Application de la Technique de prévision BOX-JENKINS

Gastonfils LONZO LUBU

Doctorant en Sciences Economiques/PTCI
Université de Kinshasa
gastonfils@[Link]
+[Link].221
APPLICATION DE LA METHODE DE PREVISION DE BOX-JENKINS

Par

Lonzo Lubu Gastonfils

Doctorant en Sciences Economiques
gastonfils@[Link]

Résumé

L’objectif de ce papier est de permettre aux étudiants en sciences économiques, non seulement de la
Faculté des Sciences Economiques et de Gestion (FASEG) de l’Université de Kinshasa mais
également ceux qui évoluent dans la cette filière ou recourent souvent à cette technique de prévision,
de trouver un précieux repère ou guide pour parvenir avec toute indépendance de traiter leurs
données et d’appliquer la technique de prévision de Box-Jenkins sans commettre d’erreurs
notamment dans la prévision fore casting comme in casting.

Introduction

La maitrise de l’environnement économique est devenue avec le temps la priorité des acteurs
des pouvoirs publics et des entreprises. Ils doivent anticiper les incertitudes liées à l’avenir
afin de mieux les aborder qu’elles soient bonnes ou mauvaises. Pour contourner l’incertitude
liée au futur à travers des bonnes décisions, sur le plan économique et de gestion, les
décideurs recourent à des techniques de prévisions du comportement des variables
économiques soit macro ou microéconomiques.

D’où l’impérieuse nécessité d’apprentissage de ces techniques scientifiques des théories et

techniques de prévisions dans le cadre des enseignements de deuxième cycle universitaire en
Sciences Economiques à l’Université de Kinshasa (UNIKIN).

Dans le cadre de l’examen relatif à ces enseignements, nous allons faire notre application sur
la série gdpcauta PIB de l’Australie de la Source : The Conference Board Total Economy
Database, January 2011, [Link] La série
GDPCAUTA de l’Australie est annuelle et varie de 1950 à 2010.

Outre l’introduction et la conclusion, le canevas de notre étude se résume de la manière

suivante :

1. L’évolution graphique des données de la série de 1950 à 2010.

2. Synthèse sur les statistiques descriptives de la série

Théorie et Pratique de Prévision par Gastonfils LONZO L. 2 Extrait de Cours de Prévision KAMIANTAKO
 3. l’identification de la série ;

4. Traitement et choix de la méthode de prévision.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 3 Extrait de Cours de Prévision KAMIANTAKO
 La méthodologie de Box-Jenkins a été conçue pour faire de la prévision en se basant sur l’évolution
passée de la variable elle-même. Pour son application il faut déterminer au préalable la nature de la
chronique en présence car une série chronologique peut être générée à travers quatre types différents de
processus qui sont : les processus AR, MA, ARMA et ARIMA. Le dernier processus peut lui-même être
affecté d’une saisonnalité donnant lieu au processus appelé SARIMA. Le choix d’un processus ainsi que
la détermination de son ordre constituent la phase la plus importante de cette méthodologie.

L’application de la méthodologie de Box-Jenkins passe par quatre étapes.

I. Identification
II. Estimation
III. Validation
IV. Prévision

La première étape consiste à identifier la chronique en utilisant des tests informels basés sur l’examen
visuel des corrélogrammes. Ceux-ci sont la représentation graphique des différents coefficients
d’autocorrélation (simples et partiels). Ils montrent ainsi l’évolution des fonctions d’autocorélation simple
et d’autocorrélation partielle. Ce qui permet de déceler si la chronique est AR, MA ou ARMA. En
effet, en se basant sur les propriétés d’autocorrélation simple et d’autocorrélation partielle, (Cuthbertson et al.
(1992)) donnent des critères indicatifs pouvant aider à détecter la nature du processus générateur d’une
chronique. En mettant en parallèle les deux fonctions, ces auteurs synthétisent ces critères tels qu’indiqués
au tableau ci-après :

Fonction d’Autocorrelation Simple Processus générateur Fonction d’Autocorrelation Partielle

Un pic pour k=1 AR(1) Décroissance exponentielle
Décroissance exponentielle MA(1) Un pic pour k=1
*Un pic k=1 suivi d’une décroissance ARMA(1,1) *Un pic k=1 suivi d’une
exponentielle décroissance exponentielle
*Deux pics k=1 et k=2 ARMA(2,1) *Un pic k=1 suivi d’une
suivis par une décroissance exponentielle
décroissance
exponentielle
*Un pic k=1 suivi d’une ARMA(1,2) *Deux pics k=1 et k=2
décroissance exponentielle suivis par une
décroissance
exponentielle
*Deux pics k=1 et k=2 ARMA(2,2) *Deux pics k=1 et k=2
suivis par une suivis par une
décroissance décroissance
exponentielle exponentielle

Comme principe général on retient que les coefficients d’autocorrélation simple font voir un processus
AR et ceux d’autocorrélation partielle font voir un processus MA. Quant à leurs ordres respectifs le
processus AR a pour ordrele nombre des coefficients d’autocorrélation partielle non nulsc’est-à-dire
significativement différents de zéro tandis que celui du processus MA est donné par le nombre des
coefficients d’autocorrélation simple non nuls c’est-à-dire significativement différents de zéro.
Ces critères bien que simples ne peuvent pas être réduits à un niveau trop mécanique car les autocorrélations
simples et les autocorrélations partielles n’indiquent pas toujours d’une manière aussi claire un modèle
spécifique, elles peuvent également indiquer plus d’un modèle.
Au cours de cette première étape, on vérifie également la stationnarité de la chronique généralement par
les tests de Dickey-Fuller. Une chronique non stationnaire peut être affectée soit d’une tendance déterministe

Théorie et Pratique de Prévision par Gastonfils LONZO L. 4 Extrait de Cours de Prévision KAMIANTAKO
(processus TS), c’est-à-dire être un processus stationnaire en tendance ou soit être un processus
stationnaire en différence (processus DS).
Une série affectée d’une tendance déterministe est stationnarisée par les MCO tandis qu’une série générée
par un processus DS est stationnarisée en prenant les différences.
- La deuxième étape est celle de l’estimation proprement dite laquelle se fait généralement
par les MCO.
- La troisième étape se réfère à la vérification du diagnostique.
- Enfin la quatrième étape concerne la prédiction.

La résolution du problème se fait en quatre étapes que voici :

Première étape :
On fait une analyse exploratoire des données en identifiant la série à travers le corrélogramme et en
vérifiant la stationnarité avec le test ADF.
Deuxième étape :
On fait l’estimation par la méthode appropriée
Troisième étape :
On fait la vérification du diagnostique
Quatrième étape :
On fait la prévision proprement dite

I. IDENTIFICATION DE LA SERIE

Pour identifier le type de chronique, nous allons procéder à des tests formels et informels afin
de connaître la saisonnalité, la tendance et la stationnarité.

A. LES TESTS INFORMELS

A.1. L’ANALYSE GRAPHIQUE DE LA SERIE
L’analyse graphique nous permet de visualiser l’évolution temporelle de la série du PIB
Australien (GDPCAUTA) de 1950 à 2010. Ainsi, à partir des données de la série, nous
obtenons le graphique suivant :

Figure 1.1. Évolution graphique de GDPCAUTA

Source : Auteur, sur base des données The Conference Board Total Economy Database, Jan. 2011,

Théorie et Pratique de Prévision par Gastonfils LONZO L. 5 Extrait de Cours de Prévision KAMIANTAKO
Source : Auteur, TCBTED, 2011

De ce graphique, nous observons que la série GDPCAUTA évolue de manière croissante dans
le temps. Ce qui nous permet de tirer quelques conclusions intéressantes au vu de l’allure de
cette courbe ci-dessus :

- La présomption de l’absence de saisonnalité du fait qu’il n’y a pas des points de

changement de structure avec oscillation dans une série annuelle;

- La présomption d’une tendance de la série ;

- La série n’est pas stationnaire du fait de la présomption d’une faible volatilité autour
de sa moyenne.

Les conclusions de l’analyse graphique restent les mêmes sur la série GDPCAUTA
transformée en logarithme.

Un dernier test peut alors être effectué, il s’agit de l’analyse de la fonction d’autocorrélation
qui vise avant tout à déterminer le caractère significatif des coefficients d’autocorrélation
simples et partiels par l’observation du corrélogramme de la série GDPCAUTA:

Théorie et Pratique de Prévision par Gastonfils LONZO L. 6 Extrait de Cours de Prévision KAMIANTAKO
Correlogram série GDPCAUTA

Commande : IDENT GDPCAUTA

Source : Auteur, à l’aide du logiciel Eviews 9.0

Les coefficients d’autocorrélation simples décroissent lentement, de manière linéaire, ce

qui appuie notre affirmation sur la non stationnarité de la série.
Nous observons aussi que le premier coefficient d’autocorrélation partielle est significatif.

Seulement ces indicateurs sont nécessaires mais non-suffisants.

Par conséquent, nous utilisons le Test de la racine unitaire de Dickey- Fuller (DF) et
Dickey-Fuller Augmenté (ADF) qui sont plus performant dans l’étude de la stationnarité des
séries.

1.1.2. Tests formels : Test de racine unitaire ( DF & ADF).

Ce test a un double objectif :

- Il permet de vérifier la stationnarité d’une série ;
- Il donne une idée sur la structure de la série.
La formulation générale de celui-ci est :
∇ GDPCAUTA t= ρGDPCAUTA t −1+ ∑ φ j ∇ GDPCAUTA t − j+1 +c +bt +¿ at ¿ avec ρ=φ j−1 avec
a t →i .i . d . ( 0 ,σ 2a )

Nous avançons les hypothèses suivantes pour notre test :

Théorie et Pratique de Prévision par Gastonfils LONZO L. 7 Extrait de Cours de Prévision KAMIANTAKO
Ho : ρ=1, présence de la racine unitaire càd la série est non stationnaire ;

H1 : ρ ≠ 1, absence de la racine unitaire càd la série est stationnaire ;

Ainsi, nous rencontrons les cas de figures ci-après :

- Si |t− ADF|<¿ ,on accepte l’hypothèse nulle ([Link]), la série est non stationnaire1

- Si |t− ADF|>¿ ,on rejette l’hypothèse nulle ([Link]), la série est non stationnaire

Significativité du Trend

Ho : b=0 , le trend est non significatif ;

H1 : b ≠ 0, le trend est significatif ;

Ainsi, nous rencontrons les cas de figures ci-après :

- Si |t−stat|<2 , on accepte l’hypothèse nulle ([Link])

- Si |t−stat|>2 , on rejette l’hypothèse nulle ([Link]),

Significativité de l’intercept

Ho : c=0, la constante est non significatif ; modèle sans dérive

H1 : c ≠ 0, le constante est significatif ; modèle avec dérive

Ainsi, nous rencontrons les cas de figures ci-après :

- Si |t−stat|<2 , on accepte l’hypothèse nulle ([Link])

- Si |t−stat|>2 , on rejette l’hypothèse nulle ([Link]),

Tableau 1.5. Test de racine unitaire de DICKEY-FULLER AUGMENTÉ

Null Hypothesis: GDPCAUTA has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.097627 0.1163

Test critical values: 1% level -4.118444
5% level -3.486509
10% level -3.171541

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(GDPCAUTA)
Method: Least Squares

1
Avec VCM=Valeur Critique de MacKinnon ; =significativité au seuil de 5% ;
=significativité au seuil de 1%
Théorie et Pratique de Prévision par Gastonfils LONZO L. 8 Extrait de Cours de Prévision KAMIANTAKO
Date: 07/17/15 Time: 00:49
Sample (adjusted): 1951 2010
Included observations: 60 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

GDPCAUTA(-1) -0.258651 0.083500 -3.097627 0.0030

C 991.3829 233.8343 4.239681 0.0001
@TREND("1950") 90.28674 28.81753 3.133049 0.0027

R-squared 0.149342 Mean dependent var 333.7876

Adjusted R-squared 0.119495 S.D. dependent var 270.2865
S.E. of regression 253.6239 Akaike info criterion 13.95829
Sum squared resid 3666531. Schwarz criterion 14.06301
Log likelihood -415.7487 Hannan-Quinn criter. 13.99925
F-statistic 5.003491 Durbin-Watson stat 1.708452
Prob(F-statistic) 0.009954

Source : Auteur, à l’aide du logiciel Eviews 9.0

Il ressort de cet output du test d’ADF, que la série de GDPCAUTA est non stationnaire (
|t− ADF|=3,097627<¿, et le trend est significatif, la constante est significatif.
Ce qui nous amène à mettre fin à l’étude de la stationnarité de notre série et à
rejoindre la conclusion des tests préliminaires : notre série présente donc une non
stationnarité de type Déterministe (TS : Trend stationnarity).

STATIONNARISATION DE LA SERIE GDPCAUTA

Etant donné que la série que la série GDPCAUTA présente donc une non stationnarité de
type Déterministe (TS : Trend stationnarity).

Nous allons la stationnariser par l’extraction du trend grâce à la méthode d’écart à la

tendance. En d’autres termes, la stationnarisation de GDPCAUTA se fera en deux étapes suivantes :
- Estimer par MCO : ^ ^ t avec W t =le résidu
GDPCAUTA t =^a0 + a^ 0 t+ W
- ^ t =GDPCAUTA t −^
Générer le résidu: W GDPCAUTA t❑

Lorsque nous sommes en présence d’une série non stationnaire de type TS, c’est la tendance déterministe
qui perturbe la série. Ainsi pour stationnariser une variable TS il faut appliquer l’écart à la tendance.

Supposons une variable MT, elle est dite non stationnaire si l’on constate qu’avoir effectué le test de Dickey
Fuller : D ( GDPCAUTA t )=α + β @ trend + ρ GDPCAUTA t−1 +ut . Le coefficient β est significatif.

Les trois étapes à suivre sont les suivantes :

- GENR T = @TREND(t-1) : générer le temps, si l’année sous étude comme à 1970 taper 1969 [ex : GENR T =
@TREND(1969)]
- LS GDPCAUTA C T : estimer le modèle qui prend en compte la tendance
- GENR WT = RESID : la commande qui nous permet d’élaguer la tendance

Théorie et Pratique de Prévision par Gastonfils LONZO L. 9 Extrait de Cours de Prévision KAMIANTAKO
L’élimination de la tendance dans la variable residu peut être observée par l’estimation suivante :

Dependent Variable: GDPCAUTA

Method: Least Squares
Date: 07/17/15 Time: 01:04
Sample: 1950 2010
Included observations: 61

Variable Coefficient Std. Error t-Statistic Prob.

C 3028.558 100.0376 30.27420 0.0000

T 344.4427 2.875878 119.7696 0.0000

R-squared 0.995904 Mean dependent var 13361.84

Adjusted R-squared 0.995834 S.D. dependent var 6127.430
S.E. of regression 395.4724 Akaike info criterion 14.83028
Sum squared resid 9227508. Schwarz criterion 14.89949
Log likelihood -450.3234 Hannan-Quinn criter. 14.85740
F-statistic 14344.75 Durbin-Watson stat 0.467845
Prob(F-statistic) 0.000000

Nous constatons que le coefficient de tendance est significatif. D’où nous allons extraire le temps qui est
significatif dans la série GDPCAUTA.

Nous constatons que le coefficient de la tendance n’est plus significativement différent

de 0. De plus, notre variable WT n’est pas encore stationnaire comme nous l’indiquent les
résultats suivants :
Test de Stationnarité sur la série extrait du trend
Null Hypothesis: WT has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Théorie et Pratique de Prévision par Gastonfils LONZO L. 10 Extrait de Cours de Prévision KAMIANTAKO
Augmented Dickey-Fuller test statistic -3.097627 0.1163
Test critical values: 1% level -4.118444
5% level -3.486509
10% level -3.171541

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(WT)
Method: Least Squares
Date: 07/17/15 Time: 01:09
Sample (adjusted): 1951 2010
Included observations: 60 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

WT(-1) -0.258651 0.083500 -3.097627 0.0030

C -47.30847 66.31273 -0.713415 0.4785
@TREND("1950") 1.196350 1.890672 0.632765 0.5294

R-squared 0.149342 Mean dependent var -10.65507

Adjusted R-squared 0.119495 S.D. dependent var 270.2865
S.E. of regression 253.6239 Akaike info criterion 13.95829
Sum squared resid 3666531. Schwarz criterion 14.06301
Log likelihood -415.7487 Hannan-Quinn criter. 13.99925
F-statistic 5.003491 Durbin-Watson stat 1.708452
Prob(F-statistic) 0.009954

Ainsi, nous allons stationnariser cette série au moyen de la méthode de différence première
GENR DWT=WT-WT(-1) ou GENR DWT=D(WT).
Ce qui conduit donc à la série DWT
Test d’ADF

Null Hypothesis: D(WT) has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.138024 0.0000

Test critical values: 1% level -2.604746
5% level -1.946447
10% level -1.613238

*MacKinnon (1996) one-sided p-values.

Source: Auteur, calcul àl’aide du logiciel Eviews

La représentation graphique de la série stationnarisée est donnée sur la figure ci-dessous.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 11 Extrait de Cours de Prévision KAMIANTAKO
Source : Auteur, Eviews 9.0

Identification de la série stationnaire

Commande : Ident DWT

Source : Auteur, Eviews 9.0

IDENTIFICATION DU MODELE OPTIMAL PROVISOIRE

Cette phase consiste à déterminer les modèles adéquats dans la famille ARIMA, SARIMA. Elle est fondée
sur l’étude des corrélogrammes simples et partiels de la série étudiée (éventuellement stationnarisée).
Ainsi, observons le corrélogramme de WT

Théorie et Pratique de Prévision par Gastonfils LONZO L. 12 Extrait de Cours de Prévision KAMIANTAKO
Source : Auteur, Eviews 9.0
Nous constatons que les corrélogrammes partiels ont leur premier terme différent de 0. Nous pouvons donc
anticiper un processus de type ARIMA(1,0,0). Ceci ne pourra être confirmer qu’en identifiant le résidu de
l’estimation de l’équation :
^ t =ϴ1 AR(1)+ v t ou
W ^ t =ϴ1 W t −1 + v t
W
3) ESTIMATION.
Après avoir identifié le modèle, il convient de passer à la phase d’estimation des paramètres de ce modèle.
Elle consiste à trouver une chronique permettant de transformer la variable observée et d’obtenir un ou plusieurs
estimateurs. En estimant par les MCO notre modèle, nous avons :
Dependent Variable: WT
Method: Least Squares
Date: 07/17/15 Time: 01:30
Sample (adjusted): 1951 2010
Included observations: 60 after adjustments
Convergence achieved after 4 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C -41.80762 126.5526 -0.330358 0.7423

AR(1) 0.741198 0.083067 8.922937 0.0000

R-squared 0.578546 Mean dependent var -11.29195

Adjusted R-squared 0.571280 S.D. dependent var 385.3422
S.E. of regression 252.3095 Akaike info criterion 13.93196
Sum squared resid 3692286. Schwarz criterion 14.00177
Log likelihood -415.9587 Hannan-Quinn criter. 13.95926
F-statistic 79.61881 Durbin-Watson stat 1.696273
Prob(F-statistic) 0.000000

Inverted AR Roots .74

Le modèle AR(1) estimé est

^ t =ϴ1 AR(1)+ v t ou
W ^ t =ϴ1 W t −1 + v t avec v t iid ( 0 , σ 2)
W

Théorie et Pratique de Prévision par Gastonfils LONZO L. 13 Extrait de Cours de Prévision KAMIANTAKO
 ^ =0.741198∗W + v
W t t−1 t

t-stat (8,9229)
le coefficient ϴ 1 est statistiquement significatif. La constante étant non significatif, il ne sera pas pris en compte
dans le modèle final.

5. VALIDATION DU MODELE
Le modèle ne peut être mis à défaut. Ces tests dans Eviews sont dans Views/ Residual Tests. Nous allons
diagnostiquer notre modèle à partir des tests suivants :

Test de portemanteau/Test de bruit blanc(Q-Q plot simple)

Une des premières validations du modèle consiste à vérifier que le résidu issu de l’estimation est un bruit blanc.
Cela équivaut à faire le Test de bruit blanc normal.
Les hypothèses de ce test sont :
H 0 :φ1=φ2=…=φ p=0 , la série des résidus est un bruit blanc
H 1 : Au moins un φ i ≠ 0 , la série des résidus n’est pas un bruit blanc
Il est basé sur l’observation des corrélogrammes et sur le test de BOX-PIERCE & LJUNG-BOX. Ainsi en
visualisant les corrélogrammes du résidu, nous avons :

Source : Auteur, Eviews 9.0

Les hypothèses du test sont :
H0 : les résidus sont des bruits blancs (prob-kième lag>5%)
H1 : les résidus ne sont pas des bruits blancs (prob-k ième lag<5%)

Théorie et Pratique de Prévision par Gastonfils LONZO L. 14 Extrait de Cours de Prévision KAMIANTAKO
Les Prob (Q-stat) n’étant pas inférieures à 5%, nous acceptons l’hypothèse nulle. Les residus du modèle
estimé sont des bruits blancs. Par conséquent, le modèle ARIMA(1,0,0) estimé est celui qui a généré notre
variable(GDPCAUTA). Il est donc opportun de choisir un modèle AR dont le décalage est égal à 1.
Condition de stationnarité
^ t =ϴ1 W t −1 + v t [1]. Tester les conditions de stationnarité sur le modèle [1]
Soit notre modèle théorique : W
estimé revient à vérifier que les racines caractéristiques du polynôme de retard associé à ce modèle – soit le
polynôme : ( 1−ϴ 1 L )=1 – sont toutes supérieures à 1 en valeur absolue (càd : |L|>1 ) et que le paramètre

«ϴ 1 » estimé soit, en valeur absolue, inférieur à l’unité (compris dans le cercle unité du plan complexe. Càd

|ϴ1|<1 ). Ainsi, écrivons notre polynôme retard d’ordre 1 (degré du lag optimal : L1 ) et calculons la

racine caractéristique associée « L » comme suit : ϴ 1 L=0 avec |L j|>1:

−1
( 1−0.741198 L )=0=¿ L= =1.3491672>1 (|^
ϴ1|<1)
−0.741198
Le modèle estimé respecte les conditions de stationnarité. Le modèle est convergent, et la série GDPCAUTA est
stationnaire.
Test de Student des paramètres (significativité statistique)
Ce test consiste à vérifier que les paramètres du modèle qui ont été estimés sont statistiquement différents de 0,
en supposant que les estimateurs sont normalement distribués.
Les hypothèses du test sont :
H 0 :ϴ1=0 , le coefficient est non significatif
H 1 : ϴ1 ≠ 0 , le coefficient est significatif
Ainsi, au risque de 5%, tous le paramètre du modèle est statistiquement différent de Zéro car ils sont
en valeur absolue supérieurs à 2.
Le paramètre «ϴ1» estimé est statistiquement significatif (prob-t student<5%|tc|>|tt|).
TEST DE LINÉARITÉ : View/Stability Test/Ramsey RESET Test…→Fitted : 2→ok.
Ce test consiste à vérifier la bonté de la relation présentée par le modèle. On va recourir à la statistique de Fisher.
Les hypothèses du test sont :
H 0 :φ1=φ2=…=φ p=0 , mauvaise spécification
H 1 : Au moins un φ i ≠ 0 , Bonne spécification
φ i coefficient d’autocorrélation
Généralement, lorsque l’hypothèse nulle du test de student est rejetée, nous pouvons accepter l’hypothèse
alternative pour le test de linéarité c’est-à-dire le modèle est globalement bon.
Ramsey RESET Test
Equation: UNTITLED
Specification: WT AR(1)
Omitted Variables: Powers of fitted values from 2 to 3

Value df Probability
F-statistic 0.737476 (2, 57) 0.4828
Likelihood ratio 1.532833 2 0.4647

F-test summary:

Théorie et Pratique de Prévision par Gastonfils LONZO L. 15 Extrait de Cours de Prévision KAMIANTAKO
 Mean
Sum of Sq. df Squares
Test SSR 93310.10 2 46655.05
Restricted SSR 3699310. 59 62700.18
Unrestricted SSR 3606000. 57 63263.16
Unrestricted SSR 3606000. 57 63263.16

LR test summary:
Value df
Restricted LogL -416.0157 59
Unrestricted LogL -415.2493 57

Avec la Prob/F-stat 0,4828 >0, on accepte H0. Le modèle respecte l’hypothèse de linéarité.
Test d’autocorrélation des erreurs : VIEW/RESIDUAL TESTS/ SERIAL CORRELATION LM TEST
Le test de Breusch-Godfrey s’utilise pour des processus autorégressifs d’ordre 2 .
Les hypothèses du test sont :
H0 : = 0 : absence d’autocorrélation
H1 :  ≠ 0 : présence d’autocorrélation
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.625714 Probability 0.201779
Obs*R-squared 1.417629 Probability 0.492227

La statistique chi2 (obs*R-squared) a une probabilité qui est supérieure au seuil de

significativité de 5% nous rejetons l’hypothèse de recherche. Donc il y a absence
d’autocorrélation des erreurs.

Test d’hétéroscédasticité : view/residual test /arch lm test

Nous avons choisit le test d’Hétéroscédasticité conditionnelle autorégressive, en sigle ARCH.
Les hypothèses du test sont :

H0 : 1= 2 =… = k= 0 : homoscédasticité

H1 : 1≠ 2≠…..≠ k≠ 0 : hétéroscédasticité

Heteroskedasticity Test: ARCH

F-statistic 8.840199 Prob. F(1,105) 0.0037

Obs*R-squared 8.309027 Prob. Chi-Square(1) 0.0039

La probabilité associée à la statistique chi2 (obs*R-squared) est inférieure au seuil de

significativité de 5%, nous rejetons l’hypothèse nulle donc le modèle estimé est
hétéroscéstastique.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 16 Extrait de Cours de Prévision KAMIANTAKO
Test de normalité des erreurs : VIEW/ RESIDUAL TESTS/ HISTOGRAM – NORMALITY TEST
Le test que nous utilisons est celui de Jarque et Bera. Il stipule que les erreurs suivent une
distribution normale de moyenne nulle et de variance constante.

Ce test se formule avec les hypothèses suivantes :

H0 : les résidus sont normalement distribués
H1 : les résidus ne sont par normalement distribués

Les résidus de ce modèle ne sont pas normalement distribués. Ils suivent un processus bruit
blanc non gaussien.

PERFORMANCE DE LA PREVISION.
Nous la lisons en comparant les valeurs prévues calculées aux données réelles dans l’échantillon (l’on parle
mieux de la « prévision in casting »).

L’ajustement de la prévision in casting est bien fait car la série prédite est plus proche de la série actuelle de
GDPCAUTA.
La visualisation des graphiques de la prévision dans l’intervalle de temps de la période sous étude permet de
vérifier la performance de la prévision. Partant de l’équation suivante :

Théorie et Pratique de Prévision par Gastonfils LONZO L. 17 Extrait de Cours de Prévision KAMIANTAKO
^ ^ t +h−1 +0.454 W
GDPCAUTA t =7.1167+ 0.863 ( t+h )+ 0.454 W ^ t+ h−2
, nous pouvons calculés les valeurs prévues et les comparer aux valeurs actuelles en vue de dégager les erreurs
de prévision dans l’intervalle de temps considéré

Prévision dans l’echantillon (Prévision in casting) View/Actual,Fitted,Resid Table

PREVISION FORECASTING
Calculs préliminaires
^
^ t =GDPCAUTA t −c− d∗T
W
^
^ t +c + d∗T
GDPCAUTA t =W
GDPCAUTA t +h=W ^
^ t +h +c + d∗(T + h)
^ t =ϴ1 W
avec W ^ t −1
^ t +h =ϴ1 W
W ^ t +h −1
Prévision (Ponctuelle pour h=4 années)
Pour h=1 (année 2011)
^ t =ϴ1 W
W ^ t −1  W
^ t =0 . 741198∗W t −1+ v t s

Cet encadré est une feuille EXCEL active, vous pouvez double cliquer pour obtenir les formules

Théorie et Pratique de Prévision par Gastonfils LONZO L. 18 Extrait de Cours de Prévision KAMIANTAKO
 année gdpcauta WT Trend
2006 22909.95 592.603688 57
2007 23744.36 1082.57104 58
2008 24244.70 1238.46838 59
2009 23288.54 -62.134268 WT+h 60
2010 23733.33 38.2130799 61
2011 24412.33 28.3234584 62
2012 24749.44 20.9932907 63
2013 25088.45 15.5601851 64
2014 25428.87 11.5331781 65

coeff.
C 3028.558
T 344.4427

Théorie et Pratique de Prévision par Gastonfils LONZO L. 19 Extrait de Cours de Prévision KAMIANTAKO
Série AA
Q1.

Yt
70
60
60

50

40

30 Yt

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12

Mois Yt ܵ ௧ൌߙ ܻ ௧൅ ͳെߙ ሺܵ ௧ି ଵ ൅ ܶ ‫ݐ‬െͳ) ߚሺܵ ‫ ݐ‬െܵ ‫ݐ‬െͳͿ+(1-ߚ)ܶ ‫ݐ‬െͳ

ܲ ௧ା௠ ൌܵ ‫ݐ‬൅ ܶ ‫݉ݐ‬
ܶ ௧ൌ
1 20 6,00 0,00
2 22 10,80 2,40
3 33 19,14 5,37 12,60
4 58 34,56 10,39 21,21
5 34 41,67 8,75 37,45
6 32 44,89 5,99 57,62
7 40 47,62 4,36 51,48
8 41 48,68 2,71 49,57
9 45 49,47 1,75 51,09
10 50 50,86 1,57 50,03
11 60 54,70 2,70 50,93
12 65 59,68 3,84 54,40
12+1=13 62,03
13+1=14 36,05

ܵ ௧ൌͲǡ͵ ܻ ௧൅ ͳെͲǡ͵ ሺܵ ௧ି ଵ ൅ ܶ ‫ݐ‬െͳ)

ܶ ௧ൌͲǡͷሺܵ ‫ݐ‬െܵ ‫ݐ‬െͳͿ+(1-0,5)ܶ ‫ݐ‬െͳ

ܲ ௧ା௠ ൌܵ ‫ݐ‬൅ ܶ ‫݉ݐ‬

Nous avons opté par la méthode de lissage de Holt est linéaire et il tient de compte du temps et l'absence de saisonnalité.

Question 2.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 20 Extrait de Cours de Prévision KAMIANTAKO
 Prévison du PIB par Lissage de Holt avec ߙൌͲǡ͸ ݁ c‫ݐ‬
ߚൌͲǡ4

Trimestre période PIBt ܵ ௧ൌߙ ܻ ௧൅ ͳെߙ ሺܵ ௧ି ଵ ൅ ܶ ‫ݐ‬െͳ) ߚሺܵ ‫ ݐ‬െܵ ‫ݐ‬െͳͿ+(1-ߚ)ܶ ‫ݐ‬െͳ
ܲ ௧ା௠ ൌܵ ‫ݐ‬൅ ܶ ‫݉ݐ‬
ܶ ௧ൌ
2010Q1 1 1809,6 1085,76 0,00
2010Q2 2 1840,7 1864,45 311,48
2010Q3 3 1872 2646,35 499,65 1831,54
2010Q4 4 1903,6 3344,36 578,99 2474,44
2011Q1 5 1934,2 3906,86 572,40 2960,59
2011Q2 6 1966,9 4315,62 506,94 3283,89
2011Q3 7 2000,4 4576,03 408,33 3459,16
2011Q4 8 2034,8 4709,93 298,56 3517,49
2012Q1 9 2065,8 4745,42 193,33 3492,54
2012Q2 10 2103,4 4719,17 105,50 3417,61
2012Q3 11 2143,5 4663,37 40,98 3320,48
2012Q4 12 2186,1 4604,70 1,12 3232,88
2013Q1 13 2231,2 4562,79 -16,09 3168,96
2013Q2 14 2278,7 4549,91 -14,81 3137,90
2013Q3 15 2328,7 4571,79 -0,13 3142,59
2013Q4 16 2381,2 4628,88 22,76 3181,13
2013Q1 17 3248,64
Prévision
2013Q2 18 1451,48

Question 3
III.

a. Une ère de prospérité (Ct)

b) La hauteur de pluie en cm tombant chaque mois sur une ville pendant 5 ans est associé à un mouvement de Saisonnier (St)

c) Une incendie dans une usine entrainant un rétard de trois semaines dans la production (At)

Théorie et Pratique de Prévision par Gastonfils LONZO L. 21 Extrait de Cours de Prévision KAMIANTAKO
Série AA
Q1.

Yt
70
60
60

50

40

30 Yt

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12

Mois Yt ܵ ௧ൌߙ ܻ ௧൅ ͳെߙ ሺܵ ௧ି ଵ ൅ ܶ ‫ݐ‬െͳ) ߚሺܵ ‫ ݐ‬െܵ ‫ݐ‬െͳͿ+(1-ߚ)ܶ ‫ݐ‬െͳ

ܲ ௧ା௠ ൌܵ ‫ݐ‬൅ ܶ ‫݉ݐ‬
ܶ ௧ൌ
1 20 6,00 0,00
2 22 10,80 2,40
3 33 19,14 5,37 12,60
4 58 34,56 10,39 21,21
5 34 41,67 8,75 37,45
6 32 44,89 5,99 57,62
7 40 47,62 4,36 51,48
8 41 48,68 2,71 49,57
9 45 49,47 1,75 51,09
10 50 50,86 1,57 50,03
11 60 54,70 2,70 50,93
12 65 59,68 3,84 54,40
12+1=13 62,03
13+1=14 36,05

ܵ ௧ൌͲǡ͵ ܻ ௧൅ ͳെͲǡ͵ ሺܵ ௧ି ଵ ൅ ܶ ‫ݐ‬െͳ)

ܶ ௧ൌͲǡͷሺܵ ‫ݐ‬െܵ ‫ݐ‬െͳͿ+(1-0,5)ܶ ‫ݐ‬െͳ

ܲ ௧ା௠ ൌܵ ‫ݐ‬൅ ܶ ‫݉ݐ‬

Nous avons opté par la méthode de lissage de Holt est linéaire et il tient de compte du temps et l'absence de saisonnalité.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 22 Extrait de Cours de Prévision KAMIANTAKO
Question 2.
Prévison du PIB par Lissage de Holt avec ߙൌͲǡ͸ ݁ ‫ ߚݐ‬ൌͲǡ4

Trimestre période PIBt ܵ ௧ൌߙ ܻ ௧൅ ͳെߙ ሺܵ ௧ି ଵ ൅ ܶ ‫ݐ‬െͳ) ߚሺܵ ‫ ݐ‬െܵ ‫ݐ‬െͳͿ+(1-ߚ)ܶ ‫ݐ‬െͳ
ܲ ௧ା௠ ൌܵ ‫ݐ‬൅ ܶ ‫݉ݐ‬
ܶ ௧ൌ
2010Q1 1 1809,6 1085,76 0,00
2010Q2 2 1840,7 1864,45 311,48
2010Q3 3 1872 2646,35 499,65 1831,54
2010Q4 4 1903,6 3344,36 578,99 2474,44
2011Q1 5 1934,2 3906,86 572,40 2960,59
2011Q2 6 1966,9 4315,62 506,94 3283,89
2011Q3 7 2000,4 4576,03 408,33 3459,16
2011Q4 8 2034,8 4709,93 298,56 3517,49
2012Q1 9 2065,8 4745,42 193,33 3492,54
2012Q2 10 2103,4 4719,17 105,50 3417,61
2012Q3 11 2143,5 4663,37 40,98 3320,48
2012Q4 12 2186,1 4604,70 1,12 3232,88
2013Q1 13 2231,2 4562,79 -16,09 3168,96
2013Q2 14 2278,7 4549,91 -14,81 3137,90
2013Q3 15 2328,7 4571,79 -0,13 3142,59
2013Q4 16 2381,2 4628,88 22,76 3181,13
2013Q1 17 3248,64
Prévision
2013Q2 18 1451,48

Question 3
III.

a. Une ère de prospérité (Ct)

b) La hauteur de pluie en cm tombant chaque mois sur une ville pendant 5 ans est associé à un mouvement de Saisonnier (St)

c) Une incendie dans une usine entrainant un rétard de trois semaines dans la production (At)

Théorie et Pratique de Prévision par Gastonfils LONZO L. 23 Extrait de Cours de Prévision KAMIANTAKO
Théorie et Pratique de Prévision
Introduction
Une première information sur des erreurs de prévision nous est fournie par le diagramme des
réalisations et des prévisions. Chaque point du diagramme représente le couple réalisation -
prévision. Traçons une droite à 45 degrés passant par l'origine. Cette droite est, par construction,
le lieu des points où Yt = Pt. C'est la droite des prévisions parfaites. Chaque point situé sur cette
droite représente un cas de prévision parfaite, alors que chaque point situé en dehors représente
une prévision erronée.
La dispersion des points autour de la droite à 45 degrés caractérise la prévision. Si cette
dispersion est faible, les prévisions seront dans leur ensemble précises, elles seront imprécises
dans le cas contraire. Une mesure de la dispersion autour de cette droite nous est donnée par
l'erreur quadratique moyenne E(Yi - Pi)2. Il est à noter que ce critère ne fait aucune
discrimination entre le signe des erreurs. On considère que le coût de l'erreur est identique quel
que soit son signe. Considérons le point des coordonnées [E(Yi), E(Pi). La prévision sera
considérée comme non biaisée si ce point se trouve sur la droite à 45. Dans le cas contraire E(Y i)
différera de E(Pi). La différence E(Yi) - E(Pi) = E(ui) nous donne le biais de la prévision. D'après
le signe du biais, les prévisions seront surestimées (signe négatif) ou sous-estimées (signe
positif).
Il existe en fait un grand nombre d'indicateurs statistiques permettant d'évaluer l'exactitude d'une
prévision. Ainsi, pour déterminer la justesse d'une prévision, on pourrait ajouter les erreurs de
plusieurs périodes afin d'obtenir une indication de l'erreur moyenne (le rapport entre la somme
des erreurs prévisionnelles et le nombre de périodes de l'horizon temporel).
L’erreur moyenne est définie par :

(1.1)
Cet indicateur n'est pas vraiment utile, la somme des erreurs s'annulant du fait de la
compensation des erreurs positives par les erreurs négatives. Cet indicateur signale la présence
ou l’apparition d’un biais systématique : prévision en moyenne trop forte ou trop faible. On
peut donc apprécier le centrage statistique du modèle : un modèle correct avec variations
aléatoires donnera une valeur nulle de e.
Puisque des termes de signes contraires, même importants, peuvent se compenser au moins
partiellement pour donner une valeur de e qui semble acceptable, on définit l’écart moyen
absolu (que nous noterons MAD, pour Mean Absolute Deviation, en anglais) donné parla
formule :

MAD =
(1.2)
qui évite ces compensations et contrôle l’écart entre observation et prévision.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 24 Extrait de Cours de Prévision KAMIANTAKO
Remarque : MAD et écart type
La MAD est simple à calculer. Elle est souvent utilisée à la place de l’écart type. Il faut
connaître la correspondance facile à retenir 3σ= 4MAD (ce qui correspond à un filtre à 99,7 %
pour une loi normale, c’est-à-dire où le risque d’accepter une valeur à rejeter est inférieure à
0,3 %). On pourra utiliser cette grandeur pour évaluer les stocks de sécurité permettant de
couvrir l’incertitude de la prévision.
MAD lissée
On préfère parfois calculer la MAD lissée (lissage exponentiel) :
MADi = b│yi– pi│– (1 – b) MADi-1 (1.3)
On choisit un coefficient b petit (par exemple 0,1), ce qui assure un lissage à long terme de la
MAD
Qualité du modèle de prévision
L’observation simultanée de e et MAD permet d’avoir une bonne idée de la qualité du modèle
de prévision. Afin de maîtriser un système de prévision de nombreux articles, il faut mettre en
place des fourchettes pour ces indicateurs. Le suivi de ces indicateurs et de leur comportement
nous alertera d’une quelconque modification et nous permettra de réagir.
Un autre indicateur utilisé pour prévenir d’un processus de prévision qui devient hors contrôle
est le signal d’alerte Ai suivant :

Ai = (1.4)
Cette valeur peut naturellement être positive ou négative, mais doit rester dans des limites
raisonnables et non biaisées (systématiquement négative ou positive). D’une manière
analogue à un contrôle statistique de la qualité où l’on souhaite une valeur dans une fourchette
de plus ou moins trois écarts types, si le signal d’alerte Ai dépasse quatre en valeur absolue
(car 3σ= MAD), on soupçonnera un changement dans la demande. Il nous restera à en
rechercher les causes et à modifier le modèle.
Il existe également d’autres indicateurs tels que la moyenne des carrés des erreurs
appelée aussi l'erreur carrée moyenne (Mean Square Error, MSE) ou la racine carrée de
cette dernière (Root Mean Square Error, RMSE) ou encore la racine carrée de l'erreur
carrée moyenne en pourcentage (Root Mean square Percentage Error, RMSPE). On peut
également chercher l'erreur absolue moyenne en pourcentage (Mean Absolute Percent Error,
MAPE).
Désignons les prévisions par Pt, les réalisations par Yt et la moyenne des erreurs par 0.
En négligeant l'indice t, l'erreur carrée moyenne (MSE) pour n périodes sera définie par :

∑ (Y t −Pt )2
MSE = n 1.5
ou
∑ e 2 = ∑ ( e−e +e )2 = ∑ ( e−e )2 +e 2
MSE = n n n 1.6
1 100 |Y −P|
∑ Y
MAPE = n 1.7

Théorie et Pratique de Prévision par Gastonfils LONZO L. 25 Extrait de Cours de Prévision KAMIANTAKO
 √ [ ]
2
100 P−Y
n
∑ Y
RMSPE = 1.8

RMSE = √ ∑ ( Y t −Pt )2
n =√ MSE
Autant l'erreur calculée est minimale, autant la prévision sera exacte.
1.9

Un autre indicateur statistique fréquemment utilisé est le coefficient d'inégalité de Theil

basé sur une comparaison des écarts prévisionnels avec les écarts observés. Il est défini par :

√ ∑ ( P−Y )2
n

U=
√ ∑ P2 + ∑
n √ n
y2

1.10
où le numérateur est le RMSE tandis que le dénominateur est la somme des racines carrées des
moyennes des carrées des prévisions et des réalisations. L'avantage de cet indicateur est que sa
valeur est comprise entre 0 et 1. Si toutes les prévisions sont correctes, la valeur de U sera égale à
0. Dans ce cas, les prévisions se confondent avec les réalisations et P t - Yt = 0. Si U = 1, la
prévision est très mauvaise.
Tableau 4. La Prévision de la consommation intérieure de ciment en utilisant la méthode
des moyennes mobiles simples
(1) (2) (3) (4) (5)
Périodes Tonnes/
MM3 MM5
Années 1000
1990 1 417,6 - -
1991 2 256,1 - -
1992 3 198,0 - -
1993 4 142,0 290,6 -
1994 5 149,0 198,7 -
1995 6 197,0 163,0 232,5
1996 7 231,0 162,7 188,4
1997 8 128,4 192,3 183,4
1998 9 138,0 185,5 169,5
1999 10 150,1 165,8 168,7
2000 11 135,5 138,8 168,9
2001 12 137,7 141,2 156,6
2002 13 176,8 141,1 137,9
2003 14 - 150,0 147,6

La colonne 4 du tableau 4 se rapporte aux moyennes mobiles d’ordre trois calculées à

partir des valeurs de la période courante et de celles de deux périodes antérieures. Par
exemple, au temps t 3, la valeur 290,6 est la moyenne de la série entre les périodes 1, 2 et 3,
c’est-à-dire, (417,6 + 256,1 + 198,0)/3. Cette valeur moyenne a été utilisée en vue de prévoir
la consommation de la période 4 (l’année 1993). La dernière figure de cette colonne (150,0)

Théorie et Pratique de Prévision par Gastonfils LONZO L. 26 Extrait de Cours de Prévision KAMIANTAKO
est en fait la moyenne des valeurs des périodes il, 12 et 13. C’est cette valeur qui prédit la
production de la période 13 (l’année 1992). La colonne 5 reprend les moyennes mobiles sur
cinq ans. Ainsi, la valeur 232,5 est la moyenne mobile des valeurs observées aux temps 1, 2,
3, 4 et 5. Cette moyenne sert de prévision pour la période 6. Pour prévoir la consommation de
l’année 2003, on a retenu la moyenne des valeurs des périodes 9 à 13.

Au vu de la figure 1, il peut être noté que l’effet de lissage sur les données de la série
augmente avec le nombre d’observations incluses dans le calcul des moyennes.

Une autre manière plus concise et plus claire de calculer la moyenne mobile est donnée par
Y t− N
+Pt
N
Pt + 1 = – (2.7)

Dans cette dernière expression, chaque nouvelle prévision est tout simplement un
ajustement de la prévision précédente (Pt). Cet ajustement incorpore les observations les plus
récentes Yt, mais laisse tomber la valeur la moins récente (Y t - N). Ainsi, l’effet de lissage
s’accroît avec l’augmentation du nombre N des séries à traiter.

[Link].2 La moyenne mobile pondérée

Le principe de base consiste à calculer la tendance sous forme d’une moyenne

pondérée d’un certain nombre d’observations successives précédant la période courante t.
Etant donné que les informations contenues dans la série chronologique sont d’allure
complexe et imprécise, il peut être nécessaire de les pondérer en donnant, par exemple, plus
de poids aux informations récentes, représentatives de la situation actuelle, qu’aux
informations anciennes.
En pratique, cette pondération consiste à multiplier chaque valeur de la série par un
coefficient représentant le pourcentage d’information pour lequel cette valeur contribue à la
définition de la moyenne. La moyenne pour la période t+1 sera ainsi donnée par :

(2.8)
ou encore :
n
Pt +1 = ∑ b i Y t −i
i=0
(2.9)
dans laquelle b0, b1, ..., bi, ... seront les coefficients de pondération respectifs aux informations
Yt, Yt-1, ... Yi, ... avec la contrainte que la somme de termes de ces coefficients (puisqu’ils
représentent des pourcentages) soit égale à 1.

Tableau 5 : Prévision de la consommation du ciment en RDC par la technique de la

moyenne mobile pondérée

Coefficients de pondération
b0 = 0,6 b0 = 0,8 b0 = 0,85
b1 = 0,3 b1 = 0,15 b1 = 0,10
b2 = 0,1 b2 = 0,05 b2 = 0,05
Années Périodes Tonnes /1000

Théorie et Pratique de Prévision par Gastonfils LONZO L. 27 Extrait de Cours de Prévision KAMIANTAKO
 1990 1 417,6 - - -
1991 2 256,1 - - -
1992 3 198,0 - - -
1993 4 142,0 237,4 217,7 214,8
1994 5 149,0 170,2 156,1 153,3
1995 6 197,0 151,8 150,4 150,8
1996 7 231,0 177,1 187,1 189,5
1997 8 128,4 212,6 221,8 223,5
1998 9 138,0 166,0 147,2 142,1
1999 10 150,1 144,4 141,2 141,7
2000 11 135,5 144,3 147,2 147,8
2001 12 137,7 140,1 137,8 137,1
2002 13 176,8 138,3 138,0 138,1
2003 14 - 160,9 168,9 170,8

Le tableau 5 ci-haut nous donne une idée des résultats obtenus par la méthode de la
moyenne pondérée. Trois pondérations ont été prises en compte, la troisième est plus forte
que les deux premières. Dans la deuxième, la moyenne est formée de 80 % de l’information
contenue dans la dernière valeur Yt, 15 % de l’information de la valeur immédiatement
antérieure (c’est-à-dire, de la période t-1) et seulement de 5 % de l’information contenue dans
la valeur de la période t-2.

Avantages et inconvénients :
Le problème qui se pose en pratique consiste à déterminer la structure des coefficients
bi puisque de cette structure dépend le contenu informationnel de la moyenne. Etant donné
qu’il y a une infinité de combinaisons possibles, il en résulte une infinité de moyennes
possibles, toutes issues de la même série chronologique ; d’où, difficulté de stockage et
d’interprétation des coefficients de pondération
La méthode possède néanmoins des avantages évidents sur celle de la moyenne mobile
simple. D’abord, la moyenne calculée ici est valable pour la dernière période, c’est-à-dire,
celle correspondant à la dernière information de la série. Il n’y a donc plus de phénomène de
retard comme dans le cas de la moyenne mobile simple. Ensuite, en fonction de la structure
fixée pour ces coefficients, il est possible de rendre la moyenne plus ou moins sensible aux
changements de tendance.

[Link].3 Les Moyennes mobiles linéaires ou Moyennes mobiles doubles

La méthode des moyennes mobiles linéaires a été développée afin d’éviter la sous-
estimation des valeurs actuelles, sous-estimation qui survient lorsque la moyenne mobile
simple est appliquée aux données présentant une tendance linéaire.
La méthode des moyennes mobiles linéaires (ou doubles) calcule au départ un jeu de
moyennes mobiles simples, exactement comme nous l’avons fait précédemment, et calcule
ensuite une seconde moyenne mobile basée sur les valeurs de la première moyenne mobile
simple.
Si S’t est la moyenne mobile simple, S” t, la moyenne mobile double, Pt + m la prévision
pour m périodes à l’avance, et b, l’ajustement qu’on fait subir à la prévision, la prévision
fournie par la moyenne mobile linéaire peut s’obtenir mathématiquement de la façon
suivante :

Théorie et Pratique de Prévision par Gastonfils LONZO L. 28 Extrait de Cours de Prévision KAMIANTAKO
 ( Y t +Y t−1 +Y t −2 +⋯+ Y t −N +1 )
S't =
N
(2.10)
( S t + S t −1 + S t −2 +⋯+ St −N +1 )
S''t =
N
(2.11)
at = 2S’t – S’’t
(2.12)
2
bt=
N −1
( S tt −S ''t )
(2.13)
Pt + m = at + btm
(2.14)

La relation (2.13) est un terme correctif pour rendre la méthode plus précise.

Le tableau 6 contient les résultats de l’application des moyennes mobiles doubles (avec N = 4
et m = 1) à un exemple de prévision de la consommation trimestrielle de ciment en RDC. La
colonne 5 donne les résultats qu’on obtient lorsqu’on ajoute à la colonne 3 la différence entre
les colonnes 3 et 4 ; la colonne 6 calcule un terme correctif qui rend la méthode encore plus
précise.

Tableau 6 : Prévision de la consommation de ciment en RDC par la technique des

moyennes mobiles linéaires (doubles)

(1) (2) (3) (4) (5) (6) (7) (8) (9)

Années Trimestres Périodes Observé S′t = S″t = at bt bt+1 = at +
MM4 MM4 btm
1 1 29444 - - - - -
2 2 40244 - - - - -
3 3 28420 - - - - -
2000 4 4 34013 33030,3 - - - -
1 5 17267 29986,0 - - - -
2 6 35127 28706,8 - - - -
3 7 37662 31017,3 30685,1 31349,4 221,5 -
2001 4 8 37871 3191,8 30422,9 33540,6 1039,2 31570,9
1 9 40208 37717,0 32355,7 43078,3 3574,2 34579,9
2 10 42304 39511,3 35056,8 43965,7 2969,6 46652,5
3 11 50536 42729,8 37984,9 47474,6 3163,2 46935,3
2002 4 12 38484 42883,0 40710,3 45055,8 1448,5 50637,8
1 13 50622 45486,5 42652,6 48320,4 1889,3 46504,3
2 14 59735 49844,3 45235,9 54452,6 3072,3 50209,6
3 15 73145 55496,5 48427,6 62565,4 4712,6 57524,9

Théorie et Pratique de Prévision par Gastonfils LONZO L. 29 Extrait de Cours de Prévision KAMIANTAKO
 2003 4 16 64166 61917,0 53186,1 70647,9 5820,6 67278,1
1 17 68216 66315,5 58393,3 74237,7 5281,5 76468,6
2004 2 18 - - - - - 79519,1

Finalement, à la colonne 7, on présente la prévision elle-même. La prévision est

simplement la somme de la colonne 5 et de la colonne 6 multipliée par le nombre de périodes
à projeter. Pour le prévisionniste effectuant sa prévision une période à l’avance, la prévision
est simplement la somme des colonnes 5 et 6. Pour deux périodes à l’avance, la prévision
serait donnée par la colonne 5 plus deux fois la colonne 6, et ainsi de suite.
En utilisant cet ensemble d’équations pour préparer une prévision de la période 18,
sachant que l’on est à la période 17, on obtient :
Pt + 1 = P18 = a17 + b17 (1)
= [2(66315,5) – 58393,3] + (5281,5) = 74237,7 + 5281,5 = 79519,1

Pour que le prévisionniste puisse appliquer cette méthode de prévision, il faut qu’il ait
à sa disposition 2N-1 relevés de données, ou pratiquement deux fois le nombre exigé par le
lissage simple. Il est clair que cette nécessité d’un stockage de données substantiel rend la
méthode des moyennes mobiles doubles moins attrayantes que le lissage exponentiel double
décrit à la section suivante.

[Link] Le lissage exponentiel

Nous avons vu que les moyennes mobiles calculées précédemment avaient deux
inconvénients majeurs. Primo, pour les obtenir, il faut disposer de N observations sur le passé.
Or, dans le cas où le nombre des séries chronologiques devenait important, ceci poserait un
problème de stockage de l’information. Secundo, un même poids est donné à chacune des N
observations antérieures (c’est-à-dire, l’estimation est linéaire), et aucun poids n’est donné
aux observations antérieures à la période (t - N).
Avec la moyenne mobile, un second filtre linéaire est couramment utilisé pour la
décomposition des chroniques : il s’agit du lissage exponentiel qui est une technique
introduite par Holt en 1957, mais surtout par Brown en 1962 et utilisée dans le cas d’une
chronique affectée d’une tendance aléatoire.
Le lissage regroupe l’ensemble des techniques empiriques qui ont pour
caractéristiques communes d’accorder un poids plus important aux valeurs récentes de la série
chronologique. On donne ainsi à chaque observation un poids d’autant plus faible qu’elle est
ancienne et ces poids décroissent exponentiellement dans le passé. Ces méthodes portent aussi
le nom de filtrage, car il s’agit d’une opération mathématique transformant un entrant x t en
une nouvelle chronique sortante yt.
Nous étudierons plusieurs types de lissage exponentiel à savoir :

o le lissage exponentiel simple qui s’applique lorsque la série chronologique est sans
tendance ni saisonnalité ;

o le lissage exponentiel double ou linéaire ;

o le lissage exponentiel quadratique.

[Link].1 Le lissage exponentiel simple (L.E.S.) ou Lissage de Brown

Théorie et Pratique de Prévision par Gastonfils LONZO L. 30 Extrait de Cours de Prévision KAMIANTAKO
 Le lissage exponentiel simple (single exponential smoothing), développé par R.G.
BROWN, est un cas particulier de la moyenne mobile pondérée. Cette technique, qui ne peut
pas être employée en présence d’une tendance ou d’une saisonnalité, est basée sur l’idée que
les observations récentes contiennent plus d’information sur le futur que les anciennes. Par
conséquent, les observations récentes devront être affectées d’un poids plus important que les
anciennes.
La technique du lissage exponentiel peut être aisément dérivée de la relation (2.7) des
moyennes mobiles simples que nous reprenons ci-après :
Y t− N
+Pt
Pt + 1 = – N (2.7)
Dans le cas où Yt – N n’est pas disponible, on peut supposer que sa valeur peut être
approximativement égale à la valeur prédite de la période précédente, P t. En fait, si les
données sont stationnaires, cette approximation est plutôt bonne. Nous pouvons donc écrire
(2.7) comme :
Pt
+ Pt
Pt + 1 = - N
(2.15)

Pt + 1
=
( 1
N ) Y +(1− ) P
t
1
N t

(2.16)
Il est clair qu’une telle prévision est basée sur la pondération de l’information plus récente par

un poids plus élevé

1
N ( )
et celle de la prévision la plus récente par un poids de

valeur
(
1−
1
N )
. Puisque N est un nombre positif,
1
N
devra se situer entre 0 (si N = ∞) et 1 (si
1
N
N = 1). En posant α = , l’équation (2.16) devient :

Pt + 1 = α Y t + ( 1−α ) P t
(2.17)

avec 0 ≤ α ≤ 1 où

Yt = valeur de la série chronologique à la période t ;

Pt + 1 = prévision pour la période t+1;
Pt = valeur prédite à la période t ;
α = coefficient de pondération appelé aussi “constante de lissage”. Il est généralement
compris entre 0 et 1. Une valeur recommandée par Brown, l’auteur de la méthode, est α
= 0,3.
Si α = 0, on a Pt + 1 = Pt, de sorte que les observations n’interviennent pas dans la prévision.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 31 Extrait de Cours de Prévision KAMIANTAKO
Si α = 1, on a Pt + 1 = Yt, ce qui signifie que la prévision est égale à la dernière valeur observée,
et on retrouve la formule de la méthode de prévision naïve n°1.
C’est la formule générale utilisée dans le calcul des prévisions par la méthode du
lissage exponentiel. Cette formule réduit sensiblement le problème de stockage, étant donné
qu’il n’est plus nécessaire de conserver toutes les données historiques (comme dans le cas de
la moyenne) ou une partie d’entre elles (comme dans le cas de la moyenne mobile). Mieux,
seules l’observation récente, la prévision récente et une valeur de α ont besoin d’être stockées.
Avant d’appliquer la formule (2.17), il est nécessaire de disposer au préalable de la
valeur de α et d’une prévision initiale (P1). Bien que le choix de la constante α constitue une
question cruciale pour l’opération de lissage, il n’existe aucun critère absolu pour déterminer
la meilleure constante α, cette dernière dépendant de l’objectif poursuivi par le prévisionniste.
La prévision, par exemple, peut nécessiter une sensibilité assez élevée aux dernières
observations.
Généralement, la valeur de α peut être obtenue par tâtonnements. On essaie un certain
nombre de valeurs de α telles que 0,1, 0,3, 0,5, 0,7 et 0,9 et on conserve celle qui minimise
l’écart- type de l’erreur quadratique moyenne (RMSE, Root Mean Square Error) ou toute
autre mesure d’erreur prévisionnelle, l’erreur quadratique moyenne (MSE, Mean Square
Error) notamment. Ce dernier critère est le plus largement utilisé.

Le tableau 7 illustre l’application du lissage exponentiel simple à la série se rapportant

à la production du pétrole brut en RDC pour la période allant de janvier à décembre 2003.
Trois différentes valeurs de α (α = 0,1, α = 0,5 et α = 0,9) ont été utilisées dans les calculs.
Dans la colonne (5), la prévision pour le mois de février est supposée identique à la
production réalisée en janvier (669123).

Pour prévoir la demande du mois de janvier 2004, nous utilisons la formule suivante:

Pjanvier 2004 = αY12 + (1 – α )P12

= 0,1(801468) + 0,9(740449,9) = 80146,8 + 666404,91 = 746651,7
Quant au choix de la prévision initiale P 1, soulignons que ce choix a d’autant plus
d’importance que α est proche de zéro et que la série chronologique est courte. On peut par
exemple prendre P1 = Y1 ou la moyenne de N dernières observations. Toutes les autres
possibilités de choix sont détaillées au paragraphe [Link].6 consacré aux valeurs d’origine
dans les méthodes de lissage exponentiel.
Les prévisions pour α = 0,5 et α = 0,9 sont obtenues de la même manière.
Dans ce tableau, l’erreur quadratique moyenne a été calculée pour les trois constantes
de lissage α = 0,1, α 0,5 et α = 0,9 et on a obtenu respectivement 7442,465, 3514,743 et 3
552,646. Ainsi, α = 0,5 serait la meilleure constante de lissage.
Tableau 7 : Prévision de la production du pétrole brut par la
technique de lissage exponentiel simple
Production
Mois Années Périodes Valeurs lissées exponentiellement
observée
α = 0,1 α = 0,5 α = 0,9
(1) (2) (3) (4) (5) (6) (7)
Janvier 2003 1 669,123 - - -
Février 2003 2 638,963 669,123 669,123 669,123

Théorie et Pratique de Prévision par Gastonfils LONZO L. 32 Extrait de Cours de Prévision KAMIANTAKO
 Mars 2003 3 803,996 666,107 654043 641,979
Avril 2003 4 765,073 679,895 729,019 787,794
Mai 2003 5 839,131 688,413 747,046 767,345
Juin 2003 6 798,341 703,485 793,088 831,952
Juillet 2003 7 808,675 712,970 795,714 801,702
Août 2003 8 775,990 722,541 802,194 807,977
Septembre 2003 9 736,753 727,886 789,092 779,188
Octobre 2003 10 774,116 728,772 762,922 740,996
Novembre 2003 11 804,734 733,307 768,519 770,804
Décembre 2003 12 801,468 740,449 786,626 801,341
Janvier 2004 13 - 746,551 794,047 801,455
MSE 7442,465 3514,743 3552,646

Nous pouvons aussi exprimer la prévision en fonction des données passées. Pour ce
faire, on substitue dans la relation (2.17) le terme Pt par sa valeur et obtenir :

D’une manière analogue, puisque à la période t-1, on a :

α Y t−2 + ( 1−α ) Pt−2
Pt + 1 =
(2.19)
On peut porter cette dernière dans (2.18) et l’on obtient :

Remplaçons à présent P2 par sa valeur, et, en continuant ce processus indéfiniment,

nous arrivons au résultat suivant :
α Y t +α ( 1−α ) Y t−1 +α (1−α )2 Y t−2 +α (1−α )3 Y t−3 +α (1−α )4 Y t−4 +⋯
Pt + 1 =
+α(1−α )N−1 Y t−( N−1)
(2.21)
Nous voyons que la fonction Pt + 1 est une combinaison linéaire de toutes les observations
passées. Les poids donnés aux observations antérieures décroissent exponentiellement avec
l’ancienneté de l’information, d’où le nom de lissage exponentiel.
De plus, l’influence des termes décroît rapidement et en particulier, le dernier terme a
une influence négligeable si α n’est pas trop voisin de zéro et si la série dont on dispose est
suffisamment longue (N suffisamment grand). α grand signifie que la prépondérance est
accordée au premier terme de l’équation (2.21) et que le passé s’efface très vite. Au contraire,
α petit signifie que la prépondérance s’étale sur un grand nombre d’observations.
De tout ce qui précède, nous pouvons déduire les constatations suivantes :
1. Le développement de la formule (2.21) peut encore s’écrire :

Théorie et Pratique de Prévision par Gastonfils LONZO L. 33 Extrait de Cours de Prévision KAMIANTAKO
 Pt + 1 = b0 Yt + b1 Y t – 1 + b2Yt – 2 + … + biYt – i + …
(2.22)
avec :
α (1−α ) α (1−α )2 α (1−α )i
b0 = α , b1 = , b2 = , … bi = …
Comme nous le voyons, c’est bien là une moyenne mobile pondérée dont la particularité est
que les coefficients décroissent exponentiellement en fonction de l’âge ou de l’ancienneté de
l’information. L’appellation de « lissage exponentiel » se justifie donc.
Une fois fixé, le coefficient de pondération ou de lissage a l’avantage de déterminer
α (1−α )i
automatiquement toute la structure des coefficients bi, (cfr tableau 8) : bi = .
Tableau 8 : La structure de pondération α (1 - α)i suivant diverses valeurs de α.
I α = 0,1 α = 0,2 α = 0,3 α = 0,4 α = 0,5
0 0,1 0,2 0,3 0,4 0,5
1 0,09 0,16 0,21 0,24 0,25
2 0,061 0,128 0,147 0,144 0,125
3 0,073 0,1024 0,1029 0,0864 0,062
4 0,066 0,0819 0,0720 0,0518 0,031
5 0,059 0,0655 0,0504 0,0311 0,016
6 0,053 0,0524 0,0352 0,0186 0,008
7 0,048 0,0419 0,0247 0,0111 0,004

Liés par une fonction exponentielle, les coefficients de pondération décroissent très
rapidement au fur et à mesure que l’âge de l’information est grand. Ainsi, par exemple, pour
une valeur de α = 0,4 (tableau 8) :
- la dernière valeur connue de la série Y t est pondérée avec b0 = 0,4 (40 % de sa valeur
contribue à former la moyenne cherchée à la période t).
- l’avant dernière valeur connue Y t - 1 est pondérée avec b1 = 0,24 (24 % de son volume
contribue à former la moyenne à la période t).
- les informations de cette série vieilles de 8 périodes ou plus (Y t - 8, Yt - 9, etc.) sont
pondérées avec des coefficients b 8, b9, ..., inférieurs à 0,01. Leur contenu informationnel pour
le calcul de la moyenne de la période t peut être considéré comme négligeable.
2. La condition que la somme de ces coefficients bi est égale à 1 est ici satisfaite. En effet,

∑ bi=α+α(1−α )+α(1−α )2+⋯

est une série géométrique. En remplaçant α par a et (1- α ) par q, on obtient :
∑ bi=a+aq +aq 2 +aq 3+ ⋯,
série géométrique dont la somme est :
a α
∑ bi= 1−q = 1−(1−α ) =1.
∞
∑ α ( 1−α )i =1
Ce qui vérifie la condition i=0 .
3. Comme on vient de le voir, le fait de fixer le coefficient de lissage définit toute une
structure de pondération des informations vieilles telle que le montre la figure ci-après :

Théorie et Pratique de Prévision par Gastonfils LONZO L. 34 Extrait de Cours de Prévision KAMIANTAKO
4. Enfin, d’après la formule (2.17), il n’y a que deux additions et deux multiplications. Donc,
le calcul est simple. Etant donné que toute l’information ancienne se trouve concentrée
dans le terme Pt, on n’a pas besoin de conserver en mémoire toute l’historique passée pour
effectuer le calcul de la moyenne ; une seule valeur suffit Pt. Cette économie de stockage
de l’information est d’une importance capitale pour l’analyse d’un grand nombre de séries.
A partir de la formule (2.17), nous pouvons écrire :

Pt + 1 = α Y t + ( 1−α ) P t 0≤α≤1
(2.17)
= Pt + α (Yt – Pt)
ou simplement :
Pt +1 = Pt + α еt
(2.23)
Nous voyons que la nouvelle prévision apparaît comme l’ancienne prévision corrigée
car la prévision pour la période t+1 est calculée en ajoutant à la prévision de la période t un
certain pourcentage α de la différence entre la valeur actuelle à la période t et la prévision de
l’instant t.
C’est cette différence que nous appelons « erreur prévisionnelle » constatée à la période t.
Du point de vue statistique, α est la vitesse à laquelle une nouvelle prévision s’ajuste à
l’erreur. L’ampleur de la correction est proportionnelle à la dernière erreur de prévision. C’est
ce qu’on appelle « la présentation de mise à jour par l’erreur du lissage exponentiel
simple ».
D’après cette formule, la prévision fournie par le lissage exponentiel est simplement
égale à l’ancienne prévision plus un ajustement à cause de l’erreur constatée dans la
dernière prévision.
Sous cette forme, il est clair que si α est proche de 1, on ajoute à l’ancienne prévision
Pt la totalité de l’erreur prévisionnelle et = Yt – Pt. Dans ce cas, on considère que cette erreur
provient du fait que la moyenne a augmenté de et. Inversement, si α = 0, il n’y aura pas
d’ajustement. On considère alors que l’erreur de prévision et est purement aléatoire et n’est
pas la conséquence d’un changement possible de la moyenne.
Le rôle de la constante de lissage est prépondérant dans le processus de lissage car
c’est de sa valeur que dépendent la stabilité et le taux de réponse de la série lissée. Ces deux
caractéristiques sont complémentaires : la série lissée sera d’autant plus stable qu’elle est
moins sensible aux fluctuations de la série observée, et le taux de réponse sera d’autant plus

Théorie et Pratique de Prévision par Gastonfils LONZO L. 35 Extrait de Cours de Prévision KAMIANTAKO
élevé que le modèle est plus sensible à la dernière observation. Il est donc clair que si l’on
désire un taux de réponse élevé de la part de la série lissée, le poids accordé à la dernière
observation doit être relativement fort, ce qui implique le choix d’une valeur élevée pour α. Si
au contraire, on désire que la série lissée soit très stable, on choisira une valeur relativement
faible pour la constante de lissage.
D’autre part, l’équation (2.21) nous indique que les différentes observations reçoivent
un poids décroissant en fonction de leur ancienneté. Il est aisé de comprendre que plus le
coefficient α sera faible, plus grand sera le nombre d’observations qui interviendront
réellement dans l’estimation de Pt + 1 et par conséquent, plus accusé sera le lissage.

[Link].2 Le lissage exponentiel simple avec taux de réponse adaptatif

Le lissage exponentiel simple adaptatif a un avantage sur le lissage exponentiel
simple: c’est qu’il n’exige aucune valeur spécifique de α. Cette caractéristique est un atout
particulièrement intéressant lorsque la prévision porte sur des centaines de milliers d’articles.
En plus, cette méthode peut modifier la valeur de α lorsque cette dernière n’est plus
appropriée à cause de changements intervenant dans la série.
La technique ARRSES (Adaptive Response Rate Single Exponential Smoothing) est
adaptative dans ce sens que la valeur de α changera automatiquement en cas d’un changement
dans le modèle de base, lequel changement requiert une différente valeur de α. La relation de
base pour la prévision par la méthode ARRSES est identique à celle de l’équation (2.17) sauf
que α est remplacé par α t. Nous l’écrirons comme :
Pt+1 =α t Y t + ( 1−α t ) Pt
(2.24)
où
Et
α t+1 =| |
Mt
2

(2.25)
Et = βt e t + ( 1−β t ) Et −1
(2.26)
M t =β t|et|+ ( 1−β t ) M t−1
(2.27)
−
et = Y t Pt
(2.28)
βt
= 0,2.
|| désigne la valeur absolue. et est l’erreur lissée et Mt l’erreur lissée absolue

2
On a préféré utiliser αt+1 plutôt que αt car le lissage exponentiel adaptatif est très
sensible aux changements. En se servant de αt, on introduit un petit décalage d’une
période, lequel décalage permet au système de s’adapter un tout petit peu et de prévoir
selon la méthode consacrée.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 36 Extrait de Cours de Prévision KAMIANTAKO
 Le tableau 9 ci-dessous illustre la prévision de la production du pétrole brut en RDC
par la méthode de lissage exponentiel simple avec taux adaptatif (ARRSES) avec une valeur
initiale α = 0,5.
La prévision pour la période 11, par exemple, est donnée par :

P11 = α 10 Y 10 +(1−α 10 )P10

= 0,005 (774,1) + 0,995(767,9) = 768,0
e11 = 804,7 – 768 = 36,769 par la formule
(2.28)
E11 = 0,2(36,8) + 0,8(6,2) = 8,24 par la formule
(2 .26)
M11 = 0,2(36,8) + 0,8(30,25) = 31,55 par la formule
(2 .27)
E11 8,24
α 12=| | | |
M 12 31,55
= = 0,26 par la formule
(2 .25)
De même, la prévision pour la période 13 est :

Pjanvier 2004 = α 12 Y 12 +(1−α 12 ) P12

= 0,26(801,5) + 0,74(769,3) = 208,35 + 569,282 = 777,67
Tableau 9 : Prévision de la production du pétrole brut par la technique de lissage
exponentiel simple avec taux de réponse adaptatif 3
Erreur
Mois Années Erreur
lissée
Productio Prévision Erreur lissée Valeur
Périodes Et
n observée Pt et absolue de α t
avec
Mt
β = 0,2
Janvier 2003 1 669,1
Février 2003 2 639,0 669,1 -30,1 -6,03 6,03 0,5
Mars 2003 3 804,0 654,0 150,0 25,17 34,82 0,5
Avril 2003 4 765,1 729,0 36,1 27,35 35,07 0,7
Mai 2003 5 839,1 755,1 84,0 38,69 44,86 0,8
Juin 2003 6 798,3 820,6 -22,3 26,49 40,35 0,9
Juillet 2003 7 808,7 801,4 7,3 22,65 33,73 0,7
Août 2003 8 776,0 806,2 -30,2 12,08 33,03 0,7
Septembr
2003 9 736,8 785,9 -49,2 -0,17 36,26 0,4
e
Octobre 2003 10 774,1 767,9 6,2 1,10 30,25 0,005
Novembre 2003 11 804,7 768,0 36,8 8,24 31,55 0,04
Décembre 2003 12 801,5 769,3 32,2 13,02 31,67 0,26
Janvier 2004 13 - 777,7 0,41
[Link].3 Le lissage exponentiel linéaire (double)

Théorie et Pratique de Prévision par Gastonfils LONZO L. 37 Extrait de Cours de Prévision KAMIANTAKO
 Nous avons dit précédemment que la méthode des moyennes mobiles comportait deux
limitations principales. D’abord, pour calculer une prévision, les N dernières données doivent
être disponibles et stockées. Ensuite, les moyennes mobiles accordent un poids égal à chacune
de ces observations et un poids nul aux observations précédentes. Les deux limitations
s’appliquent également à la méthode des moyennes mobiles doubles. En revanche, le lissage
exponentiel double peut faire le même travail que les moyennes mobiles doubles sans souffrir
de ces deux limitations.
En fait, dans le lissage exponentiel double, on a besoin de ne stocker que trois données
et une valeur de α. Cette approche donne aussi des poids décroissants aux observations
passées. C’est pour cette raison qu’on la préfère aux moyennes mobiles doubles.
[Link].3.1 Le lissage exponentiel linéaire de Brown
Le concept de base implicitement contenu dans le lissage exponentiel linéaire (double)
de Brown est tout à fait identique à celui des moyennes mobiles doubles. L’application du
lissage exponentiel simple à une série chronologique comportant une loi de tendance donne
des résultats systématiquement inférieurs à la tendance. Une seconde application du procédé à
ces valeurs lissées produit de nouveau des valeurs inférieures à la tendance modifiée. Comme
dans les moyennes mobiles doubles, nous pouvons ajouter à la valeur résultant du lissage
exponentiel simple la différence entre elle-même et le lissage double, puis ajuster pour tenir
compte de la tendance.
Les notations mathématiques utilisées dans le lissage exponentiel double de Brown
sont :

S’t = α Y t + ( 1−α ) S ' t−1

(2.29)
S’’t = α S ' t + ( 1−α ) S ''t−1
(2.30)
at = 2S’t – S’’t
(2.31)
α
( S 't −S ''t ) α ( 1−α )−1 S ' −S''
( t t)
bt = 1−α =
(2.32)
Pt + m = at + btm
(2.33)
où
S’t est la valeur lissée exponentielle simple à la période t
S”t est la valeur doublement lissée de la série
α est la constante du lissage exponentiel
m est le décalage de la prévision dans le futur, exprimé en nombre de périodes (l’horizon).
La valeur de la constante α est choisie de façon à minimiser l’EQM (MSE). Toute
tendance linéaire dans les données sera lissée et extrapolée.
Avec les données du tableau 6 et une valeur de α = 0,7, nous pouvons utiliser les
relations (2.29) à (2.33) pour prévoir la consommation intérieure de ciment en février 2004
pour m = 1.

Tous les résultats sont consignés dans le tableau 10.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 38 Extrait de Cours de Prévision KAMIANTAKO
 P18 = a17 + b17

= (2S’17
( α
– S” ) + 1−α
17
)(S ' ''
17 −S 17 )
= [2(67001,1) – 66744,7] + (0,7/0,3)(67001,1 – 66744,7] = 67257,3 + 598,1 =
67855,4

Il est utile de rappeler que les formules (2.29) et (2.30) nécessitent d’initialiser les valeurs de
S’t-1 et S’’t-1 à la période t = 1. C’est ce que nous avons fait en posant S’1 = S”1 = Y1.

Tableau 10 : Prévision de la consommation de ciment en RDC par la technique de

lissage
exponentiel linéaire de Brown
S’t
Trimestre Observ at=2S’t - Pt + m = at +
Années Périodes (α = S”t
S”t
bt
btm
s é 0,7)
29444, 29444,
2000 1 1 29444 29444,0 0,0
0 0
37004, 34736,
2000 2 2 40244 39272,0 5292,0
0 0
31967, 32797, -
2000 3 3 28420 31136,6 44564,0
2 8 1938,2
32335, 32473,
2000 4 4 34013 32196,3 -323,9 29198,4
1 9
22290, 25345, -
2001 1 5 17267 19235,9 31872,4
8 7 7128,2
29769, 28442,
2001 2 6 35127 31096,0 3096,3 12107,7
0 0
36901, 34363,
2001 3 7 37662 39439,3 5921,6 34192,3
5 7
37808, 36774,
2001 4 8 37871 38841,7 2411,3 45361,0
3 9
39506, 38687,
2002 1 9 40208 40326,5 1912,4 41252,9
9 3
41675, 40778,
2002 2 10 42304 42571,6 2091,5 42238,9
2 8
48066, 45880,
2002 3 11 50536 50252,7 5101,3 44663,1
4 1
42099, 43233, -
2002 4 12 38484 40965,4 55354,0
6 8 2646,4
46980, 45856,
2003 1 13 50622 48104,7 2622,8 38319,1
6 5
57001, 53657,
2003 2 14 59735 60344,5 7801,2 50727,4
1 7
69122, 64482, 10825,
2003 3 15 73145 73761,3 68145,7
0 7 0

Théorie et Pratique de Prévision par Gastonfils LONZO L. 39 Extrait de Cours de Prévision KAMIANTAKO
 66859, 66146,
2003 4 16 64166 67572,8 1663,9 84586,3
7 6
67001, 66744,
2004 1 17 68216 67257,3 598,1 69236,7
0 7
2004 2 18 -- 67855,4

[Link].3.2 Le lissage exponentiel linéaire de Holt

Connu également sous le nom de « méthode de Holt-Winters, le lissage exponentiel
linéaire de Holt est appliqué au cas d’une série avec tendance (ou des évolutions de
tendance), mais sans saisonnalité.
Cette méthode de lissage linéaire est semblable, en principe, à celle de Brown, sauf
qu’elle ne fait pas intervenir la formule du lissage double. Elle lisse directement les valeurs du
trend.
La prévision fournie par le lissage exponentiel linéaire de Holt est obtenue en utilisant
deux constantes de lissage α et β (avec 0 < α, β < 1) et les trois équations ci-après :

St = αY t +(1−α ) (S t−1 +T t−1 )

(2.34)
Tt = β (S t −St−1 )+(1−β ) T t−1
(2.35)
P t + m = S t + T tm
(2.36)
avec :
St = niveau de la tendance défini comme une moyenne pondérée de la dernière
−
observation Yt et de la prévision réalisée en temps t l pour la période t ;
Tt = pente de la tendance en période t. Elle est une moyenne pondérée de la nouvelle pente
−
(St St - 1) et de l’ancienne pente Tt -1
α = constante de lissage correspondant au niveau de la série;
β = constante de lissage associée à la tendance;
m = horizon supposé égal à 1.
L’équation (2.34) ajuste directement S t pour tenir compte de la tendance de la période
précédente, Tt - 1, en l’ajoutant à la dernière valeur lissée, S t - 1. Cet ajustement élimine le
décalage et porte St à une base approximative de la valeur des données actuelles.
La relation (2.35) actualise le trend qui est exprimé ici comme la différence entre deux
valeurs successives du lissage exponentiel. Ce qui est normal puisque, lorsque les données
présentent un trend, les nouvelles valeurs pourraient être plus grandes ou plus faibles que les
précédentes. Cette procédure est identique à celle décrite dans le cas du lissage exponentiel de
Brown où l’on a soustrait les valeurs du lissage exponentiel double des valeurs du lissage
simple.
Pour effectuer la prévision, le trend est multiplié par le nombre de périodes antérieures
pour lesquelles on désire cette prévision. Le résultat est ensuite ajouté à S t (le niveau des
données réelles qui sont lissées afin d’éliminer les fluctuations aléatoires).
Tableau 11 : Prévision de la consommation de ciment en RDC par la technique de lissage
exponentiel linéaire de Holt

Théorie et Pratique de Prévision par Gastonfils LONZO L. 40 Extrait de Cours de Prévision KAMIANTAKO
 Années Trimestres Périodes Observé St (α = 0,7) Tt (β = 0,1) Pt+rn = St + Ttm
2000 1 1 29444 29444,0 0,0 -
2000 2 2 40244 37004,0 756,0 -
2000 3 3 28420 31222,0 102,2 37760,0
2000 4 4 34013 33206,4 290,4 31324,2
2001 1 5 17267 22135,9 -845,7 33496,8
2001 2 6 35127 30976,0 122,9 21290,3
2001 3 7 37662 35693,1 582,3 31098,9
2001 4 8 37871 37392,3 694,0 36275,4
2002 1 9 40208 39571,5 842,5 38086,3
2002 2 10 42304 41737,0 974,8 40414,0
2002 3 11 50536 48188,8 1522,5 42711,8
2002 4 12 38484 41852,2 736,6 49711,3
2003 1 13 50622 48212,0 1298,9 42588,8
2003 2 14 59735 56667,8 2014,6 49511,0
2003 3 15 73145 68806,2 3027,0 58682,4
2003 4 16 64166 66466,2 2490,3 71833,2
2004 1 17 68216 68438,1 2438,5 68956,5
2004 2 18 - - - 70876,6

Le tableau 11 illustre l’application du modèle de Holt à la série du tableau 10 pour α =

0,7 et β = 0,1. De plus, pour le choix des prévisions initiales, on a posé S1 = Y1 et T1 = 0.
Nous faisons observer que le choix optimal des paramètres α et β n’est pas aussi facile que
celui de α dans les méthodes de lissage exponentiel simple (L.E.S.) ou double (L.E.L.), du fait
de l’existence de deux paramètres α et β.
En utilisant les équations de (2.34) à (2.36) pour préparer une prévision de la période 18,
sachant que l’on est à la période 17, on obtient:
P18 = S17 + T17(1)
= [ α(Y17) + (1− α) (S17 - 1 + T17 - 1)] + [β (S17 − S17 - 1) + (1− β)T17 - 1]
= [ α(Y17) + (1− α) (S16 + T16)] + [,8 (S17− S16) + (1 − β)T16]
= [0,7 (68216) + 0,3 (66466,2 + 2490,3)] + [0,1(68438,1 − 66466,2) + 0,9(2490,3)]
= [47751,2 + 0,3 (68956,5)] + [0,1(1971,9) + 2241,27]
= [47751,2 + 20686,95] + [0,1(1971,9) +2241,27]
= [68438,1] + [2438,5] = 70876,6

[Link].4 Le lissage exponentiel quadratique ou lissage exponentiel triple de Brown

Nous inspirant des techniques de moyennes mobiles doubles et du lissage exponentiel

double, nous pouvons .développer des modèles de lissage plus sophistiqués afin de prévoir
des lois de nature quadratique ou de nature plus complexe. Le lissage exponentiel quadratique
est l’un parmi ces modèles appelé aussi méthode de lissage exponentiel triple.
Il est utile de noter qu’on peut également passer du lissage quadratique au lissage
cubique, du lissage cubique au lissage d’ordre supérieur, et ainsi de suite.
Le lissage exponentiel quadratique est défini par les trois équations de base suivantes:

Théorie et Pratique de Prévision par Gastonfils LONZO L. 41 Extrait de Cours de Prévision KAMIANTAKO
 = α Y t + ( 1−α ) S ' t−1
S’t
(2.37)
S’’t = α S ' t + ( 1−α ) S ''t−1
(2.38)
= α S ' t + ( 1−α ) S '''t−1
S’’’t
(2.39)
at = 3S’t – 3S’’t + S’’t
(2.40)
α
2
[(6−5 a )] ( S 't −(10−8 αS ''t +(4−3 α ) S'''t
bt = 2 ( 1−α )
(2.41)
α2
2( t
S ' −2 S ''t + S'''t )
ct = ( 1−α )
(2.42)
1
Pt + m = at + btm + 2 ctm2
(2.43)
Les équations (2.37) et (2.38) se rapportent respectivement au lissage exponentiel
simple et au lissage exponentiel double. L’équation (2.39) nous donne la formule du lissage
exponentiel triple, tandis que les équations (2.40) à (2.42) déterminent respectivement la
valeur des données actuelles, le trend linéaire et le trend quadratique. Pour prévoir les données
des périodes futures, on utilise la formule (2.43) qui prend en compte le trend linéaire et le
trend quadratique.
Comme on peut aisément le vérifier, les calculs nécessaires à ce type de prévision
deviennent très lourds et sont plus complexes que ceux utilisés dans les lissages simple et
linéaire.
Avec les données du tableau 11 et une valeur de α = 0,7, nous pouvons, par exemple,
prévoir la consommation du ciment au cours du deuxième trimestre de l’année 2004 (période
18). Tous les éléments de calculs sont ‘consignés dans le tableau 12 ci-dessous où :
P18 = a17 + b17 + 0,5 c17
Avec :

at = 3S’17 – 3S’’17 + S’’17 = 3(67350,5) – 3(66588,0) + 65599,5 = 67666,9

α
2
[(6−5 a )] ( S '17−(10−8 αS ''17+(4−3 α ) S '''17
bt = 2 ( 1−α )
0 ,7
2[
(6−5 (0 ,7 )67350 ,5−( 10−8(0 , 7 ))66588 ,0+(4−3 (0 ,7 ) ) 65599 ,5 ]=108 , 7
= 2 ( 1−1, 7 )

ct =
1
[α2
(
2 ( 1−α )2 t
S '
−2 S ''
t + S t)
'''
=
1
] [
0 , 72
2 ( 1−0 ,7 )2 ]
( 67350 ,5−2(66588 , 0)+65599 , 5 ) =−1230 , 8

Ainsi P18 = a17 + b17 + 0,5 c17 = 67886,9 + 108,7 – 1230,8 = 67380,2

[Link].5 Le lissage exponentiel de Holt et Winters

Théorie et Pratique de Prévision par Gastonfils LONZO L. 42 Extrait de Cours de Prévision KAMIANTAKO
 Cette technique, connue également sous le nom de méthode de Holt - Winters avec
saisonnalité et mise au point en 1960, est une généralisation de la méthode de Holt conçue pour
une fonction de prévision localement linéaire. Il s’agit d’un lissage exponentiel double (LED) de
Holt à deux paramètres pour la partie non saisonnière et d’un lissage exponentiel saisonnier à un
paramètre de Winters. Cette méthode de lissage exponentiel comporte donc trois paramètres à
estimer et il existe deux manières de combiner la tendance linéaire et la composante saisonnière :
par addition (modèle additif) et par multiplication (modèle multiplicatif).
La méthode donne des résultats identiques à ceux du lissage exponentiel double
développé plus haut, mais a l'avantage supplémentaire d'incorporer un coefficient saisonnier It,
avec une période de saisonnalité égale à L, c'est-à-dire que It = Tt-L pour tout t (dans la pratique,
les estimations de It ne seront toutefois pas périodiques).
Le lissage exponentiel de Winters utilise trois équations reprises ci-après. Chacune d'elles
a pour fonction de lisser l'une des trois composantes de la série : l'aléa, la tendance et la
composante saisonnière. Elle ressemble en cela au lissage exponentiel double (de Holt) qui ajuste
δ
la tendance et lisse l'aléa: mais elle ajoute un paramètre supplémentaire pour traiter la
saisonnalité.
Dans le cas où la composante saisonnière est introduite de manière additive, les formules
à utiliser sont :
St =α [ Y t −I t−L ]+ (1−α ) [ S t−1 +T t−1 ]
(lissage de la moyenne) (2.44)
Tt = β (St − St - 1) + (1 − β )Tt - 1 (lissage de la tendance)
(2.45)
δ − − δ
It = (Yt St) + (1 )It - L (lissage de la saisonnalité)
(2.46)
Prévision à un horizon de m périodes :
Pt + m = St + Ttm + It - L+ m (2.47)
L
∑It =0
Le principe de la conservation des aires implique : t=1 .

Théorie et Pratique de Prévision par Gastonfils LONZO L. 43 Extrait de Cours de Prévision KAMIANTAKO
Théorie et Pratique de Prévision par Gastonfils LONZO L. 44 Extrait de Cours de Prévision KAMIANTAKO
Les formules suivantes sont utilisées dans l'hypothèse d'une décomposition multiplicative.

St =α
Yt
I t− L [ ]
+ ( 1−α ) [ S t−1 +T t−1 ]
(2.44a)
Tt = β (St – St - 1) + (1 − β )Tt – 1 (lissage de la tendance) (2.45a)

It = δ
St
Yt
[ ]
+ (1 − δ ) It - L (lissage de la saisonnalité)
(2.46a)
Prévision à un horizon de m périodes :
Pt + m = (St + Ttm) It - L + m (2.47a)
avec
St = moyenne lissée de la série en t ;
Tt = tendance estimée en t ;
Yt = valeur observée en t ;
L = périodicité des données ou longueur de la saisonnalité (L = 12 en mensuel, L = 4 en
trimestriel) dans une année) ;
It = facteur d'ajustement saisonnier en t.
L
∑It =L
Dans le modèle multiplicatif, les coefficients saisonniers vérifient la propriété : t=1 .
L'équation (2.46) est comparable à celle d'un indice saisonnier : c'est la différence entre
la dernière valeur de la série, Yt, et la valeur prévue par lissage simple, St (Pour le modèle
multiplicatif, c'est le quotient de Yt par St). Rappelons que St est une valeur lissée (moyenne) de
la série d'où le saisonnier est absent. La valeur de la donnée Y t, elle, inclut la composante
saisonnière et un facteur aléatoire de la série. Pour la lisser, l'équation (2.46) pondère la donnée
corrigée des variations saisonnières qu'on vient de calculer (Y t - St) (ou Yt/St pour un modèle
δ
multiplicatif) par , et le plus récent coefficient saisonnier correspondant à la même saison (It - L)
− δ
par (1 ).
L'équation (2.45) relative à Tt a seulement pour but de lisser la tendance, en pondérant
β − − β
par l'accroissement tendanciel (St St - 1) et l'ancienne valeur de la tendance (Tt - 1) par (1
).
Dans l'équation de lissage St (relation (2.44)), le coefficient saisonnier It - L est enlevé à la
variable observée Yt (It - L divise Yt pour un modèle multiplicatif), afin de désaisonnaliser cette
dernière (c'est-à-dire, afin d'éliminer les fluctuations saisonnières de Yt).
L'équation (2.45) est identique à la relation (2.34) de la méthode de lissage de Holt. Le
terme It - L+ m étant le dernier coefficient saisonnier disponible, il est utilisé pour réajuster la
prévision (par l'addition à Ttm). La prévision dans la méthode de Holt - Winters fait intervenir
ainsi les effets saisonniers.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 45 Extrait de Cours de Prévision KAMIANTAKO
 Les tableaux 14 et 15 permettent d'illustrer la méthode de Holt - Winters dans les
hypothèses additive et multiplicative respectivement, avec les valeurs suivantes des coefficients
β δ
α = 0,8, = 0,1 et = 0,3, choisies conformément au critère MSE.
Comme pour les autres méthodes de lissage, dans la pratique, il y a un problème de démarrage
de la technique : les valeurs de départ peuvent être estimées par la méthode des moindres carrés
ordinaires ou plus simplement initialisées pour la première année en prenant les moyennes

arithmétiques des k premières périodes 1 2

Y , Y , ⋯,Y k .
Nous avons pris les valeurs initiales suivantes :
St vaut, par exemple, la moyenne de la première année disponible;
Tt = 0 ;
−
It = Yt St, t =1, 2, ..., L.
Des variantes sont évidemment possibles (Voir le paragraphe suivant).
Les valeurs initiales des trois composantes ont été déterminées sur base de la première
4
1 1148, 7
∑ Yt = =
année des données. S4 = 4 t=1 4 287,2.
Tableau 14 : Prévision des ventes trimestrielles de la bière Skol par la méthode de Holt -
Winters de 1988 à 1993 (en milliers de hl) : Modèle additif

Périodes Années Trimes- Vente Valeur lissée Valeur lissée Indice Saisonnier Prévision
tres observée Yt St (α = 0,8) Tt ( β = 0,1) It (δ = 0,3) avec m =1
1 I 260,8 - - − 26,4 -
2 II 290,6 - - 3,4 -
3 1988 III 270,6 - - − 16,6 -
4 IV 326,7 287,2 0,0 39,5 -
5 I 243,0 272,9 − 1,4 − 27,4 260,8
6 II 270,7 268,1 − 1,8 3,2 274,9
7 1989 III 206,4 231,7 − 5,2 − 19,2 249,8
8 IV 249,2 213,0 − 6,6 38,5 265,9
9 I 198,3 221,9 − 5,0 − 26,3 179,0
10 II 223,6 219,7 − 4,7 3,4 220,0
11 1990 III 207,1 224,0 − 3,8 − 18,5 195,8
12 IV 250,0 213,2 − 4,5 38,0 258,7
13 I 255,4 267,1 1,3 − 21,9 182,4
14 II 284,6 278,6 2,3 4,2 271,8
15 1991 III 99,9 150,9 − 10,7 − 28,3 262,5
16 IV 120,7 94,2 − 15,3 34,5 178,2
17 I 143,6 148,2 − 8,4 − 16,7 57,0
18 II 160,0 152,6 − 7,1 5,1 144,0
19 1992 III 150,7 172,3 − 4,4 − 26,3 117,3
20 IV 182,0 151,5 − 6,0 33,3 202,4
21 I 134,6 150,1 − 5,6 − 16,4 128,8
22 II 150,0 144,8 − 5,5 5,1 149,7
23 1993 III 141,1 161,7 − 3,3 − 24,6 113,0

Théorie et Pratique de Prévision par Gastonfils LONZO L. 46 Extrait de Cours de Prévision KAMIANTAKO
 24 IV 170,7 141,6 − 5,0 32,1 191,8
25 1994 I - - - - 120,2

Les coefficients saisonniers initiaux It sont obtenus par différence des données de
la première année et de cette moyenne. Par exemple, dans l'hypothèse additive, pour les
premier, deuxième, troisième et quatrième trimestres, on a respectivement :
260,8 − 287,2 = − 26,4 ;
290,6 − 287,2 = 3,4 ;
270,6 − 287,2 = − 16,6 et
−
326,7 287,2 = 39,5.
La pente initiale Tt est supposée être égale à 0.
Les calculs à faire pour obtenir la prévision des ventes du premier trimestre de
l'année 1994 (période 25) sont les suivants :
Pour le modèle additif,
S24 =α [ Y 24−I 24 − L ]+ ( 1−α ) [ S 24 −1 +T 24−1 ]
(lissage de la moyenne)
(2.44)
S24 =0 , 8 [ Y 24−I 24 − 4 ]+ ( 0 ,2 ) [ S 23+T 23 ]
− −
= 0,8(170,7 33,3) + 0,2[(161,7 + ( 3,3)] = 141,6

Tt = β (St − St - 1) + (1 − β )Tt - 1 (lissage de la tendance)

(2.45)
T24 = 0,1(S24 − S23) + 0,9 T23
− − −
= 0,1(141,6 161,7) + 0,9( 3,8) = 5,0

It = δ (Yt − St) + (1 − δ )It - L (lissage de la saisonnalité)

(2.46)
I24 = 0,3(Y24 − S24) + (0,7)I20
= 0,3(170,7 − 141,6) + 0,7(33,3) = 32,1
et
Pt + m = St + Ttm + It - L+ m (2.47)
P25 = S24 + T24(1)] + I22
−
= [141,6 + ( 5,0) + 5,1 = 120,2
Pour le modèle multiplicatif,

S24 =α
[ ]Y 24
I 24 − L
+ ( 1−α ) [ S 24−1 +T 24−1 ]

S24 = 0,8(170/1,1) + 0,2(S23 + T23)

= 0,8(170,7/1,1) + 0,2[(157,2 + (–3,8)] = 152,4

T24 = β (S24 – S24 ) + (1

- 1 − β )T24 – 1 (lissage de la tendance)
(2.45a)
T24 = 0,1(S24 − S23) + 0,9 T23

Théorie et Pratique de Prévision par Gastonfils LONZO L. 47 Extrait de Cours de Prévision KAMIANTAKO
 = 0,1(152,4 − 157,2) + 0,9(− 3,8) = 3,9

I24 = δ
[ ]
Y 24
S24
+ (1 − δ ) I24 - L (lissage de la saisonnalité)
(2.46)

I24 = δ
[ ]
Y 24
S24
+ (1 − δ ) I24 - L
= 0,3(Y24/S24) + (0,7)I20 = 0,3(170,7/152,4) + 0,7(1,1) = 1,1

Pt + m = (St + Ttm) It - L + m (2.47a)

P25 = [S24 + T24(1)]I22 = 152,4 + {(− 3,9)(1)}] (1,0) = 139,0

Pour déterminer lequel de deux modèles il est préférable d’utiliser pour faire les prévisions, il est
recommandé de comparer les indicateurs de performance habituellement utilisés notamment le
MSE et le MAPE. Le meilleur modèle est celui qui minimisera le MSE ou le MAPE.
Tableau 15 : Prévision des ventes trimestrielles de la bière Skol par la
méthode
de Holt Winters de 1988 à 1993 (en milliers de hl) : Schéma multiplicatif
Vente Valeur lissée Valeur lissée Tt Indice Prévision
Périodes Années Trimestres observée Yt St α =0,8 β Saisonnier avec m =1
= 0,1
It δ = 0,3
1 I 260,8 - - 0,9 -
2 II 290,6 - - 1,0 -
3 1988 III 270,6 - - 0,9 -
4 IV 326,7 287,2 0,0 1,1 -
5 I 243,0 271,5 − 1,6 0,9 260,8
6 II 270,7 268,0 − 1,8 1,0 273,1
7 1989 III 206,4 228,5 − 5,5 0,9 250,9
8 IV 249,2 219,8 − 5,8 1,1 253,6
9 I 198,3 218,2 − 5,4 0,9 193,5
10 II 223,6 219,4 − 4,8 1,0 215,2
11 1990 III 207,1 221,0 − 4,1 0,9 199,8
12 IV 250,0 219,4 − 3,9 1,1 246,4
13 I 255,4 268,7 1,4 0,9 195,1
14 II 284,6 278,6 2,3 1,0 273,9
15 1991 III 99,9 141,9 − 11,6 0,9 262,0
16 IV 120,7 110,9 − 13,5 1,1 148,2
17 I 143,6 144,5 − 8,8 0,9 89,5
18 II 160,0 153,1 − 7,1 1,0 137,8
19 1992 III 150,7 168,7 − 4,8 0,9 126,2
20 IV 182,0 162,5 − 5,0 1,1 184,0
21 I 134,6 145,9 − 6,1 0,9 148,3
22 II 150,0 145,1 − 5,6 1,0 143,2
23 1993 III 141,1 157,2 − 3,8 0,9 121,7

Théorie et Pratique de Prévision par Gastonfils LONZO L. 48 Extrait de Cours de Prévision KAMIANTAKO
 24 IV 170,7 152,4 − 3,9 1,1 172,1
25 1994 I - - - - 139,0

[Link].6 Les Valeurs d'origine dans les Méthodes de Lissage Exponentiel : Besoin d'une
initialisation
La raison pour laquelle on a besoin de valeurs d'origine dans les méthodes de lissage
exponentiel apparaît à l'examen de la formule du lissage exponentiel simple :
Pt+1 = α Yt + (1 − α)Pt (2.11)
où
Yt = dernière valeur observée ;
Pt = dernière prévision ;
Pt + 1 = prévision pour la période suivante, et
α = constante de lissage.
Si t = 1, l'équation (2.11) devient :
−
P2 = α Y1 + (1 α)P1
On a besoin, pour connaître la valeur de P2, de calculer celle de P1. Ce devrait être :
P1 = α Y0 + (1− α)P0

On voit bien ici que Y0 n'existe pas, et que P0 ne peut être calculé. C'est là le problème : la
valeur de P1, dans l'équation (2.11), doit être connue pour calculer P2, mais on ne peut la dériver
des données qu'on a; il faut donc trouver une autre approche pour estimer la valeur initiale de P 1
dans (2.11).
De même, on a besoin de valeurs initiales pour n'importe quel type de lissage
exponentiel: leur nombre et leur type dépendent de la méthode de lissage exponentiel utilisée.
Nous décrivons ci-après les méthodes les plus utilisées pour initialiser les valeurs d'un lissage
exponentiel. On supposera qu'on dispose de données passées en nombre suffisant pour employer
une des méthodes suivantes :
1. Séparation des données en deux parties
La première sert à estimer les valeurs initiales, et la seconde à estimer les valeurs
optimales des paramètres. On considère empiriquement que les données de 3 à 8 (L) suffisent
pour l'estimation des valeurs d'origine (L étant la longueur du cycle saisonnier). Si l'on dispose
d'assez de données (observations sur 6 à 16 (L), on en emploiera la moitié pour l'estimation
initiale, et l'autre moitié pour optimiser les paramètres.
2. Prévision à rebours
C'est une technique largement utilisée dans la méthode de Box-Jenkins, mais elle peut
aussi s'appliquer pour le lissage exponentiel. Elle consiste à inverser la série de données, et à
partir des dernières (les plus récentes) pour terminer par les premières (les plus anciennes). Ceci
faisant, on obtient des prévisions et/ou une estimation des paramètres pour le début de la série;

Théorie et Pratique de Prévision par Gastonfils LONZO L. 49 Extrait de Cours de Prévision KAMIANTAKO
on peut les utiliser comme valeurs de départ lorsque l'on effectue la prévision dans le sens
normal, du début à la fin.

Théorie et Pratique de Prévision par Gastonfils LONZO L. 50 Extrait de Cours de Prévision KAMIANTAKO