Chapitre - 15 Techniques de Prévisions

Chapitre XV
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

T

ECHNIQUES

DE

PRVISION

Grer cest aussi prvoir. Aprs avoir examin la problmatique prvisionnelle
(section I), nous tudierons les ltres linaires qui sont les plus utiliss en gestion
(section II, page 1007), avant daborder les techniques de prvision qui se fondent
sur des historiques complets (section III, page 1071).

S

ECTION

I P

RSENTATION

DE

LA

PROBLMATIQUE

PRVISIONNELLE

DANS

LES

CHRONIQUES

Les

chroniques

que lon appelle encore

sries temporelles

ou

sries chrono-
logiques

correspondent une srie dobservations (ponctuelles ou agrges)
effectues au cours de priodes ou des instants donns et qui sont ordonnes
selon leurs dates dobservation. Prvoir partir de chroniques, cest utiliser les
informations du pass dune (ou plusieurs) chronique(s) pour fournir la valeur la
plus probable dune chronique donne pour une ou plusieurs priodes venir.
Avant toute tude dune chronique, des ns de prvision, il convient tout
dabord (voir I-1) de redresser la srie pour en liminer les variations acciden-
telles dont lorigine est parfaitement connue (grve, etc.) et qui ne sauraient faire
lobjet de prvisions normales. Ensuite, il faut analyser la srie redresse pour
voir quel type de srie temporelle on a affaire. Ce problme typologique sera
abord au I-2, page 987, et lon examinera au I-3, page 997, comment dceler
lexistence de cycles dans une chronique. Il faudra enn slectionner une tech-
nique de prvision adapte aux problmes classiquement rencontrs en entreprise.
Une prsentation sommaire des techniques disponibles sera faite au I-4, page
1005; on y justiera la slection des techniques qui seront prsentes dans les
sections II et III.

La version CD-Rom de ce chapitre permet daccder directement un logiciel
exploitant les principales techniques dcrites dans ce chapitre. La prsence dune
icne en marge du texte (comme celle figurant dans cette page) indique la possibilit
dutilisation de la technique dcrite dans le texte et le lien hypertextuel plac sur cette
icne permet daccder lexemple numrique utilis dans le texte. Les figures et
tableaux reproduits dans ce chapitre qui auraient pu tre tablis partir de ce logiciel
ne lont pas t pour des raisons de lisibilit. Vous avez la possibilit de crer vos
propres exemples pour exploiter les possibilits offertes, mais ce logiciel na quune
vocation pdagogique et ne prtend en aucun cas, concurrencer les quelques logiciels
professionnels qui existent dans ce domaine

1

.

1.

Voir avertissement de la note du bas de la

page 8

.

982

Gestion de la production et des ux
I-1 Redressement pralable des chroniques

La chronique tudie doit porter sur un phnomne homogne. Cette remarque
implique concrtement dans les entreprises que, dans les procdures denregistre-
ment de la demande, soient bien dissocies les commandes exceptionnelles (dif-
ciles prvoir) ou celles passes par les gros clients rguliers (trs encadres
contractuellement) de celles passes par les petits clients, dont il est possible de
prvoir globalement le comportement statistique, du moins sur le court terme.
Pralablement toute analyse dune chronique, il convient dans bien des cas de
procder un nettoyage pralable de la chronique, moins que les techniques
denregistrement des donnes ne rendent cette prcaution inutile. Il sagit, en effet,
dliminer des perturbations importantes dont lorigine est parfaitement connue,
pour pouvoir rechercher les caractristiques structurelles des chroniques tudies.
Le premier redressement concerne lingalit de la longueur des priodes,
lorsque ce problme se pose. Certaines irrgularits se reproduisent de cycle en
cycle: par exemple sur les sries mensuelles, les mois comportent 28 (ou 29) jours
pour le mois de fvrier et 30 ou 31 pour les autres mois, dune anne sur lautre.
Comme on le verra, ces irrgularits peuvent tre limines ou considres
comme tant de nature saisonnire. Plus ennuyeux est le problme dune activit
qui seffectue de faon intermittente. Par exemple, de nombreuses usines ne
travaillent que 5 jours par semaine et, pour un mois donn, le nombre de week-
ends, et donc le nombre de jours ouvrables, varie dune anne sur lautre. Il faut
alors redresser les informations mensuelles au prorata du nombre de jours effectifs
dans le mois considr. Si lanne considre comporte 260 jours ouvrables, le
mois standard comporte alors 260/12 = 21,67 jours (en supposant que lentreprise
travaille sur 12 mois); si lactivit dun mois donn est de 15325, pour un mois de
20 jours ouvrables, on corrigera cette valeur par le ratio 21,67/20, ce qui donne une
activit corrige de 16602.
La dnition du nombre de jours ouvrables du mois standard peut tre encore
plus dlicate que ne le laisse penser cet exemple. En effet, une source de variation
possible (mais non obligatoire) de lactivit dune anne sur lautre est lingalit
observe du nombre de jours ouvrables par an. En pareil cas, on aura intrt
effectuer le calcul du nombre de jours ouvrables de notre mois standard sur
lensemble des annes tudies, au lieu dtablir un mois standard diffrent par
anne. Toutefois, cette dernire mthode prsente linconvnient dobliger tous les
ans corriger lintgralit des chroniques brutes disponibles en fonction du
nouveau standard calcul. Cest pourquoi, certaines entreprises prfrent travailler
systmatiquement avec le mois standard dune anne de rfrence qui devient, en
quelque sorte, lanne normale. Lorsque la notion de jour ouvrable ne simpose
pas, une correction similaire celle dcrite prcdemment peut seffectuer sur la
base du nombre total de jours par mois.
Dans certains cas (activit commerciale par exemple), le nombre de lundis, de
mardis, du mois, explique une partie des variations constates dun mois
lautre. On utilise dans ce cas la technique prcdente, mais en raisonnant en
nombre de journes standard. La conversion dun nombre de jours ouvrables en
nombre de jours standard seffectue partir dun tableau de correspondance assi-
gnant une valeur chaque jour ouvrable de la semaine. Ces valeurs sont obtenues
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

Chapitre XV - Techniques de prvision 983
partir de lanalyse de la rpartition du chiffre daffaires dans une semaine
type, en effectuant le rapport du chiffre daffaires dun jour donn, au chiffre
daffaires moyen quotidien, comme lillustre le tableau 276. Selon la nature du
problme pos et du degr de prcision souhait, cette analyse sera effectue au
niveau dun rayon, dun magasin ou dun groupe de magasins (ou de rayons iden-
tiques de plusieurs magasins).
Supposons, par exemple, que dans ce magasin le chiffre daffaires slve
3750000 dollars liduriens en janvier 2001, et que le nombre moyen mensuel de
jours ouvrables standard soit de 26. Connaissant les jours ouvrables de
janvier 2001 (voir tableau 277), il est facile de dterminer le nombre de jours stan-
dard correspondant pour ce mois. Le chiffre daffaires corrig du mois de
janvier 2001 slve donc 3750000

x

26/25,375 = 3842365 dollars liduriens,
pour le rayon tudi. Ajoutons enn que les corrections de lingalit du nombre
de jours ouvrables par mois (ou trimestre ou semestre) conduit inluctablement
observer que le cumul annuel des donnes corriges ne concide plus avec le
cumul annuel des donnes non corriges (mais, dhabitude, la diffrence est rela-
tivement trs faible).
Le mode de correction que lon vient de prsenter ne peut tre utilis lorsque le
phnomne tudi conduit de faibles valeurs pour le dcoupage spatial et
temporel retenu, car on aboutit alors des valeurs quil est impossible darrondir
sans vider de sens la correction de lingalit du nombre de jours ouvrables. Par
exemple, lorsque lon sintresse la demande mensuelle de pices dtaches
dun concessionnaire automobile, les rfrences existantes sont, pour la plupart
dentre elles, trs peu demandes, voire pas demandes certains mois. En pareil
cas, devant linutilit de procder une correction de lingalit du nombre de
jours ouvrables, il ne reste plus qu prconiser lutilisation de priodes compor-
tant le mme nombre de jours ouvrables, par exemple un multiple dun nombre
entier de semaines, moins dutiliser un dcoupage temporel moins n. En tout
T

ABLEAU

276

Dtermination du nombre de jours standard reprsent
par chaque jour de la semaine

Jours de la semaine Lundi Mardi Mercredi Jeudi Vendredi Samedi Total Moyenne
Chiffre daffaires
(Millions de dollars liduriens)
3 5 6 7 11 16 48 8
Conversion en jours standard 0,375 0,625 0,750 0,875 1,375 2,000 6 -

T

ABLEAU

277

Calcul du nombre de jours standard du mois de janvier 2001

Jours Lundi Mardi Mercredi Jeudi Vendredi Samedi Total
Nombre
mensuel de
jours
observs 4 5 5 4 4 4 26
standard

. = nombre mensuel de jours observs

x

conversion en jours standard (donne au tableau 276); exemple pour le
lundi : 4

x

0,375 = 1,500.

1,500 3,125 3,750 3,500 5,500 8,000 25,375
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

984

tat de cause, lutilisation de priodes gales ne rsout pas les problmes occa-
sionns par certaines perturbations (prsence de jours fris, grves), sauf sil y
a report de la demande au sein de la mme priode.
Les tableaux 278 et 279 illustrent ce point. Ils ont t tablis partir dune
mme simulation de 2600 demandes journalires suivant la mme loi de Poisson
de paramtre 0,5. Le nombre 2600 correspond 5 jours ouvrables pendant 52
semaines sur 10 ans, sans prise en compte des jours fris ni des annes bissex-
tiles. La moyenne journalire retenue conduit une demande moyenne annuelle
de 130. Le tableau 278 dcrit une srie annuelle comportant 13 priodes de 4
semaines, chaque priode comportant donc un nombre constant de jours ouvra-
bles.
La reconstitution de donnes mensuelles (tableau 279 et gure 234) a t
ralise pour montrer les distorsions souvent introduites par cette manire habi-
tuelle de procder, notamment dans lidentication du processus caractrisant la
demande. En effet, le test du (voir tableau 281 de la page 986), habituellement
utilis pour juger de la plus ou moins grande adquation de la distribution
observe avec une distribution thorique de rfrence (ici une loi de Poisson dont
la moyenne est estime partir de la srie reconstitue dobservations soit
mensuelles soit sur des priodes de 20 jours), conduit une valeur calcule du
nettement plus forte avec la chronique mensuelle (15,1 qui correspond un risque
limite denviron 10%, de rejet tort de lhypothse selon laquelle les carts entre
la distribution observe et la distribution thorique sont imputables aux uctua-
tions dchantillonnage) quavec la chronique sur des priodes de 20 jours
ouvrables (6,9 qui correspond un risque limite de rejet tort, denviron 70%).
On peut ajouter que la solution suggre ne modie pas sensiblement limpor-
tance des chiers dtenus par lentreprise, ni les modes de raisonnement (on verra
cependant que ce type de chroniques, caractris par des valeurs faibles ou
T

ABLEAU

278

Demandes par priodes de 20 jours ouvrables tablies partir de la simulation
de 2600 demandes quotidiennes

. Voir la reprsentation graphique de cette chronique la gure 234, page 986.

Anne
Numro de priodes (de 20 jours)
1 2 3 4 5 6 7 8 9 10 11 12 13

1

10 12 11 14 5 8 10 6 11 8 13 11 12 131

2

8 7 16 8 8 6 13 6 10 8 13 7 7 117

3

7 12 6 13 11 14 12 9 8 13 15 10 11 141

4

12 12 13 14 10 7 7 13 8 6 7 7 11 127

5

5 4 12 9 14 6 11 8 7 12 12 7 9 116

6

12 12 12 18 8 9 15 7 6 17 13 5 8 142

7

13 10 11 12 10 8 9 15 11 5 10 9 10 133

8

7 9 9 7 12 11 9 6 9 15 8 8 10 120

9

8 7 10 4 8 13 11 8 13 13 10 12 16 133

10

11 9 9 14 9 11 9 12 8 11 6 12 10 131

93 94 109 113 95 93 106 90 91 108 107 88 104 1291
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
2

Chapitre XV - Techniques de prvision

985
souvent nulles, pose un problme particulier quant au choix des ltres linaires
utilisables).
Se pose galement le problme dincidents tels que les grves, ruptures
dapprovisionnement entranant une baisse momentane dactivit. On peut

1

en
tenir compte en diminuant dautant le nombre de jours de rfrence de lanne, et
du mois considr, condition toutefois que ne se produise aucun phnomne de
rattrapage (cest--dire de demande dont la satisfaction peut tre diffre). Dans
le cas contraire, il est prfrable de procder une estimation mme trs grossire
des jours dactivit rattraps et de leur rpartition dans le temps.
T

ABLEAU

279

Demandes mensuelles tablies partir de la simulation de 2600 demandes
quotidiennes et du tableau 280 du nombre mensuel de jours ouvrables

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

1

15 10 14 8 8 10 10 9 7 16 12 12 131

2

8 9 15 9 7 12 11 9 9 13 8 7 117

3

7 12 8 14 13 15 12 10 12 14 13 11 141

4

12 12 19 11 9 7 12 12 7 7 7 12 127

5

5 5 14 7 16 9 9 8 9 13 12 9 116

6

13 12 15 16 8 18 8 8 11 19 6 8 142

7

15 10 10 15 8 13 12 13 8 9 9 11 133

8

8 8 9 8 16 10 10 8 12 12 9 10 120

9

8 8 9 5 12 13 10 12 14 11 13 18 133

10

12 9 11 13 10 11 13 10 11 9 11 11 131

103 95 124 106 107 118 107 99 100 123 100 109 1291

. Voir illustration de cette chronique la gure 245, page 1035.

T

ABLEAU

280

Nombre de jours ouvrables

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

23 20 21 22 22 21 23 21 22 23 20 22

2

22 20 22 22 21 22 23 21 22 22 21 22

3

21 20 23 22 21 22 22 22 22 21 22 22

4

21 20 23 21 22 22 21 23 22 21 22 22

5

22 20 23 20 23 22 21 23 21 22 23 20

6

23 20 22 21 23 21 22 23 20 23 22 20

7

23 20 21 22 23 20 23 22 21 23 21 21

8

23 20 21 22 22 21 23 21 22 23 20 22

9

23 20 21 22 22 21 23 21 22 23 20 22

10

21 20 23 22 21 22 22 22 22 21 22 22

1. Une autre mthode existe, lutilisation de variables indicatrices, emploi de rgression linaire multiple (voir
III-1.1.2, page 1076).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

986


Le problme des jours fris et des ftes mobiles dont lincidence peut forte-
ment varier, suivant leur place dans la semaine, est plus dlicat rsoudre. En
effet, on peut procder de la mme faon que pour les incidents, ce qui du point
de vue de la recherche de rgularit sur le pass est sans doute prfrable, mais
conduit des calculs complmentaires pour redresser les prvisions en fonction
des jours fris venir. On peut galement considrer le particularisme de ces
jours comme partie intgrante de la saisonnalit. Ce dernier point de vue, qui
dune certaine faon correspond une solution de facilit, ne peut tre adopt que
si le dcoupage temporel sy prte.
Ces diffrents correctifs peuvent avoir pour effet dexpliquer dans certains cas
la quasi-totalit de uctuations que sans cela on aurait attribu une inuence
saisonnire, compliquant ainsi inutilement lanalyse des chroniques.
T

ABLEAU

281

Distribution de frquence des demandes priodiques (20 jours) et
des demandes mensuelles

S
r
i
e
F
r
q
u
e
n
c
e
Demande
x et
2
Test du
2
5 6 7 8 9 10 11 12 13 14 15 16
m
e
n
s
u
e
l
l
e
a
b
s
o
l
u
e
3 1 9 18 17 12 11 19 11 5 6 8 120 x = 10,76

2
= 15,1
r
e
l
a
t
i
v
e
%
2,5 0,8 7,5 15,0 14,2 10,0 9,2 15,8 9,2 4,2 5,0 6,7 100
2
= 8,68
10%
p
r
i
o
d
e
s
(
2
0

j
o
u
r
s
)
a
b
s
o
l
u
e
6 9 14 18 14 13 14 17 12 5 4 4 130 x = 9,95

2
= 6,95
r
e
l
a
t
i
v
e
%
4,6 6,9 10,8 13,9 10,8 10,0 10,8 13,1 9,2 3,9 3,1 3,1 100
2
= 8,16
70%
6
8
10
12
14
16
18
12 24 36 48 60 72 84 96 108 120
FIGURE 234
Chronique mensuelle du tableau 279
mois
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
Enn, lorsque lon travaille sur des chroniques en valeur, il est parfois prf-
rable dliminer pralablement lincidence de lination sur lvolution observe
du phnomne tudi, surtout si le rythme dination varie sensiblement dune
priode lautre. Un indice des prix
1
sera alors utilis pour dater la srie brute,
pour se ramener aux conditions conomiques dune priode de rfrence,
comme lillustre lexemple du tableau 282.
Pour une analyse plus approfondie de ces points, vous pouvez vous reporter au
chapitre III, II-2.2.3, page 182, pour la prise en compte de lination dans les
calculs conomiques et au chapitre XVII, pour lusage des mathmatiques nan-
cires.
I-2 Typologie des chroniques
On peut dcomposer les chroniques les plus complexes en trois composantes,
mais bon nombre dentre elles nen possdent que deux, voire une seule
2
:
- une composante tendancielle, appele encore trend, que lon notera ( I-
2.1, page 987);
- une composante cyclique, appele encore composante saisonnire, que
lon notera ( I-2.2, page 988);
- une composante alatoire, appele encore perturbation alatoire ou terme
rsiduel, que lon notera ( I-2.3, page 989).
On examinera successivement ces diffrentes composantes avant de voir
comment elles se combinent.
I-2.1 Composante tendancielle
Elle est de nature dterministe et se dcrit par une fonction continue et drivable
dans laquelle le temps est la seule variable explicative. La composante tendan-
cielle dcrit les tendances lourdes dun phnomne sur longue priode (plusieurs
annes) et est la seule composante susceptible de faire lobjet dune approche de
1. Voir Giard (1995, [182]), chapitre I, II.2.24.
TABLEAU 282
Exemple de dation dune srie
Priode t Janvier 2001 Fvrier 2001 Mars 2001 Avril 2001
Indice de prix (base 100
janvier 1991)
117,2 116,9 117,3 117,5
Observation 1000 1130 950 1220
Valeur date
(aux conditions de janvier 1991)
853 (= ) 967 810 1038
2. Certains auteurs comme Lewandowski (1979, [281]), p. 40, ajoutent linuence des variations calendaires, des
ftes mobiles et mme les variations climatiques (lorsquelles jouent un rle, ce qui est le cas pour la consom-
mation de boisson par exemple) que nous considrons ici comme relevant du redressement pralable de la srie,
mais techniquement le rsultat est le mme. Lewandowski ajoute en outre une composante correspondant
linuence des actions spciales en marketing (campagne promotionnelle de lentreprise ou de ses concurrents);
la quantication de cette composante lorsquelle intervient, est fondamentale, tant dans une optique dun marke-
ting mix optimal que dans ses incidences sur la politique dapprovisionnement. Mais sa quantication est trs
dlicate (voir Lewandowski (1979, [281]), chapitre IV, et plus particulirement les p. 219 228) et dpasse le
propos introductif que lon sest x dans ce chapitre.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1000
1,172
-------------
f
t
c
t
t
988 Gestion de la production et des ux
type causal, cest--dire dtre explique par un modle conomtrique faisant
dpendre la variable tudie, dune ou plusieurs autres variables.
Cette composante tendancielle est le plus souvent dcrite par une fonction poly-
nomiale en t, de degr n, avec n

= 1 ou 2 (mais trs rarement n

>

2): ,
ou . On utilise galement assez souvent la fonction puissance
pour dcrire des volutions de type exponentiel : , ou (avec
) et, pour certaines chroniques susceptibles de faire lobjet dun phno-
mne de saturation, on utilise encore dautres lois, comme la loi logistique
1
.
La dtermination dune fonction du temps associable la composante tendan-
cielle nest pas toujours possible, si lon raisonne avec un dcoupage temporel
assez n. Cest le cas, en particulier, si lon tudie des chroniques de produits
faisant lobjet de campagne: par exemple, pour un fabricant de bouteilles, le
march des cols de vins du Beaujolais vendus pour la mise en bouteille, dpend
fondamentalement de limportance de la rcolte de lanne et dune dcision de
stockage ou de dstockage prise par des organisations professionnelles: lvolu-
tion tendancielle du march des cols de Beaujolais seffectue donc par palier et na
donc de sens que pour une campagne complte (ne concidant pas avec lanne
civile) et non au niveau de donnes mensuelles (ce qui conduit, comme on le verra,
une dtermination bien particulire de la composante saisonnire).
I-2.2 Composantes cycliques
Lactivit conomique connat une superposition de rythmes naturels. Si on
prend par exemple la demande de transport des voyageurs, celle-ci connat des
uctuations importantes au cours dune journe, uctuations qui se reproduisent
avec rgularit parce que le transport est li une activit professionnelle ou
scolaire, elle-mme soumise des horaires dune grande stabilit. Des uctuations
hebdomadaires se superposent ces uctuations journalires, elles sont lies des
usages professionnels et aux migrations personnelles du week-end. ces uctua-
tions sajoutent galement des uctuations mensuelles lies des habitudes de
vacances, et des super-pointes, dont limportance est lie la plus ou moins grande
proximit de ftes mobiles et de week-ends.
Ces diverses uctuations ne se retrouvent pas ncessairement dans les chroni-
ques tudies, car celles-ci peuvent correspondre des donnes plus ou moins
agrges. Lune des composantes de cette agrgation de donnes est le dcoupage
temporel retenu, lequel est largement tributaire du but poursuivi dans la constitu-
tion de la chronique, ou, sil sagit dun sous-produit dune activit de gestion,
du rythme de cette activit (priodicit lie une gestion de stocks de type
calendaire, par exemple).
Ce qui caractrise avant tout la composante cyclique, cest sa priodicit, cest-
-dire que le comportement de la valeur observe pour une priode t quelconque
sexplique, par rapport au trend (lorsque ce dernier existe), par la valeur observe
pour une priode t

k, k tant la priodicit. La combinaison du trend et de la
valeur cyclique sera tudie au I-2.4, page 994. Lanalyse de la composante
cyclique amne 3 remarques.
1. Pour une prsentation de ces lois, voir Giard (1995, [182]), chapitre VI, I.3.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
f
t
at b + =
f
t
at
2
bt c + + =
f
t
f
0
B
at
= f
t
f
0
e
bt
=
B
a
e
b
=
f
t
a b e
ct
+ ( ) =
- Tout dabord, plusieurs cycles peuvent se superposer, autrement dit il est
possible de dcomposer la composante cyclique en plusieurs composantes c
ht
de priodicits diffrentes k
h
.
- Ensuite, dans un cycle donn, les composantes cycliques ne sont pas forc-
ment toutes signicativement diffrentes les unes des autres: par exemple
dans une chronique mensuelle, il suft que le seul mois daot ait un
comportement diffrent des autres mois pour que lon parle dun cycle
annuel. Bien souvent les paramtres saisonniers mis en vidence dans des
tudes sommaires de chroniques nen sont pas et sexpliquent en ralit par
les perturbations alatoires qui (pour reprendre notre exemple), sur un mme
mois donn et sur plusieurs annes, ont trs peu de chances de se compenser
(ce point sera illustr la n du page 996).
- Enn la composante cyclique peut, elle-mme, connatre une volution
temporelle, mais, pour reprendre notre exemple, la rfrence de temps de
cette volution nest alors plus le mois, mais lanne. La dtection de cette
volution suppose que lon dispose de chroniques assez longues. Certaines
techniques de prvision (mais pas toutes) intgrent ces volutions de compo-
santes cycliques, en particulier le modle de Holt-Winters (cf. II-3.3, page
1056) et les procdures de Box et Jenkins (cf. III-2, page 1083).
I-2.3 Composante alatoire
Sa caractristique essentielle est dtre non dterministe: la composante ala-
toire, laquelle se rsument certaines chroniques, peut correspondre des
processus alatoires de nature bien diffrente. On sintresse plus particulirement
trois dentre eux:
- processus purement alatoire ( I-2.3.1),
- processus alatoire dont les paramtres varient au cours du temps ( I-2.3.2,
page 993),
- processus stationnaires ( I-2.3.3, page 994).
I-2.3.1 Processus purement alatoire
La variable alatoire suit
1
un processus purement alatoire si la chronique
quelle gnre est une squence de ralisations de variables mutuellement ind-
pendantes et de mme distribution de probabilit.
Lindpendance des lois de probabilit implique en particulier que lesprance
mathmatique et la variance de nimporte quelle perturbation alatoire soient
indpendantes de sa date t ( et , quelle que soit la priode t).
Habituellement, si lesprance mathmatique nest pas nulle ( 0), on considre
que appartient la composante tendancielle et lon travaille sur la variable
centre ( ) qui a mme variance (et une esprance mathmatique nulle). Cela
dit, cette faon de procder nest acceptable que pour quelques distributions de
probabilits, comme celle de la loi Normale car ce type de dissociation na pas de
sens pour des distributions de probabilits comme celle de la loi de Poisson, mme
si lon peut considrer dans ce cas, quil y a uctuation autour dune valeur
1. Voir Chateld (1975, [91]), p. 39-40.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
c
t
t
E
t
( ) = V
t
( )
2
=
t
centrale (la moyenne de cette loi de Poisson) laquelle peut sanalyser comme une
composante tendancielle.
Lindpendance mutuelle implique que la covariance de 2 perturbations ala-
toires dcales dun nombre j quelconque de priodes soit nulle:
; ; Processus purement alatoire
relation 380
Un processus purement alatoire est encore appel bruit blanc
1
. La loi suivie
par la variable alatoire peut tre quelconque, mais celle qui est la plus couram-
ment utilise est la loi Normale, au point que, pour certains auteurs
2
, lappellation
bruit blanc implique ncessairement la normalit des perturbations alatoires.
Ces diffrentes hypothses sont celles qui sont habituellement utilises en
rgression linaire pour pouvoir prtendre que les coefcients de rgression
observs sur un chantillon constituent des estimations correctes des paramtres
inconnus dans la population-mre, et lhypothse de normalit des rsidus est
galement ncessaire pour juger par intervalle de conance les diffrents param-
tres de rgression
3
.
Un exemple de perturbations alatoires qui suivent un processus purement ala-
toire caractris par une loi Normale dcart-type et de moyenne nulle,
gnr sur tableur partir des fonctions statistiques et de gnrateurs de nombres
alatoires
4
, est donn au tableau 283.
Un certain nombre de chroniques se rsument souvent un processus purement
alatoire de moyenne non nulle. Prenons le cas de la demande pour un article
donn pendant une priode de 20 jours ouvrables, suivant une loi Normale de
moyenne 167, et dcart type 50 (ce qui correspond aux exemples du chapitre XII,
I-1.1, page 772); une simulation alatoire de cette demande sur 25 priodes (de
20 jours ouvrables) gnre la chronique donne en colonne 4 du tableau 284. Il
convient toutefois de rappeler que lindpendance de la demande dune priode
sur lautre nest ralise que si les procdures de gestion de stock de cet article
contrent efcacement des comportements erratiques (achat de prcaution en cas
de rupture de stock, spculation la rupture de stocks). La colonne 5 du tableau
284 sera utilise au I-2.3.2, page 993.
Lanalyse de la demande dune rfrence peut tre pousse plus loin, notam-
ment lorsque lon sintresse au secteur de la distribution et que lon peut consi-
1. Ce terme, donn initialement par les ingnieurs ce type de processus, est li son comportement en analyse
spectrale; voir Kendall (1973, [260]) p. 99.
2. par exemple Anderson (1976, [15]) p 12-13.
3. Voir, par exemple, Giard (1995, [182]), chapitre VI, II.1 et II.2.
TABLEAU 283
Gnration alatoire de 12 ralisations de la loi N (0,10)
t 1 2 3 4 5 6 7 8 9 10 11 12
8,27 0,22 8,10 20,97 3,31 11,22 7,29 7,55 0,05 14,33 1,61 2,95
4. Par exemple, sous Excel (en localisation franaise), cette gnration alatoire de ralisations dune variable
alatoire suivant la loi N (0; 10) est obtenue par la formule: = LOI.NORMALE.INVERSE(ALEA();0;10).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
E
t
( ) = V
t
( )
2
= COV
t

t j +
, ( ) 0 = , j
10 =
t
drer que lon est en prsence de phnomnes stationnaires (du moins sur un
horizon sufsant). En effet, dans ce contexte, la demande qui sexprime, au cours
dun intervalle de temps donn T, est le rsultat de la combinaison de deux
facteurs: le nombre de clients ayant demand cette rfrence et la demande
(suprieure zro) effectue par chacun des clients i (i variant de 1 ). La gn-
ralisation des codes barres et lintroduction rapide de scanners ou de crayons
optiques, dans le secteur de la grande distribution, permet maintenant une saisie
aise de ces informations. Lorsque lintervalle de temps considr et lesprance
mathmatique du nombre de clients sont assez grands et que les demandes
individuelles sont indpendantes dans le temps, on retombe assez classique-
ment sur une distribution normale de la demande sur la priode (en vertu du
thorme de la limite centrale). Dans le cas contraire et notamment lorsque lon
sintresse un article durant une priode correspondant un dlai dobtention
relativement courte, lanalyse de la demande est plus complexe; on y consacrera
le I-2.3.1.1. Le problme se complique singulirement lorsque le dlai dobten-
tion est lui-mme alatoire (cf. I-2.3.1.2, page 992). Ces problmes seront traits
assez sommairement ici ; le lecteur intress par une analyse des travaux conduits
dans ce domaine pourra consulter Bagchi, Haya et Ord (1984, [27]).
TABLEAU 284
Simulation de processus purement alatoire (colonne 4)
et avec tendance (colonne 5)
t
Ala F
t
u
t
P (U < u
t
)
= F
t
x
t
*
z
t
t Ala F
t
u
t
P (U < u
t
)
= F
t
x
t
z
t
1 796 0,8274 208
211
14 791 0,8099 207
244
2 491 0,0226 166
170
15 263 0,6341 135
167
3 791 0,8099 207
215
16 675 0,4538 190
230
4 982 2,0969 272
283
17 413 0,2198 156
195
5 630 0,3319 184
195
18 391 0,2767 153
194
6 131 1,1217 111
122
19 938 1,5382 244
299
7 233 -0,729 131
144
20 656 0,4016 187
238
8 775 0,7554 205
225
21 995 2,5758 296
365
9 502 0,005 167
187
22 885 1,2004 227
290
10 76 1,4325 95
113
23 20 2,0537 64
105
11 564 0,1611 175
201
24 421 0,1993 157
215
12 616 0,295 182
210
25 971 1,8957 262
340
13 448 0,1307 160
190
- - - - -
. Nombres extraits dune table de nombres au hasard = frquence cumule alatoire (unit 1000).
. Variable centre rduite correspondant la frquence cumule de la colonne prcdente (loi Normale).
*. Gnration alatoire du processus purement alatoire N (167; 50), partir de la variable centre rduite alatoire
de la colonne prcdente.
. Gnration alatoire du processus alatoire dont les paramtres varient au cours du temps, introduit en exemple
au I-2.3.2, page 993: .
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
L
t
( ) N 167 1 01274 ,
t
; 50 1 01274 ,
t 2 /
( )
=
n
T
d
i
n
T
n
T
I-2.3.1.1 Intervalle de temps certain
Dans le cas discret, lanalyse de la demande fait appel assez classiquement
aux modles statistiques suivants: loi binomiale, loi de Poisson, loi binomiale
ngative et loi gomtrique. La slection dun modle nest pas aise, mais lon
peut guider la rexion sur des considrations de forme (symtrie) et sur
certaines caractristiques analytiques telles que le rapport de la variance la
moyenne (rapport gal 1 pour la loi de Poisson, infrieur 1 pour la loi binomiale
et suprieur 1 pour la loi binomiale ngative). Dans le cas continu, il pourra tre
fait appel de nombreux modles et notamment ceux de la loi Normale (cas
symtrique) et de la loi gamma (dissymtrie). Certains de ces modles, en parti-
culier ceux permettant davoir des valeurs ngatives ou nulles, doivent tre adapts
(distribution tronque) pour pouvoir prtendre dcrire correctement la demande
portant sur un bien ou un service. Le problme de la reconnaissance du modle
appropri nest pas facile, compte tenu de la taille des chantillons habituellement
disponibles et des problmes de uctuations dchantillonnage qui en rsultent.
Frquemment, les risques de rejet tort de plusieurs solutions alternatives sont
voisins, ce qui rend le choix nal difcile et partiellement arbitraire.
En ce qui concerne la modlisation de la distribution du nombre de clients par
unit de temps, le modle le plus frquemment utilis reste celui de la loi de
Poisson. La combinaison des distributions thoriques de la demande dun client
avec celle du nombre de clients, sur une priode T, donne quelques rsultats analy-
tiques dcrits dans des ouvrages spcialiss comme celui de Kendall et Stuart
(1976, [261]) et dans larticle synthtique de Bagchi, Haya et Ord (1984, [27]). On
peut citer notamment :
- une demande suivant une loi de Bernouilli (loi binomiale dans laquelle n
= 1) se combine avec un nombre de clients suivant une loi de Poisson pour
donner une loi de Poisson (pour la demande );
- une demande suivant une loi logarithmique se combine avec un nombre de
clients suivant une loi de Poisson pour donner une loi binomiale ngative;
- une demande suivant une loi binomiale se combine avec un nombre de
clients suivant une loi binomiale pour donner une loi binomiale;
- une demande suivant une loi binomiale se combine avec un nombre de
clients suivant une loi de Poisson pour donner une loi de Poisson.
I-2.3.1.2 Intervalle de temps alatoire
Lorsque la distribution de demande par intervalle de temps est connue
(ventuellement, aprs une tude du type de celle qui prcde) et que lon sint-
resse la distribution de cette demande sur un intervalle de temps alatoire, on
dispose galement de quelques rsultats analytiques:
- une demande suivant une loi exponentielle se combine avec une dure
suivant une loi gomtrique pour donner une loi exponentielle;
- une demande suivant une loi de Poisson se combine avec une dure
suivant une loi exponentielle pour donner une loi gomtrique;
- une demande suivant une loi de Poisson P (m) se combine avec une dure
suivant une loi Normale N (m,

s) pour donner une distribution de Hermite
(pour m>

m

.

s
2
);
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
d
i
d
i
n
T
d
T
d
i
d
i
d
T
d
T
d
T
- un rsultat analytique est disponible pour le cas de la demande suivant une
loi de Poisson se combinant avec dure suivant une loi Normale tronque;
- une demande suivant une loi Normale se combine avec une dure suivant une
loi exponentielle pour donner une loi exponentielle tronque;
- un rsultat analytique est disponible pour le cas de la demande suivant une
loi Normale se combinant avec une dure suivant une loi gamma.
Dun point de vue pratique, le nombre de rsultats analytiques disponibles est
relativement faible et mme quasiment inexistant si lon cherche combiner les
trois composantes ( , , T). En outre, lexistence de solution analytique
nimplique pas que la solution trouve soit facile mettre en uvre dun point de
vue numrique. Pour cette raison, lapproche simulatoire peut tre utilise pour
fournir une estimation des probabilits recherches. De nos jours, il est possible
davoir immdiatement une bonne reconstitution de la distribution de probabilit
rsultant de la combinaison des distributions de probabilit (thoriques ou empi-
riques) de ces composantes, en utilisant certains add-ins de tableur (par exemple,
@risk et Excel
1
). Sil est ncessaire dinclure ces reconstitutions de distribution
dans des programmes de gestion pour des prises de dcision automatiques, il suft
de reprendre dans louvrage de Fishman (1978, [150]) les algorithmes disponibles
pour la vingtaine de modles de probabilit les plus usits et qui utilisent des gn-
rateurs de nombres alatoires.
I-2.3.2 Processus alatoire dont les paramtres varient au cours
du temps
On classera dans cette catgorie les processus alatoires dont les ralisations
sont indpendantes dune priode sur lautre, mais dont les paramtres voluent
au cours du temps. Cette volution est de nature dterministe, mais son observa-
tion est des plus difciles puisque chaque observation est une ralisation dune
variable alatoire diffrente des prcdentes. Pour bien faire comprendre ce point,
nous utiliserons un exemple numrique, mais auparavant rsumons les proprits
de cette classe de processus alatoire:
; ; Processus alatoire dont les para-
mtres varient au cours du temps relation 381
Illustrons par un exemple ce type de processus : si la demande de larticle
tudie prcdemment saccrot en moyenne et en variance de 20% par an et si
lanne comporte 288 jours ouvrables, ce qui correspond un taux de croissance
de 1,274% par priode de 20 jours ouvrables, la demande pour la priode t suivra
la loi Normale: . La colonne 5 du
tableau 283 (page 990) fournit une simulation de 25 occurrences de cette variable
alatoire.
Le problme pratique qui se pose lorsque lon rencontre de telles chroniques est
celui de lidentication de leurs lois dvolution. La gure 235 de la page 994
retrace les droites de Henry correspondant aux colonnes 4 et 5 du tableau 283 de
la page 990 et leurs quations de rgression (sur les variables centres rduites
correspondantes
2
). Une analyse un peu rapide peut laisser croire, dans le second
1. Voir Giard (1995, [182]), chapitre II, II.3
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
d
i
n
T
E
t
( )
t
= V
t
( )
t
2
= COV
t

t j +
, ( ) 0 =
L
t
( ) N 167 1 01274 ,
t
; 50 1 01274 ,
t 2 /
( )
=
cas, que la chronique tudie se rduit un processus purement alatoire, mais
lutilisation de ltres linaires (cf. page 1015) permet en ralit de dtecter la
prsence dune volution affectant la moyenne du processus tudi.
I-2.3.3 Processus stationnaires
Par rapport au processus purement alatoire, le processus stationnaire se carac-
trise par une dpendance de avec , , , (k pouvant du reste tre
gal 1 et donc la dpendance se limiter une seule priode), la moyenne et la
variance de restant indpendantes de t. La dpendance entre et (avec j
k), se traduit par la proprit suivante : la covariance entre et
(COV ) reste constante et ne dpend que du dcalage j et non de la date t:
; ; Processus stationnaire
relation 382
Une prsentation rigoureuse des processus stationnaires ncessite
1
de faire
appel la notion de distribution de probabilit jointe, ce qui ne sera pas fait ici.
De tels processus se rencontrent assez souvent et posent des problmes en
rgression linaire, o leur occurrence biaise les estimateurs classiquement
utiliss ; mais on verra au III-3, page 1101, comment rgler ces dlicats
problmes.
I-2.4 Combinaison des composantes dune chronique
Les diffrentes composantes dune chronique, le trend, la composante
cyclique, et la perturbation alatoire, peuvent se combiner soit de faon addi-
tive, soit de faon multiplicative. Toutes les combinaisons sont a priori possibles,
mais en ralit trois dentre elles seulement sont habituellement utilises
2
:
2. Voir Giard (1995, [182]), chapitre III, II.1.3, pour une prsentation de la rgression sur droite de Henry.
1. Voir par exemple Chateld (1975, [91]), p. 35-36, Nelson (1973, [315]), chapitre V, Box et Jenkins (1970, [65])
p. 26.
50 75 100 125 150 175 200 225 250 275 300
T
X
2,0
1,5
1,0
0,5
0,0
0,5
1,0
1,5
2,0
2,0
1,5
1,0
0,5
0,0
0,5
1,0
1,5
2,0
75 125 175 225 275 325
T
X
FIGURE 235
Droites de Henry sur les colonnes 4 et 5 du tableau 284 de la page 991
T

=

3
,
1
8
6

+
0
,
0
1
8
X

(
R

2

=

0
,
9
7
8
)
T

=

3
,
1
8
6

+
0
,
0
1
5
X

(
R

2

=

0
,
9
6
2
)
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
t

t 1

t 2

t k
t

t

t j
t

t j
t

t j
, ( )
E
t
( ) = V
t
( )
2
= COV
t

t j +
, ( ) K
j
=
f
t
c
t
t
(modle 1)
(modle 2)
(modle 3)
Le modle 1 est dit modle additif et le modle 2 modle multiplicatif. Le
modle 2 se ramne sans difcult au modle 1 en effectuant une transformation
logarithmique ( ). Dans un certain
nombre de cas, on effectue une transformation logarithmique pour stabiliser la
variance, cest--dire pour empcher la variance de crotre avec t, lorsque crot
lui-mme avec t. Le modle 3 qui est un modle mixte
1
est dun usage moins
frquent, et son tude analytique est plus dlicate. Toutefois, on en verra une appli-
cation fort intressante avec le modle de Holt et Winters (cf. II-3.3, page 1056).
En ce qui concerne la composante cyclique, on convient
2
le plus souvent :
- Pour le modle 1, que la somme des sur un cycle complet est
ncessairement nulle, autrement dit quil y a compensation des uctuations
saisonnires au cours du cycle de faon ce quil ninclut aucun mouvement
tendanciel.
- Pour le modle multiplicatif, on effectue la mme hypothse, mais sur le
modle 2 transform en logarithme. Si la somme des logarithmes des compo-
santes cycliques est nulle, cela revient dire
3
que leur produit est gal 1, ou
encore que leur moyenne gomtrique est gale lunit.
Cette hypothse de nullit de la somme des composantes cycliques dans le cas du
modle additif (ou sa transcription dans le cas du modle multiplicatif) est
connue sous le nom de principe de conservation des aires, mais en ralit elle ne
simpose pas toujours, comme on le verra au III-1.1, page 1071. Lapplication
de ce principe implique que la composante alatoire a une esprance mathma-
tique nulle dans le cas o cette composante joue additivement (modles 1 et 3) et
avoir une esprance mathmatique gale 1 dans le cas o cette composante
joue de faon multiplicative (ce que lon justiera la page 1073 pour le modle
2, la justication pour le modle 3 tant similaire).
(principe de conservation des aires: modle additif) relation 383
(principe de conservation des aires: modle multiplicatif)relation 384
Lexemple suivant illustre la diffrence entre ces 3 modles. On rfrencera par
lindice supplmentaire 1, et ( et ) lorsque ceux-ci jouent de faon
2. Note de la page prcdente. Voir Chateld (1975, [91]), p. 15-16.
1. Un autre modle mixte, que lon utilise parfois est : .
2. Voir Calot (1973, [82]) p. 355-357.
3. ; mais trs souvent, pour simplier les calculs, on se contente de , qui
donne des valeurs proches. Lorsque cette galit nest pas respecte, on corrige alors les coefcients en les multi-
pliant par dans le modle additif. Sur ce point, voir page 1019.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
c
t

t
+ + =
x
t
f
t
c
t

t
=
x
t
f
t
c
t
( )
t
+ =
x
t
f
t
c
t

t
= x
t
f log
t
c log
t
log
t
+ + = log
x
t
x
t
f
t
c
1t
= c
2t

t
+ +
c
t
c
j
log
j 1 =
m
0 c
j
j 1 =
m
1 = = c
j
j 1 =
m
m =
m c
j
j 1 =
m
c
j
j 1 =
m
0 =
c
j
j 1 =
m
1 =
c
t

t
c
1t

1t
additive, et par lindice 2 lorsquils jouent de faon multiplicative. Les chroniques
sont trimestrielles et portent sur 3 ans.
(incidence additive)
(incidence multiplicative)
, avec gnration alatoire (cf. tableau 283, page 990)
On peut noter, sur lexemple numrique du modle 1, que la composante ala-
toire (gnre alatoirement ici) peut biaiser le jugement que lon porte sur la
composante tendancielle, car une rgression linaire en t effectue sur les
donne: = 1,004t + 8,169 ( = 0,058) ou sur les composantes cycliques, car
si lon somme par trimestre les , on obtient
- trimestre 1: 8,27 + 3,31 + 0,05; moyenne = + 3,88
- trimestre 2: 0,22 11,22 14,33; moyenne = 8,59
- trimestre 3: 8,1 7,29 + 1,61; moyenne = + 0,81
- trimestre 4 : 20,97 + 7,55 + 2,95; moyenne = + 10,49
Cet exemple illustre bien la grande difcult quil y a dcomposer correctement
une chronique en tendance, saisonnalit et perturbations alatoires.
On utilisera comme exemple de chronique avec saisonnalit, trend et perturba-
tions alatoires, une chronique de ventes du rayon de journaux de lhypermarch
Casimouth dAlphaville, redresse pour tenir compte de lincidence des grves
corrige au prorata des jours ouvrables et de lination (cf. I-1, page 982). Les
donnes sont fournies au tableau 286. Ce type de tableau, dans lequel on repre
les annes en lignes et les mois en colonnes, est connu sous le nom de tableau de
Buys-Ballot. La reprsentation graphique de cette chronique est donne la gure
236.
TABLEAU 285
Construction de 3 modles partir des mmes composants
t
Modle 1 Modle 2 modle 3
1 102,10 5 8,27 107,10 1,049 107,10 1,086 115,37 116,34 115,37
2 104,40 2 0,22 102,40 0,981 102,42 0,998 102,18 102,19 102,20
3 106,90 4 8,10 102,90 0,963 102,94 1,084 111,00 111,63 111,04
4 109,60 1 20,97 110,60 1,009 110,59 1,233 131,57 136,39 131,56
5 112,50 5 3,31 117,50 1,049 118,01 1,034 120,81 121,98 121,32
6 115,60 2 11,22 113,60 0,981 113,40 0,894 102,38 101,37 102,18
7 118,90 4 7,29 114,90 0,963 114,50 0,930 107,61 106,45 107,21
8 122,40 1 7,55 123,40 1,009 123,50 1,078 130,95 133,19 131,05
9 126,10 5 0,05 131,10 1,049 132,28 1,001 131,15 132,35 132,33
10 130,00 2 14,33 128,00 0,981 127,53 0,866 113,67 110,50 113,20
11 134,10 4 1,61 130,10 0,963 129,14 1,016 131,71 131,23 130,75
12 138,40 1 2,95 139,40 1,009 139,65 1,030 142,35 143,83 142,60
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
f
t
100 2t 0 1t
2
, + + =
c
1t
+ 5 ; -2 ; -4 ; +1 } =
c
2t
1,049 ; 0,981 ; 0,963 ; 1,009 } =
L
1t
( ) N 0 10 , ( ) =
2t
e
1t
100
=
f
t
c
1t

1t
f
t
c
1t
+ c
2t
f
t
c
2t

2t
f
t
c
1t

1t
+ + f
t
c
2t

2t
f
t
c
2t
( )
1t
+
t

2
t
I-3 Dtection de la saisonnalit
La dtection de la saisonnalit dune chronique est moins vidente quil ne le
parat de prime abord. Certes, lexprience et le bon sens sont irremplaables pour
fournir des hypothses de saisonnalit, mais, bien souvent, lide que lon peut se
faire des uctuations temporelles dune demande se rsume une apprciation
qualitative portant sur une ou deux superpointes ou super creux (les ftes de
TABLEAU 286
Ventes du rayon de ventes de journaux du Casimouth dAlphaville
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
T
o
t
a
l
M
o
y
e
n
n
e
1994 705 653 713 684 707 714 684 422 629 811 721 803 8246 687
1995 831 765 815 830 756 811 746 504 774 762 695 680 8969 747
1996 682 684 743 701 641 595 679 439 728 746 688 743 8069 672
1997 689 741 815 719 730 764 626 456 757 786 778 762 8623 719
1998 719 692 771 692 753 764 652 494 696 742 794 773 8542 712
1999 901 815 900 846 883 811 766 584 761 863 773 751 9654 805
2000 739 624 640 672 615 638 555 372 605 615 573 674 7322 610
Total 5266 4974 5397 5144 5085 5097 4708 3271 4950 5325 5022 5186 59425 4952
FIGURE 236
Chronique de ventes du rayon de ventes de journaux du Casimouth dAlphaville
300
400
500
600
700
800
900
1000
V
e
n
t
e
s

o
b
s
e
r
v
e
s
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

998


n danne et le mois daot), sans forcment savoir si la saisonnalit est aussi
forte pour tous les articles ou toutes les prestations. Un instrument utile de dtec-
tion de la saisonnalit est le graphique superpos, cest--dire le report sur un
mme graphique mensuel dune chronique annuelle (voir gure 237), mais il est
bien souvent insufsant.
Il convient de bien distinguer deux problmes dans cette dtection de la
saisonnalit:
- Le premier est de savoir sil existe un rythme saisonnier, sans se poser la
question de savoir si chaque priode constitutive dun cycle saisonnier a un
comportement rellement spcique; autrement dit, on peut dtecter une
saisonnalit pour une chronique annuelle dans laquelle deux mois seulement
sont signicativement diffrents du comportement moyen caractrisant
les dix autres mois.
- Le second problme ne se pose que si lon a rpondu afrmativement au
premier; il sagit alors de quantier la saisonnalit de chaque priode cons-
titutive dun cycle, et den dtecter le caractre plus ou moins signicatif.
Les techniques que nous allons aborder dans ce I-3 ne concernent que le
premier de ces deux problmes. La premire dentre elles est le corrlogramme, et
la seconde lutilisation de tests statistiques.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

FIGURE 237

Graphique superpos des ventes du rayon de ventes de journaux du Casimouth
dAlphaville

350
400
450
500
550
600
650
700
750
800
850
900
950
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 1995 1996 1997 1998 1999 2000


999

I-3.1 Le corrlogramme

Le corrlogramme est la reprsentation graphique dune srie de coefcients
dautocorrlation. Aprs avoir dni le coefcient dautocorrlation ( I-3.1.1),
nous en verrons linterprtation ( I-3.1.2, page 1002).

I-3.1.1 Le coefcient dautocorrlation

Le coefcient dautocorrlation nest quun coefcient de corrlation un peu
particulier. Mais rappelons tout dabord ce quest le coefcient de corrlation r
entre une variable

Z

et une variable

Y

: cest un indicateur statistique de la plus ou
moins bonne liaison linaire entre ces deux variables

Z

et

Y

, que lon dnit
comme: dont les relations de dnition et de calcul sont :

relation 385

Lapplication de cette relation sur le tableau de donnes ponctuelles 287 donne
= 0,649. Si les couples dobservation
portent sur la mme variable

X

, avec un dcalage dune priode : et
le coefcient de corrlation est alors appel

coefcient dautocorrla-

T

ABLEAU

287
Calcul du coefcient de corrlation entre Z et Y
i
1 16 13 208 169 256
2 13 7 91 49 169
3 7 18 126 324 49
4 18 24 432 576 324
5 24 19 456 361 576
6 19 15 285 225 361
7 15 28 420 784 225
8 28 30 840 900 784
9 30 33 990 1089 900
10 33 23 759 529 1089
11 23 32 736 1024 529
n = 12 32 39 1248 1521 1024
258 281 6591 7551 6286
21,50 23,42 549,25 629,25 523,83
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
COV Z Y , ( )
V Z ( )V Y ( )
------------------------------ =
1
n
--- z
i
z ( ) y
i
y ( )
i 1 =
n
1
n
--- z
i
z ( )
2
i 1 =
n
\ !
( \
1
n
--- y
i
y ( )
2
i 1 =
n
\ !
( \
----------------------------------------------------------------------------
1
n
--- z
i
y
i
z y
i 1 =
n
1
n
--- z
i
2
z
2
i 1 =
n
\ !
( \
1
n
--- y
i
2
y
2
i 1 =
n
\ !
( \
--------------------------------------------------------------------- = =
y
i
z
i
z
i
y
i
z
i
2
y
i
2
( )
( )
n
--------
549 25 21 5 , 23 42 , ,
629 25 23 42 ,
2
, ( ) 523 83 21 5 ,
2
, ( )
----------------------------------------------------------------------------------------- =
y
i
x
t
=
z
i
x
t 1
=
tion, le prxe auto tant ajout pour indiquer que lon travaille en ralit sur
la mme variable. Le calcul du coefcient dautocorrlation de la chronique du
tableau 288 conduit recrer le tableau 287 de la page 999 qui comporte 12
couples de valeurs ( , ) et est tel :
- que Y est une chronique constitue des 13 1 = 12 premires observations de
la chronique X du tableau 288
- et que Z est une chronique constitue des 13 1 = 12 dernires observations
de la chronique X du tableau 288.
Le coefcient dautocorrlation est donc 0,649.
Le dcalage retenu ici tait dune priode, mais on peut aussi bien retenir un
dcalage quelconque j. Si j = 3 par exemple, on tire de la chronique initiale une
srie statistique de 13 3 couples de valeurs ( , ), compose dune srie Y, cons-
titue des 13 3 = 10 premires observations de la chronique X du tableau 288 et
dune srie Z, constitue des 13 3 dernires observations, ce qui conduit au
tableau 289 partir duquel on obtient = 0,589.
On peut dnir autant de coefcients dautocorrlation que de dcalages possi-
bles (cest--dire ici 10, car, pour que le calcul du coefcient de corrlation garde
un sens, il faut au moins 3 couples de valeurs). Pour diffrencier ces coefcients
dautocorrlation, on les indice par le dcalage, cest--dire que lon utilise la
notation (dans notre exemple, nous avions donc = 0,649 et = 0,589), et
lon parle de coefcient dautocorrlation dordre j (ou de coefcient dauto-
corrlation de dcalage j).
La gnralisation de ce qui vient dtre vu conduit un calcul du coefcient
dautocorrlation dordre j, en deux temps:
- formation des couples (

= , = ),
- puis application de lune des formules prcdentes cette srie statistique
( , ).
mais on peut galement condenser ces deux tapes en une, laide dindices
appropris, les formules devenant alors:
TABLEAU 288
Chronique utilise pour introduire le coefcient dautocorrlation
t 1 2 3 4 5 6 7 8 9 10 11 12 13
16 13 7 18 24 19 15 28 30 33 23 32 39
TABLEAU 289
Calcul du coefcient dautocorrlation dordre 3
i 1 2 3 4 5 6 7 8 9 10
16 13 7 18 24 19 15 28 30 33
18 24 19 15 28 30 33 23 32 39
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
i
z
i
x
t
z
i
y
i
y
i
z
i
j

1

3
j
y
i
x
t
z
i
x
t j +
y
i
z
i
j
, do:
relation 386
Le corrlogramme nest autre que la reprsentation graphique des couples (k,
), avec k en abscisse et en ordonne. La gure 238, correspond au corrlo-
gramme de la chronique des ventes du rayon de Casimouth. La signication des
bornes infrieures et suprieures sera faite au I-3.1.2, page 1004, o lon inter-
prtera les rsultats trouvs. La mthode de Quenouille (cf. Kendall, [260], p. 93)
est utilise ici
1
(voir calculs du tableau 290 de la page 1002), car elle permet de
rduire de faon importante le biais obtenu en calculant directement le coefcient
dautocorrlation dordre j sur lintgralit de la chronique.
Mthode de Quenouille relation 387
o r
k
est le coefcient dautocorrlation dordre k calcul sur la chronique initiale,
est le coefcient dautocorrlation dordre k calcul sur la premire moiti de
cette chronique et est le coefcient dautocorrlation dordre k calcul sur la
seconde moiti de cette chronique.
Lexprience montre quil est souhaitable dtablir les corrlogrammes pour
une valeur maximale de k correspondant deux fois le nombre de priodes du
1. Cette mthode est utiliser sur des sries sufsamment longues car elle risque autrement, en cas de srie
chaotique n de fournir des estimations aberrantes (cest--dire sortant de la fourchette [1; +1]).
j
1
n j
---------- x
t
1
n j
---------- x
i
i 1 =
n j
\ !
| |
( \
x
t j +
1
n j
---------- x
i
i j 1 + =
n
\ !
( \
| |

| |
t 1 =
n j
1
n j
---------- x
t
1
n j
---------- x
i
i 1 =
n j
| |

| |
2
t 1 =
n j
1
n j
---------- x
t j +
1
n j
---------- x
i
i j 1 + =
n
| |

| |
2
t 1 =
n j
---------------------------------------------------------------------------------------------------------------------------------------------------- =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
j
1
n j
---------- x
t
x
t j +
t 1 =
n j
1
n j
---------- x
t
t 1 =
n j
\ !
| |
( \
1
n j
---------- x
t
t j 1 + =
n
\ !
( \
1
n j
--------- x
t
2
t 1 =
n j
1
n j
--------- x
t
t 1 =
n j
\ !
| |
( \
2
1
n j
---------- x
t j +
2
t 1 =
n j
1
n j
--------- x
t
t j 1 + =
n
\ !
( \
2
--------------------------------------------------------------------------------------------------------------------------------------- =
k

k
k
2r
k
r
k
r
k
+
2
--------------- =
r
k
r
k
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Dcalage k
Coefficient dautocorrlation dordre k
Borne infrieure
Borne suprieure
FIGURE 238
Corrlogramme de la chronique des ventes de Casimouth.
cycle prsum, plus 1. Dans le cas de donnes mensuelles et de prsomption dun
cycle annuel, cette rgle empirique conduit un corrlogramme portant sur 2 x 12
+ 1 = 25 valeurs de coefcients dautocorrlation.
I-3.1.2 Interprtation du coefcient dautocorrlation
Tout dabord, comme nimporte quel coefcient de corrlation, le coefcient
dautocorrlation est compris entre 1 et + 1, et plus sa valeur absolue est
proche de lunit, plus forte est la liaison entre et .
Cette liaison peut impliquer lexistence dun cycle saisonnier de j priodes,
plusieurs cycles pouvant dailleurs se superposer. Elle peut galement tre le signe
que la composante alatoire suit un processus stationnaire (dni au I-2.3.3,
page 994 et sur lequel on reviendra en dtail au III-2, page 1083), surtout si les
premiers coefcients dautocorrlation sont signicativement diffrents de zro.
Elle peut enn sexpliquer par lexistence dun trend lequel peut ou non se
combiner avec les composantes cycliques.
Mais se pose alors un problme dapprciation. En effet, si lon se rfre au
modle thorique dun processus purement alatoire (voir dnition au I-2.3.1,
page 989) qui est la seule chronique sur laquelle il ne reste plus rien expliquer,
les coefcients dautocorrlation sont tous nuls (pour j diffrent de 0 bien
entendu). Or on nobservera pas de coefcients dautocorrlation strictement
gaux zro et certains peuvent ne pas tre signicativement diffrents de zro.
TABLEAU 290
Calculs du corrlogramme de la chronique des ventes de Casimouth (tableau 279
de la page 985) selon la mthode de Quenouille.
D
c
a
l
a
g
e

k
Coefcient dauto-
corrlation calcul sur la
srie des
D
c
a
l
a
g
e

k
Coefcient dauto-
corrlation calcul sur la
srie des
84
valeurs
42
premires
valeurs
42
dernires
valeurs
84
valeurs
42
premires
valeurs
42
dernires
valeurs
1 0,436 0,229 0,572 0,472 14 0,293 0,416 0,364 0,196
2 0,221 0,059 0,372 0,227 15 0,228 0,117 0,391 0,202
3 0,254 0,210 0,308 0,249 16 0,304 0,245 0,368 0,302
4 0,099 0,055 0,221 0,115 17 0,354 0,141 0,526 0,375
5 0,027 0,036 0,130 0,007 18 0,178 0,032 0,356 0,162
6 0,157 0,071 0,236 0,161 19 0,292 0,371 0,409 0,194
7 0,094 0,242 0,023 0,056 20 0,176 0,103 0,393 0,104
8 0,109 0,217 0,043 0,088 21 0,103 0,281 0,385 0,154
9 0,122 0,094 0,172 0,111 22 0,124 0,087 0,264 0,160
10 0,275 0,306 0,266 0,264 23 0,145 0,461 0,005 0,062
11 0,071 0,130 0,090 0,032 24 0,600 0,794 0,557 0,525
12 0,352 0,369 0,244 0,398 25 0,126 0,099 0,176 0,115
13 0,155 0,312 0,122 0,093
k
2
r
k
r
k
r
k
+
2
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
k
2
r
k
r
k
r
k
+
2
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
=
r
k
r
k
r
k
r
k
r
k
r
k
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
j
x
t
x
t j
j
La thorie de la distribution dchantillonnage des coefcients dautocorrlation
fournit un instrument dinterprtation du corrlogramme.
Le coefcient dautocorrlation dordre j de la population mre, dont est (impli-
citement) extraite notre chronique, est not et est inconnu. Celui que lon
observe sur un chantillon de n j valeurs (tirs dune chronique de n termes) est
le seul que lon connaisse en dnitive, et il sera not . Mais si lon suppose
(dans labsolu) quil y a une innit dchantillons de taille n que lon peut extraire
de la population mre, on peut dnir une variable alatoire que lon notera
correspondant au coefcient dautocorrlation dordre j observable dans un
chantillon de taille n, et qui est reprsentative de la distribution dchantillonnage
des coefcients dautocorrlation dordre j (de mme que lon note
classiquement f
n
la frquence dapparition dun caractre donn, observable
dans un chantillon de taille n, et f celle observe dans un chantillon donn). On
montre
1
, si = 0, que:
relation 388
cest--dire quen moyenne il faut sattendre (si lhypothse dune autocorrlation
nulle est fonde) observer des coefcients plutt lgrement ngatifs et que:
relation 389
Lorsque les perturbations alatoires suivent en outre une loi Normale, ce qui
est le cas la plupart du temps (alas provoqus par de trs nombreuses causes acci-
dentelles, indpendantes, et dont aucune nest prpondrante) on peut alors
calculer un intervalle de conance 95% pour tester lhypothse du bruit blanc
puisque suit alors une loi Normale.
relation 390
La rgle approximative suivante (qui considre comme nulle lesprance
mathmatique et approxime par 2, le classique 1,96) est souvent utilise: il y
a 95% de chances que des coefcients dautocorrlation ne soient pas signicati-
vement diffrents de zro lorsquils sont compris dans la fourchette .
Cette rgle implique que, sur un corrlogramme de 20 coefcients non signica-
tivement diffrents de zro, on dclarera en moyenne (cest--dire si la mme
rgle est trs souvent utilise) tort lun de ces coefcients signicativement
diffrent de zro.
Dans la chronique de ventes du rayon de ventes de journaux du Casimouth
dAlphaville, lapplication de cette rgle donne une fourchette de 0,22.
Lexamen du corrlogramme de la gure 238, page 1001, suggre tout dabord
lexistence dune saisonnalit annuelle (ce que suggrait dj fortement le
1. Voir Kendall (1976, [260]), p. 92 pour lesprance mathmatique et p. 89, pour la variance. On peut ajouter que
lon montre que est infrieur plus un terme de lordre de (voir [260], p. 90).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
j
r
j
r
j
n
j
V
1n
( )
1
n 1
----------- n
2
E r
j
n
( )
1
n j
---------- =
V r
j
n
) (
1
n
---
t
r
j
n
L r
j
n
) ( N
1
n j
---------- ,
1
n
-------
\ !
( \
=
2 - n
graphique superpos de la page 998), puisque et sont nettement signica-
tifs et positifs. Ses coefcients dautocorrlation dordre 1, 2 et 3 sont signicati-
vement positifs, et ceux dordre 14, 15,16 et 17 sont signicativement ngatifs.
Ces informations seront exploitables, par comparaison avec des corrlogrammes
de rfrence, dans le cadre des approches de type Box et Jenkins (cf. III-2,
page 1083 et III-3, page 1101), mais, en cas dcart-type important, linterpr-
tation du corrlogramme peut savrer difcile.
On montre galement que, dune faon gnrale, la variance de la distribution
dchantillonnage du coefcient dautocorrlation dordre j dpend de tous les
coefcients dautocorrlation . Une approximation assez prcise (voir, par
exemple Kendall, [260], p. 88) est donne par la formule de Barlett :
Formule de Barlett
relation 391
Mais la formulation approche que lon utilise en gnral, en supposant que et
les coefcients dordre suprieur sont faibles, est la suivante:
relation 392
Une utilisation de cette relation 392 est faite dans les corrlogrammes de ce
chapitre
1
.
I-3.2 Tests dhypothse du caractre alatoire des uctuations
dune chronique
Ces tests
2
ne prsentent dintrt que pour une dtection automatique sur un trs
grand nombre de sries, ou en cas de doute sur une srie particulire en compl-
ment du corrlogramme. On ne prsentera ici quun seul test, reprsentatif de cette
approche, sans donner de dmonstration. Il sagit dun test Fishrien
3
sur le
nombre de points de retournement. Pour chaque observation t de la chronique, on
dnit une variable auxiliaire susceptible de ne prendre que les valeurs 0 ou 1.
Elle prendra la valeur 1, si lobservation constitue un point de retournement et
la valeur 0 dans les autres cas, cest--dire que lon a:
- ( et ) ou ( et )
- dans les autres cas de gure.
1. Par exemple, dans le corrlogramme de la gure 238, page 1001, on a (en mettant les indices j et n sur le mme
niveau):
2. Voir sur ce point Kendall (1976, [260]), chapitre II.
3. Voir Giard (1995, [182]), chapitre VII, II.1.1.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
r
12
r
24
j
V r
j
n
( )
1
n
---
i
2

i j

i j +
4
i

j

i j +
2
i
2

j
+ + }

+
j
V r
j
n
) (
1
n
--- 1 2
i
2
i 1 =
+
\ !
( \
V r
in
( )
1
84
------ 0 0119
r
1n
, 0 109 intervalle , 0 2182 , - = = = =
V r
2n
( )
1
84
------ 1 2 0 471
2
, + ( ) 0 0172
r
2n
, 0 131 intervalle , 0 2622 , - = = = =
V r
3n
( )
1
84
------ 1 2 0 471
2
0 227
2
, + , ( ) + } 0 0184
r
3n
, 0 1357 intervalle , 0 2714 , - = = = =
y
t
x
t
x
t
x
t 1 +
> x
t
x
t 1
> x
t
x
t 1 +
< x
t
x
t 1
< y
t
1 =
y
t
0 =
On effectue ensuite le dcompte du nombre z de points de retournement sur la
chronique des n observations
1
: . On montre
2
que et
et que z tend rapidement avec n, vers une loi Normale (disons
pour xer les ides n > 30):
relation 393
Lapplication de ce test la chronique des ventes du rayon de ventes de jour-
naux du Casimouth dAlphaville donne z = 49 et . Cette
variable z a donc 95 % de chances de se trouver dans la fourchette
, cest--dire dans lintervalle [47,17; 62,16]. Au
vu du test, on serait donc tent de conclure au caractre alatoire. Or, ce serait
manifestement une erreur, car lexamen graphique montre bien la trs grande
rgularit de comportement du mois daot. Ce qui est vraisemblable, et les
analyses ultrieures le conrmeront, cest que la saisonnalit nexiste que pour
quelques mois et que, pour les autres, lalatoire est la rgle, cest--dire que la
saisonnalit nest pas signicative. Cet exemple montre bien le danger quil peut
y avoir appliquer automatiquement des tests statistiques, du moins sur des
chroniques prsentant un intrt vital pour lentreprise.
I-4 Techniques de prvision
La classication des techniques de prvision est, comme toute classication, en
partie arbitraire. Celle que lon propose au I-4.1 nchappe pas la rgle. On
examinera ensuite au I-4.2, page 1007, selon quels critres doit seffectuer le
choix dune technique de prvision.
I-4.1 Typologie des techniques de prvision
Le classement que lon propose ici, sous la forme trs succincte dun schma
arborescent, est le suivant (on a mentionn entre parenthses le numro du para-
graphe o la technique considre est traite):
Le premier clivage est celui qui oppose modles explicatifs et modles auto-
projectifs. Dans le premier cas, la prvision se fonde, au moins en partie, sur des
valeurs prises par des variables autres que celle que lon cherche projeter, tandis
que,dans le second cas, on considre que le futur se dduit tout naturellement du
pass. En ralit , ces deux classes de modles ne poursuivent pas les mmes buts
et ne sadressent pas aux mmes sries car:
- la poursuite des tendances du pass, observes sur une srie qui est la base
des modles autoprojectifs, ne sopre sans trop de risque que sur le court
terme;
1. Si deux valeurs successives sont identiques, il convient de les considrer, pour ce test, comme une observation
unique et de diminuer en consquence dune unit le nombre de priodes observes.
2. Voir Kendall (13), p. 22-24.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
z y
t
t 2 =
n 1
= E z ( )
2
3
--- n 2 ( ) =
V z ( )
16n 29
90
-------------------- =
L z) ( N
2
3
--- n 2 ( )
16n 29
90
-------------------- ,
\ !
( \
=
L z) ( N 54 67 ; 3,82) , ( =
2
3
--- 84 2 ( ) 1 96
16 84 29
90
---------------------------- , -
- un modle explicatif nest envisageable qu un niveau dagrgation de
donnes sufsant (cette agrgation portant sur les dimensions spatiales et
temporelles, ainsi que le nombre darticles ou de prestations de service pris
en compte dans la chronique).
Ces deux critres doivent tre simultanment pris en compte: un modle explicatif
est envisageable pour de la prvision court terme portant sur des sries trs agr-
ges (tudes prvisionnelles ralises pour des chambres syndicales, ou entre-
prises en situation dominante sur un march).
Les modles explicatifs ne seront pas abords ici car leur tude ne saurait se
faire en dehors du contexte prcis dun problme particulier pos, puisquil
ncessite la dnition dun certain nombre dhypothses de comportement
dcoulant dune thorie pralablement labore du fonctionnement du phnomne
tudi. On peut toutefois indiquer que les modles explicatifs quation unique
seront implicitement abords avec les prolongements rcents de Box et Jenkins (
III-3, page 1101).
Plus contestable, sans doute, est la partition retenue pour les modles autopro-
jectifs. Elle sexplique par des considrations de cots: les techniques oprant sur
un historique rcent et restreint sont peu onreuses lutilisation et gnralement
moins ables
1
aussi les rservera-t-on de prfrence aux procdures automatiques
de prvision de la demande darticles ou prestations de service de catgorie B ou
C (dans une analyse type A-B-C o, comme nous lavons vu au chapitre X, II-
1.2.1, page 636, les produits de catgorie A correspondent le plus souvent
environ 80% du montant global en valeur, et de lordre de 20% des rfrences
de produits ou de prestations de service). Les techniques nutilisant que la partie
la plus rcente de la chronique, correspondent la famille des ltres linaires et
seront tudies en dtail la section II.
Sous la rubrique moindres carrs des modles autoprojectifs travaillant sur
lhistorique complet, on a regroup un certain nombre de mthodes qui sinspirent
toutes de la mthode des moindres carrs (qui est une technique de calcul de para-
mtres dune fonction cherchant minimiser un indicateur dcarts quadratiques).
1. Du moins dans leur version initiale, car ces techniques se sont considrablement sophistiques depuis une tren-
taine dannes, mais les accroissements spectaculaires du rapport performance/cot observ en informatique
les rendent exploitables sans aucun problme, mme grande chelle.
modles explicatifs
modles autoprojectifs
- quation unique (utilisation de la rgression multiple)
- quations simultanes (modles conomtriques)
- moyennes mobiles ( II-2, page 1012)
- lissage exponentiel ( II-3, page 1046)
- ltre diffrence ( II-4, page 1062)
- moindres carrs ( III-1, page 1071)
- Box et Jenkins et ses prolongements ( II-4, page
1062)
sur historique rcent
sur historique
(filtres linaires)
complet
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
Une dernire branche importante des modles autoprojectifs est constitue par
lanalyse spectrale. Son tude ne sera pas aborde ici, car elle ncessite
1
des chro-
niques plus longues que celles que lon rencontre en gnral en gestion, ce qui ne
lempche pas davoir fait ses preuves en conomie sur des chroniques annuelles
portant sur plusieurs sicles!
I-4.2 Critres de choix dune technique de prvision
Ce choix doit soprer en cherchant minimiser le cot dobtention de la
prvision pour un niveau de prcision donn, mais il faut tenir compte galement
du type de chronique et de la nalit du traitement qui jouent souvent le rle de
contraintes dans cette recherche doptimum;
- Le cot du traitement dpend de 2 facteurs:
lalgorithme de calcul inhrent la technique de prvision choisie et, de ce
point de vue, certaines techniques impliquent lusage dordinateurs perfor-
mants,
la longueur de lhistorique quil faut conserver, ce qui se traduit par un
cot de stockage des donnes et de traitement plus ou moins important.
Ces deux facteurs ne sont pas indpendants, les techniques qui utilisent le
maximum dinformations sont en gnral celles qui utilisent les algorithmes
les plus complexes; un arbitrage devra tre effectu entre le cot de constitu-
tion et de traitement dune information, et les avantages que lon en retire
(par exemple, il peut mme tre moins onreux de ne pas traiter dinforma-
tions si lactivit peut tre facilement rgule par un stock dont le cot de
possession est ngligeable).
- Le type de chronique
2
doit galement tre pris en considration. Les techni-
ques de prvision ne sont pas universelles. Plusieurs paramtres sont
prendre en compte dans le choix dune technique: longueur de lhistorique
possd, existence dune saisonnalit, importance relative des trois compo-
santes dune srie.
- Enn, la nalit du traitement joue un rle dans ce choix. Certaines techni-
ques de prvision ne sont appropries que pour le court terme et fournissent
des rsultats catastrophiques si lon tente de les utiliser pour le moyen ou le
long terme.
SECTION II LES FILTRES LINAIRES
Les ltres linaires constituent des instruments commodes de dcomposition
dune chronique en ses diverses composantes et de prvisions (indpendantes) de
ces composantes; ces diverses prvisions sont ensuite combines pour obtenir une
prvision globale pour la chronique tudie (un exemple de cette approche sera
prsent au II-2.3, page 1045).
Nous commencerons par prciser la notion de ltre ( II-1) avant dintroduire
les ltres les plus usits: les moyennes mobiles ( II-2, page 1012), le lissage
1. Voir sur ce point Chateld (1996, [91]), p. 163. Les chapitres VI et VII de cet ouvrage constituent une bonne
introduction lanalyse spectrale.
2. Voir Kendall (1976, [260]), p. 126-128.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
exponentiel ( II-3, page 1046) et les ltres diffrence ( II-4, page 1062,
rserv une tude plus pousse des techniques de prvision). Nous terminerons
par des remarques gnrales sur lutilisation des ltres ( II-5, page 1063).
II-1 La notion de ltre
Aprs avoir pos une dnition des ltres ( II-1.1), nous aborderons les
lments prendre en compte dans le choix dun ltre ( II-1.2).
II-1.1 Dnition
La notion de ltre est assez gnrale et recouvre un certain nombre de techni-
ques dont certaines sont rpandues depuis longtemps, comme la technique de la
moyenne mobile, et dautres dmergence plus rcente comme le lissage exponen-
tiel. On ne sintressera ici quaux ltres linaires, mais le qualicatif linaire
sera le plus souvent omis pour allger lexpos.
Le ltre linaire est le mode de transformation dune chronique en une autre
chronique partir dune combinaison linaire de termes conscutifs de la chro-
nique initiale. La traduction mathmatique de cette dnition est la suivante:
relation 394
- les a
i
sont les coefcients de pondration dont la somme est gnralement
gale 1, et parfois 0 (cf. II-4, page 1062);
- r est un dcalage temporel caractristique dun ltre donn; la premire
valeur calculable de est telle que t = r, pour que ;
- s est le nombre de termes conscutifs de la chronique initiale, ncessaires
pour dnir un terme de la nouvelle chronique; notons ds prsent que le
nombre s peut tre inni (voir II-3, page 1046).
II-1.2 Choix dun ltre linaire
On peut dnir une innit de ltres linaires puisque le nombre de combinai-
sons linaires que lon peut imaginer est illimit, mais seuls quelques-unes prsen-
tent un intrt pratique; leur choix rsulte de la prise en considration de facteurs
que lon va succinctement prsenter ( II-1.2.1), puis illustrer par un exemple (
II-1.2.2, page 1009).
II-1.2.1 lments de dtermination du choix dun ltre
Ce choix rsulte de la prise en considration:
a) dhypothses faites sur les composantes certaines de la chronique, cest--
dire la composante tendancielle et la composante saisonnire (cette dernire
composante pouvant dailleurs tre absente de la chronique tudie). Le ltre
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
y
t
y
t
a
i
x
t r i +
i 1 =
s
=
y
t
x
t r 1 +
x
1
=
FIGURE 239
Filtres linaires
y
t
x
t Filtre
retenu permet, en labsence de composante alatoire et si les hypothses de
dpart sont fondes, de retrouver trs exactement le paramtre ou la valeur
du modle thorique que le ltre linaire cherche retrouver (voir page 1011
et page 1015);
b) dun objectif sur linterprtation donner au ltre linaire ; celui-ci peut
reprsenter par exemple:
une estimation de la composante tendancielle la priode t, ou une mesure
de lvolution de cette composante tendancielle,
une estimation de la composante saisonnire,
une estimation prvisionnelle faite la date t pour une valeur observable
une date ultrieure t + k,
une mesure de la composante alatoire, le ltre linaire utilis ayant pour
vocation dliminer les composantes tendancielles et alatoires;
c) dune prise en considration de limpact de la composante alatoire sur:
la performance du ltre retenu, ce qui expliquera lintroduction des ltres
des moindres carrs (cf. II-2.2) et fera prfrer dans certaines utilisations
cette catgorie de ltres celle des ltres linaires empiriques (cf. II-2.1,
page 1012),
la longueur s du ltre retenu; nous verrons par exemple, pour les ltres en
moyenne mobile, que les distorsions introduites par lexistence de la
composante alatoire sont dautant plus attnues que la longueur du ltre
est importante; dans le mme ordre dide les chroniques se rduisant un
processus alatoire (loi de Poisson, par exemple) de moyenne faible (pour
le dcoupage spatial et temporel retenu) peuvent prsenter de nombreux
zros et doivent de ce fait tre traites avec des ltres prenant en compte
un historique assez long pour que lestimation courante de la moyenne
ne soit pas trop chahute;
d) dun arbitrage effectu entre les composantes certaines (cest--dire les
composantes tendancielles et saisonnires) et la composante alatoire, qui
conduit ventuellement prfrer accorder systmatiquement un poids plus
fort aux observations les plus rcentes dans le ltre linaire retenu (il sagit
l des techniques de lissage exponentiel qui seront tudies au II-3, page
1046), pour privilgier la dtection rapide des modications de comporte-
ment des composantes certaines de la chronique, sur la recherche de latt-
nuation des perturbations gnres par la composante alatoire; cet arbitrage
seffectuera normalement sur la base dinformations qualitatives (connais-
sance de lentreprise, de son environnement, de concurrence).
Ces diffrentes considrations dans le choix dun ltre apparatront dans ltude
des ltres que lon prsentera dans les pages suivantes, mais nous allons nan-
moins tenter de les illustrer ds maintenant laide dun exemple.
II-1.2.2 Illustration de la dmarche
Supposons par exemple que:
- lvolution tendancielle dune chronique soit linaire (hypothse de
travail, cf. II-1.2.1a),
- lobjectif poursuivi soit de retrouver laide dun ltre linaire cette valeur
(objectif retenu, cf. II-1.2.1b).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
f
t
x
t
f
t
Prenons arbitrairement les deux ltres linaires suivants (nous verrons ultrieu-
rement quil sagit de ltres en moyennes mobiles centres):
- le premier ltre se caractrise par les paramtres suivants: s = 3, r = 2, a
1
= a
2
= a
3
= 1/3, ce qui donne:
- le second ltre se caractrise par les paramtres suivants: s = 5, r = 3, a
1
= a
2
= a
3
= a
4
= a
5
= 1/5, ce qui donne:
Supposons que lon applique ces deux ltres linaires la chronique suivante,
, qui ne comporte quune composante tendancielle linaire
lexclusion de toute autre composante.
Lapplication du premier ltre, qui permet de calculer comme premire valeur
, donne:
,
, , do lon tire la nouvelle chronique y
t
du tableau 292.
Lapplication du second ltre, qui permet de calculer comme premire valeur
, donne:
etc., do lon tire la seconde chronique y
t
du tableau 293:
TABLEAU 291
Chronique se limitant une composante tendancielle
t 1 2 3 4 5 6 7 8 9 10
12 14 16 18 20 22 24 26 28 30
TABLEAU 292
Application du premier ltre la chronique du tableau 291
t 1 2 3 4 5 6 7 8 9 10
12 14 16 18 20 22 24 26 28 30
1er ltre 16 18 20 22 24 26
TABLEAU 293
Application du second ltre la chronique du tableau 291 de la page 1010
t 1 2 3 4 5 6 7 8 9 10
12 14 16 18 20 22 24 26 28 30
2e ltre 18 20 22 24
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
1
3
---x
t 2 1 +
1
3
---x
t 2 2 +
1
3
---x
t 2 3 +
+ +
1
3
---x
t 1
1
3
---x
t
1
3
---x
t 1 +
+ +
1
3
--- x
t 1
x
t
x
t 1 +
+ + ( ) = = =
y
t
0 2x
t 3 1 +
0 2x
t 3 2 +
0 2x
t 3 3 +
0 2x
t 3 4 +
0 2x
t 3 5 +
, + , + , + , + , =
y
t
0 = 2x
t 2
0 2x
t 1
0 2x
t
0 2x
t 1 +
0 2x
t 2 +
, + , + , + , + ,
y
t
0 2 x
t 2
x
t 1
x
t
x
t 1 +
x
t 2 +
+ + + + ( ) , =
x
t
f
t
10 2t + + =
x
t
y
t
y
r
y
2
= =
y
2
1
3
---x
1
1
3
---x
2
1
3
---x
3
+ +
12
3
------
14
3
------
16
3
------ + + 14 = = =
y
3
1
3
---x
2
1
3
---x
3
1
3
---x
4
+ +
14
3
------
16
3
------
18
3
------ + + 16 = = =
x
t
y
t
y
t
y
r
y
3
= =
y
3
0 2 x
1
x
2
x
3
x
4
x
5
+ + + + ( ) , 0 2 12 14 16 18 20 + + + + ( ) , 16 = = =
x
t
y
t
Lexamen des rsultats obtenus montre que ces deux ltres linaires permettent
de retrouver trs exactement la composante tendancielle linaire dune chronique
se ramenant cette seule composante. Lobjectif recherch est donc atteint par
lun et lautre ltre. Pour justier la prfrence dun ltre sur lautre, il faut que
les chroniques, auxquelles ces ltres sappliquent, possdent une composante
alatoire en plus de la composante tendancielle linaire. Prenons donc une
nouvelle chronique, somme de la chronique prcdente = 10 + 2t et dune chro-
nique alatoire , gnre sur tableur et suivant une loi Normale de moyenne
nulle et dcart-type gal 2. Appliquons ensuite les deux ltres linaires retenus.
Le second ltre donne globalement de meilleures estimations de la compo-
sante tendancielle, puisque la racine carre de la moyenne des carrs des carts
entre le second ltre et la composante tendancielle vraie
1
est plus faible (0,91)
que celle obtenue avec le premier ltre (1,23). Habituellement, comme nous
lobservons ici, la qualit de lestimation fournie par le ltre le plus long (ici s = 5)
est la meilleure, mais on doit souligner que:
- le ltre le plus long gnre la chronique la plus courte (ici 6 valeurs), ce qui
peut tre gnant dans une tude de tendance,
- le gain de prcision apport par un ltre long par rapport un ltre plus court
(fond sur les mmes hypothses et ayant le mme objectif) est dautant plus
fort que la composante alatoire est importante par rapport lvolution
tendancielle.
La principale difcult rencontre dans la prise en considration de la compo-
sante alatoire est que lon ne connat concrtement que la rsultante des compo-
santes tendancielles, alatoires et cycliques, et que la prvision suppose davoir
pralablement dcompos la chronique en ces diverses composantes. Si lobjectif
assign un ltre est simple dterminer (cf. II-1.2.1.b, page 1009), le choix des
hypothses sous-jacentes (cf. II-1.2.1.a, page 1008) peut tre biais par lexis-
tence de la composante alatoire et la prise en compte de limpact de la compo-
sante alatoire (cf. II-1.2.1.c, page 1009) relve davantage de lart du praticien
de la prvision que de la science statistique, surtout lorsque les chroniques sont
courtes ou si lenvironnement nest pas stable (dun point de vue statique ou dun
point de vue dynamique). Ceci explique quil ne saurait y avoir de solution unique
dans lapplication des ltres linaires, et quil nest donc pas anormal que deux
experts galement comptents naboutissent pas des conclusions identiques
parce quutilisant des ltres linaires diffrents; cependant, les ordres de grandeur
TABLEAU 294
Chronique avec composante tendancielle et composante alatoire
t 1 2 3 4 5 6 7 8 9 10
12,00 14,00 16,00 18,00 20,00 22,00 24,00 26,00 28,00 30,00
1,65 0,04 1,62 4,19 0,66 2,24 1,46 1,51 0,01 2,87
= + 13,65 13,96 17,62 22,19 20,66 19,76 22,54 27,51 28,01 27,13
1er ltre - 15,08 17,92 20,16 20,87 20,99 23,27 26,02 27,55 -
2e ltre - - 17,62 18,84 20,55 22,53 23,70 24,99 - -
1. Cet indicateur dcart est similaire lcart-type rsiduel dune rgression linaire.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
f
t
t
f
t
t
x
t
f
t

t
y
t
y
t
seront voisins si ces experts ont en main les mmes informations tant quantitatives
que qualitatives.
II-2 Les moyennes mobiles
Les moyennes mobiles empiriques ( II-2.1) sont les plus anciennes, mais nous
verrons que lorsque lobjectif poursuivi est la prvision (et non lestimation de
composante tendancielle), la performance de ces mthodes empiriques peut tre
amliore, en particulier avec lintroduction rcente des ltres en mdianes
mobiles
1
que nous naborderons pas ici. Nous nous contenterons ici de prsenter
( II-2.2, page 1035) les ltres optimaux au sens des moindres carrs. Dans un
dernier paragraphe ( II-2.3, page 1045), nous verrons comment combiner les
prvisions effectues sur les diverses composantes dans le cadre des procdures
de dcomposition, pour obtenir une prvision globale; la dmarche prsente
restera la mme si les prvisions effectues pour la composante tendancielle utili-
sent les techniques de lissage exponentiel prsentes au II-3, page 1046.
II-2.1 Les mthodes empiriques
Cette classe de ltres est la plus ancienne et la plus connue. Ces ltres sont
galement les plus simples, puisquils se caractrisent par lgalit des coefcients
de pondration dont la somme est en outre gale 1 ou par lutilisation en
cascade de ltres linaires jouissant de ces proprits (voir, par exemple, le II-
2.1.2.2, page 1029). La relation 394 de la page 1008 devient alors:
relation 395
formule gnrale dont on modiera la prsentation lorsquon aura spci le
dcalage temporel r, en fonction des objectifs poursuivis. Ceux-ci peuvent tre:
- soit la recherche dune estimation de la valeur tendancielle , une date
donne pour laquelle lobservation est disponible, et lon utilisera alors les
techniques de moyennes centres ( II-2.1.1),
- soit la recherche, une date t, dune estimation prvisionnelle dune valeur
tendancielle ( II-2.1.2, page 1027).
On peut indiquer tout de suite que la caractristique essentielle de ce ltre empi-
rique est de transformer une chronique de termes constants en une autre chronique
de termes constants identiques, et de transformer une chronique du type = at
+ b, en une autre chronique = at + c, lordonne lorigine pouvant dans
certains cas tre la mme, auquel cas le ltre ne cre aucune distorsion.
II-2.1.1 Les ltres empiriques orients vers lestimation de la composante
tendancielle (moyennes mobiles centres)
Lutilisation de ces ltres linaires dont lobjectif est lestimation de la compo-
sante tendancielle ( = ) repose toujours sur lhypothse implicite que cette
composante tendancielle est linaire ( = at + b). En labsence de composante
saisonnire, nous verrons (cf. II-2.1.1.1) que lon peut xer arbitrairement la
1. Voir Velleman & Hoaglin (1980, [429]), chapitre VI.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
1
s
--- x
t r i +
i 1 =
s
=
f
t
f
t
x
t
f
t k +
x
t
y
t
f
t
y
t
f
t
longueur s du ltre linaire, alors que celle-ci est impose dans le cas contraire (cf.
II-2.1.1.2, page 1015).
II-2.1.1.1 Moyenne mobile centre en labsence de composante saisonnire
Cette moyenne mobile est qualie de moyenne mobile centre, parce que le
ltre linaire qui la dnit se calcule partir dune partie de chronique
compose de , des n observations qui prcdent , et des n observations qui
suivent cette valeur . Autrement dit, la longueur s du ltre est ncessairement un
nombre impair (que lon peut mettre sous la forme s = 2n + 1) et le dcalage r est
r = n + 1. La formule de dnition du ltre moyenne mobile centre est donc:
=
Moyenne mobile centre relation 396
Nous avons dj utilis ce ltre moyenne mobile centre au II-1.2.2, page
1009, pour deux longueurs de ltre et . Ces
exemples montrent :
- que la moyenne mobile centre applique une chronique se rduisant une
composante tendancielle linaire (

= ) redonne sans distorsion
cette mme chronique,
- que lorsque sajoute cette composante tendancielle linaire une compo-
sante alatoire ( ), lestimation de la composante
tendancielle linaire par le ltre (

= ) est dautant meilleure
1
que la
longueur du ltre est grande, mais que ce gain de prcision se paie en retour
par une chronique plus courte de valeurs estimes.
On peut ajouter que, lorsque lhypothse dune volution tendancielle linaire
nest pas vrie et quil ny a pas de composante alatoire, le ltre linaire sures-
time toujours la composante tendancielle ( = > ) lorsque la croissance
tendancielle sacclre (volution convexe)
2
, tandis quil y a sous-estimation (
= < ) lorsquil y a dclration de la croissance tendancielle (volution
concave). Sil y a en outre prsence dune composante alatoire, ces surestima-
tions ou sous-estimations ne sont plus systmatiques, mais restent les plus proba-
bles, cette probabilit tant dautant plus forte que la longueur du ltre linaire de
la moyenne mobile est grande. Le tableau 295 de la page 1014 illustre ces
proprits avec deux exemples numriques dvolutions tendancielles convexes et
concaves et un ltre en moyenne mobile centre sur 3 priodes.
1. En toute rigueur, il vaudrait mieux dire que, pour un coefcient de conance donn, lintervalle de conance du
ltre linaire, centr sur la valeur , est dautant plus restreint que la longueur du ltre est grande. Ajoutons,
dans cette optique probabiliste, que nous aurions trs bien pu avoir dans notre exemple numrique la perfor-
mance la moins bonne (mesure par la moyenne des carrs des carts entre et ) associe au ltre le plus long.
2. Mathmatiquement, une fonction est convexe si : pour toutes valeurs de , et telles
que, < < et une fonction est dite concave si lon a: pour toutes valeurs de ,
et telles que, < < .
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
x
t
x
t
x
t
y
t
1
2n 1 +
------------- x
t n 1 i +
i 1 =
2n 1 +
=
1
2n 1 +
------------ x (
t n
x
t n 1 +
x
t n 2 +
x
t
x
t 1 +
x
t n +
) + + + + + + +
y
t
1
2n 1 +
-------------- x
t i +
i n =
i +n =
=
s 3 n ( 1) = = s 5 n ( 2) = =
x
t
f
t
at b + =
x
t
f
t

t
+ at b
t
+ + = =
f
t
y
t
f
t
f
t
y
t
f
t
y
t
f
t
f
t
f x
3
( ) f x
2
( ) f x
2
( ) f x
1
( ) x
1
x
2
x
3
x
1
x
2
x
3
f x
3
( ) f x
2
( ) f x
2
( ) f x
1
( ) x
1
x
2
x
3
x
1
x
2
x
3
y
t
f
t
Lorsque la composante tendancielle nest pas linaire, il est frquent dutiliser
nanmoins la technique de la moyenne mobile centre pour estimer cette compo-
sante, en faisant lhypothse que la distorsion introduite est faible, ce qui est le
plus souvent acceptable. Cette remarque reste valable lorsque la chronique
comprend une saisonnalit (limine par le ltre linaire appropri).
Illustrons enn le fait que les moyennes mobiles centres permettent de mettre
en vidence une volution tendancielle sur le tableau 296 et les graphiques de la
gure 240, alors que lanalyse supercielle des graphiques de la gure 235, page
994, pouvait laisser penser que lon se trouvait dans les deux cas en prsence de
sries ne comportant quune composante alatoire.
TABLEAU 295
Chroniques certaines volutions convexes ou concaves
t 1 2 3 4 5 6
(volution convexe)
12,10 14,40 16,90 19,60 22,50 25,60
- 14,47 16,97 19,67 22,57 -
(volution concave)
11,90 13,60 15,10 16,40 17,50 18,40
- 13,53 15,03 16,33 17,43 -
TABLEAU 296
Calcul des moyennes mobiles du tableau 284 de la page 991
P
r
i
o
d
e
Srie purement
alatoire
Srie avec
tendance et ala
P
r
i
o
d
e
Srie purement
alatoire
Srie avec
tendance et ala
Donnes
Moyennes
mobiles
Donnes
Moyennes
mobiles
donnes
Moyenne
mobile
Donnes
Moyennes
mobiles
1 208,4 - 210,7 - 14 207,5 174,9 243,6 208,1
2 165,9 - 170,1 - 15 135,3 169,8 167,1 205,0
3 207,5 207,4 214,7 214,8 16 189,7 168,3 229,6 168,3
4 271,9 187,9 283,2 197,0 17 156,0 175,6 194,9 175,6
5 183,6 180,9 195,0 191,9 18 153,2 186,0 194,3 186,0
6 110,9 180,3 121,9 193,8 19 243,9 207,2 299,2 258,2
7 130,6 159,4 144,4 174,7 20 187,1 221,4 237,9 277,2
8 204,8 141,8 224,5 158,3 21 295,8 203,6 365,0 259,3
9 167,2 154,6 187,4 174,0 22 227,0 186,2 289,6 242,4
10 95,4 164,8 113,2 187,2 23 64,3 201,2 104,7 262,8
11 175,0 156,0 200,6 180,3 24 157,1 - 214,7 -
12 181,7 164,0 210,3 191,5 25 261,8 - 340,2 -
13 160,5 172,0 189,8 202,3
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
10 2t 0 1t
2
, + + = =
y
t
1
3
--- x
t 1
x
t
x
t 1 +
+ + ( ) =
x
t
f
t
10 2t 0 1t
2
, + = =
y
t
1
3
--- x
t 1
x
t
x
t 1 +
+ + ( ) =
II-2.1.1.2 Moyenne mobile centre dans le cas de lexistence dune composante
saisonnire
Lorsque la chronique tudie, dont on cherche estimer la composante tendan-
cielle, comporte des uctuations saisonnires, la longueur du ltre est impose par
le nombre de priodes que comporte lanne (dans le cas dun cycle annuel). Nous
verrons tout dabord ( II-2.1.12a) le cas dun nombre impair de priodes, puis
( II-2.1.12b) celui dun nombre pair de priodes qui pose un problme particu-
lier, puisque nous avons vu que la technique de la moyenne mobile centre
ncessite un nombre impair de priodes. Nous examinerons ensuite ( II-2.1.12c)
comment utiliser ce type de ltre linaire pour estimer la composante saisonnire
et obtenir une chronique dsaisonnalise. Nous verrons enn comment trancher
entre le modle multiplicatif et le modle additif ( II-2.1.12d), comment rsoudre
le problme dune saisonnalit accompagnant une volution par palier de la
composante tendancielle ( II-2.1.12e) et examinerons rapidement les mthodes
de dcomposition automatique ( II-2.1.12f).
II-2.1.12a) Moyenne mobile centre dans le cas de lexistence dune composante
saisonnire comportant un nombre impair de priodes
Lorsque le nombre de priodes est impair, il convient dutiliser une moyenne
mobile centre dont la longueur est gale au nombre de priodes constituant le
cycle annuel pour retrouver exactement la composante tendancielle, si les condi-
tions suivantes sont runies:
- la chronique ne comporte pas de composante alatoire (dans le cas contraire
on obtient une estimation de cette composante au lieu de retrouver la valeur
exacte);
- la composante tendancielle est linaire (

= at + b);
FIGURE 240
Moyennes mobiles (centres sur 5 priodes) appliques aux chroniques des
colonnes 4 et 5 du tableau 283 de la page 990
0 2 4 6 8 10 12 14 16 18 20 22 24
Pri ode
Moyenne mobile (srie avec croissance)
Srie avec croissance
50
100
150
200
250
300
350
400
50
100
150
200
250
300
350
400
0 2 4 6 8 10 12 14 16 18 20 22 24
Pri ode
Moyenne mobile (srie alatoire sans croissance)
Srie sans croissance
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
f
t
- le modle sous-jacent est additif, cest--dire que lon a: = + = at
+ b + , ce qui, compte tenu du fait que les uctuations saisonnires se
compensent sur une anne (qui nest autre que lapplication du principe de
conservation des aires de la relation 383 de la page 995, valable dans le cas
du modle additif), permet llimination de la composante saisonnire
lorsque la moyenne mobile centre porte sur un nombre de priodes gal au
nombre de priodes annuelles.
Ce cas de gure se rencontre assez souvent dans les moyennes et petites entre-
prises lorsque celles-ci ferment un mois par an, ce qui rduit 11 le nombre de
mois ouvrables. Illustrons ce cas par la chronique thorique du tableau 297 qui ne
comprend pas de composante alatoire (pour pouvoir vrier la proprit
avance); un ltre en moyenne mobile centre sur 11 priodes est ici utilis.
Lintroduction dune composante alatoire ne permet plus, l encore, de
retrouver exactement la composante tendancielle (

= ), mais seulement une
estimation de celle-ci ( = ).
Lorsque le modle implicitement utilis nest pas du type additif, mais multi-
plicatif, il nest plus possible, mme en labsence de composante alatoire, de
retrouver la composante tendancielle par la moyenne mobile centre ( ), mais
lorsque lvolution tendancielle nest pas trop prononce (ce qui est le plus
souvent le cas en conomie), la distorsion est faible. Cette dernire remarque, ainsi
que la prise en considration de la composante alatoire qui, en tout tat de cause,
ne permet de retrouver quune estimation, font quen pratique on utilise la
moyenne mobile centre pour estimer la composante tendancielle mme si le
modle postul est de type multiplicatif. Si lvolution nest pas linaire, on utilise
le plus souvent la moyenne mobile centre (dont la longueur est convenablement
choisie pour liminer la saisonnalit) pour estimer la composante tendancielle, et
ceci mme si le modle postul est multiplicatif.
On peut noter enn que la pratique, trop souvent rpandue en gestion, qui
consiste faire des prvisions partir du cumul de donnes observes sur
plusieurs exercices budgtaires annuels, revient effectuer des prvisions partir
de s fois moins dobservations que si le travail est conduit partir des informations
en moyennes mobiles centres, et ne permet pas de tenir compte temps des modi-
cations structurelles intervenues dans la composante tendancielle.
Pour sen convaincre, il suft de remarquer que, dans le tableau 297, on obtient
le cumul des mois 1 11 (cest--dire le premier exercice annuel) en multipliant
par 11 lestimation de la composante tendancielle du mois 6, et que le second exer-
TABLEAU 297
Chronique avec composante tendancielle et composante cyclique
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
12 14 16 18 20 22 24 26 28 30 32 34 36 38 40
2 1 1 3 2 1 2 0 2 1 1 2 1 1 3
10 15 17 21 18 23 22 26 30 29 31 32 37 39 43
- - - - - 22 24 26 28 30 - - - - -
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
c
t
c
t
f
t
10 t + =
c
t
x
t
f
t
c
t
+ =
y
t
1
11
------ x
t i +
5
+5
=
f
t
y
t
f
t
y
t
f
t
y
t

cice annuel ne peut tre obtenu de la mme manire que 11 mois plus tard ( partir
de lestimation de la composante tendancielle du mois 17). Donc, un facteur
multiplicatif prs, lestimation de la composante tendancielle et lexercice glissant
(portant sur 11 priodes conscutives et donc liminant lincidence de la compo-
sante saisonnire) sont identiques. En restreignant lanalyse aux seuls exercices
civils, on travaille donc sur 11 fois moins dinformations quon ne pourrait le
faire. Cela dit, cette proprit ne sera pas exactement respecte dans le cas dune
composante saisonnire comportant un nombre pair de priodes, mais la distor-
sion introduite peut tre considre comme ngligeable.
II-2.1.12b) Moyenne mobile centre dans le cas de lexistence dune composante
saisonnire comportant un nombre pair de priodes
Lorsque la chronique dont on cherche estimer la composante tendancielle
possde une composante saisonnire comportant un nombre pair de priodes, il
nest plus directement possible de centrer le ltre sur une priode donne. Si
lon prend une chronique mensuelle par exemple, une moyenne mobile centre sur
le mois t ne peut que comporter les 5 mois prcdents et les 5 suivants (s = 11), ou
les 6 mois prcdents et les 6 mois suivants (s = 13). Dans le premier cas, un mois
de lanne nest pas reprsent dans le ltre (par exemple, si t = 8 = aot, le ltre
comprend les mois t = 8 5 = 3 = mars, t = 8 + 5 = 13 = janvier, mais pas le
mois de fvrier), tandis que dans le second, un mme mois est reprsent deux fois
(le mois de fvrier dans notre exemple).
Pour que tous les mois soient reprsents, on ne peut retenir quun ltre linaire
portant sur 13 priodes et pour que tous les mois aient le mme poids, il suft de
diviser par 2 le coefcient de pondration (1/12) de chacune des deux observations
portant sur le mme mois, ce qui donne:
ce qui se condense comme suit
1
:
1. Note de la page prcdente. En ralit la relation 397 est la moyenne arithmtique des ltres en moyenne mobile
centre, dnis aux dates t 0,5 et t + 0,5 et pour une longueur s = 12, comme lillustre le schma ci-dessous:
et qui permet dtablir la
relation 398 puis la relation 397. Cette relation 398 peut servir de base un calcul rcurrent ; dans notre exemple
numrique, on peut crire:
= (705 + 653 + 713 + 684 + 707 + 714 + 684 + 422 + 629 + 811 + 721 + 803)/12 = 8246/12 =
687,167
= (653 + 713 + 684 + 707 + 714 + 684 + 422 + 629 + 811 + 721 + 803 + 831)/12
= (8246 705 + 831)/12 = 8372/12 = 697,667
= (687,167 + 697,667)/2 = 692,417
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
1
24
------ x
t 6
x
t 6 +
+ ( )
1
12
------ x
t 5
x
t 4
x
t
x
t 4 +
x
t 5 +
+ + + + + + ( ) + =
t t1 t2 t3 t4 t5 t6 t + 1 t + 2 t + 3 t + 4 t + 5 t + 6
y
t 0 5 , +
y
t 0 5 ,
t + 0,5
t 0,5
y
t 0 5 ,
1
12
------ x
t i +
i 6 =
i +5 =
= y
t 0 5 , +
1
12
------ x
t i +
i 5 =
i +6 =
= y
t
1
2
--- y
t 0 5 ,
y
t 0 5 , +
+ } =
y
6 5 ,
y
7 5 ,
y
7
relation 397
relation 398
Lapplication de cette relation 397 la chronique de ventes du rayon de ventes
de journaux du Casimouth dAlphaville donne le tableau 298 de la page 1018, qui
fournit les estimations de la composante tendancielle, qui sont reportes sur la
gure 241, page 1019, avec les donnes initiales. La nouvelle chronique obtenue,
estimation de la composante tendancielle, prsente le double avantage dtre
dsaisonnalise et de lisser les uctuations alatoires (cette dernire proprit
tant dautant mieux assure que le nombre de priodes constitutives dune anne
est important).
On peut remarquer enn que ce ltre linaire dune longueur s = 12 restitue une
chronique ampute de 12 valeurs, alors que dans le cas dun nombre impair, s
= 11 par exemple, la nouvelle chronique ne perd que s 1 = 10 valeurs seule-
ment.
II-2.1.12c) Estimation de la composante saisonnire partir de la
moyenne mobile centre
Que le nombre de priodes constitutives dune anne soit pair ou impair, il est
possible destimer la composante saisonnire partir de la chronique ( ),
cest--dire des diffrences entre les valeurs observes (tableau 286 de la page
997) et les ltres en moyennes mobiles centres (tableau 298), ce qui conduit au
tableau de Buys-Ballot 299.
Si le modle implicitement retenu dans ltude de la chronique est un modle
saisonnier additif, cest--dire que lon a: . On retient comme esti-
mation de f
t
, la valeur trouve dans le ltre en moyenne mobile centre ( = ).
La diffrence , que lon a reporte dans les 7 premires lignes du tableau
299 reprsente donc une estimation de la somme de la composante saisonnire et
TABLEAU 298
Moyennes mobiles centres des ventes du rayon de ventes de journaux du
Casimouth dAlphaville
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 - - - - - - 692,4 702,3 711,3 721,6 729,7 735,8
1995 742,4 748,4 757,9 761,9 758,8 752,5 741,2 731,6 725,3 716,9 706,7 692,9
1996 681,1 675,6 671,0 668,4 667,5 669,8 672,7 675,4 680,8 684,5 689,0 699,7
1997 704,5 703,0 705,0 707,8 713,3 717,8 719,8 719,0 715,2 712,2 712,0 713,0
1998 714,1 716,8 715,8 711,4 710,3 711,4 719,4 732,1 742,6 754,4 766,3 773,6
1999 780,3 788,8 795,3 803,0 807,2 805,4 797,8 783,0 764,3 746,2 727,8 709,4
2000 693,4 675,8 660,4 643,6 624,9 613,4 - - - - - -
y
t
1
24
------ x
t 6
x
t 6 +
+ ( )
1
12
------ x
t i +
i 5 =
i +5 =
+ =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
1
2
---
1
12
------ x
t i +
i 6 =
i +5 =
x
t i +
i 5 =
i +6 =
+ =
y
t
x
t
y
t
x
t
f
t
c
t

t
+ + =
f
t
y
t
x
t
f
t
alatoire: . Lesprance mathmatique de la composante alatoire
tant nulle, on peut calculer une estimation de la composante saisonnire puisque
les diffrences dune mme colonne du tableau 299 sont autant de
ralisations dune mme variable alatoire suivant une loi Normale dont lesp-
rance mathmatique nest autre que la composante saisonnire recherche,
puisque lon a: .
TABLEAU 299
Composantes saisonnires du modle additif
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
T
o
t
a
l
1994 - - - - - - 8,4 280,3
82,3
89,4 8,7 67,2 223,1
1995 88,6 16,6 57,1 68,1 2,8 58,5 4,8 227,6 48,7 45,1
11,7
12,9
132,5
1996 0,9 8,4 72,0 32,6 26,5 74,8 6,3 236,4 47,2 61,5 1,0 43,3 66,4
1997 15,5 38,0 110,0 11,2 16,8 46,2 93,8 263,0 41,8 73,8 66,0 49,0 80,3
1998 4,9 24,8 55,2 19,4 42,8 52,6 67,4 238,1
46,6
12,4
27,8 0,6 226,1
1999 120,7 26,2 104,7 43,0 75,8 5,6 31,7 199,0 3,3 116,8 45,3 41,6 345,5
2000 45,6 51,8 20,4 28,4 9,9 24,6 - - - - - - 16,6
Mdiane 25,3 12,5 64,6 30,5 7,0 35,4 20,1 237,3 19,3 67,6 13,4 42,5 60,7
Composante
saisonnire
20,2 7,4 59,5 25,4 1,9 30,4 25,1 242,3 14,2 62,6 8,3 37,4 0,0
FIGURE 241
Ventes de Casimouth et moyennes mobiles centres de ces ventes
300
400
500
600
700
800
900
1000
Moyenne mobile centre Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
c
t

t
+ =
x
t
f
t
E c
t

t
+ ( ) E c
t
( ) E
t
( ) + c
t
0 + c
t
= = =

1020


Plusieurs techniques sont alors envisageables : on peut retenir la moyenne
calcule sur les lments de la colonne, mais cette moyenne est largement tribu-
taire des valeurs extrmes que lon peut observer. Certains praticiens prconisent
dliminer la plus forte et la plus faible valeur dans le calcul de la moyenne, an
dliminer ce type de distorsion. Dautres auteurs prfrent retenir la mdiane, que
lon utilise habituellement comme estimateur de la moyenne dune loi Normale,
lorsque lchantillon est faible. Cest cette dernire technique que nous utiliserons
ici tout en indiquant que les programmes de dcomposition automatique dune
chronique en ses diverses composantes adoptent des approches beaucoup plus
sophistiques

1

. Par ailleurs dans le cas dun nombre pair dobservations dans une
colonne, on retiendra la moyenne de lintervalle mdian qui se substitue normale-
ment celle de la mdiane dans le cas dun nombre pair dobservations; dans notre
exemple, la mdiane pour le mois de janvier sera donc: (4,9 + 45,6)/2 = 25,3 aprs
arrondi.
Cette tape de calcul ne permet pas, sauf cas exceptionnel, de vrier le prin-
cipe de conservation des aires (cf. relation 383 de la page 995, pour les modles
saisonniers additifs). Dans notre exemple numrique, la somme arithmtique des
estimations par la mdiane est gale 60,8. Il faut donc retrancher 60,8/12 = 5,1
chacune des estimations pour vrier le principe de conservation des aires (pour
le mois de janvier, le coefcient saisonnier sera donc 25,3 5,1 = 20,2).
Maintenant que lon est en possession dune estimation de la composante
tendancielle (obtenue partir de la moyenne mobile centre), et dune estimation
de la composante saisonnire (obtenue la dernire ligne du tableau 299 de la
page 1019), on peut obtenir la

srie dsaisonnalise

du tableau 300 de la page
1020, en retranchant la chronique observe les composantes saisonnires (par
exemple pour le mois de janvier 1994, on aura 705 20,2 = 684,8). La srie brute
et la srie dsaisonnalise sont reportes sur la gure 242.

1. Par exemple le programme X-11 mis au point par Shiskin pour le compte du Census Board (mthode de
dcomposition du Census II) et qui est dune utilisation courante dans les grandes entreprises outre atlantique,
remplace les valeurs des coefcients nappartenant pas un intervalle de conance 95% par des valeurs statis-
tiquement plus vraisemblables (voir II-2.1.12f, page 1026).
TABLEAU 300
Ventes dsaisonnalises (modle additif)
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 684,8 645,6 653,5 658,6 705,1 683,6 709,1 664,3 614,8 748,4 712,7 765,6
1995 810,8 757,6 755,5 804,6 754,1 780,6 771,1 746,3 759,8 699,4 686,7 642,6
1996 661,8 676,6 683,5 675,6 639,1 564,6 704,1 681,3 713,8 683,4 679,7 705,6
1997 668,8 733,6 755,5 693,6 728,1 733,6 651,1 698,3 742,8 723,4 769,7 724,6
1998 698,8 684,6 711,5 666,6 751,1 733,6 677,1 736,3 681,8 679,4 785,7 735,6
1999 880,8 807,6 840,5 820,6 881,1 780,6 791,1 826,3 746,8 800,4 764,7 713,6
2000 718,8 616,6 580,5 646,6 613,1 607,6 580,1 614,3 590,8 552,4 564,7 636,6
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
Toute la squence de calculs qui a t conduite jusquici reposait sur lhypo-
thse dun modle additif. Si lon prfre retenir celle dun modle multiplicatif
mixte (introduit I-2.4, page 994), cest--dire , une squence de
calculs lgrement diffrente permet dobtenir une estimation des coefcients
saisonniers. En effet, le quotient / constitue une estimation de , qui
suit, l encore, une loi Normale centre sur le coefcient saisonnier que lon
cherche estimer. La table de Buys-Ballot des rapports des observations aux
moyennes mobiles centres est donne au tableau 301 de la page 1023 (par
exemple pour juillet 1994, le rapport est : 684/692,4 = 0,9878).
Dans le cas dun modle multiplicatif mixte, le principe de conservation des
aires se traduit par la recherche dune somme des coefcients saisonniers gale au
nombre de coefcients saisonniers
1
; cette somme (des estimations par les
mdianes) est dans notre exemple de 12,0923, ce qui revient dire quil faut
retrancher chaque coefcient 0,0923/12 = 0,0077 pour calculer la composante
saisonnire multiplicative dun mois (pour le mois de janvier, par exemple, on a
1,0363 0,0077 = 1,0286). Les coefcients saisonniers du modle multiplicatif
sont calculs dans le tableau 301 de la page 1023. La srie dsaisonnalise
sobtient ensuite en divisant chaque observation par la composante saisonnire
correspondante, ce qui donne la srie du tableau 302 et la gure 243, page 1022.
L aussi, la nouvelle chronique sinterprte comme la combinaison de la compo-
sante tendancielle et de la composante alatoire.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
c
t

t
+ =
x
t
f
t
c
t

t
f
t
+
FIGURE 242
Srie dsaisonnalise (modle additif)
300
400
500
600
700
800
900
1000
dsaisonnalises (modle additif) Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0

1022


II-2.1.12d) Choix entre le modle multiplicatif et le modle additif

Si la composante tendancielle est correctement estime et, en labsence de
composante alatoire, le problme du choix entre un modle additif et un modle
multiplicatif ne pose gure de difcult pour les modles de combinaison de ces
composantes introduits au I-2.4, page 994. En effet, le test dun mauvais
modle conduit ncessairement lobservation dune tendance sur les diff-
rentes estimations des composantes saisonnires dune mme priode. Illustrons
ceci avec le tableau 303 de la page 1024 qui retrace les deux chroniques trimes-
trielles et suivantes:

1.

Note de la page prcdente.

Voir Calot (1973, [82]) p. 355-357; on peut ajouter que lon peut crire la compo-
sante saisonnire dun modle multiplicatif sous la forme :
,
do:
. La valeur observe (que lon peut mettre sous forme dune table
de Buys-Ballot comme le quotient ) est la ralisation de la variable alatoire qui suit une loi
Normale centre; par exemple pour le mois 7 de 1994, cette ralisation est (684-692,4)/692,4 = 0,0122 ( = 1
0,9878). Lintrt de cette formulation est de pouvoir se ramener au modle additif dans lutilisation du prin-
cipe de conservation des aires. En effet, si lanne comporte m priodes, on peut crire:
ce qui fait que la somme des pourcentages dcarts relatifs par rapport la valeur tendancielle, de lensemble
des priodes dune anne, est ncessairement nulle.
c
t
c
t
1 d
t
+ =
x
t
f
t
c
t

t
+ f
t
1 d
t
+ ( )
t
+ f
t
f
t
d
t

t
+ + = = = x
t
f
t
f
t
d
t

t
+ =
x
t
f
t
f
t
d
t

t
+ =
x
t
f
t
f
t
-------------- d
t

t
f
t
---- + = x
t
f
t
( ) f
x
t
f
t
c
t

t
+ ( ) f
c
t
t 1 =
m
m 1 d
t
+ ( )
t 1 =
m
m 1 d
t
t 1 =
m
+
t 1 =
m
m m d
t
t 1 =
m
+ m d
t
t 1 =
m
0 = = = = =
FIGURE 243
Ventes dsaisonnalises (modle multiplicatif)
300
400
500
600
700
800
900
1000
dsaisonnalises (modle multiplicatif) Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
X
1t
X
2t


1023

- ; avec , , et
(modle additif)
- ; avec , , et
(modle multiplicatif)
L o les choses se compliquent, cest lorsque la chronique tudie comporte
une composante alatoire, sauf si limportance de la perturbation alatoire est trs
faible par rapport lamplitude des composantes saisonnires. Dans le cas
contraire, la dcomposition de la chronique est sujette caution et doit tre manie
avec prudence. En pratique, on testera les deux modles pour y rechercher des
indices permettant dinrmer le bien-fond de lhypothse analyse. Si aucun des
deux modles ne peut tre rejet, on retiendra celui qui semble le plus appropri
sur la base de considrations extra statistiques.
Lorsque lvolution tendancielle est faible, il est difcile de choisir entre les
deux types de modle. Pour trancher, il est utile de calculer la variance rsi-
T

ABLEAU

301

Coefcients saisonniers du modle multiplicatif

J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
T
o
t
a
l
1994

- - - - - - 0,988 0,601 0,884 1,124 0,988 1,091 5,676

1995

1,119 1,022 1,075 1,089 0,996 1,078 1,006 0,689 1,067 1,063 0,983 0,981 12,171

1996

1,001 1,012 1,107 1,049 0,960 0,888 1,009 0,650 1,069 1,090 0,999 1,062 11,898

1997

0,978 1,054 1,156 1,016 1,023 1,064 0,870 0,634 1,058 1,104 1,093 1,069 12,119

1998

1,007 0,965 1,077 0,973 1,060 1,074 0,906 0,675 0,937 0,984 1,036 0,999 11,694

1999

1,155 1,033 1,132 1,053 1,094 1,007 0,960 0,746 0,996 1,157 1,062 1,059 12,453

2000

1,066 0,923 0,969 1,044 0,984 1,040 - - - - - - 6,027

Mdiane

1,036 1,017 1,092 1,046 1,010 1,052 0,974 0,662 1,027 1,097 1,017 1,060 12,092

Composante
saisonnire

1,029 1,010 1,085 1,039 1,002 1,045 0,966 0,655 1,019 1,089 1,010 1,053 12,000

T

ABLEAU

302

Ventes dsaisonnalises (modle multiplicatif)

J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 685,4 646,8 657,4 658,5 705,4 683,5 707,8 644,6 617,0 744,7 714,1 762,9
1995 807,9 757,7 751,5 799,0 754,3 776,4 772,0 769,8 759,3 699,7 688,3 646,0
1996 663,0 677,5 685,1 674,9 639,6 569,6 702,7 670,6 714,1 685,0 681,4 705,9
1997 669,8 734,0 751,5 692,2 728,4 731,4 647,8 696,5 742,6 721,7 770,5 723,9
1998 699,0 685,4 710,9 666,2 751,3 731,4 674,7 754,6 682,7 681,3 786,4 734,4
1999 875,9 807,3 829,9 814,4 881,0 776,4 792,7 892,0 746,5 792,5 765,6 713,5
2000 718,4 618,1 590,1 646,9 613,6 610,8 574,3 568,2 593,5 564,7 567,5 640,3
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
X
1t
1000 50 t c
i
+ + = c
1
150 = c
2
+50 = c
3
+120 = c
4
20 =
X
2t
1000 50 t c
i
+ + = c
1
0 85 , = c
2
1 05 , = c
3
1 12 , =
c
4
0 98 , =
duelle de chacun des deux modles et lon retiendra celui dont la variance rsi-
duelle est la plus faible
1
. Pour calculer cette variance rsiduelle, il suft de
calculer la moyenne des carrs des rsidus (cest--dire les diffrences entre les
valeurs observes et les combinaisons des estimations des composantes tendan-
cielles et saisonnires), puisque, par hypothse, lesprance mathmatique des
rsidus est nulle et que la relation de calcul de la variance est la moyenne des
carrs moins le carr de la moyenne.
Ajoutons enn que lorsque le problme se pose pour de trs nombreuses rf-
rences, il est prfrable de travailler sur des donnes agrges par groupe
homogne de rfrences, pour obtenir une meilleure prcision de composante
saisonnire. En effet, lincidence des composantes alatoires est alors diminue en
vertu de la proprit statistique bien connue selon laquelle la variance dune
somme de variables alatoires indpendantes est gale la somme des variances
de ces variables, ce qui conduit un coefcient de variation
2
plus faible. Pour
agir ainsi, il faut normalement que le type dvolution tendancielle de chacune des
composantes de lagrgat soit linaire, mais dans le cas contraire, on peut agir de
mme si les volutions tendancielles sont faibles.
Illustrons ce point par lexemple numrique (trimestriel) suivant :
X
1t
= (1000 + 50t) c
i
+
1t
, avec L (
1t
) = N (0,80)
X
2t
= (4000 100t) c
i
+
2t
, avec L (
2
) = N (0,100)
TABLEAU 303
Exemple de distorsions induites par le choix dun modle erron
X
1t
= 1000 + 50t + c
t
pour le trimestre
X
2t
= (1000 + 50t) c
t
pour le trimestre
1 2 3 4 1 2 3 4
S
r
i
e
s
A
n
n
e
1996 900 1150 1270 1180 892,5 1155,0 1288,0 1176,0
1997 1100 1350 1470 1380 1062,5 1365,0 1512,0 1372,0
1998 1300 1550 1670 1580 1232,5 1575,0 1736,0 1568,0
1999 1500 1750 1870 1780 1402,5 1785,0 1960,0 1764,0
2000 1700 1950 2070 1980 1572,5 1995,0 2184,0 1960,0
modle suppos ( tort)
multiplicatif
modle suppos ( tort)
additif
D
t
e
r
m
i
n
a
t
i
o
n

d
e

l
a
c
o
m
p
o
s
a
n
t
e

s
a
i
s
o
n
n
i
r
e
A
n
n
e
1996 - - 1,104 0,983 - - 138,9 20,6
1997 0,880 1,038 1,089 0,986 188,4 61,6 162,9 24,6
1998 0,897 1,033 1,077 0,988 218,4 71,6 186,9 28,6
1999 0,909 1,029 1,069 0,989 248,4 81,6 210,9 32,6
2000 0,919 1,026 - - 278,4 91,6 - -
mdiane 0,903 1,031 1,083 0,987 233,4 76,6 174,9 26,6
composante
saisonnire
0,902 1,030 1,082 0,986 231,3 78,8 177,0 24,5
1. Ce raisonnement pouvant tre conduit en termes dcart-type rsiduel (cest celui qui a t tenu dans les
commentaires effectus sur les rsultats du tableau 294, page 1011).
2. Rapport de lcart-type la moyenne.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
X
3t
= (2000 + 35t) c
i
+
3
, avec L (
3t
) = N (0,50)
avec c
1
= 0,85, c
2
= 1,05, c
3
= 1,12 et c
4
= 0,98. Ces donnes permettent dtablir
le tableau 304 (obtenu partir de simulation des lois normales dans un tableur) et
les moyennes mobiles qui permettent daboutir aux estimations des coefcients
saisonniers et des erreurs relatives commises pour les estimations faites partir
des sries individuelles et de la srie agrge.
TABLEAU 304
Illustration de lestimation groupe de la composante saisonnire
Priode
Srie 1 Srie 2 Srie 3 Srie agrge
X
1
Moyenne
mobile
X
2
Moyenne
mobile
X
3
Moyenne
mobile
X
1
+ X
2
+ X
3
Moyenne
mobile
1 965 - 3324 - 1736 - 6025 -
2 1138 - 3931 - 2109 - 7178 -
3 1256 1151,8 4195 3703,8 2465 2123,1 7916 6978,6
4 1270 1186,8 3497 3637,6 2138 2162,8 6905 6987,1
5 921 1244,6 3060 3524,0 1825 2198,6 5806 6967,3
6 1462 1274,5 3666 3418,8 2337 2226,1 7465 6919,4
7 1395 1326,6 3551 3337,6 2524 2266,3 7470 6930,5
8 1370 1376,4 3299 3222,0 2299 2296,9 6968 6895,3
9 1238 1426,5 2609 3117,0 1985 2321,0 5832 6864,5
10 1543 1494,3 3192 3002,4 2422 2340,3 7157 6836,9
11 1715 1542,1 3185 2890,3 2632 2366,8 7532 6799,1
12 1592 1594,8 2748 2787,5 2345 2403,0 6685 6785,3
13 1399 1657,5 2263 2683,5 2151 2443,0 5813 6784,0
14 1803 1717,6 2716 2593,4 2546 2478,6 7065 6789,6
15 1957 1772,3 2829 2531,5 2828 2489,4 7614 6793,1
16 1831 1812,5 2383 2463,8 2434 2508,6 6648 6784,9
17 1597 1855,9 2133 2363,8 2148 2546,1 5878 6765,8
18 1927 1914,1 2304 2270,6 2703 2582,3 6934 6767,0
19 2180 - 2441 - 2971 - 7592 -
20 2074 - 2026 - 2580 - 6680 -
TABLEAU 305
Estimations des composantes saisonnires et erreurs destimation
Trimestre
Srie 1 Srie 2 Srie3 Srie agrge
estimation erreur estimation erreur estimation erreur estimation erreur
1 0,8535 0,41 % 0,8565 0,76 % 0,8501 0,01 % 0,8537 0,44 %
2 1,0424 0,72 % 1,0559 0,56 % 1,0415 0,81 % 1,0442 0,55 %
3 1,0986 1,91 % 1,1104 0,86 % 1,1255 0,49 % 1,1148 0,46 %
4 1,0055 2,60 % 0,9772 0,29 % 0,9829 0,29 % 0,9872 0,74 %
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
II-2.1.12e) Composante saisonnire et variation par pallier de la composante
tendancielle
Nous avons voqu la page 988, le problme de composantes tendancielles
variant par palier (campagnes ou saisons ). Lorsque cette volution est
annuelle, le problme de la dtermination dune saisonnalit peut se poser: par
exemple, un fabricant de bouteilles sera intress, une fois connu le volume de
Beaujolais mettre en bouteille, par la rpartition dans le temps de cette mise en
bouteille par les producteurs, les coopratives et divers ngociants. Les mthodes
prcdemment dcrites ont de fortes chances de conduire une impasse, en parti-
culier si la stabilit des comportements saisonniers implique celle de limportance
relative des mois dans lexercice annuel (celui-ci nayant aucune raison de con-
cider avec lanne civile). Si cette hypothse est fonde, il faut alors travailler sur
des coefcients saisonniers correspondant la part de la priode dans lexercice;
si aucune volution au cours du temps nest dcelable, il suft dadapter la
dmarche classique, cest--dire dterminer les mdianes puis corriger ces
dernires pour que la somme des coefcients soit bien gale 100% (ce qui cons-
titue une transposition du principe de conservation des aires). Il se peut fort
bien quune tendance soit dcelable pour certains coefcients saisonniers, la
suite dune volution des comportements (dplacement de la demande de Beaujo-
lais vers le Beaujolais nouveau, par exemple). Dans ce cas, il faudra dterminer
pralablement les valeurs prises par ces coefcients, puis corriger les mdianes
des seuls autres coefcients.
II-2.1.12f) Les mthodes de dcomposition automatique
Lapproche que nous venons de suivre aboutit la dtermination dune estima-
tion de la composante tendancielle et dune estimation de la composante saison-
nire. Elle permet donc de dcomposer une chronique en ses trois composantes.
Cette dmarche est susceptible damlioration, en ce sens que lon peut chercher
obtenir, dans le processus de dcomposition, des estimations qui ne soient pas
trop tributaires de valeurs de la composante alatoire exceptionnellement fortes ou
faibles.
Dans cette optique, lINSEE procde
1
une seconde estimation de la compo-
sante tendancielle, en repassant un ltre en moyenne mobile centre sur la srie
dsaisonnalise puis recommence, avec cette nouvelle information, toute la
squence de calculs que nous venons de dcrire. ltranger, diffrents orga-
nismes publics ont galement mis au point leurs mthodes de dcomposition, et
les programmes correspondants sont largement disponibles. La mthode la plus
connue est sans aucun doute celle mise au point par Shiskin
2
pour le compte du
Census Board aux tats-Unis, et son succs dans lanalyse de sries agrges se
1. Voir Calot (1973, [82]) p. 390 et sq.
2. La version initiale, dite X-11 est dcrite dans Shiskin, Young et Musgrave (1969, [384]). Madridakis,
Wheelwright et Hyndman (1998, [291]) dcrivent dune faon sufsamment dtaille, lutilisation classique
de ce programme aux p. 113 121, ainsi que les extensions X-12-ARIMA de cette approche, base sur une utili-
sation pralable des approches de Box et Jenkins (cf. III-2, page 1083) pour liminer ce qui peut tre expliqu
par des variables exognes pralablement au processus de dcomposition. Dautres approches empiriques
sophistiques, bases sur des dcompositions automatiques sont galement utilises, notamment la mthode
STL (voir Madridakis, Wheelright et Hyndman, 1998, [291], p. 121-224). Ces programmes sont tlchargeables
sur Internet (ftp://ftp.census.gov/pub et http://netlib.bell-labs.com/netlib).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
justie par ses bonnes performances. Celles-ci sexpliquent par le choix des ltres
linaires utiliss
1
qui, dune part, sappliquent bien la plupart des situations
rencontres
2
et, dautre part, ne ncessitent pas lutilisation dun historique trop
long. Les rsultats obtenus avec le programme X-11 sont donns au tableau 306
de la page 1028 et illustrs par la gure 244.
II-2.1.2 Les ltres empiriques orients vers lestimation prvisionnelle
de la composante tendancielle
Les ltres tudis au II-2.1.1 visaient obtenir, une date t, une estimation de
la valeur tendancielle cette date, partir dune chronique comportant lobserva-
tion , et centre sur cette observation . Lobjectif poursuivi par les ltres que
lon va maintenant tudier reste celui dune estimation prvisionnelle de la
composante tendancielle une date postrieure celles des informations utilises
dans la dnition du ltre linaire (en rgle gnrale une date suprieure celles-
ci).
On distinguera ici deux cas de gure, celui dune absence dvolution dans la
composante tendancielle ( II-2.1.2.1), cest--dire que lon a: = b; et celui
dune volution tendancielle linaire ( II-2.1.2.2, page 1029), cest--dire que
1. Note de la page prcdente. En anticipant sur la suite, on peut indiquer que la mthode suivie correspond
approximativement au modle suivant (cf. Tiao et Cleveland, 1976, [420]):
et avec et ; modle qui
sadapte bien aux sries non stationnaires o les composantes tendancielles et saisonnires suivent une volution
linaire dont la pente et lordonne varient au cours du temps.
2. Cest--dire que le nombre de paramtres estimer nest pas grand. Dans certaines mthodes, ce nombre
dpasse la cinquantaine, ce qui rduit singulirement le nombre de degrs de libert.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1 B ( )
2
f
t
1 0 498 0 498
2
, , + ( )
1t
= 1 B
12
( )c
t
1 0 64B
12
0 83B
24
, + , + ( )
2t
=

2
2
1
2
-------- 1 3 , =

1
2
-------- 14 4 , =
300
400
500
600
700
800
900
1000
FIGURE 244
Dsaisonnalisation de la chronique des ventes par la mthode X-11 du Census
Board (modle multiplicatif)
dsaisonnalis (Census Board) Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t
f
t

1028


lon a: . Mais la logique introduite dans ce dernier cas de gure est
gnralisable sans difcult toute volution tendancielle que lon peut dcrire
par une fonction polynomiale en

t

. Dans un dernier paragraphe ( II-2.1.2.3, page
1032), nous ferons quelques remarques sur linterprtation des rsultats.
Avant dentamer ltude de ces ltres, indiquons tout de suite quils ne sappli-
quent qu des sries non saisonnires, cest--dire que la composante saisonnire
nexiste pas, ou quelle a t pralablement limine laide de ltres en
moyennes mobiles centres appropris.
II-2.1.2.1 Moyenne mobile simple non centre (cas de labsence dvolution
tendancielle)
Lorsquil ny a pas dvolution tendancielle notable, la moyenne mobile non
centre , dnie la date

t

et utilise comme prvision pour la priode

t

+ 1
( ) ou pour une priode

t

+ k postrieure quelconque, puisque par hypo-
thse le phnomne ne connat pas dvolution ( ), nest autre que la
moyenne arithmtique des s dernires observations disponibles la date

t

(cest-
-dire ):

, pour

relation 399

Si ce ltre porte sur un nombre impair dobservations (s = 2n + 1), on va
retrouver numriquement la valeur du ltre en moyenne mobile centre que lon
aurait calcul la date

t

n, comme lillustre le tableau 307, pour un ltre portant
sur s = 5 priodes ( ).
T

ABLEAU

306

Ventes dsaisonnalises (modle multiplicatif X-11 du Census Board)

J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994

673 648 654 656 707 679 715 660 600 748 724 773

1995

797 759 745 799 751 769 785 783 741 705 692 655

1996

658 678 677 679 633 564 722 672 703 692 675 716

1997

666 738 742 701 715 723 671 689 738 731 756 734

1998

694 691 703 678 731 722 705 740 684 690 764 742

1999

867 821 826 834 850 765 829 873 752 802 741 719
2000 708 632 590 664 589 602 600 553 602 572 548 646
TABLEAU 307
Exemple de moyenne mobile simple non centre
Date t 4 t 3 t 2 t 1 t
x
t
10 9 11 12 10
Moyenne mobile non centre - - - - 10,4
Moyenne mobile centre
(utilisant la mme partie de chronique)
- - 10,4 - -
f
t
at b + =
y
t
x
t 1 +
y
t
=
x
t k +
y
t
=
x
t s 1 +
x
t
x
t k +
y
t
1
s
--- x
t i
i 0 =
s 1
= = k 1
n 2 =
II-2.1.2.2 Moyenne mobile double (cas dune volution tendancielle linaire)
Pour comprendre la logique qui a prsid la dnition des moyennes mobiles
doubles, nous partirons (cf. tableau 308, page 1029) dun double exemple num-
rique dapplication dun mme ltre en moyenne non centre (avec: s = 5). Dans
le premier exemple, la chronique de dpart ne comporte quune composante
tendancielle linaire, lexclusion de toute autre composante. Dans le second
exemple, la chronique sur laquelle on travaillera sera la somme de la chronique
prcdente et dune composante alatoire gnre alatoirement et suivant la loi :
N (0; 1,5). Linterprtation de la dernire ligne du tableau 308 sera fournie la
page 1030.
Dans le premier exemple, la diffrence entre et est de 4, cest--dire deux
fois la valeur de la pente, ce qui ne saurait tonner puisque, dune part, nous avons
soulign ( la n du II-2.1.2.1) que la valeur numrique prise en t par la moyenne
mobile non centre pour un ltre dune longueur s = 2n + 1 est la mme que celle
prise par la moyenne mobile centre la date t n, valeur identique la compo-
sante tendancielle cette mme date t n (en labsence de composante alatoire)
et, dautre part, que la diffrence entre = at + b et = a (t n) + b est trs
prcisment n.a, ce qui donne 2 x 2 = 4 dans notre exemple. Pour tenir compte du
fait que la moyenne mobile non centre peut porter sur un nombre pair de
priodes, on montre
1
, que dune manire gnrale ,cet cart est :
relation 400
En restant dans le cadre du premier exemple et en supposant que lobjectif pour-
suivi soit la prvision la date t, de la valeur que lon observera la date t + 1, il
suft dajouter la pente calcule en transformant la relation 400:
TABLEAU 308
Exemple de moyennes mobiles doubles
t 1 2 3 4 5 6 7 8 9 10 11 12
E
x
e
m
p
l
e

1 12 14 16 18 20 22 24 26 28 30 32 34
- - - - 16 18 20 22 24 26 28 30
E
x
e
m
p
l
e

2
0,14 0,89 0,76 0,46 1,28 1,44 2,18 2,45 0,39 0,64 0,94 0,06
12,14 13,11 16,76 17,54 21,28 23,44 21,82 28,45 27,61 30,64 31,06 34,06
- - - - 16,17 18,43 20,17 22,51 24,52 26,39 27,92 30,36
- - - - 23,84 25,95 22,65 31,42 29,16 32,76 32,63 35,91
1. avec on a:
, do:
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
10 2t + = =
y
t
1
5
--- x
t i
i 0 =
4
t
x
t
f
t

t
+ =
y
t
1
5
--- x
t i
i 0 =
4
=
1 5x
t
0 5y
t
, ,
x
t
y
t
x
t
x
t n
x
t
at b + =
y
t
1
s
--- x
t i
i 0 =
s 1
1
s
--- a t i ( ) b + }
i 0 =
s 1
1
s
--- at b + ( ) 1
a
s
-- i
i 0 =
s 1
i 0 =
s 1
s
s
-- at b + ( )
a
s
--
s s 1 ( )
2
----------------- = = = =
y
t
at b a
s 1
2
---------- + x
t
a
s 1
2
---------- x
t
y
t
a
s 1
2
---------- = = =
x
t
y
t
s 1
2
---------- a =
x
t
relation 401
do lon tire:
relation 402
ce qui donne dans notre exemple numrique ( = 1,5x
t
0,5y
t
) pour
une prvision faite la date t = 5:
ou encore: = 1,5x
5
0,5y
5
= 1,5 x 20 0,5 x 16 = 22.
Une telle dmarche est admissible tant que la chronique ne comporte pas de
composante alatoire. Lintroduction de cette dernire a en effet deux
consquences:
- tout dabord au niveau de lobjectif poursuivi, on ne pourra plus prtendre
calculer la valeur que prendra mais seulement une estimation de la
composante tendancielle en t + 1;
- dautre part, dans la relation prcdente, limpact de la composante alatoire
sur et nest pas du tout le mme, puisque pour un certain lissage de
la composante alatoire est opr
1
; il sensuit que la prvision que lon pour-
rait faire en suivant cette mthode dans le second exemple (cf. dernire ligne
du tableau 308 de la page 1029) serait tributaire de uctuations dchantillon-
nage de , ( =) fois plus fortes que celles de , et de surcrot affect
dun poids relatif (s + 1)/2 = 3 fois plus fort que celui de .
Pour pallier ce dernier inconvnient, il faut calculer la pente partir de deux
sries lisses, et pour ce faire, il suft de calculer une moyenne mobile non centre
, sur la chronique , et utilisant le mme nombre s de priodes. En effet, en
labsence de composante alatoire, la chronique se dduit de la chronique par
une translation de mme amplitude que celle qui a permis dobtenir partir de
, ce qui revient dire que lon a:
= relation 403
Vrions cette proprit sur le premier exemple du tableau 309. Il dcoule de
cette relation 403 que lon a, en labsence de composante alatoire: = + (
) = 2 , relation qui va nous servir estimer la valeur thorique de , si
la composante alatoire existe:
relation 404
La pente, que lon pouvait calculer sans difcult partir de la diffrence
, en labsence de composante alatoire, sestime en utilisant le mme raisonne-
ment partir de la diffrence si la composante alatoire est prsente en
remplaant tout simplement ( ) par ( ) dans les rsultats obtenus prc-
demment (cette estimation tant faite la date t sera indice par cette date):
1. Pour tre plus prcis, lindicateur que constitue la variance est, en application de la thorie de la distribution
dchantillonnage des moyennes, s = 5 fois plus faible pour y
t
que pour x
t
. Voir par exemple Giard (1995, [182]),
chapitre IV, II.1.
a x
t
y
t
( )
2
s 1
---------- =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t 1 +
x
t
a + x
t
s 1 +
s 1
---------- y
t
2
s 1
---------- = =
s 5 x
t 1 +
=
x
6
x
5
x
5
y
5
( )
2
5 1
----------- + 20 20 16 ( )
2
4
--- + 22 = = =
x
6
x
t 1 +
x
t
y
t
y
t
x
t
s 5 y
t
y
t
z
t
y
t
z
t
y
t
y
t
x
t
x
t
y
t
y
t
z
t
x
t
y
t
y
t
z
t
y
t
z
t
x
t
x
t
2y
t
z
t
=
x
t
y
t
y
t
z
t
x
t
y
t
y
t
z
t
relation 405
partir des relations 404 et 405, il est possible deffectuer une prvision une
date t + k quelconque: do lon
tire:
relation 406
Cette relation 406 donne pour s = 5, une prvision effectue en t pour la date
t + 1: = 2,5y
t
1,5z
t
. Cette relation est utilise dans la dernire ligne du
tableau 309 et lon peut constater qu dfaut de trouver la valeur exacte de la
composante tendancielle vraie, on en obtient malgr tout une estimation satisfai-
sante.
La technique de la moyenne mobile double peut, nous lavons dit, sappliquer
des chroniques dsaisonnalises. Reprenons lexemple des ventes du rayon de
ventes de journaux du Casimouth dAlphaville: lestimation de sa composante
tendancielle laide du ltre en moyenne mobile centre montre (voir gure 241,
page 1019) une volution la baisse assez marque depuis le mois de juin 1999.
Reprenons la technique de la moyenne mobile double base sur lutilisation de la
moyenne mobile non centre sur 5 priodes (tableau 310, page 1032) pour effec-
tuer (tableau 311, page 1032) une prvision de la composante tendancielle pour
les neuf mois qui suivent la dernire valeur disponible (juin 1999). Lestimation
de la pente, en application de la relation 405, est = 16,55; cette variation
mensuelle correspond, on le verra au II-2.1.23a, page 1032, une variation
annuelle de 2383.
TABLEAU 309
Exemple dutilisation en cascade de la moyenne mobile simple
t 1 2 3 4 5 6 7 8 9 10 11 12
E
x
e
m
p
l
e

1
12 14 16 18 20 22 24 26 28 30 32 34
- - - - 16 18 20 22 24 26 28 30
- - - - - - - - 20 22 24 26
E
x
e
m
p
l
e

2
0,14 0,89 0,76 0,46 1,28 1,44 2,18 2,45 0,39 0,64 0,94 0,06
12,14 13,11 16,76 17,54 21,28 23,44 21,82 28,45 27,61 30,64 31,06 34,06
- - - - 16,17 18,43 20,17 22,51 24,52 26,39 27,92 30,36
- - - - - - - - 20,36 22,40 24,30 26,34
28,68 30,38 31,53 34,39
2,08 1,99 1,81 2,01
30,76 32,38 33,34 36,40
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
10 2t + = =
y
t
1
5
--- x
t i
i 0 =
4
=
z
t
1
5
--- y
t i
i 0 =
4
t
x
t
f
t

t
+ =
y
t
1
5
--- x
t i
i 0 =
4
=
z
t
1
5
--- y
t i
i 0 =
4
=
2y
t
z
t
0,5 y
t
z
t
( )
2,5y
t
1,5z
t
a
t
2
s 1
---------- y
t
z
t
( ) =
x
t k +
x
t
k a
t
+ 2y
t
z
t
( ) k
2
s 1
---------- y
t
z
t
( )
| |

| |
+ = =
x
t k +
y
t
y
t
z
t
( )
s 2k 1 +
s 1
---------------------- + =
x
t 1 +
a
La prvision effectue pour le mois de janvier 2001 (premier mois qui suit la
dernire information disponible, utilise dans la moyenne mobile centre ayant
servi estimer la composante tendancielle) a une valeur tendancielle de 494,67.
On peut la combiner sans difcult avec lestimation de la composante saisonnire
trouve prcdemment. Supposons, par exemple, que lon estime que le modle
multiplicatif (tableau 301 de la page 1023) est le plus appropri; il convient alors
de multiplier lestimation de la composante tendancielle par celle de la compo-
sante saisonnire (494,67 x 1,029 =) 509, pour obtenir une prvision pour ce mois
de janvier.
Il est habituel, aprs avoir dcompos une chronique en ses diverses compo-
santes, deffectuer indpendamment des prvisions pour les composantes
certaines, puis de les combiner pour donner une estimation prvisionnelle (ici
implicitement la composante saisonnire multiplicative est suppose tre stable).
Il convient toutefois dmettre des rserves sur la prvision effectue ici, car la
dcroissance tendancielle observe est particulirement forte, et son maintien sur
un horizon relativement loign est sujet caution.
II-2.1.2.3 Remarques
Nous terminerons la prsentation des moyennes mobiles doubles par trois
remarques. Les deux premires sont importantes du point de vue pratique, la
dernire ne prsente quun intrt thorique.
II-2.1.23a) Interprtation de la pente a
Quels que soient les ltres linaires utiliss pour effectuer une estimation
prvisionnelle de la composante tendancielle, on est en mesure de calculer une
estimation de la pente (celle-ci dans lexemple prcdent tait a = 16,549, en
application de la relation 405 de la page 1031). Son analyse peut donner lieu des
interprtations errones. En effet, la variation du cumul annuel dune anne sur
TABLEAU 310
Moyennes mobiles doubles (5 priodes) sur les ventes du rayon de ventes de
journaux du Casimouth dAlphaville
t = 1
octobre
1999
t = 2
novembre
1999
t = 3
dcembre
1999
t = 4
janvier
2000
t = 5
fvrier
2000
t = 6
mars
2000
t = 7
avril
2000
t = 8
mai
2000
t = 9
juin
2000
Estimation de la compo-
sante tendancielle des
ventes de Casimouth x
t
746,17 727,75 709,38 693,38 675,75 660,42 643,58 624,92 613,38
y
t
- - - - 710,48 693,33 676,50 659,61 643,61
z
t
- - - - - - - - 676,71
TABLEAU 311
Prvisions de la composante tendancielle des ventes du rayon de ventes de
journaux du Casimouth dAlphaville
t = 10
juillet
2000
t = 11
aot
2000
t = 12
septembre
2000
t = 13
octobre
2000
t = 14
novembre
2000
t = 15
dcembre
2000
t = 16
janvier
2001
t = 17
fvrier
2001
t = 18
mars
2001
593,96 577,41 560,86 544,31 527,76 511,22 494,67 478,12 461,57
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
lautre nest pas m x a, si lanne comporte m priodes (16,549 x 12 = 198,59
dans notre exemple), car cette valeur est reprsentative de la variation enregistre
au bout dun an de la composante tendancielle dnie pour la priode de base
servant de rfrence la chronique (le mois dans notre exemple). Pour calculer
cette variation, il faut distinguer le cas du nombre pair de priodes dans une anne,
de celui du nombre impair.
- Lorsque la moyenne mobile centre comporte un nombre impair de
priodes (s = 11 par exemple), le produit de la moyenne mobile par le nombre
de priodes s du ltre redonne la valeur observe dun exercice annuel glis-
sant (cest--dire du cumul de s observations successives). Dans lexemple
du tableau 297 de la page 1016, la date t = 8, on observait la valeur = 26.
Or : ;
la diffrence du produit par s de deux valeurs observes ou estimes de
moyennes mobiles centres spares de s priodes, ( et par
exemple) correspond donc la diffrence entre deux exercices annuels glis-
sants successifs: ; . Do:
Or , lestimation de la variation annuelle de deux exer-
cices annuels successifs est donc
1
:
relation 407
- Lorsque la moyenne mobile centre comporte un nombre pair de priodes
(s = 12 par exemple), le produit de la moyenne mobile centre par le nombre
de priodes ne permet pas de retrouver le cumul de s mois conscutifs, mais
on dmontre
2
que s = ( ) reste une estimation correcte de la variation
annuelle entre deux exercices annuels glissants successifs, laquelle reste
gale : s
2
. La relation 407 reste donc valable dans le cas o s est pair.
1. La dmonstration gnrale est la suivante, avec , et et (srie non saisonnire ou
dsaisonnalise):
=
=
=
et comme E( ) = 0, pour une valeur quelconque de k, on a:
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
y
8
11 y
8
18 11 x
8 i +
5
+5
17 21 18 23 22 26 30 29 31 32 37 + + + + + + + + + + 26 = = = =
y
8
y
8 11 +
y
19
=
11y
8
26 11 x
8 i +
5
+5
= = 11y
19
x
19 i +
5
+5
=
x
14
x
15
x
23
x
24
+ + + + ( ) x
3
x
4
x
12
x
13
+ + + + ( )
11 y
19
11 y
8
11 y
19
y
8
( ) = =
y
19
y
8
s a 11 a = =
s 2n 1 + = f
t
at b + = x
t
f
t

t
+ =
s y
t s +
y
t
( ) x
t s i + +
x
t i +
i n =
+n
i n =
+n
= a t s i + + ( ) b
t s i + +
+ + }
i n =
+n
a t i + ( ) b
t i +
+ + }
i n =
+n
a t i + ( ) b + } s a }
t s i + +
} + + | | a t i + ( ) b + }
t i +
} + | |
i n =
+n
i n =
+n
s a
t s i + +

t i
( )
i n =
+n
+
i n =
+n
s
2
a
t s i + +

t i
( )
i n =
+n
+ =
t k +
E x
t s i + +
x
t i +
i n =
+n
i n =
+n
\ !
| |
( \
s
2
a E
t s i + +

t i
( )
i n =
+n
\ !
| |
( \
+ s
2
a = =
Estimation de la variation annuelle de deux
exercices annuels glissants successifs:
s
2
a
y
t
y
t s +
y
t

Lapplication de cette relation notre exemple numrique donne une
dcroissance des ventes annuelles du rayon de Casimouth de: 12
2
( 16,549)
= 2383, valeur que lon peut trouver particulirement forte puisquelle
correspond 33% des ventes observes en 2000.
II-2.1.23b) Choix de la longueur du ltre
Nous avons indiqu prcdemment que lorsquil ny a pas de composante ala-
toire et que la composante tendancielle est linaire, la valeur de la longueur s de
la moyenne mobile non centre utilise dans la moyenne mobile double peut tre
quelconque. On a ajout que lorsquil y a en outre une composante alatoire, les
perturbations engendres par la composante alatoire sont dautant plus faibles
que s tait grand. Dans la pratique, un lment complmentaire doit tre pris en
compte dans le choix de s: la partie de la chronique utilise pour faire la prvision
doit correspondre une stabilit dans le comportement de la composante tendan-
cielle. Dans notre exemple, la gure 241, page 1019, qui retrace lvolution de
lestimation de la composante tendancielle, semble montrer quentre mai 1999 et
juin 2000, lvolution tendancielle est stable. On peut donc imaginer dutiliser
jusqu 14 priodes pour effectuer la prvision laide de la moyenne mobile
double.
Pour dterminer la valeur maximale que peut prendre s, il convient de remar-
quer que le calcul de seffectue partir des s dernires valeurs disponibles de la
chronique y, cest--dire et que la valeur se calcule partir de
et des (s 1) valeurs prcdentes. Pour calculer , il faut donc disposer
dun historique de s + (s 1) = 2s 1 valeurs. Dans le cas de la prvision de la
composante tendancielle, si lon ne peut utiliser au maximum quun historique de
14 valeurs, la valeur maximale de s est telle que lon ait : 2s 1 < 14, cest--dire
que la longueur maximale de la moyenne mobile non centre est de 7 priodes.
Enn, un dernier point mrite dtre soulign : lorsque la chronique est
compose de valeurs faibles, voire souvent nulles, il faut retenir des valeurs rela-
tivement importantes de longueur de ltre si lon veut obtenir de bonnes estima-
tions de la composante tendancielle. Illustrons ce point par la gure 245, qui
reprend la chronique simule du tableau 278 de la page 984 en rappelant que lon
est en prsence de 13 priodes de 20 jours ouvrables, pendant 10 ans, la demande
sur 4 semaines suivant une loi de Poisson de paramtre 10. La longueur du ltre
utilis ici est de 25 priodes.
2. Note de la page prcdente. Lutilisation de la relation 398 de la page 1018, pour dsaisonnaliser une chronique mensuelle, lanne
comportant 12 mois, donne:
et do:
, cest--dire que est la moyenne arithmtique de la
diffrence de deux exercices glissants conscutifs. Si lon pose , la suite dune dmonstration analogue celle du
renvoi 1 de la page 1033, on obtient :
do lon tire, en passant en esprance mathmatique:
y
t
1
2
---
1
12
------ x
t i +
x
t i +
5
+6
+
6
+5
\ !
| |
( \
= y
t 12 +
1
2
---
1
12
------ x
t 12 i + +
x
t 12 i + +
5
+6
+
6
+5
\ !
| |
( \
=
12 y
t 12 +
y
t
( ) =
1
2
--- x
t 12 i + +
x
t i +
5
+6
6
+5
\ !
| |
( \
x
t 12 i + +
x
t i +
5
+6
5
+6
\ !
| |
( \
+
| |

| |
s y
t s +
y
t
( )
x
t
f
t

t
+ at b
t
+ + = =
12 y
t 12 +
y
t
( )
1
2
--- s
2
a
t 12 i + +

t i +
( )
6
+5
+
| |

| |
s
2
a
t 12 i + +

t i +
( )
5
+6
+
| |

| |
+ s
2
a
1
2
---
t 12 i + +

t i +
( )
t 12 i + +

t i +
( )
5
+6
+
6
+5
| |

| |
+ = =
12 y
t 12 +
y
t
( ) s
2
a =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
z
t
y
t s 1 +
y
t
y
t s 1 +
x
t s 1 +
z
t
II-2.1.23c) Explicitation du ltre linaire utilis avec la moyenne mobile double
La prvision par la moyenne mobile double correspond bien lutilisation dun
ltre linaire unique, quivalent lutilisation successive de deux moyennes
mobiles non centres. Prenons par exemple une longueur de moyenne mobile s
= 5.
; ; d o :
et, dune faon gnrale , ce qui donne
ici : . On peut
remarquer que la somme des coefcients de pondration de ce ltre linaire est
bien gale 1. La gnralisation de cette dmonstration est immdiate.
, avec a
s 1
= s et a
i
= i + 1 si i < s 1
et a
i
= 2s 1 i, si i > s relation 408
. II-2.2 Mthode base sur les moindres carrs
Cette approche
1
consiste appliquer la technique de la rgression linaire, ou
de la rgression polynomiale, sur s priodes conscutives comme dans le cas de la
moyenne mobile. Cette rgression locale permet :
- dobtenir directement des formules de moyenne mobile correspondant lun
quelconque des s points thoriques de la courbe de rgression, et non plus du
seul point central , ainsi que des projections thoriques au-del de ces
1. Pour lensemble de ces mthodes bases sur la technique des moindres carrs, voir Kendall et Stuart (1973,
[261]) chapitre XLVI, et Kendall (1976, [260]) chapitre III.
FIGURE 245
Moyenne mobile centre (25 priodes) sur la chronique simule du tableau 279
de la page 985
4
6
8
10
12
14
16
18
0 13 26 39 52 65 78 91 104 117 130
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
z
t
1
5
--- y
t
y
t 1
y
t 2
y
t 3
y
t 4
+ + + + ( ) y
t i
i 0 =
4
= = y
t i
1
5
--- x
t i j
j 0 =
4
=
z
t
1
25
------ x
t i j
j 0 =
4
i 0 =
4
= y
t
1
s
2
---- x
t i j
j 0 =
s 1
i 0 =
s 1
=
z
t
1
25
------ x
t
2x
t 1
3x
t 2
4x
t 3
5x
t 4
4x
t 5
3x
t 6
2x
t 7
x
t 8
+ + + + + + + + ( ) =
z
t
1
s
2
---- a
i
x
t 1
i 0 =
2 s 1 ( )
=
points, sans avoir repartir des formules de base de rgression linaire ou
polynomiale;
- dutiliser la technique de la moyenne mobile mme dans le cas o lvolution
tendancielle nest pas linaire (ce qui permet dviter la surestimation ou la
sous-estimation systmatique dnonce au II-2.1.1, page 1012, pour les
ltres empiriques prsents);
- de rduire au minimum lerreur rsiduelle associe aux estimations ponc-
tuelles fournies par la mthode des moyennes mobiles, et donc daccrotre
leur abilit.
Revenons sur ce dernier point avant de prsenter ces moyennes mobiles fondes
sur la mthode des moindres carrs.
II-2.2.1 Variance des ltres linaires
Lorsque la composante alatoire est gnre par un processus purement ala-
toire (dni au I-2.3.1, page 989), le ltre linaire effectue une somme pondre
de s variables alatoires indpendantes, dont on peut facilement calculer la
variance partir du rsultat classique
1
suivant : . La
variance dun ltre linaire quelconque est donc: et
comme par hypothse , puisque est la partie alatoire de
, on a:
relation 409
Quelle que soit la loi suivie par la perturbation alatoire, on a intrt retenir
un ltre dont le systme de pondration a
i
minimise la variance de , car cest
celui qui fournit le meilleur estimateur
2
de la valeur thorique recherche . Si,
de surcrot, cette loi des perturbations alatoires est normale, on peut alors juger
par intervalle de conance les valeurs donnes par la technique de ltrage,
puisquune somme de variables alatoires normales suit elle-mme une loi
Normale. Nous verrons au II-5.2, page 1066, lintrt quil y a connatre cette
variance, pour fournir des prvisions par intervalle de conance ou pour dtecter
des modications de comportement des chroniques.
Lutilisation de la mthode des moindres carrs permet de minimiser cette
variance de , en rendant la somme elle-mme minimale. Examinons ce
point sur le cas simple dun trend linaire.
II-2.2.2 Application de la mthode des moindres carrs au cas du
trend linaire
Appliquons la mthode des moindres carrs des chroniques ne comprenant
quune composante alatoire et une composante tendancielle linaire, et donc pas
1. Voir par exemple, Giard (1995, [182]), chapitre II, I.3.
2. Cest--dire un estimateur efcace, voir par exemple Giard (1995, [182]), chapitre IV, III.1.1.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
V a
i
X
i
i 1 =
n
\ !
( \
a
i
2
V X
i
( )
i 1 =
n
=
V Y
t
( ) a
i
2
V X
t r i +
( )
i 1 =
s
=
V X
t
( ) V
t
( )
2
= =
t
x
t
V Y
t
( )
2
a
i
2
i 1 =
s
=
y
t
f
t
y
t
a
i
2

de composante saisonnire (si celle-ci existe, il y a lieu dappliquer pralablement
le ltre appropri pour liminer cette composante saisonnire). Dans un premier
temps ( II-2.2.2.1), nous rappellerons les principaux rsultats de la rgression
linaire, pour les transposer la rgression locale. Nous verrons ensuite ( II-
2.2.2.2, page 1038) pourquoi cette rgression locale est une application
particulire des ltres linaires, avant de vrier ( II-2.2.2.3, page 1039) sur un
exemple la supriorit du ltre linaire optimal au sens des moindres carrs sur les
ltres empiriques. On gnralisera ensuite ( II-2.2.2.4, page 1040) la dmarche
pour aboutir des relations de calcul des rsultats de la rgression locale, spci-
ques aux chroniques et orients vers lautomatisation des prvisions. On terminera
enn ( II-2.2.2.5, page 1042) par lexamen de techniques de calcul dintervalle
de conance des prvisions, sinspirant de la mme logique.
II-2.2.2.1 Introduction de la rgression locale partir dun exemple numrique
Reprenons la chronique de lvolution tendancielle des ventes du rayon de jour-
naux de Casimouth (voir tableau 298, page 1018), et appliquons les rsultats clas-
siques
1
de la rgression linaire sur la partie de cette chronique constitue par les
cinq
2
dernires valeurs disponibles (cest--dire pour les dates t = 74 t = 78),
aprs avoir modi le reprage temporel de ces donnes de faon avoir la date 0
pour la dernire observation utilise (on notera ces nouvelles dates).
On en tire COV(X, Z) = 32,06; a = 16,03; b = 611,56; r
2
= 0,9957; V(X)
= 516,162; V(Z) = 2; variance rsiduelle observe = 2,240; estimation de la
variance rsiduelle de la population-mre = 3,733 = 1,932. partir de
ces rsultats, il est possible de calculer la valeur thorique correspondant
nimporte quel point de la droite de rgression. Par exemple pour la date t = 78 + 1
= 79, on a: = 16,03 x (+ 1) + 611,56 = 595,53.
1. Voir par exemple Giard (1995, [182]), chapitre VI qui fournit lensemble des relations de calcul. Nous rempla-
ons ici la notation classique n du nombre dobservations, par s, longueur du ltre linaire implicitement utilis.
2. Ce nombre 5 a t retenu pour simplier lillustration numrique de notre propos; ce qui a t dit au II-2.1.23c,
page 1035 reste valable et se transpose ici sans difcult.
TABLEAU 312
Tableau de calcul de la rgression locale
colonne 1 2 3 4 5
j
date
initiale
date
1 74 675,8 4 16 2703,2 456975,64
2 75 660,4 3 9 1981,2 436128,16
3 76 643,6 2 4 1287,2 414220,96
4 77 624,9 1 1 624,9 390500,01
5 78 613,4 0 0 0,0 376259,56
3218,1 10 30 6596,5 2073814,33
643,62 2 6 1319,3 414762,87
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
z
i
x
j
z
j
z
j
2
x
j
z
j
x
j
2
( )
5
--------
r
2
x
79
II-2.2.2.2 La rgression locale, utilisation implicite dun ltre linaire
Cette application de la rgression locale au calcul dun point thorique de la
droite de rgression nest rien dautre que lutilisation dun ltre linaire. En effet,
on peut crire la moyenne et la covariance comme des sommes pondres des 5
observations utilises dans la rgression locale:
= 0,2x
1
+ 0,2x
2
+ 0,2x
3
+ 0,2x
4
+ 0,2x
5
COV(X, Y) = ( 4x
1
3x
2
2x
3
1x
4
0x
5
)
= ( 0,8x
1
0,6x
2
0,4x
3
0,2x
4
0x
5
)
{( 2)(0,2x
1
+ 0,2x
2
+ 0,2x
3
+ 0,2x
4
+ 0,2x
5
)}
= 0,4x
1
0,2x
2
+ 0x
3
+ 0,2x
4
+ 0,4x
5
La pente a sexprime alors comme une somme pondre des 5 observations
utilises, puisque la variance de Z est une constante:
= 0,2x
1
0,1x
2
+ 0x
3
+ 0,1x
4
+ 0,2x
5
Lordonne lorigine b sexprime, elle aussi, comme une somme pondre des
5 observations utilises dans la rgression locale:
= (0,2x
1
+ 0,2x
2
+ 0,2x
3
+ 0,2x
4
+ 0,2x
5
) + 2 ( 0,2x
1
0,1x
2
+ 0x
3
+ 0,1x
4
+ 0,2x
5
)
= ( 0,2x
1
+ 0x
2
+ 0,2x
3
+ 0,4x
4
+ 0,6x
5
)
Il sensuit que lquation de rgression sexprime galement comme une
somme pondre des 5 observations utilises dans la rgression locale:
= ( 0,2x
1
0,1x
2
+ 0x
3
+ 0,1x
4
+ 0,2x
5
) z
i
+ ( 0,2x
1
+ 0x
2
+ 0,2x
3
+ 0,4x
4
+ 0,6x
5
)
= ( 0,2z
i
0,2) x
1
( 0,1z
i
+ 0) x
2
+ (0z
i
+ 0,2) x
3
+ (0,1z
i
+ 0,4) x
4
+ (0,2z
i
+ 0,6) x
5
)
Si lon prend , on a donc pour :
= (0,4 0,2) x
1
(0,2 + 0) x
2
+ (0 + 0,2) x
3
+ ( 0,2 + 0,4)x
4
+ ( 0,4
+ 0,6)x
5
)
= 0,2x
1
+ 0,2x
2
+ 0,2x
3
+ 0,2x
4
+ 0,2x
5
et nous retrouvons, dune part, la proprit classique de la droite de rgression
passant par son centre de gravit (dni par et ) et, dautre part la dnition du
ltre empirique de la moyenne mobile centre. Cette dernire remarque implique
que la moyenne mobile centre constitue un ltre optimal au sens des moindres
carrs, lorsquil est appliqu une chronique constitue de la somme dun trend
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
x
1
5
--- x
1
x
2
x
3
x
4
x
5
+ + + + ( ) =
1
5
--- x y }
a
COV X Z , ( )
V z ( )
----------------------------
0,4x
1
0,2x
2
0x
3
0,2x
4
0,4x
5
+ + +
2
------------------------------------------------------------------------------------- = =
b x az x a 2 ( ) x 2a + = = =
x
i
az
i
b + =
x
i
z
i
2 = x
78 2
x
76
=
x
76
x
76
x z
linaire et dune perturbation alatoire (proprit qui ne dpend pas de la longueur
du ltre en moyenne mobile centre utilise).
Appliquons maintenant la rgression locale exprime sous la forme dune
somme pondre des observations utilises, une prvision effectue pour t = 79,
cest--dire pour la priode :
= (0,2 0,2) x
1
(0,1 + 0) x
2
+ (0 + 0,2) x
3
+ (0,1 + 0,4)x
4
+ (0,2 +
0,6)x
5
)
= 0,4x
1
0,1x
2
+ 0,2x
3
+ 0,5x
4
+ 0,8x
5
ce qui, dans notre exemple numrique, donne: = 0,4

x

675,8 0,1

x

660,4
+ 0,2

x 643,6 + 0,5

x

624,9 + 0,8

x

613,4 = 595,53, rsultat que nous avions dj
trouv en application directe de lquation de rgression linaire.
On peut constater, dans cet exemple, que la somme des coefcients associs aux
observations est gale 1: 0,4 0,1 + 0,2 + 0,5 + 0,8 = 1. On peut montrer que
cette proprit reste vraie non seulement quelle que soit la valeur thorique recher-
che pour la droite de rgression, mais aussi quel que soit le nombre dobserva-
tions utilises dans la rgression locale.
Lutilisation de la rgression locale constitue donc une application particulire
de la mthode gnrale des ltres linaires.
II-2.2.2.3 Supriorit du ltre linaire optimal au sens des moindres carrs
sur les ltres empiriques
Lintrt du ltre linaire constitu par la rgression locale est de minimiser la
variance du ltre utilis, et donc, comme nous lavons dj indiqu, de fournir un
estimateur efcace de la valeur thorique recherche. Pour illustrer ceci, repre-
nons notre exemple de prvision effectue la date t pour la date t + 1. Le ltre
linaire au sens des moindres carrs, que lon notera , est : = 0,4x
t 4
0,1x
t 3
+ 0,2x
t 2
+ 0,5x
t 1
+ 0,8x
t
. La variance de la variable alatoire
restant la mme pour toutes les observations, la variance de est :
V( )

= ( 0,4)
2
V(x
t 4
)

+ ( 0,1)
2
V(x
t 3
)

+ (0,2)
2
V(x
t 2
)

+ (0,5)
2
V(x
t 1
)
+ (0,8)
2
V(8x
t
)
= (1,16 + 1,01 + 0,04 + 0,25 + 0,64)V(X) = 1,1
Cette variance du ltre linaire ne peut tre compare celle de la moyenne
mobile double calcule avec s = 5, puisque celle-ci ncessite un historique de 2s
1 = 2

x

5 1 = 9 observations. Cest aux performances dune moyenne mobile
double calcule avec s = 3, et donc utilisant, elle aussi, un historique de 5 obser-
vations quil faut comparer celles du ltre linaire au sens des moindres carrs.
Or la prvision effectue pour la prochaine priode est, en application de la rela-
tion 405 de la page 1031: . En y subs-
tituant y
t
(= ) et z
t
(= ), on obtient :
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
z
i
+1 =
x
79
x
79
x
79
y
t 1 +
y
t 1 +
x
t i
y
t 1 +
y
t 1 +
2
x
t 1 +
y
t
y
t
z
t
( )
3 1 2 1 +
3 1
---------------------------- + 3y
t
2z
t
= =
1
3
--- x
t
x
t 1
x
t 2
+ + ( )
1
3
--- y
t
y
t 1
y
t 2
+ + ( )
x
t 1 +
7
9
---x
t
5
9
---x
t 1
1
3
---x
t 2
4
9
---x
t 3
2
9
---x
t 4
+ + =
La variance de ce ltre linaire empirique (dont on remarquera en passant que
la somme des coefcients est bien gale 1) est :
valeur qui est bien suprieure celle trouve (1,1 ) avec le ltre linaire optimal
au sens des moindres carrs.
II-2.2.2.4 Gnralisation de la dmarche
La gnralisation de la dmarche suivie avec notre exemple introductif est assez
facile, du fait que la moyenne et la variance de la variable temps ne dpendent
que de la longueur s du ltre linaire, cest--dire du nombre de priodes utilises
dans la rgression locale.
Pour la date moyenne dans la rgression locale, on a
1
:
z = t (s 1)/2 relation 410
Pour la variance, on obtient aprs quelques calculs
2
:
relation 411
La covariance COV(X, Z) est obtenue partir de sa formule habituelle de
calcul : et en posant :
, et relation 412
on obtient
3
relation 413
La pente de la rgression locale est donc, en application des relations 413 et 411:
do:
1.
2.
=
ce qui, compte tenu de rsultats classiques sur les sries numriques nies, donne:
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
V x
i 1 +
( )
7
9
---
\ !
( \
2
5
9
---
\ !
( \
2
1
3
---
\ !
( \
2
4
9
---
\ !
( \
2
2
9
---
\ !
( \
2
+ + + +
| |

| |
2
103
81
---------
2
1,272
2
= = =
2
z
1
s
--- t t 1 ( ) t 2 ( ) t s 1 + ( ) + + + + }
1
s
--- t i ( )
i 0 =
s i
1
s
--- t
1
s
--- i
i 0 =
s 1
+
i 0 =
s 1
st
s
----
s s 1 ( )
2s
----------------- + t
s 1 ( )
2
--------------- = = = = =
V z ( )
1
s
--- t i ( ) t
s 1
2
----------
\ !
( \
| |

| |
2
i 0 =
s 1
1
s
--- i
s 1
2
---------- +
\ !
( \
2
i 0 =
s 1
= =
1
s
--- i
2
2i
s 1
2
----------
s 1 ( )
4
( )
4
---------------------- +
\ !
( \
i 0 =
s 1
1
s
--- i
2
s 1
s
---------- i
s 1 ( )
2
4s
------------------ 1
i 0 =
s 1
+
i 0 =
s 1
i 0 =
s 1
=
V z ( )
1
s
---
s s 1 ( ) 2s 1 ( )
6
------------------------------------
| |

| |
s 1
s
----------
s s 1 ( )
2
-----------------
| |

| |
s 1 ( )
2
4s
------------------ s ( ) +
s 1 ( ) 2s 1 ( )
6
---------------------------------
s 1 ( )
2
2
------------------
s 1 ( )
2
4
------------------ + = =
V z ( ) s 1 ( )
2s 1
6
-------------
s 1
4
----------
\ !
( \
s 1
2
----------
2s 1
3
-------------
s 1
2
----------
| |

| |
s 1
2
----------
2 2s 1 ( ) 3 s 1 ( )
6
--------------------------------------------
| |

| |
s 1 ( ) s 1 + ( )
12
------------------------------
s
2
1
12
------------- = = = = =
V z ( )
s
2
1
12
------------ =
COV X Z , ( )
1
s
--- x
i
z
i
xz
i 0 =
s 1
=
B ix
t i
i 0 =
s 1
= A x
t i
i 0 =
s 1
=
COV X Z , ( )
B
s
----
s 1
2s
----------A +
s 1 ( )A 2B
2s
------------------------------- = =
a
COV X Z , ( )
V Z ( )
----------------------------
s 1 ( )A 2B } 2s ( )
s
2
1 ( ) 12
--------------------------------------------------- = =
relation 414
Illustrons lapplication de cette relation sur notre exemple numrique. On
trouve dans le tableau 312 (page 1037): A

= 3218,1 en colonne 1, et B

= + 6595,5
en colonne 4, aprs avoir chang le signe des , pour retrouver le i de la
formule de dnition du B.
= 16,03
La valeur estime , la date t + k, est dans ces conditions:
=
=
=
relation 415
Lapplication de cette relation 415, pour k = 1, donne dans notre exemple
numr i que : =
3218,1 x 0,8

6595,5
x
0,3

= 595,53.
La relation 415 est sans doute la plus simple utiliser dans le cas dapplications
non rptitives. Dans le cas contraire (prvision automatique), il est prfrable
dexpliciter les coefcients du ltre linaire. Le coefcient a
i
appliquer lobser-
vation t i, si lon cherche effectuer le calcul du ltre dune valeur tho-
rique pour la priode t + k (on a donc = ) est, compte tenu des relations
412 et 415: .
Le ltre linaire optimal au sens des moindres carrs e calcul sur les s dernires
observations est donc donn par la relation 416:
3. Note de la page prcdente.
=
COV X Y , ( )
1
s
--- x
t 1
t i ( )
1
s
--- x
t 1
i 0 =
s 1
\ !
| |
( \
t
s 1
2
----------
\ !
( \

i 0 =
s 1
=
t
s
-- x
t i
1
s
--- ix
t i
i 0 =
s 1
i 0 =
s 1
\ !
| |
( \
t
s
-- x
t i
s 1
2s
---------- x
t i
i 0 =
s 1
+
i 0 =
s 1
\ !
| |
( \
+
1
s
--- ix
t i
i 0 =
s 1
s 1
2s
---------- x
t i
i 0 =
s 1
+ =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
a
6 s 1 ( )A 2B }
s 1 ( )s s 1 + ( )
----------------------------------------- =
z
i
a
6 5 1 ( )318,1 2 6595,5 }
4 5 6
------------------------------------------------------------------- =
x
t k +
x
t k +
a t k + ( ) b + a t k + ( ) x az ( ) + = =
ak at x a t
s 1
2
----------
| |

| |
+ + a k
s 1
2
----------
| |

| |
x + =
6 s 1 ( )A 2B }
s 1 ( )s s 1 + ( )
----------------------------------------- k
s 1
2
---------- +
| |

| |
A
s
---- +
A
6 k s 1 ( ) 2 + | |
s s 1 + ( )
-------------------------------------
1
s
--- +
| |

| |
B
12 k s 1 ( ) 2 + | |
s 1 ( )s s 1 + ( )
----------------------------------------
x
t k +
A
6k 4s 2 +
s s 1 + ( )
------------------------- B
12k 6 s 1 ( ) +
s 1 ( )s s 1 + ( )
--------------------------------- =
x
t k +
x
79
3218,1
6 1 4 5 2 +
5 6
------------------------------------
\ !
( \
6595,5
12 1 6 4 +
4 5 6
-------------------------------
\ !
( \
= =
y
t k +
x
t k +
y
t k +
a
i
6k 4s 2 +
s s 1 + ( )
------------------------- i
12k 6 s 1 ( ) +
s 1 ( )s s 1 + ( )
---------------------------------
6 k i ( ) 4s 2 +
s s 1 + ( )
------------------------------------
12ki
s 1 ( )s s 1 + ( )
--------------------------------- = =
, avec relation 416
On peut vrier, avec s = 5 et k = + 1, que lon retrouve bien le ltre linaire
: = 0,8x
t
+ 0,5 x
t1
+ 0,2x
t2
0,1x
t3
0,4x
t4
obtenu la page 1039,
en utilisant la rgression locale:
= 0,8
= 0,5
= 0,2
= 0,1
= 0,4
II-2.2.2.5 Jugement par intervalle de conance
Les techniques classiques de rgression linaire fournissent des estimations
ponctuelles des valeurs cherches, et permettent galement de juger par intervalle
de conance ces valeurs. Reprenons notre exemple numrique pour illustrer ce
point, nous verrons ensuite comment adapter la technique des ltres linaires pour
automatiser la procdure.
Les rsultats classiques que lon utilise pour lintervalle de conance sont les
suivants
1
:
- La loi suivie par la variable alatoire a
s
, pente observable dans un chantillon
de taille s et caractristique de la distribution dchantillonnage de ce para-
mtre
2
est une loi de Student (s 2) degrs de libert:
, avec , ce qui
donne dans notre exemple: 0,610982815
On en dduit lintervalle de conance pour la pente inconnue a de la popula-
tion-mre, aprs avoir lu t = 3,182 sur une table de Student pour 3 degrs de
libert et un coefcient de 95%:
P ( 16,03 3,182

x

0,611 < < 16,03 + 3,182

x

0,611) = 0,95
P ( 17,97 < < 14,09) = 0,95
1. Voir par exemple Giard (1995, [182]),chapitre VI, II.1.2.1.
2. Cette variable alatoire est quivalente la variable alatoire , notation utilise en rfrence [182], comme
extension de la notation classique , frquence observable sur un chantillon de taille n, caractristique de la
distribution dchantillonnage des frquences.
x
t k +
y
t k +
a
i
x
t i
i 0 =
s 1
= = a
i
6 k i ( ) 4s 2 +
s s 1 + ( )
-----------------------------
12ki
s 1 ( )s s 1 + ( )
--------------------------- =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t 1 +
y
t 1 +
=
i 0 a
0
6 1 0 ( ) 4 5 2 +
5 6
------------------------------------------
12 1 0
4 5 6
---------------------- = =
i 1 a
1
6 1 1 ( ) 4 5 2 +
5 6
------------------------------------------
12 1 1
4 5 6
---------------------- = =
i 2 a
2
6 1 2 ( ) 4 5 2 +
5 6
------------------------------------------
12 1 2
4 5 6
---------------------- = =
i 3 a
3
6 1 3 ( ) 4 5 2 +
5 6
------------------------------------------
12 1 3
4 5 6
---------------------- = =
i 4 a
4
6 1 4 ( ) 4 5 2 +
5 6
------------------------------------------
12 1 4
4 5 6
---------------------- = =
a
s
a
n
f
n
L a
s
( ) St
s 2
a
a
, ( ) =
a
2

2
z
i
z ( )
2
i 1 =
s
----------------------

2
sVZ ( )
-------------
12
2
s 1 ( )s s 1 + ( )
--------------------------- = = =
a
2
1,932
2
5 2
--------------- 0,3733
a
0,611 L a
s
( ) St
3
-16,03 ; 0,611 ( ) = = = =
ce qui donne, aprs multiplication des bornes par 12
2
(voir relation 407, page
1033), puisque cette pente sanalyse comme la variation mensuelle de la
moyenne mobile centre, un rgime de croisire de la baisse annuelle de
ventes de journaux dont lintervalle de conance est :
P ( 2588 < variation annuelle de ventes de journaux < 2028) = 0,95
- La loi suivie par la variable alatoire , prvision effectue pour la
priode t + k, est galement une loi de Student (s 2) degrs de libert,
centre sur lestimation ponctuelle (= ak + b, puisque lordonne lorigine
est centre sur la date t): , avec:
relation 417
ce qui donne dans notre exemple pour la prvision effectue pour t + 1 = 79
, avec
,
do et lintervalle de conance de la
prvision est : P (595,53 3,182

x

2,80 < < 595,53 + 3,182

x

2,80) = 0,95:
P (586,62 < < 604,44) = 0,95
Posons: on dmontre
1
alors que la variance rsiduelle estime
sexprime comme une somme pondre de C, A
2
, B
2
et AB, ce qui permet facile-
ment dautomatiser les prvisions par intervalle de conance:
1. On a en effet :
=
=
or, ; on a donc:
=
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t k +
L x
t k +
( ) St
s 2
a k b
k
, + ( ) =
k
2

2
1
1
s
---
t k z + ( )
2
z
i
z ( )
2
i 1 =
s
-------------------------- + +
| |
| |
| |

| |
| |
| |
2
1
1
s
---
t k + ( ) t s 1 ( ) 2 ( ) | |
2
sV Z ( )
----------------------------------------------------------- + +
| |

| |
= =
k
2

2
1
1
s
---
12k s 1 ( ) 2 ( )
2
+
s 1 ( )s s 1 + ( )
------------------------------------------ + +
| |

| |
=
L x
79
( ) St
3
16,03 1 611 56 ;
1
, + ( ) =
1
2
3,733 1
1
5
---
12 1 4 2 + ( )
5 1 ( )5 5 1 + ( )
----------------------------------- + +
| |

| |
3,733 2,1 7,8393
1
2,80 = = = =
L x
79
( ) St
3
595,53 2,524 ; ( ) =
x
79
x
79
C x
t i
2
i 0 =
s 1
2
s
s 2
---------- 1
2
( )V X ( )
s
s 2
---------- 1
COV X Z , ( ) }
2
V X ( ) V Z ( )
------------------------------------
\ !
( \
V X ( ) = =
s
s 2
---------- V X ( )
COV X Z , ( ) }
2
V Z ( )
------------------------------------
\ !
( \
s
s 2
---------- V X ( )
s 1 ( )A 2B
2s
--------------------------------
\ !
( \
2
s
2
1 ( ) 12
---------------------------------------
| |
| |

| |
| |
=
s
s 2
---------- V X ( )
3 s 1 ( )A
2
s
2
s 1 + ( )
-------------------------
12B
2
s
2
s 1 ( ) s 1 + ( )
-----------------------------------
12AB
s
2
s 1 + ( )
-------------------- +
| |

| |
V X ( )
1
s
--- x
t i
2
i 0 =
s 1
x
2
C
s
---
A
2
s
2
----- = =
2
s
s 2
----------
C
s
---
A
2
s 1 + ( ) 3 s 1 ( ) + | |
s
2
s 1 + ( )
---------------------------------------------------
12B
2
s
2
s 1 ( ) s 1 + ( )
-----------------------------------
12AB
s
2
s 1 + ( )
-------------------- +
| |

| |
=
C
s 2
---------
A
2
4s 2 ( )
s 2 ( )s s 1 + ( )
----------------------------------
12B
2
s 2 ( ) s 1 ( )s s 1 + ( )
--------------------------------------------------
12AB
s 2 ( )s s 1 + ( )
---------------------------------- +
relation 418
cette formule permet, comme on peut le vrier sur notre exemple numrique, de
calculer rapidement lestimation de la variance rsiduelle:
= 3,733
Si lon dsire une prvision automatique par intervalle de conance 95%
de la valeur prvisionnelle pour t + 1, avec un ltre linaire optimal calcul sur 5
priodes, il sufra dajouter ou de retrancher la prvision ponctuelle la quantit
suivante obtenue en combinant les relations 417 et 418:
ce qui donne dans notre exemple numrique:
= 8,91
II-2.2.3 Moyenne mobile utiliser dans le cas dvolution
tendancielle non linaire
Les principes exposs au II-2.2.2, page 1036, sont transposables sans dif-
cult au cas dune volution tendancielle caractrise par une quation polyno-
miale en t de degr suprieur 1. On trouvera dans louvrage de Kendall (1970,
[260]) un exemple de dtermination de moyenne mobile correspondant une
volution caractrise par un polynme du troisime degr. Le principe en est
toujours le mme, aussi nous contenterons-nous de donner le systme de pond-
ration utiliser pour dnir:
- dune part le point moyen dune moyenne mobile sur s priodes, cest--dire
pour la priode t (s 1)/2, la chronique stendant de t (s + 1) t, pour
les polynmes du second et du troisime degr (on montre que les coef-
cients sont identiques),
- dautre part la projection thorique pour la priode t + 1, mais cette fois-ci
les coefcients ne sont plus les mmes pour les polynmes du second et du
troisime degr.
Prenons le cas de 2 chroniques ne comprenant que la composante tendancielle,
pour vrier la proprit des ltres introduits dans ce paragraphe:
TABLEAU 313
Moyenne mobile centre pour tendance caractrise par un polynme
en t de degr 2 ou 3
s t t 1 t 2 t 3 t 4 t 5 t 6 t 7 t 8 t 9 t 10 t 11 t 12
5 3/35 12/35 17/35 3/35 0 0 0 0 0 0 0 0 0
7 2/21 3/21 6/21 7/21 6/21 3/21 2/21 0 0 0 0 0 0
9 21/231 14/231 39/231 54/231 59/231 54/231 39/231 14/231 21/231 0 0 0 0
11 36/429 9/429 44/429 69/429 84/429 89/429 84/429 69/429 44/429 9/429 36/429 0 0
13 11/143 0 9/143 16/143 21/143 24/143 25/143 24/143 21/143 16/143 9/143 0 11/143
2
C
s 2
----------
A
2
4s 2 ( )
s 2 ( )s s 1 + ( )
---------------------------------
12B
2
s 2 ( ) s 1 ( )s s 1 + ( )
------------------------------------------------
12AB
s 2 ( )s s 1 + ( )
--------------------------------- + =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
2
2073814,33
3
----------------------------
3218,1
2
4 5 2 ( )
3 5 6
-----------------------------------------
12 6595,5
2
3 4 5 6
------------------------------
12 3218,1 6595,5
3 5 6
------------------------------------------------- + =
3 182 0 7 C , 0 42A
2
0 07B
2
0 28A B , + , , , -
3 182 0,2 2073814,33 0,42 3218,1
2
0,07 6595,5
2
0,28 3218,1 + 6595,5 , -
- , ce qui donne pour t = 5 10, les valeurs
suivantes: = 32,5; = 40; = 48,5; = 58; = 68,5; = 80;
estimation de la composante tendancielle en t = 7:
prvision en t = 9, de la composante tendancielle observable en t = 10:
- , ce qui donne pour t = 5 10, les valeurs
suivantes: = 31,25; = 37,84; = 45,07; = 52,88; = 61,21;
= 70;
estimation de la composante tendancielle en t = 7:
= 45,07
prvision en t = 9, de la composante tendancielle observable en t = 10:
II-2.3 Prvisions globales obtenues par combinaison des prvisions
effectues sur les composantes tendancielle et saisonnire
Nous avons vu au II-2.1.1.2, page 1015, comment obtenir des estimations de
la composante saisonnire; par exemple, dans ltude des ventes de journaux de
Casimouth, on a tabli (tableau 299 de la page 1019) que la composante saison-
nire de janvier est + 20,2. Par ailleurs, nous avons vu comment obtenir une
prvision de la composante tendancielle partir de lestimation de cette compo-
sante fournie par des moyennes mobiles centres (et nous verrons au II-3,
dautres techniques utilisables). Lutilisation dune rgression locale, calcule 5
dernires estimations de la composante tendancielle (sans faire justication de ce
choix), pour janvier 2001, cest--dire pour t = 7, conduit une prvision de cette
composante tendancielle de 499,35. La combinaison de ces deux informations
conduit une prvision de 519,55 pour janvier 2000.
Tableau 314
Prvision en t + 1 pour tendance caractrise par un polynme en t,
de degr 2 ou 3
t t - 1 t - 2 t - 3 t - 4 t - 5 t - 6 t - 7 t - 8 t - 9 t - 10 t - 11 t - 12 t
p
o
l
y
n
m
e
d
u

2

d
e
g
r
5 9/5 0 4/5 3/5 3/5 0 0 0 0 0 0 0 0

7 9/7 3/7 1/7 3/7 3/7 1/7 3/7 0 0 0 0 0 0
9 1 21/42 5/42 6/42 12/42 13/42 9/42 0 14/42 0 0 0 0
11 135/165 81/165 37/165 3/165 21/165 35/165 39/165 33/165 17/165 9/165 45/165 0 0
13 99/143 66/143 38/143 15/143 3/143 16/143 24/143 27/143 25/143 18/143 6/143 11/143 33/143
p
o
l
y
n
m
e
d
u

3

d
e
g
r
5 16/5 14/5 4/5 11/5 4/5 0 0 0 0 0 0 0 0

7 16/7 4/7 8/7 3/7 4/7 6/7 4/7 0 0 0 0 0 0
9 224/126 14/126 76/126 81/126 36/126 24/126 64/126 49/126 55/126 0 0 0 0
11 96/66 24/66 16/66 31/66 28/66 14/66 4/66 19/66 24/66 12/66 24/66 0 0
13 176/143 66/143 4/143 41/143 52/143 44/143 24/143 1/143 24/143 38/143 36/143 11/143 44/143
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
f
t
10 2t 0 5t
2
, + + = =
x
5
x
6
x
7
x
8
x
9
x
10
y
7
3
35
------ 68,5
12
35
------ 58
17
35
------ 48,5
12
35
------ 40
3
35
------ 35,5 + + + 48 5 , = =
y
9
9
5
--- 68,5 0 58 +
4
5
--- 48,5
3
5
--- 40
3
5
--- 35,5 + 80 = =
x
t
f
t
10 2t 0 5t
2
0 01t
3
, , + + = =
x
5
x
6
x
7
x
8
x
9
x
10
y
7
3
35
------ 61,21
12
35
------ 52,88
17
35
------ 45,07
12
35
------ 37,84
3
35
------ 31,25 + + + =
y
9
16
5
------ 61,21
14
5
------ 52,88
4
5
--- 45,07
11
35
------ 37,84
4
5
--- 31,25 + 70 = =
II-3 Les techniques de lissage exponentiel
On a vu que, parmi les ltres en moyenne mobile, certains ont pour vocation
destimer lune des composantes de la chronique (pour des dates o x
t
a dj t
observ), tandis que dautres avaient pour but deffectuer une estimation
prvisionnelle (pour des dates o x
t
nest normalement pas disponible) de la chro-
nique ou de lune de ses composantes. Lobjectif poursuivi avec les techniques de
lissage exponentiel est, dans la pratique, exclusivement celui de la prvision,
mme si elles permettent de procder une dcomposition de la dernire observa-
tion x
t
, en ses diffrentes composantes.
Ce qui caractrise fondamentalement les ltres du lissage exponentiel, cest que
leurs coefcients sont en croissance gomtrique (do le qualicatif
exponentiel ) et portent implicitement sur lintgralit de lhistorique possd.
Les techniques de lissage diffrent selon que lon traite une chronique sans trend
ni saisonnalit ( II-3.1), une chronique avec trend, mais sans saisonnalit ( II-
3.2, page 1050), et enn une chronique avec trend et saisonnalit ( II-3.3, page
1056). Les deux premires techniques sont dues Brown, la dernire procdure
1
est la plus souvent connue sous le nom du modle de Winters, ou de Holt-Winters,
en hommage Holt qui est lorigine (1958) de lapproche du lissage exponentiel.
II-3.1 Lissage exponentiel simple (absence dvolution
tendancielle et de saisonnalit)
Le ltre linaire du lissage exponentiel simple ( ) sapplique des chroniques
dpourvues dvolution tendancielle signicative ( = b = constante) et de
saisonnalit. Il a pour vocation deffecteur la date t une prvision

pour
une date t + k pour des chroniques du type . De ce point de
vue, le lissage exponentiel simple est comparable la moyenne mobile simple non
centre. Le fait que le ltre permette une prvision pour une date postrieure
quelconque ( , quelle que soit la valeur de k) sexplique, l encore, par le
fait que la chronique ne connat pas dvolution tendancielle.
Pour une chronique de t + 1 termes, reprs par des indices variant de 0 t ( ,
, , ), le ltre linaire exponentiel dnit la valeur suivante:
+
que lon peut rsumer de la faon suivante:
relation 419
Sous cette forme de dnition, le lissage exponentiel est difcile utiliser (et
justier conomiquement). Avant de prsenter des formules plus oprationnelles
tires de cette relation de dnition, prsentons quelques proprits importantes
du lissage exponentiel qui dcoulent de sa dnition.
- Tout dabord le lissage exponentiel affecte lintgralit de la chronique
possde: si celle-ci saccrot dune observation, passant de t + 1 priodes
1. Voir Brown (1959, [69]) et (1963, [70]); voir galement Winters (1960, [449]). Une prsentation synthtique de
ltat actuel de la question peut tre trouve dans Johnson et Montgomery (1976, [246]), chapitres III IX.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
f
t
x
t k +
y
t
=
x
t
f
t

t
+ b
t
+ = =
y
t
x
t k +
y
t
=
x
0
x
1
x
t
y
t
y
t
x
t
1 ( )x
t 1
1 ( )
2
x
t 2
1 ( )
3
x
t 3
+ + + + =
1 ( )
t 1
x
1
1 ( )
t
x
0
+
y
t
1 ( )
i
x
t i
1 ( )
t
x
0
+
i 0 =
t 1
=
t + 2 priodes, les coefcients des t + 1 premires variables sont modis et
la nouvelle observation intervient dans le calcul de . Sur ce point, le
lissage exponentiel est un ltre qui diffre sensiblement de ceux prsents
prcdemment car ils portaient tous sur un nombre xe de priodes.
- La somme des coefcients de pondration est bien gale 1, puisque lon sait
(rsultat classique de la somme dune srie en croissance gomtrique) que:
- Le poids dune information dans le calcul de est dautant plus faible que
linformation est ancienne. Cest du reste lun des buts recherchs par cette
technique que de privilgier les informations les plus rcentes au dtriment
des informations les plus anciennes, alors que la technique de la moyenne
mobile centre accorde le mme poids toutes les informations.
- Le poids du pass est dautant plus fort que le coefcient est faible. Pour
illustrer ce point, le tableau 315, page 1048, (illustr par la gure 246) donne
le cumul des coefcients de pondration pour 3, 6, 9, 12, 15 et 18 priodes,
pour plusieurs valeurs de , en supposant lhistorique sufsamment long.
Toute modication de loi suivie par le phnomne tudi sera dautant plus
rapidement prise en compte que le coefcient sera lev.
- Dans la mesure o dans le lissage exponentiel, le nombre dobservations qui
psent sur la prvision se dtermine sans difcult en retenant arbitraire-
ment celles dont le cumul des coefcients de pondration est infrieur 90
ou 95%, on peut dire quil ny a pas de diffrence fondamentale entre le
choix dun coefcient de lissage exponentiel et celui de la longueur s du ltre
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
y
t
1 ( )
i
i 0 =
t 1
1 1 ( )
t
1 1 ( )
--------------------------
1 1 ( )
t
-------------------------- 1 ( )
t
1 ( )
t
+
i 0 =
t 1
1 = = =
y
t
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0,5
0,4
0,3
0,2
0,1
1 ( )
i
i 0 =
n 1
1 1 ( )
t
=
FIGURE 246
Poids du pass dans le lissage exponentiel simple
en moyenne mobile, car, dans un cas comme dans lautre, on dnit implici-
tement limportance de la fraction rcente de la chronique sur laquelle on
dsire travailler pour effectuer des prvisions. Les remarques qui ont t
faites sur le choix de s ( II-2.1.23b, page 1034) se transposent sans difcult
au cas du lissage exponentiel (simple et double). La diffrence entre les deux
approches, une fois dnie la fraction de chronique que lon a dcid de
privilgier, rside dans la diffrence des coefcients de pondration. Il
dcoule de ces observations que des systmes de prvision automatiques,
bass sur le lissage exponentiel et traitant de la mme faon de trs
nombreuses rfrences, ont toutes chances de donner de mauvaises
prvisions. Cela dit, lune des raisons de laccueil rserv aux techniques de
lissage exponentiel dans les annes soixante-dix est quelles ncessitent la
mmorisation dun nombre trs limit dinformations (deux pour le lissage
exponentiel simple, comme on le verra avec la relation 420, page 1048) pour
des performances voisines de celles des techniques de moyennes mobiles.
La formule oprationnelle du lissage exponentiel dcoule de ce que lintroduc-
tion dune observation supplmentaire modie les coefcients des (t + 1) observa-
tions prises en compte jusqualors en les multipliant tous par (1 ).
= =
que lon peut encore crire en dcalant dune priode:
relation 420
Cest sous cette forme quil convient dutiliser le lissage exponentiel. En effet,
sous cette forme rcurrente, lun des avantages du lissage exponentiel apparat :
celui de lconomie du nombre dinformations ncessaires pour effectuer une
prvision, puisquil suft de linformation de la priode en cours ( ) et de la
prvision effectue pour cette mme priode (

= ) Ces deux informations
sont quivalentes, dans la technique du lissage exponentiel, lintgralit de la
chronique passe. Avant dillustrer par un exemple cette technique, donnons une
dernire forme que lon rencontre pour le lissage exponentiel, et qui est fonde sur
TABLEAU 315
Poids du pass dans le lissage exponentiel simple
Nombre de priodes prises en compte
3 6 9 12 15 18
0,1 0,2710 0,4686 0,6126 0,7176 0,7941 0,8499
0,2 0,4880 0,7379
0,8658 0,9313 0,9648 0,9820

0,3 0,6570 0,8824 0,9596 0,9862 0,9953 0,9984
0,4 0,7840 0,9533 0,9899 0,9978 0,9995 0,9999
0,5 0,8750 0,9844 0,9980 0,9998 1,0000 1,0000
. 0,7379 =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
0,2 1 0,2 ( )
i
i 0 =
6 1
0,2 1 1 0,2 ( ) 1 0,2 ( )

2
1 0,2 ( )
3
1 0,2 ( )
4
1 0,2 ( )
5
+ + + + + } =
y
t 1 +
x
t 1 +
1 ( )x
t
1 ( )
2
x
t 1
1 ( )
3
x
t 2
1 ( )
t 1 +
x
0
+ + + + + =
x
t 1 +
1 ( ) 1 ( )
i
x
t 1
1 ( )
t
x
0
+
i 0 =
t 1
| |

| |
+ x
t 1 +
1 ( )y
t
+
x
t k +
x
t 1 +
y
t
x
t
1 ( )y
t 1
+ = = =
x
t
x
t
y
t 1
le fait que la prvision effectue pour la priode t ntant autre que , (
) sanalyse comme une erreur de prvision:
relation 421
Autrement dit, la prvision effectue pour la priode t + 1 sera gale la valeur
calcule pour la priode prsente t, laquelle on ajoute une fraction () de lerreur
de prvision commise pour la priode prsente.
La mise en uvre du lissage exponentiel ne pose pas de problme particulier,
tout au plus doit-on revenir la dnition de dpart pour initialiser le processus
rcurrent compt er de l a pri ode 2, en ut i l i sant qui est gal :
, ce qui revient dire que = , cest--dire que la
prvision effectue la priode 0 est gale la ralisation de x pour cette priode,
ce qui est, somme toute, assez logique. Le tableau 316 illustre lapplication de ces
relations du lissage exponentiel simple pour = 0,3; la prvision effectue la n
de la priode 6 pour les priodes suivantes est donc .
Ajoutons enn que lon dmontre
1
, dans le cas o la perturbation alatoire est
du type bruit blanc (voir dnition au I-2.3.1, page 989), que la variance de la
prvision, (= ), pour une date t + k, est, quel que soit k > 0:
relation 422
expression qui tend rapidement vers:
relation 423
Son application donne dans lexemple prcdent :
TABLEAU 316
Application du lissage exponentiel simple
t
0 10 - - 10,000
1 9 7,000 2,700 9,700
2 11 6,790 3,300 10,090
3 12 7,063 3,600 10,663
4 9 7,464 2,700 10,164
5 10 7,115 3,000 10,115
6 8 7,080 2,400 9,480
... ...
1. Voir Brown (1959, [69]), p. 155.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
y
t 1
x
t
y
t 1
y
t
x
t
1 ( )x
t
+ x
t
x
t
( ) x
t
+ = =
x
t 1 +
y
t
x
t
x
t
( ) x
t
+ = =
y
1
y
1
x
1
1 ( )x
0
+ = y
0
x
0
x
7
x
8
x
9
9,48 = = = =
x
t
1 ( )y
t 1
x
t
y
t
x
t k +
y
t
V x
t k +
( )
2
1 ( )
i
| |
2
1 ( )
2t
+
i 0 =
t 1
| |

| |
2
2 1 ( )
2t 1 +
1 1 ( )
2
-------------------------------------------- = =
V x
t k +
( ) V y
t
( )
2

2
----------- = =
V y
t
( )
2
0,3
2 0,3
--------------- 0,1765
2
= =
II-3.2 Lissage exponentiel double (volution tendancielle linaire
et absence de saisonnalit)
Les objectifs et les conditions dutilisation du lissage exponentiel double sont
exactement les mmes que ceux de la moyenne mobile double, cest--dire quil
sagit de prvision pour des chroniques caractrises par une volution tendan-
cielle linaire (f
t
= at + b) et une absence de saisonnalit (celle-ci ayant pu tre
limine par un ltre appropri). La chronique laquelle on sintresse est donc
du type: = f
t

+ = at + b + . Pour mettre en vidence la logique de la
dmarche suivie, ainsi que les proprits de ce ltre linaire, nous procderons
comme nous lavons fait dans la moyenne mobile double, cest--dire en appli-
quant dabord ces techniques des chroniques dans lesquelles la composante ala-
toire est absente.
Lapplication du lissage exponentiel simple une chronique linaire non
perturbe par une composante alatoire ( = at + b) gnre une nouvelle chro-
nique dcale par rapport . la diffrence de ce qui se passait en des
circonstances analogues avec la moyenne mobile non centre, cet cart nest pas
stable, il saccrot progressivement pour tendre assez rapidement (plus ou moins
selon la valeur du coefcient de lissage ) vers une valeur limite qui est gale
a.(1 )/. Examinons ce point sur lexemple tableau 317 de la page 1051 o la
chronique tudie est = 10 + 2t, cest--dire ne comporte pas de composante
alatoire. Pour linstant, seules les cinq premires colonnes nous intressent ; on
peut vrier, colonne 5, que lcart entre et tend bien vers: 2 (1 0,3)/0,3 =
4,67
La dtermination analytique de cet cart est aise. Remplaons par sa
valeur thorique (= at + b) dans la formule de dnition du lissage exponentiel :
=
=
relation 424
On dmontre que lexpression entre crochets a une valeur
1
qui tend rapidement
avec t, vers a(1 )/, ce que lon a pu vrier sur notre exemple.
1.
car
do , et
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t

t

t
x
t
x
t
y
t
x
t
x
t
x
t
y
t
x
t
y
t
x
t
y
t
1 ( )
i
x
t 1
1 ( )
t
x
0
+
i 0 =
t 1
=
1 ( )
i
a t i ( ) b + } 1 ( )
t
a 0 b + } +
i 0 =
t 1
1 ( )
i
i 0 =
t 1
at b + ( ) a i 1 ( )
i
b 1 ( )
t
i 0 =
t 1
y
t
at b + ( ) a i 1 ( )
i
at 1 ( )
t
i 1 =
t 1
| |

| |
=
i 1 ( )
i
i 0 =
t 1
i 1 ( )
i
i 1 =
t 1
----------- t 1 ( ) 1 ( )
t 1
1 ( )
t 1
1
--------------------------------
| |

| |
= =
i x
i
i 1 =
n
x
i
x
j
j 1 =
n i
i 0 =
n 1
x
i
x
x
n i
1
x 1
------------------
\ !
( \
i 0 =
n 1
x
x 1
---------- x
n
x
i
( )
i 0 =
n 1
x
x 1
---------- nx
n
x
n
1
x 1
-------------
\ !
( \
= = = =
i 1 ( )
i
i 0 =
2
----------- = i 1 ( )
i
i 0 =
----------- =
Il suft dappliquer au cas du lissage exponentiel la mthode corrective utilise
pour les moyennes mobiles doubles:
- Dnissons tout dabord une nouvelle variable , qui correspond un
lissage exponentiel de (de mme que nous avions dni une moyenne
mobile z
t
de la moyenne mobile ), cette double opration de lissage est
lorigine de lappellation lissage exponentiel double:
- Lcart entre et est le mme que celui qui existe entre et :
do lon tire une estimation la date t de la pente a (relation 425), analogue
celle que lon avait obtenue dans la technique de la moyenne mobile double
(relation 401 de la page 1030):
relation 425
TABLEAU 317
Application du lissage exponentiel double
t x
t
y
t
x
t
y
t
z
t
C
h
r
o
n
i
q
u
e

u
t
i
l
i
s
e
1 12 12,00 - - - -
2 14 12,60 1,40 12,60 12,60
3 16 13,62 2,38 12,91 14,33 0,31
4 18 14,93 3,07 13,51 16,35 0,61
5 20 16,45 3,55 14,40 18,51 0,88
6 22 18,12 3,88 15,51 20,72 1,12
7 24 19,88 4,12 16,82 22,94 1,31
8 26 21,72 4,28 18,29 25,14 1,47
9 28 23,60 4,40 19,88 27,32 1,59
10 30 25,52 4,48 21,58 29,47 1,69
11 32 27,47 4,53 23,34 31,59 1,77
12 34 29,43 4,57 25,17 33,68 1,82
13 36 31,40 4,60 27,04 35,76 1,87
14 38 33,38 4,62 28,94 37,82 1,90
15 40 35,36 4,64 30,87 39,86 1,93
16 42 37,36 4,64 32,81 41,90 1,95
17 44 39,35 4,65 34,77 43,92 1,96
18 46 41,34 4,66 36,75 45,94 1,97
19 48 43,34 4,66 38,72 47,96 1,98
20 50 45,34 4,66 40,71 49,97 1,98
P
r
v
i
s
i
o
n
s
f
a
i
t
e
s

e
n

t

=

2
0 21 51,95
22 53,94
23 55,92
24 57,91
25 59,89
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
z
t
y
t
y
t
z
t
y
t
1 ( )z
t 1
+ =
y
t
z
t
x
t
y
t
y
t
z
t
x
t
y
t
a
1
----------- = =
a y
t
z
t
( )

1
----------- =
cette relation est applique la dernire colonne du tableau 317 de la page
1051.
- Pour retrouver la valeur thorique , il suft donc, comme dans le cas des
moyennes mobiles doubles, dajouter lcart entre et , ce qui
dcoule du reste directement des quations que lon vient de donner.
(identique la relation 404 de la page 1030)
lapplication de cette relation est faite en avant-dernire colonne du tableau
317 de la page 1051.
- Pour retrouver la valeur thorique , il suft dajouter k. :
relation 426
Cette relation 426 est applique dans les 5 dernires lignes du tableau 317 de
la page 1051, pour un dcalage k dans la prvision allant de 1 5
Cet exemple montre, lorsque la chronique se rduit une composante tendan-
cielle linaire, que la prvision nest quasymptotiquement parfaite. Si est
lestimation prvisionnelle de faite ( la date t pour la date postrieure) en
application de la relation 426, lerreur relative (

) / est du mme
signe que la pente, cest--dire quil y a sous-estimation si la composante tendan-
cielle est croissante, et surestimation si la composante tendancielle est
dcroissante. On peut montrer que cet cart relatif est dautant plus faible que
lhistorique utilis est long, que la pente (exprime en un pourcentage daccrois-
sement de lordonne lorigine) est faible, et que le coefcient de lissage utilis
est grand. Le tableau 318 illustre ce point. Reprenons lexemple ci-dessus: pour
une chronique de s = 15 termes, un coefcient = 0,3, une ordonne lorigine
10 et un pour cent age d accr oi s s ement p = 20 % ( on a en eff et
), la prvision faite en t = 15 pour la date t + 1 = 16 est :
41,79; lerreur relative de cette prvision est donc: (42 41,79)/42 = 0,005, soit
0,5%, valeur que nous retrouvons directement dans le tableau 318.
Le calcul de cette erreur relative ne dpend que de , s, k et p. En effet, si lon
prend un historique de s observations, la valeur relle est, en labsence de
composante alatoire: = a(s + k) + b, condition de choisir correctement
lordonne lorigine (cest--dire b = ). On peut encore crire, pour b 0, en
posant a = pb: = a (s + k) + b = bp(s + k) + b = b{p (s + k) + 1}. On a vu
par ailleurs (relation 424, page 1050) que les valeurs obtenues par lissage expo-
nentiel simple peuvent scrire comme des combinaisons linaires de a et b, les
coefcients de pondration ne dpendant que du coefcient de lissage et de la
longueur de lhistorique utilis. En effectuant nouveau un lissage exponentiel de
, pour obtenir , on obtient donc encore une combinaison linaire de a et b. Le
calcul de est lui-mme une combinaison linaire de et , il en sera donc
de mme de la diffrence , que lon peut donc crire sous la forme:
. Lerreur rel at ive peut donc
scrire: . Les coefcients g et h ont
une formulation analytique complexe, mais qui ne fait intervenir que a et s.
Lerreur relative ne dpend donc que de p, k, s et a.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
y
t
y
t
z
t
x
t
y
t
y
t
z
t
( ) + 2y
t
z
t
= =
x
t k +
x
t
x
t k +
x
t
k a + y
t
y
t
z
t
( ) 1 k

1
----------- +
\ !
( \
+ = =
x
t k +
x
t k +
x
t k +
x
t k +
x
t k +
x
t
10 2t p + 2 10 = =
x
t k +
x
t k +
x
t s
x
t k +
y
t
y
t
z
t
x
t k +
y
t
z
t
x
t k +
x
t k +
x
t k +
x
t k +
ga hb + gbp hb + b pg h + ( ) = = =
x
t k +
x
t k +
( ) x
t k +
pg h + ( ) p s k + ( ) 1 + } =
TABLEAU 318
Analyse de sensibilit des erreurs de prvision du lissage exponentiel double
|a|/b = 0,005 |a|/b = 0,010 |a|/b = 0,025 |a|/b = 0,050 |a|/b = 0,100 |a|/b = 0,150 |a|/b = 0,200
a s k = 1 k = 10 k = 1 k = 10 k = 1 k = 10 k = 1 k = 10 k = 1 k = 10 k = 1 k = 10 k = 1 k = 10
C
r
o
i
s
s
a
n
c
e

(
a

>

0
)
0,1 5 1,6 5,4 3,2 10,2 7,3 21,2 12,9 33,4 21,0 46,7 26,5 53,9 30,5 58,4
0,1 10 1,9 4,8 3,5 8,8 7,7 17,6 12,6 26,5 18,7 35,3 22,2 39,7 24,5 42,3
0,1 15 1,6 3,7 3,0 6,7 6,2 13,0 9,6 18,7 13,3 24,1 15,3 26,6 16,5 28,1
0,1 20 1,2 2,7 2,2 4,8 4,5 8,9 6,6 12,5 8,8 15,6 9,8 17,1 10,4 17,9
0,1 25 0,9 1,9 1,6 3,3 3,0 5,9 4,4 8,1 5,6 9,9 6,1 10,7 6,5 11,1
0,2 5 1,0 4,2 2,0 7,8 4,7 16,3 8,3 25,6 13,4 35,9 17,0 41,4 19,5 44,9
0,2 10 0,7 2,2 1,2 4,0 2,7 8,0 4,4 12,0 6,6 16,1 7,8 18,1 8,6 19,3
0,2 15 0,3 1,0 0,6 1,8 1,2 3,4 1,9 4,9 2,6 6,3 3,0 6,9 3,2 7,3
0,2 20 0,1 0,4 0,2 0,7 0,5 1,3 0,7 1,8 0,9 2,3 1,1 2,5 1,1 2,6
0,2 25 0,1 0,2 0,1 0,3 0,2 0,5 0,3 0,7 0,3 0,8 0,4 0,9 0,4 0,9
0,3 5 1,9 19,3 2,5 20,4 3,9 23,0 5,8 25,8 8,6 28,9 10,5 30,6 11,8 31,7
0,3 10 2,0 9,2 2,1 9,0 2,2 8,5 2,3 8,1 2,5 7,6 2,6 7,4 2,6 7,2
0,3 15 0,6 2,5 0,6 2,4 0,6 2,1 0,5 1,8 0,5 1,6 0,5 1,5 0,5 1,4
0,3 20 0,1 0,6 0,1 0,5 0,1 0,4 0,1 0,4 0,1 0,3 0,1 0,3 0,1 0,3
0,3 25 0,0 0,1 0,0 0,1 0,0 0,1 0,0 0,1 0,0 0,1 0,0 0,1 0,0 0,0
0,4 5 0,4 1,9 0,7 3,5 1,6 7,4 2,8 11,7 4,6 16,3 5,8 18,8 6,7 20,4
0,4 10 0,1 0,2 0,1 0,5 0,2 0,9 0,3 1,4 0,5 1,8 0,6 2,1 0,7 2,2
0,4 15 0,0 0,0 0,0 0,0 0,0 0,1 0,0 0,1 0,0 0,2 0,1 0,2 0,1 0,2
0,4 20 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
0,4 25 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
0,5 5 0,2 1,1 0,4 2,0 0,8 4,3 1,4 6,7 2,3 9,4 3,0 10,8 3,4 11,7
0,5 10 0,0 0,1 0,0 0,1 0,0 0,2 0,1 0,3 0,1 0,4 0,1 0,5 0,1 0,5
0,5 15 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
0,5 20 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
0,5 25 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
D
c
r
o
i
s
s
a
n
c
e

(
a

<

0
)
0,1 5 1,7 6,3 3,6 13,7 9,9 46,7 24,0 234 83,8 233,7 503 140,2 335,3 116,9
0,1 10 2,1 5,9 4,4 13,2 13,5 52,9 43,5
391,7 105,8 90,4 79,4 65,3 70,5

0,1 15 1,9 4,8 4,1 11,2 14,4 56,1 86,4 168,4 57,6 56,1 37,0 45,9 31,4 42,1
0,1 20 1,5 3,7 3,4 8,9 14,3 62,6 271,7 62,6 24,7 31,3 19,0 26,8 17,0 25,0
0,1 25 1,2 2,7 2,7 6,8 14,3 89,0 33,4 29,7 12,5 17,8 10,4 15,7 9,5 14,8
0,2 5 1,1 4,8 2,3 10,6 6,3 35,9 15,4 179,4 53,8 179,4 322,6 107,6 215,0 89,7
0,2 10 0,7 2,7 1,5 6,0 4,7 24,1 15,3 137,6 48,2 31,7 36,1 22,9 32,1
0,2 15 0,4 1,3 0,8 2,9 2,8 14,6 16,8 43,9 11,2 14,6 7,2 12,0 6,1 11,0
0,2 20 0,2 0,5 0,4 1,3 1,5 9,2 29,2 9,2 2,7 4,6 2,0 3,9 1,8 3,7
0,2 25 0,1 0,2 0,2 0,6 0,9 7,4 2,0 2,5 0,7 1,5 0,6 1,3 0,6 1,2
0,3 5 0,7 3,4 1,4 7,5 3,8 25,3 9,3 127 32,6 126,7 195,5 76,0 130,3 63,4
0,3 10 0,2 1,0 0,5 2,3 1,5 9,1 4,7 42,1 18,1 9,7 13,6 7,0 12,1
0,3 15 0,1 0,2 0,1 0,6 0,4 2,9 2,6 8,6 1,7 2,9 1,1 2,3 1,0 2,1
0,3 20 0,0 0,1 0,0 0,1 0,1 0,9 2,3 0,9 0,2 0,5 0,2 0,4 0,1 0,4
0,3 25 0,0 0,0 0,0 0,0 0,0 0,4 0,1 0,1 0,0 0,1 0,0 0,1 0,0 0,1
0,4 5 0,4 2,2 0,8 4,8 2,2 16,3 5,2 81,6 18,4 81,6 110,2 48,9 73,4 40,8
0,4 10 0,1 0,3 0,1 0,7 0,4 2,7 1,2 10,7 5,5 2,5 4,1 1,8 3,7
0,4 15 0,0 0,0 0,0 0,1 0,1 0,4 0,3 1,2 0,2 0,4 0,1 0,3 0,1 0,3
0,4 20 0,0 0,0 0,0 0,0 0,0 0,1 0,1 0,1 0,0 0,0 0,0 0,0 0,0 0,0
0,4 25 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
0,5 5 0,2 1,3 0,4 2,8 1,1 9,4 2,7 46,9 9,4 46,9 56,3 28,1 37,5 23,4
0,5 10 0,0 0,1 0,0 0,2 0,1 0,6 0,2 2,1 1,3 0,5 1,0 0,4 0,8
0,5 15 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,1 0,0 0,0 0,0 0,0 0,0 0,0
0,5 20 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
0,5 25 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0 0,0
. non calculable (valeur thorique nulle entranant une division par 0)
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
Appliquons maintenant la technique du lissage exponentiel double la chro-
nique de lestimation de la composante tendancielle du tableau 298 de la page
1018. Le problme de la longueur de lhistorique utilis ne se pose pas dans les
mmes termes que dans le cas de la moyenne mobile double. Que lon commence
appliquer le lissage exponentiel double ds le dbut de la chronique ou quon le
fasse partir dune date ultrieure, ce qui importe avant tout, cest la valeur
retenue pour le coefcient de lissage. Larbitrage doit tre implicitement effectu
entre le lissage des uctuations alatoires ( valeur faible pour ) et la prise en
compte rapide dune modication de la composante tendancielle ( valeur plus
leve de ). Ce choix est guid par le tableau 315 de la page 1048. Dans la
mesure o la chronique utilise est dj lisse des perturbations alatoires, on
retiendra de prfrence une valeur assez leve de , par exemple = 0,2. Il suft,
avec ce coefcient, dune chronique dune quinzaine dobservations pour avoir
une somme des coefcients de pondration du ltre linaire, proche de 1. Par
ailleurs, la pente nest pas assez importante pour quen utilisant une chronique
dune quinzaine de termes la surestimation signale plus haut soit ngligeable. Les
tests effectus montrent que les rsultats sont pratiquement les mmes si lon
amorce le calcul une date infrieure 65, mais ici, pour illustrer le comportement
du lissage exponentiel double, on partira de la date t = 40. Les prvisions ont t
calcules en t = 78, pour les 9 mois suivants (tableau 319).
Ajoutons enn que lon dmontre
1
. dans le cas o la perturbation alatoire suit
un processus purement alatoire, que les variances des coefcients de rgression
sont :
et relation 427
ce qui donne dans notre exemple numrique:
et .
On montre
2
par ailleurs que, toujours dans le cas o la perturbation alatoire est
du type bruit blanc, la variance de la prvision pour la priode t + k est :
relation 428
ce qui donne dans notre exemple, pour k = 1:
=
Le tableau 320 fournit, pour la plage usuelle de valeurs de , le coefcient par
lequel il faut multiplier lcart type (et non la variance) pour avoir lcart type
associ la prvision , et ce pour k = 1 10.
1. Voir Brown (1963, [70]), p. 156 et 229.
2. Voir Brown (1963, [70]), p. 235.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e

V a ( )
2
3
2 ( )
3
------------------
2
= V b ( )
5
2
14 10 + ( )
2 ( )
3
--------------------------------------------
2
=
V a ( )
2 0,2
3
2 0,2 ( )
3
----------------------
2
0,00274
2
= =
V b ( )
0,2 5 0,2
2
14 0,2 10 + ( )
2 0,2 ( )
3
------------------------------------------------------------------
2
0,25377
2
= =
V x
t k +
( )

2 ( )
3
------------------ 5
2
14 10 2 4 3 ( )k 2
2
k
2
+ + + }
2
=
V x
t 1 +
( )
0,2 5 0,2
2
14 0,2 10 2 0,2 4 3 0,2 | |1 2 0,2
2
1
2
+ + }
2 0,2 ( )
3
---------------------------------------------------------------------------------------------------------------------------------------------------------------
2
=
0,303
x
t k +
TABLEAU 319
Prvision de la composante tendancielle des ventes du rayon de ventes de
journaux du Casimouth dAlphaville par lissage exponentiel double ( = 0,2)
t x
t
y
t
z
t
t x
t
y
t
z
t
40 707,83 707,83 64 803,04 773,44 748,86
41 713,25 708,92 708,92 65 807,21 780,19 755,13
42 717,79 710,69 709,27 66 805,42 785,24 761,15
43 719,83 712,52 709,92 67 797,75 787,74 766,47
44 719,04 713,82 710,70 68 783,04 786,80 770,53
45 715,17 714,09 711,38 69 764,25 782,29 772,89
46 712,21 713,72 711,85 70 746,17 775,07 773,32
47 712,04 713,38 712,15 71 727,75 765,60 771,78
48 713,00 713,30 712,38 72 709,38 754,36 768,29
49 714,08 713,46 712,60 73 693,38 742,16 763,07
50 716,75 714,12 712,90 74 675,75 728,88 756,23
51 715,79 714,45 713,21 75 660,42 715,19 748,02
52 711,42 713,85 713,34 76 643,58 700,87 738,59
53 710,25 713,13 713,30 77 624,92 685,68 728,01
54 711,38 712,78 713,19 78 613,38 671,22 716,65
55 719,42 714,10 713,38 79 614,42
56 732,13 717,71 714,24 80 603,07
57 742,63 722,69 715,93 81 591,71
58 754,42 729,04 718,55 82 580,35
59 766,25 736,48 722,14 83 568,99
60 773,63 743,91 726,49 84 557,63
61 780,33 751,19 731,43 85 546,28
62 788,83 758,72 736,89 86 534,92
63 795,29 766,04 742,72 87 523,56
TABLEAU 320
lments de calcul de lcart-type des prvisions par lissage exponentiel double
= 0,05 = 0,1 = 0,15 = 0,2 = 0,25 = 0,3 = 0,35 = 0,4 = 0,45 = 0,5
k = 1
0,256 0,370 0,465
0,551
0,632 0,711 0,791 0,871 0,952 1,036

k = 2
0,261 0,386 0,495 0,598 0,702 0,808 0,918 1,035 1,158 1,291
k = 3
0,266 0,401 0,525 0,647 0,773 0,906 1,049 1,202 1,369 1,552
k = 4
0,272 0,417 0,555 0,696 0,845 1,006 1,181 1,372 1,583 1,816
k = 5
0,277 0,433 0,585 0,745 0,918 1,106 1,314 1,544 1,798 2,082
k = 6
0,282 0,449 0,616 0,795 0,991 1,208 1,448 1,716 2,015 2,349
k = 7
0,287 0,465 0,647 0,845 1,065 1,310 1,583 1,890 2,233 2,618
k = 8
0,293 0,481 0,678 0,896 1,139 1,412 1,719 2,063 2,451 2,887
k = 9
0,298 0,497 0,709 0,946 1,213 1,515 1,855 2,238 2,670 3,156
k = 10
0,304 0,513 0,741 0,997 1,288 1,618 1,991 2,413 2,889 3,426
. 0,551
2
= 0,303 trouv dans lexemple numrique.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
II-3.3 Lissage exponentiel avec volution tendancielle
et saisonnalit (Modle de Holt et Winters)
On supposera, pour faciliter la comprhension de cette dmarche, que la saison-
nalit est annuelle et que ltude porte sur des donnes mensuelles. La transposi-
tion dautres rythmes saisonniers seffectue sans difcult: il suft alors de
remplacer 12 (retenu ici comme nombre de priodes constitutives de lanne) par
le nombre de priodes, constitutives du cycle retenu.
Dans cette mthode, chaque nouvelle observation provoque une mise jour du
trend, ainsi que des coefcients saisonniers. Lavantage de cette mthode est de
ncessiter un historique restreint (minimum de 2 x 12 = 24 valeurs) et dutiliser une
procdure de calcul simple, pour des rsultats prvisionnels assez bons pour des
phnomnes dont le comportement saisonnier et tendanciel est assez stable. Pour
ces raisons, cette procdure, connue sous le nom de modle de Winters, ou de
Holt-Winters
1
, est largement utilise dans certaines grandes entreprises pour des
prvisions automatiques dans le cas de traitement de trs nombreuses rfrences
darticles.
Dsignons par:
- , lestimation au mois t, de la moyenne locale; cette moyenne locale
ninclut pas linuence saisonnire et correspond au terme constant implici-
tement prsent dans le modle du lissage exponentiel simple;
- , lestimation au mois t de laccroissement mensuel de la moyenne. En
labsence de variations saisonnires, la prvision effectue la n du mois t
pour le mois t + h suivant, serait
- , lestimation du facteur saisonnier du mois t. Si t est suprieur 12, il faut
diminuer t du plus grand multiple entier de 12, laissant t positif, pour trouver
le mois correspondant (exemple t = 27 , correspond au facteur saison-
nier du mois 27 2x12 = 3, cest--dire du mois de mars si la chronique
dbutait en janvier). Ce facteur saisonnier peut jouer de faon additive ou
multiplicative, la prvision pour le mois t + h (avec h 12) devenant :
relation 429
Chaque nouvelle observation entrane une mise jour de ces 3 termes , et
, laide de 3 coefcients diffrents: , et .
relations 430
1. Le modle de Holt (1957) est identique celui prsent ici, condition de supprimer la composante saisonnire;
voir Chateld (1996, [91]) p. 87-89, et bien sr Winters (1960, [449]).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
m
t
r
t
x
t h +
m
t
hr
t
+ =
c
t
c
27
x
t
x
t h +
m
t
h r
t
+ = c
t h +
+
x
t h +
m
t
h r
t
+ ( ) = c
t h +
(modle additif)
(modle multiplicatif)
m
t
r
t
c
t

, si le modle est additif
, quel que soit le modle
, si le modle est additif
, si le modle est multiplicatif
m
t
x
t
c
t 12
( ) 1 ( ) m
t 1
r
t 1
+ ( ) + =
x
t
c
t 12
( ) 1 ( ) m
t 1
r
t 1
+ ( ) + =
c
t
x
t
m
t
( ) 1 ( )c
t 12
+ =
x
t
m
t
( ) 1 ( )c
t 12
+ =
= m
t
m
t 1
( ) 1 ( )r
t 1
+
, si le modle est multiplicatif
r
t
{
{
Ces diffrentes relations
1
sutilisent sans problme en rgime de croisire,
mais se pose le problme de linitialisation. Pour appliquer la mthode, il faut
disposer dun historique dau moins un cycle, cest--dire dau moins un an. Pour
vrier la bonne comprhension des principes exposs, on sappuiera sur
lexemple de la chronique des ventes du rayon de ventes de journaux du Casi-
mouth dAlphaville. Les valeurs sont toutes initialiser au dernier mois de la
premire anne, cest--dire t = 12, car il faut au moins un historique dun an pour
calculer les facteurs saisonniers, cest--dire que la prvision ne pourra dbuter en
tout tat de cause avant t = 13. Toutefois, comme nous allons le voir, un historique
de 2 ans est ncessaire pour calculer laccroissement moyen mensuel , la
prvision des mois t = 13 t = 24 revtira un caractre rtrospectif.
II-3.3.1 Initialisation de laccroissement moyen mensuel (r
12
)
Le terme sera calcul comme laccroissement moyen mensuel sur les 2
premires annes. Pour liminer linuence des uctuations saisonnires, que lon
suppose se compenser dans lanne (cest--dire quimplicitement le schma
additif est retenu, au moins comme approximation), laccroissement moyen
mensuel sera calcul comme le douzime de laccroissement annuel des deux
premires annes: , ce qui donne numriquement pour
notre exemple de ventes du rayon de ventes de journaux du Casimouth
dAlphaville: .
II-3.3.2 Initialisation de la valeur moyenne locale (m
12
)
Elle sera prise comme gale la moyenne mensuelle de la premire anne (ce
qui revient la sous-estimer, en cas de croissance tendancielle et la surestimer,
en cas de dcroissance tendancielle). Lapplication de ce principe donne
numriquement : 687,167.
II-3.3.3 Initialisation des facteurs saisonniers (c
i
)
Deux solutions sont possibles:
- On peut calculer les facteurs saisonniers comme la diffrence , cest-
-dire la diffrence entre lobservation pour le mois t de la premire anne,
et la moyenne mensuelle de cette premire anne. Si le modle postul fait
intervenir multiplicativement linuence saisonnire, on prendra le quotient
1. Ces formules en dpit des apparences sont proches de celles du lissage exponentiel double. En effet, si lon remplace , par dans la relation
425 de la page 1051, on a: do lon tire . La relation 404 de la page 1030 ( ) peut
scrire et la relation 426 de la page 1052 est identique celle du
modle additif de la relation 429: .
Par ailleurs, on montre que la rcurrence de la chronique est quivalente celle fournie dans la relation 430, en remplaant par et
en tenant compte du fait que , la constante dcart sannulant dans la diffrenciation: .
Cette deuxime formulation du lissage exponentiel double est dite lissage exponentiel, corrig pour le trend (exponential smoothing,
corrected for trend). On peut ajouter quune troisime formulation existe.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
r
t
a r
t
y
t
z
t
( )

1
----------- = = y
t
z
t
( ) r
t
1 ( )
---------------- = x
t
y
t
y
t
z
t
( ) + =
x
t
m
t
y
t
r
t
1 ( )
---------------- + = = x
t k +
x
t
k a + y
t
y
t
z
t
( ) 1 k

1
----------- +
\ !
( \
+ = =
\ !
( \
x
t k +
m
t
hr
t
+ y
t
r
t
1 ( )
---------------- h +
| |

| |
+ = =
z
t

m
t
m
t 1
y
t
y
t 1
= r
t
y
t
y
t 1
( ) 1 ( )r
t 1
+ =
r
12
r
12
r
12
1
12
------ x
t
t 13 =
24
x
t
t 1 =
12
=
r
12
1
12
------ 8969 8246 ( )
723
12
--------- 60,25 = = =
m
12
1
12
------ x
t
t 1 =
12
8246
12
------------ = = =
x
t
m
12
au lieu de la diffrence. Linconvnient de cette mthode est dinclure une
partie du trend aux facteurs saisonniers, ce qui se traduit en cas de trend
ascendant par une surestimation des facteurs saisonniers du premier
semestre, et une sous-estimation pour le dernier semestre. Mais cet inconv-
nient ne joue rellement que si le trend est assez prononc. Il faut cependant
noter que si la prvision ne dbute effectivement quau dbut de la troisime
anne (t = 25), puisquun historique de 2 ans est ncessaire pour linitialisa-
tion, la squence de calcul itratif dbute en t = 13, ce qui fait quune
premire correction des facteurs saisonniers seffectue par lissage exponen-
tiel de t = 13 t = 24, cest--dire avant la premire prvision oprationnelle.
- On peut calculer les facteurs saisonniers comme la diffrence (ou le quotient
si la saisonnalit est multiplicative) des par rapport aux points thoriques
correspondants situs sur la droite de trend passant par les points moyens
mensuels de lanne 1 (de coordonnes = 6,5, et = 687,167) et de lanne
2 (il suft en fait de prendre le point moyen de lanne 1, et la pente thorique
r
12
=60,25). Lquation de la droite thorique est:
.
, pour
i variant de 1 12; do le calcul des facteurs saisonniers:

= {687,16 (6,5 i).60,25}, pour le modle additif,
= /{687,16 (6,5 i).60,25}, pour le modle multiplicatif.
Cette seconde mthode est, a priori, meilleure que la premire, condition
que le phnomne tudi connaisse une volution tendancielle stable, ce qui
nest pas le cas de la chronique de ventes tudie. Examinons nanmoins au
tableau 322 comment calculer quelques coefcients.
TABLEAU 321
Exemple dinitialisation des composantes saisonnires du modle
de Holt & Winters
Modle 1 2 3 4 5 6 7 8 9 10 11 12
additif:
17,83 34,17 25,83 3,17 19,83 26,83 3,17 265,17 58,17 123,83 33,83 115,83
multiplicatif:
1,026 0,950 1,038 0,995 1,029 1,039 0,995 0,614 0,915 1,180 1,049 1,169
TABLEAU 322
Exemple dinitialisation des composantes saisonnires de Holt & Winters
(seconde mthode)
i Modle additif Modle multiplicatif
1 705 (687,17 5,5

x

60,25) = 349 705/(687,17 5,5

x

60,25) = 1,981
3 713 (687,17 3,5

x

60,25) = 237 713/(687,17 3,5

x

60,25) = 1,497
6 714 (687,17 0,5

x 60,25) = 57 714/(687,17 0,5

x

60,25) = 1,087
8 422 (687,17 + 1,5 x

60,25) = 356 422/(687,17 + 1,5

x

60,25) = 0,543
12 803 (687,17 + 5,5 x

60,25) = 216 803/(687,17 + 5,5

x 60,25) = 1,268
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
c
j
x
t
687,17 =
c
i
x
t
687,17
---------------- =
x
i
t x
x
i
m
12
r
12
6,5 i ( ) =
c
i
x
i
c
i
x
i
c
i
c
1
c
3
c
6
c
10
c
12
II-3.3.4 Calculs rcurrents
Linitialisation termine, on peut alors utiliser en rgime de croisire, les
relations 430; supposons que les coefcients de lissage soient = 0,6: = 0,5 et
= 0,2, on a alors, pour le modle additif (les valeurs , , sont celles du
tableau 321, du II-3.3.1 et du II-3.3.2).
- t = 13:
= 0,6 {831 (17,83)} + (1 0,6) (687,17 + 60,25) = 786,87

= 0,5 (831 786,87) + (1 0,5) (17,83) = 30,98 (nouvelle
composante saisonnire du mois de janvier)
= 0,2 (786,87 687,17) + (1 0,2) 60,25 = 68,14
= 786,87 + 68,14 + ( 34,17) = 820,84
- t = 14:
= 0,6 {765 ( 34,17)} + (1 0,6) (786,87 + 68,14) = 821,50
= 0,5 (765 82 1,50) + (1 0,5) ( 34,17) = 45,34 (nouvelle
composante saisonnire du mois de fvrier)

= 0,2 (821,50 786,87) + (1 0,2) 68,14 = 61,44
= 821,5 + 61,44 + 25,84 = 908,78
Le tableau 323 donne les rsultats du modle de Holt-Winters appliqu cette
chronique de ventes du rayon de Casimouth. La qualit des deux modles est
voisine puisque lcart-type rsiduel associ aux erreurs de prvision pour la
priode suivante est de 68,57 pour ladditif et de 71,90 pour le multiplicatif.
TABLEAU 323
Application des modles de Holt - Winters
Mois
i
Priode
t
Observ
x
t
Modle additif Modle multiplicatif
r
t
m
t
c
i
r
t
m
t
c
i
1 13 831 68,14 786,87 30,98 67,76 784,95 1,046
2 14 765 61,44 821,50 45,33 820,84 62,04 824,10 0,937 810,31
3 15 815 50,19 826,68 7,08 908,78 49,96 825,74 1,007 919,45
4 16 830 44,94 850,65 11,91 873,70 44,93 850,58 0,984 871,66
5 17 756 25,81 799,94 12,05 915,42 25,65 799,08 0,979 921,36
6 18 811 20,82 800,80 18,52 852,58 20,34 798,20 1,025 856,93
7 19 746 12,13 778,15 17,66 818,45 12,05 777,09 0,974 814,77
8 20 504 9,59 777,61 269,39 525,11 15,84 808,07 0,620 484,62
9 21 774 14,99 814,18 49,17 729,04 18,44 836,91 0,921 754,17
10 22 762 7,93 714,57 85,63 953,01 6,73 729,53 1,099 1009,49
11 23 695 13,39 679,36 24,74 740,47 13,98 686,55 1,027 758,39
12 24 680 25,60 604,89 95,47 781,80 24,86 618,18 1,127 785,95
1 25 682 17,00 622,32 45,33 610,27 17,78 628,69 1,069 620,36
2 26 684 2,11 679,73 20,53 559,99 3,50 682,32 0,976 572,47
3 27 743 4,88 712,60 18,74 684,70 3,56 714,12 1,027 683,73
4 28 701 4,33 714,74 12,82 705,58 2,96 714,67 0,982 705,94
5 29 641 3,59 679,46 25,25 707,02 4,60 679,82 0,957 702,70
6 30 595 15,52 616,24 1,36 694,39 15,99 618,30 0,987 692,26
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
c
i
m
12
r
12
m
13
c
13
c
1
r
13
x
14
m
14
c
14
c
2
r
14
x
15
x
t
x
t
7 31 679 4,00 658,28 1,53 583,06 4,62 659,14 1,008 586,74
8 32 439 2,49 686,75 258,57 384,89 1,82 686,73 0,632 405,71
9 33 728 13,04 742,00 31,59 640,06 14,04 749,67 0,951 634,19
10 34 746 1,68 698,24 66,70 840,67 3,87 712,84 1,067 839,16
11 35 688 2,72 677,92 17,41 724,66 1,75 688,60 1,010 736,12
12 36 743 6,04 658,60 89,94 770,68 5,09 670,15 1,116 774,38
1 37 689 7,11 647,23 43,55 697,89 7,56 652,70 1,061 711,02
2 38 741 7,46 712,97 3,75 619,59 6,10 713,44 1,014 629,86
3 39 815 16,56 765,93 33,90 739,17 14,97 763,89 1,051 739,08
4 40 719 10,48 752,09 22,96 769,67 9,37 750,86 0,967 764,82
5 41 730 9,60 758,18 26,72 737,32 9,64 761,57 0,958 727,85
6 42 764 9,31 766,33 1,85 766,43 9,93 772,69 0,988 761,56
7 43 626 8,83 684,94 28,71 777,17 9,44 685,76 0,951 788,69
8 44 456 4,21 699,19 250,88 417,55 3,95 703,78 0,641 427,10
9 45 757 7,02 751,14 12,86 663,39 7,59 757,50 0,980 665,59
10 46 786 2,36 734,85 58,93 824,86 4,14 747,84 1,058 816,67
11 47 778 5,16 751,24 22,09 754,61 6,31 762,83 1,016 759,73
12 48 762 4,96 705,80 73,07 846,34 4,07 717,26 1,084 858,51
1 49 719 8,00 685,61 38,47 744,39 8,33 691,87 1,048 756,70
2 50 692 6,73 683,99 5,88 681,35 8,44 683,00 1,013 692,90
3 51 771 0,45 713,16 45,87 711,17 1,36 709,97 1,072 708,97
4 52 692 0,61 714,42 22,69 690,66 0,55 712,67 0,970 685,47
5 53 753 8,38 753,84 13,78 688,32 8,31 756,41 0,981 682,28
6 54 764 8,81 764,40 1,12 760,38 9,31 769,74 0,991 755,73
7 55 652 2,29 717,71 47,21 744,50 1,88 723,06 0,921 740,73
8 56 494 1,25 733,09 244,98 464,54 4,00 750,62 0,651 462,53
9 57 696 1,81 719,05 17,96 721,47 1,33 727,96 0,966 739,55
10 58 742 5,91 696,74 52,09 776,17 4,33 711,61 1,049 768,47
11 59 794 3,82 739,48 38,30 712,92 4,57 751,78 1,040 718,63
12 60 773 1,39 717,28 64,40 816,37 0,61 730,44 1,069 819,81
1 61 901 16,21 803,87 67,80 754,37 14,98 807,80 1,088 764,81
2 62 815 14,90 813,51 3,69 825,96 12,76 811,66 1,008 833,80
3 63 900 17,98 843,84 51,02 874,27 14,58 833,51 1,077 883,75
4 64 846 18,81 865,94 21,31 839,13 17,52 862,78 0,976 822,24
5 65 883 20,25 891,97 11,37 870,97 19,94 892,44 0,986 863,16
6 66 811 8,24 852,16 21,14 911,10 8,68 856,06 0,965 904,01
7 67 766 2,58 832,08 56,64 813,19 4,68 844,73 0,913 796,73
8 68 584 1,89 831,25 246,12 589,67 10,33 877,66 0,660 553,32
9 69 761 4,61 800,63 28,80 815,19 1,66 828,03 0,938 857,51
10 70 863 2,82 804,96 55,07 848,12 2,07 824,32 1,048 866,57
11 71 773 10,91 761,67 24,81 840,44 11,56 774,81 1,015 855,23
12 72 751 18,61 712,27 51,56 815,15 18,81 727,00 1,047 815,55
1 73 739 21,31 680,18 63,31 761,45 22,32 690,67 1,077 770,80
2 74 624 25,93 635,74 4,03 662,56 28,22 638,83 0,989 673,58
TABLEAU 323
Mois
i
Priode
t
Observ
x
t
r
t
m
t
c
i
r
t
m
t
c
i
x
t
x
t
La dtermination des coefcients de lissage nest pas compltement arbitraire.
On peut procder de deux faons: xer a priori la mmoire du processus de lissage
(voir tableau 315, page 1048), ou chercher par ttonnements sur un historique
donn le ou les coefcients de lissage qui minimisent la variance rsiduelle. Cest
cette seconde mthode qui a t utilise ici ; cette optimisation des coefcients
cote cher (archivage de lhistorique, recherche combinatoire); aussi doit-elle tre
rserve un nombre limit de chroniques et la ractualisation des coefcients ne
doit-elle tre que priodique.
3 75 640 28,43 597,31 46,85 660,82 30,16 600,91 1,070 657,42
4 76 672 13,50 643,54 3,57 547,56 16,04 641,35 1,019 557,13
5 77 615 13,94 627,84 12,11 618,66 16,22 624,42 0,985 616,48
6 78 638 8,51 641,04 12,09 592,76 9,84 640,07 0,984 586,76
7 79 555 11,02 620,00 60,82 575,89 12,49 616,97 0,905 575,16
8 80 372 9,92 614,46 244,29 362,86 17,38 580,07 0,649 398,84
9 81 605 6,41 622,09 22,95 575,75 7,48 612,19 0,968 527,64
10 82 615 13,10 582,23 43,92 670,75 9,60 594,12 1,040 633,51
11 83 573 15,61 556,56 20,63 593,95 11,97 572,65 1,006 593,08
12 84 674 5,84 589,84 67,86 592,51 2,02 610,44 1,081 587,15
TABLEAU 323
Mois
i
Priode
t
Observ
x
t
r
t
m
t
c
i
r
t
m
t
c
i
x
t
x
t
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
300
400
500
600
700
800
900
1000
Prvision du modle additif Hot-Winters Ventes observes
FIGURE 247
Prvision du modle de Holt & Winters additif.
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0

1062


II-4 Les ltres diffrence

Alors que les ltres de moyenne mobile ont pour but dliminer des perturba-
tions accidentelles pour retrouver une valeur tendancielle thorique, le ltre diff-
rence vise au contraire liminer les rgularits tendancielles et saisonnires, en
utilisant le minimum de donnes de la chronique tudie. Ce ltre sera utilis dans
les approches de Box et Jenkins (cf. III-2, page 1083).
Le ltre diffrence premire que lon note

x

t

est tel que: qui
prsente bien le caractre dun ltre puisquil associe des termes conscutifs un
systme de pondration (+ 1 pour et 1 pour ), dont la somme est gale
zro et non un, comme dans le cas de la moyenne mobile ou du lissage exponen-
tiel.
On peut encore crire ce ltre (illustr par lexemple numrique ci-aprs) en
introduisant un oprateur, not B (B pour

Backward Shift

cest--dire dcalage
arrire) qui est tel que:
,
do:

relation 431

Lintrt de cette seconde formulation apparat ds que lon aborde le ltre
diffrence seconde (utilis dans lexemple numrique ci-aprs) not , qui
nest autre que la diffrence premire de la nouvelle chronique constitue en utili-
sant une premire fois le ltre diffrence premire. Autrement dit ,on a:
Mais on peut encore en crire la formulation en utilisant loprateur B, et en le
traitant comme une constante quelconque:

2

x

t

=

(1 B)x

t

(1 B)x

t

1

= (1 B)x

t

(1 B)Bx

t

= x

t

2Bx

t

+ B

2

x

t

= (1 B)

2

x

t

Autrement dit, en traitant lopration dcalage comme une puissance, cest--dire
en convenant que:

relation 432
on peut exprimer le ltre diffrence seconde comme une puissance seconde du
ltre diffrence premire, et dune faon gnrale le ltre diffrence n
ime
comme
la puissance n
ime
du ltre diffrence premire, ce que lon peut facilement vrier
pour n = 3 par exemple:
3
x
t
=
2
x
t

2
x
t 1
= (x
t
2x
t 1
x
t 2
) (x
t 1
2x
t 2
x
t 3
) = x
t
3x
t 1
+ 3x
t 2
+ x
t 3
3
x
t
= x
t
3Bx
t
+ 3B
2
x
t
+ B
3
x = (1 B)
3
x
t
On a donc, dune faon gnrale:
relation 433
Lexemple numrique du tableau 324 qui utilise 4 chroniques dnies comme:
x
1t
= 100; x
2t
= 100 + 2t ; x
3t
= 100 + 2t + 0,1t
2
; x
4t
= 100 + 2t + 0,1t
2
+ c
t
; avec c
1
= c
5
= c
9
=
5, c
2
= c
6
= c
10
= 2, c
3
= c
7
= c
11
= 4, c
4
= c
8
= c
12
= + 1 (chronique trimestrielle) illustre la
proprit fondamentale de ce ltre diffrence dordre n: ils transforment en une
chronique de termes constants toute chronique correspondant une volution
dnie par un polynme en t de degr infrieur ou gal n.
Cette proprit se dmontre sans difcult, par exemple pour n = 2, on a:
2
x
t
= x
t
2x
t 1
+ x
t 2
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t
x
t 1
=
x
t
x
t 1
x
t 1
Bx
t
=
x
t
x
t
x
t 1
1 B ( )x
t
= =
2
x
t
2
x
t
x
t
x
t 1
x
t
x
t 1
( ) x
t 1
x
t 2
( ) x
t
2x
t 1
x
t 2
+ = = =
B
i
x
t
x
t i
=
n
x
t
1 B
n
x
t
, , avec = B
i
x
t
x
t i
=
= {at
2
+ bt + c} 2{a (t 1)
2
+ b (t 1) + c} + {a (t 2)
2
+ b (t 2) + c}
= {at
2
2at
2
+ at
2
+ 4at 4at 2a + 4a} + {bt 2bt + bt} + {c 2c + c}
= 2a
La gnralisation de loprateur B, , permet de dnir dautres
classes de ltres diffrence, qui peuvent servir notamment liminer les uctua-
tions saisonnires. Si les donnes sont mensuelles et le cycle annuel, on utilisera:
Dans lexemple numrique du tableau 324, les donnes taient trimestrielles, et
le cycle annuel ; on doit donc utiliser comme ltre pour liminer les uctuations
saisonnires (stables au cours du temps) le ltre suivant : .
Lapplication de ce ltre la chronique x
4
pralablement transforme par le ltre
dordre 2 redonne bien une chronique nulle. Mais on aurait pu tout aussi bien (voir
tableau 325, page 1064) appliquer ce ltre la chronique 4 pralablement
lapplication du ltre diffrence dordre 2, car:
Ajoutons que lorsque les facteurs saisonniers suivent eux-mmes une volution
tendancielle reprsentable par un polynme en t de degr m 1, on peut en appli-
quant la chronique le ltre liminer totalement leffet saisonnier.
Llimination simultane du trend et de la saisonnalit passera alors par le ltre
. Le tableau 326 de la page 1064 illustre llimination de la
saisonnalit et dune tendance suppose linaire dans notre exemple des ventes du
rayon de Casimouth; le corrlogramme qui en rsulte (gure 248, page 1065)
montre que cette transformation semble avoir limin le trend et la saisonnalit.
II-5 Remarques gnrales sur lutilisation des ltres
Deux points importants mritent dtre souligns:
TABLEAU 324
Illustration des proprits des ltres diffrences
date
1 2 3 4 1 2 3 4 1 & 2 3 4 1, 2 & 3 4
1
100 102 102,1 107,1 - - - - - - - - -
2
100 104 104,4 102,4 0 2 2,3 4,7 - - - - -
3
100 106 106,9 102,9 0 2 2,5 0,5 0 0,2 5,2 - -
4
100 108 109,6 110,6 0 2 2,7 7,7 0 0,2 7,2 0 2
5
100 110 112,5 117,5 0 2 2,9 6,9 0 0,2 0,8 0 8
6
100 112 115,6 113,6 0 2 3,1 3,9 0 0,2 10,8 0 10
7
100 114 118,9 114,9 0 2 3,3 1,3 0 0,2 5,2 0 16
8
100 116 122,4 123,4 0 2 3,5 8,5 0 0,2 7,2 0 2
9
100 118 126,1 131,1 0 2 3,7 7,7 0 0,2 0,8 0 8
10
100 120 130,0 128,0 0 2 3,9 3,1 0 0,2 10,8 0 10
11
100 122 134,1 130,1 0 2 4,1 2,1 0 0,2 5,2 0 16
12
100 124 138,4 139,4 0 2 4,3 9,3 0 0,2 7,2 0 2
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
1
x
1
1 B ( )x
t
=
2
x
1
1 B ( )
2
x
t
=

3
x
1
1 B ( )
3
x
t
=
B
i
x
t
x
t i
=
x
t
x
t 12
1 B
12
( )x
t
=
x
t
x
t 4
1 B
4
( )x
t
=
1 B ( )
2
1 B
4
( )x
t
1 B
4
( ) 1 B ( )
2
x
t
x
t
2x
t 1
x
t 2
x
t 4
2x
t 5
x
t 6
+ + + = =
1 B
4
( )
m
x
t
1 B
4
( )
m
1 B ( )
n
x
t
TABLEAU 325
Illustration de la commutativit des ltres diffrence
t
1 107,1 - -
2 102,4 - -
3 102,9 - -
4 110,6 - -
5 117,5 10,4 -
6 113,6 11,2 -
7 114,9 12,0 0
8 123,4 12,8 0
9 131,1 13,6 0
10 128,0 14,4 0
11 130,1 15,2 0
12 139,4 16,0 0
TABLEAU 326
Application successive des ltres (1 B
12
) et (1 B) la chronique des ventes de
Casimouth (tableau 286 de la page 997)
t x
t
(
1

B
1
2
)

x
t
(
1

B
1
2
)

(
1

B
)

x
t
t x
t
(
1

B
1
2
)

x
t
(
1

B
1
2
)

(
1

B
)

x
t
t x
t
(
1

B
1
2
)

x
t
(
1

B
1
2
)

(
1

B
)

x
t
t x
t
(
1

B
1
2
)

x
t
(
1

B
1
2
)

(
1

B
)

x
t
1 705 - - 22 762 49 194 43 626 53 -222 64 846 154 25
2 653 - - 23 695 26 23 44 456 17 70 65 883 130 24
3 713 - - 24 680 123 97 45 757 29 12 66 811 47 83
4 684 - - 25 682 149 26 46 786 40 11 67 766 114 67
5 707 - - 26 684 81 68 47 778 90 50 68 584 90 24
6 714 - - 27 743 72 9 48 762 19 71 69 761 65 25
7 684 - - 28 701 129 57 49 719 30 11 70 863 121 56
8 422 - - 29 641 115 14 50 692 49 79 71 773 21 142
9 629 - - 30 595 216 101 51 771 44 5 72 751 22 1
10 811 - - 31 679 67 149 52 692 27 17 73 739 162 140
11 721 - - 32 439 65 2 53 753 23 50 74 624 191 29
12 803 - - 33 728 46 19 54 764 0 23 75 640 260 69
13 831 126 - 34 746 16 30 55 652 26 26 76 672 174 86
14 765 112 14 35 688 7 9 56 494 38 12 77 615 268 94
15 815 102 10 36 743 63 70 57 696 61 99 78 638 173 95
16 830 146 44 37 689 7 56 58 742 44 17 79 555 211 38
17 756 49 97 38 741 57 50 59 794 16 60 80 372 212 1
18 811 97 48 39 815 72 15 60 773 11 5 81 605 156 56
19 746 62 35 40 719 18 54 61 901 182 171 82 615 248 92
20 504 82 20 41 730 89 71 62 815 123 59 83 573 200 48
21 774 145 63 42 764 169 80 63 900 129 6 84 674 77 123
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
1 B
4
( )x
t
1 B ( )
2
1 B
4
( )x
t
- tout dabord lutilisation des ltres linaires (ou non linaires) a pour cons-
quence inluctable, et non voulue, de gnrer des oscillations systmatiques;
ce phnomne est connu sous le nom de leffet Slutzky-Yule,
- le second point est la possibilit de juger par intervalle de conance les rsul-
tats des ltres moyenne mobile, ou ceux du lissage exponentiel, si lon peut
raisonnablement postuler que les alas suivent une loi donne (la loi Normale
tant bien sr la loi privilgie).
Le jugement par intervalle de conance qui en dcoule permet dune part de
relativiser les prvisions, dautre part, de dtecter rapidement des changements de
comportement.
II-5.1 Leffet Slutzky-Yule
Les ltres gnrent des oscillations systmatiques, ce que lon met facilement
en vidence en calculant le corrlogramme de la srie ltre. Prenons par exemple
une chronique de type bruit blanc (x
t
= ). Compte tenu de la dnition dun ltre
linaire , (relation 394, page 1008) et des rgles classiques de
calcul de la variance et covariance dune somme pondre de variables alatoires
indpendantes, on montre
1
aisment que:
, pour les chroniques type bruit blanc relation 434
Le corrlogramme thorique dun ltre moyenne mobile empirique sur 5
priodes est (a
i
= 1/5, pour tout i)
1. Voir par exemple Kendall (1973, [260]) p. 40-41.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
FIGURE 248
Corrlogramme de la chronique des ventes de Casimouth aprs application
successive des ltres (1-B
12
) et (1-B)
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Dcalage k
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
Borne infrieure
Borne suprieure
t
y
t
a
i
x
t r i +
i 1 =
s
j
a
i
a
i j +
i 1 =
s k
a
i
2
i 1 =
s
------------------------- =
Illustrons numriquement cet effet Slutzky-Yule en calculant le corrlogramme
de la chronique des moyennes mobiles centres (sur 5 priodes) du tableau 296 de
la page 1014, calcules sur une simulation alatoire dune loi Normale de
moyenne 167 et dcart-type 50 (colonne 4 du tableau 284 de la page 991). Ce
corrlogramme (voir gure 249, page 1066, qui reprend aussi le graphique de
gauche de la gure 240 de la page 1015) est assez loign du corrlogramme tho-
rique tabli la page prcdente. Ceci sexplique par le faible nombre de valeurs
constituant lchantillon et ce nest que lorsque cet chantillon est trs important
que les estimations des coefcients dautocorrlation ont des chances importantes
dtre proches des valeurs thoriques. Cet exemple montre la grande difcult
quil y a se faire une ide de limpact concret de leffet Slutzky-Yule.
II-5.2 Le jugement par intervalle de conance
Si lon fait lhypothse, souvent vrie en pratique, que le terme rsiduel est
non seulement de type bruit blanc, mais galement suit une loi Normale de
moyenne nulle et dcart type on peut alors, dune part, utiliser les rsultats
classiques de calcul de la variance dune somme pondre de variables alatoires
1
a
1
a
2
a
2
a
3
a
3
a
4
a
4
a
5
+ + +
a
1
2
a
2
2
a
3
2
a
4
2
a
5
2
+ + + +
----------------------------------------------------------------------
4 25
5 25
------------ 0 8 , = = =
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
2
a
1
a
3
a
2
a
4
a
3
a
5
+ +
a
1
2
a
2
2
a
3
2
a
4
2
a
5
2
+ + + +
---------------------------------------------------
3 25
5 25
------------ 0 6 , = = =
3
a
1
a
4
a
2
a
5
+
a
1
2
a
2
2
a
3
2
a
4
2
a
5
2
+ + + +
-----------------------------------------------
2 25
5 25
------------ 0 4 , = = =
4
a
1
a
5
5 25
------------- 0 2 , = =
0 1 2 3 4 5 6
Dcalage k
Borne suprieure
Borne infrieure
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
50
75
100
125
150
175
200
225
250
275
300
325
0 2 4 6 8 10 12 14 16 18 20 22 24 26
Priode
Moyenne mobile (centre sur 5 priodes)
Chronique simule
FIGURE 249
Moyenne mobile de la chronique du tableau 296 et corrlogramme de cette
moyenne mobile

indpendantes pour fournir un intervalle de conance associ une prvision ou
un paramtre quelconque et, dautre part, juger de la stabilit des lois qui
semblent rgir lvolution de la chronique.
II-5.2.1 Intervalle de conance dune prvision
Il nest pas inutile, du moins lorsque la prvision porte sur une donne impor-
tante, de complter lestimation ponctuelle fournie par le ltre linaire, par un
jugement sur la qualit de cette prvision, jugement sappuyant sur un intervalle
de conance dni pour un coefcient de conance judicieusement choisi.
Nous avons dj illustr au II-2.2.2.5, page 1042, lutilisation des techniques
dintervalle de conance dune prvision et des paramtres dune volution
tendancielle linaire, aussi ne reviendrons-nous pas en dtail sur ce point, car ces
techniques se transposent sans difcult lorsque le ltre utilis nest pas celui
dune moyenne mobile optimale au sens des moindres carrs ( ceci prs que lon
utilisera la loi Normale la place de la loi de Student, compte tenu de la difcult
de dterminer le nombre de degrs de libert).
Quand on utilise un ltre empirique en moyenne mobile, on peut toujours, en
partant de la relation 409 de la page 1036 et dune estimation de la variance de la
composante alatoire (qui correspond la variance rsiduelle dans la
rgression locale), calculer la variance du ltre y
t
, et donc de la prvision qui lui
est associe, ce qui permet de dterminer lintervalle de conance recherch. Si le
ltre utilis est du type lissage exponentiel, il suft de partir des relations tablies
pour le lissage exponentiel simple (relation 423 de la page 1049) ou double (rela-
tion 428 de la page 1054) et dune estimation de , variance de la composante
alatoire, pour pouvoir calculer un intervalle de conance associ une prvision,
ou un paramtre de la composante tendancielle linaire.
Le seul problme pratique qui reste rsoudre est donc celui de lestimation de
. Deux techniques peuvent tre utilises, qui toutes deux partent de la diff-
rence entre la valeur observe et lestimation cette date des composantes
certaines (tendancielle et cyclique).
II-5.2.1.1 Calcul direct.
La premire solution est celle du calcul direct de cette variance rsiduelle, mais,
dun point de vue oprationnel, cette mthode ncessite la fois un stockage de
donnes plus consquent, et des calculs plus importants.
Reprenons lexemple du lissage exponentiel simple du tableau 316 (page 1049)
Le calcul direct de lestimation de la variance rsiduelle est effectu dans les
5 premires colonnes du tableau 327.
Lestimation empirique que lon retiendra de la variance rsiduelle
1
est, puisque
par hypothse la composante alatoire est desprance mathmatique nulle:
13,60/6 = 2,27, ce qui correspond un cart-type de 1,50. La prvision ponctuelle
faite la priode 6 pour la priode 7 est y
6
= 9,48; lintervalle de conance 95%
de cette prvision est donc 9,48 1,96 x 1,50, ce qui conduit la fourchette
1. Rappelons que, sous sa forme usuelle de calcul, on dnit la variance comme la moyenne des carrs moins le
carr de la moyenne; si la moyenne est nulle, le carr de la moyenne lest aussi et la variance est alors gale
la moyenne des carrs.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
2
suivante: [6,53 12,43]. Ce choix, titre dillustration, dun coefcient de
conance 95%, ne doit pas tre gnralis automatiquement car bien souvent les
consquences conomiques ne sont pas les mmes dans le cas dune sous-estima-
tion et dune surestimation, ce qui milite en faveur dintervalles de conance non
symtriques par rapport la prvision ponctuelle.
II-5.2.1.2 Utilisation de la moyenne des carts absolus
Pour viter deffectuer des lvations aux carrs et de calculer une racine carre,
on peut partir de la moyenne des carts absolus , et utiliser le
rsultat analytique suivant, valable
1
pour la loi Normale:
relation 435
Le calcul de la moyenne des carts absolus est effectu dans la colonne 6 du
tableau 327, do lon tire: = 1,36 et

= 1,70. La valeur fournie par ce nouvel
estimateur est lgrement diffrente de celle trouve par le calcul direct, mais cette
diffrence na rien de choquant car lemploi de ces deux estimateurs ne donne de
rsultats identiques quasymptotiquement (cest--dire, en pratique, sur de grands
chantillons).
Lorsque le ltre linaire utilis est le lissage exponentiel, lusage
2
, non justi
sur le plan thorique, veut que lon utilise galement cette technique pour calculer
lestimation faite la date t de la moyenne des carts absolus :
relation 436
Cette technique permet de bncier pleinement de lun des avantages du
lissage exponentiel, celui de lconomie de stockage de lhistorique pass. Son
application notre exemple numrique (3 dernires colonnes du tableau 327, page
1068) donne, la date 6, une valeur de la moyenne lisse des carts absolus gale
TABLEAU 327
Calcul de la variance rsiduelle dans lutilisation de la technique de lissage
exponentiel simple
t
1 9 10,00 1,00 1,00 1,00 1,00
2 11 9,70 1,30 1,69 1,30 0,39 0,70 1,09
3 12 10,09 1,91 3,65 1,91 0,57 0,76 1,34
4 9 10,67 1,66 2,77 1,66 0,50 0,94 1,43
5 10 10,16 0,16 0,03 0,16 0,05 1,00 1,05
6 8 10,11 2,11 4,47 2,11 0,63 0,74 1,37
13,60 8,15
2,27 1,36
1. Voir Brown (1963, [70]), chapitre XX.
2. Voir Brown (1963, [70]), chapitre XX.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t
x (
t
x
t
) x (
t
x
t
)
2
x
t
x
t
0 3 x
t
x
t
,
0 7
t 1
,
( ) 6

t
x
t
x
t
=
E X x ( )
2
--- 1 2533 , = =

t
x
t
x
t
( ) 1 ( )
t 1
+ =
1,37, do lon tire comme estimation de lcart-type rsiduel = 1,2533x1,37
= 1,72.
II-5.2.2 Modication de comportement dune chronique
Le jugement par intervalle de conance permet en particulier de dcider,
lorsquune (ou plusieurs) observation(s) conscutive(s) sorte(nt) de lintervalle
de conance prvu, que le phnomne tudi nobit plus aux mmes lois dvolu-
tion. Lorsque ltude du phnomne seffectue par lissage exponentiel, il importe
alors daccrotre les constantes de lissage an de diminuer notablement, et
pendant un certain nombre de priodes, le poids du pass; on parle alors de tech-
nique de ltrage adaptatif. Lappel cette technique est hautement souhaitable
lorsque lon dsire grer automatiquement un trs grand nombre de rfrences
1
.
Diffrentes techniques de dtection de linstabilit existent et se sont
dveloppes depuis les premiers travaux de Brown en la matire
2
. La mthode
propose par Trigg et Leach
3
, caractristique de cette approche, est lune des plus
utilises du fait de sa simplicit (sans tre pour autant lune des plus efcaces du
point de vue de la prvision). Cest pourquoi nous allons la prsenter succincte-
ment en partant du lissage exponentiel simple. Notons
lerreur de prvision faite pour la priode t, et
t
le coefcient de lissage utilis
la priode t (ce coefcient peut varier au cours du temps, do lindexation de
par la date t). Le ltre linaire par la relation 420 de la page 1048, scrit alors:
relation 437
Introduisons maintenant :
- un coefcient de lissage qui, lui, ne varie pas au cours du temps et prend
habituellement une valeur assez basse (0,1 ou 0,2),
- lerreur lisse qui correspond lapplication du
lissage exponentiel simple sur la chronique des erreurs de prvision,
- lerreur absolue lisse: qui correspond lapplica-
tion du lissage exponentiel simple sur la chronique des valeurs absolues
derreurs de prvision.
Le signal dalerte tracking signal) est par dnition le quotient , dont la
valeur est ncessairement comprise entre - 1 et + 1 (ces bornes ne sont atteintes
que si les erreurs ont toujours t de mme signe). Trigg et Leach proposent de
retenir comme coefcient de lissage pour la priode t, la valeur absolue du signal
dalerte, on aura donc:
relation 438
Lorsquil y a des carts systmatiques conscutifs, cette technique conduit un
coefcient de lissage proche de lunit, et donc prendre comme prvision la
1. Voir larticle de Everette et Gardner (1983, [141]).
2. Voir Brown (1963, [70]), chapitre XX; Johnson et Montgomery (1976, [246]) chapitre VIII ; Makridakis et
Wheelwright (l978, [290]) chapitre III, et Lewandowski (1979, [281]) p. 191-209.
3. Voir Trigg et Leach (1967, [423]). Cet article prsente galement une technique de ltrage adaptatif pour le cas
du lissage exponentiel double.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
e
t
x
t
x
t
( ) x
t
y
t 1
( ) = =
y
t

t
x
t
1
t
( )y
t 1
+ y
t 1

t
e
t
+ = =
E
t
e
t
1 ( )E
t 1
+ =
A
t
e
t
1 ( )A
t 1
+ =
E
t
A
t
t
E
t
A
t
------- =
dernire valeur observe. Sil y a compensation entre carts positifs et ngatifs
rcents, on aura tendance prendre comme prvision une valeur proche de la
dernire prvision effectue. Cette technique pourra tre utilise chaque fois que
lon voudra modier automatiquement la constante de lissage dun modle auto-
projectif.
Les prvisions que lon effectue partir de la dernire observation sont les
suivantes, pour le modle constant.
relations 439
Lutilisation du modle adaptatif est illustre par lexemple du tableau 328.
TABLEAU 328
Exemple de lissage exponentiel simple adaptatif (Trigg & Leach)
x
t
y
t 1
e
t
= x
t
y
t 1
E
t
= 0,2e
t
+ 0,8e
t 1
A
t
= 0,2|e
t
| + 0,8e
t 1

t
= |E
t
|/A
t
y
t
Jan 1997 55 0,00 0,00 0,00 0,00 0,20 55,00
Fv 1997 54 55,00 1,00 1,00 1,00 0,20 54,80
Mar 1997 55 54,80 0,20 0,76 0,84 0,20 54,84
Avr 1997 50 54,84 4,84 1,58 1,64 0,96 50,19
Mai 1997 51 50,19 0,81 1,10 1,47 0,75 50,79
Jun 1997 49 50,79 1,79 1,24 1,54 0,80 49,35
Jul 1997 49 49,35 0,35 1,06 1,30 0,82 49,06
Ao 1997 49 49,06 0,06 0,86 1,05 0,82 49,01
Sep 1997 58 49,01 8,99 1,11 2,64 0,42 52,79
Oct 1997 41 52,79 11,79 1,47 4,47 0,33 48,91
Nov 1997 56 48,91 7,09 0,24 4,99 0,05 49,25
Dc 1997 45 49,25 4,25 0,66 4,85 0,14 48,68
Jan 1998 42 48,68 6,68 1,86 5,21 0,36 46,29
Fv 1998 42 46,29 4,29 2,35 5,03 0,47 44,29
Mar 1998 45 44,29 0,71 1,74 4,16 0,42 44,59
Avr 1998 49 44,59 4,41 0,51 4,21 0,12 45,11
Mai 1998 40 45,11 5,11 1,43 4,39 0,32 43,45
Jun 1998 42 43,45 1,45 1,43 3,81 0,38 42,91
Jul 1998 48 42,91 5,09 0,13 4,06 0,03 43,07
Ao 1998 41 43,07 2,07 0,52 3,66 0,14 42,78
Sep 1998 41 42,78 1,78 0,77 3,29 0,23 42,36
Oct 1998 54 42,36 11,64 1,71 4,96 0,35 46,39
Nov 1998 38 46,39 8,39 0,31 5,64 0,05 45,93
Dc 1998 40 45,93 5,93 1,43 5,70 0,25 44,44
Jan 1999 43 44,44 1,44 1,43 4,85 0,30 44,02
Fv 1999 47 44,02 2,98 0,55 4,48 0,12 44,38
Mar 1999 33 44,38 11,38 2,72 5,86 0,46 39,10
Avr 1999 43 39,10 3,90 1,39 5,46 0,26 40,10
Mai 1999 45 40,10 4,90 0,13 5,35 0,03 40,22
Jun 1999 30 40,22 10,22 2,15 6,33 0,34 36,74
Jul 1999 29 36,74 7,74 3,27 6,61 0,49 32,91
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t k +
x
t 1 +
y
t

t
x
t
1
t
( )y
t 1
+
t
x
t
1
t
( )x
t
+ = = = =
y
t

t
x
t
1
t
( )y
t 1
+ = ; e
t
x
t
x
t
=
t
E
t
A
t
------- ; = E
t
e
t
1 ( )E
t 1
; + = A
t
e
t
1 ( )A
t 1
+ =
SECTION III LA PRVISION PARTIR DE LHISTORIQUE
COMPLET
On examinera successivement les approches fondes sur la mthode des moin-
dres carrs qui marchent bien si la composante alatoire suit un processus pure-
ment alatoire ( III-1), puis les mthodes type Box et Jenkins qui permettent
de traiter les chroniques dont la composante alatoire suit un processus station-
naire, mais ne permettent pas dapprcier la composante cyclique ( III-2, page
1083). Dans un dernier paragraphe ( III-3, page 1101), on abordera une gn-
ralisation des deux approches prcdentes.
III-1 Les techniques de prvision bases sur les moindres carrs
Deux familles dapproche sont envisageables: dans la premire, on estime
simultanment les composantes tendancielles et cycliques, et la seconde est une
extension des techniques de rgression multiple aux processus autorgressifs.
III-1.1 Estimation simultane du trend et des facteurs saisonniers
par la mthode des moindres carrs
Deux approches donnant des rsultats identiques, parce que fondes sur la
mme dmarche mthodologique, celle des moindres carrs, sont disponibles:
- La premire prsente lavantage de pouvoir faire lobjet dun traitement
manuel, parce quelle utilise des rsultats analytiques relativement simples.
Mais cette simplicit est due une restriction sur le type de chronique traite:
celle-ci doit comporter ncessairement le mme nombre dobservations pour
chaque priode constitutive dun cycle, cest--dire si le cycle est annuel, et
les observations mensuelles, il devra y avoir pour chaque mois le mme
nombre dannes dobservation (par exemple si la chronique dbute en
mars 1994, la dernire observation devra porter sur un mois de fvrier dune
Ao 1999 37 32,91 4,09 1,80 6,11 0,29 34,12
Sep 1999 33 34,12 1,12 1,66 5,11 0,33 33,75
Oct 1999 34 33,75 0,25 1,28 4,14 0,31 33,83
Nov 1999 32 33,83 1,83 1,39 3,67 0,38 33,14
Dc 1999 27 33,14 6,14 2,34 4,17 0,56 29,69
Jan 2000 33 29,69 3,31 1,21 4,00 0,30 30,69
Fv 2000 29 30,69 1,69 1,31 3,53 0,37 30,07
Mar 2000 32 30,07 1,93 0,66 3,21 0,20 30,46
Avr 2000 53 30,46 22,54 3,98 7,08 0,56 43,14
Mai 2000 37 43,14 6,14 1,96 6,89 0,28 41,39
Jun 2000 34 41,39 7,39 0,09 6,99 0,01 41,30
Jul 2000 27 41,30 14,30 2,79 8,45 0,33 36,58
Ao 2000 33 36,58 3,58 2,95 7,48 0,39 35,17
Sep 2000 31 35,17 4,17 3,19 6,82 0,47 33,22
Oct 2000 26 33,22 7,22 4,00 6,90 0,58 29,03
Nov 2000 26 29,03 3,03 3,80 6,12 0,62 27,15
TABLEAU 328
Exemple de lissage exponentiel simple adaptatif (Trigg & Leach)
x
t
y
t 1
e
t
= x
t
y
t 1
E
t
= 0,2e
t
+ 0,8e
t 1
A
t
= 0,2|e
t
| + 0,8e
t 1

t
= |E
t
|/A
t
y
t
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
anne postrieure 1994). Lusage veut que de telles chroniques soient
prsentes dans des tableaux de Buys-Ballot (dnis page 996); on reprendra
lexemple de la chronique des ventes du rayon journaux du Casimouth
dAlphaville (voir tableau de Buys-Ballot page 997). On qualiera cette
premire technique destimation simultane du trend et des facteurs saison-
niers partir des moindres carrs sur les tables de Buys-Ballot .
- La seconde approche consiste utiliser des programmes de rgression
multiple en faisant appel des variables indicatrices pour mesurer la saison-
nalit. Linconvnient de cette technique est de ncessiter lemploi de
programmes de rgression linaire multiple, mais ceux-ci sont maintenant
largement disponibles, y compris sur tableur
1
. Cette approche prsente
lavantage de permettre de juger par intervalle de conance les paramtres
dvolution tendancielle et les facteurs saisonniers, partir de renseigne-
ments classiquement fournis par tous ces programmes de rgression
multiple. Les programmes spcialiss calculent en outre la statistique de
Durbin-Watson (voir page 1079) qui permet de juger si lhypothse dind-
pendance des rsidus est acceptable ou non. Rappelons dans ce dernier cas
que les estimations calcules pour les diffrents paramtres sont biaises et
quen consquence on ne peut se er aux rsultats obtenus.
Avant de prsenter ces techniques, introduisons les hypothses sous-jacentes de
ces modles.
a) Tout dabord, il y a implicitement unicit des lois dvolution (tant tendan-
cielles que saisonnires) du phnomne tudi; toute prvision base sur les
paramtres obtenus repose galement sur cette hypothse. Sur ce point, cette
approche diffre fondamentalement des approches du modle Holt-Winters
(cf. II-3.3, page 1056) qui sadaptent sans problme des modications de
ces caractristiques structurelles.
b) Lvolution tendancielle est linaire ( ), mais en ralit on peut
substituer x
t
toute transformation monotone, la plus usite tant la transfor-
mation logarithmique, qui permet dtudier les phnomnes volution
exponentielle.
c) Le mouvement saisonnier est rigoureusement priodique, aussi le notera-
t-on , j variant de 1 m, m tant le nombre de priodes dans un cycle (par
exemple m = 12 si le cycle est annuel et les observations mensuelles).
d) Le phnomne tudi subit en outre une perturbation alatoire et dont la
nature est de type bruit blanc (voir page 990).
e) Les trois composantes jouent additivement (voir I-2.4, page 994), ce qui
conduit au modle de base:
(modle additif) relation 440
qui peut tre quivalent un modle multiplicatif aprs transformation loga-
rithmique
2
de certaines variables puisque la liaison linaire porte sur les para-
mtres et non sur les variables: , avec a = Log(1
1. Sous Excel, par exemple, ce programme se trouve dans Utilitaire danalyse du menu de loption Outils de
la barre de menu.
2. Voir, par exemple, Giard (1995, [182]), chapitre VI, tableau de synthse du I.3.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
a
t
b + =
c
t
c
j
x
t
a
t
b + ( ) c
j

t
+ + =
Log x
t
( ) a
t
b + C
j

t
+ + =
+ r), o r est un taux de croissance instantan
1
; b = Log ( ); ,
cest--dire que est un coefcient multiplicatif saisonnier; et enn , la
perturbation alatoire de type bruit blanc pouvant encore scrire Log ( ),
le modle multiplicatif devient :

(modle multiplicatif) relation 441
f) Une hypothse supplmentaire relative aux facteurs saisonniers est indispen-
sable dans lapproche des moindres carrs sur les tables de Buys-Ballot, sans
tre ncessaire dans lapproche par rgression multiple. Elle expliquera une
diffrence de rsultats numriques obtenus par les 2 techniques, mais ces
rsultats sont parfaitement quivalents, comme on le montrera. Cette hypo-
thse relve de lapplication du principe de conservation des aires dcrit par
les relations 383 et 384 de la page 995. On peut justier maintenant la rela-
tion 384 qui est en fait une application de la relation 383 aprs transformation
logarithmique: .
III-1.1.1 Estimation simultane du trend et de la composante saisonnire
par les moindres carrs sur table de Buys-Ballot
Si lon note:
- n le nombre de cycles possds dans la chronique (= nombre dannes par
exemple),
- m, le nombre de priodes constitutives du cycle (m = 12 mois si les observa-
tions sont mensuelles et le cycle annuel),
- i, lindice reprant le cycle,
- j, lindice reprant la priode dans le cycle,
La date t la date correspondant au mois j de lanne i peut encore scrire:
t = m (i 1) + j
et la valeur thorique correspondant sera:
que lon peut encore crire en posant :
, avec relation 442
Lapplication de la mthode des moindres carrs consiste chercher les valeurs
des m facteurs saisonniers b
j
, ainsi que celle de laccroissement moyen mensuel
a, qui soit tel que la variance rsiduelle soit minimale, cest--dire que lon ait :
minimum
Aprs quelques calculs
2
, on trouve la solution analytique de la relation 443,
page 1074:
1. Voir, par exemple, Giard (1995, [182]), chapitre VI, I.3.11.
2. Voir Calot (1973, [82]), p. 359-363.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
0
C
j
Log c
j
( ) =
c
j

t
t
x
t
x
0
1 r + ( )
t
c
j

t
=
C
j
j 1 =
m
Logc
j
j 1 =
m
0 c
j
j 1 =
m
e
0
1 = = = =
x
t
x
t
a
t
b + c
j
+ a m i 1 ( ) j + } b c
j
+ + = =
b
j
b c
j
+ =
x
t
a m i 1 ( ) j + } b
j
+ = b
j
b c
j
+ =
x
t
x
t
( )
2
t
x
ij
a m i 1 ( ) j + ( ) b
j
+ }
2
j
=
relations 443
Lapplication de ces relations 443 la chronique des ventes du rayon de ventes
de journaux du Casimouth dAlphaville donne les rsultats suivants pour le
modle additif:
= 5942; = 5266; = 4974; ;
= 8246; = 8969; ;
=
= 19730,92
Do:
,
,
, etc. (voir tableau 329)
TABLEAU 329
Composantes saisonnires
M
o
d
l
e
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
a
d
d
i
t
i
f
4
3
,
5
8
2
,
0
9
6
2
,
7
5
2
6
,
8
4
1
8
,
6
4
2
0
,
5
9

3
4
,
7
5

2
3
9
,
8
1
0
,
2
8
5
4
,
0
8
1
1
,
0
3
3
4
,
6
8
m
u
l
t
i
p
l
i
c
a
t
i
f
. Coefcients saisonniers sur les donnes logarithmiques

0
,
0
6
6
4
3
0
,
0
1
0
9
6
0
,
0
9
1
6
5
0
,
0
4
5
2
3
0
,
0
3
1
9
6
0
,
0
3
4
8
8

0
,
0
4
3
0
5

0
,
4
1
0
7
5
0
,
0
0
8
9
3
0
,
0
8
1
7
6
0
,
0
2
3
0
6
0
,
0
5
9
0
3
a
12
nm n
2
1 ( )
--------------------------
1
m
---- i x
ij
j 1 =
m
i 1 =
n
n 1 +
2m
----------- x
ij
j 1 =
m
i 1 =
n
=
b
x
ij
nm
------- a
nm 1 +
2
----------------
j 1 =
m
i 1 =
n
=
c
j
x
ij
n
-----
x
ij
nm
------- a j
m 1 +
2
-------------
\ !
( \
j 1 =
m
i 1 =
n
i 1 =
n
=
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
ij
j 1 =
12
i 1 =
7
x
i1
i 1 =
7
x
i2
i 1 =
7
x
1 j
i 1 =
12
x
2 j
i 1 =
12
i x
ij
j 1 =
12
i 1 =
7
12
------------------------
1 8246 2 8969 3 8069 4 8623 5 8542 6 9654 7 7322 + + + + + +
12
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
a
12
7 12 7 7 1 ( )
------------------------------------- 19731
7 1 +
2 12
--------------59425
\ !
( \
0,23041 = =
b
59425
7 12
--------------- 0,23041
7 12 1 +
2
----------------------
\ !
( \
717 23 , = =
c
1
5266
7
------------
59425
7 12
--------------- 0,23041 ( ) 1
12 1 +
2
--------------
\ !
( \
43,578 = =
Les tableaux 330 et 332 fournissent les valeurs estimes par les deux modles
et les gures 250 et 251 comparent les ventes observes et estimes. On remarque
que les modles additifs et multiplicatifs donnent des rsultats trs voisins, ce qui
TABLEAU 330
Ventes estimes par le modle additif des moindres carrs.
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 761 719 779 743 735 736 681 476 715 769 726 749
1995 758 716 777 740 732 734 678 473 713 766 723 746
1996 755 713 774 738 729 731 675 470 710 763 720 744
1997 752 711 771 735 726 728 673 467 707 761 717 741
1998 750 708 768 732 724 725 670 465 704 758 715 738
1999 747 705 765 729 721 723 667 462 702 755 712 735
2000 744 702 763 727 718 720 664 459 699 752 709 733
TABLEAU 331
Rsidus du modle additif des moindres carrs
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 55,6 65,9 66,3 59,2 27,7 22,4 3,1 53,6 86,4 42,0 4,7 53,8
1995 73,2 48,9 38,5 89,6 24,0 77,3 67,9 31,2 61,3 4,2 28,0 66,4
1996 73,1 29,3 30,8 36,6 88,2 135,9 3,7 31,1 18,1 17,5 32,2 0,6
1997 63,3 30,4 44,0 15,9 3,6 35,9 46,6 11,3 49,9 25,3 60,6 21,1
1998 30,5 15,8 2,8 40,1 29,3 38,6 17,8 29,5 8,4 15,9 79,3 34,9
1999 154,2 110,0 134,5 116,7 162,1 88,4 99,0 122,2 59,4 107,8 61,1 15,7
2000 5,0 78,3 122,7 54,6 103,1 81,8 109,3 87,0 93,8 137,4 136,1 58,6
TABLEAU 332
Ventes estimes par le modle multiplicatif des moindres carrs
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
i
l
l
e
t
A
o
t
S
e
p
t
e
m
b
r
e
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
1994 55,6 65,9 66,3 59,2 27,7 22,4 3,1 53,6 86,4 42,0 4,7 53,8
1995 73,2 48,9 38,5 89,6 24,0 77,3 67,9 31,2 61,3 4,2 28,0 66,4
1996 73,1 29,3 30,8 36,6 88,2 135,9 3,7 31,1 18,1 17,5 32,2 0,6
1997 63,3 30,4 44,0 15,9 3,6 35,9 46,6 11,3 49,9 25,3 60,6 21,1
1998 30,5 15,8 2,8 40,1 29,3 38,6 17,8 29,5 8,4 15,9 79,3 34,9
1999 154,2 110,0 134,5 116,7 162,1 88,4 99,0 122,2 59,4 107,8 61,1 15,7
2000 5,0 78,3 122,7 54,6 103,1 81,8 109,3 87,0 93,8 137,4 136,1 58,6
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t

ne saurait surprendre compte tenu de la faiblesse du trend (carts-types rsiduels
respectivement gaux 68,64 et 68,75). Un certain nombre de coefcients sont
vraisemblablement non signicatifs, ce que lon ne pourra vrier quavec
dautres mthodes (cf. III-1.1.2, page 1076, et III-3, page 1101) Indiquons ds
maintenant que lexamen des corrlogrammes de la chronique des rsidus du
modle additif et du modle multiplicatif indique que les rsidus sont autocorrls
(voir gures 252 et 253, page 1079). Lhypothse d de la page 1072 nest donc pas
satisfaite, et les estimations trouves sont biaises. Nous verrons avec le modle
Armax ( III-3, page 1101) comment rsoudre correctement ce dlicat problme.
III-1.1.2 Estimation simultane du trend et de la composante saisonnire
par la rgression multiple
Lutilisation dun programme de rgression ncessite la dnition de 11 varia-
bles indicatrices , j variant de 1 11, si la saisonnalit est annuelle pour une
chronique mensuelle, et dune faon gnrale on aura m 1 variables indicatrices
si le cycle tudi comporte m priodes. Ces variables indicatrices
1
ne peuvent
prendre que les valeurs 0 ou 1, et lon naura jamais la fois pour une priode t
donne plus dune variable indicatrice ne pas tre nulle. On conviendra davoir
= 1 uniquement lorsque la priode t correspond un mois de janvier, davoir
= 1 uniquement lorsque la priode t correspond un mois de fvrier, etc.
Lorsque la priode t correspond un mois de dcembre, tous les sont nuls. Si
lon prend lexemple de la chronique des ventes du rayon de Casimouth, les
1. On peut utiliser les variables indicatrices pour liminer des perturbations exceptionnelles (grve prolonge) en
crant autant de variables indicatrices que de perturbations liminer, chaque variable ne valant 1 que pour les
seules priodes o la perturbation existe, et 0 dans les autres cas. Ajoutons que lutilisation simultane de varia-
bles quantitatives et de variables indicatrices en variables explicatives de rgression multiple est connue sous le
nom danalyse de la covariance.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
FIGURE 250
Ventes estimes par le modle additif des moindres carrs
300
400
500
600
700
800
900
1000
estim par moindres carrs (additif) Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
d
j
d
1
d
2
d
j


1077

donnes utiliser sont celles du tableau 333 de la page 1078 (qui se limite aux 25
premires observations).
Lquation de rgression est la suivante:

x

t

= a

t

+ b + c

1

d

1

+ c

2

d

2

+ c

3

d

3

+ c

4

d

4

+ c

5

d

5

+ c

6

d

6

+ c

7

d

7

+ c

8

d

8
+ c
9
d
9

+ c
10
d
10
+ c
11
d
11
Pour une priode t qui est un multiple entier de 12, tous les sont nuls, et donc
la constante b sinterprte comme la constante de trend classique module par la
composante saisonnire du mois de dcembre. Pour les autres priodes t, un seul
nest pas nul, le coefcient viendra donc moduler b, cest--dire le terme du
mois de dcembre. Comme vous pouvez le constater, la rfrence implicite au
mois de dcembre a rendu inutile lutilisation du principe de conservation des
aires. Cependant, si lon avait introduit dans lquation de rgression un ,
une telle hypothse aurait t rendue ncessaire pour avoir une constante de rf-
rence et pouvoir calculer les , b prenant immdiatement la valeur de cette cons-
tante. Lintroduction de ce namnerait donc rien, bien au contraire parce
que lindtermination qui en rsulterait (problme de la constante de rfrence) se
traduirait mathmatiquement par la liaison linaire suivante: , liaison
qui ne permet pas dutiliser la rgression multiple (car elle rend singulire la
matrice des variances-covariances).
Les rsultats trouvs sont donns dans le tableau 334. Il faut y ajouter : b
= 751,92 et = 0,481 ( = 0,694).
FIGURE 251
Ventes estimes par le modle multiplicatif des moindres carrs
300
400
500
600
700
800
900
1000
estim par moindres carrs (multiplicatif) Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
d
j
d
j
c
j
c
12
d
12
c
j
c
12
d
12
d
j
j 1 =
12
1 =
2

1078


Ces rsultats sont compatibles avec ceux trouvs au III-1.1.1, page 1073. Par
exemple, pour le mois de janvier ,on trouvait comme ordonne lorigine (pour la
mme pente): b + = 717,23 + 43,578 = 760,81, qui est bien gal ce que lon
vient dobtenir: b + = 751,92 + 8,894 = 760,81
Lintrt de lutilisation de programme standard de rgression multiple apparat
dans la dernire colonne du tableau 334 de la page 1080, condition toutefois que
lhypothse que les perturbations alatoires soient du type bruit blanc soit fonde.
Il semblerait que seul le coefcient saisonnier du mois daot soit nettement signi-
catif, et sans doute celui du mois de juillet. Aucun des autres coefcients, y
compris celui du trend, ne semble signicatif.
Lanalyse des corrlogrammes des rsidus (voir gures 252 et 253) montre que
lhypothse de rsidus purement alatoires est peu plausible. Le test de Durbin-
Watson

1

de lindpendance des rsidus successifs est asymptotiquement quiva-
lent

2

un test sur le coefcient dautocorrlation dordre 1.
T

ABLEAU

333

Donnes de la rgression multiple saisonnire

Variable explique
Variables explicatives

t

705 1 1 0 0 0 0 0 0 0 0 0 0
653 2 0 1 0 0 0 0 0 0 0 0 0
713 3 0 0 1 0 0 0 0 0 0 0 0
684 4 0 0 0 1 0 0 0 0 0 0 0
707 5 0 0 0 0 1 0 0 0 0 0 0
714 6 0 0 0 0 0 1 0 0 0 0 0
684 7 0 0 0 0 0 0 1 0 0 0 0
422 8 0 0 0 0 0 0 0 1 0 0 0
629 9 0 0 0 0 0 0 0 0 1 0 0
811 10 0 0 0 0 0 0 0 0 0 1 0
721 11 0 0 0 0 0 0 0 0 0 0 1
803 12 0 0 0 0 0 0 0 0 0 0 0
831 13 1 0 0 0 0 0 0 0 0 0 0
765 14 0 1 0 0 0 0 0 0 0 0 0
815 15 0 0 1 0 0 0 0 0 0 0 0
830 16 0 0 0 1 0 0 0 0 0 0 0
756 17 0 0 0 0 1 0 0 0 0 0 0
811 18 0 0 0 0 0 1 0 0 0 0 0
746 19 0 0 0 0 0 0 1 0 0 0 0
504 20 0 0 0 0 0 0 0 1 0 0 0
774 21 0 0 0 0 0 0 0 0 1 0 0
762 22 0 0 0 0 0 0 0 0 0 1 0
695 23 0 0 0 0 0 0 0 0 0 0 1
680 24 0 0 0 0 0 0 0 0 0 0 0
682 25 1 0 0 0 0 0 0 0 0 0 0

T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
d
1
d
2
d
3
d
4
d
5
d
6
d
7
d
8
d
9
d
10
d
11
c
1
c
1
Dans ce test, qui suppose que les variables explicatives sont certaines, on
calcule partir des n rsidus e
t
de la rgression multiple, lindicateur statistique
suivant (not souvent DW): que lon compare alors
des valeurs d
inf
et d
sup
(voir tableau 335, page 1081
1
) pour accepter ou rejeter
lhypothse dindpendance en utilisant le schma de principe de la gure 254,
page 1080, o les zones hachures correspondent des plages de valeurs o lon
ne peut raisonnablement conclure. La valeur calcule pour cet indicateur statis-
tique de Durbin-Waston est dans notre exemple: d = 0,50923. Mais, malheureuse-
ment les tables nexistent pas pour un nombre de variables explicatives suprieur
5, or, dans notre exemple, cest 12 variables explicatives que lon fait appel (le
1. Note de la page prcdente. Voir Chateld (1996, [91]), p. 77-78 o il aborde galement dautres tests.
2. Note de la page prcdente.
1. La table de Durbin-Watson, au risque de 1% peut tre trouve dans Giard (1995, [182]).
d e
t
2
e
t 1
2
2 e
t
e
t 1
t 1 =
n
t 2 =
n
+
t 2 =
n
\ !
( \
e
t
2
t 1 =
n
\ !
( \
2 1
1
( ) =
FIGURE 252
Corrlogramme des rsidus du modle additif des moindres carrs
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Dcalage k
Borne infrieure
Borne suprieure
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
Borne infrieure
Borne suprieure
Dcalage k
FIGURE 253
Corrlogramme des rsidus du modle multiplicatif des moindres carrs
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
d e
t
e
t 1
( )
2
t 2 =
n
\ !
( \
e
t
2
t 1 =
n
\ !
( \
=
temps + 11 variables indicatrices). Des approximations existent
1
, mais leur mise
en uvre sans tre aussi complique que le calcul des tables de Durbin-Watson,
ncessite de nombreux calculs.
On se contentera donc ici dutiliser un test sur le coefcient dautocorrlation
dordre 1, bien que ce test soit moins puissant que celui de Durbin et Watson
2
. Les
corrlogrammes de la page prcdente donnent une estimation de lordre de
0,8, ce qui trs nettement extrieure lintervalle de conance (au coefcient de
conance de 95%), permettant de rejeter lhypothse dindpendance des rsidus.
Ds lors, les conclusions formules sur le caractre non signicatif de la plupart
des coefcients de rgression ne sont peut-tre pas fondes, cause des biais intro-
duits dans les diffrentes estimations par le non-respect de perturbations alatoires
du type bruit blanc. On verra ce quil en est au III-3, page 1101.
TABLEAU 334
Rsultats de la rgression saisonnire
Variables Coefcient cart-type du coefcient Coefcient/cart-type
t 0,23041 0,34429 0,67885
8,89410 40,65712 0,22191
32,58977 40,62649 0,81372
28,06918 40,59877 0,70133
7,84325 40,57394 0,19609
16,04141 40,55202 0,40127
14,09673 40,53302 0,35279
69,43774 40,51693 1,73846
274,49292 40,50376 6,87449
34,40550 40,49352 0,86188
19,39632 40,48520 0,48598
23,65897 40,48181 0,59284
1. Voir Fuller (1976, [163]), p. 400-402 pour une approximation par une loi de Student et Seber (1976, [378])
p. 166-169 pour une approximation par une loi Bta.
2. On a vu en effet que V , mais cette valeur peut tre nettement moins forte dans la ralit, surtout si le
dcalage j est faible (voir Chateld (1996, [91]) p. 78.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
d
1
d
2
d
3
d
4
d
5
d
6
d
7
d
8
d
9
d
10
d
11
corrlation positive
pas de corrlation
corrlation ngative
0 d
inf
d
sup
4-d
sup
4-d
inf
2 4
FIGURE 254
Principe dutilisation du test de Durbin Watson
r
j
n
( ) 1 n
1
III-1.1.3 Prvision
Lapplication des modles des moindres carrs donne les rsultats du tableau
336 de la page 1082, que lon peut comparer avec les valeurs effectivement obser-
ves au cours de cette anne 2001
1
. Ces prvisions surestiment denviron 3% les
ralisations faites en 2001.
TABLEAU 335
Table de Durbin - Watson au risque de rejet tort de 5%
(rgression k variables explicatives et n observations)
n
k = 1 k = 2 k = 3 k = 4 k = 5
d
inf
d
sup
d
inf
d
sup
d
inf
d
sup
d
inf
d
sup
d
inf
d
sup
15 1,08 1,36 0,95 1,54 0,82 1,75 0,69 1,97 0,56 2,21
16 1,10 1,37 0,98 1,54 0,86 1,73 0,74 1,93 0,62 2,15
17 1,13 1,38 1,02 1,54 0,90 1,71 0,78 1,90 0,67 2,10
18 1,16 1,39 1,05 1,53 0,93 1,69 0,82 1,87 0,71 2,06
19 1,18 1,40 1,08 1,53 0,97 1,68 0,86 1,85 0,75 2,02
20 1,20 1,41 1,10 1,54 1,00 1,68 0,90 1,83 0,79 1,99
21 1,22 1,42 1,13 1,54 1,03 1,67 0,93 1,81 0,83 1,96
22 1,24 1,43 1,15 1,54 1,05 1,66 0,96 1,80 0,86 1,94
23 1,26 1,44 1,17 1,54 1,08 1,66 0,99 1,79 0,90 1,92
24 1,27 1,45 1,19 1,55 1,10 1,66 1,01 1,78 0,93 1,90
25 1,29 1,45 1,21 1,55 1,12 1,66 1,04 1,77 0,95 1,89
26 1,30 1,46 1,22 1,55 1,14 1,65 1,06 1,76 0,98 1,88
27 1,32 1,47 1,24 1,56 1,16 1,65 1,08 1,76 1,01 1,86
28 1,33 1,48 1,26 1,56 1,18 1,65 1,10 1,75 1,03 1,85
29 1,34 1,48 1,27 1,56 1,20 1,65 1,12 1,74 1,05 1,84
30 1,35 1,49 1,28 1,57 1,21 1,65 1,14 1,74 1,07 1,83
31 1,36 1,50 1,30 1,57 1,23 1,65 1,16 1,74 1,09 1,83
32 1,37 1,50 1,31 1,57 1,24 1,65 1,18 1,73 1,11 1,82
33 1,38 1,51 1,32 1,58 1,26 1,65 1,19 1,73 1,13 1,81
34 1,39 1,51 1,33 1,58 1,27 1,65 1,21 1,73 1,15 1,81
35 1,40 1,52 1,34 1,58 1,28 1,65 1,22 1,73 1,16 1,80
36 1,41 1,52 1,35 1,59 1,29 1,65 1,24 1,73 1,18 1,80
37 1,42 1,53 1,36 1,59 1,31 1,66 1,25 1,72 1,19 1,80
38 1,43 1,54 1,37 1,59 1,32 1,66 1,26 1,72 1,21 1,79
39 1,43 1,54 1,38 1,60 1,33 1,66 1,27 1,72 1,22 1,79
40 1,44 1,54 1,39 1,60 1,34 1,66 1,29 1,72 1,23 1,79
45 1,48 1,57 1,43 1,62 1,38 1,67 1,34 1,72 1,29 1,78
50 1,50 1,59 1,46 1,63 1,42 1,67 1,38 1,72 1,34 1,77
55 1,53 1,60 1,49 1,64 1,45 1,68 1,41 1,72 1,38 1,77
60 1,55 1,62 1,51 1,65 1,48 1,69 1,44 1,73 1,41 1,77
65 1,57 1,63 1,54 1,66 1,50 1,70 1,47 1,73 1,44 1,77
70 1,58 1,64 1,55 1,67 1,52 1,70 1,49 1,74 1,46 1,77
75 1,60 1,65 1,57 1,68 1,54 1,71 1,51 1,74 1,49 1,77
80 1,61 1,66 1,59 1,69 1,56 1,72 1,53 1,74 1,51 1,77
85 1,62 1,67 1,60 1,70 1,57 1,72 1,55 1,75 1,52 1,77
90 1,63 1,68 1,61 1,70 1,59 1,73 1,57 1,75 1,54 1,78
95 1,64 1,69 1,62 1,71 1,60 1,73 1,58 1,75 1,56 1,78
100 1,65 1,69 1,63 1,72 1,61 1,74 1,59 1,76 1,57 1,78
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
III-1.2 Auto-rgression multiple optimale
La seconde approche, suggre par Kendall
1
, est lutilisation de la rgression
multiple avec slection automatique de variables exognes parmi un ensemble de
k variables, qui ne sont autres que les variables , j variant de 1 k. On peut
alors utiliser des programmes de stepwise, mais ceux-ci, on le sait, ne garantissent
pas la solution optimale, laquelle passe par lutilisation dun programme de
rgression optimale
2
. Signalons que le test de Durbin-Watson nest alors plus
utilisable, les variables exognes tant alatoires. Lapplication de cette mthode
dans notre exemple numrique donne les solutions optimales suivantes (on a port
en dessous des coefcients de rgression le quotient du coefcient par son cart-
type).
1 variable exogne:
2 variales exognes:
3 variables exognes:
1. Note de la page prcdente. Cette chronique tant une chronique relle dune grande entreprise, observe il y a
quelques annes.
TABLEAU 336
Prvisions obtenues par rgression saisonnire
J
a
n
v
i
e
r
F
v
r
i
e
r
M
a
r
s
A
v
r
i
l
M
a
i
J
u
i
n
J
u
l
l
e
t
A
o
t
S
e
p
t
e
m
O
c
t
o
b
r
e
N
o
v
e
m
b
r
e
D
c
e
m
b
r
e
Observations x
t
654 632 705 756 724 773 647 422 727 728 704 639
M
o
d
l
e
s
a
d
d
i
t
i
f 741,2 699,5 759,9 723,8 715,4 717,1 661,5 456,2 696,1 749,7 706,4 729,8
x
t

87,2 67,5 54,9 32,2 8,6 55,9 14,5 34,2 30,9 21,7 2,4 90,8
m
u
l
t
p
l
i
-
c
a
t
i
f
733,0 693,1 751,0 716,7 706,9 708,7 655,2 453,4 689,6 741,4 698,8 724,1
x
t

79,0 61,1 46,0 39,3 17,1 64,3 8,2 31,4 37,4 13,4 5,2 85,1
1. Voir Kendall (1973, [260]) chapitre XI.
2. Celui que lon a utilis est bas sur lalgorithme de Kendall, Beale et Mann (1967, [262]). Sur les diffrentes
techniques de slection dune rgression de k variables prises parmi n variables, voir en particulier le
chapitre XII de Seber (1976, [378]).
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t
x
t
x
t
x
t j
x
t
0 700 , x
t 24
208 25 , + =

2
0 349 , = ( )
5 71 , ( )
x
t
0 40618 , x
t 1
0 62406 , x
t 24
23 80 , + =

2
0 504 , = ( )
4 37 , ( )
5 76 , ( )
x
t
0 74426 , x
t 1
0 68112 , x
t 12
0 66516 x
t 13
168 75 , + , + =
2
0 642 , = ( )
8 73 , ( ) 7 22 , ( ) 6 64 , ( )
x
t
0 65865 , x
t 1
0 47169 , x
t 12
0 56757 x
t 13
0 30669 x
t 24
, + , + =
2
0 676 , = ( )
7 52 , ( ) 3 91 , ( ) 5 54 , ( )
+ 93,68
2 61 , ( )
Cette dernire rgression a une estimation du coefcient de dtermination en
lgre amlioration par rapport la rgression prcdente, mais elle prsente un
coefcient douteux (celui de ) et est dinterprtation moins facile que la
rgression 4 variables exognes, o la saisonnalit est prise en compte explicite-
ment par les variables de dcalage 12 et 24, et la tendance, par la variable t et la
variable de dcalage 13. On peut ajouter en outre que cette rgression est nette-
ment meilleure que celle obtenue en rgression multiple saisonnire ( III-1.1.2)
o lestimation du coefcient de dtermination nest que de 0,481. On trouvera
la gure 255, les rsultats de cette rgression optimale 4 variables exognes. Il
faut cependant noter que les prvisions obtenues par ce modle pour les 6 premiers
mois de 2001 (674, 736, 703, 781, 793 et 829) sont trop optimistes par rapport aux
ralisations (654, 632, 705, 756, 724 et 773), tandis que lutilisation de la
rgression multiple optimale 3 variables exognes fournit au contraire une sous-
estimation systmatique. Les performances prvisionnelles de cette technique,
pour notre exemple, sont donc mdiocres.
III-2 Les approches de Box et Jenkins
Les approches de Box et Jenkins consistent liminer dans une chronique
les uctuations qui ne sont pas dues des perturbations alatoires du type bruit
blanc
1
.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
0 66523 , x
t 1
0 11131 , x
t 9
0 51050 x
t 12
0 57972 x
t 13
, , + =
2
0 680 , = ( )
7 63 , ( )
1 32 , ( )
4 14 , ( ) 5 68 , ( )
0 27134 , x
t 24
175 18 , +
2 26 , ( )
+
x
t 9
FIGURE 255
Prvisions du modle autorgressif
300
400
500
600
700
800
900
1000
modle autorgressif Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0

1084


On supposera tout dabord que la srie tudie est exempte de mouvements
tendanciels et saisonniers. Dans un second temps, on verra comment se ramener
au cas prcdent laide du ltre diffrence (introduit au II-4, page 1062),
lorsquil y a tendance et saisonnalit.

III-2.1 Traitement de chroniques non tendancielles
et non saisonnires

Le trend est une fonction explicite de

t

, et la saisonnalit est une fonction dune
(ou plusieurs) priodicit(s) temporelle(s), ventuellement sujette(s) elle(s)
mme(s) une volution temporelle. Lorsque les mouvements tendanciels ou
saisonniers dune chronique nexistent pas, ou ont t correctement limins, on
ne peut plus chercher dans la variable temps proprement dite une explication
de lvolution de . Cest dans les valeurs prises par la chronique quil faut cher-
cher lexplication (ou au moins une partie de lexplication) de son volution.
Cette recherche seffectue en faisant appel des modles de rfrence que lon
prsentera succinctement, renvoyant le lecteur la littrature spcialise pour
toutes les dmonstrations des proprits avances, avant den illustrer lutilisation
sur la chronique rsiduelle de la srie des ventes du rayon de journaux du Casi-
mouth dAlphaville, obtenue par lutilisation de la mthode des moindrescarrs
(cf. III-1.1, page 1071), pour le schma saisonnier additif.

III-2.1.1 Les modles de rfrence

Ces modles de rfrence appartiennent la classe des processus stationnaires
(dnis au I-2.3.3, page 994). Fondamentalement ces modles de rfrence font
dpendre la valeur dune combinaison linaire dobservations passes ( )
et lon parle alors de processus auto-rgressif, ou dune combinaison dcarts
rsiduels passs ( ), et lon parle alors de processus en moyenne mobile, ou de
processus mixte fonction la fois des observations passes et des carts rsiduels
passs.
La reconnaissance du processus seffectue principalement en comparant les
coefcients dautocorrlation dordre

j

de la chronique ou les coefcients
dautocorrlation partiels des valeurs thoriques correspondantes de ces diff-
rents processus dont lvolution, en fonction du dcalage

j

, est caractristique et
en facilite lidentication. Ceci explique limportance accorde dans la prsenta-
tion de ces modles de rfrence ltude des coefcients dautocorrlation
(introduits au I-3.1.1, page 999) et des coefcients dautocorrlation partiels
(que lon dnira au III-2.1.11c, page 1088)

1

.

1.

Note de la page prcdente.

Voir tout dabord Chateld (1996; [91]) chapitres III VI pour une premire prise
de contact. Le dernier ouvrage de Chateld (2001, [92]) prsente une bonne synthse intelligible des avances
rcentes dans les techniques de prvision. Louvrage de Johnson et Montgomery (1976, [246]), ou celui de
Nelson (1973, [315]) fournissent une prsentation plus complte de la mthode. Louvrage dAnderson (1976,
[15]) est un condens des principaux rsultats de louvrage de base de Box et Jenkins (1970, [65]) et peut donc
constituer une introduction la mthode. La dernire dition de louvrage de Makridakis et

al

. (1998, [291]) a
une bonne introduction de ces approches dans les chapitres VII et VIII; il comporte en outre une analyse des
logiciels de prvision disponibles. Le livre de Box et Jenkins (1970, [65]) est celui dans lequel le lecteur a intrt
se plonger aprs une bonne sensibilisation cette problmatique (ventuellement fournie par ces quelques
pages!), celui crit avec Reinsel en 1994, [66], est assez voisin mais inclut quelques rsultats nouveaux.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t
x
t i
t i


1085

III-2.1.1.1 Processus auto-rgressif

III-2.1.11a)Dnition

On nexaminera en dtail que le processus auto-rgressif dordre 1, que lon
appelle ainsi parce quil fait dpendre dune seule autre valeur prcdente
de la chronique passe; les rsultats analytiques relatifs aux autres processus
autorgressifs seront donns dans le tableau de synthse 339, page 1094. Ce
processus, connu encore sous le nom de

processus de Markov

, se dnit comme:

[AR(1)]

relation 444

Autrement dit, la valeur de dpend de trois termes: une constante

, un terme
rsiduel de type bruit blanc (ce qui implique que son esprance mathmatique
soit nulle et que sa variance soit constante) et la valeur observe la priode
prcdente .
Dune faon gnrale, le

processus auto-rgressif dordre p

, not symboli-
quement AR(p), se dnit comme:
[AR(p)] relation 445
ou encore en utilisant loprateur B
j
introduit au II-4, page 1062 ( ) :
relation 446
ou, en posant :
relation 447
Le processus auto-rgressif dordre 2 est connu encore sous le nom de
processus de Yule. Les principaux rsultats le concernant seront mentionns dans
le tableau de synthse 339 de la page 1094.
Les rgles classiques
1
de calcul de lesprance mathmatique et de la variance
dune somme de variables alatoires permettent de calculer lesprance mathma-
tique et la variance de
=
=
do, pour une chronique de n termes:
1. Ajoutons quun appel complmentaire au spectre de la srie peut tre fait (cf. Box et Jenkins, 1970, [65])
chapitre III). En effet son comportement est trs caractristique lorsque la srie correspond lun des modles
simples de rfrence. Ce moyen didentication complmentaire ne sera cependant pas prsent ici, pour viter
davoir introduire la problmatique de lanalyse spectrale, pour des raisons dj invoques.
1. Voir par exemple Giard (1995, [182]), chapitre II, I.3.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t 1
x
t

t

1
x
t 1
+ + =
x
t
2
x
t 1
x
t

t

i
x
t i
i 1 =
p
+ + =
B
j
x
t
x
t j
=
x
t

t

i
B
i
x
t
i 1 =
p
+ + =
0
1 =
i
B
i
x
t
i 1 =
p

t
+ =
x
t
E x
t
( ) E ( ) E
t
( )
1
E x
t 1
( ) + +
1
E x
t 1
( ) + = =

1

1
E x
t 2
( ) + } +
1

1
2

1
E x
t 3
( ) + } + + =

1

1
2

1
3
+ + + +
1
i

1
n
E x
t n
( ) +
i 0 =
n 1
=
relation 448
et pour une chronique innie (ou en approximation pour n sufsamment grand),
condition que soit infrieur 1 (faute de quoi le processus ne pourrait tre
stationnaire, lesprance mathmatique tendant alors vers linni, au lieu de
converger vers une valeur nie):
relation 449
Par ailleurs:
=
=
do pour une chronique de n termes
relation 450
et pour une chronique innie, ou en approximation pour n sufsamment grand:
relation 451
Il sensuit que lon pourra estimer et dans lchantillon dune chronique
de n observations tires dune population mre caractrise par un mme
processus auto-rgressif dordre 1 respectivement par:
et relation 452
III-2.1.11b)Fonction dautocorrlation
La fonction dautocorrlation nest autre que la fonction mathmatique
(lorsquelle existe) dnissant le corrlogramme, cest--dire permettant de
calculer le coefcient dautocorrlation dordre j pour un dcalage donn de j
priodes.
On montre
1
que dans le cas dun processus auto-rgressif dordre 1 on a:
, , , , relation 453
ce qui indique que la corrlation entre observations dcrot exponentiellement, en
valeur absolue, avec le nombre de priodes les sparant. On trouvera dans le
tableau 337, page 1093, quelques corrlogrammes caractristiques correspondant
des donnes numriques dcrites au tableau 338 de la page 1094.
On montre
2
que les processus autorgressifs ont des fonctions dautocorrlation
qui sont toujours monotones dcroissantes, avec la possibilit davoir des mouve-
1. Voir Kendall (1976, [260]), p. 71 ou Chateld (6) p. 99.
2. Voir Box et Jenkins (1970, [65]) p. 55.
E x
t
( )
1
1
n
1
1
-------------
1
n
E x
t n
( ) +
| |

| |
=
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1
E x
t
( )

1
1
-------------
V x
t
( ) V ( ) V
t
( )
1
2
V x
t 1
( ) + +
2

1
2
V x
t 1
( ) + = = =
2

1
2

2

1
2
V x
t 2
( ) + } + =
2

1
2
2

1
2
( )
2
2

1
2
( )
3
2

1
2i
i 0 =
n
+ + + +
V x
t
( )
2
1
1
2n
1
1
2
---------------- =
V x
t
( )

2
1
1
2
------------- =
x 1
1
( ) =
2
V x ( ) 1
1
2
( ) =
1

1
=
2

1
2
=
3

1
3
=
n

1
n
=
ments sinusodaux samortissant progressivement (voir corrlogrammes du
tableau 337, page 1093).
Lgalit entre le coefcient dautocorrlation dordre 1 ( ) et le paramtre
fait que lon retient comme estimation de partir des observations de lchan-
tillon constitu par une chronique observe, le coefcient dautocorrlation
dordre 1 observ . Cette galit implique que < 1 (tout comme ) et lon
parle de condition de stationnarit pesant sur .
relation 454
En ralit, lestimation fournie par lchantillon est biaise. On montre
1
que:
e t , pour j > 1
relation 455
toutefois cest cette valeur que lon rentre comme valeur dinitialisation dans
les programmes Box et Jenkins car le biais nest que de lordre de 1/n. Notons
quil existe
2
une mthode pour faire passer ce biais de lordre de 1/n lordre de
1/n
2
, et qui en dnitive est la plus simple employer.
On a vu relation 391 de la page 1004 que la variance de la distribution
dchantillonnage dun coefcient dautocorrlation dpend de tous les coef-
cients dautocorrlation , et que la formulation approche que lon utilise en
gnral est (en supposant que et les coefcients dautocorrlation dordre sup-
r i eur s oi ent f ai bl es ) cel l e de l a r el at i on 392 de l a page 1004
( , approximation de la formule de Barlett), ce qui donne
pour le processus autorgressif dordre 1, o = :
relation 456
Par exemple pour = 0,3, la variance de la distribution dchantillonnage dun
coefcient dautocorrlation dordre j quelconque est pour n = 84:
, do un cart-type de 0,119. On peut noter que,
dans lapproximation qui est faite, cette variance est dautant plus sous-estime
que lordre du coefcient dautocorrlation est faible, mais cette distorsion est
ngligeable
3
(pour le coefcient dautocorrlation dordre 2 par exemple, le calcul
complet conduit une variance de 0,0153, et donc un cart type de 0,124).
1. Voir Kendall (1976, [260]) , p. 93.
2. Cest la mthode de Quenouille (voir Kendall (1976, [260]) p. 93), prsente page 1001.
3. Lapplication de la formule de Barlett (relation 391 de la page 1004) donne en effet : ,
la sous-estimation tant donc pour la variance de la distribution dchantillonnage des coefcients dautocorr-
lation dordre j:
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1

1
1
r
1

1

1
r
1
=
E r
1
n
( )
1
1 3
1
+
n 1
----------------- = E r
j
n
( )
i
j
1
n j
----------
1
1
+
1
1
-------------- 1
i
j
( ) 2
i
j
+
| |

| |
=
r
j
n
j
V r
j
n
( )
1
n
--- 1 2
1
2
i 1 =
+
\ !
( \
i

1
i
V r
j
n
( )
1
n
---
1
1
2
+
1
1
2
--------------
\ !
( \
1
V r
j
n
( )
1
84
------
1 0,3
2
+
1 0,3
2
------------------
\ !
( \
0,0143 =
V r
j
n
( )
1 2
1
j
3
1
2 j
+
n
----------------------------------
2i

+
=
2
1
j
3
1
2 j
n
-------------------------
1
1
2
+
1
1
2
--------------
III-2.1.11c)Fonction dautocorrlation partielle
On peut tendre lide dautocorrlation qui mesure la corrlation de termes de
la srie spars par un mme nombre de termes, celle de corrlation o la
dpendance qui porte sur les termes intermdiaires a t retire. Dans le processus
autorgressif dordre 1 par exemple, le terme est corrl au terme , le coef-
cient dautocorrlation dordre 2 slevant (cf. relation 453, page 1086).
Mais dpend galement de , et lon peut se poser la question de savoir si
est corrl seulement en vertu du fait que et sont tous deux
corrls .
Linstrument de mesure de cette liaison en cas dindpendance est le coefcient
de corrlation partiel qui mesure la liaison entre la variable 1 et la variable
3, abstraction faite de la liaison entre 1 et 2 et entre 3 et 2, partir des coefcients
de corrlation entre les variables i et j, i et j variant de 1 3. Dune manire
gnrale, ce coefcient se dnit comme:
coefficient de corrlation partielle relation 457
La transposition au cas de sries temporelles de ce concept est aise, puisque
seul importe alors le dcalage ( tant alors gal ). On notera alors le
coefcient de corrlation partiel de dcalage 2, lequel est de toute vidence gal :
relation 458
Par dnition est gal . Pour le calcul des coefcients dautocorrlation
partiels dordre suprieur 2, il faut alors passer
1
par un quotient de dterminants
de matrices de coefcients de corrlation, mais la nalit du coefcient dautocor-
rlation partiel est alors la mme.
Lapplication de cette formule au processus auto-rgressif dordre 1 donne:
et pour relations 459
Un processus auto-rgressif dordre 1 a donc ses coefcients dautocorrlation
partiels dordre suprieur 1, tous gaux zro. On montre
2
dune faon gnrale
que les coefcients dautocorrlation partiels dordre suprieur p dans un
processus auto-rgressif dordre p sont tous nuls. Cette proprit facilite lidenti-
cation de lordre dun processus auto-rgressif, car on a vu que les fonctions
dautocorrlation sont toutes monotones dcroissantes (en valeur absolue) avec ou
sans mouvements sinusodaux, ce qui fait que lon ne peut tre assur, au vu du
seul corrlogramme dun processus auto-rgressif, den avoir dtect lordre
correct. Mais, l encore, les problmes classiques de distribution dchantillon-
nage se posent, et lon nobservera quexceptionnellement des coefcients dauto-
corrlation partiels nuls. On montre
3
que le coefcient dautocorrlation partiel
observable suit approximativement la loi Normale N (0, ): on dcidera
tort dans 5% seulement des cas que le coefcient dautocorrlation partiel nest
1. Voir Box et Jenkins (1970, [65]), p. 64-65.
2. Voir Box et Jenkins (1970, [65]), p. 65.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
x
t 2
1
2
x
t
x
t 1
x
t
x
t 2
x
t
x
t 2
x
t 1
13.2
ij
13.2

13

12
32
1
12
2
( ) 1
32
2
( )
--------------------------------------------- =
12

32

2
2

2

1
2
+
1
1
2
---------------- =
1

1
1

1
=
j
0 = j 2
j
n
n
pas signicativement diffrent de zro si la valeur observe dans lchantillon est
comprise entre 2 et + 2 .
III-2.1.1.2 Processus en moyenne mobile
III-2.1.12a)Dnition
Un processus en moyenne mobile dordre q, que lon note
1
MA(q), fait
dpendre de lala de type bruit blanc de la priode t, dune constante , et
dune combinaison linaire des q derniers alas:
, avec [MA(q)] relation 460
Le processus en moyenne mobile est fort utile en conomie: certaines gran-
deurs sont affectes par de multiples vnements alatoires comme des grves,
dcisions gouvernementales, uctuations boursires, etc., chacun de ces vne-
ments pouvant avoir des rpercussions sur plusieurs priodes. Nous ntudierons
en dtail ici que le processus en moyenne mobile dordre 1:
[MA(1)] relation 461
Le calcul de lesprance mathmatique et de la variance de est plus simple
que dans le cas auto-rgressif:
et relations 462
Il existe une relation entre le processus auto-rgressif dordre 1 et la moyenne
mobile. En effet, si on dveloppe le processus auto-rgressif dordre 1, en fonction
des donnes des priodes antrieures, on a:
=
=
=
Le processus auto-rgressif dordre 1 est donc quivalent un processus en
moyenne mobile inni tel que: , et . Cette dualit entre un
processus auto-rgressif et un processus en moyenne mobile est gnrale: on
montre
2
, sous des conditions (dites dinvertibilit) restreignant le domaine des
valeurs possibles prises par les paramtres , quun processus en moyenne
mobile dordre q est quivalent un processus autorgressif dordre inni, et
quun processus autorgressif dordre p est quivalent un processus en moyenne
1. M.A. pour moving average, cest--dire moyenne mobile.
2. Voir Box et Jenkins (1970, [65]), p. 67-68. On trouvera galement un clairage intressant de lincidence de
linvertibilit sur la possibilit de dnir un processus en moyenne mobile partir de sa seule fonction dauto-
corrlation, ce qui ne serait pas le cas sans ces restrictions.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
n n
x
t

t
x
t

t

i
t i
i 1 =
q
+ +
i
B
i
t
i 0 =
q
+ = =
0
1 =
x
t

t

1
t 1
+ + =
x
t
E x
t
( ) E
t

1
t 1
+ + ( ) E ( ) E
t
( )
1
E
t 1
( ) + + = = =
V x
t
( ) V
t

1
t 1
+ + ( ) V
t
( )
1
2
V
t 1
( ) + 1
1
2
+ ( )
2
= = =
E x
t
( ) = V x
t
( ) 1
1
2
+ ( )
2
=
x
t

t

1

t 1

1
x
t 2
+ + ( ) + + =

t

1

1
t 1

1
2

t 2

1
x
t 3
+ + ( ) + + + +
1
1

1
2
+ + ( )
t

1
t 1

1
2
t 2

1
3
x
t 3
+ + + + =

1
i
0

1
i
t 1
i 0 =
+

1
1
-------------
1
i
t 1
i 0 =
+ =
1
1
( ) =
i

1
i
=
i
mobile dordre inni. Ceci laisse, dans un certain nombre de cas de gures rencon-
trs en pratique, la possibilit dutiliser le processus ncessitant le minimum de
paramtres estimer.
III-2.1.12b)Fonction dautocorrlation.
On montre
1
que, dans le cas dun processus en moyenne mobile dordre 1, le
coefcient dautocorrlation dordre 1 est :
relation 463
et que les coefcients dautocorrlation dordre suprieur 1 sont tous nuls, cest-
-dire que le processus MA(1) a une mmoire se limitant une seule priode.
Un test de la nullit de ces coefcients dautocorrlation peut se faire en utilisant
la relation 392 de la page 1004 ( ), mais il y a
intrt complter ce diagnostic par intervalle de conance, par ltude des coef-
cients dautocorrlation partiels.
Les problmes destimation sont plus difciles rsoudre dans le cas de
processus en moyenne mobile que dans le cas de processus autorgressif, parce
quil nexiste pas destimateur efcace (au sens des moindres carrs) sous une
forme explicite
2
. La recherche de la solution seffectue informatiquement laide
dalgorithmes itratifs qui convergent vers la solution optimale condition que
des valeurs initiales correctement choisies aient t pralablement donnes. Dans
le cas dun processus de type MA(1), on utilise comme valeur initiale celle qui
dcoule de la formulation du coefcient dautocorrlation dordre 1, bien que
lestimateur quelle fournit soit biais
3
:
, tel que relation 464
Par exemple pour r
1

= 0,3, on trouve = 1,667 1,337 = 0,333 ou 3; il
convient donc de retenir 0,333 pour respecter la contrainte obligeant tre
infrieur en valeur absolue 1 (et qui correspond aux conditions dinvertibilit
signales ci-dessus).
III-2.1.12c)Fonction dautocorrlation partielle
On montre
4
que:
2. Voir Chateld (1996, [91]) p. 70, voir galement Nelson (1973, [315]) p. 32 et sq., qui est plus complet sur ce
point.
3. On fournit donc au programme la valeur et celui-ci recherche par ttonnement la valeur optimale a en
fonction dun critre minimiser.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1

1
1
1
2
+
-------------- =
V
j
n
( )
1
n
--- 1 2
1
2
+ ( )
1
n
--- 1 2r
1
2
+ ( ) = =
1
*
1
*

1
critre
1
*

1
r
1

1
*
1
1
2
+ ( )
1
*
1 1 4r
1
2
-
2r
1
---------------------------- = =
1
*
1 <
1
; ;
relations 465
ce qui implique que la fonction dautocorrlation partielle est ngative, monotone
et dcroissante si est ngatif, et connat des mouvements sinusodaux samor-
tissant lorsque j crot si est positif. Elle nest donc pas tronque, contrairement
la fonction dautocorrlation. Lexamen simultan du corrlogramme et du
corrlogramme partiel permet, l encore, de dceler si lon a ou non affaire un
processus en moyenne mobile. On notera en particulier le comportement
symtrique des processus autorgressif et en moyenne mobile, en ce qui
concerne le corrlogramme et le corrlogramme partiel.
III-2.1.1.3 Les processus mixtes
III-2.1.13a)Dnition
Les processus mixtes sont des combinaisons de processus autorgressifs AR(p)
dordre p et de processus en moyenne mobile MA(q) dordre q; ils sont habituel-
lement nots sous le sigle ARMA(p, q) et se dnissent comme:
[ARMA(p, q)] relation 466
que lon note encore:
relation 467
ou encore, en utilisant la puissance zro et en posant :
, do la formulation:
relation 468
On ne sintressera ici quau processus ARMA(1,1):
relation 469
On montre que comme doivent tre infrieurs, en valeur absolue, 1 pour
que le processus soit viable
1
, tout comme ctait le cas pour les processus
MA(1), et AR(1) et que par ailleurs:
; relations 470
Les estimations initiales , et sont donnes au tableau 339 (page 1094).
1. Cest--dire pour tre rigoureux: stationnaire et invertible; voir Anderson (1976, [15]), p. 44.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1

1

1
1
1
2
+
-------------- = =
2

2

1
2
1
1
2
----------------

1
2
1
4

1
2
1 + +
------------------------- = =
j
1 ( )
j 1

1
j
1
1
2
( )
1
1
2 j 1 + ( )
------------------------------------------ =
1
x
t

t

i
t i

i
x
t i
i 1 =
p
+
i 1 =
q
+ + =
x
t

i
x
t i
i 1 =
p

t

i
t i
i 1 =
q
+ + =
0

0
1 = =
i
x
t i
i 0 =
p

t

i
t i
i 0 =
q
+ + =
i
B
i
x
t
i 0 =
p

i
B
i
t
i 0 =
q
+ =
x
t

t

1
t 1

1
x
t 1
+ + + =
1

1
E x
t
( )

1
1
------------- = V x
t
( )
1
2
2
1
1
1 + +
1
1
2
--------------------------------- =
1
*

1
*
III-2.1.13b)Fonctions dautocorrlation et dautocorrlation partielle
La fonction dautocorrlation dun processus ARMA(1,1) tend exponentielle-
ment vers 0 avec le dcalage j (avec une alternance de signe si < 0), puisque
1
:
et pour j > 1 relations 471
La fonction dautocorrlation partielle tend elle aussi continuellement vers zro
lorsque j crot, avec ou sans alternance. Il ny a donc pas, comme dans les
processus purs autorgressifs ou en moyenne mobile, lune des deux fonctions qui
est tronque au-del de lordre du processus. Ceci permet galement daider
lidentication du processus. La fonction dautocorrlation partielle dcrot avec
ventuellement une alternance de signe, comme on peut le constater sur le
graphique thorique du tableau 337, page 1093.
III-2.1.14 Rsum des principales caractristiques des modles stationnaires
les plus usuels
Le tableau 337 de la page 1093 rsume les principales caractristiques des
modles autorgressifs dordre 1 et 2, des modles en moyenne mobile dordre 1
et 2, et du modle mixte ARMA(1,1). Dans la rubrique intervalle de conance
des paramtres et prvisions sont portes les variances de la distribution dchan-
tillonnage du paramtre tudi, ou de la prvision effectue par le modle (voir
infra), et que lon utilise en formulant la trs classique hypothse de la normalit
des alas . Le tableau 337 est consacr une reprsentation graphique des corr-
logrammes de ces mmes modles, pour diverses combinaisons de valeurs des
paramtres de ces modles (les donnes correspondantes gurent au tableau 338
de la page 1094). On ne doit toutefois pas oublier que les corrlogrammes
observs peuvent scarter sensiblement des corrlogrammes thoriques pour des
raisons lies aux uctuations dchantillonnage.
III-2.1.2 Prvision
Lutilisation de ces modles stationnaires en mode prvisionnel seffectue sans
difcult. La valeur prvisionnelle attribue lala inconnu , la date t + k,
dune prvision effectue la date t, ne peut gure tre que son esprance math-
matique E ( ) laquelle, on la dj vue, est nulle. On sappuiera ici sur des
exemples existants qui seront introduits dans le paragraphe suivant ou sur des
exemples invents de toutes pices. Il ne sagit ici que dillustrer un mcanisme de
calcul.
- AR(1): , ,
Exemple dapplication : , do:
,
,
, etc.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1
1
1

1
+ ( )
1

1
+ ( )
1
1
2
2
1

1
+ +
------------------------------------------------ =
j

1

1
j 1
=
t k +
t k +
x
t 1 +

1
x
t
+ = x
t 2 +

1
x
t 1 +
+ = x
t k +

1
x
t k 1 +
+ =
x
t
0 0,752x
t 1

t
+ + =
x
84
58,56 =
x
85
0,752 58,56 44,04 = =
x
86
0,752 44,04 33,12 = =
- AR(2): ;
;
;... ;
;
Exemple dapplication: , avec x
10
= 12 et x
9
= 13:
= 2 + 1,8

x

12 0,8

x

13 = 13,20; = 2 + 1,8

x

13,2 0,8

x

12 =
16,16, etc.
- MA(1): , , pour k > 1;
TABLEAU 337
Exemples de corrlogrammes thoriques des processus stationnaires les plus
utiliss
Processus en moyenne mobile dordre q: MA(q)

MA(1): MA(2):
Processus autorgrssif dordre p: AR(p)
AR(1): AR(2):
Processus mixte en moyenne mobile dordre q = 1 et autorgressif dordre p = 1 ARMA(1,1)
. Lattention du lecteur est attire sur le fait que les fonctions dautocorrlation empiriquement observes sur un
chantillon diffrent de ces fonctions dautocorrlation thoriques pour des raisons que lon rencontre classique-
ment dans la thorie de la distribution dchantillonnage.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t

t

1
t 1
+ + = x
t

t

1
t 1

2
t 2
+ + + =
1
0 <
1
0 >

1
0 <
1
0 >
2
0 <
2
0 >
2
0 <
2
0 >
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
x
t

t

1
x
t 1
+ + = x
t

t

1
x
t 1

2
x
t 2
+ + + =
1
0 >
1
0 <

1
0 >
1
0 <
2
0 >
2
0 <
2
0 >
2
0 <
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
x
t

t

1
t 1

1
x
t 1
+ + + =
1

1
0 > >
1

1
0 > >
1
0
1
> >
1
0
1
> > 0
1

1
> > 0
1

1
> >
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
0 2 4 6 8 10
1,0
0,0
1,0
x
t 1 +

1
x
t

2
x
t 1
+ + =
x
t 2 +

1
x
t 1 +

2
x
t
+ + =
x
t 3 +

1
x
t 2 +

2
x
t 1 +
+ + =
x
t k +

1
x
t k 1 +

2
x
t k 2 +
+ + =
x
t
2 1,8x
t 1
0,8x
t 2
+ =
x
11
x
12
x
t 1 +

1
t
+ = x
t 2 +
= x
t k +
=
TABLEAU 338
Exemples numriques de corrlogramme thoriques de processus AR(p), MA(q)
et ARMA(1,1)
k
AR(1) AR(2) MA(1) MA(2) ARMA(1,1)

=

0
,
8

=

0
,
8

=

0
,
8

=

0
,
1

=

0
,
8

=

0
,
1

=

0
,
8

=

0
,
1

=

0
,
8

=

0
,
1

=

0
,
8

=

0
,
8

=

0
,
7

=

0
,
1

=

0
,
7

=

0
,
3

=

0
,
7

=

0
,
1

=

0
,
7

=

0
,
5

=

0
,
9

=

0
,
3

=

0
,
3

=

0
,
9

=

0
,
9

=

0
,
3

=

0
,
9

=

0
,
3

=

0
,
7

=

0
,
9

=

0
,
9

=

0
,
7
1 0,49 0,49 0,44 0,53 0,44 0,53 0,80 0,80 0,78 0,54 0,78 0,47 0,80 0,34 0,93 0,93 0,13 0,32
2 0,00 0,00 0,06 0,06 0,06 0,06 0,64 0,64 0,64 0,08 0,64 0,17 0,72 0,10 0,84 0,84 0,09 0,29
3 0,00 0,00 0,00 0,00 0,00 0,00 0,41 0,41 0,53 0,11 0,53 0,35 0,58 0,01 0,68 0,68 0,05 0,23
4 0,00 0,00 0,00 0,00 0,00 0,00 0,17 0,17 0,43 0,10 0,43 0,16 0,42 0,00 0,50 0,50 0,02 0,17
5 0,00 0,00 0,00 0,00 0,00 0,00 0,03 0,03 0,36 0,04 0,36 0,06 0,28 0,00 0,33 0,33 0,00 0,11
6 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,29 0,00 0,29 0,13 0,16 0,00 0,19 0,19 0,00 0,07
7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,24 0,01 0,24 0,06 0,09 0,00 0,10 0,10 0,00 0,04
8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,20 0,01 0,20 0,02 0,04 0,00 0,05 0,05 0,00 0,02
9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,16 0,00 0,16 0,04 0,02 0,00 0,02 0,02 0,00 0,01
10 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,13 0,00 0,13 0,02 0,01 0,00 0,01 0,01 0,00 0,00
TABLEAU 339
Caractristiques des principaux processus stationnaires
Processus
Moyenne mobile: MA(q)
Autorgressif: AR(p)
Mixte: ARMA(p, q)
+
Dnition
(processus de
Markov)
(processus de Yule)
R
e
s
t
r
i
c
t
i
o
n
s
u
r

l
e
s
p
a
r
a
m
t
r
e
s
et et et
F
o
n
c
t
i
o
n

d
a
u
t
o
-
c
o
r
r
l
a
t
i
o
n
t
h
o
r
i
q
u
e
=
=
0
j > 2,
=
0 0
D
o
m
a
i
n
e
p
o
s
s
i
b
l
e
et
et
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1
x
t

t

i
t i
+ + =
x
t

t

i
x
t i
i 1 =
p
+ + =
x
t

t

i
t i
i 1 =
q
+ + =
i
x
t i
i 1 =
p
q 1 MA 1 ( ) = q 2 MA 2 ( ) = p 1 AR 1 ( ) = p 2 AR 2 ( ) = p 1, q=1 ARMA 1 1 , ( ) =
x
t
=

t

1

t 1
+ +
t

1
t 1

2
t 2
+ + +

t

1
x
t 1
+ +

t

1
x
t 1

2
x
t 2
+ + +

t

1
x
t 1

1
t 1
+ ( ) + +
1
1 <
2

1
- 1 <
2
1 <
1
1 <
2

1
- 1 <
2
1 <
1
1 <
1
1 <
E x
t
( ) =

1
1
-------------

1
1

2
------------------------

1
1
-------------
V x
t
( ) =
2
1
1
2
+ ( )
2
1
1
2

2
2
+ + ( )

2
1
1
2
( )
------------------

2
1

1
2
1
2
-------------
2

1
2
1
2
-------------
2
+
\ !
( \
--------------------------------------------------------------

2
1 2
1
1

1
2
+ +
1
1
2
----------------------------------
1

1
1
1
2
+
--------------

1

2
1 + ( )
1
1
2

2
2
+ +
-------------------------
1

1
1
2
-------------
1
1
1
+ ( )
1

1
+ ( )
1 2
1
1

1
2
+ +
---------------------------------------------
2

2
1
1
2

2
2
+ +
-------------------------
1
2

1
2
1
2
-------------
2
+
1
j

1
j

1
j 1

2
j 2
+
1
1
j 1
0 5
1
0 5 , < < ,
1 2
1
1 2 < <
0 5
2
0 5 , < < ,
1
1
1 < <
1
1
<
2
1 <
1
2

2
1 + ( ) 2 <
2
1
2

1

2

1
< <
Exemple dapplication: ; lapplication du modle
conduit au rsidu suivant pour la dernire priode; on en
ddui t : , ,
, etc.
- MA(2): ,
,
pour k > 2;
Exemple dapplication: ;
F
o
n
c
t
i
o
n

d
a
u
t
o
-
c
o
r
r
l
a
t
i
o
n
p
a
r
t
i
e
l
l
e

t
h
o
r
i
q
u
e
(formulation
complique)
(formulation
complique)
0
(formulation
complique)
j > 2,
=
(formulation
complique)
0 0
(formulation
complique)
E
s
t
i
m
a
t
i
o
n

i
n
i
t
i
a
l
e
s
avec
Voir abaque dans
Box et Jenkins
([57], p. 579)
,
tel que , avec
I
d
e
n
t
i
c
a
t
i
o
n
L (r
2
) - - - -
L (r
j
),
j > 2
- - -
L (
2
) - - - -
L (
j
)
j > 2
- - -
I
n
t
e
r
v
a
l
l
e

d
e

c
o
n
a
n
c
e

d
e
s
p
a
r
a
m
t
r
e
s

e
t

p
r
v
i
s
i
o
n
a
v
e
c
s
2

=

v
a
r
i
a
n
c
e

o
b
s
e
r
v
e
V(x
t + k
)
(**) (**)
formulation rcur-
rente (Box et Jenkins,
[57], chap II)
TABLEAU 339
Caractristiques des principaux processus stationnaires (Suite)
1
=

1
1
1
2
+
--------------
1
=
1

1
1
2
-------------
1
2
=

1
1
4

1
2
1 + +
-------------------------
2
j
1 ( )
j 1

1
j
1
1
2
( )
1
1
2 j 1 + ( )
-------------------------------------------
1
*
1 1 4r
1
2
-
2r
1
---------------------------- =
1
*
1 <
x =

x =
1
*
r
1
=
x 1 r
1
( ) =
1
*
r
1
1 r
2
( )
1 r
1
2
---------------------- =
1
*
r
2
r
1
2
1 r
1
2
--------------- =
x 1
1
*

2
*
( ) =
1
*
r
2
r
1
=
1
*
b b
2
4 -
2
-------------------------- =
1
*
1 <
b
1 2r
2
r
2
r
1
| |
2
+
r
1
r
2
r
1

----------------------------------------- =
x 1
1
( ) =
N 0
1 2r
1
2
+
n
---------------- ,
\ !
| |
( \
N 0
1 2r
1
2
+
n
---------------- ,
\ !
| |
( \
N 0
1 2 r
1
2
r
2
2
+ | | +
n
-------------------------------- ,
\ !
| |
( \
N 0
1
n
------- ,
\ !
( \
N 0
1
n
------- ,
\ !
( \
N 0
1
n
------- ,
\ !
( \
V
1
( )
1
1
2
n
-------------
V x ( )
s
2
1 2r
1
+ ( )
n
---------------------------
V
1
( )
1
2
2
n
-------------
V
2
( )
1
2
2
n
-------------
V x ( )
s
2
1 2r
1
2r
2
+ + ( )
n
----------------------------------------
V
1
( )
1
1
2
n
-------------
V x ( )
s
2
1 r
1
+ ( )
n 1 r
1
+ ( )
-----------------------
V
1
( )
1
2
2
n
-------------
V
2
( )
1
2
2
n
-------------
V x ( )
s
2
1 r
1
+ ( ) 1 2r
1
2
r
2
+ ( )
n 1 r
1
( ) 1 r
2
( )
----------------------------------------------
V
1
( )
1 (
1
2
) 1 +
1
1
( )
2
n
1

1
+ ( )
2
----------------------------------------------
V
1
( )
1 (
1
2
) 1 +
1
1
( )
2
n
1

1
+ ( )
2
----------------------------------------------
V x ( )
s
2
n
----- 1
2r
2
2
r
1
r
2
-------------- +
\ !
( \
=
2
1 (
1
2k
)
1 (
1
2
)
---------------------
2
1
1
1
( )
2
1
1
2 k 2
1
1
2
---------------
!
|
\
\
|
(
+
| |

| |
2
s
2
1
1
2
+
--------------
s
2
1
1
2

2
2
+ +
-------------------------- s
2
1 (
1
r
1
) s
2
1 (
1
r
1

2
r
2
)
s
2
1 (
1
2
)
1
1
2
2
1
+ +
----------------------------------
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
t
8,66
t
0,321
t 1
+ =
84
143,47 =
x
85
8,66 0,321 143,47 54,71 = = x
86
8,66 =
x
87
8,66 =
x
t 1 +

1

t

2
t 1
+ ( ) + =
x
t 2 +

2
t 1
+ =
x
t k +
=
x
t
5 1,3
t 1
1,5
t 2
+ =
; : = 5 + 1,3

x

2 1,5 ( 1) = 0,9 ;
= 5 1,5

x

2 = 8; = 5,
- ARMA(1,1): ,
,
, pour k > 2;
Exemple dapplication : x
t
= 0 + 0,903x
t 1
+ 0,334
t 1
avec
84
= 53,32 et
x
84
= 58,56 ; on en dduit = + 0,903 x 58,56 + 0,344

x

53,32 = 71,22;
= 0,903 x 71,22 = 64,31, etc.
III-2.1.3 Exemple dapplication
Reprenons la chronique des rsidus (considre comme la srie x
t
sur laquelle
on travaille maintenant) obtenue en appliquant la mthode des moindres carrs
(voir le tableau 331, page 1075, et le corrlogramme correspondant la page
1079) et dans laquelle les composantes tendancielles et saisonnires sont censes
tre correctement limines (ce qui nest pas vrai si le modle additif sous-jacent
ne correspond pas la ralit, ou si les rsidus ne sont pas du type bruit blanc).
Lexamen du corrlogramme de la page 1079 suggre un ajustement un
processus autorgressif dordre 1. Les estimations initiales fournir au
programme sont le coefcient empirique dautocorrlation dordre 1 (

= =
0,796) et la moyenne observe pour la srie, laquelle est nulle (puisquil sagit
dune chronique de rsidus obtenus par la mthode des moindres carrs). On
obtient alors
1
la relation suivante: ( ; cart
type rsiduel : 45,82), les rsidus de la gure 256 de la page 1097 et le corrlo-
gramme de ces rsidus de la gure 257, page 1096.
1. Comme pour le modle MA quil intgre, on estime par rtro-projection,
1
en mme temps que les param-
tres du modle (ici = 15,26).
10
2 =
10
2
9
1 = = x
11
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
x
12
x
13
x
t 1 +

1
t

1
x
t
+ + =
x
t 2 +

1
x
t 1 +
+ =
x
t k +

1
x
t k 1 +
+ =
x
85
x
86
1
*
r
1
x
t
0
t
0 75176x
t 1
, + + =
2
0 54 , =
1
FIGURE 257
Corrlogramme de la chronique des rsidus du modle AR(1) utilis sur la
chronique des rsidus de la rgression saisonnire (modle additif) du tableau
331 de la page 1075
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
Borne infrieure
Borne suprieure
Dcalage k
Lexamen de ce corrlogramme suggre la prsence complmentaire dun
processus en moyenne mobile, aussi essaye-t-on un processus ARMA(1,1) en
fournissant comme estimation initiale des paramtres (voir formules dans le
tableau 339 de la page 1094) : ; =
; = 0, 760/ 0796 = 0, 955 ; t el que
Le modle obtenu est lgrement meilleur que le prcdent (le coefcient de
dtermination passant de 0,54 0,58) et correspond lquation suivante: = 0
+ 0,34351 + 0,90268 ( ). les rsidus de ce modle sont
donns dans la gure 258; le corrlogramme correspondant est donn la gure
259, page 1098. Les prvisions pour les priodes 85 (janvier 2001) et 86
(fvrier 2001) sont celles fournies dans les exemples de la page 1096.
III-2.2 Traitement de chroniques tendancielles et saisonnires
Lorsque la composante alatoire, qui sajoute une chronique comportant un
trend et des mouvements saisonniers, est un processus stationnaire, on peut, dans
un grand nombre de cas, se ramener au problme prcdent (tudi au III-2.1.)
en faisant appel pralablement la technique du ltre diffrence (tudi au II-4,
page 1062). On a vu en effet que ce ltre permet dliminer un trend correctement
approxim par une quation polynomiale, et que les uctuations saisonnires
peuvent seffacer en faisant appel des ltres du type: ( ), dans le cas
de modles saisonniers additifs.
100
75
50
25
0
25
50
75
100
125
150
FIGURE 256
Rsidus du modle AR(1) utilis sur la chronique des rsidus de la rgression
saisonnire (modle additif) du tableau 331 de la page 1075
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
0 = b
1 2 0,760 ( ) 0,760 0,796 ( )
2
+
0,796 0,760 0,796
------------------------------------------------------------------------ =
2,466
1
*

1
*
2,466 2,466 ( )
2
4 -
2
-------------------------------------------------------- =
1
*
1
1
*
< 0,512 =
x
t
t 1
x
t 1

2
0 54 , =
1 B
12

Cette classe de modles est connue sous le nom de ARIMA, le I qui sintercale
entre AR(pour Auto-Regressive) et le MA(pour Moving Average) signie inte-
grated, cest--dire sommation (sous-entendu de processus ARMA). Les raisons
de cette appellation nous mneraient trop loin
1
, et nous nous contenterons ici de
considrer le modle ARIMA comme un modle ARMA appliqu une chronique
qui sobtient partir de la chronique initiale par diffrenciation, o lun des deux
processus (AR ou MA) peut ventuellement ne pas intervenir (lordre de ce
processus est alors nul).
1. Voir Box et Jenkins(1970, [65]), p. 89.
125
100
75
50
25
0
25
50
75
100
FIGURE 258
Rsidus du modle ARMA(1,1) utilis sur la chronique des rsidus de la
rgression saisonnire (modle additif) du tableau 331 de la page 1075
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
FIGURE 259
Corrlogramme des rsidus du modle ARMA(1,1) utilis sur la chronique des
rsidus de la rgression saisonnire (modle additif) du tableau 331 de la page
1075
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
Borne infrieure
Borne suprieure
Dcalage k
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e


1099

Reprenons par exemple la chronique du tableau 326 de la page 1064, qui est
obtenue en appliquant la chronique des ventes du rayon de ventes de journaux
du Casimouth dAlphaville, le ltre de diffrenciation ( )( ) ; lexamen
de son corrlogramme (gure 248, page 1065) suggre lapplication dun modle
en moyenne mobi l e dordre 1. La val eur i ni t i al e du paramt re
est : tel que , ce qui donne ; par
ailleurs la valeur initiale du paramtre,

est gale la moyenne observe :
. Le modle que lon obtient

1

alors est :
= 8,6591 + 0,32088 (

= 0,09, cart-type rsiduel = 67,5).
Lapplication de ce modle donne une chronique de rsidus retrace la gure
260, page 1100, et dont le corrlogramme est donn la gure 261, page 1100.
Les prvisions pour les priodes

t

> 84 seffectuent en utilisant les rsultats
trouvs pour le modle MA(1), en tenant compte de ce que

84

, qui correspond
la perturbation alatoire du mois de dcembre 2000 (lorigine des temps tant
janvier 1994), est gale 143,47: = 8,6591 0,32088

x

143,67 = 54,70;
= 8,6591, pour

t

> 85. Mais la prvision qui nous intresse est celle qui porte sur
la chronique initiale . Or, par dnition, on a: = ( ) et = .
On peut alors crire: = ( ) ( ), do:
= + +
= ( + + ) + +
= 8,6591 + 0,32088 + +
= + + = 54,70 + 739 + 674 751 = 607,30
= + + = 8,66 + 624 + 607,3 739 = 483,64, etc.
Trois remarques complmentaires doivent tre faites avant den terminer sur ce
point :
- Tout dabord, il faut se rappeler que lutilisation des ltres diffrences pour
stationnariser une chronique induit ncessairement des oscillations cycli-
ques non voulues sur la composante alatoire (cest leffet Slutzki-Yule,
tudi au II-5.1, page 1065).
- Ensuite, Box et Jenkins

2

ont mis au point des techniques plus afnes pour
ces chroniques tendancielles et saisonnires, permettant en particulier la
prise en compte de modles saisonniers de type multiplicatif. Ces modles
requirent une assez grande exprience pour tre mis en uvre efcacement,
et leur prsentation dpasse nettement le propos introductif que nous nous
sommes assigns ici
- On peut remarquer enn que lcart-type rsiduel est du mme ordre de gran-
deur que celui obtenu dans lestimation simultane du trend et des compo-

1. Comme pour le modle MA quil intgre, on estime par rtro-projection, en mme temps que les param-
2. Box et Jenkins (1970, [65]), chapitre IX.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
z
t
1 B 1 B
12
1
*
1 1 4 0,39 ( )
2
-
2 0,39 ( )
-------------------------------------------- =
1
*
1 <
1
*
0,45 =
z
4,13 =
1
z
t

t

t 1

2
z
85
z
t
x
t
z
t
y
t
y
t 1
y
t
x
t
x
t 12
z
t
x
t
x
t 12
x
t 1
x
t 13
x
t
z
t
x
t 12
x
t 1
x
t 13
x
t

t

1
t 1
x
t 12
x
t 1
x
t 13
x
t

t

t 1
x
t 12
x
t 1
x
t 13
x
85
z
85
x
73
x
84
x
72
x
86
z
86
x
74
x
85
x
73
santes saisonnires par la mthode des moindres carrs, cart-type que lon a
pu ultrieurement sensiblement rduire en appliquant un modle AR(1) ou un
modle ARMA(1,1) cette chronique rsiduelle. Cette comparaison nest
cependant pas tout fait correcte: la mthode des moindres carrs peut avoir
pour effet dintgrer la composante saisonnire dune chronique, des uc-
tuations dorigine alatoire (comme lanalyse de lexemple numrique de la
page 996 le laisse pressentir), et donc de diminuer arbitrairement la variance
rsiduelle du modle des moindres carrs. Dun autre ct, rien ne garantit
que lapplication du ltre ( ) ( ) a correctement stationnaris la
200
150
100
50
0
50
100
150
200
FIGURE 260
Rsidus du modle MA(1) utilis sur la chronique obtenue par application
successive des ltres (1-B
12
) et (1-B) la chronique des ventes de Casimouth
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
Borne infrieure
Borne suprieure
Dcalage k
FIGURE 261
Corrlogramme des rsidus du modle MA(1) utilis sur la chronique obtenue
par application successive des ltres (1-B
12
) et (1-B) la chronique des ventes
de Casimouth
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1 B 1 B
12


1101

srie, accroissant articiellement ainsi la variance rsiduelle du modle
tudi ici. Comme on le voit sur cet exemple, ltude des chroniques laide
des outils relativement sophistiqus dont on dispose, requiert, outre une
certaine technicit, de lexprience et un doigt certain qui sont un obstacle
une large diffusion de ces mthodes.

III-3 Une utilisation simultane de la rgression multiple et des
approches type Box et Jenkins: le modle ARMAX

Lorsque les carts rsiduels ne sont pas du type bruit blanc, les estimations
fournies par les estimateurs classiques utiliss dans les programmes de rgression
multiple sont biaises. Si ces alas suivent un processus stationnaire, il est possible
de rsoudre ce problme, en utilisant des estimateurs des moindres carrs gn-
raliss

1

(au lieu de ceux dits des moindres carrs ordinaires) qui permettent de
mlanger les modles ARMA et la rgression multiple. Cette gnralisation,
dsigne par ARMAX, prsente les avantages suivants:
- par rapport aux programmes de rgression multiple, de pouvoir fournir des
valeurs ables (parce que non biaises) de la composante saisonnire dune
chronique, en utilisant lapproche du III-1.1.2, page 1076, pour les compo-
santes tendancielles et cycliques, et celle du III-2.1, page 1084, pour la
composante alatoire;
- en deuxime lieu, par rapport aux approches de Box et Jenkins dcrites au
III-2.2, de pouvoir fournir la composante saisonnire, ce qui pour le
gestionnaire de base est directement intelligible ( la diffrence du ltre
( ) ( ) par exemple!);
- enn, cette approche permet dutiliser des modles mixtes en ce sens quils
sont la fois explicatifs parce quils comportent des variables explicatives
(nous avons cart duchamp de cette prsentation les modles explicatifs), et
autoprojectifs (sappuyant donc sur lhistorique observ).
Le modle se dcompose comme suit : = + , o est la partie non ala-
toire de la chronique, cest--dire le trend et la composante saisonnire
(auxquels peuvent sajouter le cas chant des variables explicatives de ) et
est la partie alatoire, qui est suppose correspondre un modle stationnaire. On
peut dcomposer son tour cette chronique et laide du modle ARMA quel-
conque, de faon retrouver une chronique rsiduelle

t

de type bruit blanc:
Lapplication du modle ARMAX ncessite le choix pralable dun modle
tester, et la fourniture destimations initiales des diffrents paramtres. On a retenu
ici de juxtaposer:
- le modle additif tudi la page 1080, et dont on sait que les estimations
sont biaises par lautocorrlation des rsidus),

1. Pour une prsentation oprationnelle de ces approches, voir Makridakis, Wheelwright et Hyndman (1998,
[291]), chapitre VIII. De nombreux auteurs anglo-saxons utilisent lexpression regression with ARIMA
errors et non ARMAX retenu ici en raison des travaux et programmes de David (1975, [122]), exploits dans
cette partie. Une discussion mthodologique rigoureuse et intelligible du problme des moindres carrs gn-
ralis peut tre trouve dans Seber (1976, [378]), p. 60- 64.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
1 B 1 B
12
x
t
y
t

t
y
t
f
t
c
i
x
t

t
t
partie explique+
t
=
- le modle autorgressif dordre 1 obtenu sur la chronique rsiduelle du
prcdent modle (donns dans le tableau 331 de la page 1075) et tudi en
exemple au III-2.1.1.1, page 1085 (le paramtre autorgressif se modiera
dans le modle ARMAX, puisque celui-ci modiera la chronique des
rsidus).
Plusieurs approches de rsolution numriques sont disponibles
1
, Les valeurs
trouves dans ces deux modles sont utilises comme valeurs initiales
2
dans le
processus de recherche dune solution optimale pour le modle ARMAX. Le
modle optimal trouv (

= 0,76) est le suivant :

= + , avec: = 0,7449 + , o est une chronique de type bruit
blanc et = 717,23 0,2688t + 43,57 + 2,09 + 62,75 + 26,84
+ 18, 64 + 20, 59 35, 28 240, 32 + 54, 08

+ 10, 84
+ 34,68 , o est une variable indicatrice
3
qui vaut 1 si la priode t corres-
pond au mois j, et 0 dans le cas contraire:
= 717,23 0,2688t + 43,57 + 2,09 + 62,75 + 26,84 + 18,64
+ 20,59 35,28 240,32 + 54,08

+ 10,84 + 34,68
+ 0,7449 +
1. Plusieurs approches sont disponibles. Nous avons utilis ici les programmes de David (1975, [122]) lors de la
premire dition de cet ouvrage en 1981. Depuis plusieurs logiciels largement diffuss comme SAS et SPSS trai-
tent cette classe de problme.
2. Comme pour le modle MA quil intgre, on estime par rtro-projection, en mme temps que les param-
3. Le choix du mois de septembre comme mois pour lequel une variable indicatrice nest pas cre (il ny a pas d
9
)
sexplique par la valeur nulle prise par la composante saisonnire de ce mois, calcule sur la table de Buys Ballot
(voir tableau 329, page 1074), cest--dire en utilisant implicitement le principe de conservation des aires.
Linterprtation plus directe des rsultats de cette approche a conduit ne pas reprendre lidentique lappli-
cation des techniques classiques de rgression multiple vues au III-1.1.2, page 1076, dans lesquelles cest la
dernire priode (dcembre) qui arbitrairement ne fait pas lobjet dune variable indicatrice.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
2
x
t
y
t

t

t

t 1

t

t
y
t
d
1
d
2
d
3
d
4
d
5
d
6
d
7
d
8
d
10
d
11
d
12
d
j
x
t
d
1
d
2
d
3
d
4
d
5
d
6
d
7
d
8
d
10
d
11
d
12
t 1

t
FIGURE 262
Ventes estimes par le modle ARMAX
300
400
500
600
700
800
900
1000
ARMAX
Ventes observes
Priode
J
a
n
v
i
e
r

1
9
9
4
J
a
n
v
i
e
r

1
9
9
6
J
a
n
v
i
e
r

1
9
9
5
J
a
n
v
i
e
r

1
9
9
7
J
a
n
v
i
e
r

1
9
9
8
J
a
n
v
i
e
r

1
9
9
9
J
a
n
v
i
e
r

2
0
0
0


1103

Si lon considre comme ngligeable, parce que de lordre de lunit, la modi-
cation de la composante saisonnire additive des mois de juillet, aot, novembre,
les seules modications apportes par la dtermination simultane de tous les
paramtres sont une augmentation de la dcroissance tendancielle de la chronique
qui passe de 0,23 0,27, qui est balance par une faible diminution du para-
mtre autorgressif de la chronique rsiduelle qui passe de 0,752 0,745.
Lexamen du corrlogramme des rsidus de la gure 263 montre que lhypothse
dune chronique rsiduelle du type bruit blanc semble respecte.
Les prvisions fournies par le modle pour les 6 premiers mois de 2001 sont
alors, si lon tient compte du fait que

= + = + (0,7449 + ) =
+ 0,7449 , du fait que :
= 717,23 0,2688

x

85 + 43,57 + 0,7449 = 737,95 + 0,7449 ( 55,33)
= 696,72
= 717,23 0,2688

x

86 + 2,09 + 0,7449
= 696,20 + 0,7449{0,7449( 55,33) + 0} = 696,20 + 0,7449

2

( 55,33)
= 665,49
= 717,23 0,2688

x

87 + 62,75 + 0,7449
= 756,59 + 0,7449{0,7449

2

( 55,33) + 0} = 756,59 + 0,7449

3

( 55,33)
= 733,69
En dnitive, le modle ARMAX savre trs performant dans ltude de chro-
niques relatives des donnes de gestion agrges. Comme pour les approches de
type Box & Jenkins, elle reste une technique applicable des sries longues et
ncessitant lintervention de spcialistes longuement forms. Cette double restric-
tion en limite la porte.
T
a
b
l
e

d
e
s
m
a
t
i
r
e
s
I
n
d
e
x
t
h
m
a
t
i
q
u
e
FIGURE 263
Corrlogramme des rsidus de lapplication du modle ARMAX la chronique
des ventes de Casimouth
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
1,0
0,6
0,4
0,2
0,4
0,8
0,2
0
1,0
0,6
0,8
Borne infrieure
Borne suprieure
Dcalage k
x
t
y
t

t
y
t

t 1

t
y
t
t 1
E
t
( ) 0 =
x
85

84
x
86

85
x
87

86

Chapitre - 15 Techniques de Prévisions

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Chapitre - 15 Techniques de Prévisions

Загружено:

Авторское право:

Доступные форматы

Chapitre XV

Chapitre XV - Techniques de prvision 1017

1034 Gestion de la production et des ux

Chapitre XV - Techniques de prvision 1037

5 9/5 0 4/5 3/5 3/5 0 0 0 0 0 0 0 0

5 16/5 14/5 4/5 11/5 4/5 0 0 0 0 0 0 0 0

0,8658 0,9313 0,9648 0,9820

0,2 1 1 0,2 ( ) 1 0,2 ( )

391,7 105,8 90,4 79,4 65,3 70,5

0,632 0,711 0,791 0,871 0,952 1,036

Chapitre XV - Techniques de prvision 1067

. Coefcients saisonniers sur les donnes logarithmiques

1076 Gestion de la production et des ux

Processus en moyenne mobile dordre q: MA(q)

1098 Gestion de la production et des ux

Вам также может понравиться