INITIATION A L’ECONOMETRIE DES SERIES TEMPORELLES :

De la théorie à la pratique

UPGC-Korhogo
Département d’économie
SOMMAIRE
SOMMAIRE .............................................................................................................................................. 1
CHAPITRE 1 : CARACTERISATION DES SERIES CHRONOLOGIQUES.......................................................... 0
1. Définition ..................................................................................................................................... 0
2. Les composantes d’une série chronologique .............................................................................. 0
3. Exemples de séries chronologiques ............................................................................................ 0
4. Schéma de décomposition d’une série chronologique ............................................................... 1
CHAPITRE 2 : ANALYSE DE LA TENDANCE................................................................................................ 3
1. Types de modèle de tendance .................................................................................................... 3
2. Détection de la tendance ............................................................................................................ 3
CHAPITRE 3 : ANALYSE DE LA SAISONNALITE .......................................................................................... 5
1. Détection de la saisonnalité ........................................................................................................ 5
2. Méthode de désaisonnalisassions ............................................................................................... 8
CHAPITRE 4 : PREVISION D’UNE SERIE CHRONOLOGIQUE .................................................................... 12
1. Prévision d’une chronique non saisonnière .............................................................................. 12
2. Prévision d’une chronique saisonnière ..................................................................................... 15
CHAPITRE 5 : MODELISATION DES SERIES CHRONOLOGIQUES ............................................................ 19
1. Les Processus Aléatoires Stationnaires et les Processus ARMA ............................................... 19
2. Test de non stationnarité .......................................................................................................... 19
3. Identification des processus ARMA ........................................................................................... 19
4. Estimation, test de validation et prévision des processus ARMA ............................................. 19

1
CHAPITRE 1 : CARACTERISATION DES SERIES CHRONOLOGIQUES
1. Définition
Une série chronologique est une suite d’observations d’une quantité répétée dans le temps, à
intervalle de temps constant. La valeur courante de la série temporelle est notée où est le temps

comme suit : , … . , , … . , .
et est compris entre 1 et avec le nombre total d’observations de la chronique. La série se présente

2. Les composantes d’une série chronologique

De façon générale, on distingue 4 grandes composantes :

- La Tendance ou Trend ( ) : elle décrit le mouvement long terme. Ce mouvement est

traditionnellement représenté par des formes analytiques simples : polynomiale,
logarithmique, exponentielle, logistique, etc.
- La composante cyclique ( ) : c’est une composante conjoncturelle décrit par un mouvement
oscillatoire d’amplitude et de périodicité pouvant varier autour de la tendance. Dans la plupart

composante appelée extra-saisonnier ( ) ou encore la composante tendance-cycle.

des travaux sur les séries chronologiques, la tendance et le cycle sont regroupés en une seule

- La composante saisonnière ( ) : elle est décrite par des mouvements très courts de pics et de
creux successifs qui se répètent presqu’à l’identique de période en période à des dates
presque précises. Elle révèle des phénomènes de mode, de coutume, de climat, de saison, etc.
- La composante résiduelle ( ) : elle rassemble tout ce que les autres composantes n’ont pu
expliquer du phénomène observé. Elle prend en compte de nombreuses fluctuations, en
particulier accidentelle dont le caractère est exceptionnel et imprévisible (catastrophe
naturelles, grèves, guère, …)

3. Exemples de séries chronologiques

 4. Schéma de décomposition d’une série chronologique
Les différentes composantes d’une série temporelle peuvent être agencées suivant trois modèles :

Le modèle additif : = + + + = + +
Le modèle multiplicatif : = × × + = × +
- ou

Le modèle multiplicatif complet : = × × × = × ×

- ou
- ou

Le choix d’un modèle de décomposition d’une série chronologique est une phase importante dans
l’analyse de la saisonnalité de ladite série. En effet, certains calculs comme ceux des coefficients
saisonniers, de la série CVS et des prévisions dépendent du type de schéma de décomposition retenu.
C’est pourquoi, avant de procéder à une analyse traditionnelle d’une série chronologique, il convient
de faire la sélection du schéma de décomposition approprié. La procédure de la bande et le test de
Buys-Ballot sont deux techniques qui peuvent aider à cette sélection.

4.1. La procédure de la bande

Cette technique repose sur un examen visuel du graphe représentatif de la série brute. Elle consiste à
relier d’une part les pics par une ligne brisée et d’autre part les creux par une autre ligne brisée. Si les
deux lignes semblent approximativement parallèles, alors le schéma de décomposition de la série est
de type additif, dans le cas contraire, on retient le modèle multiplicatif.

4.2. Le test de Buys-Ballot

Ce test est fondé sur un tableau appelé tableau de Buys-Ballot. Il s’agit d’un tableau complet à double
entrée dans lequel sont consignées les valeurs de la série brute. Il est constitué en ligne par les années
et en colonne par le facteur à analyser (mois, trimestre …). Les moyennes et les écarts types des années
et des trimestres (ou des mois selon le cas) sont calculés, ainsi que pour l’ensemble des observations
de la chronique.

1
Pour des données trimestrielles, le tableau de Buys-Ballot se présente comme suit :

Trim
Trim 1 …. Trim ….. Moyennes Ecart types
4
Année 1
…

1 1
Année . = . = ( . − .)
"

…
Année N
Moyennes
Ecart types

$ et $% de l’équation = $% + $ + & . Si le coefficient $ n’est pas significativement différent de

Le tableau de Buys-Ballot étant construit, on estime par la méthode des MCO les paramètres

zéro, (Test de Student), on accepte l’hypothèse d’un schéma additif, dans le cas contraire, on retient
le modèle multiplicatif.

Application 1 : la série ci-dessous porte sur les ventes trimestrielles de produit d’une entreprise.

Années Trimestres Ventes

T1 30
T2 11
2014
T3 12
T4 36
T1 32
T2 12
2015
T3 13
T4 37
T1 33
T2 13
2016
T3 15
T4 39
T1 35
T2 14
2017
T3 17
T4 41

1. Représentez graphiquement la série brute des ventes. Interprétez ;

2. Quel schéma de décomposition suit cette série ? justifiez ?

2
CHAPITRE 2 : ANALYSE DE LA TENDANCE
1. Types de modèle de tendance
Il existe différentes type de tendance :

Tendance linéaire : = $ + '

Tendance quadratique : = $ + ' + ( "
-

Tendance polynomiale d’ordre ) : = $% + $ + $" "

+ ⋯ + $+ +
-

=
,
-

-./ 012
dépasser une certaine valeur ( (par exemple des taux). C’est un modèle non linéaire met qui
- Tendance logistique : : elle permet de modéliser les processus ne pouvant

(1 + '5 67 )4
En posant 3 = 14 on a 3 = (. On calcule 3 - et on montre que :
peut être ramené à un modèle linéaire par un changement de variable.

3 = 8 + 93 (modèle linéaire simple) avec 8 = et 9 = 5 67 .

6/ 01
- ,
Les différents paramètres peuvent être estimés par la méthode des MCO. Si la tendance est
présente une forme analytique bien marquée comme celles énumérées pour l’ensemble des
observations de la chronique, on dit que la tendance est déterministe. Si tel n’est pas le cas la
tendance est dite aléatoire.

2. Détection de la tendance
Pour mettre en évidence la présence d’un mouvement tendanciel, l’on a recourt à des techniques
comme :

- La représentation graphique de la série : l’examen visuel peut révéler un mouvement général

à la hausse, à la baisse, de façon oscillatoire autour d’une valeur fixe ou une combinaison de
ces mouvements.
- La représentation graphique de fonction d’autocorrélation (corrélogramme) : lorsque le
corrélogramme présente une décroissance lente de ses termes, alors cela est spécifique d’une
série affectée d’une tendance.
- Le test de Student sur les coefficients d’une régression obtenue par les MCO : ce test révèle la
significativité ou non des coefficients associés à la variable temporelle (t) du modèle
tendanciel.
- L’analyse de la variance et le test de Fisher (Cf. Chap. 3).

Application 2 : à partir des données de l’application 1, on obtient les résultats ci-dessous. En se

référant à ces résultats dites si la série vente est affectée d’un mouvement tendanciel :
Figure 1 : Evolution des ventes trimestrielles de A au cours de 2013 à 2017

3
Tableau 1 : Résultats de l'estimation de la tendance

Limite Limite
inférieure supérieure
pour seuil pour seuil
Coefficient Coefficients Erreur-type Statistique t Probabilité
de de
confiance = confiance =
95% 95%
Constante 20,425 6,24007658 3,27319701 0,00555054 7,04136683 33,8086332
t 0,46470588 0,64533336 0,72010206 0,4833122 -0,91939651 1,84880827

Tableau 2 : Résultat de l'analyse de la variance et du test de Fisher

ANALYSE DE VARIANCE

Degré de Somme des Moyenne Valeur

F
liberté carrés des carrés critique de F

Régression 1 73,4235294 73,4235294 0,51854698 0,4833122

Résidus 14 1982,32647 141,594748
Total 15 2055,75

Figure 2 : Correlogramme de série "Vente" de A

Ces résultats aboutissent-ils à la même conclusion ?

4
CHAPITRE 3 : ANALYSE DE LA SAISONNALITE
L’étude de la saisonnalité est un préalable au traitement de toute série chronologique. En effet pour
pouvoir analyser les autres caractéristiques, il convient d’isoler d’abord la composante saisonnière si
elle existe. Par ailleurs, la qualité des modèles et des prévisions qui en découlent est mise en cause si
celles-ci sont effectuées directement à partir d’une série affectée de saisonnalité. C’est pourquoi, il
convient de tester la présence de cette composante saisonnière afin de pouvoir l’isoler pour étudier
les autres composantes et améliorer la qualité des prévisions.

1. Détection de la saisonnalité
La mise en évidence de la présence de la composante saisonnière peut passer par plusieurs méthodes
dont la représentation graphique et le tableau de Buys-Ballot, l’analyse de la variance et le test de
Fisher, la fonction d’autocorrélation.

1.1. La représentation graphique et le tableau de Buys-Ballot

Représenter graphiquement une série chronologique doit être le premier réflexe de tout analyste. En
effet, un simple examen visuel du graphique suffit parfois pour détecter une saisonnalité, surtout si
celle-ci est bien marquée. Toutefois cet examen n’est pas révélateur, ou en cas de doute, le tableau de
Buys-Ballot permet d’analyser plus finement l’historique. En effet, après construction de ce tableau,
on range les trimestres (les mois … selon le cas) pour chaque année par valeurs décroissante des
observations. La présence de la saisonnalité est mise en évidence par la persistance d’un trimestre (ou
d’un mois selon le cas) à une position fixe.

1.2. Analyse de la variance et le test de Fisher

L’analyse de la variance repose sur le calcul des sommes et moyennes à partir d’un tableau proche de
celui de Buys-Ballot.

Périodes (:)
Années (;)
1 … j … p Moyennes années
1 <

<
1
…

i < . =

….
= = =<
< =
1 1
N

= = ?
.
> >
Moyennes
périodes

A partir des résultats de ce tableau, on construit le tableau de l’analyse de la variance.

5
 Degré de
Somme des carrés variances
<
liberté

=> A − BC
"
D< = (D$E $ (5 FéE HI5)
<
@ .
−1
−1

= ( − B)"
DJ = (D$E $ (5 K é5)
J
J .
>−1
>−1
= <

= A − − + BC ( − 1)(>
"
DL = (D$E $ (5 éM IN)
L . . L
− 1) ( − 1)(> − 1)

= <

= A − BC = + +
"
> −1 DO = (D$E $ (5 H $P5)
O J @ L O
> −1

A partir de ce tableau, on procède à la construction du test d’hypothèse de Fisher :

Test de l’influence du facteur colonne (la période) : Q% : pas d’influence de la colonne

D
On calcule le Fisher empirique R, = @4D que l’on compare au Fisher lu dans la table
-

L
RSVT ,SU à W = − 1 et W" = (> − 1)( − 1) degré de liberté.
Si R, > RSVT ,SU alors on rejette Q% : la série est donc saisonnière.
Test d’influence du facteur ligne, tendance : Q% : pas d’influence du facteur année
D
On calcule le Fisher empirique R, = J4D que l’on compare au Fisher lu dans la table
-

L
RSVY ,SU à WZ = − 1 et W" = (> − 1)( − 1) degré de liberté.
Si R, > RSVY ,SU alors on rejette Q% : la série est affectée d’une tendance.

1.3. La fonction d’autocorrélation et le corrélogramme

décalée de [ périodes. Le corrélogramme est la représentation graphique de la fonction

La fonction d’autocorrélation est la fonction qui mesure la corrélation de la série avec elle-même

d’autocorrélation. A partir d’un corrélogramme, il est possible de mettre en évidence les différentes

coefficients d’autocorrélation d’ordre [ entre la série chronologique et cette même série décalée de
composantes d’une série chronologique dont la composante saisonnière. On calcule alors les

[ périodes de temps. Les coefficients d’autocorrélation sont calculés pour des ordres allant de 0 à \,
\ étant le décalage maximum admissible. En général ] ≤ \ ≤ Z ou \ = _ si ≥ 150 pour que le
coefficient d’autocorrélation ait un sens.

Le coefficient d’autocorrélation d’ordre [ est donné par :

∑ ( − )( − ")
Ec =
c- 6c
e∑ c- ( − )" ∑ c- ( 6c − ")
"

6
 ∑ − ( − [)
Ec =
c- 6c "

" )(∑
f(∑ −( −[) − ( − [) ")
" " "
c- c- 6c

Avec

1 1
= 5 =
−[ "
−[ 6c
c- c-

Le test de signification sur les coefficients Ec permet de sélectionner les coefficients d’autocorrélation
significativement différents de 0. Il peut si est suffisamment grand, s’effectuer comme pour un
coefficient de corrélation linéaire simple.

Soit gc la vraie valeur de Ec et l’hypothèse Q% : gc = 0. Sous cette hypothèse la quantité

= √ − 2 obéit à une loi de Student à − 2 degré de liberté (ou à une loi normale centrée
|ij |
,
f 6ijU
6V4"
réduite si > 30). Si , > 6" (valeur lue de la loi de Student au seuil 8 à − 2 degré de liberté)
l’hypothèse Q% est rejetée.

= " = ( moyenne de la série chronologique) et nous pouvons écrire la

Pour grand, si la série est sans tendance et de variance relativement constante au cours du temps,
nous pouvons poser
formule simplifiée :

1
Ec = $W5( = ( − )( − ) 5 = D$E( )
c
%
c
−[ 6c %
c-
.

La représentation graphique de la fonction d’autocorrélation est appelé le corrélogramme qui se

présente comme suit :

E" Ec
E Eq

NB : il peut être représenté verticalement comme horizontalement.

A partir de corrélogramme, les différentes composantes de la série chronologique peuvent être mises
en évidence. En effet :

caractéristique d’une variable aléatoire de type bruit blanc ( ( ) = 0 ; D$E( ) = <

- Si les termes du corrélogramme sont tous faibles à l’exception d’un seul, alors ceci est

∞ ; HW( , 6c ) = 0) ;

Si le corrélogramme présente des termes très élevés en certaines périodes [ ; alors il y a

- Si les termes décroissent lentement alors la série est affectée d’une tendance ;
-
présence d’effet saisonnier en ces périodes.
- Une série qui comporte les trois composantes (tendance, variable aléatoire, effets saisonnier)
présente un corrélogramme combinant les trois caractéristiques décrites ci-dessus.

7
 2. Méthode de désaisonnalisassions
La présence de saisonnalité dans une série peut rendre erronées les comparaisons inter temporelles
du phénomène mis en évidence par la série. De plus, la présence de saisonnalité est source de non
stationnarité des séries, ce qui rend fallacieuses les modélisations mettant en relation des séries non
stationnaires. Enfin, les prévisions faites directement à partir de série affectées de saisonnalité ne
peuvent pas être rigoureuses. C’est pourquoi, après avoir détecté la présence de saisonnalité dans la
série, il est nécessaire de l’éliminer (sans modifier les autres composantes) avant de procéder à toutes
les autres opérations. On dit qu’on désaisonnalise la série. Il existe plusieurs méthodes de
désaisonnalisation et le choix d’une d’entre elles dépend de la nature de la saisonnalité : rigide ou
souple.

2.1. Méthodes de désaisonnalisation dans le cas de saisonnalité rigide

La saisonnalité est dite rigide lorsqu’elle est déterministe bien marquée et répétitive. Dans un tel cas
les méthodes de régressions et l’emploi des coefficients saisonniers identiques sur la période
historique sont adaptés.

2.1.1. Méthode de régression sur le temps

Dans le cas d’une désaisonnalisation par régression sur le temps, la procédure est la suivante :

Estimer la tendance par MCO : r = $r% + $r ;

On calcule les différences saisonnières = − r si le schéma de décomposition est additif
-

ou les rapports saisonniers = sr2 si le modèle de décomposition est multiplicatif ;

s
-

2
- On détermine les coefficients saisonniers provisoires pour chaque période (mois, trimestre,
semestre selon le cas) en faisant la moyenne des coefficients saisonniers de la même

On calcule les coefficients saisonniers définitifs ∗sur la base du principe de la conservation

période ;
-
des aires selon lequel les moyennes annuelles de la série brute et de la série corrigée des

o Pour le modèle additif : ∗ = − ̅ avec ̅ = ∑ ; F étant le nombre de

<
variations saisonnières doivent être égales. Ainsi

@
périodes (4 pour les trimestres, 2 pour les semestres, 12 pour les mois). ̅ est calculé
si ∑ ≠ 0 ; dans le cas contraire ∗ = .
= avec ̅ = @ ∑
; F étant le nombre de
∗ wx <
w̅
périodes (4 pour les trimestres, 2 pour les semestres, 12 pour les mois). ̅ est calculé
o Pour un modèle multiplicatif

si ∑ ≠ F ; dans le cas contraire ∗ = .

- On détermine enfin la série désaisonnalisée appelée série corrigées des variations saisonnières

o Dans le cas d’un modèle additif : yzw = − ∗ ;

(CVS) :

= w 2∗
yzw s
x
o Dans le cas d’un modèle multiplicatif :

2.1.2. Méthode de régression sur fonction trigonométrique ou régression sur série de Fourier

polynôme de degré quelconque [ plus une somme de fonction trigonométrique, comme l’indique la
Avec cette méthode, une série chronologique suivant un schéma additif peut être modélisée par un

formule ci-dessous :
c €
2}
= 8% + 8 + K (HM | +~ •+ Hù
!

8
 est la périodicité, [ le degré du polynôme, ‚ le nombre d’harmoniques ƒ‚ = " − 1„ et ~ la phase
O

(en radian) du cycle à l’origine. La partir trigonométrique contient deux inconnue K et ~ . La position
de ~ à l’intérieur du cosinus rend difficile l’estimation par la méthode des MCO. C’est pourquoi, pour
parvenir à l’application des MCO, on utilise la forme développée K (HM ƒ O + ~ „. Ce qui donne :
"…

2} 2} 2}
K (HM | + ~ • = K |(HM × (HM~ − M ×M ~ •

HM$ 9 = K (HM~ 5 † = −K M ~ $PHEM H $ ∶

2} 2} 2}
K (HM | + ~ • = 9 (HM +† M 5 P5 ‚HIèP5 à 5M ‚5E I5W 5 $PHEM ∶

c €
2} 2}
= 8% + 8 + |9 (HM +†M •+
!

L’application des MCO à ce modèle donne le modèle estimé suivant :

c €
2} 2}
r = 8r% + 8r + |9Š (HM + †r M •
!

Et la série désaisonnalisée est donnée par :

€
2} 2}
yzw
= − |9Š (HM + 9Š M •

Cette méthode, adaptée pour les séries à structure rigide, n’est pas toujours adaptée pour des séries
économiques car ces dernières possèdent le plus souvent des composantes qui sont mouvantes.

2.1.3. Méthode de régression sur variables indicatrices

polynôme et la composante saisonnière par un ensemble de variables dichotomiques noté ;>‹ , . Ainsi
Dans cette méthode, la composante Tendance-Cycle (Extra saisonnier) est ajustée par une fonction

le modèle de régression se présente comme suit :

c O

= $% + $ + ' ;>‹ , +
!

Avec = 1, 2, … , et est la période de la saisonnalité (égale à 12 pour les données mensuelles et 4

pour les données trimestrielles). ;>‹ , = 1 si correspond à la période saisonnière, sinon 0.

L’application de la méthode des MCO sur ce modèle qui est un modèle linéaire donne les estimations
des paramètres :
c O

r = $r% + $r + 'Œ ;>‹ ,

!

Dans la pratique, on calcule − 1 coefficients de saisonnalité (' )et de déduire sur la base du principe
de conservation des aires (∑O ' = 0) le è€/ coefficient ('O ) : 'O = − ∑O6 ' . Pour des données
trimestrielles par exemple où ( = 4), on aura ' = − ∑Z ' = −(' + '" + 'Z ). Ainsi de façon on
aboutit à la série désaisonnalisée qui donnée par : yzw = − ∑O 'Œ ;>‹ , .

9
Cette méthode s’applique pour désaisonnaliser une série chronologique structurée selon un schéma
additif ou multiplicatif.

2.1.4. Méthode des moyenne mobiles

La procédure de la désaisonnalisation par les moyennes mobiles reste la même que celle décrite pour
la désaisonnalisation par régression ; seulement que la tendance est remplacée par une moyenne
mobile d’ordre égale à la période de la saisonnalité. La question qui se pose est alors le choix de la
moyenne mobile puisqu’il en existe plusieurs.

Une moyenne mobile est un filtre permettant de lisser une série temporelle et donc d’enlever une
composante saisonnière. On utilise de préférence une moyenne mobile simple qui est un filtre

au nombre de périodes F de saisons (appelé ordre de la moyenne mobile).

symétrique à horizon fini. Il s’agit d’une succession de moyenne arithmétique de longueur choisie égale

Si l’ordre de la moyenne mobile est impair : F = 2‚ + 1 avec ‚ ∈ > ∗ la moyenne mobile

d’ordre F est donnée par :
-

€
1
••(F) =
2‚ + 1 -
6€

Pour une moyenne mobile d’ordre 7 on a : F = 2‚ + 1 = 7 ==> ‚ = 3 et :

Z
1 1
••(7) = = ‘ + + + + + + -Z ’
7 -
7 6Z 6" 6 - -"
6Z

Si l’ordre de la moyenne mobile est pair : F = 2‚ avec ‚ ∈ > ∗ la moyenne mobile d’ordre
F est donnée par :
-

€6
1 1 1
••(F) = “ + + -€ ”
2‚ 2 6€ -
2
6€-

Pour une moyenne d’ordre 4 : F = 2‚ = 4 ==> ‚ = 2 et :

Z
1 1
••(4) = = ‘0,5 + + + + 0,5 -" ’
4 -
4 6" 6 -
6Z

Les moyennes mobiles simples ont pour propriété d’éliminer une saisonnalité de période égale à
l’ordre de la moyenne mobile, de laisser passer l’extra saisonnalité et de lisser le résidu. Par
construction, les moyennes mobiles sont plus courtes en nombre d’observations du faite de la perte
d’informations aux extrémités de la chronique.

2.2. Méthodes de désaisonnalisation en cas de saisonnalité souple

Lorsque la saisonnalité n’est pas rigide, c’est-à-dire qu’elle est fluctuante, possède des amplitudes
variantes et que l’extra saisonnalité a une forme complexe, la désaisonnalisation par la moyenne
mobile ou par la tendance s’avère insuffisante. On recourt alors à d’autres méthodes comme le lissage
exponentiel de Holt-Winters et les méthodes Census : Census X11, Census X11 ARIMA, Census X12
ARIMA.

Application 3 : à partir des données de l’application 1, on demande de :

a- tester la présence de saisonnalité dans la série à partir des méthodes vues ;

10
b- de désaisonnaliser la série la série par régression linéaire et par moyenne mobile (calculer la
série la série CVS)

11
CHAPITRE 4 : PREVISION D’UNE SERIE CHRONOLOGIQUE
Les prévisions traditionnelles d’une série chronologique doivent tenir compte de la caractéristique
saisonnière ou non de la chronique. Ainsi, il est possible de regrouper les méthodes de prévision selon
ces deux caractéristiques.

1. Prévision d’une chronique non saisonnière

Si la série est non saisonnière, une question supplémentaire qu’il convient de se poser avant de se
lancer dans la prévision est de savoir si la composante tendancielle existe. Plusieurs tests permettent
de mettre en évidence la présence de la tendance : représentation graphique, fonction
d’autocorrélation, l’analyse de la variance, …plusieurs cas peuvent se présenter. Le premier cas est que
la série peut ne pas comporter de tendance. Dans un second cas elle peut bien avoir une tendance
déterministe et le troisième cas est que la tendance, si elle existe, peut être aléatoire. Pour chacun de
ces cas de figure, il convient d’utiliser la méthode de prévision appropriée.

1.1. En cas d’absence de tendance : Moyenne des résidus

Si les tests indiquent l’absence de tendance, alors la série est structurée par le résidu qui par
hypothèse est une succession de nombres au hasard indépendants entre eux, donc sans structure et
de moyenne nulle. La prévision de la chronique est donc la moyenne des résidus qui est égale à 0 si la
série est centrée ou égale à une constante si la série n’est pas centrée.

Cependant, il arrive parfois que le résidu ait une structure sans qu’il possède une tendance ; par

partir des modèles K •K.

exemple le résidu peut avoir une structure autorégressive à « mémoire ». La prévision se fait alors à

1.2. En cas de tendance déterministe : Régressions

Si la tendance existe suite aux tests effectués sur la série brute, deux cas peuvent se présenter : la
tendance est soit déterministe, soit elle est aléatoire.

Dans le cas d’une tendance déterministe ( = •( ) + & ), linéaire ou transformable linéairement, la

méthode des MCO donne les estimateurs $r des paramètres $ ainsi que de nombreuxs tests associés.

Dans le cas d’une tendance non linéaire et non transformable linéairement, on recourt à des
techniques à des algorithmes d’optimisation non linéaire afin d’estimer les paramètres.

Ces méthodes postulent des paramètres constants dans le temps et restent utiles pour estimer les
tendances lourdes des phénomènes économiques ; toute chose étant égale par ailleurs. A partir du
modèle estimé on détermine les prévisions pour un horizon donné.

1.3. En cas de tendance aléatoire : Lissage exponentiel

La tendance est dite aléatoire lorsqu’elle présente une évolution non modélisable par une forme
fonctionnelle. Dans ce cas la technique de lissage exponentiel est utilisée. Le lissage regroupe
l’ensemble des techniques empiriques qui ont pour caractéristique commune d’accorder un poids plus
important aux valeurs récentes de la chronique.

Les méthodes de lissage exponentiel non saisonnier supposent que la chronique de départ est
structurée de la façon suivante :

=• +&
(c)

Où (& ) = 0; (& " ) = "

– ∀ 5 HW(& , & ˜ ) = 0 ∀ , ˜
≠ ′

•
(c)
est une fonction polynôme dont les paramètres dépendent du temps.

12
Lorsque pour • on a [ = 0 alors on est en présence d’un lissage exponentiel simple (LES) dont la
(c)
1.3.1. Le Lissage Exponentiel Simple (LES)

formule est donnée par :

r =š 6 + (1 − š) r 6 ou encore

r = r 6 + š( 6 −r 6 )
š est appelé constante de lissage. Lorsque š est proche de 0, la pondération s’étale sur un grand

aux dernières observations. Par contre, lorsque š est proche de 1, les observations les plus récentes
nombre de temps passé ; la mémoire du phénomène étudié est forte et la prévision est peu réactive

ont un poids prépondérant sur les termes anciens ; la mémoire du phénomène est faible et le lissage
est très réactif aux dernières observations.

A partir de la constante de lissage, on détermine le délai moyen de réaction ou encore âge moyen de
l’information par la quantité :

∑› % š(1 − š)
› ›

š̅ = = š(1 − š) ($E š(1 − š) = 1 $E (H M EN( H

∑› % š(1 − š)
% %

1−š
On montre que : š̅ =
š
Ainsi si š = 1, l’âge moyen de l’information est nul puisque seule la dernière valeur est prise en compte
et si š = 0 l’âge moyen est infini puisque seule la valeur initiale est prise en compte. De façon générale,
la valeur du coefficient de lissage est celle qui minimise la somme des carrés des erreurs de prévision
passée :

• 5" = ( − r )"

Pour assurer un rôle de filtrage efficace, il convient de choisir un š faible, mais alors on perd en
réactivité. Très couramment le valeur choisie pour le coefficient de lissage est š = 0,3. En effet une
représentation graphique de š en fonction de l’âge moyen de l’information indique pour un coefficient
š < 0,2 l’âge du lissage s’accroît très vite pour un gain faible de filtrage et que pour š > 0.4 la qualité
du filtrage décroît très vite pour une faible réduction de l’âge moyen.

La formule du LES r = š 6 + (1 − š) r 6 telle que présentée, soulève un problème au démarrage

des calculs, ce qui rend impossible le calcul de la prévision. En effet :

Pour = 1, r = š % + (1 − š) r% ===> % 5 r% E5M 5 (H NM

Pour = 2, r" = š + (1 − š) r ===> r E5M 5 (H N
-
-

existent afin de pouvoir initialiser les calculs à partir de = 2 :

Pour résoudre ce problème d’inconnus qui empêche le démarrage des calculs, plusieurs solutions

Poser que r = (‚H 5 5 $E ℎ‚é )N5 I5 ) ainsi à = 2, § " = š + (1 − š) ;

Poser que r = (W$P5NE I5 à = 1) ainsi à = 2, § " = š + (1 − š) = ;
-

Réaliser une prévision arrière de la chronique en commençant le calcul du LES à la date =

-

pour remonter à la date = 1 en utilisant comme démarrage des calculs la méthode

-

précédente et faire la prévision pour la valeur 1.

13
A un instant donné de l’historique la chronique, le calcul de r = 6 , est réalisable puisque tous les
<

= + ℎ ($W5( ℎ = 1, 2, …), le calcul ne peut être effectué que pour le premier pas du temps. On
éléments de la formule sont maintenant connus. Pour la prévision de la chronique à un horizon

prévue pour ℎ = 1 c’est-à-dire en + 1 ; r -¨ = r - .

montre que les valeurs prévues à partir d’un LES sont donc identiques entre elles et égales à celle

L’intervalle de confiance à 100(1 − 8)% de la valeur prévue de en − 1 (ou de = +1à + ℎ)

est donné par :
−r
FEH' ª− ≤ ≤ "« = 100(1 − 8)%
V4 V4
"
/

Avec 5 = − r ===> D$E(5 ) = D$E( ) + W$E( r ) puisque 5 r sont indépendants. On

montre que D$E(5 ) = "6®
"¬-U

±
−r
==> FEH' °− ≤ ≤ " ³́ = 100(1 − 8)%
V4 V4
"
°̄ ³
f2 s
"

2−š ²

2 2
==> FEH' µ r − " s¶ ≤ ≤ r + " s¶ · = 100(1 − 8)%
V4 V4
2−š 2−š

2
==> ; = r ± " s¶ $W5( N 5EW$PP5 I5 (H • $ (5 I5 100(1 − 8)%.
V4
2−š

V/"
est la valeur de la loi normale centrée réduite. Pour un intervalle de confiance à 100(1 − 8)% =

95% (donc une marge d’erreur de 8 = 5%), = 1,96 et ; = r ± 1,96 s f"6®.

V/" "

1.3.2. Le Lissage Exponentiel Double

Pour une chronique de départ structurée par :

=• +&
(c)

Où (& ) = 0; (& " ) = "

– ∀ 5 HW(& , & ˜ ) = 0 ∀ , ˜
≠ ′

Si [ = 1, on a un Lissage Exponentiel Double (LED) dont les formules générales sont données par :

r =š 6 + (1 − š) r 6

Œr = š r + (1 − š) Œr 6

$ = 2 r − Œr
1 1−š
' = A r − Œr C $W5( š̅ =
š̅ š
=$ +' ( = 2, … , + 1)
<
6 ,

=$ +' ∗ℎ (ℎ = 2, … , + 1)
<
, -¨ - -

14
La prévision par un LED ( , -¨ ) est donc une droite qui a pour ordonnée à l’origine la valeur de $ et
<

pour pente celle de ' . On peut par conséquent extrapoler cette droite à l’horizon ℎ. Cependant plus
ℎ est grand plus la prévision perd en qualité. C’est pourquoi, il convient de limiter l’horizon de
prévision.

Tout comme le LES, le LED présente dans sa formulation des inconnus en = 1. En effet en = 1, nous
avons :
r = š % + (1 − š) r%
¼Œ
r = š r + (1 − š) Œr%

Ainsi en = 1, % , r% , r et Œr% sont inconnus. En = 2 nous avons :

r" = š + (1 − š) r
¼Œ
r" = š r" + (1 − š) Œr

En = 2, seuls r et Œr ne sont pas déterminés. Les calculs peuvent donc démarrer en = 2 où on a

seulement 2 inconnues contrairement en = 1 où on a jusqu’à 4 inconnues. Ainsi pour initialiser le
LED, on peut :

Choisir r = et Œr = r soit r = Œr =
Ou encore déduire r et Œr en utilisant les formules $ et ' . Pour = 1 on a :
-

$ = 2 r − Œr
r = $ − š̅'
-

½ 1 ===> ¾
' = A r − Œr C Œr = $ − 2š̅'
š̅
Comme $ et ' sont respectivement l’ordonnée à l’origine et la pente de ? = $ + ' + & , ils
peuvent être estimés par la méthode des MCO à partir de l’historique de la chronique ? pour =
1, … , ; ce qui est en contradiction avec le LED qui s’applique à une chronique localement linéaire. Par
ailleurs, le choix de la constante š se fait par les mêmes méthodes présentées pour le LES.

On montre enfin que l’intervalle de confiance à 100(1 − 8)% de la prévision de ? notée

<
, -¨ , -¨
est donné par :

; =¿ ± s ¨À
< V/"
, -¨

Avec :
1 − š˜
"
=1+ ‘(1 + 4š˜ + 5š˜" ) + 2ℎ(1 − š˜ )(1 + 3š˜ ) + 2ℎ" (1 − š′)" ’ $W5( š˜ = 1 − š
¨
(1 + š˜ )Z

Pour un intervalle de confiance de 95% on a : ; = ¿ , -¨ ± 1,96 s ¨ À.

dépend de l’horizon de prévision ℎ contrairement au LES.
Cet intervalle de confiance

L’intérêt du Lissage Exponentiel réside dans sa très grande facilité de mise en œuvre et dans la
restitution des résultats aisément compréhensibles et donc maîtrisable. Cependant, il faut noter que
cette technique ne peut être employée que sur des historiques sans saisonnalité ou préalablement
désaisonnalisée.

2. Prévision d’une chronique saisonnière

On distingue deux types de saisonnalité : la saisonnalité déterministe et la saisonnalité aléatoire. La
saisonnalité déterministe est celle qui se présente sous la forme d’une cyclicité très marquée, régulière
en période et en amplitude (selon le schéma). Tous les autres cas sont des cas de saisonnalité aléatoire.

15
De façon générale, les méthodes de prévision pour les séries saisonnières sont les méthodes de
régression, l’utilisation des coefficients saisonniers et les méthodes par lissage exponentiel de Holt-
Winters.

2.1. Analyse par régression

- Lorsque la saisonnalité est considérée comme déterministe, la méthode à utiliser pour la
modélisation est la méthode des MCO.
- Si on suppose que la chronique est structurée selon une composante extra saisonnière et une
saisonnalité de type déterministe (simultanément) alors on peut employer les techniques de
régression sur fonction trigonométrique et régression sur variable dichotomique pour
modéliser cette structure.
- Il peut arriver que la tendance de la chronique soit de type aléatoire alors que la saisonnalité
reste déterministe, dans ce cas, on peut utiliser le LED de Holt (lissage à deux paramètres) avec
régression sur fonction trigonométrique pour la partie saisonnière.

2.2. Utilisation des coefficients saisonniers

Dans cette méthode, on calcule d’abord les coefficients saisonniers tels que présentés dans les
méthodes de désaisonnalisation par régression. On détermine ensuite la chronique CVS telle que déjà
vue ; on modélise soit par une fonction soit par une technique de lissage exponentiel. La prévision de
la chronique est enfin obtenue par agrégation des différentes composantes en fonction du schéma de
décomposition retenu.

2.3. Prévision par lissage exponentiel de Holt-Winters

La chronique considérée dans un tel cas doit comporter une tendance et une saisonnalité aléatoire et
sur laquelle on applique un lissage exponentiel pour effectuer une prévision combinée qui est une
technique mise au point par Holt et Winter (1960). Il s’agit d’un lissage exponentiel double de Holt à
deux paramètres pour la partie non saisonnière et un lissage exponentiel saisonnier à un paramètre
de Winter. Cette méthode de lissage comporte donc trois paramètres à estimer et il en existe deux
version : une version multiplicative et une version additive.

2.3.1. Le schéma multiplicatif

Dans le cas d’un schéma multiplicatif, la chronique s’écrit :

= × + & = ($ + ' ) +&

On effectue trois lissage distincts :

Le lissage de la moyenne $ avec un coefficient de lissage 8Á‘0,1’ :

$ = 8| 4 • + (1 − 8)($ +' )
-
6 6
6<
Le lissage de la tendance ' avec un coefficient de lissage 9Á‘0,1’ :
' = 9($ − $ 6 ) + (1 − 9)' 6
-

Le lissage de la saisonnalité avec un coefficient de lissage †Á‘0,1’ :

= †A 4$ C + (1 − †)
-
6<

NB : on utilise 6< car n’est pas encore connue

La prévision à un horizon de ℎ période est donnée par :

r -¨ = ($ + ℎ' ) 6< +ℎ M 1≤ℎ≤

r -¨ = ($ + ℎ' ) 6"<-¨ +ℎ M +1≤ℎ≤2

16
Avec :

r =
<
-¨ , -¨

$ = ‚H 5 5 P MMé5 I5 P$ MéE 5 5
= W$P5NE H'M5EWé5 I5 P$ MéE 5 5
= H5•• ( 5 M$ MH 5E 5
F = éE HI ( é I5M IH é5M ( = 12 5 ‚5 MN5P, =45 E ‚5M E 5P
' = 5 I$ (5 5M ‚é5 5

Dans certaines écritures du modèle, les coefficients saisonniers vérifie la propriété ∑ =

<
selon
le principe de conservation des aires.

La chronique s’écrit : = + + & = ($ + ' ) + +&

2.3.2. Le schéma additif

Le lissage de la moyenne $ avec un coefficient de lissage 8Á‘0,1’ :

$ = 8A − 6< C + (1 − 8)($ 6 + ' 6 )
-

Le lissage de la tendance ' avec un coefficient de lissage 9Á‘0,1’ :

' = 9($ − $ 6 ) + (1 − 9)' 6
-

Le lissage de la saisonnalité avec un coefficient de lissage †Á‘0,1’ :

= †( − $ ) + (1 − †) 6<
-

La prévision à un horizon de ℎ période est donné par :

r -¨ = ($ + ℎ' ) + 6<-¨ +ℎ M 1≤ℎ≤

r -¨ = ($ + ℎ' )+ 6"<-¨ +ℎ M +1≤ℎ ≤2

Les paramètres 8, 9 5 † sont optimisés comme pour les méthodes non saisonnières en minimisant la
somme des carrés des erreurs prévisionnelles entre la valeur observée de la chronique et les valeurs
prévues.

Le problème de démarrage de la technique se pose ici comme pour les autres méthodes de lissage. Les
valeurs de départ peuvent être estimées par la méthode des MCO ou simplement initialisées pour la
première année de la manière suivante :

En = 1 :

= HNE = 1, … ,
s2
s
Â$< =
'< = 0

complexe. Il s’agit de calculer les moyennes arithmétiques des [ premières périodes , … , c . Puis :
La technique d’initialisation proposée par Montgormery et Johnson est préférable bienque plus

c−
'% = $% = − '%
([ − 1) 2

17
 c
1
= $W5( =
( 6 )<-
6<
∑
<
[ +1
− ƒ 2 − „ '%

18
CHAPITRE 5 : PROCESSUS STATIONNAIRES ET LES PROCESSUS NON
STATIONNAIRES (voir fichiers électroniques joints)
1. Les Processus Aléatoires Stationnaires et les Processus ARMA
2. Processus non stationnaires
3. Identification des processus ARMA
4. Estimation, test de validation et prévision des processus ARMA

19