Académique Documents
Professionnel Documents
Culture Documents
Introduction A L Analyse Des Series Temporelles
Introduction A L Analyse Des Series Temporelles
Pour ces 2 séries on voit que le temps explique bien le niveau de la série. Une
fonction du temps assez lisse capte bien le niveau de la série
Quelques exemples de séries
temporelles - 2
Nombre de morts par accident de voiture au R.U.
Le niveau moyen
reste stable jusqu’à
fin 1982 et il y a
d’importantes
fluctuations
saisonnières. En
février 1983 une
nouvelle législation
rend obligatoire le
port de la ceinture de
sécurité.
2) Explication – résumé:
Comprendre comment se passent certains processus et
avoir une vue synthétique débarrassée de détails de
court terme (instituts officiels de statistiques)
3) Prédictif:
Prédire dans le futur comment évolue un phénomène
Les définitions
• Une série temporelle est une suite d’instants
• Une série est dite régulière (rare) s’il n’y a pas
de lacunes et que le pas d’échantillonnage ne
change pas
• On rencontre également des séries temporelles
à données manquantes. Pour boucher les trous
on peut utiliser un modèle qui prédit les données
en prenant en compte les caractéristiques
locales et globales
• Une série est dite lacunaire ou intermittente
lorsque l’on a pas d’observation pendant
plusieurs années.
Les définitions
Les différentes composantes d’une série
temporelle sont:
• La tendance générale: Ne peut être étudiée que
si l’épisode est terminé et non en cours de
formation
• Variation saisonnière: Applicable que si l’on
dispose de plusieurs observations par an
• Composante cyclique: Echelle intermédiaire
entre le court et le long terme
Décomposition des séries
Il est classique de décomposer une série temporelle en tendance mt, effet
saisonnier st, et erreur Ut.
Dans le cas où les séries montrent une saisonnalité qui a de plus en plus
d’ampleur alors (comme pour les ventes de champagne) un modèle
multiplicatif est plus ajusté à la série:
Yt = mt, . st, . Ut avec E(Ut) = 0
Afin de savoir s’il existe une tendance, il faut faire une corrélation entre les valeurs
observées et les dates d’observations.
n n n
(ex3 - ex) n
(Rx - R) + (Ry - R) - 12 - (Rx - Ry)2
2 2
i=1 i=1 i=1 i=1
rs = n n n
(ex3 - ex)
2 (Rx - R) 2
(Ry - R) - 12
2
i=1 i i=1
.
Interprétation
2
Z r/
r
4 p 2 2(2n 5)
r 1 et r
n(n 1)
9n(n 1)
Z z
1
PAUSE
…
Estimation de la tendance générale
• Par régressions:
L'idée simple pour estimer une tendance générale est de vérifier son
ajustement par une droite, une parabole, un polynôme d'ordre plus élevé.
Ces techniques reposent sur l'algorithme des moindres carrés: on minimise les
carrés d'écarts entre les données observées et un polynôme de degré fixé à
l'avance. L'estimation des paramètres se fait en considérant un système
d'équations de dérivés partielles. La signification de l'ajustement peut se
faire par l'inférence statistique si les distributions sont normales, cas
malheureusement peu fréquent avec les séries.
Zt = at + b où Zt est la tendance
i m
1
Yj y j i wi
wi i m
1
fc
2m 1
Si 2m + 1 égale période de la série alors on fait apparaître la tendance en moyennant
la composante : si 2m + 1 = T alors Ft = MMt
Moyenne mobile pondérée : les termes qui sont proches ont plus de poids que les
termes qui sont loin
Ex : MB simple : 1 1 1 1 1
MB pondérée : 0,3 0,8 1 0,8 0,3
Filtrage Moyennes mobiles
Filtrage des moyennes mobiles
2000 2000
2m+1=5 2m+1=7
1000 1000
0 0
0 20 40 60 80 0 20 40 60 80
2000 2000
2m+1=13
w= [.2 .5 .9 1 .9 .5 .2]
2m+1=7
1000 1000
0 0
0 20 40 60 80 0 20 40 60 80
Estimation de la tendance locale
2 méthodes:
1) Différence entre la série totale et la tendance générale
St = Yt – Ft
où Yt est la série totale et Ft est la tendance générale
S1 = (x1 - k)
S2 = (x1 - k) +(x2 - k) = S1 +(x2 - k)
= x1 + x2 - 2k
p
D’où
S p = xi - p k
i=1
Cette somme cumulée est très sensible au changement de la valeur moyenne d'une
série.
Les changements d’Acartia dans la
8
Gironde 5000 20
Ln(ACARTIA MES SALINITE
6 ) 4000
3000
4 10
2000
2 1000
0 0 0
1978 80 82 84 86 88 90 1978 80 82 84 86 88 90 1978 80 82 84 86 88 90
Années Années Années
et = Yt – St avex E(et) = 0
Elimination de la tendance
générale
Elimination directe: méthode des
différence
La méthode des différences a pour but d'éliminer la tendance. Ce n'est valable
que si la série a une tendance monotone et non "en dents de scie".
Pour décrire la méthode, définissons d'abord la notion d'opérateurs de
retard.
Soit l'opérateur polynomial : = L0 - L1
Soit: Zt = (L0 - L1 )Zt = Zt - Zt-1
Les différences d'ordre r (successives), sont définies par :
r
= (-1)r-i Cir Li Zt
r
Zt = (L0 - L1 )rZt
i=0
où Cir désigne les combinaisons simples de i termes pris r à r.
Exemple: Soient les différences secondes:
2 2
Zt = (L0 - L1 ) Zt = (L0 + L2 - 2L1 L0 ) Zt
2
Zt = Zt + Zt-2 - 2 Zt-1
11
1 1
Yi =
11 Z i-6+j + 24 (Z i-6 + Z i+6)
j=1
…
Prendre en compte
l’autocorrélation dans les
études de corrélation
L’autocorrélation c’est lorsque les données d’une année sont fortement liées aux
valeurs l’année précédente
Pour faire face à ce problème, les scientifiques spécialisés dans les pêches ont mis
au point deux types de méthode :
Plusieurs changements sont opérés entre l’analyse des données brutes et lorsque
l’on s’intéresse à traiter l’autocorrélation:
1) Ajustement de la fonction d’autocorrélation
2) Changement du nombre de degrés de liberté utilisés pour les corrélations
Fonction d’autocorrélation « normale »
= Eq. 1
Eq. 1
Nombre de degrés de liberté effectifs:
N/5
Le principe est que si les séries sont libérées de leur autocorrélation alors les
tests statistiques peuvent leur être appliqués.
Cependant, enlever l’autocorrélation revient à enlever la variabilité à court
terme. Ainsi, le problème est que si la composante basse fréquence est
commune entre les deux séries (processus synchrones ou asynchrones) alors
enlever l’autocorrélation revient également à se séparer de la covariance. On
est donc dans un cas où l’on tend à augmenter l’erreur de type II, i.e.
augmenter la probabilité de ne pas détecter d’importantes relations entre des
processus à variation lente à long terme et par exemple la dynamique des
populations de poissons.
2 méthodes principales pour éliminer l’autocorrélation: