Ch6 Séries-Chrnono

IV Estimation de la tendance et de la saisonnalité
la tendance correspond à l'évolution au cours du temps indépendamment de

fluctuations saisonnières ; la saisonnalité aux variations saisonnières "pures".
Cependant, tendance et saisonnalité semblent sont souvent liées et il est parfois
difficile de les extraire.
Pour la modélisation, on propose un modèle de décomposition additive pour :
yt = Ct + St + t
Où : représente la tendance, St : représente la saisonnalité et t : représente un
terme aléatoire.
Ou un modèle de décomposition multiplicative pour:
yt = Ct x St x t
A- Estimation de la tendance
Elle peut se faire par exemple :

• Soit en imposant une forme paramétrée, par exemple ici une fonction affine
Ct=at+b ,
ou de type exponentiel Ct=exp( at+b) ;
• Soit en filtrant la saisonnalité. Ceci peut être réalisé au moyen d'un lissage par
moyenne mobile.
1- Ajustement par une droite : Méthode de Mayer :
On ajuste le nuage de points (t ; Yt) par une droite passant par deux points calculés :
- On découpe la série en 2 sous ensembles de même effectif.
- Pour chacun des 2 sous ensembles, on calcule la moyenne des t et la moyenne des
Yt.
On obtient ainsi 2 points appelés points moyens. Il reste à tracer la droite passant par
ces 2 points.
Remarque :
On peut calculer les points médians au lieu des points moyens. Cela permet de
limiter l’influence les valeurs aberrantes.
2- Ajustement par une droite : Méthode des moindres carrés
a) Tendance linéaire
Remarque :
La droite des moindres carrés ajuste au mieux au
sens des moindres carrés (c’est celle qui passe le
plus près de l’ensemble des points), mais elle ne
modélise pas toujours bien la tendance, (cas pour
une série possédant une valeur « aberrante »).
b) Tendance polynômiale
c) Autre tendance : changement de variable
Pour certaines autres tendances, on peut se ramener à une tendance linéaire ou polynomiale à
l’aide d’un changement de variable.
Exemples :
3- Ajustement par lissage par moyennes mobiles
 Définition des moyennes mobiles.
Deux choses à faire :

a) Calculer des moyennes d’ordre p d’une série (Yt),
ce qui consiste à :
 considérer les p premières valeurs de la série et en calculer la moyenne,
 puis des p valeurs précédentes, on supprime la première valeur et on considère la
valeur qui suit la dernière valeur considérée à l’étape précédente, et on calcule la
moyenne de ces valeurs …
on répète ceci tant que l’on a p valeurs consécutives.

b) Affecter ces moyennes mobiles à une date : la date milieu

Estimation de la tendance par les moyennes mobiles
Remarque : dans le cas d’un estimation de Ct par moyennes mobiles, il y a p/2 données
manquantes au début et p/2 données manquantes à la fin.
• Fin séance
B- Estimation de la saisonnalité
Pour un modèle additif :

Yt= Ct + St + t
• Ct + St :est la composante déterministe du modèle.

• t est la composante aléatoire, supposée de moyenne nulle
(parce qu’elle représente les composantes (erreurs) non
systématiques), mais possédant en général une structure de
corrélation non nulle.
• si t n’est pas de moyenne nulle, nous pourrons remplacer
Ct , par Ct + E[t ], et t sera remplacé par:
Wt = t - E[t ].
Principe de la désaisonnalisation :
La désaisonnalisation vise à éliminer les effets saisonniers. Avant d'appliquer une

méthode, il faut donc s'assurer que de tels effets sont présents et qu'il est possible
de les estimer correctement.
• Lorsqu'il est impossible de repérer des effets saisonniers et/ou de calendrier dans
une série chronologique, cette série est réputée désaisonnalisée de facto.
• Les séries désaisonnalisées ne doivent pas présenter de saisonnalité résiduelle et

sont généralement plus lisses que les séries brutes correspondantes.
• Lorsqu'elles sont inappropriées, les options de dessaisonalisation peuvent fausser
les résultats. Par conséquent, il faut consacrer suffisamment de temps et d'efforts à
l'analyse des séries, au choix des options et à la maintenance de ces dernières.
La composante saisonnière, noté St , se répète à intervalles de temps

égaux avec une forme à peu près constante. Elle peut résulter du
rythme des saisons ou de facteurs humains. Sa période est égale à 12
pour les séries mensuelles, et à 4 pour les séries trimestrielles….
Si p désigne la période du mouvement saisonnier :
St = St+p = St+2p = …
V Estimation de la composante aléatoire
Par les modèles linéaires
V Processus stationnaires type ARMA
1. Introduction :
V Processus linéaires stationnaires type ARMA
2. Processus linéaire générale
Lj Opérateur retard d’ordre j
Lj Xt=Xt-j

Il s’en suit que la condition
implique que la partie droite converge,

Pour que ce processus soit stationnaire, les fonctions d’auto-covariance et
d’auto-corrélations partielles doivent remplir certaines conditions. Ces
conditions sont vérifiées à partir de la relation

2.1 Fonction d’auto-corrélation

2.2 Coefficient d’auto-corrélation
Remarques :
- On utilisera l’abréviation anglaise (ACF) pour la fonction d’auto-corrélation
- On utulise l’abréviation anglaise (PACF) pour la fonction d’auto-corrélation partielle
- On appelle leurs graphiques corrélogramme et corrélogramme partiel respectivement.

Dans la pratique, on estime les fonctions d’auto-covariance, d’auto-corrélation et

d’autocorrélation partielle par les quantités suivantes :
Fonction d’auto-covariance empirique :


Référence : Box&Jenkins
3. Processus ARMA
La classe des modèles ARMA peut être décomposée en deux sous classes : la
classe des modèles Autorégressives AR et la classe des modèles moyenne
mobile MA.
3.1 Processus MA
défini par:
3. Processus ARMA
3.1 Processus MA
Ce processus est toujours (pour toutes valeurs de µ) stationnaire, mais il n’est
inversible que lorsque -1<<1 (Box & jenkins 2008). L’espérance du processus Xt
est donnée par :
3. Processus ARMA
3.1 Processus MA
3. Processus ARMA
3.1 Processus MA
A partir de ces dernières équations, on déduit la première auto-corrélation :
La fonction d’auto-corrélation (ACF) peut être représentée graphiquement en fonction du

k. Le graphique donne la ACF théorique pour  = 0.8 (à gauche) et  = - 0.35 (à droite).
3. Processus ARMA
3.1 Processus MA
La fonction d’auto-corrélation (ACF) peut être représentée graphiquement en
fonction du k. Le graphique donne la ACF théorique pour  = 0.8 et  = - 0.35 .
ACF de MA(1)
3. Processus ARMA
3.1 Processus MA
Le comportement de (1) du processus MA(1) en fonction de  :
On note que :
• La valeur la plus large du (1) est 0.5 ; celle-ci est obtenue lorsque  = 1.
• La valeur la plus faible du (1) =- 0.5 est obtenue pour  =-1.
• Pour toute valeur du (1) entre -0.5 et 0.5, on a deux valeurs possibles de  qui peuvent
produire cette auto-corrélation.
3. Processus ARMA
3.1 Processus MA
Ceci se justifie par le fait que la valeur de  /( 2+1) reste inchangée si  est remplacée
par 1/, en effet :
3. Processus ARMA
3.1 Processus MA
La fonction d’auto-corrélation partielle : En utilisant la relation précédente :
avec (1)=  /( 2+1) et (k)=0  k > 0, on peut montrer que les auto-corrélations
partielles peuvent être obtenues à partir de cette relation :
3. Processus ARMA
3.1 Processus MA : Exemple
La détermination de ces coefficients se fait soit en utilisant lune des deux relations précédentes.
3. Processus ARMA
3. Processus ARMA
On peut vérifier que la relation
donne le même résultat :

3. Processus ARMA
PACF du processus MA(1) en fonction de 

3. Processus ARMA
3.2 Processus MA d’ordre 2
3. Processus ARMA
3.2 Processus MA d’ordre 2
3. Processus ARMA
3.2 Processus MA d’ordre 2 :MA(2)
3. Processus ARMA
3.2 Processus MA d’ordre 2 :MA(2)
3. Processus ARMA
3.2 Processus MA d’ordre 2: Exemple
3. Processus ARMA
3. Processus ARMA
3. Processus ARMA
3. Processus ARMA
PACF du processus MA(2) en fonction de 1 et 2.

3. Processus ARMA
PACF du processus MA(2) en fonction de 1 et 2.

3. Processus ARMA
3.3 Processus MA d’ordre q
3. Processus ARMA
3.3 Processus MA d’ordre q
3. Processus ARMA
3.4 Processus AR (1)
3. Processus ARMA
3.4 Processus AR(1)
3. Processus ARMA
3.4 Processus AR(1)
3. Processus ARMA
3.4 Processus AR(1)
3. Processus ARMA
3.4 Processus AR(1)
3. Processus ARMA
3.4 Processus AR
3. Processus ARMA
3.4 Processus AR(1)
Corrélations simple et partielle (théoriques) du processus AR(1) :

3. Processus ARMA
3.4 Processus AR
Corrélations simple et partielle (théoriques) du processus AR(1) :

3. Processus ARMA
3.4 Processus AR(1): Etude d’un exemple
On considère le processus définit par :
1. Ce processus est-il stationnaire ? Inversible ? Justifier.

2. Déterminer les cinq premiers coefficients de la ACF et donner la PACF de ce
processus.
3. Processus ARMA
3. Processus ARMA
3. Processus ARMA
3.4 Processus AR(2)
3. Processus ARMA
3.4 Processus AR(2)
Caractéristiques du processus AR(2):
3. Processus ARMA
3.4 Processus AR(2)
En utilisant les équations de (0), (1) et (2) on obtient

3. Processus ARMA
3.4 Processus AR(2)
3. Processus ARMA
3.4 Processus AR(2) :Exemple Etude d’un processus AR(2)
3. Processus ARMA
3. Processus ARMA
3. Processus ARMA
3. Processus ARMA
3. Processus ARMA
3.4 Processus AR(p)
3. Processus ARMA
3.4 Processus AR(p) : Propriétés
3. Processus ARMA
3.4 Processus AR(p) : Propriétés

Ch6 Séries-Chrnono

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

Ch6 Séries-Chrnono

Transféré par

Droits d'auteur :

Formats disponibles

IV Estimation de la tendance et de la saisonnalité

la tendance correspond à l'évolution au cours du temps indépendamment de

Ou un modèle de décomposition multiplicative pour:

Elle peut se faire par exemple :

 Définition des moyennes mobiles.

Deux choses à faire :

on répète ceci tant que l’on a p valeurs consécutives.

b) Affecter ces moyennes mobiles à une date : la date milieu

Estimation de la tendance par les moyennes mobiles

Pour un modèle additif :

• Ct + St :est la composante déterministe du modèle.

La désaisonnalisation vise à éliminer les effets saisonniers. Avant d'appliquer une

• Les séries désaisonnalisées ne doivent pas présenter de saisonnalité résiduelle et

La composante saisonnière, noté St , se répète à intervalles de temps

2. Processus linéaire générale

Lj Opérateur retard d’ordre j

2. Processus linéaire générale

implique que la partie droite converge,

2. Processus linéaire générale

2. Processus linéaire générale

2. Processus linéaire générale

Dans la pratique, on estime les fonctions d’auto-covariance, d’auto-corrélation et

2. Processus linéaire générale

2. Processus linéaire générale

A partir de ces dernières équations, on déduit la première auto-corrélation :

La fonction d’auto-corrélation (ACF) peut être représentée graphiquement en fonction du

On peut vérifier que la relation

donne le même résultat :

PACF du processus MA(1) en fonction de 

PACF du processus MA(2) en fonction de 1 et 2.

PACF du processus MA(2) en fonction de 1 et 2.

Corrélations simple et partielle (théoriques) du processus AR(1) :

Corrélations simple et partielle (théoriques) du processus AR(1) :

On considère le processus définit par :

1. Ce processus est-il stationnaire ? Inversible ? Justifier.

En utilisant les équations de (0), (1) et (2) on obtient

Vous aimerez peut-être aussi