Académique Documents
Professionnel Documents
Culture Documents
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
- 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, …)
Le modèle additif : = + + + = + +
Le modèle multiplicatif : = × × + = × +
- 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.
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
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.
2
CHAPITRE 2 : ANALYSE DE LA TENDANCE
1. Types de modèle de tendance
Il existe différentes type de tendance :
=
,
-
-./ 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.
2. Détection de la tendance
Pour mettre en évidence la présence d’un mouvement tendanciel, l’on a recourt à des techniques
comme :
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
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.
Périodes (:)
Années (;)
1 … j … p Moyennes années
1 <
<
1
…
i < . =
….
= = =<
< =
1 1
N
= = ?
.
> >
Moyennes
périodes
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
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.
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.
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.
1
Ec = $W5( = ( − )( − ) 5 = D$E( )
c
%
c
−[ 6c %
c-
.
E" Ec
E Eq
A partir de corrélogramme, les différentes composantes de la série chronologique peuvent être mises
en évidence. En effet :
∞ ; HW( , 6c ) = 0) ;
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
- 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
@
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
= 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 ~ •
c €
2} 2}
= 8% + 8 + |9 (HM +†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.
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
= $% + $ + ' ;>‹ , +
!
L’application de la méthode des MCO sur ce modèle qui est un modèle linéaire donne les estimations
des paramètres :
c O
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.
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
€
1
••(F) =
2‚ + 1 -
6€
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€-
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.
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.
Cependant, il arrive parfois que le résidu ait une structure sans qu’il possède une tendance ; par
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.
Les méthodes de lissage exponentiel non saisonnier supposent que la chronique de départ est
structurée de la façon suivante :
=• +&
(c)
•
(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)
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)
› ›
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.
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
±
−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)% =
=• +&
(c)
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%
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.
; =¿ ± 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
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.
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.
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
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