Universite´ Hassan II - Casablanca Faculte´ des Sciences et Techniques ´ ´ Departement de Mathematiques
´ Series chronologiques AZIZA BELMAATI
` ´ Genie ´ ´ 2eme annee Mathematiques et Informatiques ´ Universitaire : 2015-2016. Annee
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1 / 65
Partie II
´ Series chronologiques
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1 / 65
Chapitre I
´ L’analyse d’une serie chronologique
AZIZA BELMAATI (FSTM )
´ Series chronologiques
2 / 65
Introduction
Plan 1
Introduction
2
´ Les composantes d’une serie chronologique
3
Analyse de la tendance
4
Moyenne mobile
5
´ Prevision par lissage exponentiel
6
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
3 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Definition ´ Definition ´ ´ Une serie temporelle, ou serie chronologique, est une succession ´ ` ´ par le temps. Par hypothese, ` d’observations d’un phenom ene, indicees le pas ´ e´ constant : l’heure, le mois, l’annee. ´ du temps des observations est consider ´ par les nombreux domaines L’importance de ce domaine est illustree d’application, notamment : 1 ´ ´ ´ Economie : Prevision d’indices economiques... 2 ´ Finance : Evolution des cours de la bourse... 3 4 5 6
´ ´ Demographie : Analyse de l’evolution d’une population... ´ eorologie ´ ´ climatiques... Met : Analyse de donnees ´ ´ ´ ´ Energie : Prevision de la consommation d’electricit e... ´ ´ Imagerie medicale : Analyse d’electrocardiogramme...
AZIZA BELMAATI (FSTM )
´ Series chronologiques
4 / 65
Introduction
´ Exploration d’une serie chronologique : chronogramme ´ Le premier graphique a` utiliser pour l’examen d’une serie est son chronogramme, ´ Definition ´ On appelle chronogramme d’une serie, son graphique avec le temps en abscisse. ´ Sur des exemples de differents types de graphiques offerts par R, on va ´ ´ ´ representer le chronogramme de la serie, puis se poser une serie de questions : 1 ´ ´ par le temps ? Tendance : est-ce qu’on observe une serie bien expliquee 2 3
4
´ ` ou periodique ´ Presence d’une composante saisonniere ? ´ Juxtaposition de differents comportements au cours du temps ? ´ explication eventuelle ? ´ dans l’etude ´ ´ Objectifs recherches d’une telle serie : description ´ prevision ? AZIZA BELMAATI (FSTM )
´ Series chronologiques
5 / 65
Introduction
´ Exploration d’une serie chronologique : chronogramme ´ Le premier graphique a` utiliser pour l’examen d’une serie est son chronogramme, ´ Definition ´ On appelle chronogramme d’une serie, son graphique avec le temps en abscisse. ´ Sur des exemples de differents types de graphiques offerts par R, on va ´ ´ ´ representer le chronogramme de la serie, puis se poser une serie de questions : 1 ´ ´ par le temps ? Tendance : est-ce qu’on observe une serie bien expliquee 2 3
4
´ ` ou periodique ´ Presence d’une composante saisonniere ? ´ Juxtaposition de differents comportements au cours du temps ? ´ explication eventuelle ? ´ dans l’etude ´ ´ Objectifs recherches d’une telle serie : description ´ prevision ? AZIZA BELMAATI (FSTM )
´ Series chronologiques
5 / 65
Introduction
´ Exploration d’une serie chronologique : chronogramme ´ Le premier graphique a` utiliser pour l’examen d’une serie est son chronogramme, ´ Definition ´ On appelle chronogramme d’une serie, son graphique avec le temps en abscisse. ´ Sur des exemples de differents types de graphiques offerts par R, on va ´ ´ ´ representer le chronogramme de la serie, puis se poser une serie de questions : 1 ´ ´ par le temps ? Tendance : est-ce qu’on observe une serie bien expliquee 2 3
4
´ ` ou periodique ´ Presence d’une composante saisonniere ? ´ Juxtaposition de differents comportements au cours du temps ? ´ explication eventuelle ? ´ dans l’etude ´ ´ Objectifs recherches d’une telle serie : description ´ prevision ? AZIZA BELMAATI (FSTM )
´ Series chronologiques
5 / 65
Introduction
´ Exploration d’une serie chronologique : chronogramme ´ Le premier graphique a` utiliser pour l’examen d’une serie est son chronogramme, ´ Definition ´ On appelle chronogramme d’une serie, son graphique avec le temps en abscisse. ´ Sur des exemples de differents types de graphiques offerts par R, on va ´ ´ ´ representer le chronogramme de la serie, puis se poser une serie de questions : 1 ´ ´ par le temps ? Tendance : est-ce qu’on observe une serie bien expliquee 2 3
4
´ ` ou periodique ´ Presence d’une composante saisonniere ? ´ Juxtaposition de differents comportements au cours du temps ? ´ explication eventuelle ? ´ dans l’etude ´ ´ Objectifs recherches d’une telle serie : description ´ prevision ? AZIZA BELMAATI (FSTM )
´ Series chronologiques
5 / 65
Introduction
´ Exploration d’une serie chronologique : chronogramme ´ Le premier graphique a` utiliser pour l’examen d’une serie est son chronogramme, ´ Definition ´ On appelle chronogramme d’une serie, son graphique avec le temps en abscisse. ´ Sur des exemples de differents types de graphiques offerts par R, on va ´ ´ ´ representer le chronogramme de la serie, puis se poser une serie de questions : 1 ´ ´ par le temps ? Tendance : est-ce qu’on observe une serie bien expliquee 2 3
4
´ ` ou periodique ´ Presence d’une composante saisonniere ? ´ Juxtaposition de differents comportements au cours du temps ? ´ explication eventuelle ? ´ dans l’etude ´ ´ Objectifs recherches d’une telle serie : description ´ prevision ? AZIZA BELMAATI (FSTM )
´ Series chronologiques
5 / 65
Introduction
Exemples Les exemples qu’on va traiter sont disponible sous R via les packages ”caschrono” et ”timeseries”. Exemple 1 > data(popfr) > plot.ts(popfr,xlab=’ann´ ee’,ylab=’population’, main="Population franc ¸aise en millions d’habitants")
AZIZA BELMAATI (FSTM )
´ Series chronologiques
6 / 65
Introduction
Exemples Les exemples qu’on va traiter sont disponible sous R via les packages ”caschrono” et ”timeseries”. Exemple 1 > data(popfr) > plot.ts(popfr,xlab=’ann´ ee’,ylab=’population’, main="Population franc ¸aise en millions d’habitants")
39 36
37
38
population
40
41
Population française en millions d'habitants
1860
1880
1900
1920
1940
année
AZIZA BELMAATI (FSTM )
´ Series chronologiques
6 / 65
Introduction
Exemples Exemple 2 > plot.ts(uspop,xlab="ann´ ee",ylab="population", main="Population des ´ etats unis en millions d’habitants")
AZIZA BELMAATI (FSTM )
´ Series chronologiques
7 / 65
Introduction
Exemples Exemple 2 > plot.ts(uspop,xlab="ann´ ee",ylab="population", main="Population des ´ etats unis en millions d’habitants")
100 0
50
population
150
200
Population des états unies en millions d'habitants
1800
1850
1900
1950
année
AZIZA BELMAATI (FSTM )
´ Series chronologiques
7 / 65
Introduction
Exemples Exemple 3 > data("trafmensu") > plot.ts(trafmensu,xlab="ann´ ee",ylab="Nombre de passagers",main="Nombre de passagers a´ eriens")
AZIZA BELMAATI (FSTM )
´ Series chronologiques
8 / 65
Introduction
Exemples Exemple 3 > data("trafmensu") > plot.ts(trafmensu,xlab="ann´ ee",ylab="Nombre de passagers",main="Nombre de passagers a´ eriens")
400 300
Nombre de passagers
500
Nombre de passagers aériens
1995
2000
2005
année
AZIZA BELMAATI (FSTM )
´ Series chronologiques
8 / 65
Introduction
Exemples : Conclusion
´ ´ L’examen de la serie permet de degager un certain nombre de composantes ´ ´ ´ fondamentales de l’evolution de la grandeurs etudi ee. Il faut donc analyser ces composantes, en les dissociant les unes des autres, ` ´ ´ ´ c’est-a-dire en considerant une serie comme resultante de la combinaison de ´ ´ differentes composantes, tel que chacun d’elles ait une evolution simple.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
9 / 65
Introduction
Exemples : Conclusion
´ ´ L’examen de la serie permet de degager un certain nombre de composantes ´ ´ ´ fondamentales de l’evolution de la grandeurs etudi ee. Il faut donc analyser ces composantes, en les dissociant les unes des autres, ` ´ ´ ´ c’est-a-dire en considerant une serie comme resultante de la combinaison de ´ ´ differentes composantes, tel que chacun d’elles ait une evolution simple.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
9 / 65
´ Les composantes d’une serie chronologique
Plan 1
Introduction
2
´ Les composantes d’une serie chronologique
3
Analyse de la tendance
4
Moyenne mobile
5
´ Prevision par lissage exponentiel
6
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
10 / 65
´ Les composantes d’une serie chronologique
´ Les composantes d’une serie chronologique ´ ´ La tendance (zt ) ou trend : Represente l’evolution a` long terme de la grandeur ´ ´ et traduit l’aspect gen ´ eral ´ de la serie. ´ etudi ee, c’est une fonction monotone, souvent polynomiale. ` ´ ´ Les variations saisonnieres (st ) : Sont les fluctuations periodiques a` l’interieur ´ et qui se reproduisent plus au moins permanente d’une annee ´ d’une annee, ´ ´ ` sur l’autre. Mathematiquement, ce sont des fonctions periodiques, c’est-a-dire ´ qu’il existe un entier p appele´ periode, tel que st = st+p , ∀t ≥ 1 ` ´ ´ par ses p premieres ` Cette composantes est entierement determin ee valeurs s1 , s2 , . . . , sp . ´ ` ´ Les fluctuations irreguli eres/ residus/ bruit (et ) : Sont des variations de nature ´ ` aleatoire (ce qui signifie qu’elle ne sont pas completement explicables). En effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause de leur faible intensite´ par rapport aux autres composantes. AZIZA BELMAATI (FSTM )
´ Series chronologiques
11 / 65
´ Les composantes d’une serie chronologique
´ Les composantes d’une serie chronologique ´ ´ La tendance (zt ) ou trend : Represente l’evolution a` long terme de la grandeur ´ ´ et traduit l’aspect gen ´ eral ´ de la serie. ´ etudi ee, c’est une fonction monotone, souvent polynomiale. ` ´ ´ Les variations saisonnieres (st ) : Sont les fluctuations periodiques a` l’interieur ´ et qui se reproduisent plus au moins permanente d’une annee ´ d’une annee, ´ ´ ` sur l’autre. Mathematiquement, ce sont des fonctions periodiques, c’est-a-dire ´ qu’il existe un entier p appele´ periode, tel que st = st+p , ∀t ≥ 1 ` ´ ´ par ses p premieres ` Cette composantes est entierement determin ee valeurs s1 , s2 , . . . , sp . ´ ` ´ Les fluctuations irreguli eres/ residus/ bruit (et ) : Sont des variations de nature ´ ` aleatoire (ce qui signifie qu’elle ne sont pas completement explicables). En effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause de leur faible intensite´ par rapport aux autres composantes. AZIZA BELMAATI (FSTM )
´ Series chronologiques
11 / 65
´ Les composantes d’une serie chronologique
´ Les composantes d’une serie chronologique ´ ´ La tendance (zt ) ou trend : Represente l’evolution a` long terme de la grandeur ´ ´ et traduit l’aspect gen ´ eral ´ de la serie. ´ etudi ee, c’est une fonction monotone, souvent polynomiale. ` ´ ´ Les variations saisonnieres (st ) : Sont les fluctuations periodiques a` l’interieur ´ et qui se reproduisent plus au moins permanente d’une annee ´ d’une annee, ´ ´ ` sur l’autre. Mathematiquement, ce sont des fonctions periodiques, c’est-a-dire ´ qu’il existe un entier p appele´ periode, tel que st = st+p , ∀t ≥ 1 ` ´ ´ par ses p premieres ` Cette composantes est entierement determin ee valeurs s1 , s2 , . . . , sp . ´ ` ´ Les fluctuations irreguli eres/ residus/ bruit (et ) : Sont des variations de nature ´ ` aleatoire (ce qui signifie qu’elle ne sont pas completement explicables). En effet, elles ne sont pas clairement apercevables dans les graphiques, a` cause de leur faible intensite´ par rapport aux autres composantes. AZIZA BELMAATI (FSTM )
´ Series chronologiques
11 / 65
´ Les composantes d’une serie chronologique
´ Les composantes d’une serie chronologique
´ Les variations accidentelles/observations aberrantes : Sont des valeurs ´ ´ ees ´ ou faibles de courte duree. ´ Ces variations isolees, anormalement elev ´ ´ eralement ´ brusques de la serie sont gen explicables. La plupart du temps, ces ´ es ´ dans la serie ´ ´ ` accidents sont integr des bruits (les fluctuations irreguli eres). ´ ` Points de changement : Ce sont des points ou` la serie change completement d’allure, par exemple de tendance. Ils sont normalement explicables, et ´ ´ de la serie, ´ imposent une analyse separ ee par morceaux.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
12 / 65
´ Les composantes d’une serie chronologique
´ Les composantes d’une serie chronologique
´ Les variations accidentelles/observations aberrantes : Sont des valeurs ´ ´ ees ´ ou faibles de courte duree. ´ Ces variations isolees, anormalement elev ´ ´ eralement ´ brusques de la serie sont gen explicables. La plupart du temps, ces ´ es ´ dans la serie ´ ´ ` accidents sont integr des bruits (les fluctuations irreguli eres). ´ ` Points de changement : Ce sont des points ou` la serie change completement d’allure, par exemple de tendance. Ils sont normalement explicables, et ´ ´ de la serie, ´ imposent une analyse separ ee par morceaux.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
12 / 65
´ Les composantes d’une serie chronologique
´ Quelques types de decomposition ` avoir detect ´ Apres e´ graphiquement quelles sont les composantes, il faut ` : proposer un modele 1 ` additif : Ce modele ` suppose l’independance ´ ´ Le modele des differentes ´ composantes, il s’ecrit sous la forme : yt = zt + st + et , 2
avec E(et ) = 0
` multiplicatif : Ce modele ` suppose l’interaction gen ´ erale ´ Le modele des ´ trois composantes, il s’ecrit sous la forme yt = zt (1 + st )(1 + et ),
3
avec E(et ) = 0
´ Il est actuellement le plus utilise´ en economie. Il est commode puisque le ´ logarithme de la chronique conduit au schema additif. ` multiplicatif mixte : Il s’agit la` des modeles ` Le modele ou` addition et ´ multiplication sont utilisees. On peut supposer, par exemple, que la ` agit de fac¸on multiplicative, alors que les composante saisonniere ´ ` fluctuations irreguli eres sont additives : yt = tt (1 + st ) + et ,
avec E(et ) = 0
´ (Toutes les autres combinaisons sont egalement possibles....). AZIZA BELMAATI (FSTM )
´ Series chronologiques
13 / 65
´ Les composantes d’une serie chronologique
´ Quelques types de decomposition ` avoir detect ´ Apres e´ graphiquement quelles sont les composantes, il faut ` : proposer un modele 1 ` additif : Ce modele ` suppose l’independance ´ ´ Le modele des differentes ´ composantes, il s’ecrit sous la forme : yt = zt + st + et , 2
avec E(et ) = 0
` multiplicatif : Ce modele ` suppose l’interaction gen ´ erale ´ Le modele des ´ trois composantes, il s’ecrit sous la forme yt = zt (1 + st )(1 + et ),
3
avec E(et ) = 0
´ Il est actuellement le plus utilise´ en economie. Il est commode puisque le ´ logarithme de la chronique conduit au schema additif. ` multiplicatif mixte : Il s’agit la` des modeles ` Le modele ou` addition et ´ multiplication sont utilisees. On peut supposer, par exemple, que la ` agit de fac¸on multiplicative, alors que les composante saisonniere ´ ` fluctuations irreguli eres sont additives : yt = tt (1 + st ) + et ,
avec E(et ) = 0
´ (Toutes les autres combinaisons sont egalement possibles....). AZIZA BELMAATI (FSTM )
´ Series chronologiques
13 / 65
´ Les composantes d’une serie chronologique
´ Quelques types de decomposition ` avoir detect ´ Apres e´ graphiquement quelles sont les composantes, il faut ` : proposer un modele 1 ` additif : Ce modele ` suppose l’independance ´ ´ Le modele des differentes ´ composantes, il s’ecrit sous la forme : yt = zt + st + et , 2
avec E(et ) = 0
` multiplicatif : Ce modele ` suppose l’interaction gen ´ erale ´ Le modele des ´ trois composantes, il s’ecrit sous la forme yt = zt (1 + st )(1 + et ),
3
avec E(et ) = 0
´ Il est actuellement le plus utilise´ en economie. Il est commode puisque le ´ logarithme de la chronique conduit au schema additif. ` multiplicatif mixte : Il s’agit la` des modeles ` Le modele ou` addition et ´ multiplication sont utilisees. On peut supposer, par exemple, que la ` agit de fac¸on multiplicative, alors que les composante saisonniere ´ ` fluctuations irreguli eres sont additives : yt = tt (1 + st ) + et ,
avec E(et ) = 0
´ (Toutes les autres combinaisons sont egalement possibles....). AZIZA BELMAATI (FSTM )
´ Series chronologiques
13 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` Choix du modele
1
´ ´ Methode de la bande : On utilise le graphe de la serie et la droite passant par les minima et celle passant par les maxima. 1 2
2
´ ´ Methode du profil : On utilise le graphe des courbes superposees. 1 2
3
` paralleles ` ` est additif. Si ces 2 droites sont a` peu pres : le modele ` ` est multiplicatif. Si ces 2 droites ne sont pas paralleles : le modele ´ ` paralleles ` ` est additif. Si les differentes courbes sont a` peu pres : le modele ` est multiplicatif. Si les pics et les creux s’accentuent : le modele
´ Methode du tableau de Buys-Ballot : On calcule pour chacune des ´ ´ annees, la moyenne et l’ecart-type, puis on trace les points d’abscisse la ´ l’ecart-type ´ ˆ ´ ensuite, on trace moyenne et d’ordonnee de la meme annee, ´ de ces points. la droite des moindres carres 1 2
´ ´ ` est additif. Si l’ecart-type est independant de la moyenne : le modele ´ ` est multiplicatif. Si l’ecart-type est fonction de la moyenne : le modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
14 / 65
´ Les composantes d’une serie chronologique
` : Methode ´ Choix du modele du profil cp<-window(serie,start=c(1,1),end=c(1,12)) v=as.numeric(cp) plot(c(1:12),v,type="l",,xlim=c(0,13),ylim=c(0,800)) for(i in 2:15){ cp=window(serie,start=c(i,1),end=c(i,12)) v=as.numeric(cp) lines(v) }
AZIZA BELMAATI (FSTM )
´ Series chronologiques
15 / 65
´ Les composantes d’une serie chronologique
` : Methode ´ Choix du modele du profil
v
0
200
400
600
800
cp<-window(serie,start=c(1,1),end=c(1,12)) v=as.numeric(cp) plot(c(1:12),v,type="l",,xlim=c(0,13),ylim=c(0,800)) for(i in 2:15){ cp=window(serie,start=c(i,1),end=c(i,12)) v=as.numeric(cp) lines(v) }
0
2
4
6
8
10
12
c(1:12)
AZIZA BELMAATI (FSTM )
´ Series chronologiques
15 / 65
´ Les composantes d’une serie chronologique
Conclusion
´ ´ Pour decomposer une serie chronologique on doit commencer par : 1 2
Tracer son graphique ` de composition (additif ou multiplicatif) Choisir un modele
3
Estimer la tendance
4
` Estimer les variations saisonnieres.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
16 / 65
´ Les composantes d’une serie chronologique
Conclusion
´ ´ Pour decomposer une serie chronologique on doit commencer par : 1 2
Tracer son graphique ` de composition (additif ou multiplicatif) Choisir un modele
3
Estimer la tendance
4
` Estimer les variations saisonnieres.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
16 / 65
´ Les composantes d’une serie chronologique
Conclusion
´ ´ Pour decomposer une serie chronologique on doit commencer par : 1 2
Tracer son graphique ` de composition (additif ou multiplicatif) Choisir un modele
3
Estimer la tendance
4
` Estimer les variations saisonnieres.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
16 / 65
´ Les composantes d’une serie chronologique
Conclusion
´ ´ Pour decomposer une serie chronologique on doit commencer par : 1 2
Tracer son graphique ` de composition (additif ou multiplicatif) Choisir un modele
3
Estimer la tendance
4
` Estimer les variations saisonnieres.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
16 / 65
Analyse de la tendance
Plan 1
Introduction
2
´ Les composantes d’une serie chronologique
3
Analyse de la tendance
4
Moyenne mobile
5
´ Prevision par lissage exponentiel
6
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
17 / 65
Analyse de la tendance
´ Estimation par regression sur le temps ´ Supposons que l’on observe n valeurs d’une serie dont la tendance semble ˆ ´ ´ etre lineaire comme dans l’exemple de la population franc¸aise. cette methode ´ ´ ordinaire consiste a` estimer la tendance par la methode des moindre carres ´ par une fonction lineaire : ˆ ˆt + b zˆt = a regfr=lm(popfr˜time(popfr)) Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -66.324681 8.084040 -8.204 7.88e-08 *** time(popfr) 0.055236 0.004258 12.974 3.38e-11 *** --Residual standard error: 0.6335 on 20 degrees of freedom Multiple R-squared: 0.8938,Adjusted R-squared: 0.8885 F-statistic: 168.3 on 1 and 20 DF, p-value: 3.384e-11
AZIZA BELMAATI (FSTM )
´ Series chronologiques
18 / 65
Analyse de la tendance
´ ´ Estimation par regression non lineaire ´ ´ ˆ Cependant la modelisation lineaire de la tendance peut etre trop ´ simplificatrice. par exemple le cas de la population des etats unis. On s’attend ˆ a` une tendance quadratique. Lorsque la tendance n’est pas lineaire, ´ plutot ´ ` une technique simple consiste a` se ramener a` un ajustement lineaire apres ´ un changement de variable approprie. ´ Exemple : Population des etats unis ˆ + cˆ ˆt 2 + bt zt = a > t2=time(uspop)ˆ2 > regus=lm(uspop˜t2+time(uspop)) Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2.045e+04 8.431e+02 24.25 4.81e-14 *** t2 6.345e-03 2.387e-04 26.58 1.14e-14 *** time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 *** --Residual standard error: 2.78 on 16 degrees of freedom Multiple R-squared: 0.9983,Adjusted R-squared: 0.9981 AZIZA BELMAATI (FSTM )
´ Series chronologiques
19 / 65
Analyse de la tendance
´ ´ Estimation par regression non lineaire ´ ´ ˆ Cependant la modelisation lineaire de la tendance peut etre trop ´ simplificatrice. par exemple le cas de la population des etats unis. On s’attend ˆ a` une tendance quadratique. Lorsque la tendance n’est pas lineaire, ´ plutot ´ ` une technique simple consiste a` se ramener a` un ajustement lineaire apres ´ un changement de variable approprie. ´ Exemple : Population des etats unis ˆ + cˆ ˆt 2 + bt zt = a > t2=time(uspop)ˆ2 > regus=lm(uspop˜t2+time(uspop)) Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2.045e+04 8.431e+02 24.25 4.81e-14 *** t2 6.345e-03 2.387e-04 26.58 1.14e-14 *** time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 *** --Residual standard error: 2.78 on 16 degrees of freedom Multiple R-squared: 0.9983,Adjusted R-squared: 0.9981 AZIZA BELMAATI (FSTM )
´ Series chronologiques
19 / 65
Analyse de la tendance
´ ´ Estimation par regression non lineaire ´ ´ ˆ Cependant la modelisation lineaire de la tendance peut etre trop ´ simplificatrice. par exemple le cas de la population des etats unis. On s’attend ˆ a` une tendance quadratique. Lorsque la tendance n’est pas lineaire, ´ plutot ´ ` une technique simple consiste a` se ramener a` un ajustement lineaire apres ´ un changement de variable approprie. ´ Exemple : Population des etats unis ˆ + cˆ ˆt 2 + bt zt = a > t2=time(uspop)ˆ2 > regus=lm(uspop˜t2+time(uspop)) Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 2.045e+04 8.431e+02 24.25 4.81e-14 *** t2 6.345e-03 2.387e-04 26.58 1.14e-14 *** time(uspop) -2.278e+01 8.974e-01 -25.38 2.36e-14 *** --Residual standard error: 2.78 on 16 degrees of freedom Multiple R-squared: 0.9983,Adjusted R-squared: 0.9981 AZIZA BELMAATI (FSTM )
´ Series chronologiques
19 / 65
Analyse de la tendance
´ Estimation non parametrique
´ du polynome ˆ Dans certaines situations, il n’est pas facile de trouver le degres ´ pour zt ou de faire le changement adequat. Dans cette situation, on a recourt ´ ´ a` la theorie non parametrique de l’estimation de la tendance qui ne suppose rien sur celle-ci a priori et on approxime la tendance par ce qu’on appelle la moyenne mobile.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
20 / 65
Moyenne mobile
Plan 1
Introduction
2
´ Les composantes d’une serie chronologique
3
Analyse de la tendance
4
Moyenne mobile
5
´ Prevision par lissage exponentiel
6
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
21 / 65
Moyenne mobile
´ Moyenne mobile : Definition ´ Definition ´ On appelle moyenne mobile, une transformation de Xt qui s’ecrit comme ´ ´ combinaison lineaire des valeurs de la serie correspondant a` des dates ´ ´ s’ecrit ´ entourant t. La serie transformee Mm1 +m2 +1 Xt =
m2 X
θi Xt+i
i=−m1
´ ou` θ−m1 ,...,m2 sont des reels et m1 , m2 ∈ N. On appelle ordre de la moyenne mobile la valeur m1 + m2 + 1 Remarques 1 ´ ´ es ´ dans la L’ordre represente simplement le nombre de termes consider somme. 2 ´ Il est clair que la definition ci-dessus n’a de sens que pour des instants t tels que : m1 + 1 ≤ t ≤ T − m2 3
On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt∗ . La seconde notation ´ masque le(FSTM fait) que la moyenne est un operateur et non une ´ mobile AZIZA BELMAATI Series chronologiques 22 / 65
Moyenne mobile
´ Moyenne mobile : Definition ´ Definition ´ On appelle moyenne mobile, une transformation de Xt qui s’ecrit comme ´ ´ combinaison lineaire des valeurs de la serie correspondant a` des dates ´ ´ s’ecrit ´ entourant t. La serie transformee Mm1 +m2 +1 Xt =
m2 X
θi Xt+i
i=−m1
´ ou` θ−m1 ,...,m2 sont des reels et m1 , m2 ∈ N. On appelle ordre de la moyenne mobile la valeur m1 + m2 + 1 Remarques 1 ´ ´ es ´ dans la L’ordre represente simplement le nombre de termes consider somme. 2 ´ Il est clair que la definition ci-dessus n’a de sens que pour des instants t tels que : m1 + 1 ≤ t ≤ T − m2 3
On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt∗ . La seconde notation ´ masque le(FSTM fait) que la moyenne est un operateur et non une ´ mobile AZIZA BELMAATI Series chronologiques 22 / 65
Moyenne mobile
´ Moyenne mobile : Definition ´ Definition ´ On appelle moyenne mobile, une transformation de Xt qui s’ecrit comme ´ ´ combinaison lineaire des valeurs de la serie correspondant a` des dates ´ ´ s’ecrit ´ entourant t. La serie transformee Mm1 +m2 +1 Xt =
m2 X
θi Xt+i
i=−m1
´ ou` θ−m1 ,...,m2 sont des reels et m1 , m2 ∈ N. On appelle ordre de la moyenne mobile la valeur m1 + m2 + 1 Remarques 1 ´ ´ es ´ dans la L’ordre represente simplement le nombre de termes consider somme. 2 ´ Il est clair que la definition ci-dessus n’a de sens que pour des instants t tels que : m1 + 1 ≤ t ≤ T − m2 3
On note aussi Mm1 +m2 +1 Xt = Mm1 +m2 +1 (Xt ) = Xt∗ . La seconde notation ´ masque le(FSTM fait) que la moyenne est un operateur et non une ´ mobile AZIZA BELMAATI Series chronologiques 22 / 65
Moyenne mobile
´ Moyenne mobile : Operateur retard
´ ´ ´ On peut re´ ecrire la moyenne mobile en termes d’operateurs. On definit pour ´ ´ ´ cela l’operateur B, appele´ operateur retard, qui a` tout processus (Yt )t∈Z defini par ∀t ∈ Z, Yt = BXt = Xt−1 ˆ si on compose B avec lui meme on obtient B 2 = B ◦ B tel que ∀t ∈ Z, B 2 Xt = Xt−2 ´ ´ ´ On peut iterer cette application et definir par recurrence B k Xt = Xt−k ,
k ∈N
´ par convention, B 0 est l’operateur identite´ I.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
23 / 65
Moyenne mobile
´ Moyenne mobile : Operateur Avance ´ ´ ´ L’operateur B est lineaire est inversible. Son inverse B −1 = F est defini par ∀t ∈ Z, FXt = Xt+1 ´ ´ L’operateur F est appele´ operateur avance. ´ ´ On peut re´ ecrire la moyenne mobile en terme d’operateurs B et F : Mm1 +m2 +1 =
m2 X
θi B
−i
=
i=−m1
m2 X
θi F i
i=−m1
En factorisant par B m1 et en faisant j = i + m1 , on obtient la forme canonique suivante mX m2 1 +m2 X Mm1 +m2 +1 = B m1 θj−m1 F i = B m1 θi F m1 +i =: B m1 P(F ) t=−m1
j=0
ˆ ` expression est defini ´ Le polynome P intervenant dans la derniere par P(x) =
m2 X
θi x m1 +i
t=−m1
ˆ ´ et est appele´ polynome caracteristique de la moyenne mobile Mm1 +m2 +1 . On AZIZA BELMAATI (FSTM )
´ Series chronologiques
24 / 65
Moyenne mobile
´ Moyenne mobile : Differents types
1 2
3
´ lorsque m1 = m2 = m. On dit que la moyenne mobile est centree ´ est symetrique ´ Une moyenne mobile centree si et seulement si θ−i = θi , i = 1, . . . m. ´ ´ Une moyenne mobile arithmetique est une moyenne mobile centree, d’ordre (impair) 2m + 1 et telle que θi =
1 , ∀i = −m, . . . , m 2m + 1
´ ´ (par definition) ´ une moyenne mobile arithmetique est donc centr et Pm2 ee ´ symetrique. On a en particulier dans ce cas t=−m θ = 1 et M Xt 2m+1 i 1 apparaˆıt comme la moyenne des observations Xt−m , . . . , Xt+m .
AZIZA BELMAATI (FSTM )
´ Series chronologiques
25 / 65
Moyenne mobile
´ Moyenne mobile : Differents types
1 2
3
´ lorsque m1 = m2 = m. On dit que la moyenne mobile est centree ´ est symetrique ´ Une moyenne mobile centree si et seulement si θ−i = θi , i = 1, . . . m. ´ ´ Une moyenne mobile arithmetique est une moyenne mobile centree, d’ordre (impair) 2m + 1 et telle que θi =
1 , ∀i = −m, . . . , m 2m + 1
´ ´ (par definition) ´ une moyenne mobile arithmetique est donc centr et Pm2 ee ´ symetrique. On a en particulier dans ce cas t=−m θ = 1 et M Xt 2m+1 i 1 apparaˆıt comme la moyenne des observations Xt−m , . . . , Xt+m .
AZIZA BELMAATI (FSTM )
´ Series chronologiques
25 / 65
Moyenne mobile
´ Moyenne mobile : Differents types
1 2
3
´ lorsque m1 = m2 = m. On dit que la moyenne mobile est centree ´ est symetrique ´ Une moyenne mobile centree si et seulement si θ−i = θi , i = 1, . . . m. ´ ´ Une moyenne mobile arithmetique est une moyenne mobile centree, d’ordre (impair) 2m + 1 et telle que θi =
1 , ∀i = −m, . . . , m 2m + 1
´ ´ (par definition) ´ une moyenne mobile arithmetique est donc centr et Pm2 ee ´ symetrique. On a en particulier dans ce cas t=−m θ = 1 et M Xt 2m+1 i 1 apparaˆıt comme la moyenne des observations Xt−m , . . . , Xt+m .
AZIZA BELMAATI (FSTM )
´ Series chronologiques
25 / 65
Moyenne mobile
Exercice
´ ´ Calculer les series des moyennes mobiles d’ordre 2, 3 et 4 de la serie initiale Xt suivante t Xt
1 30
2 15
3 5
AZIZA BELMAATI (FSTM )
4 30
5 36
6 18
7 9
8 36
9 45
´ Series chronologiques
10 15
11 10
12 60
13 48
14 16
15 8
16 72
26 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une tendance ´ es ´ Propriet 1
2
´ L’application d’une moyenne mobile arithmetique (paire ou impaire) ne modifie pas une tendance constante. ´ L’application d’une moyenne mobile arithmetique (paire ou impaire) ´ conserve une tendance lineaire.
Exemple1 ´ ´ ´ trimestriellement Nous etudions la serie chronologique suivante observee pendant 6 ans : > seri Ann´ ee1 Ann´ ee2 Ann´ ee3 Ann´ ee4 Ann´ ee5 Ann´ ee6
trimestre1 trimestre2 trimestre3 trimestre4 89.658 97.593 108.906 114.157 96.205 99.399 112.763 119.185 99.602 105.192 116.556 121.911 103.272 109.644 121.208 126.508 105.637 113.428 125.641 131.147 111.118 117.215 129.776 133.000
AZIZA BELMAATI (FSTM )
´ Series chronologiques
27 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une tendance ´ es ´ Propriet 1
2
´ L’application d’une moyenne mobile arithmetique (paire ou impaire) ne modifie pas une tendance constante. ´ L’application d’une moyenne mobile arithmetique (paire ou impaire) ´ conserve une tendance lineaire.
Exemple1 ´ ´ ´ trimestriellement Nous etudions la serie chronologique suivante observee pendant 6 ans : > seri Ann´ ee1 Ann´ ee2 Ann´ ee3 Ann´ ee4 Ann´ ee5 Ann´ ee6
trimestre1 trimestre2 trimestre3 trimestre4 89.658 97.593 108.906 114.157 96.205 99.399 112.763 119.185 99.602 105.192 116.556 121.911 103.272 109.644 121.208 126.508 105.637 113.428 125.641 131.147 111.118 117.215 129.776 133.000
AZIZA BELMAATI (FSTM )
´ Series chronologiques
27 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une tendance Exemple1
110 90
100
Observations
120
130
> plot.ts(ser,xlab="Mois",ylab="Observations",lwd=3) > lines(1:24,ser[1:24],type="h",col="red")
5
10
15
20
Mois
´ F IGURE: La serie brute AZIZA BELMAATI (FSTM )
´ Series chronologiques
28 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une tendance Exemple1
> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri,col="green",lwd=3)
AZIZA BELMAATI (FSTM )
´ Series chronologiques
29 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une tendance Exemple1
Observations
90
100
110
120
130
140
> mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri,col="green",lwd=3)
5
10
15
20
Mois
´ ´ par une moyenne mobile (verte) arithmetique ´ F IGURE: La serie (noire) filtree d’ordre 4 AZIZA BELMAATI (FSTM )
´ Series chronologiques
29 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une composante ` saisonniere
´ e´ Propriet ´ ` les moyennes mobiles d’une serie soumise a` des variations saisonnieres de ´ ` periode p ne sont pas soumises a` ces variations saisonnieres si leur ordre l ´ ´ ´ eralement ´ est egale a` la periode p, et plus gen si leur ordre est un multiple de ´ la periode. Conclusion ´ ´ les moyennes mobiles d’une serie chronologique dont la tendance est lineaire ` ´ et les variations saisonnieres sont de periode p font apparaˆıtre la tendance et ` ´ ´ disparaˆıtre les variations saisonnieres si leur ordre l est egale a` la periode p.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
30 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une composante ` saisonniere
´ e´ Propriet ´ ` les moyennes mobiles d’une serie soumise a` des variations saisonnieres de ´ ` periode p ne sont pas soumises a` ces variations saisonnieres si leur ordre l ´ ´ ´ eralement ´ est egale a` la periode p, et plus gen si leur ordre est un multiple de ´ la periode. Conclusion ´ ´ les moyennes mobiles d’une serie chronologique dont la tendance est lineaire ` ´ et les variations saisonnieres sont de periode p font apparaˆıtre la tendance et ` ´ ´ disparaˆıtre les variations saisonnieres si leur ordre l est egale a` la periode p.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
30 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une composante ` saisonniere Exemple1 > > > > > >
par(mfrow=c(2,2)) mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8)) plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) lines(mmseri,col="green",lwd=3) plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri12,col="green",lwd=3) AZIZA BELMAATI (FSTM )
´ Series chronologiques
31 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une composante ` saisonniere Exemple1 > > > > > >
par(mfrow=c(2,2)) mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8)) plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) lines(mmseri,col="green",lwd=3) plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri12,col="green",lwd=3) AZIZA BELMAATI (FSTM )
´ Series chronologiques
31 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une composante ` saisonniere Exemple1 > > > > > >
par(mfrow=c(2,2)) mmseri=filter(ser,filter=c(1/8,1/4,1/4,1/4,1/8)) plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) lines(mmseri,col="green",lwd=3) plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) lines(mmseri3,col="green",lwd=3)
> mmseri5=filter(ser,filter=c(1/5,1/5,1/5,1/5,1/5)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri5,col="green",lwd=3)
> mmseri12=filter(ser,filter=c(1/24,rep(1/12,11),1/24)) > plot.ts(ser,xlab="Mois",ylab="Observations",ylim=c(89,140) > lines(mmseri12,col="green",lwd=3) AZIZA BELMAATI (FSTM )
´ Series chronologiques
31 / 65
Moyenne mobile
Effet d’une moyenne mobile sur une composante ` saisonniere Exemple1
Observations
90 5
10
15
20
5
10
15
20
Observations
90
100 110 120 130 140
Mois
moyenne mobile d'ordre 12
100 110 120 130 140
Mois
moyenne mobile d'ordre 5
90
Observations
100 110 120 130 140
moyenne mobile d'ordre 3
90
Observations
100 110 120 130 140
moyenne mobile d'ordre 4
5
10
15
20
5
Mois
AZIZA BELMAATI (FSTM )
10
15
20
Mois
´ Series chronologiques
32 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ ´ ´ ft , des La serie chronologique xt se decompose en une tendance notee ` ´ ´ variations saisonnieres st de periode p (egale a` s1 , . . . , sp ) et d’une ´ ` composante accidentelle (irreguli ere) et : pour tout t = 1, . . . , T
xt = ft + st + et
` ´ Remarque : La t ieme observation, xt , correspond a` la valeur de la serie ` ` i eme i eme ´ ´ Cette relation peut etre ˆ ´ periode du i annee. exprimee pendant la j par t = (i − 1)p + j ` additif s’exprime donc en gen ´ eral ´ de la fac¸on suivante : Le modele pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij + sj + eij
´ ´ n represente le nombre d’annee. ´ coefficients saisonniers du modele ` additif. Les termes sj sont appeles AZIZA BELMAATI (FSTM )
´ Series chronologiques
33 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ ´ ´ ft , des La serie chronologique xt se decompose en une tendance notee ` ´ ´ variations saisonnieres st de periode p (egale a` s1 , . . . , sp ) et d’une ´ ` composante accidentelle (irreguli ere) et : pour tout t = 1, . . . , T
xt = ft + st + et
` ´ observation, xt , correspond a` la valeur de la serie Remarque : La t ieme ` ` i eme i eme ´ ´ Cette relation peut etre ˆ ´ pendant la j periode du i annee. exprimee par t = (i − 1)p + j ` additif s’exprime donc en gen ´ eral ´ de la fac¸on suivante : Le modele pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij + sj + eij
´ ´ n represente le nombre d’annee. ´ coefficients saisonniers du modele ` additif. Les termes sj sont appeles AZIZA BELMAATI (FSTM )
´ Series chronologiques
33 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ ´ ´ ft , des La serie chronologique xt se decompose en une tendance notee ` ´ ´ variations saisonnieres st de periode p (egale a` s1 , . . . , sp ) et d’une ´ ` composante accidentelle (irreguli ere) et : pour tout t = 1, . . . , T
xt = ft + st + et
` ´ observation, xt , correspond a` la valeur de la serie Remarque : La t ieme ` ` i eme i eme ´ ´ Cette relation peut etre ˆ ´ pendant la j periode du i annee. exprimee par t = (i − 1)p + j ` additif s’exprime donc en gen ´ eral ´ de la fac¸on suivante : Le modele pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij + sj + eij
´ ´ n represente le nombre d’annee. ´ coefficients saisonniers du modele ` additif. Les termes sj sont appeles AZIZA BELMAATI (FSTM )
´ Series chronologiques
33 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ La difference entre l’observation et la tendance est : pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij − fij = sj + eij
` peut etre ˆ Ce modele approxime´ par : pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij − Mp fij ≈ sj
Exemple1 ´ ´ Difference entre les observations et la moyenne mobile d’ordre 4 de la serie > seri-t(matrix(mmseri,4,6)) trimestre1 trimestre2 trimestre3 trimestre4 Ann´ ee1 NA NA 5.509125 9.71600 Ann´ ee2 -8.943875 -6.860500 5.450375 10.72362 Ann´ ee3 -10.057625 -5.282500 5.282000 9.62175 Ann´ ee4 -10.155250 -4.939375 5.754375 10.28575 Ann´ ee5 -11.612375 -4.955375 5.992625 10.34012 Ann´ ee6 -10.679125 -5.330625 NA NA AZIZA BELMAATI (FSTM )
´ Series chronologiques
34 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ La difference entre l’observation et la tendance est : pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij − fij = sj + eij
` peut etre ˆ Ce modele approxime´ par : pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij − Mp fij ≈ sj
Exemple1 ´ ´ Difference entre les observations et la moyenne mobile d’ordre 4 de la serie > seri-t(matrix(mmseri,4,6)) trimestre1 trimestre2 trimestre3 trimestre4 Ann´ ee1 NA NA 5.509125 9.71600 Ann´ ee2 -8.943875 -6.860500 5.450375 10.72362 Ann´ ee3 -10.057625 -5.282500 5.282000 9.62175 Ann´ ee4 -10.155250 -4.939375 5.754375 10.28575 Ann´ ee5 -11.612375 -4.955375 5.992625 10.34012 Ann´ ee6 -10.679125 -5.330625 NA NA AZIZA BELMAATI (FSTM )
´ Series chronologiques
34 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ La difference entre l’observation et la tendance est : pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij − fij = sj + eij
` peut etre ˆ Ce modele approxime´ par : pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij − Mp fij ≈ sj
Exemple1 ´ ´ Difference entre les observations et la moyenne mobile d’ordre 4 de la serie > seri-t(matrix(mmseri,4,6)) trimestre1 trimestre2 trimestre3 trimestre4 Ann´ ee1 NA NA 5.509125 9.71600 Ann´ ee2 -8.943875 -6.860500 5.450375 10.72362 Ann´ ee3 -10.057625 -5.282500 5.282000 9.62175 Ann´ ee4 -10.155250 -4.939375 5.754375 10.28575 Ann´ ee5 -11.612375 -4.955375 5.992625 10.34012 Ann´ ee6 -10.679125 -5.330625 NA NA AZIZA BELMAATI (FSTM )
´ Series chronologiques
34 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ Les difference xij − Mp fij sont donc des approximations des coefficients sj . ´ ` Leur moyenne (ou leur mediane), pour chaque colonne j, donne une premiere estimation n 1X sj0 = (xij − Mp fij ) n i=1
´ On obtient enfin les estimations definitives des sj en centrant ces termes sj0 : pour tout j = 1, . . . , p
sj = sj0 − ms0
avec
ms 0 =
1 0 (s + · · · + sp0 ) p 1
Exemple1 s10 = −10.28965; s20 = −5.473675; s30 = 5.5977; s40 = 10.13745 La moyenne des sj0 est : ms0 = −0.00704375 ´ Les estimations definitives des sj : s1 = −10.28261; s2 = −5.466631; s3 = 5.604744; s4 = 10.14449 AZIZA BELMAATI (FSTM )
´ Series chronologiques
35 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ Les difference xij − Mp fij sont donc des approximations des coefficients sj . ´ ` Leur moyenne (ou leur mediane), pour chaque colonne j, donne une premiere estimation n 1X sj0 = (xij − Mp fij ) n i=1
´ On obtient enfin les estimations definitives des sj en centrant ces termes sj0 : pour tout j = 1, . . . , p
sj = sj0 − ms0
avec
ms 0 =
1 0 (s + · · · + sp0 ) p 1
Exemple1 s10 = −10.28965; s20 = −5.473675; s30 = 5.5977; s40 = 10.13745 La moyenne des sj0 est : ms0 = −0.00704375 ´ Les estimations definitives des sj : s1 = −10.28261; s2 = −5.466631; s3 = 5.604744; s4 = 10.14449 AZIZA BELMAATI (FSTM )
´ Series chronologiques
35 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ ` estimation (lissage) par moyenne mobile est donnee ´ par La Serie apres xˆt = Mp fij + Mpsij Exemple1
AZIZA BELMAATI (FSTM )
´ Series chronologiques
36 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` additif Cas du modele
´ ` estimation (lissage) par moyenne mobile est donnee ´ par La Serie apres xˆt = Mp fij + Mpsij Exemple1
ser
90
100
110
120
130
La série estimée
5
10
15
20
Index
AZIZA BELMAATI (FSTM )
´ Series chronologiques
36 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
` multiplicatif Pour t = (i − 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele ´ eral ´ de la fac¸on suivante : s’exprime donc en gen pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij (1 + sj ) + eij
´ ´ n represente le nombre d’annee. ´ coefficients saisonniers du modele ` multiplicatif. Les termes sj sont appeles ` ` les rapports xij /fij : Pour quantifier les variations saisonniere, on considere pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij /fij = 1 + sj + eij /fij
Ce qui conduit a` une approximation de 1 + sj tel que : pour tout i = 1, . . . , n
AZIZA BELMAATI (FSTM )
pour tout j = 1, . . . , p
´ Series chronologiques
xij /Mp fij ≈ 1 + sj = Sj
37 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
` multiplicatif Pour t = (i − 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele ´ eral ´ de la fac¸on suivante : s’exprime donc en gen pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij (1 + sj ) + eij
´ ´ n represente le nombre d’annee. ´ coefficients saisonniers du modele ` multiplicatif. Les termes sj sont appeles ` ` les rapports xij /fij : Pour quantifier les variations saisonniere, on considere pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij /fij = 1 + sj + eij /fij
Ce qui conduit a` une approximation de 1 + sj tel que : pour tout i = 1, . . . , n
AZIZA BELMAATI (FSTM )
pour tout j = 1, . . . , p
´ Series chronologiques
xij /Mp fij ≈ 1 + sj = Sj
37 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
` multiplicatif Pour t = (i − 1)p + j, i = 1, . . . , n; j = 1, . . . , p Le modele ´ eral ´ de la fac¸on suivante : s’exprime donc en gen pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij = fij (1 + sj ) + eij
´ ´ n represente le nombre d’annee. ´ coefficients saisonniers du modele ` multiplicatif. Les termes sj sont appeles ` ` les rapports xij /fij : Pour quantifier les variations saisonniere, on considere pour tout i = 1, . . . , n
pour tout j = 1, . . . , p
xij /fij = 1 + sj + eij /fij
Ce qui conduit a` une approximation de 1 + sj tel que : pour tout i = 1, . . . , n
AZIZA BELMAATI (FSTM )
pour tout j = 1, . . . , p
´ Series chronologiques
xij /Mp fij ≈ 1 + sj = Sj
37 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
Exemple2 ` la serie ´ On considere chronologique ci-dessous : > serm Ann´ ee1 Ann´ ee2 Ann´ ee3 Ann´ ee4 Ann´ ee5 Ann´ ee6
trimestre1 trimestre2 trimestre3 trimestre4 224.3705 253.2811 201.2421 248.9411 274.3802 300.1641 248.9038 298.4386 331.9657 371.4032 303.4313 365.9029 406.6326 437.9967 361.5774 444.8447 488.4166 536.5268 435.5698 549.3614 598.0016 659.2896 533.2156 669.2675
AZIZA BELMAATI (FSTM )
´ Series chronologiques
38 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
Exemple2 ` la serie ´ On considere chronologique ci-dessous : > serm Ann´ ee1 Ann´ ee2 Ann´ ee3 Ann´ ee4 Ann´ ee5 Ann´ ee6
trimestre1 trimestre2 trimestre3 trimestre4 224.3705 253.2811 201.2421 248.9411 274.3802 300.1641 248.9038 298.4386 331.9657 371.4032 303.4313 365.9029 406.6326 437.9967 361.5774 444.8447 488.4166 536.5268 435.5698 549.3614 598.0016 659.2896 533.2156 669.2675
AZIZA BELMAATI (FSTM )
´ Series chronologiques
38 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
Exemple2
Observations
200
300
400
500
600
Moyenne mobile d'ordre 4 et la série brute
5
10
15
20
Mois
AZIZA BELMAATI (FSTM )
´ Series chronologiques
39 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
Exemple2
> mmserm=filter(as.vector(t(serm)),filter=c(1/8,1/4,1/4,1/4, [,1] [,2] [,3] [,4] [1,] NA NA 238.2099 250.3215 [2,] 262.1396 274.2845 287.6699 303.7729 [3,] 319.4938 334.7427 352.5091 370.1667 [4,] 385.7591 402.8951 422.9858 445.5251 [5,] 467.0904 489.4041 516.1668 545.2102 [6,] 572.7613 599.9553 NA NA > serm/t(matrix(as.vector(mmserm),4)) trimestre1 trimestre2 trimestre3 trimestre4 Ann´ ee1 NA NA 0.8448099 0.9944855 Ann´ ee2 1.046695 1.094353 0.8652411 0.9824397 Ann´ ee3 1.039037 1.109518 0.8607757 0.9884814 Ann´ ee4 1.054110 1.087123 0.8548215 0.9984728 Ann´ ee5 1.045657 1.096286 0.8438548 1.0076139 Ann´ ee6 1.044068 1.098898 NA NA AZIZA BELMAATI (FSTM )
´ Series chronologiques
40 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
` On obtient des premieres estimations Sj0 des coefficients saisonniers en ´ calculant la moyenne (ou la mediane) des rapports figurant dans chaque ` additif, colonne. Par analogie avec les coefficients saisonniers sj du modele ´ ´ dont la moyenne est egale a` 0, on cherche des estimations definitives Sj de moyenne 1 : Pn 1 On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient 2
On calcule la moyenne ms0 = p1 (S10 + · · · + Sp0 )
3
on pose Sj = Sj0 /ms0
Exemple2 S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec ms0 = 0.9980326 ´ Les valeurs definitives sont obtenues de fac¸on que les Sj0 soient de moyenne 1: S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587 AZIZA BELMAATI (FSTM )
´ Series chronologiques
41 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
` On obtient des premieres estimations Sj0 des coefficients saisonniers en ´ calculant la moyenne (ou la mediane) des rapports figurant dans chaque ` additif, colonne. Par analogie avec les coefficients saisonniers sj du modele ´ ´ dont la moyenne est egale a` 0, on cherche des estimations definitives Sj de moyenne 1 : Pn 1 On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient 2
On calcule la moyenne ms0 = p1 (S10 + · · · + Sp0 )
3
on pose Sj = Sj0 /ms0
Exemple2 S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec ms0 = 0.9980326 ´ Les valeurs definitives sont obtenues de fac¸on que les Sj0 soient de moyenne 1: S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587 AZIZA BELMAATI (FSTM )
´ Series chronologiques
41 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
` On obtient des premieres estimations Sj0 des coefficients saisonniers en ´ calculant la moyenne (ou la mediane) des rapports figurant dans chaque ` additif, colonne. Par analogie avec les coefficients saisonniers sj du modele ´ ´ dont la moyenne est egale a` 0, on cherche des estimations definitives Sj de moyenne 1 : Pn 1 On calcule Sj0 = n1 i=1 (xij /Mp fij ) On obtient 2
On calcule la moyenne ms0 = p1 (S10 + · · · + Sp0 )
3
on pose Sj = Sj0 /ms0
Exemple2 S10 = 1.046695 ;S20 = 1.097236 ;S30 = 0.8539006 ;S40 = 0.9942987 avec ms0 = 0.9980326 ´ Les valeurs definitives sont obtenues de fac¸on que les Sj0 soient de moyenne 1: S1 = 1.0487583 ;S2 = 1.0993990 ;S3 = 0.8555839 ;S4 = 0.9962587 AZIZA BELMAATI (FSTM )
´ Series chronologiques
41 / 65
Moyenne mobile
´ ´ Modelisation et desaisonnalisation ` multiplicatif Cas du modele
Exemple2
Observations
200
300
400
500
600
Modèle multiplicatif
5
10
15
20
Mois
AZIZA BELMAATI (FSTM )
´ Series chronologiques
42 / 65
Moyenne mobile
´ Prevision Estimation de la tendance
´ on retranche l’estimation de la Une fois les coefficients saisonniers estimes, ´ serie xt . ´ Definition ´ des variations saisonnieres ` ´ on appelle observation corrigee la valeur, notee ´ xcvs,ij , obtenue en eliminant l’effet saisonnier sur la valeur xij . On a pour le ` additif modele xcvs,ij = xij − sj ` multiplicatif alors que pour le modele xcvs,ij = xij /Sj ` ´ On procede ensuite a` l’estimation du terme representant la tendance par la ´ ´ methode de regression.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
43 / 65
Moyenne mobile
´ Prevision Estimation de la tendance
´ on retranche l’estimation de la Une fois les coefficients saisonniers estimes, ´ serie xt . ´ Definition ´ des variations saisonnieres ` ´ on appelle observation corrigee la valeur, notee ´ xcvs,ij , obtenue en eliminant l’effet saisonnier sur la valeur xij . On a pour le ` additif modele xcvs,ij = xij − sj ` multiplicatif alors que pour le modele xcvs,ij = xij /Sj ` ´ On procede ensuite a` l’estimation du terme representant la tendance par la ´ ´ methode de regression.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
43 / 65
Moyenne mobile
´ Prevision Estimation de la tendance
´ on retranche l’estimation de la Une fois les coefficients saisonniers estimes, ´ serie xt . ´ Definition ´ des variations saisonnieres ` ´ on appelle observation corrigee la valeur, notee ´ xcvs,ij , obtenue en eliminant l’effet saisonnier sur la valeur xij . On a pour le ` additif modele xcvs,ij = xij − sj ` multiplicatif alors que pour le modele xcvs,ij = xij /Sj ` ´ On procede ensuite a` l’estimation du terme representant la tendance par la ´ ´ methode de regression.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
43 / 65
Moyenne mobile
´ Prevision
Exemple2 > ss [1] 1.0487583 1.0993990 0.8555839 0.9962587 > reg=as.vector(t(serm))/rep(ss,6) > lm(reg˜seq(1:24)) Call: lm(formula = reg ˜ seq(1:24)) Coefficients: (Intercept) 160.97
AZIZA BELMAATI (FSTM )
seq(1:24) 19.01
´ Series chronologiques
44 / 65
Moyenne mobile
´ Prevision ´ ´ Afin de prevoir les valeurs futures de la serie, on utilise l’estimation de la ` ´ ement, ´ tendance et celle de la composante saisonniere. Plus precis si on ´ ´ ` ` souhaite prevoir une valeur de la serie a l’instant T + h, ou` h ≥ 1, c’est-a-dire a` l’horizon h, on utilise on pose ˆT (h) = ˆfT +h + Sj , T + h ≡ j[p] X Exemple3 ´ ´ On etudie les ventes d’un produit sur 3 annees. 2005
Trim 1 2 3 4
AZIZA BELMAATI (FSTM )
Ventes 860 794 1338 1148
2006
Trim 1 2 3 4
Ventes 1096 1021 1705 1505
´ Series chronologiques
2007
Trim 1 2 3 4
Ventes 1436 1363 2319 2047
45 / 65
Moyenne mobile
´ Analyse des residus ` estime, ´ on peut controler ˆ ` par une Une fois le modele la pertinence du modele ´ analyse des residus qui son d”finis par ˆ t − ˆft εˆt = Xt − S ` est bon, il ne doit rester dans les residus ´ Si le modele aucune trace du saisonnier. ´ ´ ´ ` le graphe d’un Pour le verifier, on trace le correlogramme des residus, cad ´ estimateur de la fonction d’autocorrelation. ´ Definition ´ On appelle fonction d’autocovariance de X , la fonction γ definie par ∀h ∈ Z :
γ(h) = cov (Xt , Xt−h )
Remarque γ(0) = var (Xt ) γ(h) = γ(−h) AZIZA BELMAATI (FSTM )
´ Series chronologiques
46 / 65
Moyenne mobile
´ Analyse des residus ` estime, ´ on peut controler ˆ ` par une Une fois le modele la pertinence du modele ´ analyse des residus qui son d”finis par ˆ t − ˆft εˆt = Xt − S ` est bon, il ne doit rester dans les residus ´ Si le modele aucune trace du saisonnier. ´ ´ ´ ` le graphe d’un Pour le verifier, on trace le correlogramme des residus, cad ´ estimateur de la fonction d’autocorrelation. ´ Definition ´ On appelle fonction d’autocovariance de X , la fonction γ definie par ∀h ∈ Z :
γ(h) = cov (Xt , Xt−h )
Remarque γ(0) = var (Xt ) γ(h) = γ(−h) AZIZA BELMAATI (FSTM )
´ Series chronologiques
46 / 65
Moyenne mobile
´ Analyse des residus ` estime, ´ on peut controler ˆ ` par une Une fois le modele la pertinence du modele ´ analyse des residus qui son d”finis par ˆ t − ˆft εˆt = Xt − S ` est bon, il ne doit rester dans les residus ´ Si le modele aucune trace du saisonnier. ´ ´ ´ ` le graphe d’un Pour le verifier, on trace le correlogramme des residus, cad ´ estimateur de la fonction d’autocorrelation. ´ Definition ´ On appelle fonction d’autocovariance de X , la fonction γ definie par ∀h ∈ Z :
γ(h) = cov (Xt , Xt−h )
Remarque γ(0) = var (Xt ) γ(h) = γ(−h) AZIZA BELMAATI (FSTM )
´ Series chronologiques
46 / 65
Moyenne mobile
´ Analyse des residus ` estime, ´ on peut controler ˆ ` par une Une fois le modele la pertinence du modele ´ analyse des residus qui son d”finis par ˆ t − ˆft εˆt = Xt − S ` est bon, il ne doit rester dans les residus ´ Si le modele aucune trace du saisonnier. ´ ´ ´ ` le graphe d’un Pour le verifier, on trace le correlogramme des residus, cad ´ estimateur de la fonction d’autocorrelation. ´ Definition ´ On appelle fonction d’autocovariance de X , la fonction γ definie par ∀h ∈ Z :
γ(h) = cov (Xt , Xt−h )
Remarque γ(0) = var (Xt ) γ(h) = γ(−h) AZIZA BELMAATI (FSTM )
´ Series chronologiques
46 / 65
Moyenne mobile
´ Analyse des residus ` estime, ´ on peut controler ˆ ` par une Une fois le modele la pertinence du modele ´ analyse des residus qui son d”finis par ˆ t − ˆft εˆt = Xt − S ` est bon, il ne doit rester dans les residus ´ Si le modele aucune trace du saisonnier. ´ ´ ´ ` le graphe d’un Pour le verifier, on trace le correlogramme des residus, cad ´ estimateur de la fonction d’autocorrelation. ´ Definition ´ On appelle fonction d’autocovariance de X , la fonction γ definie par ∀h ∈ Z :
γ(h) = cov (Xt , Xt−h )
Remarque γ(0) = var (Xt ) γ(h) = γ(−h) AZIZA BELMAATI (FSTM )
´ Series chronologiques
46 / 65
Moyenne mobile
´ Analyse des residus ´ Definition ´ ´ On appelle fonction d’autocorrelation de X , la fonction ρ definie par ∀h ∈ Z :
ρ(h) = p
cov (Xt , Xt−h ) var (Xt )var (Xt−h )
=
γ(h) γ(0)
Remarque 1 ´ ρ(h) est une mesure de la dependance de la valeur X en une date par ´ ee ´ de h intervalles de temps. rapport a` sa valeur en une date decal 2 ρ(0) = 1 3 −1 ≤ ρ(h) ≤ 1 ´ Definition ´ ´ ´ La fonction d’autocorrelation empirique de la serie Xt est definie par PT ρˆ(h) = AZIZA BELMAATI (FSTM )
¯
t=h+1 (Xt − X )(Xt−h PT ¯ 2 t=1 (Xt − X ) ´ Series chronologiques
¯) −X
47 / 65
Moyenne mobile
´ Analyse des residus ´ Definition ´ ´ On appelle fonction d’autocorrelation de X , la fonction ρ definie par ∀h ∈ Z :
ρ(h) = p
cov (Xt , Xt−h ) var (Xt )var (Xt−h )
=
γ(h) γ(0)
Remarque 1 ´ ρ(h) est une mesure de la dependance de la valeur X en une date par ´ ee ´ de h intervalles de temps. rapport a` sa valeur en une date decal 2 ρ(0) = 1 3 −1 ≤ ρ(h) ≤ 1 ´ Definition ´ ´ ´ La fonction d’autocorrelation empirique de la serie Xt est definie par PT ρˆ(h) = AZIZA BELMAATI (FSTM )
¯
t=h+1 (Xt − X )(Xt−h PT ¯ 2 t=1 (Xt − X ) ´ Series chronologiques
¯) −X
47 / 65
Moyenne mobile
´ Analyse des residus ´ Definition ´ ´ On appelle fonction d’autocorrelation de X , la fonction ρ definie par ∀h ∈ Z :
ρ(h) = p
cov (Xt , Xt−h ) var (Xt )var (Xt−h )
=
γ(h) γ(0)
Remarque 1 ´ ρ(h) est une mesure de la dependance de la valeur X en une date par ´ ee ´ de h intervalles de temps. rapport a` sa valeur en une date decal 2 ρ(0) = 1 3 −1 ≤ ρ(h) ≤ 1 ´ Definition ´ ´ ´ La fonction d’autocorrelation empirique de la serie Xt est definie par PT ρˆ(h) = AZIZA BELMAATI (FSTM )
¯
t=h+1 (Xt − X )(Xt−h PT ¯ 2 t=1 (Xt − X ) ´ Series chronologiques
¯) −X
47 / 65
Moyenne mobile
´ Analyse des residus ´ Definition ´ ´ On appelle fonction d’autocorrelation de X , la fonction ρ definie par ∀h ∈ Z :
ρ(h) = p
cov (Xt , Xt−h ) var (Xt )var (Xt−h )
=
γ(h) γ(0)
Remarque 1 ´ ρ(h) est une mesure de la dependance de la valeur X en une date par ´ ee ´ de h intervalles de temps. rapport a` sa valeur en une date decal 2 ρ(0) = 1 3 −1 ≤ ρ(h) ≤ 1 ´ Definition ´ ´ ´ La fonction d’autocorrelation empirique de la serie Xt est definie par PT ρˆ(h) = AZIZA BELMAATI (FSTM )
¯
t=h+1 (Xt − X )(Xt−h PT ¯ 2 t=1 (Xt − X ) ´ Series chronologiques
¯) −X
47 / 65
Moyenne mobile
´ Analyse des residus ´ Definition ´ ´ On appelle fonction d’autocorrelation de X , la fonction ρ definie par ∀h ∈ Z :
ρ(h) = p
cov (Xt , Xt−h ) var (Xt )var (Xt−h )
=
γ(h) γ(0)
Remarque 1 ´ ρ(h) est une mesure de la dependance de la valeur X en une date par ´ ee ´ de h intervalles de temps. rapport a` sa valeur en une date decal 2 ρ(0) = 1 3 −1 ≤ ρ(h) ≤ 1 ´ Definition ´ ´ ´ La fonction d’autocorrelation empirique de la serie Xt est definie par PT ρˆ(h) = AZIZA BELMAATI (FSTM )
¯
t=h+1 (Xt − X )(Xt−h PT ¯ 2 t=1 (Xt − X ) ´ Series chronologiques
¯) −X
47 / 65
Moyenne mobile
´ Analyse des residus ´ Definition ´ ´ On appelle fonction d’autocorrelation de X , la fonction ρ definie par ∀h ∈ Z :
ρ(h) = p
cov (Xt , Xt−h ) var (Xt )var (Xt−h )
=
γ(h) γ(0)
Remarque 1 ´ ρ(h) est une mesure de la dependance de la valeur X en une date par ´ ee ´ de h intervalles de temps. rapport a` sa valeur en une date decal 2 ρ(0) = 1 3 −1 ≤ ρ(h) ≤ 1 ´ Definition ´ ´ ´ La fonction d’autocorrelation empirique de la serie Xt est definie par PT ρˆ(h) = AZIZA BELMAATI (FSTM )
¯
t=h+1 (Xt − X )(Xt−h PT ¯ 2 t=1 (Xt − X ) ´ Series chronologiques
¯) −X
47 / 65
Moyenne mobile
´ Effet d’une moyenne mobile sur les residus
´ e´ Propriet ´ Les moyennes mobile arithmetiques d’ordre minimise la variance d’un bruit blanc, et on a pour une moyenne mobile d’ordre 2m + 1 : 2m+1−h pour h ≤ 2m 2m+1 ρ(h) = 0 pour h > 2m
AZIZA BELMAATI (FSTM )
´ Series chronologiques
48 / 65
´ Prevision par lissage exponentiel
Plan 1
Introduction
2
´ Les composantes d’une serie chronologique
3
Analyse de la tendance
4
Moyenne mobile
5
´ Prevision par lissage exponentiel
6
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
49 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
´ Definition ˆT (h), fornie par la methode ´ ´ ´ La prevision de la serie a` l’horizon h, X de lissage ´ par exponentiel simple est donnee ˆT (h) = (1 − β) X
T −1 X
β j XT −j
j=0
ou` β ∈ [0, 1] est la constante de lissage. ´ ´ Ce lissage permet d’effectuer des previsions pour des series dont la tendance ´ est constante et sans saisonnalite.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
50 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
´ Definition ˆT (h), fornie par la methode ´ ´ ´ La prevision de la serie a` l’horizon h, X de lissage ´ par exponentiel simple est donnee ˆT (h) = (1 − β) X
T −1 X
β j XT −j
j=0
ou` β ∈ [0, 1] est la constante de lissage. ´ ´ Ce lissage permet d’effectuer des previsions pour des series dont la tendance ´ est constante et sans saisonnalite.
AZIZA BELMAATI (FSTM )
´ Series chronologiques
50 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
Remarques 1
2
3
4 5
´ ` fortement influencee ´ Si β est est proche de 0, la prevision est souple, cad ´ par les observations les plus recentes. ˆ ´ ´ ` Dans le cas extreme ou` β = 0, la prevision est alors egale a` la derniere ´ valeur observee. ´ ` fortement influencee ´ Si β est est proche de 1, la prevision est rigide, cad ´ par les observations passees. ˆ ´ dans le cas extreme β = 1, les previsions sont identiques. ˆ Afin d’exclure les deux cas extreme, pratiquement, on prend β ∈]0, 1[
AZIZA BELMAATI (FSTM )
´ Series chronologiques
51 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
Remarques 1
2
3
4 5
´ ` fortement influencee ´ Si β est est proche de 0, la prevision est souple, cad ´ par les observations les plus recentes. ˆ ´ ´ ` Dans le cas extreme ou` β = 0, la prevision est alors egale a` la derniere ´ valeur observee. ´ ` fortement influencee ´ Si β est est proche de 1, la prevision est rigide, cad ´ par les observations passees. ˆ ´ dans le cas extreme β = 1, les previsions sont identiques. ˆ Afin d’exclure les deux cas extreme, pratiquement, on prend β ∈]0, 1[
AZIZA BELMAATI (FSTM )
´ Series chronologiques
51 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
Remarques 1
2
3
4 5
´ ` fortement influencee ´ Si β est est proche de 0, la prevision est souple, cad ´ par les observations les plus recentes. ˆ ´ ´ ` Dans le cas extreme ou` β = 0, la prevision est alors egale a` la derniere ´ valeur observee. ´ ` fortement influencee ´ Si β est est proche de 1, la prevision est rigide, cad ´ par les observations passees. ˆ ´ dans le cas extreme β = 1, les previsions sont identiques. ˆ Afin d’exclure les deux cas extreme, pratiquement, on prend β ∈]0, 1[
AZIZA BELMAATI (FSTM )
´ Series chronologiques
51 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
Remarques 1
2
3
4 5
´ ` fortement influencee ´ Si β est est proche de 0, la prevision est souple, cad ´ par les observations les plus recentes. ˆ ´ ´ ` Dans le cas extreme ou` β = 0, la prevision est alors egale a` la derniere ´ valeur observee. ´ ` fortement influencee ´ Si β est est proche de 1, la prevision est rigide, cad ´ par les observations passees. ˆ ´ dans le cas extreme β = 1, les previsions sont identiques. ˆ Afin d’exclure les deux cas extreme, pratiquement, on prend β ∈]0, 1[
AZIZA BELMAATI (FSTM )
´ Series chronologiques
51 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
Remarques 1
2
3
4 5
´ ` fortement influencee ´ Si β est est proche de 0, la prevision est souple, cad ´ par les observations les plus recentes. ˆ ´ ´ ` Dans le cas extreme ou` β = 0, la prevision est alors egale a` la derniere ´ valeur observee. ´ ` fortement influencee ´ Si β est est proche de 1, la prevision est rigide, cad ´ par les observations passees. ˆ ´ dans le cas extreme β = 1, les previsions sont identiques. ˆ Afin d’exclure les deux cas extreme, pratiquement, on prend β ∈]0, 1[
AZIZA BELMAATI (FSTM )
´ Series chronologiques
51 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple ´ ´ La prevision a` l’horizon h, se fait a` l’aide de la formule dite formule recursive ´ par de mise a` jour, donnee ˆT (h) = β X ˆT −1 (h) + (1 − β)XT X
Algorithme de L.E.S 1 2 3
On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + · · · + Xl )/l ˆt = β X ˆt−1 (h) + (1 − β)Xt pour 0 ≤ t ≤ T X ˆt−1 = X ˆt pour t ≥ T + 1 X
Remarques ´ En pratique, si on souhaite faire une prevision rigide on choisi β ∈ [0.7, 0.99] ´ et si on souhaite une prevision souple on choisi β ∈ [0.01, 0.3].
AZIZA BELMAATI (FSTM )
´ Series chronologiques
52 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple ´ ´ La prevision a` l’horizon h, se fait a` l’aide de la formule dite formule recursive ´ par de mise a` jour, donnee ˆT (h) = β X ˆT −1 (h) + (1 − β)XT X
Algorithme de L.E.S 1 2 3
On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + · · · + Xl )/l ˆt = β X ˆt−1 (h) + (1 − β)Xt pour 0 ≤ t ≤ T X ˆt−1 = X ˆt pour t ≥ T + 1 X
Remarques ´ En pratique, si on souhaite faire une prevision rigide on choisi β ∈ [0.7, 0.99] ´ et si on souhaite une prevision souple on choisi β ∈ [0.01, 0.3].
AZIZA BELMAATI (FSTM )
´ Series chronologiques
52 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple ´ ´ La prevision a` l’horizon h, se fait a` l’aide de la formule dite formule recursive ´ par de mise a` jour, donnee ˆT (h) = β X ˆT −1 (h) + (1 − β)XT X
Algorithme de L.E.S 1 2 3
On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + · · · + Xl )/l ˆt = β X ˆt−1 (h) + (1 − β)Xt pour 0 ≤ t ≤ T X ˆt−1 = X ˆt pour t ≥ T + 1 X
Remarques ´ En pratique, si on souhaite faire une prevision rigide on choisi β ∈ [0.7, 0.99] ´ et si on souhaite une prevision souple on choisi β ∈ [0.01, 0.3].
AZIZA BELMAATI (FSTM )
´ Series chronologiques
52 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple ´ ´ La prevision a` l’horizon h, se fait a` l’aide de la formule dite formule recursive ´ par de mise a` jour, donnee ˆT (h) = β X ˆT −1 (h) + (1 − β)XT X
Algorithme de L.E.S 1 2 3
On choisi une valeur initiale Xt (0) = X1 ou Xt (0) = (X1 + · · · + Xl )/l ˆt = β X ˆt−1 (h) + (1 − β)Xt pour 0 ≤ t ≤ T X ˆt−1 = X ˆt pour t ≥ T + 1 X
Remarques ´ En pratique, si on souhaite faire une prevision rigide on choisi β ∈ [0.7, 0.99] ´ et si on souhaite une prevision souple on choisi β ∈ [0.01, 0.3].
AZIZA BELMAATI (FSTM )
´ Series chronologiques
52 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple ´ L’intervalle de confiance de la prevision est de la forme ˆT (h) ± 1.96σCh X 1−β 2 2 2 ou` Ch2 = 1 + 1+β 2 [(1 + 4β + 5β ) + 2h(1 − β)(1 + 3β) + 2h (1 − β )] Exemple ´ ´ Considerons une serie de vente d’une entreprise, sur 16 mois
> vente=c(1293,1209,1205,1273,1220,1290,1243,1203,1390, 1360,1353,1343,1364,1330,1377,1332) > vente=ts(vente,start=c(1998,1),frequency=12) > vente Jan Feb Mar Apr May Jun Jul Aug Sep Oct 1998 1293 1209 1205 1273 1220 1290 1243 1203 1390 1360 1999 1364 1330 1377 1332 Nov Dec 1998 1353 1343 1999 AZIZA BELMAATI (FSTM )
´ Series chronologiques
53 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple ´ L’intervalle de confiance de la prevision est de la forme ˆT (h) ± 1.96σCh X 1−β 2 2 2 ou` Ch2 = 1 + 1+β 2 [(1 + 4β + 5β ) + 2h(1 − β)(1 + 3β) + 2h (1 − β )] Exemple ´ ´ Considerons une serie de vente d’une entreprise, sur 16 mois
> vente=c(1293,1209,1205,1273,1220,1290,1243,1203,1390, 1360,1353,1343,1364,1330,1377,1332) > vente=ts(vente,start=c(1998,1),frequency=12) > vente Jan Feb Mar Apr May Jun Jul Aug Sep Oct 1998 1293 1209 1205 1273 1220 1290 1243 1203 1390 1360 1999 1364 1330 1377 1332 Nov Dec 1998 1353 1343 1999 AZIZA BELMAATI (FSTM )
´ Series chronologiques
53 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple Exemple
1300 1200
1250
vente
1350
> plot.ts(vente,lwd=3)
1998.0
1998.2
1998.4
1998.6
1998.8
1999.0
1999.2
Time
AZIZA BELMAATI (FSTM )
´ Series chronologiques
54 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple
Exemple ´ ´ On note yˆ1 , . . . , yˆ2 la serie lissee. Mise a` jour de l’algorithme : 1 ` valeur (T = 0), on considere ` comme valeur initiale une Pour la premiere ` valeurs observees ´ ou egale ´ moyenne des premiere a` y1 . 2 ´ ´ a` β fixe, ´ on utilise la relation de mise a` jour Pour construire la serie lissee, yˆj = (1 − β)yj + β yˆj−1 > ventep=c(vente[1],rep(0,15)) > for(j in 2:16) + {ventep[j]=0.7*vente[j]+0.3*ventep[j-1]}
AZIZA BELMAATI (FSTM )
´ Series chronologiques
55 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel simple Exemple
1300 1200
1250
vente
1350
> ventp=ts(ventep,start=c(1998,1),frequency=12) > plot.ts(vente,lwd=3) > lines(ventp,col="red",lwd=3)
1998.0
1998.2
1998.4
1998.6
1998.8
1999.0
1999.2
Time
AZIZA BELMAATI (FSTM )
´ Series chronologiques
56 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ Definition ˆT (h), fournie par la methode ´ ´ ´ La prevision de la serie a` l’horizon h, X de lissage ´ par exponentiel double est donnee ˆT (h) = b ˆT h + a ˆT X ˆT ) est donnee ˆT , b ´ par ou` le couple (a
ˆT = 1−β (S1 (T ) − S2 (T )) b β ˆT = 2S1 (T ) − S2 (T ) a
avec β ∈ [0, 1] est la constante de lissage. Remarques ˆT dependent ˆT et b ´ Les expressions a de S1 et S2 qui sont respectivement le ´ lissage exponentiel simple de la serie initiale et le lissage exponentiel simple ´ ´ de la serie lissee. AZIZA BELMAATI (FSTM )
´ Series chronologiques
57 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ eralise ´ ´ du lissage exponentiel simple au cas ou la serie ´ Ce lissage gen l’idee a ´ ´ La prevision ´ une la tendance lineaire et sans saisonnalite. a` l’horizon h, se fait ´ ´ par a` l’aide de la formule dite formule recursive de mise a` jour, donnee ˆT −1 (1)) + a ˆT ˆT + b ˆT = (1 − β 2 )(XT − X a 2 ˆ ˆ ˆ bT = bT −1 + (1 − β )(XT − XT −1 (1)) Algorithme de L.E.D 1 2
ˆt (0) = (Xt − Xl )/t0 ˆt (0) = X1 et b On choisi une valeur initiale a 0 ˆt−1 ] avec λ = 1 − β 2 ˆt = λXt + (1 − λ)[a ˆt−1 + b a
3
ˆt = µ[a ˆt−1 avec µ = ˆt − a ˆt−1 ] + (1 − µ)b b
4
ˆt = aˆt + b ˆt X
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1−β 1+β
58 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ eralise ´ ´ du lissage exponentiel simple au cas ou la serie ´ Ce lissage gen l’idee a ´ ´ La prevision ´ une la tendance lineaire et sans saisonnalite. a` l’horizon h, se fait ´ ´ par a` l’aide de la formule dite formule recursive de mise a` jour, donnee ˆT −1 (1)) + a ˆT ˆT + b ˆT = (1 − β 2 )(XT − X a 2 ˆ ˆ ˆ bT = bT −1 + (1 − β )(XT − XT −1 (1)) Algorithme de L.E.D 1 2
ˆt (0) = (Xt − Xl )/t0 ˆt (0) = X1 et b On choisi une valeur initiale a 0 ˆt−1 ] avec λ = 1 − β 2 ˆt = λXt + (1 − λ)[a ˆt−1 + b a
3
ˆt = µ[a ˆt−1 avec µ = ˆt − a ˆt−1 ] + (1 − µ)b b
4
ˆt = aˆt + b ˆt X
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1−β 1+β
58 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ eralise ´ ´ du lissage exponentiel simple au cas ou la serie ´ Ce lissage gen l’idee a ´ ´ La prevision ´ une la tendance lineaire et sans saisonnalite. a` l’horizon h, se fait ´ ´ par a` l’aide de la formule dite formule recursive de mise a` jour, donnee ˆT −1 (1)) + a ˆT ˆT + b ˆT = (1 − β 2 )(XT − X a 2 ˆ ˆ ˆ bT = bT −1 + (1 − β )(XT − XT −1 (1)) Algorithme de L.E.D 1 2
ˆt (0) = (Xt − Xl )/t0 ˆt (0) = X1 et b On choisi une valeur initiale a 0 ˆt−1 ] avec λ = 1 − β 2 ˆt = λXt + (1 − λ)[a ˆt−1 + b a
3
ˆt = µ[a ˆt−1 avec µ = ˆt − a ˆt−1 ] + (1 − µ)b b
4
ˆt = aˆt + b ˆt X
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1−β 1+β
58 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ eralise ´ ´ du lissage exponentiel simple au cas ou la serie ´ Ce lissage gen l’idee a ´ ´ La prevision ´ une la tendance lineaire et sans saisonnalite. a` l’horizon h, se fait ´ ´ par a` l’aide de la formule dite formule recursive de mise a` jour, donnee ˆT −1 (1)) + a ˆT ˆT + b ˆT = (1 − β 2 )(XT − X a 2 ˆ ˆ ˆ bT = bT −1 + (1 − β )(XT − XT −1 (1)) Algorithme de L.E.D 1 2
ˆt (0) = (Xt − Xl )/t0 ˆt (0) = X1 et b On choisi une valeur initiale a 0 ˆt−1 ] avec λ = 1 − β 2 ˆt = λXt + (1 − λ)[a ˆt−1 + b a
3
ˆt = µ[a ˆt−1 avec µ = ˆt − a ˆt−1 ] + (1 − µ)b b
4
ˆt = aˆt + b ˆt X
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1−β 1+β
58 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ eralise ´ ´ du lissage exponentiel simple au cas ou la serie ´ Ce lissage gen l’idee a ´ ´ La prevision ´ une la tendance lineaire et sans saisonnalite. a` l’horizon h, se fait ´ ´ par a` l’aide de la formule dite formule recursive de mise a` jour, donnee ˆT −1 (1)) + a ˆT ˆT + b ˆT = (1 − β 2 )(XT − X a 2 ˆ ˆ ˆ bT = bT −1 + (1 − β )(XT − XT −1 (1)) Algorithme de L.E.D 1 2
ˆt (0) = (Xt − Xl )/t0 ˆt (0) = X1 et b On choisi une valeur initiale a 0 ˆt−1 ] avec λ = 1 − β 2 ˆt = λXt + (1 − λ)[a ˆt−1 + b a
3
ˆt = µ[a ˆt−1 avec µ = ˆt − a ˆt−1 ] + (1 − µ)b b
4
ˆt = aˆt + b ˆt X
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1−β 1+β
58 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ eralise ´ ´ du lissage exponentiel simple au cas ou la serie ´ Ce lissage gen l’idee a ´ ´ La prevision ´ une la tendance lineaire et sans saisonnalite. a` l’horizon h, se fait ´ ´ par a` l’aide de la formule dite formule recursive de mise a` jour, donnee ˆT −1 (1)) + a ˆT ˆT + b ˆT = (1 − β 2 )(XT − X a 2 ˆ ˆ ˆ bT = bT −1 + (1 − β )(XT − XT −1 (1)) Algorithme de L.E.D 1 2
ˆt (0) = (Xt − Xl )/t0 ˆt (0) = X1 et b On choisi une valeur initiale a 0 ˆt−1 ] avec λ = 1 − β 2 ˆt = λXt + (1 − λ)[a ˆt−1 + b a
3
ˆt = µ[a ˆt−1 avec µ = ˆt − a ˆt−1 ] + (1 − µ)b b
4
ˆt = aˆt + b ˆt X
AZIZA BELMAATI (FSTM )
´ Series chronologiques
1−β 1+β
58 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double ´ L’intervalle de confiance de prevision est donne´ par q 2 ˆ XT (h) ± 1.96σ β+1 Exemple ` la serie ´ On considere suivante, correspondante a` un indice d’activite´
> indice=c(9050,9380,9378,9680,10100,10160,10469,10738,10910 11058,11016,10869,11034,11135,10845,11108,11115,11424,10895, 11437,11352,11381,11401,11507,11453,11561) > indice=ts(indice,start=c(1982,2),frequency=4) > indice Qtr1 Qtr2 Qtr3 Qtr4 1982 9050 9380 9378 1983 9680 10100 10160 10469 1984 10738 10910 11058 11016 1985 10869 11034 11135 10845 1986 11108 11115 11424 10895 1987 11437 11352 11381 11401 1988 11507 11453 11561 AZIZA BELMAATI (FSTM )
´ Series chronologiques
59 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double
9000
9500
10000
indice
10500
11000
11500
Exemple
1982
1983
1984
1985
1986
1987
1988
Time
AZIZA BELMAATI (FSTM )
´ Series chronologiques
60 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double : Exemple
9500
10000
indice
10500
11000
11500
> iindice=c(indice[1],rep(0,25)) > pindice=c((indice[10]-indice[1])/10,rep(0,25)) > for(j in 2:26){ iindice[j]=(1-0.7ˆ2)*indice[j] +(0.7ˆ2*(iindice[j-1]+pindice[j-1])) pindice[j]=(0.3/1.3)*(iindice[j]-iindice[j-1]) +(1-(0.3/1.3))*pindice[j-1]} > indicp=iindice+pindice
0
AZIZA BELMAATI (FSTM )
´ Series chronologiques
61 / 65
´ Prevision par lissage exponentiel
Lissage exponentiel double : Exemple
9500
10000
indice
10500
11000
11500
> iindice=c(indice[1],rep(0,25)) > pindice=c((indice[10]-indice[1])/10,rep(0,25)) > for(j in 2:26){ iindice[j]=(1-0.7ˆ2)*indice[j] +(0.7ˆ2*(iindice[j-1]+pindice[j-1])) pindice[j]=(0.3/1.3)*(iindice[j]-iindice[j-1]) +(1-(0.3/1.3))*pindice[j-1]} > indicp=iindice+pindice
0
AZIZA BELMAATI (FSTM )
´ Series chronologiques
61 / 65
´ ´ Prevision par la methode de Holt-Winters
Plan 1
Introduction
2
´ Les composantes d’une serie chronologique
3
Analyse de la tendance
4
Moyenne mobile
5
´ Prevision par lissage exponentiel
6
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
62 / 65
´ ´ Prevision par la methode de Holt-Winters
´ La methode de Holt-Winters
´ ´ ´ Cette methode permet d’effectuer des previsions sur des series assez ´ ` ` irreguli eres et soumises ou non a` des variations saisonnieres selon un ` additif ou multiplicatif modele
AZIZA BELMAATI (FSTM )
´ Series chronologiques
63 / 65
´ ´ Prevision par la methode de Holt-Winters
´ La methode de Holt-Winters ´ ` La methode non saisonniere
Holt et Winters ont propose´ une version des formules de mise a` jour pour le ´ ´ lissage exponentiel double pour lequel les ponderations dependent de deux ` parametres : ˆT (1) − X ˆT −1 (1)) + γ a ˆT = (1 − γ)(X ˆT −1 a ˆ ˆ ˆ bT = (1 − α)XT + α(XT −1 (1) − XT −1 (2)) ou` |α| < 1 et |γ| < 1 ´ ´ ´ par La prevision par cette methode est donnee ˆT (h) = aˆT h + b ˆT X Remarque ` que la On peut choisir les coefficients arbitrairement faibles si l’on considere ´ ´ valeur a` l’instant t depend d’un grand nombre d’observations anterieures, ´ es ´ dans le cas contraire. elev
AZIZA BELMAATI (FSTM )
´ Series chronologiques
64 / 65
´ ´ Prevision par la methode de Holt-Winters
´ La methode de Holt-Winters ´ ` La methode non saisonniere
Holt et Winters ont propose´ une version des formules de mise a` jour pour le ´ ´ lissage exponentiel double pour lequel les ponderations dependent de deux ` parametres : ˆT (1) − X ˆT −1 (1)) + γ a ˆT = (1 − γ)(X ˆT −1 a ˆ ˆ ˆ bT = (1 − α)XT + α(XT −1 (1) − XT −1 (2)) ou` |α| < 1 et |γ| < 1 ´ ´ ´ par La prevision par cette methode est donnee ˆT (h) = aˆT h + b ˆT X Remarque ` que la On peut choisir les coefficients arbitrairement faibles si l’on considere ´ ´ valeur a` l’instant t depend d’un grand nombre d’observations anterieures, ´ es ´ dans le cas contraire. elev
AZIZA BELMAATI (FSTM )
´ Series chronologiques
64 / 65
´ ´ Prevision par la methode de Holt-Winters
AZIZA BELMAATI (FSTM )
´ Series chronologiques
65 / 65