Vous êtes sur la page 1sur 93

TECHNIQUESDEPRVISION

R.Jahidi

Dfinition
Prvision:Estimationdelvolutionfuture dunevariablelaquelleonsintresse d i bl l ll i t Sebasesurdesdonnesdelentreprise,deses partenaires,desconsommateurs,etde plusieursorganismesquidiffusent l information linformation

R.Jahidi

Utilit
Permetderduirelincertitudepourprendre desdcisionsetplanifier:
gestiondelaproduction,investissements, recrutements,.. , laborationdebudgets commandesdematirespremires p gestiondescommandesdesclients

R.Jahidi

Techniques
Techniquescausales Techniquesextrapolatives

R.Jahidi

Techniquescausales
Dveloppentunerelationdecauseeffetentrela variableexpliqueretlesautresvariables Adaptespourlaprvisionmoyenlongterme (MLT) Rgression:trouverlalignequipouselemieuxles l l l l observationspasses(Sommedescartsaucarr minimale).Leprolongementdelalignepermetla minimale) Leprolongementdelalignepermetla prvision.

R.Jahidi

Techniquesextrapolatives
Observationssuruneseulevariable Lepassestutilispourprvoirlefuturcourt terme(CT) t (CT) Lesobservationspassessontdcomposes enunniveaumoyen,unfacteursaisonnieret unfacteuralatoire

R.Jahidi

Niveaudeprcision?
Lutilitpremiredelaprvision:rductionde l incertitude lincertitude Lescotsdelaprvisionsdpendentdu niveaudeprcisionrecherch,etdoncdes d h h d d techniquesutilises,desdonnesutilises,de lexpertisedesanalystes,.. Lesbnficesapportsparlaprcision doiventdpasserlescots
R.Jahidi

Choixdunetechniquede q prvision
Disponibilitdesdonneshistoriques Varitdesdonnes:suruneseulevariableouplusieurs, longueurdelasrie,.. Cotsdelamthode Complexitetdegrdematrise Tempsdisponiblepourfournirlesprvisions d bl f l Objectifsdelaprvision Typedeprvision:courttermeoumoyenlongterme T d i i tt l t

R.Jahidi

RGRESSIONSIMPLE

R.Jahidi

Rgression simple
Nousallonsmaintenantvoircomment prdireunevariablecontinuepartird une prdireunevariablecontinuepartird'une autre. Nousallonsgalementvoircommentnous N ll l t i t pouvonsmodlisercetterelationlinaire, c'estdirecommentreprsenterlemieux possiblelarelationlinaireentredeux variableslaidedunequation mathmatique. q
R.Jahidi

10

Lesquestionsauxquellesrpondlamodlisation delarelationlinaireressemblentsouvent celles ci: ll i Decombienlesventesdunecompagniepeuvent augmenterlorsquelebudgetdepublicitest doubl? Decombienletauxdecholestrolaugmente t ilen Decombienletauxdecholestrolaugmentetilen fonctiondelaugmentationdupourcentagede gras? Lenombredheuresdtudeestilassociau rendementscolaire?
R.Jahidi

11

Onvatudierlaliaisonlinaire entredeux variablesnumriques: unevariableexplicativeX unevariableexpliquerY

R.Jahidi

12

1.Lesdonnes 1 Lesdonnes
Y=Variableexpliquer numrique ( (oudpendante) p ) X=Variableexplicative numrique (ouindpendante)

1 M i M n

X x1 M xi M xn

Y y1 M yi M yn

Letableaudesdonnes

R.Jahidi

13

Ladroitedesmoindrescarrs
y = ax + b
valeur observe valeur prdite

Oncherche

a et b
minimisant

y1

erreur ei

y1

ei2
i =1

x1
R.Jahidi

14

Lasolution

a=

( x x )( y
i =1 i n i =1 i

y)
2

( x x)

b = y ax

R.Jahidi

15

Lebutd'unmodleestd'expliquerlemieuxpossible lavariabilitdelavariabledpendante(y)l'aidede lavariablesindpendantes(x). lavariablesindpendantes(x) Ilesttrsimportantdecomprendrequepourtre valable,unmodleavecprdicteurdoitexpliquer , p p q significativementplusdevariancequ'unmodle sansprdicteur!Sinon,onestencoremieuxavec seulementlamoyenne.Lapremirechosefaire seulementlamoyenne Lapremirechosefaire dansl'interprtationdesrsultatsseradoncde vrifiersilemodledergressionavecprdicteur (notrevariablex)serasignificativementplus ( t i bl ) i ifi ti t l intressantqu'unmodlesansprdicteur(la moyennedey). y y)
R.Jahidi

16

3.valuerlaqualitd ajustement 3 valuerlaqualitdajustement

dumodle dergression:R2
Formule de dcomposition

( y i y) = ( y i y) + ei
2 2
Sommedes carrstotale (SCT) Sommedes carrsexplique (SCM)

Sommedes carrsrsiduelle (SCR)

R.Jahidi

17

Qualitdelargression
Interprtationgomtriquedela dcompositionensommedecarrs

ThormedePythagore

y y = y y + y y

R.Jahidi

18

Qualitdelargression
Lerapport
( yi y)2 = ( yi y)2

R2

estappelR2 (coefficientdedtermination) et se t e p e a p opo t o de a a ce etsertexprimerlaproportiondevariance deyquiestexpliqueparlemodle(SCM)par rapportlaquantitdevariancequ ilyavait rapportlaquantitdevariancequilyavait expliqueraudpart(SCT).


R.Jahidi

19

Qualitdelargression
LeR2 ajustsecalculeenfonctionduR2 : Iltraduitlafoislaqualitdelajustement(liaison entreY et X)etlacomplexitdumodle.
n 1 R = 1 (1 R 2 ) n2
2 a

R.Jahidi

20

LeR2 mesurelaforcedelaliaison linaireentreXetY 1) 2)


Y

0 R2 1 R2 = 1
Y

3)

R2 = 0 * * * * * * * * * * * *
X
R.Jahidi

21

LeR2 mesurelaforcedelaliaison linaire entreXetY


120

100

Modlenonlinaire: Y=aX2 +bX

80

60

40

20

0 -20 -10 0 10 20

Rsq = 0.0000

R.Jahidi

22

4.valuationdelajustementdela
droitedergressionauxdonnes:R

R.Jahidi

23

Lecoefficientdecorrlation

R=

( x i x )( yi y) 2 2 ( x i x ) ( y i y)

sertvrifierlaqualitdelajustementdela droitedergressionaveclesdonnes

) R 2 R = signe(a
R.Jahidi

24

LacorrlationRmesurelaforceet lesensdelaliaisonlinaireentreXetY l d l li i li i t X tY

* * * * * *

* * * ** *
X

* *
X

a>0 R>0

a<0 R<0
R.Jahidi

25

LacorrlationRest elle LacorrlationRestelle significativeaurisque =0.05?


Notations
=Corrlationauniveau
delapopulation R=Corrlationauniveau delchantillon

Rglededcision
OnrejetteH0 aurisque =0.05 desetrompersi

Test:
H0 : =0 H1 : 0

2 n

(Bonneapproximationpourn>20)

R.Jahidi

26

5.Lemodlegnraldergression 5 Lemodlegnraldergression simple


Equationdergressionsimple q g p
Cettequationprciselafaondontlavariabledpendante estrelie lavariableexplicative:

Y = aX + b +
o a et b sontlesparamtres et estunbruitalatoire reprsentantletermederreur. t tl t d

R.Jahidi

27

Lemodlegnraldergression simple
Lestermesdelquation

yi = b + axi + i

Terme constant ime observation de Y Influence de la fl d l variable X

Rsidu de la ime observation


R.Jahidi

28

Lemodlegnraldergression simple
Leshypothsesdumodle yp
E(i)=0 pourtouti V(i)=2 pourtouti (homoscdasticit deserreurs) ) Cov(i , i )=0pourtoutij i suituneloinormale N(0 ) N(0, linaritdelarelation

R.Jahidi

29

6.Estimationdea,bet
Estimationdeaetb:
a = estimation de a b = estimation de b

Estimationde :
1 n 2 2 = ei = estimation de 2 n 2 i =1 = 2 = estimation de
R.Jahidi

30

Leprocessusd estimation Leprocessusdestimation


Interprtationdescoefficientsdergression estims
Lapentea

LestimedeY i d f t l L ti d Y variedunfacteurgal a lorsqueX augmenteduneunit. Lordonnelorigine b d l

CestlavaleurmoyennedeY lorsqueX estnulle.

R.Jahidi

31

7.Qualitdelargression 7 Qualitdelargression
LetestdeFisher(testANOVA)
Ilpermetderpondrelaquestion:laliaisonglobale entreY et X estellesignificative?

Hypothses
H0:la variable X nexplique pas la variable Y . H1:la H1 la variable X explique la variable Y .

R.Jahidi

32

Qualitdelargression
Statistiqueutilise
SCR MSR F= = 1 MSE SCE n2

Rglededcision g Aurisque,onrejetteH0si:F F1 oF1 estlefractileduneloideFisher1 etn2 1 estlefractiled uneloideFisher1 etn 2 degrsdelibert.

R.Jahidi

33

Niveaudesignification
Pluspetitevaleurde conduisantaurejetdeH0

LoideFsousH0

Niveaudesignification Ni ea designification

F1(1,n2)

Fobserv

OnrejetteH0 aurisque desetrompersiNS j q p


R.Jahidi

34

Qualitdelargression
R2 ettestdeFisher

F bon, R mauvais

F bon, R bon

R.Jahidi

35

Qualitdelargression
LetestdeStudent
Ilpermetderpondrelaquestionsuivante: lapportdelavariableX estilsignificatif?

Hypothses H pothses

H0:a =0
OnpeutsupprimerlavariableX

H1:a 0
IlfautconserverlavariableX

R.Jahidi

36

Qualitdelargression
Statistiqueutilise
a , t = s a s a : cart - type de a =
i

(x

x )

Rglededcision Aurisque,onrejetteH0si:|t| t1/2 ot1-/2 estunfractileduneloideStudent n-2 degrsdelibert.

R.Jahidi

37

Niveaudesignification
Pluspetitevaleurde conduisantaurejetdeH0

LoidetsousH0

NS/2

/2 /

NS/2

|t|

|t|

t1/2(n2)

Onrejette H0 :a=0 aurisque desetrompersiNS


R.Jahidi

38

8.Analysedesrsidus 8 Analysedesrsidus
Normalit
Testsdenormalit

Homoscdasticit
Lavariancedesrsidusnestpasstable.

Indpendancedesrsidus p
TestdeDurbinWatson

Dtectiondesvaleursatypiques

R.Jahidi

39

Analysedesrsidus
Modle:Y=b+aX+ M dl Y b X avec N( ) N(0,)

Loide

U s du e est co s d Unrsiduei estconsidr commetropimportantsi


95%

ei > 2
1.96 6 ou Rsidu standardis

1.96

ei >2
40

R.Jahidi

Utilisation du graphe des rsiduels vs p g p prdits p pour le diagnostic Linarit, Normalit, Homoscdasticit (LNH)

LNH
Rsidue els Rsiduel ls 0

Nonnormal

Prdits

Prdits

Rsid duels

Rsid duels Prdits d

Prdits
R.Jahidi Nonlinaire

Htroscdasticit

41

9. Prvision de Y
Modle : Y = aX + b + , avec N(0, ) x= E(Y | X = x) = ax + b ( ) Problme 1 : Calculer une estimation et un intervalle de confiance au niveau de confiance 95 % de la moyenne x de Y lorsque X est fix x. Soit y une future valeur de Y pour X fix x. Problme 2 : Calculer une prvision et un intervalle contenant 95 % des futures valeurs de Y lorsque X est fix x.

R.Jahidi

42

Rsultatpourx R lt t
Estimationdex =E(Y|X=x):

x = ax + b
Intervalledeconfiancedex auniveau95%:
1 (x ) ( x) 2 + n y t 0.975 (n 2) n (x i x) 2
i =1

Formuleapproche:

y2 n
R.Jahidi

43

Rsultatpoury
Prvisiondeypourxfix:

y = ax + b
Intervalledeprvisiondey95%pourxfix:

1 ( x x )2 y t0.975 (n 2) 1 + + n n ( xi x ) 2
i =1

Formuleapproche:

y 2

Remarque : une observation i est mal reconstitue par le modle si yi nappartient pas son propre i t i ti t intervalle de prvision. ll d i i
R.Jahidi

44

LARGRESSIONMULTIPLE

R.Jahidi

45

Quandutiliserlargression multiple
Pourestimerlarelationentreunevariable p ( ) p dpendante(Y )etplusieursvariables indpendantes(X1, X2, ) Exemples
Expliquerleprixdunappartementparla superficie,lesprestations,lemplacement, p , p , p , Expliquerlaconsommationdesvhiculesparle prix,lacylindre,lapuissanceetlepoids.

R.Jahidi

46

1.Lesdonnes 1 L d
Y =Variableexpliquer bl l
numrique (oudpendante)

1
M M

X1 x11 x1i x1n

Xk Y xk1 y1 xki yi

X1,,Xk
=Variablesexplicatives numriquesoubinaires q (ouindpendantes)

xkn yn

Letableaudesdonnes

R.Jahidi

47

2.Lemodlelinairedergression 2 Lemodlelinairedergression multiple


Equationdergressionmultiple
Cettequationprciselafaondontlavariabledpendante q p p estrelieauxvariablesexplicatives:

Y = 0 + 1 X 1 + 2 X 2 + ... k X k +
o0, 1, 2, . . . , k sontlesparamtres et estunbruit alatoirereprsentantletermederreur.

R.Jahidi

48

Lemodlelinairedergression multiple
Leshypothsesdumodle yp
LesvariablesXi sontalatoires E(i)=0 pourtouti ) 0 V(i)=2 pourtouti (homoscdasticit deserreurs) Cov(i , i )=0pourtoutij Levecteuralatoire suituneloinormalen dimensionsN(0, 2In) ( ,

R.Jahidi

49

Lemodlelinairedergression multiple
Lestermesdelquation

yi = 0 + 1 x1i + 2 x2i + ... k xki + i

ime observation de Y

Terme constant Influence de la fl d l variable X1


R.Jahidi

Influence de I fl d la variable Xk

Rsidu de la ime observation


50

3.Lesproblmes
A)Estimationdescoefficientsdergression 0,1,,k. yp B)Estimationdelcarttype duterme rsidueli. C)Analysedesrsidus D)MesurerlaforcedelaliaisonentreYetles variablesX1,,Xk : R R2 X R,R E)LaliaisonglobaleentreYetX1,,Xk estellesignificative? ll i ifi i ?

R.Jahidi

51

Lesproblmes(suite)
F)LapportmarginaldechaquevariableXj (enplus p g desautres)lexplicationdeYestilsignificatif? G)Slectionautomatiquesdes bonnes variablesXj. H)Intervalledeprvision95%dey. I) Intervalledeconfiance95%deE(Y).

R.Jahidi

52

4.Estimationdescoefficientsde rgressionj
Notations: yi =valeurobserve

y i = 0 + 1x1i + L + k x ki
=valeurcalcule = prvisiondeyi

ei = yi yi =erreur
n

Mthodedesmoindrescarrs: Mth d d i d
Onrecherche minimisant.i e2 0 , 1 ,L, k
i =1

R.Jahidi

53

Interprtationgomtrique
Illustrationducask=2.

yi :observation

0
i = y i yi

yi = 0 + 1 X 1i + 2 X 2i
(X1i, X2i) X2

X1
R.Jahidi

54

Leprocessusd estimation Leprocessusdestimation


Modle de rgression multiple

Y = 0 + 1X1 + 2X2 +. . .+ kXk +


E(Y|X1,,Xk) = 0 + 1X1 + 2X2 +. . .+ kXk
Paramtres inconnus Hyperplan de rgression multiple

Donnes:

x1 x2 . . . x k y . . . . . . . .

0, 1, 2, . . . , k

Equation estime

0 , 1 , 2 ,..., k

0 , 1, 2, . . . , k
R.Jahidi

Estimateurs de

Y = 0 + 1 X 1 + 2 X 2 + ... + k X k

55

Interprtationdescoefficientsdergression estims
LestimedeY i d f t l L ti d Y variedunfacteurgal j lorsqueXj augmenteduneunit,lesautres variablestantmaintenuesconstantes. Lordonnelorigine
0

j Lapente (j0)

CestlavaleurmoyennedeY lorsquetouteslesXj sontnulles.


R.Jahidi

56

5.Estimationdelcarttype d 5 E ti ti d l t t du termersiduel

Estimationde2 :
2 =
i =1

ei2

n k 1

Estimationde E ti ti d :

= 2
57

R.Jahidi

6.Analysedesrsidus
Modle:Y= M dl Y 0 +1X1++jXj ++kXk + avec N(0,) ( , )
Loide

U s du e est co s d Unrsiduei estconsidr commetropimportantsi


95%

ei > 2
1.96 6 ou Rsidu standardis

1.96

ei >2
58

R.Jahidi

7.CoefficientdedterminationR2 etcorrlationmultipleR A) Formulededcomposition

( y i y) = ( y i y) + ei
2 2
Sommedes carrstotale Sommedes carrsexplique

Sommedes carrsrsiduelle

( yi y)2 B) R2 = ( yi y)2

C) R=

R = cor ( y, y)
R.Jahidi

59

8.LaliaisonglobaleentreYetX1,,Xk estellesignificative?
Modle:Y= M dl Y 0 +1X1++kXk + Test: H0 :1==k =0(Y=0 + nedpendpasdesX) H1 :Aumoinsunj 0(Y dpenddaumoinsunX) dpendd aumoinsunX) Statistiqueutilise:

Carr moyen expliqu F= = 2 ei /(n k 1) Carr moyen residuel


DcisionderejeterH0 aurisque desetromper: RejetdeH0 siF F1 (k,nk1)
FractileduneloideFisherSnedecor
R.Jahidi

( yi y ) 2 / k

60

Niveaudesignification
Pluspetitevaleurde conduisantaurejetdeH0

LoideFsousH0

Niveaudesignification Ni ea designification

F1(k,nk1) k k

Fobserv

OnrejetteH0 aurisque desetrompersiNS j q p


R.Jahidi

61

9.LapportmarginaldeXj estil significatif?


Modle:Y=0 +1X1++jXj ++kXk + dl Test: H0 :j=0(OnpeutsupprimerXj) H1 :j 0(Ilfautconserver Xj) Statistiqueutilise:

tj =

j sj

2 1 o s j = cart-type( j ) = 1 R 2 (X j ;autres X) (x ji x j ) 2
i

DcisionderejeterH0 aurisque desetromper: RejetdeH0 si|tj | t1/2 (nk1) FractileduneloideStudent act e d u e o de Stude t
R.Jahidi

Variance Inflation Factor

62

Niveaudesignification
Pluspetitevaleurde conduisantaurejetdeH0

Loidetj sousH0

NS/2

/2 /

NS/2

|tj|

|tj|

t1/2(nk1) k

Onrejette H0 :j =0 aurisque desetrompersiNS


R.Jahidi

63

Mesuredelamulticolinarit: TolranceetVIF
Tolrance(Xj)=1 R2(Xj ;AutresX) Ilestprfrabledobserverunetolrance l f bl d b l suprieure0.33. VIF=VarianceInflationFactor =1/Tolrance IlestprfrabledobserverunVIF infrieur3.

R.Jahidi

64

Lamulticolinarit
S(X1,,Xk)estlasommedescarrsexpliqueparles variablesX1,,Xk. 1)Fpartiel

Fj =

t2 j

2 j s2 j

S( X1 ,L, X k ) S( X1 ,L, X j1 , X j+1,L, X k ) modle complet 2

2)Onobtientun|tj|petitsi: | (Y Xj)| i |cor(Y,X )|estpetite oubien R2(Xj ;AutresvariablesX)estgrande ;AutresvariablesX)estgrande.


R.Jahidi

65

10.Slectiondesvariables 10 Slectiondesvariables
Rgressionpaspasdescendante(Backward) Onpartdumodlecomplet. Onpartdumodlecomplet AchaquetapeonenlvelavariableXj ayant lapportmarginalleplusfaible: |tj|minimumouNS(tj)maximum conditionquecetapportsoitnonsignificatif (NS(tj) 0.1=valeurpardfautdeSPSS).

R.Jahidi

66

11.Intervalledeconfiance deE(Y)
Modle:
Yi =0 +1x1i ++kxki +i

yi = 0 + 1x1i + L + k x ki = estimation de E(Yi )

IntervalledeconfiancedeE(Yi) i I ll d fi d E(Y )auniveau0.95

Formulesimplifie:

yi 2 n

R.Jahidi

67

12.Intervalledeprvision deyi
Modle:
Yi =0 +1x1i ++kxki +i yi =futurevaleurdeYi
yi = 0 + 1x1i + L + k x ki = prvision de y i

Intervalledeprvisiondeyi auniveau0.95
Formulesimplifie:

yi 2

R.Jahidi

68

DCOMPOSITIONDUNESRIE CHRONOLOGIQUE

R.Jahidi

69

1. Lesdonnes
IndicedelaProductionIndustrielledelaFrance(1963 1982)
Anne 63 64 65 66 67 68 69 70 . . . 82 Trimestre 1 68 77 76 81 84 89 95 100 Trimestre 2 74 79 79 84 85 77 99 104 Trimestre 3 64 65 67 71 72 78 82 87 Trimestre 4 78 79 83 87 90 99 103 110

137

136

111

140

R.Jahidi

70

VisualisationdelasrieIPI

Cettesrie prsenteune tendanceet unesaisonnalit

80

60

160

140

120

100

IPI

40

Date

2 82 19 1 1 Q 198 0 1 0 Q 198 1 9 Q 197 8 1 8 Q 197 1 7 Q 197 6 1 6 Q 197 5 1 5 Q 197 1 4 Q 197 3 1 3 Q 197 1 2 Q 197 1 1 1 Q 197 1 0 Q 197 9 1 9 Q 196 8 1 8 Q 196 1 7 Q 196 6 1 6 Q 196 1 5 Q 196 4 1 4 Q 196 1 3 Q 196 1

R.Jahidi

71

2. Lemodlemultiplicatif
DcompositiondelasrieobserveXt entroiscomposantes:

Xt =Tt St Rt
o TendanceTt =Courbelissepassantaumilieudesdonnes, g gommantalasetsaisonnalit SaisonnalitSt =Composantetraduisantunepriodicit RsiduRt =Composantealatoire
R.Jahidi

72

3. 3 Calculdelacomposante saisonnireSi
Oncalculelesmoyennesmobilesdordres
0.5 X t k + K + X t 1 + X t + X t +1 + K + 0.5 X t + k Zt = si s = 2k s X t k + K + X t 1 + X t + X t +1 + K + X t + k Zt = si s = 2k + 1 s

R.Jahidi

73

Calculdelacomposantesaisonnire Si On calcule les coefficients saisonniers SRt=Xt/Zt On calcule les facteurs saisonniers provisoires Si comme la moyenne des SRt p pour chaque trimestre q Les composantes Si sont obtenus par normalisation des facteurs Si Si = 4 Si / S1 + S2+ S3+ S4
R.Jahidi

74

4 4.SriecorrigedesvariationssaisonniresYt g Elleestobtenueendivisantlasrie observparlacomposantesaisonnire: Yt=Xt/St X

R.Jahidi

75

5 5.EstimationfinaleTt delatendance
Moyennemobiledelasriecorrigedes variationssaisonniresYt :
Tt = Y t 2 + 2 Y t 1 + 3 Y t + 2 Y t +1 + Y t + 2 9

pourt=3n2 Surlesbords: T2 =(Y1+Y2+Y3)/3;T1 =T2 [(T2+T3) (Y1+Y2)]/2 ) Tn1 =(Yn2+Yn1+Yn)/3;Tn =Tn1 +[(Yn1+Yn) (Tn2+Tn1)]/2

R.Jahidi

76

6.CalculdesrsidusR 6 CalculdesrsidusRt
DeXt =Tt St Rt ondduit:

Xt Rt = Tt S t

R.Jahidi

77

7.Prvision Formuledeprvision: p

X t = Tt St
o:
Tt =extrapolationdelatendance

St =Coefficientsaisonnier

R.Jahidi

78

PRVISIONDUNESRIE CHRONOLOGIQUEPARLISSAGE EXPONENTIEL

R.Jahidi

79

1. Diffrentstypesdesries chronologiques
COURS D'UNE ACTION
PAS DE TENDANCE, PAS DE SAISONNALITE
1500 12000

CHIFFRE D'AFFAIRES D'UNE SOCIETE


PRESENCE D'UNE TENDANCE, PAS DE SAISONNALIT

1400

11000

1300

10000

1200

9000

COURS

CA
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1100

8000 1 3 5 7 9 11 13 15 17 19 21 23 25

Sequence number

Sequence number

TENDANCEETSAISONNALITE

R.Jahidi

80

2.Lesmthodesdeprvisionparlissage exponentiel

TENDANCE NON OUI OUI

SAISONNALIT NON NON OUI

MTHODE LISSAGE SIMPLE LISSAGE DE HOLT LISSAGE DE WINTERS

R.Jahidi

81

3.

Lissageexponentielsimple
JOUR 1 2 3 4 5 6
1500

Exemple:Coursduneaction
COURS 1293 1209 1205 1273 1220 1290 JOUR 7 8 9 10 11 COURS JOUR COURS 1243 12 1343 1203 13 1364 1390 14 1330 1360 15 1377 16 1353 1332

1400

1300

1200

C COURS

1100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

JOUR

R.Jahidi

82

Formulesdeprvisionetdelissage
Prvision de Yt+h ralise linstant t

Yt (h) = St
o : Yt (h ) = prvision d Yt + h i i de

St

=estimationdelamoyennedela sriel instantt srielinstantt

Formule de lissage

St =Yt +(1)St1
o : -

=constantedelissage(0 1)

S0 =valeurinitiale(Y1 ou=valeurchoisieparSPSS) Y
R.Jahidi

83

CalculdelavaleurlisseSt
St = Yt + (1 ) j Yt j + (1 ) t S0
j=1 t 1

= Moyenne pondre des valeurs passes = Valeur lisse


Consquences

Sommedespoids=1 Pour =0 St =S0 pourtoutt 0,S S Pour =1,St =Yt pourtoutt


R.Jahidi

84

PrvisiondeYt
Surlhistorique(t=1T):
Yt = = = Prvision de Yt ralise en t - 1 Moyenne estime de la srie en t - 1 S t -1

Surlefutur:
YT (h) = = = Prvision de YT + h ralise en T Moyenne estime de la srie en T ST

pour tout horizon de prvision h


R.Jahidi

85

Intervalledeprvisionlhorizonhau niveau95%
Donnesobserves:Y1,,YT PrvisiondeYT+h :

YT (h ) = ST

Intervalledeprvision95%deYT+h :

YT (h ) 1.96 1 + (h - 1) 2
o

1 T = (Yt Yt ) 2 T 1 t =1
R.Jahidi

86

4.

LamthodedeHolt
Trimestre 1 1972 1973 1974 1975 1976 1977 1978
12000

Exemple:Chiffred affairesd unesocit


Trimestre 2 9 050 10 100 10 910 11 034 11 115 11 352 11 453 Trimestre 3 9 380 10 160 11 058 11 135 11 424 11 381 11 561 Trimestre 4 9 378 10 469 11 016 10 845 10 895 11 401

9 680 10 738 10 869 11 108 11 437 11 507

11000

10000

9000

CA A

8000 1 3 5 7 9 11 13 15 17 19 21 23 25

Trimestre

R.Jahidi

87

LamthodedeHolt
Hypothses:Srieavectendance,sanssaisonnalit Formuledeprvision:Alinstantt,lhorizonh Formuledeprvision Alinstantt lhorizonh
Prvision localement oca e e t linaire

Yt (h ) = St + h Tt
Prvision deYt+h Niveaude Pentede latendance latendance

Formulesdelissage g

St =Yt +(1 )(St1 +Tt1)


= Yt 1 = Prvision de Yt en t - 1

Tt =(St St1)+(1 )Tt1


R.Jahidi

88

LamthodedeHolt
ChoixdesvaleursinitialesdeT0 etS0 dansSPSS
T0 = YT Y1 T 1

S0 = Y1 0.5T0

Choixdesconstantesdelissage et

Yt = St -1 + Tt 1 = prvision de Yt
Yt - Yt = erreur d prvision de i i

On recherche et minimisant

(Yt Yt ) 2
R.Jahidi

89

5.

LamthodedeWinters

IndicedelaProductionIndustrielledelaFrance(1963 1982)
Anne 63 64 65 66 67 68 69 70 . . . 82 Trimestre 1 68 77 76 81 84 89 95 100 Trimestre 2 74 79 79 84 85 77 99 104 Trimestre 3 64 65 67 71 72 78 82 87 Trimestre 4 78 79 83 87 90 99 103 110

137

136

111

140

R.Jahidi

90

LamthodedeWinters
Hypothses:Srieavectendanceetsaisonnalitdordres Formuledeprvision:Alinstantt,lhorizonh

Yt (h ) = (St + h Tt ) I t + h s
Prvision deYt+h Pentede Niveaude latendance latendance Coefficient saisonnier

Prvisionlocalement linaire
*

Coefficientsaisonnier

Formulesdelissage

St = (

Yt ) + (1 - ) (St -1 + Tt 1 ) I t -s

Tt = (St S t 1 ) + (1 - ) Tt 1

It = (

Yt ) + (1 - ) I t -s St
R.Jahidi

91

LamthodedeWinters
ChoixdesvaleursinitialesT0 ,S0
T0 = Yk Y1 (k 1) s , o k est le nombre d' annes compltes

s S0 = Y1 ( ) T0 2

ChoixdescoefficientssaisonniersI01,,I0s LescoefficientssaisonniersI01,,I0s sontobtenus enpartantdeladcompositionsaisonniredelasrieYt avecpoidsidentiques.Lamoyennemobileinitialeest construitesurstermes.


R.Jahidi

92

LamthodedeWinters
Choixdesconstantesdelissage, et

Yt = (St -1 + Tt 1 ) I t s = prvision de Yt calcule l' instant t - 1

Yt - Yt = erreur de prvision

On recherche , , minimisant

(Yt Yt ) 2

R.Jahidi

93