Ch 7 Les séries chronologiques Série chronologique = ‘Chronique’, ‘série temporelle’ Valeurs successivement prises par une variable statistique au cours du temps Ex Série statistique bidimensionnelle (t, xt) Objectifs de l’analyse d’une série chronologique Interpréter l’évolution d’une variable au cours du temps Prévoir son évolution future L’analyse consiste à identifier les différentes composantes du mouvement global Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Source : INSEE 2 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Source : Boursorama.com 3 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques I. La décomposition d’une série chronologique Ex : vente de foie gras d’un hypermarché Quantités vendues 06 a nnée 1 4 12 06 a nnée 2 12 06 12 temps a nnée 3 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques I.1. Les composantes du mouvement brut 3 composantes la tendance (ou trend) gt la composante saisonnière st la composante résiduelle (ou bruit) et I.2. Les schémas de composition 2 modèles de composition principaux modèle additif modèle multiplicatif 5 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Modèle additif xt = gt + st + et Hyp : les composantes sont indépendantes les unes des autres Modèle multiplicatif xt = gt x st x et Hyp : les composantes sont dépendantes les unes des autres Choix du modèle de composition Méthode de Buys-Ballot Calcul des coefficients de variation Si CV peu différents modèle additif ; modèle multiplicatif sinon Démarche d’analyse Détermination du trend Détermination de la composante saisonnière, en négligeant les variations résiduelles Désaisonnalisation Série corrigée des variations saisonnières (CVS) Détermination des influences résiduelles (étape laissée de côté ici) 6 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Emprunté à http://www.math-info.univ-paris5.fr/~brunel/Enseignement/Poly1.pdf 7 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques II. La détermination de la tendance II.1. Approche analytique Ajustement paramétrique de la tendance Ex : x x Trend linéaire gt 8 a t b t x Trend exponentiel gt b at t t Trend logarithmique gt ln(a t b) Ajustement linéaire Méthode des moindres carrés (MCO, OLS en anglais pour Ordinary Least Squares) Intérêt de la méthode analytique : autorise l’extrapolation Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques II.2. Approche empirique II.2.1. Ajustement graphique (procédé des points médians) Méthode : x On relie les points hauts du mouvement brut Courbe enveloppe haute On relie les points bas Courbe enveloppe basse On projette les ‘pics’ les plus marqués sur la courbe enveloppe basse, les ‘creux’ les plus marqués sur la courbe enveloppe haute On relie les milieux des segments verticaux Estimation de la tendance Courbe enveloppe haute Mouvement brut TREND Courbe enveloppe basse 9 temps Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Intérêt du procédé des points médians : simple et rapide Limite : risque d’intégrer au trend des valeurs aberrantes II.2.2. Lissage par les moyennes mobiles Le principe On définit une série de moyennes qui sont calculées sur un certain nombre d'observations consécutives, "l'ordre" décalées d'une unité de temps à chaque nouveau calcul ("mobiles") 10 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Mode de calcul Moyennes mobiles d’ordre 3 Série brute Moyennes mobiles d’ordre 3 Estimation de la valeur du trend à la date t xt x1 x2 x3 x4 x5 xt III x2 III 1 3 x3 III 1 3 ( x2 x3 x4 ) x4 III 1 3 ( x3 x4 x5 ) ( x1 x2 etc. … xT-2 xT-1 xT xT III 1 3 1 Généralisation : xt 11 x3 ) III ( xT 1 3 xT 2 ( xt 1 1 xt xT ) xt 1 ) Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Moyennes mobiles d’ordre 5 V 3 1 5 ( x1 x2 x3 x4 x5 ) Estimation du trend en t = 3 V 1 5 ( x2 x3 x4 x5 x6 ) Estimation du trend en t = 4 x x4 etc. V T 2 x 1 5 ( xT 4 xT 3 xT Généralisation : xT 2 xt V 1 1 5 xT ) Estimation du trend en t = T-2 ( xt 2 xt 1 xt xt 1 xt 2 ) Les moyennes mobiles de n'importe quel ordre impair sont obtenues sur le même principe 12 Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Moyennes mobiles d’ordre pair, par ex d’ordre 4 Pb de la date à laquelle associer une moyenne de 4 valeurs Solution : on calcule des moyennes mobiles d'ordre 2 à partir des moyennes mobiles successives d'ordre 4 1 2 1 4 1 4 x1 1 2 x2 x1 x2 x3 x3 x4 x4 1 4 1 2 x2 x5 Généralisation : 13 x3 x3 xt IV x4 x5 IV 1 4 1 2 xt 2 xt 1 xt xt 1 1 2 xt 2 Les moyennes mobiles d’ordre pair sont toutes déterminées sur le même principe Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Le choix de l’ordre Ordre adapté à la périodicité des variations saisonnières Cependant, plus l'ordre est élevé plus le lissage est violent plus on perd de valeurs III. Identification de la composante saisonnière III.1. Détermination des coefficients saisonniers Pour chaque date t, on dispose 14 d'une valeur observée xt de la valeur (estimée) du trend gt La composante saisonnière (st) se détermine à partir de ces deux valeurs, modèle additif : st = xt - gt modèle multiplicatif : st = xt / gt Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques On calcule ensuite la moyenne de la série des st qui se rapportent à un même moment de chq année (même mois, même trimestre…) Cette caractéristique constitue le coefficient saisonnier relatif au mois (trimestre) considéré Exemple Série trimestrielle couvrant 3 années, donc 12 observations 1er trimestre x1 , x5 , x9 2ème trimestre x2 , x6 , x10 , etc. Supposons que l'on ait déterminé le trend de façon analytique Valeurs g1 , g2 ,…, g12 Modèle additif s1 = x1 – g1 ; s2 = x2 – g2 jusqu’à s12 = x12 – g12 Modèle multiplicatif s1 = x1 / g1 ; s2 = x2 / g2 jusqu’à s12 = x12 / g12 15 12 CS avec des données mensuelles, 4 CS avec données trimestrielles Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques Coefficients saisonniers CS associé au 1er trimestre : CS1 = (s1 + s5 + s9 )/3 CS associé au 2ème trimestre : CS2 = (s2 + s6 + s10 )/3 CS associé au 3ème trimestre : CS3 = (s3 + s7 + s11 )/3 CS associé au 4ème trimestre : CS4 = (s4 + s8 + s12 )/3 III.2. Rectification éventuelle des coefficients saisonniers Hypothèse de neutralité des Δ° saisonnières sur une période La moyenne des CS doit être nulle dans le cas du modèle additif égale à 1 dans le cas du modèle multiplicatif Si ce n'est pas le cas, il est nécessaire de rectifier les coefficients saisonniers 16 Modèle additif On retranche de chaque CS la moyenne des CS Modèle multiplicatif On divise chaque CS par la moyenne des CS Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques 17 Dans l’exemple, Moyenne des CS : MCS = (CS1 + CS2 + CS3 + CS4 )/4 Modèle additif MCS significativement différente de 0 ? Si non, CS rectifiés : CS1* = CS1 - MCS ; CS2* = CS2 - MCS etc. Modèle multiplicatif MCS significativement différente de 1 ? Si non, CS rectifiés : CS1* = CS1 / MCS ; CS2* = CS2 / MCS etc. Statistique & Informatique – L1 Sc Eco – Patricia Vornetti Ch 7 Les séries chronologiques III. Correction des variations saisonnières 18 Modèle additif Série CVS obtenue en retranchant de la valeur prise par la variable à chaque mois (ou chaque trimestre) le coefficient saisonnier associé à ce mois (ou ce trimestre) Dans l’exemple, série CVS : x1c = x1 – CS1*, x2c = x2 – CS2*, … , x5c = x5 – CS1*, … x12c = x12 – CS4* Modèle multiplicatif Série CVS obtenue en divisant la valeur prise par la variable à chaque mois (ou chaque trimestre) par le coefficient saisonnier associé à ce mois (ou ce trimestre) Dans l’exemple, série CVS : x1c = x1 / CS1*, x2c = x2 / CS2*, … , x5c = x5 / CS1*, … x12c = x12 / CS4* Pourquoi procède-t-on à la désaisonnalisation de la série brute ? Statistique & Informatique – L1 Sc Eco – Patricia Vornetti
© Copyright 2024 ExpyDoc