Series Chronologiques

Agnes Lagnoux
lagnoux@[Link]

ISMAG
MASTER 1 - MI00141X
Table des matieres
1 Introduction 4
1.1 Serie chronologique : vocabulaire et exemples . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Description dune serie chronologique . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Objectifs principaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Description schematique de letude complete dune serie chronologique . . . . . . . . . . . 8
1.2.1 Correction des donnees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Observation de la serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Modelisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4 Analyse de la serie a partir de ses composantes . . . . . . . . . . . . . . . . . . . . 11
1.2.5 Diagnostic du modele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.6 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Modelisation deterministe 14
2.1 Le modele additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Le modele multiplicatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3 Les modeles mixtes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Choix du modele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3 Analyse de la tendance 19
3.1 Rappels sur la regression lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1 La methode des moindres carres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.2 Proprietes et interpretation du coefficient de correlation lineaire . . . . . . . . . . . 20
3.2 Ajustement tendanciel lineaire par moindres carres . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Ajustement tendanciel lineaire par points medians . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Ajustements tendanciels non lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Estimation non parametrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

4 Les moyennes mobiles 24

4.1 Definitions des moyennes mobiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2 Proprietes dun lissage par moyenne mobile . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2.1 Effet dune moyenne mobile sur une tendance . . . . . . . . . . . . . . . . . . . . . 26
4.2.2 Effet dune moyenne mobile sur une composante saisonniere . . . . . . . . . . . . . 28
4.2.3 Effet dune moyenne mobile sur les fluctuations irregulieres . . . . . . . . . . . . . 29
4.2.4 Choix pratique de lordre dune moyenne mobile . . . . . . . . . . . . . . . . . . . 30

5 Decomposition dune serie chronologique 32

5.1 La serie lissee par moyenne mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.2 Estimation de la saisonnalite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.3 Estimation de la tendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.4 Iteration de la procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.5 Prevision des valeurs futures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.6 Remarque : cas du modele multiplicatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.7 Analyse des residus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.8 Etude dun autre exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.9 Petit resume de la procedure et des notations . . . . . . . . . . . . . . . . . . . . . . . . . 45

6 Prevision par lissage exponentiel 46

6.1 Les lissages exponentiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.1 Le lissage exponentiel simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.1.2 Le lissage exponentiel double . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.2 La methode de Holt-Winters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.2.1 La methode non saisonniere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2.2 La methode saisonniere additive . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
6.2.3 La methode saisonniere multiplicative . . . . . . . . . . . . . . . . . . . . . . . . . 53

2
3
1 Introduction
1.1 Serie chronologique : vocabulaire et exemples
1.1.1 Definition
La theorie des series chronologiques (ou temporelles) abordee dans ce cours est appliquee de nos jours
dans des domaines aussi varies que leconometrie, la medecine ou la demographie, pour nen citer quune
petite partie. On sinteresse a levolution au cours du temps dun phenomene, dans le but de decrire, ex-
pliquer puis prevoir ce phenomene dans le futur. On dispose ainsi dobservations a des dates differentes,
cest a dire dune suite de valeurs numeriques indicees par le temps.

Exemple : On peut songer par exemple a levolution du nombre de voyageurs utilisant le train, a lac-
croissement relatif mensuel de lindice des prix ou encore a loccurence dun phenomene naturel (comme
le nombre de taches solaires).

Cette suite dobservations dune famille de variables aleatoires reelles notees (Xt )t est appelee serie
chronologique (ou temporelle). Dans la suite de ce cours, nous la noterons

(Xt )t ou (Xt , t ) ,

ou lensemble est appele espace des temps qui peut etre

discret (nombre de voyageurs SNCF quotidien, temperature maximale...). Dans ce cas, Z.
Les dates dobservations sont le plus souvent equidistantes : par exemple releves mensuels, trimes-
triels...Ces dates equidistantes sont alors indexees par des entiers : t = 1, 2, . . . , T et T est le nombre
dobservations. On dispose donc des observations des variables X1 , X2 , . . . , XT issues de la famille
(Xt )t ou Z (le plus souvent = Z). Ainsi si h est lintervalle de temps separant deux
observations et t0 linstant de la premiere observation, on a le schema suivant

t0 t0 + h ... t0 + (T 1)h
...
Xt0 Xt0 +h ... Xt0 +(T 1)h
...
X1 X2 ... XT

continu (signal radio, resultat dun electrochardiogramme...). Lindice de temps est a valeurs dans
un intervalle de R et on dispose (au moins potentiellement) dune infinite dobservations issues
dun processus (Xt )t ou est un intervalle de R. Un tel processus est dit a temps continu. Les
methodes presentees dans ce cadre sont differentes de celles pour les series chronologiques a temps
discret et presentees dans la suite.

Dans ce cours, nous considererons uniquement des processus stochastiques (Xt )t a temps discret
et unidimensionnels : chaque observation Xt est un reel. On peut egalement sinteresser a des series
chronologiques multidimensionelles, cest a dire telles que Xt soit un vecteur de Rd .

Les Figures 1 et 2 presentent differents exemples de series chronologiques.

1.1.2 Description dune serie chronologique

On considere quune serie chronologique (Xt ) est la resultatnte de differentes composantes fondamentales :

la tendance (ou trend) (Zt ) represente levolution a long terme de la serie etudiee. Elle traduit le
comportement moyen de la serie.

Par exemple, la serie a) de la Figure 1. a tendance a augmenter de facon lineaire.

4
Figure 1 Exemples de series chronologiques(1)

5
Figure 2 Exemples de series chronologiques (2)

6
la composante saisonniere (ou saisonnalite) (St ) correspond a un phenomene qui se repete a in-
tervalles de temps reguliers (periodiques). En general, cest un phenomene saisonnier dou le terme de
variations saisonnieres.

Par exemple, la serie b) de la Figure 1. presente des cycles reguliers au cours du temps et de meme
amplitude.

la composante residuelle (ou bruit ou residu) (t ) correspond a des fluctuations irregulieres, en general
de faible intensite mais de nature aleatoire. On parle aussi daleas.

Par exemple, la serie c) de la Figure 1. a un comportement assez irregulier : il y a comme une sorte de
bruit de faible amplitude qui perturbe les donnees.

Les modeles presentes dans ce cours tiennent compte de ces trois composantes (tendance, saisonnalite
et fluctuations irregulieres). Il faut cependant remarquer que lon pourrait envisager dautres composantes.

Des phenomenes accidentels (greves, conditions meteorologiques exceptionnelles, crash financier)

peuvent notamment intervenir.

Par exemple, la serie d) de la Figure 1. presente deux cassures.

Une autre composante parfois etudiee de maniere specifique a trait au phenomene cyclique : cest sou-
vent le cas en climatologie et en economie (exemple : recession et expansion...). Il sagit dun phenomene
se repetant mais contrairement a la saisonnalite sur des durees qui ne sont pas fixes et generalement plus
longues. Sans informations specifiques, il est generalement tres difficile de dissocier tendance et cycle.

Dans le cadre de ce cours, la composante correspondant aux phenomenes accidentels sera integree aux
fluctuations irregulieres de la serie et la composante tendance regroupera a la fois la tendance et le cycle.

1.1.3 Objectifs principaux

Letude dune serie chronologique permet danalyser, de decrire et dexpliquer un phenomene au cours
du temps et den tirer des consequences pour des prises de decision (marketing...).

Cette etude permet aussi de faire un controle, par exemple pour la gestion des stocks, le controle dun
processus chimique... Plus generalement, nous pouvons deja poser quelques problemes lorsquon etudie
une serie chronologique.

Mais lun des objectifs principaux de letude dune serie chronologique est la prevision qui consiste a
prevoir les valeurs futures XT +h (h = 1, 2, 3, . . .) de la serie chronologique a partir de ses valeurs observees
jusquau temps T : X1 , X2 , . . . , XT . La prediction de la serie chronologique au temps t+h est notee XT (h)
et, en general, est differente de la valeur reelle XT +h que prend la serie au temps T + h. Pour mesurer
cette difference, on definira lerreur de prediction par la difference XT (h) XT +h en moyenne avec
(1)
lidee que plus h est grand, plus grande est lerreur. Lintervalle de precision, defini par les valeurs XT (h)
(2)
et XT (h), est susceptible de contenir la valeur inconnue XT +h . La qualite de la prediction pourra etre
mesuree en se basant sur 80% des observations, puis en simulant une prediction sur les 20% dobservations
restantes. Cette technique est aussi utile pour :
les series qui contiennent des trous
mesurer leffet dun phenomene accidentel (erreur,...)

Un autre probleme interessant est la detection de ruptures resultantes, par exemple, dun change-
ment de politique (economique). Ces ruptures peuvent etre de deux ordres : une rupture de niveau (par
exemple, le cours du PNB espagnol a ete fortement modifie en raison de le crise petroliere de 1973) ou
une rupture de pente. La prevision de ces dates de rupture est bien evidemment tres importante.

Il existe encore bien dautres objectifs immediats relatifs a letude des series chronologiques. Par exemple,
si deux series sont observees, on peut se demander quelle influence elles exercent lune sur lautre. En

7
notant Xt et Yt les deux series en question, on examine sil existe par exemple des relations du type

Yt = a1 Xt+1 + a3 Xt+3 .

Ici, deux questions se posent : tout dabord, la question de la causalite i.e. quelle variable (ici (Xt ))
va expliquer lautre (ici (Yt )), ce qui amene la deuxieme question, celle du decalage temporel : si une
influence de (Xt ) sur (Yt ) existe, avec quel delai et pendant combien de temps la variable explicative (Xt )
influence-t-elle la variable expliquee (Yt ) ?

Un dernier probleme important de la macroeconometrie est de determiner les relations persistances (de
long terme) des autres relations (de court terme).

1.2 Description schematique de letude complete dune serie chronologique

Comme nous venons de le voir, lun des objectifs principaux de letude dune serie chronologique est la
prevision des valeurs futures de cette serie. Pour cela, on a besoin de connatre ou tout au moins de
modeliser le mecanisme de production de la serie chronologique.

Notons que les variables Xt ne sont le plus souvent ni independantes (on peut sattendre en effet a
ce que des observations relativement proches dans le temps soient liees) ni identiquement distribuees
(dans la plupart des cas, le phenomene evolue, se modifie au cours du temps ce qui entrane que les
variables le decrivant ne sont pas equidistribuees). Cela necessite des methodes statistiques de traitement
et de modelisation specifiques puisquen particulier dans un cadre standard (celui de la description dun
echantillon) les methodes statistiques classiques sont basees sur des hypotheses dindependance.

Schematiquement, les principales etapes de traitement dune serie chronologique sont les suivantes :
1. correction des donnees
2. observation de la serie
3. modelisation (avec un nombre fini de parametres)
4. analyse de la serie a partir de ses composantes
5. diagnostic du modele - ajustement au modele
6. prediction (= prevision)

1.2.1 Correction des donnees

Avant de se lancer dans letude dune serie chronologique, il est souvent necessaire de traiter, modifier les
donnees brutes. Par exemple,
evaluation de donnees manquantes, remplacement de donnees accidentelles,...
decoupage en sous-series ;
standardisation afin de se ramener a des intervalles de longueur fixe. Par exemple, pour des donnees
mensuelles, on se ramene au mois standard en calculant la moyenne journaliere sur le mois (total
des observations sur le mois divise par le nombre de jours du mois) ;
transformation des donnees : pour des raisons diverses, on peut etre parfois amenes a utiliser des
donnees transformees. Par exemple en economie, on utilise la famille de transformations de Box-
Cox :
1 
Yt = (Xt ) 1 , R .

1.2.2 Observation de la serie

Une regle generale en Statistique Descriptive consiste a commencer par regarder les donnees avant def-
fectuer le moindre calcul. Ainsi, une fois la serie corrigee et pretraitee, on trace son graphique cest a
dire la courbe de coordonnees (t, Xt ) (cf. Figure 3 representant le trafic SNCF sur differentes annees).
Lobservation de ce graphique est souvent une aide a la modelisation de la serie chronologique et permet
de se faire une idee des differentes composantes de la serie chronologique que nous avons rapidement
mentionnees en Section 1.1.2.

8
Figure 3 Evolution du trafic voyageur SNCF de 1960 a 1980 (a gauche) et evolution annuelle (a droite)

Lobservation du graphique de gauche de la Figure 3 indique par exemple que le nombre de voyageurs
SNCF a augmente de maniere reguliere au cours du temps. De maniere generale, la courbe peut indi-
quer un mouvement a moyen terme de croissance ou decroissance (lineaire, quadratique...) revelant la
presence dune composante deterministe dans la serie appelee tendance (ou trend ) qui exprime donc
levolution generale a moyen ou long terme de la serie, du phenomene etudie. Par exemple, si on admet le
scenario dun rechauffement de la planete, la courbe des temperatures moyennes indique un mouvement
de croissance a moyen terme.

Le graphe de la serie peut encore faire apparatre une periodicite dans les valeurs observees revelant
la presence dun phenomene dit saisonnier. Les variations saisonnieres sont liees au rythme impose par
les saisons meteorologiques (production agricole, consommation de gaz, vente de bois avant lhiver. . . )
ou encore par des activites economiques et sociales (fetes, vacances, soldes,. . . ). Elles sont de nature
periodique cest a dire quil existe un entier p, appele periode, tel que St = St+p , pour tout t et cette
composante est donc entierement determinee par ses p premieres valeurs S1 , S2 , . . . , Sp . Lorsquon veut
mettre en evidence ce phenomene a laide dun graphique, on peut decouper la serie en sous-series de
longueur de periode P du saisonnier et representer ces sous-series sur un meme graphique (cf. Figure 3
a droite). Sur ce graphique, on voit bien une similarite des differentes courbes annuelles liee aux saisons
meteorologiques : on constate par exemple un pic au mois de juin...

Bien entendu, on constate sur les deux figures des fluctuations plus ou moins importantes que lon
appelle irregularites ou mouvements residuels. Ces fluctuations irregulieres sont dues a des facteurs
exceptionnels pour la plupart imprevisibles (exemple : greve, risque de guerre...), ont souvent un effet de
courte duree et de faible intensite et sont de nature aleatoire (ce qui signifie ici dans un cadre purement
descriptif quelles ne sont pas expliquees). On regroupe donc generalement ces variations dans une com-
posante aleatoire representant les effets non expliques ou encore lerreur au modele.

Nous remarquons aussi un phenomene accidentel : sur lune des courbes de la Figure 3 de droite (il sagit
de lannee 1963), on voit un pic anormalement eleve au mois davril. On peut egalement sinteresser a
limpact de mai 1968 sur le nombre de voyageurs.

Les modeles presentes dans la section suivante tiennent compte uniquement des trois premieres compo-
santes (tendance, saisonnalite et fluctuations irregulieres) ; les phenomenes accidentels etant integres au
terme de fluctuations irregulieres.

9
1.2.3 Modelisation
Un modele est une image simplifiee de la realite qui vise a traduire les mecanismes de fonctionnement
du phenomene etudie et permet de mieux les comprendre. Un modele peut etre meilleur quun autre
pour decrire la realite et bien sur, plusieurs questions se posent alors : comment mesurer cette qualite ?
comment diagnostiquer un modele ? Nous presentons dans cette section une petite liste qui sert a resumer
et classifier les differents modeles envisages dans ce cours.

On distingue principalement deux types de modeles :

les modeles deterministes. Ces modeles relevent de la Statistique Descriptive. Ils ne font interve-
nir que de maniere sous-jacente le calcul des probabilites et consistent a supposer que lobservation
de la serie a la date t est une fonction du temps t et dune variable t centree faisant office derreur
au modele, representant la difference entre la realite et le modele propose :
Xt = f (t, t ).
On suppose de plus que les t sont decorrelees.

Les deux modeles de ce type les plus usites sont les suivants
1. le modele additif. Cest le modele classique de decomposition dans le traitement des
modeles dajustement. La variable Xt secrit comme le somme de trois termes :
X t = Z t + St + t ,
ou Zt represente la tendance (deterministe), St la saisonnalite (deterministe aussi) et t les
composantes (erreurs au modele) aleatoires iid.
2. le modele multiplicatif. La variable Xt secrit au terme derreur pres comme le produit de
la tendance et dune composante de saisonnalite :
Xt = Zt (1 + St )(1 + t ).
Lajustement est ici multiplicatif et intervient dans les modeles (G)ARCH.
les modeles stochastiques. Ils sont du meme type que les modeles deterministes a ceci pres que
les variables de bruit t ne sont pas iid mais possedent une structure de correlation non nulle : t
est une fonction des valeurs passees ( lointaines suivant le modele) et dun terme derreur t
t = g(t1 , t2 , . . . , t ).
La classe des modeles de ce type la plus frequemment utilisee est la classes des modeles SARIMA
(et de ses sous-modeles ARIMA, ARMA,...). Comme vu plus haut, la serie chronologique est lob-
servation dun processus stochastique : la modelisation porte ici sur la forme du processus (t ).
Le cas particulier ou la relation fonctionnelle g est lineaire est tres important et tres usite. Il
mene aux modeles autoregressifs lineaires, par exemple un modele dordre 2 avec des coefficients
autoregressifs a1 , a2 est donne par
t = a1 Xt1 + a2 Xt2 + t ,
ou (t ) est un bruit blanc cest a dire une variable aleatoire de moyenne nulle non correlee.

Les deux types de modeles ci-dessus induisent des techniques de prevision bien particulieres. Schematiquement,
on sinteresse tout dabord a la tendance et a la saisonnalite eventuelle(s) que lon isole tout dabord.
Ensuite on cherche a les modeliser, les estimer. Enfin on les elimine de la serie : ces deux operations sap-
pellent la detendancialisation et la desaisonnalisation de la serie. Une fois ces composantes eliminees,
on obtient la serie aleatoire t :
- pour les modeles deterministes, cette serie sera consideree comme decorrelee et il ny a plus rien a faire.
- pour les modeles stochastiques, on obtient (du moins on lespere !) une serie stationnaire (ce qui signi-
fie que les observations successives de la serie sont identiquement distribuees mais pas necessairement
independantes) quil sagit de modeliser.

Dans le cadre de ce cours, nous netudierons que les modeles deterministes. Les modeles
stochastiques seront abordes dans lUE de Renforcement Statistique.

10
 500 250

450

400 200

350

300 150

250

200 100

150

100 50

50

0 0
94 95 96 97 98 99 100 94 95 96 97 98 99 100

1 0.5

0.8 0.4

0.6 0.3

0.4 0.2

0.2 0.1

0 0

0.2 0.1

0.4 0.2

0.6 0.3

0.8 0.4

1 0.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 94 95 96 97 98 99 100

Figure 4 Ventes trimestrielles de cremes solaires (en ht a g), tendance (en ht a dte), facteurs saisonniers
(en bas a g) et fluctuations irregulieres (en bas a dte)

1.2.4 Analyse de la serie a partir de ses composantes

Une fois letape de modelisation effectuee, on etudie les composantes du modele les unes apres les autres.

Prenons comme exemple les ventes trimestrielles de cremes solaires dun certain fabricant de 1994 a 1999.
On suppose ici les composantes du modele connues et que la serie des ventes (Xi )i=1...24 est issue dun
modele de type multiplicatif :
Xi = Zi (1 + Si )(1 + i ).

Remarque 1.1 Nous verrons dans les chapitres suivants comment determiner ces differentes compo-
santes a partir de la seule serie observee.

Tendance, facteurs saisonniers et fluctuations irregulieres

Lexamen de la tendance nous montre que les ventes etaient stables jusquen 1996, ont augmente
en 1996 et 1997 (suite a une campagne de publicite), puis se sont stabilisees a partir de 1998 (la
campagne de publicite ayant atteint ses limites).
Les facteurs saisonniers (+0.3, 0.4, +0.8, 0.7) nous indiquent une augmentation des ventes de
30% au premier trimestre (vacances dhiver) et de 80% au troisieme trimestre (vacances dete).

11
 Letude des fluctuations irregulieres permet danalyser precisement ce qui sest passe chaque tri-
mestre independamment de la tendance et de la saison. On remarque ainsi un accident au premier
trimestre 1995 (augmentation des ventes de 40% due a une promotion) ainsi quau premier trimestre
1997 (chute accidentelle des ventes de 50% due a une greve).

La serie corrigee de la tendance

La tendance agit comme une forte correlation entre les variables Xt mais cette correlation nexprime
aucune liaison a caractere explicatif. Il sagit donc disoler cette tendance puis de letudier a part et enfin
de leliminer de la serie pour voir si des liaisons a caractere explicatif existent et etudier seulement ces
correlations sans tendance. On definit la serie corrigee de la tendance (XCST,t )t en supprimant la
tendance. La serie detendancialisee est
pour le modele additif : XCT,t = St + t .
pour le modele multiplicatif : XCT,t = St (1 + t ).

Nous verrons dans le Chapitre 3 comment enlever cette tendance et lestimer une fois isolee.

La serie corrigee des variations saisonnieres

Dans le meme ordre didee, nous corrigerons les eventuelles variations saisonnieres qui resultent dun com-
portement periodique dans la serie observee. Par exemple, considerons la figure representant les ventes
trimestrielles de cremes solaires (Figure 4 en haut a gauche) : on observe une relation directe entre la
periode de lannee (par exemple lautomne) et la vente de cremes solaires. Supposons par exemple que
lentreprise ait mis en place une mesure economique en ete afin de reduire laugmentation des prix des
cremes. Lobservation de ventes plus faibles en automne quen ete permet-il den deduire un effet de cette
mesure ? Il faut se garder de conclure trop rapidement ; lobservation de la serie brute a montre que cette
diminution du taux daccroissement existait pour toutes les annees ; il faut donc savoir si elle est plus
faible ou plus forte que dhabitude. Lobservation des valeurs prises par la serie corrigee des variations
saisonnieres, ou leffet de la saison est elimine, permet de repondre directement a cette question. Toute
theorie danalyse et de prevision devra tenir compte de ce phenomene.

Pour pouvoir reellement comparer les ventes dun trimestre a lautre, on doit donc supprimer leffet de
la saisonnalite et on definit la serie corrigee des variations saisonnieres (XCV S,t )t en supprimant la
composante saisonniere (St )t du modele. La serie desaisonnalisee est
pour le modele additif : XCV S,t = Zt + t .
pour le modele multiplicatif : XCV S,t = Zt (1 + t ).

Dans notre exemple, la serie corrigee des variations saisonnieres (Figure 5 a gauche) permet de mettre
en evidence la progression des ventes entre 1995 et 1996, ainsi que les accidents survenus en 1995 et 1997.

Nous verrons dans le Chapitre 5 comment eliminer cette saisonnalite afin de nous concentrer sur les
composantes aleatoires de la serie chronologique puis lestimer une fois isolee.

La serie lissee des predictions

On definit la serie lissee des predictions (XSLP,t )t en supprimant les fluctuations irregulieres (t )t
du modele. Cest a partir de cette serie que nous ferons les predictions et en utilisant les modelisations
et estimations de la tendance et de la saisonnalite. Par exemple, apres avoir supprime les fluctuations
irregulieres, on obtient
pour le modele additif : XSLP,t = Zt + St .
pour le modele multiplicatif : XSLP,t = Zt (1 + St ).
Dans notre exemple, la serie lissee des predictions des ventes (Figure 5 a droite) permet de mettre en
evidence la progression des ventes entre 1995 et 1996, ainsi que laugmentation des ventes au 1er et 3emes
trimestres.

1.2.5 Diagnostic du modele

Une fois le modele construit et ses parametres estimes, on verifie que le modele propose est bon cest-a-dire
lajustement au modele :
en etudiant les residus

12
 300 450

400
250
350

200 300

250
150
200

100 150

100
50
50

0 0
94 95 96 97 98 99 100 94 95 96 97 98 99 100

Figure 5 Ventes trimestrielles de cremes solaires : serie corrigee des variations saisonnieres (a gauche),
et serie lissee des predictions (a droite)

en faisant des tests

...

1.2.6 Prediction
Enfin, une fois ces differentes etapes realisees, nous sommes en mesure de faire de la prediction.

Dans le cadre de ce cours, nous ne traiterons pas les etapes de correction des donnees
et dajustement au modele mais seulement les etapes dobservation, modelisation, analyse
de la serie a partir de ses composantes et prediction.

13
2 Modelisation deterministe
2.1 Le modele additif
Nous considerons dans cette section une serie X = (Xt )t admettant une decomposition additive

X t = Z t + St + t , t = 1 . . . T,

ou Zt est la composante tendancielle, St la composante saisonniere et t represente lerreur ou lecart au

modele.

Comme nous lavons dit en introduction,

la tendance Zt exprime un mouvement a moyen terme de la serie. Elle est le plus souvent modelisee
par une fonction polynomiale du temps.

la composante saisonniere exprime un phenomene qui se reproduit de maniere analogue sur

chaque intervalle de temps successif. Letendue de cet intervalle qui est constante est appelee
periode et sera notee P dans la suite. La plupart du temps, on suppose que la composante sai-
sonniere est constante sur chaque periode P , cest-a-dire

St+P = St , t.

Cela revient a dire que leffet net du saisonnier sur une periode est nul ; ce qui est naturel puisquil
est repris dans la tendance generale de la serie chronologique. Il sagit la du modele le plus simple
dans lequel le saisonnier est caracterise par P coefficients c1 , . . . , cP . Lorsque P = 4, la serie est
trimestrielle ; lorsque P = 12, la serie est mensuelle...On suppose par ailleurs que leffet du saisonnier
est en moyenne nul sur une periode, ce qui signifie que
P
X
ci = 0.
i=1

les erreurs sont des variables aleatoires centrees. On considere le plus souvent un bruit blanc,
cest-a-dire une suite de v.a.r. telles que

E(t ) = 0 et E(t t ) = 2 tt .

Les v.a.r. sont alors non correlees et lorsque le bruit blanc est gaussien cest-a-dire que

t N (0, 2 ),

on a de plus lindependance des t .

Remarque 2.1 Dans ce modele, lamplitude de la serie reste constante au cours du temps. Ceci
se traduit graphiquement par des fluctuations autour de la tendance Zt constantes au bruit pres.
A premiere vue, la notion de composante periodique pourrait etre suffisante. Cependant, ce nest
pas le cas pour la raison decrite ci-apres. Considerons le modele additif

X t = Z t + St + t , t Z.

Cette decomposition nest pas unique en labsence dhypotheses supplementaires. En effet, si St est
une composante periodique de periode p, alors il existe une constante c telle que

St+1 + . . . + St+p = c, t Z.

Dans ce cas, on a aussi la decomposition suivante

Xt = Zt + St + t , t Z,

ou pour tout t Z, Zt = Zt + pc et St = St pc . On a donc trouve une autre decomposition du signal

Xt . On remarquera que St est une composante de somme nulle sur la periode p. Cest pourquoi on
impose a toute composante saisonniere detre periodique et de somme nulle sur une periode.

14
 Figure 6 Modele additif. Amplitude constante autour de la tendance

Toutefois, il existe un lien entre la notion de periodicite et celle de somme nulle sur une periode :

Propriete 2.1 Toute composante de somme nulle sur une periode p est periodique de periode p.

Exercice Demontrer la propiete precedente.

Imaginons que nous etudions la serie des temperatures moyennes relevees chaque mois en un meme site
depuis janvier 2006. Que peut-on dire des composantes presentes ?
la serie (Zt )t represente la tendance generale (rechauffement ? cycle ?).
les donnees etant mensuelles, la periode est donc un an et p = 12.
des valeurs S1 = 10 et S6 = +8 signifient que le mois de janvier est plus froid de 10 par rapport
a lensemble de lannee alors que le mois de juin est plus chaud de 8.
une fluctuation irreguliere 14 = 2 signifie quil a fait 2 de moins que prevu pour un mois de
fevrier en 2007 (cest-a-dire ce que nous laissaient prevoir la tendance et leffet saisonnier pour
fevrier 2007).

2.2 Le modele multiplicatif

Nous considerons dans cette section une serie X = (Xt )t admettant une decomposition muliplicative

Xt = Zt (1 + St )(1 + t ), t = 1 . . . T,

ou Zt est la composante tendancielle, St la composante saisonniere et t represente lerreur ou lecart au

modele.

La encore, la composante saisonniere verifie

P
X
ci = 0.
i=1

Lamplitude de la serie nest plus constante au cours du temps : elle varie au cours du temps proportion-
nellement a la tendance Zt au bruit pres. Dans ce modele, on considere que les amplitudes des fluctuations
dependent du niveau.

Considerons par exemple le nombre dentrees quotidiennes a la bouche de metro Esquirol.

des valeurs S4 = 0.5 et S6 = +0.8 signifient ici que la frequentation diminue de 50% le jeudi et
augmente de 80% le samedi (par rapport a lensemble de la semaine).
une valeur 9 = +0.2 signifie que le nombre dentrees du deuxieme mardi a ete de 20% superieur
au chiffre attendu pour ce jour la.

15
 Figure 7 Modele multiplicatif. Amplitude proportionnelle a la tendance

Remarque 2.2 Le modele multiplicatif est generalement utilise pour des donnees de type economique.

2.3 Les modeles mixtes

Il sagit la de modeles ou addition et multiplication sont utilisees. On peut supposer par exemple que la
composante saisonniere agit de facon multiplicative alors que les fluctuations irregulieres sont additives :

Xt = Zt St + t , t = 1 . . . T,
PP
avec lhypothese ici que i=1 ci = P.

2.4 Choix du modele

Avant toute modelisation et etude aprofondie du modele, on tente dabord de determiner si on est en
presence dune serie dans laquelle pour une observation X donnee
la variation saisonniere S sajoute simplement a la tendance Z ; cest le modele additif.
la variation saisonniere S est proportionnelle a la tendance Z ; cest le modele multiplicatif.

Afin de faire cette distinction, on peut se baser sur une methode graphique ou utiliser une methode
analytique. Nous etudions ces methodes sur un exemple concret en nous basant sur la serie chronologique
Nouvelles immatriculations de voitures particulieres, commerciales et utilitaires neuves selon le mois :

Janvier Fevrier Mars Avril Mai Juin Juillet Aout

1996 2006 3224 3789 4153 3100 2527 3015 1504
1997 2247 3862 3586 4047 2838 2727 2730 1648
1998 2433 3723 4325 4493 3399 3083 3247 1928
1999 3127 4437 5478 4384 3552 3678 3611 2260
2000 3016 4671 5218 4746 4814 3545 3341 2439

Sept. Oct. Nov. Dec.

1996 1847 2314 1673 1602
1997 2007 2450 1966 1695
1998 2377 2831 2388 2126
1999 2699 3071 2510 2182
2000 2637 3085 2737 2055

Methode du profil

16
Figure 8 Nouvelles immatriculations de voitures particulieres, commerciales et utilitaires neuves au
Luxembourg selon le mois

Pour faire la determination entre modele additif et modele multiplicatif graphiquement, on peut par
exemple superposer les saisons representees par des courbes de profil sur un meme graphique. Si ces
courbes sont paralleles, le modele est additif, autrement le modele est multiplicatif.

Sur le graphique de notre exemple Figure 8, les courbes de profil semblent paralleles pour toutes les
saisons. On peut donc supposer que le modele est additif.

Methode de la bande

On fait un graphique representant la serie chronologique (cf. Figure 8), puis on trace une droite passant
respectivement par les minima et par les maxima de chaque saison. Si ces deux droites sont paralleles,
nous sommes en presence dun modele additif. Dans le cas contraire, cest un modele multiplicatif.

Sur notre exemple, nous constatons que ces deux droites ne sont pas paralleles, ce qui laisse plutot
penser que le modele est additif.

Nous ne sommes donc pas en mesure de conclure.

Methode analytique

On calcule les moyennes et les ecarts-types pour chacune des periodes considerees puis la droite des
moindres carres = ax + b. Pour des rappels sur la droite des moindres carres voir le chapitre suivant.

Si a est nul, cest le modele additif, sinon cest le modele multiplicatif.

Exemple 2.1 Verifier grace a la methode analytique sur lexemple des nouvelles immatriculations de
voitures particulieres que le modele est multiplicatif.

Important : Il faut bien tester avec les trois methodes pour decider du modele !

17
Figure 9 Nouvelles immatriculations de voitures particulieres, commerciales et utilitaires neuves de
1996 a 2000 au Luxembourg

18
3 Analyse de la tendance
Dans ce chapitre, nous nous placons dans le cadre dun modele compose uniquement dune tendance et
de fluctuations irregulieres et donnons differentes methodes permettant destimer la tendance.

3.1 Rappels sur la regression lineaire

Lorsquune liaison lineaire forte entre deux variables X et Y semble raisonnable au vu du nuage de points,
on a alors une relation du type :
Y aX + b,
ou les coefficients a et b sont inconnus. Le probleme est donc destimer ces coefficients grace aux valeurs
observees sur lechantillon. Si les points du nuage sont parfaitement alignes (sur une meme droite), il
serait facile de donner des valeurs a a et b : il suffirait en effet de prendre pour a la pente de la droite sur
laquelle se trouvent les points du nuage et pour b la valeur en x = 0 (la solution se trouve en resolvant
un systeme de deux equations a deux inconnues a partir de deux points du nuage). Le probleme est que
les points du nuage sont rarement (parfaitement) alignes : ils sont proches dune droite.

Nous cherchons maintenant la droite qui passe au plus pres des points du nuage. Pour cela, il faut donc
mesurer leloignement des points du nuage par rapport a une droite D dequation y = ax + b puis
minimiser un critere derreur donne. On peut envisager
P de minimiser
la somme des erreurs en valeur absolue : min ni=1 |yi axi b|.
Pn a,b
la somme des erreurs au carre : min i=1 (yi axi b)2 .
a,b

La methode des moindres carres minimisant le second critere est la plus usite et decrite a la section
suivante.

3.1.1 La methode des moindres carres

On demontre en minimisant la fonction de deux variables

n
X
g(a, b) = (yi axi b)2
i=1

que le couple solution (a, b) est donne par

1 Pn 1 Pn

1 Pn
n n
n i=1 yi xi n i=1 yi n i=1 xi Cov(X, Y ) 1X 1X
a = Pn Pn
2 = et b = yi a xi = Y aX.
1 2 1 Var(X) n i=1 n i=1
n i=1 xi n i=1 xi

La droite dequation y = ax + b est appelee droite de regression de Y en X et est notee : Y /X .

Proprietes :
1) Cette droite passe par le point moyen M (X; Y ). Puisquil suffit de deux points pour tracer une droite,
on pourra, pour tracer Y /X , placer les points B(0; b) et M (X; Y )
2) Le coefficient directeur a de Y /X , Cov(X, Y ) et r(X, Y ) (voir la definition dans le paragraphe suivant)
sont de meme signe :
Lorsquils sont positifs, on parle de correlation positive (y augmente quand x augmente).
Lorsquils sont negatifs, on parle de correlation negative (y diminue quand x augmente).

Rappels :
1) On rappelle quune equation de droite donne la relation entre labscisse (lue horizontalement) et lor-
donnee (lue verticalement) dun point de la droite. Ainsi pour une droite dequation y = ax + b, le point
de la droite dabscisse xi aura pour ordonnee axi + b.
2) Le nombre a est appele la pente de la droite ou encore coefficient directeur de la droite car il
determine la direction (la pente) de la droite. Lorsque a est positif la droite est croissante, lorsque a est
negatif la droite est decroissante.

19
Le nombre b sappelle lordonnee a lorigine car cest lordonnee du point de la droite dabscisse 0
(intersection de la droite avec laxe des ordonnees).
3) Deux points (et une regle) suffisent pour tracer une droite. Pour representer une droite lorsquon
connat son equation, il suffit de placer deux points (par exemple les points de coordonnees (0; b) et
(1; a + b)) puis tracer la droite passant par ces 2 points.

3.1.2 Proprietes et interpretation du coefficient de correlation lineaire

Afin de confirmer quil est raisonnable dapproximer le nuage de points par une droite, on calcule le
coefficient de correlation lineaire encore appele coefficient de Bravais-Pearson :

Cov(X, Y )
r(X, Y ) = .
X Y
Proprietes :
a) Le coefficient de correlation lineaire est symetrique :

r(X, Y ) = r(Y, X).

b) Linegalite de Cauchy-Schwarz donne :

1 r(X, Y ) 1.

c) Transformation affine des donnees. Soient a, b, c et d quatre nombres reels quelconques (a 6= 0 et

c 6= 0). Posons Z = aX + b et T = cY + d. On a alors :

r(X, Y ), si a et c sont de meme signe,
r(Z, T ) = .
r(X, Y ), si a et c sont de signes opposes.

En particulier, pour a = c = 0, on voit que le coefficient de correlation lineaire est invariant par transla-
tions et pour b = d = 0, il est invariant au signe pres par homotheties.
On peut a nouveau utiliser ces relations pour simplifier les calculs du coefficient de correlation lineaire.

Si r(X, Y ) = 0.
Dans ce cas leloignement des points du nuage avec la droite de regression de Y en X est maximal.
On dira alors que X et Y sont lineairement independants.

Si r(X, Y ) > 0.
Dans ce cas la droite de regression de Y en X est croissante ; on parle alors de correlation lineaire
croissante entre X et Y . Lorsque r(X, Y ) est proche de 1, les points du nuage sont donc presque
alignes, on a donc une forte correlation lineaire croissante (ou positive) entre X et Y .

Dans le cas extreme r(X, Y ) = 1, les points du nuage sont alors parfaitement alignes, on peut
donc parler de correlation lineaire croissante totale : pour un individu, sa donnee suivant X
determine entierement sa donnee suivant Y .

Arbitrairement, on considerera la correlation lineaire croissante faible lorsque 0 < r(X, Y ) < 0, 3,
moyenne lorsque 0, 3 r(X, Y ) 0, 7 et forte lorsque r > 0, 7.

Si r(X, Y ) < 0.
Dans ce cas la droite de regression de Y en X est decroissante ; on parle alors de correlation lineaire
decroissante entre X et Y . Lorsque r(X, Y ) est proche de -1, les points du nuage sont donc presque
alignes, on a donc une forte correlation lineaire decroissante (ou negative) entre X et Y .

Dans le cas extreme r(X, Y ) = -1, les points du nuage sont alors parfaitement alignes, on peut
donc parler de correlation lineaire decroissante totale : pour un individu, sa donnee suivant
X determine entierement sa donnee suivant Y .

20
 Arbitrairement, on considerera la correlation lineaire decroissante faible lorsque 0, 3 < r(X, Y ) <
0, moyenne lorsque 0, 7 r(X, Y ) 0, 3 et forte lorsque r < 0, 7.

Voici quelques exemples de nuages de points avec la valeur du coefficient de Bravais-Pearson qui per-
mettent de mieux comprendre ce que traduit la valeur de r(X, Y ) au niveau de nuage de points :

r=0 r=0,30 r=0,95

Y Y 6
Y
1.2 10

5
1.0 8
4
.8
6 3

.6
2
4
.4
1
2
.2 0
Observ Observ

0.0 Linaire 0 Linaire -1

0.0 .2 .4 .6 .8 1.0 0 1 2 3 4 5 6 0 1 2 3 4 5 6

X X X

r=-0,43 r=-0,89
Y 6
Y
40

5
30
4

20
3

10 2

1
0
0
-10
Observ -1 Observ

-20 Linaire -2 Linaire

0 1 2 3 4 5 6 0 1 2 3 4 5 6

X X

En pratique, il faut commencer par tracer le nuage de points puis calculer r(X, Y ) et ce
nest que si la correlation lineaire est assez forte que lon cherchera la droite de regression
de Y en X.

3.2 Ajustement tendanciel lineaire par moindres carres

Supposons que lon observe T valeurs dune serie dont la tendance semble etre lineaire comme dans
lexemple (a) de la Figure 1. La methode des moindres carres decrite au paragraphe precedent consiste a
estimer la tendance par une fonction lineaire

Zt = at + b.

Le couple solution (a, b) est donne par

Cov(t, Xt )
a = et b = X at,
Var(t)
1 PT PT
en posant t = T t=1 t, X = T1 t=1 Xt et
( PT PT
Cov(t, Xt ) = T1 t=1 (t t)(Xt X) = 1
Y t=1 tXt tX
PT
Var(t) = T1 t=1 (t t)2

Remarquons que
Le point moyen de coordonnees (t, X) appartient a la droite des moindres carres.

21
 Le coefficient de correlation lineaire est defini par

Cov(t, Xt )
r= p .
Var(t)Var(Xt )

La correlation lineaire entre la date t et la variable Xt est dautant plus importante que |r| est
proche de 1.

3.3 Ajustement tendanciel lineaire par points medians

On suppose ici aussi que la tendance est lineaire. Cette methode est empirique et ne repose sur aucun
critere derreur a minimiser. Elle peut cependant saverer efficace en presence de valeurs aberrantes. On
choisit deux points de coordonnees (t , X ) et (t , X ) et on fait passer la droite par ces deux points.
Les coefficients (a, b) verifient
 ( X X
X = at + b a = t t
soit X X
X = at + b b = X t t t

Pour choisir les deux points, on constitue deux sous-series dobservations en general deffectifs egaux (a
1 pres). Puis on prend les points medians de chaque sous-serie. On peut egalement prendre les points
moyens ou choisir a la main des points judicieux.

Exercice : Illustration des deux methodes

La serie (Xt )t ci-dessous represente la quantite dun produit P vendu par une entreprise sur les 9 dernieres
annees (en milliers darticles) :

t 1999 2000 2001 2002 2003 2004 2005 2006 2007

Xt 32 38 48 52 61 73 80 84 95

Effectuer un ajustement lineaire par la methode des moindre carres puis par celle des points medians.
Representer les resultats graphiquement.

3.4 Ajustements tendanciels non lineaires

Dans certaine situations, la modelisation lineaire de la tendance peut etre trop simplificatrice. Dans le cas
de la Figure 2(a). par exemple, on sattend plutot a une tendance quadratique. Lorsque la tendance nest
pas lineaire, une technique simple consiste a se ramener a un ajustement lineaire apres un changement de
variable approprie. Evidemment ce procede nest pas toujours possible et on verra plus loin quil existe
des methodes dajustement non lineaires directes. Cest la representation graphique qui motive le choix
du changement de variable.

Exemple 3.1 Si Zt = at2 + b, en posant Yt = t2 , on se ramene a Zt = aYt + b et on peut faire un

ajustement lineaire entre Yt et Zt .
Si Zt = b exp(at), en posant Yt = ln(Zt ), on se ramene a Yt = at + ln(b) et on peut faire un
ajustement lineaire entre Yt et t.

Exemple 3.2 Dans le cas de lexemple de la Figure 2 (a), on peut aussi mener des calculs analogues a
ceux effectues precedemment et approcher la tendance par

a = 6.499 103
2
Zt = at + bt + c avec b = 2.335 107

c = 2.098 1010

22
3.5 Estimation non parametrique
Dans certaines situations, il nest pas facile de trouver le degre du polynome dajustement pour Zt ou
de changement de variable adequat. Par exemple, dans la Figure 2 (b), il nest pas possible dutiliser la
methode des moindres carres car le polynome utilise au depart nest ni lineaire, ni quadratique. On pour-
rait utiliser un polynome avec un degre eleve mais le nombre de parametres a estimer serait important et
rendrait les calculs fastideux. Par ailleurs, on ne sait pas non plus determiner lallure de cette fonction.

Dans cette situation, on a recours a la theorie non parametrique de lestimation de la tendance qui
ne suppose rien sur celle-ci a priori et on approxime la tendance par la moyenne mobile arithmetique
dordre 2m + 1,
Xt = M2m+1 (t).
Voir le Chapitre 4 pour la definition des moyennes mobiles et leurs proprietes.

Remarque 3.1 Compte tenu des proprietes des moyennes mobiles vues au Chapitre 4, les hypotheses
prealables a lemploi de cet algorithme sont
une saisonnalite a coefficients constants dont la periode est egale a lordre de la moyenne mobile
(periode impaire) ou a lordre de la moyenne mobile moins 1 (periode paire).
une erreur de faible variance.

Remarque 3.2 Par cette technique, quon utilise une moyenne mobile arithmetique, on ne dispose pas
destimation de la tendance pour les m premieres et m dernieres valeurs observees. Afin davoir des
estimees de la tendance pour toutes les dates observees, on peut, si les points (Xt )t=m+1,...T m paraissent
alignes par exemple, faire un ajustement lineaire comme explique precedemment. On fait ensuite une
interpolation lineaire afin de calculer des estimees de la tendance pour les points t = 1, . . . , m et t =
T m + 1, . . . , T .

23
4 Les moyennes mobiles
Dans le chapitre precedent, nous vons vu comment ajuster la tendance dans un modele compose sim-
plement dune tendance et de variations irregulieres. Dans le present chapitre, nous nous interessons a
un ensemble doutils, les moyennes mobiles ou filtres lineaires, transformations de series chronologiques.
Le but sera de lisser une serie temporelle, en gardant la tendance et en supprimant la saisonnalite pour
ensuite proceder a lestimation de ces deux composantes. Nous presentons dans les Sections 4.1 et 4.2
les moyennes mobiles et leurs proprietes. Dans le prochain chapitre, la mise en oeuvre de la methode
en pratique et lestimation des composantes deterministes seront detaillees dans le cadre des modeles
deterministes.

4.1 Definitions des moyennes mobiles

Ces outils font partie des premieres methodes pour lanalyse des series chronologiques. Il semble que le phy-
sicien Poynting soit le premier, en 1884, a avoir utilise les moyennes mobiles pour eliminer les variations
accidentelles ou periodiques dune serie. En 1904, Spencer introduit une moyenne mobile (symetrique
dordre 15) permettant de conserver les polynomes de degre 3. Puis a partir de 1914, les grands per-
sonnages de la statistique tels que Student, Pearson et Yule par exemple, sinteressent a ce genre de
problemes.
Definition 4.1 On appelle moyenne mobile, une transformation de Xt secrivant comme combinaison
lineaire finie des valeurs de la serie correspondant a des dates entourant t. La serie transformee secrit
m2
X
Mm1 +m2 +1 Xt = i Xt+i = m1 Xtm1 + . . . + 1 Xt1 + 0 Xt + 1 Xt+1 + . . . + m2 Xt+m2 ,
i=m1

ou m1 , . . . , m2 sont des reels et m1 , m2 N. On appelle ordre de la moyenne mobile la valeur

m1 + m2 + 1.
Remarque 4.1 1. Lordre represente simplement le nombre de termes consideres dans la somme.

2. Il est clair que la definition ci-dessus na 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 fait la
moyenne mobile est un operateur et non une application. La derniere notation est plus compacte
mais son inconvenient est que lordre napparat plus.

Une moyenne mobile en t etant une combinaison lineaire finie des valeurs de la serie corres-
pondant a des dates entourant t, elle realise donc un lissage de la serie, une moyennisation.

Notation :
On peut reecrire la moyenne mobile en termes doperateurs. On definit pour cela loperateur B, appele
operateur retard, qui a tout processus (Xt )tZ associe le processus (Yt )tZ defini par
t Z, Yt = BXt = Xt1
Si on compose B avec lui-meme on obtient B 2 = B B tel que
t Z, B 2 Xt = Xt2
On peut iterer cette application et definir par recurrence
B k Xt = Xtk , k N.
Par convention, B 0 est loperateur identite I.

Loperateur B est lineaire et inversible. Son inverse B 1 = F est defini par

t Z, F Xt = Xt+1

24
Loperateur F est appele operateur avance.

On peut reecrire la moyenne mobile en termes doperateurs B et F :

m2
X m2
X
Mm1 +m2 +1 = i B i = i F i .
i=m1 i=m1
m1
En factorisant par B et en faisant j = i + m1 , on obtient la forme canonique suivante
mX
1 +m2 m2
X
Mm1 +m2 +1 = B m1 jm1 F j = B m1 i F m1 +i =: B m1 P (F )
j=0 i=m1

Remarque 4.2 On notera que m1 est donc le plus petit exposant de F et m2 le plus grand dans la
definition de la moyenne mobile. De maniere equivalente, m1 est donc le plus grand exposant de B et
m2 le plus petit.

Vocabulaire :

Le polynome P intervenant dans cette derniere expression de Mm1 +m2 +1 et defini par
m2
X
P (x) = i xm1 +i = m1 + m1 +1 x + . . . + m2 xm1 +m2
i=m1

est appele polynome caracteristique de la moyenne mobile Mm1 +m2 +1 . On remarque que P peut
aussi secrire sous la forme suivante
mX
1 +m2

P (x) = jm1 xj
j=0

On dit que la moyenne mobile est centree lorsque m1 = m2 = m.

Une moyenne mobile centree est symetrique si et seulement si i = i , i = 1, . . . , m.
Une moyenne mobile arithmetique est une moyenne mobile centree, dordre (impair) 2m + 1 et
telle que
1
i = , i = m . . . m.
2m + 1
Une moyenne mobile P arithmtique est donc centree (par definition) et symetrique. On a en par-
m
ticulier dans ce cas, i=m i = 1 et M2m+1 Xt apparat comme la moyenne des observations
Xtm , . . . , Xt , . . . , Xt+m .

Cas particulier : Moyenne mobile arithmetique.

La serie des moyennes mobiles arithmetiques dordre k (necessairement impair par definition), notee
(Mk (t))t , est la serie des moyennes de k observations consecutives et elle prend ses valeurs aux dates
moyennes correpondantes. Plus precisement, on calcule les moyennes de k termes consecutifs pour les
dates
t1 + . . . + tk t2 + . . . + tk+1 tT k+1 + . . . + tT
puis . . . jusqua
k k k
et pour la variable dinteret
X1 + . . . + Xk X2 + . . . + Xk+1 XT k+1 + . . . + XT
puis . . . jusqua .
k k k
Exemple 4.1 Calcul dune moyenne mobile arithmetique dordre 3.
Date t Serie yt Date M3 (t) de la MM M3 (yt )
1 5
2 3 (1+2+3)/3=2 (5+3+4)/3=4
3 4 (2+3+4)/3=3 (3+4+5)/3=4
4 5 (3+4+5)/3=4 (4+5+4)/3=4.33
5 4 (4+5+6)/3=5 (5+4+4)/3=4.33
6 4

25
Rappelons que par definition k est impair, k = 2m+1. Generalisons cette procedure a tout k. Lorsque k est
impair, k = 2m+1, la serie moyenne mobile est calculee aux memes instants que les observations initiales.
En revanche, lorsque k est pair, k = 2m, la moyenne mobile est calculee entre les dates dobservations. Si
lon veut comparer la serie transformee a la serie initiale, on a besoin davoir les valeurs pour les memes
dates dobservations. Pour pallier cet inconvenient, on prendra plutot comme transformation
 
1 1 1 1 1
Xtm + Xtm+1 + . . . + Xt+m1 + Xt+m = Mk1 Xt + Mk2 Xt ,
k 2 2 2 2

combinaison lineaire des moyennes mobiles arithmetiques sur 2m valeurs

1
Mk1 Xt = (Xtm + . . . + Xt+m1 ) = Mm1 +m2 +1 Xt avec m1 = m, m2 = m 1
k
et
1
Mk2 Xt = (Xtm+1 + . . . + Xt+m ) = Mm1 +m2 +1 Xt avec m1 = m 1, m2 = m.
k

Exemple 4.2 Calcul des moyennes mobiles arithmetiques dordre 2 et 4.

Date t Serie yt Date M2 (t) de la MM M2 (yt )

1 5
2 3 (1/2+2+3/2)/2=2 (5/2+3+4/2)/2=3.75
3 4 (2/2+3+4/2)/2=3 (3/2+4+5/2)/2=4
4 5 (3/2+4+5/2)/2=4 (4/2+5+4/2)/2=4.5
5 4 (4/2+5+6/2)/2=5 (5/2+4+4/2)/2=4.25
6 4

Date t Serie yt Date M4 (t) de la MM M4 (yt )

1 5
2 3
3 4 (1/2+2+3+4+5/2)/4=3 (5/2+3+4+5+4/2)/4=4.125
4 5 (2/2+3+4+5+6/2)/4=4 (3/2+4+5+4+4/2)/4=4.125
5 4
6 4

Exercice Calculer les series des moyennes mobiles dordre 2, 3 et 4 de la serie initiale Xt suivante

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Xt 30 15 5 30 36 18 9 36 45 15 10 60 48 16 8 72

Exercice Les moyennes mobiles symetriques verifient les proprietes suivantes a demontrer :
1. Si M1 et M2 sont deux moyennes mobiles centrees, alors il en est de meme de M1 M2 .
2. Une moyenne mobile centree M = B m P (F ) est symetrique si et seulement si P (B) = B 2m P (F ).
3. Si M1 et M2 sont deux moyennes mobiles symetriques, alors il en est de meme de M1 M2 .

4.2 Proprietes dun lissage par moyenne mobile

4.2.1 Effet dune moyenne mobile sur une tendance
Lapplication dune moyenne mobile arithmetique (paire ou impaire) ne modifie pas une tendance constante.
Lapplication dune moyenne mobile arithmetique (paire ou impaire) conserve une tendance lineaire.

Plus precisement,

Propriete 4.1 1. Une moyenne mobile conserve les constantes si et seulement si

m1 + . . . + m2 = 1.

26
 2. Une moyenne mobile symetrique conservant les constantes conserve les polynomes de degre 1.

Exercice Demontrer les deux proprietes precedentes.

On vient de voir quune moyenne mobile arithmetique dordre 2m + 1 conserve les polynomes de degre
1. Quelles sont les autres series invariantes par cette moyenne ?

Exercice Par exemple, verifier quune moyenne mobile arithmetique ne conserve pas les polynomes de
degre 2.

Exercice On peut trouver des series invariantes par M1 M2 a partir de celles invariantes par M1 et M2 :
1. Si Xt est une serie invariante par M1 et M2 , alors Xt est invariante par M1 M2 .
2. Quen est-il de la reciproque ?
Remarque 4.3 Comme une moyenne mobile est un operateur lineaire sur lespace vectoriel des suites
indexees par Z, chercher les series invariantes par une moyenne mobile, cest-a-dire les series qui verifient
Xt = Xt ,
revient donc a chercher les vecteurs propres associes a la valeur propre 1 de loperateur moyenne mobile
considere.
Pour trouver les series invariantes par une moyenne mobile, on considere le polynome
P (x) xm1 = m1 + m1 +1 x + . . . + m2 xm1 +m2 xm1
dont on cherche les racines. Dans le cas centre, on considere simplement
P (x) xm = m + m+1 x + . . . + m x2m xm
Propriete 4.2 La moyenne mobile dordre m1 + m2 + 1 conserve les polynomes de degre inferieur ou
egal a p si et seulement si 1 est racine dordre p + 1 du polynome P (x) xm1 .

Preuve Etudions le polynome Q(x) := P (x) xm1 . Tout dabord, nous avons pour tout k
Pm2
P (x)
= Pi=m 1
i xm1 +i

m2
= Pi=m1 i (m1 + i)xm1 +i1
P (x)

m2 m1 +i2
P (x) = i=m1 i (m1 + i)(m1 + i 1)x

.
..



(k) Pm2 m1 +ik
P (x) = i=m1 i (m1 + i)(m1 + i 1) . . . (m1 + i k + 1)x

et immediatement
P m2

Q(1) = i 1


Pi=m
m2 1 P m2 P m2

Q (1) = Pi=m i (m1 + i) m1 = i=m i i + m 1 i=m1 i 1

m2 1 1

Q (1) = Pmi=m1 i (m1 + i)(m1 + P i 1) m1 (m1 1) P m2

2 m2
= 2
i=m1 i i + (2m 1 1) i=m1 i i + m1 (m1 1) i=m1 i 1

..

.

P m2

Q(k) (1) = (m + i) . . . (m1 + i k + 1) m1 (m1 1) . . . (m1 k + 1)


Pi=m
k P1m2i 1 l Pm2

= l=1 i=m1 i i + . . . + m1 . . . (m1 k + 1) i=m1 i 1

Par consequent, 1 est racine dordre p + 1 de P (x) xm1 si et seulement si

P m2

Q(1) = 0
Pi=m 1
i = 1


m2
i = 0
Q(1)
= 0
Pi=m
m2 1 i
2
Q (1) = 0 i=m1 i i = 0

.
.
..

.
.

(p)
P m2
Q (1) = 0 p
i=m1 i i = 0

27
Soit maintenant la serie Xt = tk , pour k p. Sa transformee par la moyenne mobile centree dordre
2m + 1 est donnee par
m2
X m2
X k
X
Xt = i (t + i)k = i Ckl tkl il
i=m1 i=m1 l=0
k
X m2
X
= Ckl tkl i il = Ck0 tk = tk
l=0 i=m1

si on suppose que 1 est racine dordre p + 1 de P (x) xm1 . Et on en deduit que la moyenne mobile
dordre m1 + m2 + 1 conserve bien les polynomes de degre inferieur ou egal a p. On verifie aisement que
la reciproque est vraie. 

Propriete 4.3 La moyenne mobile dordre m1 + m2 + 1 conserve les fonctions de la forme at ssi a est
racine du polynome P (x) xm1 .

Exercice Demontrer la propriete precedente.

Exercice Etudions la moyenne arithmetique dordre 5.

Ecrire son polynome associe.
Verifier que la moyenne arithmetique conserve les polynomes de degre 1.
Determiner les series invariantes par la moyenne mobile arithmetique dordre 5.

4.2.2 Effet dune moyenne mobile sur une composante saisonniere

Si la serie Xt possede une composante saisonniere de periode P alors lapplication dune moyenne mobile
dordre P supprime cette saisonnalite. La serie (MP Xt )t ne possede plus de composante saisonniere de
periode P .

Plus precisement, cherchons les series chronologiques qui sont arretees par le filtre moyenne mobile centree
dordre 2m + 1. Ce sont les series St telles que leur transformee St par la moyenne mobile verifie St = 0.
On cherche donc a determiner le noyau dune moyenne mobile arithmetique dordre 2m + 1 ou encore
les vecteurs propres associes a la valeur propre nulle.

Pour trouver les series arretees par une moyenne mobile, on considere le polynome

P (x) = m1 + m1 +1 x + . . . + m2 xm1 +m2

dont on cherche les racines. Dans le cas centre, on considere simplement

P (x) = m + m+1 x + . . . + m x2m

Propriete 4.4 La moyenne mobile dordre m1 + m2 + 1 arrete les fonctions de la forme at ssi a est
racine du polynome P (x).

Exercice Demontrer la propriete precedente.

Exercice On peut trouver des series arretees par M1 M2 a partir de celles arretees par M1 et M2 :
1. Si Xt est une serie arretee par M1 ou M2 , alors Xt est arretee par M1 M2 .
2. Quen est-il de la reciproque ?

La proposition ci-dessous montre que lensemble des series absorbees par M : Ker(M ) est un sous-espace
vectoriel.

28
Proposition 4.1 Soit une moyenne mobile M definie par
m2
X
M= i B i .
i=m1

Alors

Ker(M ) = Vect (tk rjt , t Z; k = 0 . . . lj 1, j = 1 . . . m ,
ou r1 , . . . , rm sont les racines dordres de multiplicte respectives l1 , . . . , lm de lequation suivante
m2
X
t Z, i Xt+i = 0.
i=m1

Preuve En utilisant le polynome caracterisque, il est immediat de voir que toute suite (Xt ) absorbee par
la moyenne mobile M est solution de lequation de recurrence ci-dessous
m2
X
t Z, i Xt+i = 0.
i=m1

Il sagit dune equation de recurrence lineaire a coefficients constants dordre m1 +m2 . Lensemble des so-
lutions de cette equation forme un espace vectoriel de dimension m1 +m2 dont une base est (tk rjt , t Z)
ou r1 , . . . , rm sont les racines dordres de multiplicte respectives l1 , . . . , lm de lequation ci-dessus.

Exercice Rechercher les series arretees par le filtre moyenne mobile arithmetique.

Propriete 4.5 Une moyenne mobile absorbe les composantes saisonnieres de periode p si et seulement
si son polynome caracteristique P est divisible par 1 + x + . . . + xp1 .

Exercice Demontrer la proprosition precedente.

4.2.3 Effet dune moyenne mobile sur les fluctuations irregulieres

Jusqua present nous ne nous sommes interesses qua leffet dune moyenne mobile sur la partie deterministe
de la serie (tendance et saisonnalite). Nous allons etudier maintenant leffet dune moyenne mobile sur
le residu lorsque celui-ci est un bruit blanc. Par construction, une moyenne mobile consiste a faire des
moyennes partielles de proche en proche. On obtient donc un lissage de la serie. Leffet de la composante
irreguliere est dautant plus attenue que lordre de la moyenne mobile est grand.

Plus precisement,

Propriete 4.6 Les moyennes mobiles arithmetiques dordre 2m + 1 sont les moyennes
Pm mobiles minimi-
sant la variance dun bruit blanc parmi les moyennes mobiles centrees telles que i=m i = 1.

Exercice Nous nous proposons de demontrer la propriete precedente.

Calculer
Pm la transformee dun bruit blanc par une moyenne mobile centree dordre 2m + 1 telle que
i=m i = 1 et sa variance.

Verifier que le probleme revient a resoudre le probleme de minimisation
m
X m
X
min i2 sous la contrainte i = 1.
i ,i=m...m
i=m i=m

En appliquant la methode des multiplicateurs de Lagrange, determiner le (2m+1)-uplet (m , . . . , m )

solution de ce probleme de minimisation.
Conclure.

29
Ainsi les moyennes arithmetiques dordre 2m + 1 transforment un bruit blanc en un processus centre
2
(inchange) et de variance 2m+1 reduite. Notons cependant que les variables t sont a present correlees
alors que les t ne letaient pas. On a en effet


(h) = Cov(t , t+h ) = E t t+h
m m
!
X X
= E i t+i i t+h+i
i=m i=m
m
X Xm
= i j E (t+i t+h+j )
i=m j=m
 2 Pm
i=hm i ih pour h 2m
=
0 pour h > 2m

2 2m+1h
(2m+1)2 pour h 2m
=
0 pour h > 2m

On voit ainsi que la covariance entre t et t+h ne depend que de 2 (variance du bruit blanc et de h et
non de t et quelle sannule des que h > 2m. Nous verrons plus loin la notion qui generalise les processus
verifiant cette propriete dindependance en t de la covariance. En divisant (h) par Var(t ) = (0), on
obtient la correlation lineaire entre t et t+h :
 2m+1h
(h) 2m+1 pour h 2m
(h) = =
(0) 0 pour h > 2m

La correlation est donc independante de la variance du bruit blanc.

4.2.4 Choix pratique de lordre dune moyenne mobile

Nous rappelons que le but dun lissage par moyenne mobile est de faire apparatre lallure de la tendance.
Il sagit donc de faire disparatre la saisonnalite et de reduire au maximum le bruit blanc. Nous avons vu
precedemment que
on fait disparatre une composante saisonniere de periode P avec une moyenne mobile dordre P .
on gomme dautant plus le bruit que lordre de la moyenne mobile est grand.
en revanche, on perd les caracteristiques de la tendance avec une moyenne mobile dordre trop eleve
(jusqua obtenir une tendance constante) dapres un exercice du TD.

En pratique, on doit donc trouver le meilleur compromis pour le choix de lordre de lissage optimal.

Cas particlulier des moyennes mobiles arithmetiques

On a vu quune moyenne mobile arithmetique dordre 2m + 1

laisse invariants les polynomes de degre 1,
arrete les fonctions periodiques de periode 2m + 1,
1
reduit la variance dun bruit blanc de maniere optimale (cest-a-dire dun facteur 2m+1 ),
laissent invariantes certaines suites geometriques de la forme a (si a est racine de P (x) xm ),
t

absorbent certaines suites geometriques de la forme at (si a est racine de P ).

Cest pourquoi ce sont celles que nous utiliserons le plus frequemment en pratique.

Remarque 4.4 Dans la pratique, il est frequent que la saisonnalite sexprime par une fonction periodique
de periode paire P = 2m. Cest la cas par exemple, des donnees mensuelles (P = 12), trimestrielles
(P = 4). Dans ce cas, pour eliminer la saisonnalite, nous utiliserons comme definit precedemment la
moyenne mobile  
1 1 1
Xtm + Xtm+1 + . . . + Xt+m1 + Xt+m .
2m 2 2
En reprenant des calculs analogues a ceux effectues precedemment dans cette section, on peut montrer
que les moyennes mobiles ainsi definies

30
 laissent invariants les polynomes de degre 1 ;
arretent fonctions periodiques de periode 2m dont la somme des coefficients est nulle ;
reduisent la variance dun bruit blanc par un facteur 2m1/2
4m2 .

Remarque 4.5 1) Les moyennes mobiles permettent de lisser directement la serie sans hypothese a
priori sur le modele sous-jacent. La methode est donc valable quel que soit le modele de decomposition.
Pour cette raison, on peut classer ce type de lissage dans les methodes non-parametriques (par opposition
aux methodes parametriques abordees plus loin). Cest un outil simple a mettre en oeuvre qui met en
evidence lallure de la tendance en supprimant la composante saisonniere et en attenuant le bruit.

2) Dans tout ce qui precede, on peut remplacer la moyenne par la mediane et on obtient alors un lissage
par mediane mobile. Ce procede a alors lavantage detre moins sensible aux valeurs aberrantes.

31
5 Decomposition dune serie chronologique
Nous disposons maintenant des outils de base permettant la decomposition dune serie chronologique. Il
est clair quafin de pouvoir estimer la tendance, cest-a-dire le mouvement du phenomene observe sur un
grand intervalle de temps, il faut disposer dune serie statistique sur une longue periode. Disposant de ces
donnees, comme nous lavons dit precedemment, le premier travail consiste a effectuer une representation
graphique adequate permettant davoir une vue globale du phenomene en question. Afin deliminer ou
damortir les mouvements cycliques, saisonniers et accidentels, on utilise donc la technique des moyennes
mobiles et on procede ainsi en quelque sorte au lissage de la courbe.

Dapres ce que nous venons de voir, la methode des moyennes mobiles arithmetiques peut etre utilisee
pour tout type de modele. Cependant, dapres ses proprietes, elle est particulierement adaptee pour le
modele deterministe additif lorsque
la tendance est sensiblement lineaire,
la composante saisonniere est periodique,
le bruit est de variance faible.
Dans le cas de polynome de degre superieur a 1, on peut aussi utiliser des moyennes mobiles autres
quarithmetiques laissant invariants les polynomes de degre superieur a 1.

Certains auteurs preconisent egalement dutliser la methode des moyennes mobiles comme technique
de lissage de la serie quelle que soit la forme de la tendance. On peut cependant utiliser dautres tech-
niques plus adaptees pour lisser la serie (telle la methode de loess).

La decomposition et letude de la serie statistique (Xt ) en vue de la prediction se font selon les etapes
suivantes
1. application dune moyenne mobile dordre judicieusement choisi.
2. estimation de la saisonnalite.
3. estimation de la tendance.
4. iteration eventuelle de la procedure.
5. prevision des valeurs futures.
6. analyse des residus.

Commencons par traiter un premier exemple simple :

Exemple 5.1 Cas dune tendance sensiblement constante Dans la Figure 2 (d), on observe que la
tendance ne varie pas beaucoup et il semble naturel de la supposer constante sur une annee. Un estimateur
naturel de la tendance pour lannee j est donc
12
1 X
Zj = X12(j1)+i , j = 1, . . . , 6.
12 i=1
 
Les residus X12(j1)+i Zj (representes a la Figure 10) comportent toujours la com-
i=1...12,j=1...6
posante saisonniere qui par definition ne depend que du mois et non de lannee. En consequence, un
estimateur de cette composante Sj est donne par la moyenne empirique sur le meme mois de chaque
annee des residus :
6
1X
Si = (X12(j1)+i Zj ), i = 1, . . . , 12.
6 j=1

La Figure 11 montre lestimation Si de la saisonnalite et la Figure 12 represente la serie chronologique

apres elimination de la tendance Zj et de la saisonnalite Si :

X12(j1)+i Zj Si .

On obtient donc la composante aleatoire de la serie que nous analyserons dans les prochains chapitres. La
methode que nous venons dappliquer se generalise a des periodes non necessairement egales a 12 mais
presuppose quand meme un modele additif pour lequel la tendance varie faiblement.

32
 Figure 10 Residus de lexemple 2 (d) apres elimination de la tendance

Figure 11 Estimation de la composante saisonniere de lexemple 2 (d)

Figure 12 Residus de lexemple 2 (d) apres elimination de la tendance et de la saisonnalite

33
Nous allons illustrer cette decomposition par un exemple que nous etudierons pas a pas tout au long de
ce chapitre.

Exemple 5.2 Etudions par exemple les ventes dun produit P sur trois annees. Les resultats sont
consignes dans le tableau suivant

Annee Numero du Ventes

trimestre
2005 1 860
2 794
3 1338
4 1148
2006 1 1096
2 1021
3 1705
4 1505
2007 1 1436
2 1363
3 2319
4 2047

Commencons par representer cette serie chronologique. Voir Figure 13.

5.1 La serie lissee par moyenne mobile

Tout dabord, on applique une moyenne mobile arithmetique dordre 2m + 1 dans le cas dune saison-
nalite dordre impair 2m + 1 ou une moyenne mobile arithmetique modifiee dordre 2m + 1 dans le cas
dune saisonnalite de periode paire 2m. Dans chaque cas, on a vu que la saisonnalite est ainsi annulee et
que la variance du bruit est diminuee. Si le modele est bon, la serie transformee ne contient plus aucun
mouvement saisonnier. Notons que la serie ainsi obtenue est de longueur T 2m.

Exemple 5.2 (suite)

Ici la periode est 4. On applique donc une moyenne mobile arithmetique modifiee dordre 5 :
 
1 1 1
M4 (t) = Xt = Xt2 + Xt1 + Xt + Xt+1 + Xt+2 , t = 3, . . . , 10
4 2 2

Ainsi
pour 2005, X3 = 1064.5, X4 = 1122.4
pour 2006, X5 = 1196.6, X6 = 1287.1, X7 = 1374.3, X8 = 1459.5

pour 2007, X9 = 1579, X10

= 1723.5

5.2 Estimation de la saisonnalite

On calcule la serie diminuee de sa tendance St en retranchant a la serie de depart la serie transformee
Xt . On estime ensuite les P coefficients du saisonnier par la moyenne des valeurs de St correspondant a
chaque temps de la periode.

On peut affiner la methode en retranchant ensuite a chaque coefficient estime la moyenne des coefficients
afin que la condition de nullite de la moyenne des coefficients sur la periode soit respectee.

Plus precisement, supposons que les observations sont periodiques de periode P = 2m paire et realisees
sur N periodes. A lissue du premier filtrage, on dispose de la serie

St = Xt Xt , t = m + 1, . . . , P N m.

Cette serie est appelee serie corrigee de la tendance. Disposons ces valeurs dans un tableau

34
 inter- periode 1 ... m ... j ... P-m+1 ... P
periodes

1 *** *** ***

..
.
i Sj+P (i1)
..
.
N *** *** ***
Lestimation du coefficient saisonnier cj est donc
(
1 PN
N 1 Pi=2 Sj+P (i1) , 1jm
cj = 1 N 1
N 1 i=1 Sj+P (i1) , 1jP

Cette operation consiste a appliquer a la serie (St )t=m+1,...,P N m a laquelle on ajoute P observations
nulles pour t = 1, . . . , m et t = P N m + 1, . . . , P N , une moyenne mobile dordre P (N 1) + 1 et de
coefficients
N 1
1 z }| {
1, 0, . . . , 0, 1, 0, . . . , 0, 1, 0, . . . , 0, 1 .
N 1 | {z } | {z }
P 1 P 1
Les estimateurs des P coefficients saisonniers sont ensuite
P
1 X
cj = cj cj ,
P
j =1

de facon a bien verifier la contrainte dune somme nulle sur une periode.

Exemple 5.2 (suite)

Calculons les estimations des coefficients saisonniers pour lexemple 5.2.
A lissue du premier filtrage, on dispose de la serie
St = Xt Xt , t = 3, . . . , 10.
On obtient alors

pour 2005, S3 = 273.5, S4 = 25.63
pour 2006, S5 = 100.63, S6 = 266.13, S7 = 330.75, S8 = 45.5

pour 2007, S9 = 143, S10 = 360.5
Lestimation du coefficient saisonnier cj est donc


c1 = 21 (S5 + S9 ) 121.81

c2 = 12 (S6 + S10 ) 313.31

c = 12 (S3 + S7 ) 302.13
3
c4 = 12 (S4 + S8 ) 35.56
Les estimateurs des 4 coefficients saisonniers sont ensuite
P4

c1 = c1 14 j =1 cj 97.45

c = c 1 P4 c 288.95
2 2 4 Pj =1 j
4

c3 = c3 41 j =1 cj 326.48

1
P4
c4 = c4 4 j =1 cj 59.92
de facon a bien verifier la contrainte dune somme nulle sur une periode.
Enfin on obtient

pour 2005, S3 = c3 = 326.48, S4 = c4 = 59.92
pour 2006, S5 = c1 = 97.45, S6 = c2 = 288.95, S7 = c3 = 326.48, S8 = c4 = 59.92

pour 2007, S9 = c1 = 97.45, S10 = c2 = 288.95

35
5.3 Estimation de la tendance
Une fois les coefficients saisonniers estimes a letape precedente, on retranche lestimation du saisonnier
a la serie Xt . La serie ainsi obtenue est appelee serie corrigee des valeurs saisonnieres :

XCV S,t = Xt St , t = 1, . . . , T

avec St = cj , t j[P ].

Remarque 5.1 Notons que si lon avait soustrait St a Xt au lieu de St , nous aurions simplement obtenu

Xt St = Xt , t = m + 1, . . . , T m,

au lieu de XCV S,t . Mais ce resultat aurait ete moins precis puisque nous naurions eu des valeurs t
seulement de m + 1 a T .

On procede ensuite a lestimation du terme representant la tendance par une methode de regression
comme vu au Chapitre 3 : on modelise le plus souvent la tendance par un polynome Q(t) (en general un
polynome de degre 1 pour etre coherent avec le choix fait lors de la premiere etape). Puis on ajuste au
sens des moindre carres un polynome Q(t) a la serie corrigee des valeurs saisonnieres XCV S,t .

Remarque 5.2 On peut aussi utiliser pour ce faire la methode des points medians.

Exemple 5.2 (suite)

Au vu de la Figure 13, nous choisissons destimer la tendance par une droite. On obtient alors pour XCV S

pour 2005, XCV S (1) = 957.5 XCV S (2) = 1083 XCV S (3) = 1011.5 XCV S (4) = 1088.5
pour 2006, XCV S (5) = 1193.5 XCV S (6) = 1310 XCV S (7) = 1378.5 XCV S (8) = 1445.1

pour 2007, XCV S (9) = 1533.5 XCV S (10) = 1652 XCV S (11) = 1992.5 XCV S (12) = 1987.1

Par la methode des moindres carres, on trouve

Cov(t, XCV S,t ) 307.3331

a = 378.26
Var(t) 0.8125
b = XCV S,t at 757540

De plus, la qualite de la regression est bonne puisque

Cov(t, XCV S,t )

r= p 0.9652.
Var(t)Var(XCV S,t )

Remarque 5.3 On peut aussi faire une translation des temps et etudier plutot t = [1 : 12]. On trouve
alors
Cov(t , XCV S,t ) 1127.9
a = 94.564
Var(t ) 13
b = XCV S,t at 771.33

La qualite de la regression est la meme. Et on retrouve les memes predictions a arrondis pres.

5.4 Iteration de la procedure

On procede parfois a une iteration de la procedure : on estime a nouveau la tendance a partir de la
serie XCV S,t en utilisant une moyenne mobile dordre different de celui utilise a letape 1. Soit Zt cette
estimation. On retranche a la serie Xt cette tendance et on revient eventuellement a letape 2 pour une
seconde estimation du saisonnier.

36
5.5 Prevision des valeurs futures
Afin de prevoir les valeurs futures de la serie, on utilise lestimation de la tendance et celle de la composante
saisonniere. Plus precisement, si on souhaite prevoir une valeur de la serie a linstant T + h, ou h 1,
cest-a-dire a lhorizon h, on utilise les estimations de la tendance et de la saisonnalite et on pose

XT (h) = QT +h + cj , T + h j[P ].

Exemple 5.2 (suite)

Utilisons les estimees de la tendance et de la composante saisonniere. Ainsi a lhorizon 3 par exemple,
on prevoit
bT (3) = Q
X b 15 + c3 = a (2008 + 2/4) + b + c3 2516.

Pour juger de la qualite de nos estimations, on peut aussi faire des previsions aux horizons -1 et 0 et les
comparer aux vraies valeurs :
a lhorizon -1, on prevoit

bT (1) = Q
X b 11 + c3 = a (2007 + 2/4) + b + c3 2138 a comparer a X11 = 2319.

a lhorizon 0 par exemple, on prevoit

bT (0) = Q
X b 12 + c4 = a (2007 + 3/4) + b + c4 1966 a comparer a X12 = 2047.

Remarque 5.4 Cette methode de prevision a un inconvenient majeur qui est celui dune prevision ne
tenant pas compte des valeurs les plus recentes de la serie : celles-ci ont ete eliminees par applica-
tion de moyennes mobiles. Pour cette raison, on utilise plus souvent la methode comme methode de
desaisonnalisation que comme methode de prevision.

5.6 Remarque : cas du modele multiplicatif

On utilise parfois la methode des moyennes mobiles dans le cadre du modele multiplicatif ou du modele
mixte bien quelle ne soit pas particulierement bien adaptee a ces contextes. Dans ce cas, lalgorithme est
identique a celui decrit ci-dessus avec quelques adaptations selon le cas.

Dans le cas du modele multiplicatif du type Xt = Zt (1 + St )(1 + t ), les differences sont les
suivantes :
a letape 2, on pose
Xt
St = 1.
Xt
Puis on estime les coefficients saisonniers et on obtient les estimations cj , j = 1, . . . , P de la meme
maniere que pour le modele additif. On pose ensuite

cj
cj = P PP , j = 1, . . . , P
j=1 cj

de facon a respecter la contrainte de nullite en moyenne sur la periode

P
X
cj = 0.
j=1

a letape 3, on pose
Xt
XCV S,t = , t = m + 1, . . . , T m.
1 + St
Dans le cas du modele mixte du type Xt = Zt St + t , lalgorithme est identique a celui decrit
ci-dessus avec quelques adaptations selon le cas. Par exemple, pour un modele multiplicatif du type
Xt = Zt St + t , les differences sont les suivantes :

37
 a letape 2, on pose
Xt
St = .
Xt
Puis on estime les coefficients saisonniers et on obtient les estimations cj , j = 1, . . . , P de la meme
maniere que pour le modele additif. On pose ensuite

cj
cj = P PP , j = 1, . . . , P
j=1 cj

de facon a respecter la contrainte de constance en moyenne sur la periode

P
X
cj = P.
j=1

a letape 3, on pose
Xt
XCV S,t = , t = m + 1, . . . , T m.
St

5.7 Analyse des residus

Une fois estimees les composantes du modele, on peut controler la pertinence du modele par une analyse
des residus. Ceux-ci sont definis par

t = Xt St Qt = XCV S,t Qt .

Si le modele est bon, il ne doit rester dans les residus aucune trace du saisonnier. Pour le verifier, on
trace le correlogramme des residus cest-a-dire le graphe dun estimateur de la fonction dautocorrelation.
Pour la definition, les proprietes et un estimateur de la fonction dautocorrelation, le lecteur est renvoye
au cours du second semestre.

Comme nous le verrons plus loin, le correlogramme nest trace en theorie que dans le cas ou la serie est
stationnaire, ce qui implique en particulier quil ny a dans cette serie ni tendance ni saisonnalite. En pra-
tique, on sen sert (dans le cas de lanalyse des residus) pour verifier justement labsence de saisonnalite
dans les residus.

Si cest le cas et si le modele est bon, le correlogramme ne doit presenter que des valeurs
faibles, indiquant une faible correlation entre les erreurs.
Si au contraire, le correlogramme presente des pics regulierement espaces, cela indique que
le saisonnier na pas ete completement elimine et cest donc le signe que le modele propose
a echoue. On peut alors reiterer la procedure ci-dessus ou proposer un autre modele.

Dans le cas ou le correlogramme (ou le periodogramme cf. Remarque 5.5) des residus nindique pas la
presence dun mouvement saisonnier, on trace le graphe des residus (t, t ) qui sert a reperer deventuelles
observations exceptionnelles, un mouvement tendanciel...

Dans le cas de lhypothese derreurs gaussiennes, on verifie celle-ci en tracant lhistogramme des residus,
un qq-plot ou encore en effectuant un test de normalite... (cf. TP)

Exemple 5.2 (suite)

Dans les Figures 17, 18 et 19 sont representes le correlogramme, lhistogramme et le QQ-plot des residus
pour lexemple 5.2.

Remarque 5.5 Rappelons que dans le cas ou lerreur du modele est un bruit blanc, lutilisation dune
moyenne mobile a introduit des correlations dans le processus transforme.

38
 2400

2200

2000

1800

1600

1400

1200

1000

800

600
2005.0 2005.5 2006.0 2006.5 2007.0 2007.5 2008.0

Figure 13 Representation graphique des ventes trimestrielles dun produit P de lexemple 5.2

Figure 14 Correlogramme des residus de lexemple 5.2

39
Figure 15 Histogramme des residus de lexemple 5.2

Figure 16 QQ-plot des residus de lexemple 5.2

40
Remarque 5.6 Pour mettre en evidence une eventuelle periodicite dans les residus, on peut egalement
tracer le periodogramme, qui est le graphe de la projection du vecteur X =t (X1 , . . . , XT ) sur le sous-
espace vectoriel de RT engendre par les deux vecteurs

cos( 1) sin( 1)
.. ..
C= . et S = . ,
cos( T ) sin( T )

ou est la frequence. On cherche ainsi a ajuster a la serie Xt le teme terme dune serie trigonometrique,
dite de Fourier, appelee une harmonique, et secrivant

s(t) = a cos( t) + b sin( t).

Dans le cas ou la serie Xt est periodique de periode P , on a P = 2/.

Une approximation de la norme de cette projection est

T 2
Q() = (a + b2 ),
2
ou
T T
2X 2X
a2 = Xt cos(t) et b2 = Xt sin(t).
T t=1 T t=1

Le periodogramme est donc le graphe de la fonction (, Q()). On cherche alors la valeur qui maximise
Q() (cest-a-dire qui minimise la norme de lerreur de projection). Si le periodogramme presente un pic
en , on lit cette valeur sur son graphe et on retient une periode T = 2 ou plus exactement la valeur
entiere la plus proche de cette expression.

5.8 Etude dun autre exemple

Exemple 5.3 Etudions par exemple les consommations trimestrielles en electricite dune entreprise de
vente par internet pendant les trois premieres annees.
XXX
XX Annee 1997 1998 1999
X
Trimestre XXXX
1 4.5 5.5 7.2
2 4.1 4.9 6.4
3 3.7 4.4 4.8
4 5.1 6.5 6.8

1. Representer graphiquement cette serie chronologique (avec periodes successives puis avec periodes su-
perposees). Commenter.
2. Calculer la serie des moyennes mobiles, lisser la courbe.
3. Calculer les quatre coefficients saisonniers (pour le modele additif ).
4. Calculer lequation de la droite de tendance et tracer cette droite sur le graphique precedent.
5. Utiliser le modele construit pour prevoir la consommation en electricite de cette entreprise en 2000.
6. Etudier les residus.

************************************************************************** Solution de lexemple

5.2
Annulation de la saisonnalite
Ici la periode est 4. On applique donc une moyenne mobile arithmetique modifiee dordre 4 :
 
1 1 1
M4 (t) = Xt = Xt2 + Xt1 + Xt + Xt+1 + Xt+2 , t = 3, . . . , 10
4 2 2

41
Ainsi
pour 1997, X3 = 4.475, X4 = 4.7
pour 1998, X5 = 4.8875, X6 = 5.15, X7 = 5.5375, X8 = 5.9375

pour 1999, X9 = 6.175, X10

= 6.2625

Estimation de la saisonnalite
A lissue du premier filtrage, on dispose de la serie
St = Xt Xt , t = 3, . . . , 10.
On obtient alors

pour 1997, S3 = 0.775, S4 = 0.4
pour 1998, S5 = 0.6125, S6 = 0.25, S7 = 1.1375, S8 = 0.5625

pour 1999, S9 = 1.025, S10 = 0.1375
Lestimation du coefficient saisonnier cj est donc
1
c1 =
2 (S5 + S9 ) 0.8188
1
c2 = 2 (S6 + S10 ) 0.0562
1

c = 2 (S3 + S7 ) 0.9562
3 1
c4 = 2 (S4 + S8 ) 0.4812
Les estimateurs des 4 coefficients saisonniers sont ensuite
P4

c1 = c1 41 j =1 cj 0.7469

P
c2 = c2 41 4j =1 cj 0.1281
1
P4
c3 = c3 4 Pj =1 cj


1.0281
4
c4 = c4 41 j =1 cj 0.4094
de facon a bien verifier la contrainte dune somme nulle sur une periode.
Enfin on obtient

pour 1997, S3 = c3 = 326.48, S4 = c4 = 59.92
pour 1998, S5 = c1 = 97.45, S6 = c2 = 288.95, S7 = c3 = 326.48, S8 = c4 = 59.92

pour 1999, S9 = c1 = 97.45, S10 = c2 = 288.95

Estimation de la serie corrigee des valeurs saisonnieres

On obtient alors pour XCV S

pour 2005, XCV S (1) = 957.5 XCV S (2) = 1083 XCV S (3) = 1011.5 XCV S (4) = 1088.5
pour 2006, XCV S (5) = 1193.5 XCV S (6) = 1310 XCV S (7) = 1378.5 XCV S (8) = 1445.1

pour 2007, XCV S (9) = 1533.5 XCV S (10) = 1652 XCV S (11) = 1992.5 XCV S (12) = 1987.1
Par la methode des moindres carres, on trouve
Cov(t, XCV S,t ) 0.366
a = 1.1155
Var(t) 0.3281
b = XCV S,t at 2223.7
De plus, la qualite de la regression est bonne puisque
Cov(t, XCV S,t )
r= p 0.9915.
Var(t)Var(XCV S,t )

Remarque 5.7 On peut aussi faire une translation des temps et etudier plutot t = [1 : 12]. On trouve
alors
Cov(t , XCV S,t ) 1127.9
a = = 94.564
Var(t ) 13
b = XCV S,t at 771.33
La qualite de la regression est la meme. Et on retrouve les memes predictions a arrondis pres.

42
Prevision des valeurs futures
Utilisons les estimees de la tendance et de la composante saisonniere. Ainsi a lhorizon 1, on prevoit
bT (1) = Q
X b 13 + c1 = a (1999) + b + c1 7.9501.

A lhorizon 2, 3 et 4, on prevoit
bT (2) = 7.354, X
X bT (3) = 6.7329, X
bT (4) = 8.4493

Pour juger de la qualite de nos estimations, on peut aussi faire des previsions aux horizons -1 et 0 et les
comparer aux vraies valeurs :
a lhorizon -1, on prevoit
bT (1) = Q
X b 11 + c3 = a (2007 + 2/4) + b + c3 5.6174 a comparer a X11 = 4.8.

a lhorizon 0 par exemple, on prevoit

bT (0) = Q
X b 12 + c4 = a (2007 + 3/4) + b + c4 7.3338 a comparer a X12 = 6.8.

Analyse des residus epsilon=0.6432 -0.0357 0.0604 0.0065 -0.0848 -0.1012 0.0074 0.1286 0.0872 -0.1042
-1.8455 -0.1244 Dans les Figures 17, 18 et 19 sont representes le correlogramme, lhistogramme et le
QQ-plot des residus pour lexemple 5.2.

**************************************************************************

43
Figure 17 Correlogramme des residus de lexemple 5.2

Figure 18 Histogramme des residus de lexemple 5.2

44
5.9 Petit resume de la procedure et des notations
La decomposition et letude de la serie statistique (Xt ) en vue de la prediction se font selon les etapes
suivantes

1. application dune moyenne mobile :

on applique une moyenne mobile dordre judicieusement choisi (generalement egal a la periode
de la saisonnalite).
on recupere ainsi la serie lissee
Xt = MP (Xt ).
2. estimation de la saisonnalite :
on calcule la serie diminuee de sa tendance

St = Xt Xt .

on estime chaque coefficient saisonnier cj par la moyenne sur les periodes cj :

cj = moyenne de St sur les saisons j.

1
PP
on retranche a chaque coefficient cj la quantite P k=1 ck de facon a satisfaire la condition de
somme nulle sur une periode :
P
1 X
cj = cj ck .
P
k=1
3. estimation de la tendance :
on calcule la serie corrigee des variations saisonnieres

XCV S,t = Xt St .

on estime cette serie par des methodes de regression.

on recupere ainsi la serie
Qt .
4. iteration eventuelle de la procedure.
5. prevision des valeurs futures a lhorizon h par

XT (h) = QT +h + ST +h .

6. analyse des residus.

45
6 Prevision par lissage exponentiel
Introduites par Holt en 1958 ainsi que par Winters en 1960 et popularisees par le livre de Brown en (1963),
les methodes de lissage constituent lensemble des techniques empiriques de prevision qui accordent plus
ou moins dimportance aux valeurs du passe dune serie temporelle. Les trois modeles ci-dessous seront
traites dans ce chapitre :
t Z, Xt = Zt + t ;
t Z, Xt = Zt + St + t .
t Z, Xt = Zt St + t .
avec Zt une serie constante ou lineaire. La composante stochastique ne sera pas necessairement un bruit
blanc.

Les techniques seront bien evidemment differentes selon que nous serons en presence de saisonnalite
ou non.

6.1 Les lissages exponentiels

6.1.1 Le lissage exponentiel simple
Le lissage exponentiel simple permet deffectuer des previsions pour des series chronologiques dont la
tendance est constante et sans saisonnalite. Soit (Xt ) une telle serie dont on a observe les T premiers
instants X1 , . . . , XT . Pour h N , on cherche a prevoir la valeur XT +h , cest-a-dire faire une prevision
de la serie a lhorizon h.

Etant donne un reel tel que 0 < < 1, comme la tendance est constante, on cherche une prevision
XT (h) sous la forme de la constante qui sajuste le mieux au sens des moindres carres ponderes au
voisinage de T , cest-a-dire la solution du probleme de minimisation
T
X 1
min j (XT j a)2 .
a
j=0

Remarque 6.1 Notons que dans lexpression a minimiser linfluence des observations decroit lorsquon
seloigne de la date T . Les dernieres observations sont prises en compte ce qui constitue un avantage
majeur par rapport a la methode de prevision vue au chapitre precedent.

Definition 6.1 La prevision de la serie a lhorizon h, XT (h), fournie par la methode de lissage expo-
nentiel simple est donnee par
T
X 1
XT (h) = (1 ) j XT j
j=0

ou est la constante de lissage.

Exercice Verifier que la solution du probleme de minimisation est bien donnee par
T 1
1 X j
aT = XT j .
1 T j=0

On fait ensuite lapproximation T 0 pour obtenir le predicteur du lissage exponentiel simple.

Remarque 6.2 1. Dans le cas ou est independant de h, on notera simplement XT au lieu de XT (h).
Les previsions sont dans ce cas identiques pour tout h.
2. Cette methode de prevision prend en compte tout le passe dune serie temporelle, mais en accordant
de moins en moins dimportance aux observations les plus eloignees de linstant T (puisque j
decrot avec j).

46
 3. La valeur de la constante de lissage permet de nuancer la remarque precedente.

Si est proche de 0, la prevision est souple, cest-a-dire fortement influencee par les observa-
tions les plus recentes ( j devenant negligeable pour les grandes valeurs de j). Dans le cas extreme
ou = 0, la prevision est alors egale a la derniere valeur observee.
En revanche, si est proche de 1, linfluence des observations passees est dautant plus importante
et remonte loin dans le passe. On dit dans ce cas que la prevision est rigide en ce sens quelle
est peu sensible aux fluctuations exceptionnelles (aussi appelees fluctuations conjoncturelles). Dans
lautre cas extreme ou = 1, alors toutes les previsions sont identiques (et donc a la valeur choisie
pour linitialisation).
En pratique, on prend ]0, 1[ afin dexclure ces deux cas extremes degeneres.

A partir de la definition ci-dessus, on obtient directement

XT (h) = XT 1 (h) + (1 )XT = XT 1 (h) + (1 )(XT XT 1 (h)).

Cette derniere egalite est appelee formule de mise a jour et permet de calculer directement (a partir
de la prevision XT 1 a la date T 1) une nouvelle prevision XT lorsquune nouvelle observation XT est
effectuee.

Remarque 6.3 1. Cette equation permet donc de mettre a jour les previsions a lhorizon h a partir
de la derniere prevision de maniere extremement simple. Linitialisation de la recurrence est en
general faite en prenant X1 (h) = X1 . Un autre choix possible consiste a prendre la moyenne. Si
T est assez grand, ce choix a en fait peu dimportance, comme le montre les quelques simulations
de la Figure 21. Le choix de linitialisation importe peu en realite puisque cette initialisation est
rapidement oubliee. Cet oubli est dautant plus rapide que la constante de lissage est proche de 1.
2. La premiere egalite fait apparatre XT (h) comme le barycentre entre XT 1 (h), la valeur predite a
lhorizon h a partir des T 1 premieres observations et XT la derniere observation.
3. La seconde egalite fait elle intervenir (XT XT 1 (h)) la derniere erreur de prevision.

Un probleme important en pratique est celui du choix de la constante de lissage qui est en general
tres subjectif et varie selon le contexte de letude et/ou le type de prevision souhaite. En pratique, si on
souhaite faire une prevision rigide, on choisira [0.7; 0.99] et si au contraire on souhaite une prevision
souple, on choisira [0.01; 0.3]. Une autre solution, dictee par les donnees, consiste a choisir comme
la solution du probleme des moindres carres ordinaires suivant
T
X h  2  2  2  2
Xt+h Xt (h) = X1+h X1 (h) + X2+h X2 (h) + . . . + XT XT h (h) ,
t=1

cest-a-dire de minimiser la somme des carres des erreurs de prevision aux dates 1, . . . , T h.
On peut aussi ne considerer que les ecarts obtenus sur la deuxieme moitie de la serie, afin de ne pas tenir
compte de linitialisation. On cherche alors le qui minimise
T
X h  2
Xt+h Xt (h) .
t=[(T h)/2]

La Figure 20 illustre le comportement du lissage exponentiel simple en prenant la constante de lissage

egale a 0.8 (lissage rigide) ou 0.2 (lissage souple). Sur les quatre sous-figures, la courbe noire represente la
serie initiale, la courbe en pointille rouge la serie lissee avec = 0.8 et la courbe en pointille bleu la serie
lissee avec = 0.2. Quatre cas sont presentes (de gauche a droite et de haut en bas) : tendance constante,
tendance lineaire, tendance constante avec une valeur aberrante au milieu et tendance constante par
morceaux (modele avec rupture).

La Figure 21 illustre linfluence de linitialisation de lequation de mise a jour ; cette influence depend
aussi de la constante de lissage (a droite avec = 0.8 et a gauche avec = 0.2). Sur les deux sous-figures,
la serie initiale apparat en cercles noirs. La courbe rouge correspond au lissage en prenant X1 (h) = X1
et la courbe bleue correspond au lissage en prenant X1 (h) = X. On sapercoit que quelle que soit la

47
 Figure 19 QQ-plot des residus de lexemple 5.2

Figure 20 Influence de la constante de lissage pour le lissage exponentiel simple : serie temporelle
initiale (trait noir), series lissees avec = 0.8 (trait pointille rouge) et avec = 0.2 (trait pointille bleu).

48
Figure 21 Influence de linitialisation pour le lissage exponentiel simple : serie temporelle initiale (cercle
noir), series lissees avec initialisation en X1 ou X avec = 0.8 (a droite) et avec = 0.2 (a gauche).

valeur de la initiale, la prevision est la meme au bout dun certain temps. En revanche, ce temps au bout
duquel les previsions concident est dautant plus petit que est proche de 1. Ces remarques permettent
de nuancer certains choix automatiques. Par exemple, R effectue par defaut un lissage exponentiel simple
avec une constante de lissage egale a 0.8. Il peut etre pertinent de choisir une autre valeur dautant plus
que la serie est courte.

6.1.2 Le lissage exponentiel double

Le lissage exponentiel double generalise lidee du lissage exponentiel simple au cas ou la serie peut etre
ajustee par une droite au voisinage de T . On cherche dans ce cas une prevision a lhorizon h, XT (h) de
la forme
XT (h) = aT h + bT ,
ou le couple (aT , bT ) minimise la fonction
T
X 1
j (XT j (aj + b))2 .
j=0

La solution de ce probleme sobtient en annulant les derivees partielles de la fonction ci-dessus par rapport
a a et b. En notant la serie lissee
t1
X
S1 (t) = (1 ) j Xtj
j=0

et la serie doublement lissee

t1
X
S2 (t) = (1 ) j S1 (t j),
j=0

on deduit la definition suivante

Definition 6.2 La prevision de la serie a lhorizon h, XT (h), fournie par la methode de lissage expo-
nentiel double est donnee par
XT (h) = aT h + bT
ou est la constante de lissage et le couple (aT , bT ) est donne par
(
aT = 1
(S1 (T ) S2 (T ))
bT = 2S1 (T ) S2 (T )

49
Figure 22 Influence de la constante de lissage pour le lissage exponentiel double : serie temporelle
initiale (trait noir), series lissees avec = 0.8 (trait pointille rouge) et avec = 0.2 (trait pointille bleu).

Remarque 6.4 Les expressions de a et b dependent de S1 (T ) et S2 (T ) qui sont respectivement le lissage

exponentiel simple de la serie initiale et le lissage exponentiel simple de la serie lissee. On a donc effectue
deux lissages consecutifs dou le nom de lissage exponentiel double.
PT 1 1
PT 1 PT 1 j 2
Exercice En remplacant, lorsque T est grand, j=0 j par 1 , j=0 j j par (1) 2 et j=0 j
par (1+)
(1)3 , verifier que le couple (aT , bT ) solution du probleme de minimisation est bien donne par les
relations de la definition precedente.

Exercice Determiner les formules de mise a jour du lissage exponentiel double.

Pour utiliser ces formules de mise a jour, il faut avoir des valeurs initiales pour les suites at et bt . On
prend en general a2 = X2 X1 et b2 = X2 . Notons enfin que pour selectionner la constante de lissage,
on peut utiliser un critere similaire a celui introduit a la section precedente.

La Figure 22 illustre le comportement du lissage exponentiel double en prenant comme precedemment

la constante de lissage egale a 0.8 ou 0.2. Sur les quatre sous-figures, la courbe noire represente toujours
la serie initiale, la courbe en pointille rouge la serie lissee avec = 0.8 et la courbe en pointille bleu la
serie lissee avec = 0.2. Quatre cas sont presentes (de gauche a droite et de haut en bas) : tendance
lineaire, tendance quadratique, tendance lineaire avec une valeur aberrante au milieu et tendance lineaire
par morceaux (modele avec rupture).

Remarque 6.5 On peut generaliser cette technique de lissage pour traiter des series sans saisonnalite
presentant une tendance polynomiale de degre superieur a 2. Les resultats font intervenir, dans ce cas,
les operateurs de lissage dordre p Sp (t), p N, iterees dordre p de S1 (t).

6.2 La methode de Holt-Winters

La methode de lissage exponentiel double permet de traiter des series presentant une tendance lineaire
mais sans saisonnalite. On peut egalement definir des lissages exponentiels generalises sur le meme principe
que les techniques decrites dans les sections precedentes permettant de traiter des series avec saisonnalite.

Un methode un peu differente a ete introduite par Holt et Winters. Il existe une version non saisonniere
de cette methode, cest-a-dire adaptee aux series sans saisonnalite pouvant etre ajustees par une droite au

50
voisinage de T (comme pour le lissage exponentiel double). La difference entre la methode de Holt-Winters
et le lissage exponentiel double porte sur les formules de mise a jour.

6.2.1 La methode non saisonniere

La formule de mise a jour pour le lissage exponentiel double peut aussi secrire sous la forme
1   1+
aT = XT (1) XT 1 (1) + aT 1 ,
2 2
et  
bT = (1 2 )XT + 2 XT 1 (1) + XT 1 (2) .

Ainsi ecrits, aT et bT apparaissent comme des barycentres. Holt et Winters ont alors propose une version
de ces formules de mise a jour ou les ponderations ne dependent pas que dun seul parametre mais de
deux parametres :  
aT = (1 ) XT (1) XT 1 (1) + aT 1 ,
et  
bT = (1 )XT + XT 1 (1) + XT 1 (2) ,

ou || < 1 et || < 1. Linitialisation peut se faire comme dans le cas du lissage exponentiel double.
Lavantage de cette approche est davoir une plus grande flexibilite mais la contrepartie est de devoir
regler deux parametres. Si et sont proches de 1 tous les deux, la prevision est lisse (fort poids du
passe). La prevision par cette methode est donnee par

XT (h) = aT h + bT .

Exercice Pour quelles valeurs de et retrouve-t-on le lissage exponentiel double ?

Etudions graphiquement leffet induit par les constantes de lissage pour les memes quatre cas-tests que
ceux vus pour le lissage exponentiel double. La Figure 23 illustre le comportement du lissage de Holt-
Winters en prenant comme precedemment les constantes de lissage egale a 0.8 ou 0.2. Sur les quatre
sous-figures, la courbe noire represente toujours la serie initiale, la courbe en pointille rouge la serie lissee
avec = 0.8 et = 0.8, la courbe en pointille magenta la serie lissee avec = 0.8 et = 0.2, la courbe en
pointille vert la serie lissee avec = 0.2 et = 0.8 et la courbe en pointille bleu la serie lissee avec = 0.2
et = 0.2. Quatre cas sont presentes (de gauche a droite et de haut en bas) : tendance lineaire, tendance
quadratique, tendance lineaire avec une valeur aberrante au milieu et tendance lineaire par morceaux
(modele avec rupture).

Le choix des constantes de lissage est encore plus subjectif et peut etre regle automatiquement en utilisant
un critere des moindres carres comme propose precedemment.

6.2.2 La methode saisonniere additive

On considere une serie chronologique dont on a observe les T premiers instants X1 , . . . , XT et on suppose
que cette serie peut etre approchee, au voisinage de T , par le modele

a(t T ) + b + St ,

ou St represente la saisonnalite de periode P . La methode de Holt-Winters propose pour lestimation de

a, b et St les formules de mise a jour suivantes
 

a T = (1 )a T + b T b T ,


1

1
 
bT = XT ST P + (1 ) bT 1 + aT 1

 

ST = XT bT + (1 )ST P

ou , et sont des constantes de lissage appartenant a ]0, 1[. La premiere formule de mise a jour
sinterprete comme une moyenne ponderee de la difference des niveaux estimes aux instants T et T 1

51
Figure 23 Influence des constantes de lissage pour la methode de Holt-Winters sans saisonnalite : serie
temporelle initiale (trait noir) et quatre series lissees (traits pointilles).

et la pente estimee a linstant T 1 ; la deuxieme comme une moyenne ponderee de lobservation XT

(a laquelle on a retranche la composante saisonniere estimee a letape precedente) et lestimation de la
tendance faite a linstant T 1 ; enfin, la troisieme comme une moyenne ponderee de lobservation XT (a
laquelle on a retranche le niveau calcule a linstant T ) et de la composante saisonniere calculee a linstant
T P.

On en deduit une prevision a lhorizon h

aT h + bT + ST +hP , si 1 h P
XT (h) = a h + bT + ST +h2P , si P + 1 h 2P
T
...

Remarque 6.6 1. Le choix des constantes de lissage dans la pratique peut seffectuer de la meme
maniere que precedemment, cest-a-dire en minimisant la somme des carres des erreurs de prevision.
2. On doit calculer les valeurs initiales pour utiliser les formules de mise a jour ci-dessus.

Exemple 6.1 Soit (Xt ) une serie chronologique observee jusqua linstant T , de tendance lineaire et de
composante saisonniere de periode 4. On souhaite appliquer la methode de Holt-Winters et approcher la
serie, au voisinage de T , par le modele

a(t T ) + b + St + t .

Nous allons voir dans cet exemple comment initialiser les formules de mise a jour.

1. Appliquer une moyenne mobile adaptee a la serie afin de supprimer la saisonnalite. On obtient ainsi
une estimation de la tendance lineaire.
2. Appliquer un operateur adapte a la serie transformee afin de recuperer le coefficeient a. Lestimer.
En deduire une estimation du b.
3. En deduire une estimation du saisonnier.

52
6.2.3 La methode saisonniere multiplicative
On considere une serie chronologique dont on a observe les T premiers instants X1 , . . . , XT et on suppose
que cette serie peut etre approchee, au voisinage de T , par le modele

(a(t T ) + b)St ,

ou St represente la saisonnalite de periode P . La methode de Holt-Winters propose pour lestimation de

a, b, St les formules de mise a jour suivantes
 

a = (1 )a + (1 ) b b T 1 ,
T T 1

T

bT = SXT + (1 ) bT 1 + aT 1

T P
S = XT + (1 )S
T bT T P

ou , et sont des constantes de lissage appartenant a ]0, 1[. Les formules de mise a jour sinterpretent
comme dans le cas de la methode saisonniere additive.
On en deduit une prevision a lhorizon h
 

a T h + b T ST +hP , si 1 h P
 
XT (h) = aT h + bT ST +h2P , si P + 1 h 2P



...

Remarque 6.7 Pour determiner les valeurs initiales afin dutiliser les formules de mise a jour, dans le
cas dune periode 4, on determine b3 , a4 et b4 comme a la section precedente. De meme les coefficients
saisonniers initiaux sont obtenus comme precedemment mais en divisant les observations par la tendance
lineaire.

53