
2006 110.8 110.7 108 115.2
t yt
1 108.2
2 104.5
3 102.8
4 107.8
5 107.9
On associera à cette série statistique le tableau ci-contre 6 106.2
7 104.5
8 112.3
9 110.8
10 110.7
11 108
12 115.2
À partir du tableau statistique de cette série, on obtient les résultats

suivants :

 t̄ = n+1
 2 = 2
13
= 6, 5




On a y¯t = 108,2+104,5+...+115,2
12 = 1289,9
12 = 108, 24




 Pn t 2 = n(n+1)(2n+1) = 12×13×25 = 650

i=1 i 6 6
 1 Pn 8538
 Cov (T ; Y ) = n i=1 (ti × yi ) − t̄ × Ȳt = 12
− 6, 5 × 108, 24 = 7, 94
D’où
1 Pn 2 650
V (T ) = i=1 ti − (t̄)2 = − 6, 52 = 11, 92

n 12

Il reste à calculer les estimateurs a

b et b
b:

Cov (T ;Y ) 7,94
 a
 b= V (T ) = 11,92 = 0, 667

b = Ȳ − a
b × t̄ = 108, 24 − 0, 667 × 6, 5 = 103, 9
 b
On obtient finalement la tendance donnée par l’équation :
DY /t : y = 0, 667 × t + 103, 9


Graphiquement :
Graphique de la série chronologique des indices
trimestriels IAA
118
116
114
112
110
108
106
104
102
100
98
96
1 2 3 4 5 6 7 8 9 10 11 12
L’équation de la tendance est : y = 0, 667 t + 103, 9


Exemple 3 : Considérons la série suivante donnant le taux de
nuptialité ( nombre de mariages pour 1000 habitants) dans un pays
européen :
Mois 2003 2004 2005 2006
Janvier 1,3 1,4 1,4 1,3
Février 1,9 2 1,8 1,6
Mars 2,2 1,7 1,8 1,6
Avril 3,3 3,6 3,6 3,6
Mai 5,5 5,3 4,8 4,7
Juin 10,30 9,40 9,80 9,50
Juillet 8,40 10,1 10,7 10,1
Août 8,5 6,8 7,1 6,6
Septembre 6,3 6,3 6,5 7,10
Octobre 3,10 3,2 3,1 2,4
Novembre 1,8 1,7 1,8 1,6
Décembre 2,2 2 2,1 2
Dans cet exemple, nous avons n = 48. (=⇒ 12×4)
A partir du tableau statistique de cette série, on obtient les résultats suivants :



 t̄ = n+1
2 =
49
2 = 24, 5




On a y¯t = 214,9
48 = 4, 4771




 Pn t 2 =
 n(n+1)(2n+1) 48×49×97
i=1 i 6 = 48 = 38024
 1 Pn 5295,8
 Cov (T ; Y ) = n i=1 (ti × yi ) − t̄ × Ȳt = 48
− 24, 5 × 4, 4771 = 0, 6406
D’où
1 Pn 2 38024
V (T ) = i=1 ti − (t̄)2 = − 24, 52 191, 92

n 48
=

Il reste à calculer les estimateurs a

b et b
b:

Cov (T ;Y ) 0,6406
 a
 b= V (T ) = 191,92 = 0, 0033

b = Ȳ − a
b × t̄ = 4, 4771 − 0, 0033 × 24, 5 = 4, 3953
 b
On obtient finalement la tendance donnée par l’équation :
DY /t : y = 0, 0033 × t + 4, 3953

II. Détermination de la tendance - MME

2. La méthode des moyennes échelonnées : MME
Si les fluctuations de la série sont trop importantes, on pourra au

préalable les atténuer en utilisant des moyennes adaptées.
Afin de lisser les fluctuations, on peut remplacer les données
périodiques par leurs moyennes sur plusieurs périodes- par exemple,
des moyennes annuelles de données mensuelles. Ces moyennes ne
subissent pas des variations saisonnières et ont l’avantage de
minimiser les extrema.
La méthode des moyennes échelonnées consiste à remplacer un
certain nombre de données consécutives par leur moyenne
arithmétique.


Exemple 1 : Reprenons l’exemple 2 page 16.
La méthode des moyennes échelonnées consiste à remplacer
les données trimestrielles par leur moyenne annuelle :
Année trimestre 1 trimestre 2 trimestre 3 trimestre 4 Moy pts à placé
2004 108.2 104.5 102.8 107.8 105.825 (2 ; 105.825)
2005 107.9 106.2 104.5 112.3 107.725 (6 ; 107.725)
2006 110.8 110.7 108 115.2 111.175 (10 ; 111.175 )
Ces moyennes échelonnées sont affectées aux dates correspondant

au milieu de chaque année, et les 3 points obtenus sont joints
à la règle et donnent un ajustement de la tendance.
La série passe ainsi de 12 données trimestrielles, qui varient selon les
influences saisonnières, à 3 données annuelles indépendantes
de ces variations.


Graphiquement :
Graphique de la série chronologique des indices

trimestriels IAA
118
116
114
112
110
108
106
104
102
100
98
96
1 2 3 4 5 6 7 8 9 10 11 12


Exemple 2 : Reprenons l’exemple 3 page 19.
La méthode des moyennes échelonnées consiste à remplacer
les données mensuelles par leur moyenne annuelle :
Année Moyenne échelonnée Points à placer
2003 4,57 (6 ; 4,57)
2004 4,46 (18 ; 4,46)
2005 4,54 (30 ; 4,54)
2006 4,34 (42 ; 4,34)
Ces moyennes échelonnées sont affectées aux dates correspondant
au milieu de chaque année, et les 4 points obtenus sont joints
à la règle et donnent un ajustement de la tendance.
La série passe ainsi de 48 données mensuelles à 4 données
annuelles indépendantes des variations saisonnières.
II. Détermination de la tendance - MMM
Remarque : La méthode des moyennes échelonnées fait perdre trop

de données, c’est pourquoi, on utilise plus généralement la méthode
des moyennes mobiles.
3. Détermination de la tendance : la méthode

des moyennes mobiles
a. Présentation :
Afin d’éliminer ou d’amortir les mouvements cycliques, saisonniers et
accidentels, on utilise la technique des moyennes mobiles. On
procède ainsi en quelque sorte au lissage de la courbe.

II. Détermination de la tendance : méthode des

moyennes mobiles
b. Le principe de la méthode :
Le principe de cette méthode est de construire une nouvelle série
obtenue en calculant des moyennes arithmétiques successives de
longueur “p” fixe à partir des données originales. Chacune de ces
moyennes obtenues correspondra au “milieu” de la période pour
laquelle la moyenne arithmétique vient d’être calculée.
On distingue 2 cas selon lesquels :
1 “p” est impair

2 “p” est pair


moyennes mobiles
Premier Cas : si “p” est impair : Application 1 de référence :
le tableau ci-dessous contient des mesures d’un phénomène relevées à 9 instants différents.
Instants t1 t2 t3 t4 t5 t6 t7 t8 t9
Valeurs 4 6 5 3 7 5 4 3 6
OBJECTIF : calculer les moyennes mobiles d’ordre 3 :
4+6+5
La moyenne mobile d’ordre 3 pour t2 vaut =5
3
6+5+3
La moyenne mobile d’ordre 3 pour t3 vaut = 4.67
3
5+3+7
3
3+7+5
3
7+5+4
La moyenne mobile d’ordre 3 pour t6 vaut ≈ 5.33
3
5+4+3
3
4+3+6
La moyenne mobile d’ordre 3 pour t8 vaut ≈ 4.33
3

moyennes mobiles
En regroupant ces données, nous obtenons le tableau suivant :
Valeurs 4 6 5 3 7 5 4 3 6
MM3 (t) 5 4.67 5 5 5.33 4 4.33
Remarque :
On constate que, vu la façon de calculer ces moyennes, les deux
valeurs extrêmes pour t1 et t9 ont disparu, c’est-à-dire une de
chaque côté.


moyennes mobiles
F On peut, également, calculer les moyennes mobiles d’ordre 5 :
4+6+5+3+7
5
6+5+3+7+5
5
5+3+7+5+4
5
3+7+5+4+3
5
7+5+4+3+6
5
En regroupant ces données, nous obtenons le tableau suivant :
Valeurs 4 6 5 3 7 5 4 3 6
MM3 (t) 5 4.67 5 5 5.33 4 4.33
MM5 (t) 5 5.2 4.8 4.4 5

II. Détermination de la tendance : Méthode des

Moyennes Mobiles
Graphiquement :


moyennes mobiles
Deuxième Cas : si “p” est pair :

Rappelons le tableau de l’application 1 de référence :
Valeurs 4 6 5 3 7 5 4 3 6
? Question : Appliquer la méthode précédente pour calculer les

moyennes mobiles d’ordre 4 de cette série chronologique ?
? Réponse : Nous obtenons des valeurs pour des instants t2.5 , t3.5 ,
t4.5 ,etc., ce qui n’est pas pratique.
? Constat : Lorsque “p” est pair, le problème est que les moyennes
obtenues ne correspondront pas à une abscisse existante, mais
chevaucheront entre deux de ces valeurs.


moyennes mobiles
? Solution : (Calculer les moyennes mobiles d’ordre 4)
Calculer une moyenne sur 5 mais en prenant soin de pondérer

1
les deux valeurs extrêmes par = 0.5 au lieu de 1 pour les
2
autres valeurs.
Il faut quand même veiller à diviser par 4 (et non par 5) !. Ceci
nous garantit que chaque valeur n’est prise en compte qu’une
seule fois.

II. Détermination de la tendance : Méthode des

Moyennes Mobiles
? Explications : Rappelons le tableau de référence :

Valeurs 4 6 5 3 7 5 4 3 6
0.5 × 4 + 6 + 5 + 3 + 0.5 × 7
4
0.5 × 6 + 5 + 3 + 7 + 0.5 × 5
4
0.5 × 5 + 3 + 7 + 5 + 0.5 × 4
4
0.5 × 3 + 7 + 5 + 4 + 0.5 × 3
4
0.5 × 7 + 5 + 4 + 3 + 0.5 × 6
4


moyennes mobiles
En regroupant Tout ces données, nous obtenons le tableau suivant :
Valeurs 4 6 5 3 7 5 4 3 6
MM3 (t) 5 4.67 5 5 5.33 4 4.33
MM4 (t) 4.88 5.13 4.88 4.75 4.63
MM5 (t) 5 5.2 4.8 4.4 5


moyennes mobiles
Autre exemple : Rappelons l’exemple 2 : page 16

Le tableau suivant donne les indices trimestriels de stocks de
matières en valeur des industries agricoles et alimentaires (IAA) :
trimestre 1 trimestre 2 trimestre 3 trimestre 4

2004 108.2 104.5 102.8 107.8
2005 107.9 106.2 104.5 112.3
2006 110.8 110.7 108 115.2


moyennes mobiles
On rappel qu’il faut transformer le tableau précédent comme suit, afin
de déterminer le trend par les moyennes mobiles centrées d’ordre 4.


moyennes mobiles

III. Composante Saisonnière

III. La Composante Saisonnière
1. Les schémas de Composition :

La donnée observée yt à la date t d’une série chronologique, peut
s’interpréter comme résultant de la superposition des quatre
composantes :
le Trend désigné par Tt ; la composante saisonnière St ,
la composante cyclique Ct et la composante résiduelle Rt .
Pour pouvoir séparer les quatre composantes servant à décrire la
série observée, il est nécessaire de préciser leur mode d’interaction. la
plupart des séries chronologiques entrent dans l’un des schémas
suivants :

1.a. Le schéma additif :

Selon ce schéma, la série chronologique suit la forme :
yt = Tt + St + Ct + Rt t = 1, . . . , n
Ce modèle considère que les mouvements saisonnier et cycliques

sont indépendants du niveau de yt atteint sur le trend. Dans le modèle
additif, l’amplitude de la composante saisonnière et du bruit reste
constante au cours du temps. Ceci se traduit graphiquement par des
fluctuations d’amplitude constantes autour de la tendance. C’est à dire
que le un nuage de points est limité par deux parallèles à la droite de
tendance.


Graphique du schéma additif : L’amplitude des variations est
constante autour de la tendance.
200
180 Même
160 Amplitu
140
120
100
80
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Les 2 droites tracées sont à peu prés parallèles entre elles.


1.b. Le schéma multiplicatif :
yt = Tt × St × Ct × Rt t = 1, . . . , n
Dans ce modèle, l’amplitude de la composante saisonnière et du bruit

n’est plus constante au cours du temps : elles varient au cours du
temps proportionnellement à la tendance Tt .
Dans ce cas, les fluctuations sont d’amplitudes liées à la valeur du
trend, ce qui se traduit par un nuage de points situés entre deux
droites concourantes. Les rapports entre les valeurs observées et les
valeurs du trend sont pratiquement identiques d’une période à l’autre,
ce qui représente des écarts égaux en pourcentage.

Graphique du schéma multiplicatif :
L’amplitude des variations (saisonnières varie).
350
Amplit
300
Croissa
250
200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Les 2 droites tracées ne sont pas parallèles entre elles.

1.c. Le schéma mixte :

Le schéma additif et le schéma multiplicatif peuvent être combinés
pour donner un schéma dit “mixte”.
yt = Tt × St + Ct + Rt t = 1, . . . , n
Dans le but de mesurer l’effet saisonnier, on calcule des cœfficients

saisonniers, qui ont pour objet de mesurer le degré de différence
entre les saisons.

2. Calcul des cœfficients saisonniers :
Le calcul des cœfficients saisonniers repose sur une démarche

générale, faite en 3 étapes :
- La première étape consiste à estimer les valeurs de la tendance ŷt .
Dans ce cas, on applique la méthode des moindres carrés
(regression) non pas aux données brutes de la série, mais aux
moyennes mobiles ; ce qui nous permet d’obtenir une tendance
corrigée des mouvements saisonniers, réduire les fluctuations et
dégager une évolution à long terme.


- La deuxième étape consiste, par une confrontation entre les valeurs
de la série brute et celles de la tendance, à calculer les valeurs du
mouvement saisonnier. Cette confrontation peut se faire, de deux
façons :
Par un modèle multiplicatif, sous forme de rapports entre les
valeurs de la série brute et celles de la tendance, ces rapports
sont appelés rapports aux trends rt :
Valeurs Observées yt
rt = =
Valeurs Calculées ŷt
Par un modèle additif, sous forme de différence entre les valeurs

de la série brute et celles de la tendance, on parle de différences
aux trends dt :
dt = Valeurs Observées − Valeurs Calculées = yt − ŷt

- La troisième étape consiste à mesurer l’effet saisonnier à l’aide des

coefficients saisonniers. Ces derniers sont obtenus en calculant ,pour
chaque saison, la moyenne des rapports ou des différences aux
trends. P
rt
r̄k =
n
Avec k= 1 jusqu’au nombre de saisons et n est le nombre
d’observations pour chaque saison. Les coefficients saisonniers
correspondents aux rapports moyens ajusté :
r̄k
Sk =
r̄

Exemple Modèle additif :
Les ventes trimestrielles en milliers de DH réalisées par une entreprise

au cours des quatres dernières années sont regroupées dans
le tableau suivant :
Années Trim 1 Trim 2 Trim 3 Trim 4
2002 190 160 251 200
2003 320 290 359 317
2004 426 405 483 433
2005 558 525 607 550


On transforme le tableau précédent sous la forme :
Temps t Ventes yt
1 190
2 160
3 251
4 200
5 320
6 290
7 359
8 317
9 426
10 405
11 483
12 433
13 558
14 525
15 607
16 550


Graphiquement, cela donne :
Ventes trimestrielles entre 2002 et

2005
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16


F Il faut déterminer l’équation du trend, pour cela il faut calculer les
MM4 et déterminer les cœfficients a b ( à Faire par l’étudiant). On
b et b
trouve
ybt = 29, 65t + 128, 08
F Le tableau suivant regroupe la série brute, les valeurs du trend et
leurs différences
t yt ybt yt − ybt
3 251 217,03 33.97
4 200 246.68 -46.68
5 320 276.33 43.67
6 290 305.98 -15.98
7 359 335.63 23.37
8 317 365.28 -48.28
9 426 394.93 31.07
10 405 424.58 -19.58
11 483 454.23 28.77
12 433 483.88 -50.88
13 558 513.53 44.47
14 525 543.18 -18.18

F Calculons les cœfficients saisonniers dans le cas du modèle additif :

2002 r r 33.97 -46.68
2003 43.67 -15.98 23.37 -48.28
2004 31.07 -19.58 28.77 -50.88
2005 44.47 -18.18 r r Moyenne
0
Sj 39.74 -17.91 28.70 -48.61 S 0 = 0.48
0 0
Sj = Sj − S 0 39.26 -18.39 28.22 -49.09 0


F La série désaisonnalisée est obtenue en soustrayant le cœfficient
saisonnier moyen de la valeur de la série brute :

2002 190 -39.26 160 -(-18.39) 251-28.22 200 -(-49.09)
2003 320 -39.26 290 -(-18.39) 359-28.22 317-(-49.09)
2004 426-39.26 405-(-18.39) 483-28.22 433-(-49.09)
2005 558 -39.26 525-(-18.39) 607-28.22 550 -(-49.09)
Ainsi
2002 150,74 178,39 222,78 249,09
2003 280,74 308,39 330,78 366,09
2004 386,74 423,39 454,78 482,09
2005 518,74 543,39 578,78 599,09


La représentation de la série désaisonnalisée est :
Série Désaisonnalisée
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Exemple Modèle multiplicatif
Exemple : Rappelons l’exemple 2 : page 16

Le tableau suivant donne les indices trimestriels de stocks de
matières en valeur des industries agricoles et alimentaires (IAA) :
trimestre 1 trimestre 2 trimestre 3 trimestre 4

2004 108.2 104.5 102.8 107.8
2005 107.9 106.2 104.5 112.3
2006 110.8 110.7 108 115.2
Le graphique associé à ce tableau suggère que nous avons un

modèle multiplicatif.


On rappel qu’il faut transformer le tableau précédent comme suit, afin
de déterminer le trend par les moyennes mobiles centrées d’ordre 4.


Première étape : Déterminons l’équation du trend “basée sur MM4 ”.
Comme nous aurons besoin de calculer MM4 (t), V (t), t̄ et
Cov (t; MM4 (t)) nous formons le tableau suivant :
t MM4 (t) t^2 t fois MM4(t)

3 105,79 9 317,37
4 105,96 16 423,84
5 106,39 25 531,95
6 107,16 36 642,96
7 108,09 49 756,63
8 109,01 64 872,08
9 110,01 81 990,09
10 110,81 100 1108,1
TOTAL 52 863,22 380 5643,02


A partir du tableau, nous obtenons
52 863, 22
t̄ = = 6, 5 et MM4 (t) = = 107, 9575
8 8
380
V (t) = − 6, 52 = 5, 25
8
5643, 02
Cov (t; MM4 (t)) = − 6, 5 × 107, 9575 = 3, 65375
8
Ce qui nous permet d’avoir :

Cov (t; MM4 (t)) 3, 65375
â = = = 0, 695952381
V (t) 5, 25
b̂ = MM4 (t) − â × t̄ = 103, 4338095.
Donc l’équation du trend est :
ŷt = 0, 696 × t + 103, 434

Deuxième étape : Calcul les valeurs de ŷt pour t = 3; 4; . . . ; 10 on

obtient
yt
t yt = MM4 (t) 0, 696 × t + 103, 434 = ŷt
ŷt
3 105,79 0, 696 × 3 + 103, 434 = 105, 522 1.003
4 105,96 0, 696 × 4 + 103, 434 = 106, 218 0.997
5 106,39 0, 696 × 5 + 103, 434 = 106, 914 0.995
6 107,16 0, 696 × 6 + 103, 434 = 107, 61 0.996
7 108,09 0, 696 × 7 + 103, 434 = 108, 306 0.998
8 109,01 0, 696 × 8 + 103, 434 = 109, 002 1
9 110,01 0, 696 × 9 + 103, 434 = 109, 698 1.003
10 110,81 0, 696 × 10 + 103, 434 = 110, 394 1.003


yt
Le tableau suivant classe les quantités selon l’année :
ŷt
Année trimestre 1 trimestre 2 trimestre 3 trimestre 4
2004 r r 1.003 0.997
2005 0.995 0.996 0.998 1
2006 1.003 1.003 r r Moyenne
0
Sj 0.999 0.9995 1.0005 0.9985 S 0 = 0.9994
0
Sj
Sj = 0.999 1 1.002 0.999 1
S0
Explications :
yt
1 On regroupe les quotients par année ;
ybt
0
2 On calcule la moyenne de ces valeurs par trimestre, notée ici Sj ;
0
3 Lorsque la moyenne des Sj est différente de 1, on calcul
0
Sj
Sj =
S0
Vocabulaire : les Sj sont les cœfficients saisonniers.
Troisième étape : Désaisonnalisation d’une série chronologique :

Désaisonnaliser une série chronologique consiste à éliminer l’effet de
la composante saisonnière d’une série chronologique.
Pour ce faire, dans le cas d’un modèle multiplicatif, il suffit de diviser
les valeurs de la série brute les cœfficients saisonniers moyens
correspondant :
Nous avons
2004 108.2 104.5 102.8 107.8
2005 107.9 106.2 104.5 112.3
2006 110.8 110.7 108 115.2
0
Sj
Sj = 0.999 1 1.002 0.999
S0

Nous obtenons la série désaisonnalisée :

2004 108.2 ÷ 0.999 104.5÷1 102.8 ÷1.002 107.8 ÷0.999
2005 107.9÷ 0.999 106.2 ÷1 104.5÷1.002 112.3÷ 0.999
2006 110.8÷0.999 110.7 ÷1 108 ÷1.002 115.2 ÷ 0.999
Avec
cœff Sj 0.999 1 1.002 0.999

Nous obtenons la série désaisonnalisée :

2004 108.31 104.5 102.6 107.9
2005 108.01 106.2 104.3 112.42
2006 110.91 110.7 107.78 115.32

RESUME
Déterminons les cœfficients saisonniers d’un modèle additif

ou multiplicatif :
Démarche à suivre :
1 D’abord on determine l’équation du trend via la méthode de

moyenne mobile :
b × MM4 (t) + b
ybt = a b
2 On établit un tableau de 4 colonnes comportant :
yt
t; yt ; ybt et yt − ybt (resp ; ) selon le modèle.
ybt
3 On réécrit les données par ordre annuel (voir les exemples
précédents)

RESUME
4 On calcul la moyenne par trimestre des cœfficients, il y a deux

possibilités :
I Si la moyenne de ces moyennes est 0 (resp ; 1), alors ces
cœfficients sont les cœfficients saisonniers voulu.
I Si la moyenne de ces moyennes est différente de 0 (resp ;1) ; alors
0
0 Sj
on calcul la différence Sj − S 0 (resp ; ) ce qui nous donne les
S0
cœfficients saisonniers voulu.
5 Enfin, il faut désaisonnaliser la série chronologique, en faisant la

différence ( resp ; la division) entre chaque valeurs brutes et le
cœfficients saisonnier correspondant.

IV. Calcul des prévisions

A partir de l’équation du trend et des cœfficients saisonniers, on peut

prévoir des valeurs de la série pour des périodes à venir.
La prévision de la valeur de la série à la période t + k est, pour un
modèle multiplicatif, la valeur estimée du trend multiplié par le
cœfficient saisonnier moyen de la saison correspondant.

Exemple :
Reprenons les données de l’exemple précèdent sur “‘Exemple model
multiplicatif”, et calculons les prévisions pour l’indice des stocks pour
les autres trimestres de l’année 2007.
On sait que l’équation du trend est : ybt = 0, 696t + 103, 434 ; ainsi
yt+k = ybt+k × cœff saisonier
Ce qui nous donne

Trimestres Périodes Valeurs du Cœff Prévisions =
année 2007 trend ybt saisonnier ybt+k × CS
Trim 1 t= 13 112.482 0.999 112.37
Trim 2 t=14 113.178 1 113.178
Trim 3 t=15 113.874 1.002 114.11
Trim 4 t=16 114.57 0.999 114.46

Fin du chapitre :Les Séries

chronologiques

Les Séries Chronologiques Gourch

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

Les Séries Chronologiques Gourch

Transféré par

Droits d'auteur :

Formats disponibles

Statistiques

Les Séries chronologiques

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 1 / 71

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 2 / 71

I. Généralités : Les Séries chronologiques

{yt }t∈T avec T = {t1 , . . . , tn }.

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 3 / 71

I. Généralités : Les Séries chronologiques

1 Suivant la nature du problème étudié le temps peut être exprimé

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 4 / 71

I. Généralités : Les Séries chronologiques

L’objectif de l’étude des séries chronologiques est double :

Voici quelques exemples de séries évoluant en fonction du temps dans

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 5 / 71

I. Généralités : Les Séries chronologiques :

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 6 / 71

I. Généralités : Les Séries chronologiques

Météorologie : Pluie, température, débit des cours d'eaux….

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 7 / 71

I. Généralités : Les Séries chronologiques

Exemple : Voici une série chronologique (source Statec) indiquant

Année Nombre de Année Nombre de

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 8 / 71

I. Généralités : Les Séries chronologiques

Cette série chronologique peut être représentée graphiquement de la façon suivante :

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 9 / 71

2. Les fluctuations (composantes) d’une Série

Le mouvement de tendance générale ou trend ou la

Les mouvements cycliques sur une grande période autour du

2. Les fluctuations (composantes) d’une Série

II. Analyse de la tendance

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 12 / 71

II. Détermination de la tendance

1. La méthode analytique : MCO

Il est clair qu’afin de pouvoir estimer la tendance, c’est-à-dire le

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 13 / 71

II. Détermination de la tendance - MCO

Dans le cas d’une série chronologique, la variable explicative est le

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 14 / 71

II. Détermination de la tendance - MCO

On supposera que T prend les n valeurs :1; 2; 3; . . . ; n.

Ce qui nous permet d’obtenir la variance de (T) :

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 15 / 71

II. Détermination de la tendance - MCO

II. Détermination de la tendance - MCO

À partir du tableau statistique de cette série, on obtient les résultats

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 17 / 71

II. Détermination de la tendance - MCO

Il reste à calculer les estimateurs a

On obtient finalement la tendance donnée par l’équation :

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 18 / 71

II. Détermination de la tendance - MCO

L’équation de la tendance est : y = 0, 667 t + 103, 9

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 19 / 71

II. Détermination de la tendance - MCO

Dans cet exemple, nous avons n = 48. (=⇒ 12×4)

A partir du tableau statistique de cette série, on obtient les résultats suivants :

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 20 / 71

II. Détermination de la tendance - MCO

A. GOURCH (FSJE DE C ASABLANCA ) FSJE 2011-2012 21 / 71

II. Détermination de la tendance - MCO

Il reste à calculer les estimateurs a

On obtient finalement la tendance donnée par l’équation :