Séries temporelles I : Modèles univariés

LISSAGES EXPONENTIELS

Boris BAFFO,
Enseignant-Chercheur, ENSEA Abidjan

23 octobre 2023

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 1 / 17

Plan de l’exposé

1 Objectif et Contenu

2 Méthodes de lissages exponentiels

3 Méthodes de Holt-Winters

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 2 / 17

 Objectif et Contenu

Objectif et Contenu
Objectif
Familiariser les étudiant.e.s aux méthodes de prévision développées par
Holt et Winter nommées méthodes de lissages exponentiels ;

Méthodes de lissages exponentiels

But : Réaliser des prévisions d’une série chronologique à partir de ses
observations passées en leur accordant un poids décroissant dans le
passé ;
Disposant d’une observation {x1 , . . . , xT }, on souhaite donner une
approximation de XT +h , où h est l’horizon de prévision.
Il existent trois méthodes qui diffèrent suivant le type de la série
étudiée :
* Lissage exponentiel simple ;
* Lissage exponentiel double ;
* Lissage exponentiel de Holt-Winters.
SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 3 / 17
 Méthodes de lissages exponentiels

Lissage exponentiel simple

Principe
Prévoir une série temporelle Xt ≈ c, c un réel :
* sans saisonnalité,
* à tendance constante ou série localement constante .
Choisir une constante β (∈]0, 1[ ), nommée la constante de lissage, et
minimiser la somme des carrés des erreurs :
X
min β j (XT −j − c)2
c
j=0

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 4 / 17

 Méthodes de lissages exponentiels

Lissage exponentiel simple

Expression
Soit h l’horizon de prévision. Alors la prévision X bT (h) de XT +h est
donnée par :
T
X −1
XT (h) = (1 − β)
b β j XT −j (1)
j=0

La méthode accorde donc de moins en moins d’importance aux

observations les plus éloignées de l’instant T (puisque β j décroı̂t avec j).

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 5 / 17

 Méthodes de lissages exponentiels

Lissage exponentiel simple

Constante de lissage
β permet de nuancer l’importance des observations :
* si β proche de 0, forte influence des valeurs récentes (X
bT (h) = XT si β = 0) ;
* si β proche de 1, forte influence des valeurs éloignées.

Table – Poids des valeurs passées

T −3 T −2 T −1 T
β = 0, 5 0, 0625 0, 125 0, 25 0, 5
β = 0, 02 0, 00000784 0, 000392 0, 0196 0, 98
β = 0, 95 0, 04286875 0, 045125 0, 0475 0, 05

Choix de β : Plusieurs possibilités

* choix d’experts ;
* minimiser les sommes des carrés des résidus pour h = 1 ou pour
plusieurs horizons.
SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 6 / 17
 Méthodes de lissages exponentiels

Lissage exponentiel simple

Formule de mise à jour

A partir de la formule (1), on obtient :

X bT −1 (h) + (1 − β)XT
bT (h) = β X (2)
 
X bT −1 (h) + (1 − β) XT − X
bT (h) = X bT −1 (h) (3)

* Ces équations permettent de définir un calcul par récurrence (”sur T ”)

1 PT
des prévisions en prenant X1 (h) = X1 ou X1 (h) = T t=1 Xt ;
b b
* La formule (2) présente X bT (h) comme le barycentre entre X bT −1 (h),
la valeur prédite à l’horizon h à partir des T − 1 premières
observations et XT la dernière observation.
 
* La formule (3) fait intervenir XT − X bT −1 (h) la dernière erreur de
prévision.
SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 7 / 17
 Méthodes de lissages exponentiels

Lissage exponentiel double

Principe
Prévoir une série temporelle Xt ≈ A + (t − T )B, A, B deux réels :
* sans saisonnalité,
* à tendance linéaire ou série localement linéaire.
Choisir la constante de lissage β (∈]0, 1[ ) et minimiser la somme des
carrés des erreurs :
 2
" #
X 
min β j XT −j − A + (t − T )B
A,B
j=0

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 8 / 17

 Méthodes de lissages exponentiels

Lissage exponentiel double

Expression
La prévision X
bT (h) de XT +h est donnée par :

X
bT (h) = A
bT + h B
bT ; (4)

avec (
b T = 1−β S1 (T ) − S2 (T )
 
A β
BbT = 2S1 (T ) − S2 (T )

où
Pt−1
* S1 (t) = (1 − β) j=0 β j Xt−j (série lissée une fois) , et
Pt−1 j
* S2 (t) = (1 − β) j=0 β S1 (t − j) (série lissée deux fois).

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 9 / 17

 Méthodes de lissages exponentiels

Lissage exponentiel double

Formule de mise à jour

A partir de la formule (4) de base, on obtient :
bT −1 + (1 − β 2 ) XT − X
 
A
bT = A
b T −1 + B bT −1 (1) (5)
bT −1 + (1 − β)2 XT − X
 
B
bT = B bT −1 (1) (6)
X
bT (h) = A
bT + h B
bT (rappel)

* Ces équations permettent de définir un calcul par récurrence

(”sur T ”) des prévisions en prenant A b0 = X2 − X1 ;
b 0 = X1 et B
 
* Les formules (5) et (6) font intervenir XT − X bT −1 (1) la dernière
erreur de prévision.

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 10 / 17

 Méthodes de Holt-Winters

Méthodes de Holt-Winters

But : Généralisation de la méthode de lissage exponentiel double et

prenant en compte d’éventuels effets saisonniers ;
Ces méthodes traitent donc les cas suivants :
* Tendance linéaire sans saisonnalité : Méthode non saisonnière ;
* Tendance linéaire avec saisonnalité : Méthodes saisonnières ;
◦ additif ;
◦ multiplicatif.

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 11 / 17

 Méthodes de Holt-Winters

Méthodes de Holt-Winters : Intuition

Partant de la formule (5), on montre que :

h i
Ab T = (1 − β 2 )XT + β 2 Ab T −1 + B
bT −1

On procède à une généralisation en posant β 2 = λ.

Partant de la formule (6), on montre que :
" #
bT = 1 − 1 − β bT −1 + 1 − β A
h
bT − A
i
B B b T −1
1+β 1+β

1−β
On procède à une généralisation en posant 1 − 1+β = µ.

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 12 / 17

 Méthodes de Holt-Winters

Méthode non saisonnière de Holt-Winters

Prévoir une série temporelle Xt ≈ A + (t − T )B, A, B deux réels.
Formule de mise à jour
Intialisation : A b0 = X2 − X1 .
b 0 = X1 et B
h i
A
bT = (1 − λ)XT + λ Ab T −1 + B
bT −1 (7)
h i
B
bT = (1 − µ) AT − AT −1 + µB
b b bT −1 (8)
X
bT (h) = A
bT + h B
bT (9)

* Cette méthode est souple que celle du lissage exponentiel double car
elle utilise deux paramètres (λ, µ) au lieu d’un seul (β) ;
* Plus λ et µ sont grands, plus la méthode tient compte des valeurs
éloignées.
SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 13 / 17
 Méthodes de Holt-Winters

Méthode saisonnière additive de Holt-Winters

Prévoir une série temporelle Xt ≈ A + (t − T )B + St , A, B deux réels, où
St la facteur saisonnier.
Formule de mise à jour
Intialisation : Se référer à Gouriéroux et Monfort (1983).
h i h i
b T = (1 − λ) XT
A −SbT −p + λ A b T −1 + B bT −1 (lissage de la moyenne) (10)
h i
bT = (1 − µ) A
B bT −Ab T −1 + µB bT −1 (lissage de la tendance) (11)
h i
bT = (1 − γ) XT
S −AbT + γS bT −p (lissage de la saisonnalité) (12)

Prévision

X
bT (h) = A
bT + h B bT +h−p , 1 ≤ h ≤ p
bT + S (13)
X
bT (h) = A
bT + h B bT +h−2p , p + 1 ≤ h ≤ 2p
bT + S (14)

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 14 / 17

 Méthodes de Holt-Winters

Méthode saisonnière multiplicative de Holt-Winters

h i
Prévoir une série temporelle Xt ≈ A + (t − T )B St , A, B deux réels, où
St la facteur saisonnier.
Formule de mise à jour
Intialisation : Se référer à Gouriéroux et Monfort (1983).

XT h i
A
bT = (1 − λ) +λ A b T −1 + B
bT −1 (lissage de la moyenne) (15)
S
bT −p
h i
B
bT = (1 − µ) AbT − A
b T −1 + µB bT −1 (lissage de la tendance) (16)
XT
S
bT = (1 − γ) + γS
bT −p (lissage de la saisonnalité) (17)
A
bT

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 15 / 17

 Méthodes de Holt-Winters

Méthode saisonnière multiplicative de Holt-Winters

h i
Prévoir une série temporelle Xt ≈ A + (t − T )B St , A, B deux réels, où
St la facteur saisonnier.
Formule de mise à jour (suite)
Prévision
hi
X
bT (h) = A
bT + h B
bT SbT +h−p , 1 ≤ h ≤ p (18)
h i
X
bT (h) = A bT + h B
bT SbT +h−2p , p + 1 ≤ h ≤ 2p (19)

Méthode saisonnière de Holt-Winters :

* Plus λ, µ et γ sont grands, plus l’importance des valeurs éloignées est
significative.

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 16 / 17

 MERCI DE VOTRE AIMABLE
ATTENTION

SERIES TEMPORELLES I, IUA LISSAGES EXPONENTIELS 23 octobre 2023 17 / 17