Beruflich Dokumente
Kultur Dokumente
Modélisation et Modélisation et
prévision prévision
Introduction Introduction
Séries chronologiques - Séance 1 Estimation des économétrie (taux de chômage), Estimation des
paramètres et paramètres et
Décomposition d’une chronique décomposition
Moindres carrés
finance (cours d’action), décomposition
Moindres carrés
Filtrage Filtrage
Conclusion
écologie (pollution), Conclusion
1/31 2/31
Introduction Introduction
Modèles de Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière saisonnière
Composante aléatoire Composante aléatoire
Conclusion
→ À traiter en premier. Cf “modèles d’intervention”. Conclusion
Prévision.
Tendance
Composante Polycopié du cours : Tendance
Composante
saisonnière saisonnière
consommation d’électricité, démographie, restauration rapide. . . Composante aléatoire chaque chapitre correspond à une séance Composante aléatoire
Conclusion Conclusion
Impact d’un événement sur une variable.
sécurité routière : impact d’une nouvelle loi. Pour approfondir : bibliographie du polycopié disponible à la
bibliothèque.
SG042 : techniques statistiques, aspects temporels.
Autres points de vue : automatique / théorie du contrôle,
traitement du signal.
→ cf cours électifs.
5/31 6/31
Conclusion Conclusion
4 Conclusion
7/31 8/31
Exemple de décomposition Exemple de décomposition
Modélisation et Modélisation et
prévision prévision
Introduction Introduction
Modèles de Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière saisonnière
Composante aléatoire Composante aléatoire
Conclusion Conclusion
9/31 10/31
Introduction Introduction
Modèles de Modèles de
décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière saisonnière
Composante aléatoire Composante aléatoire
Conclusion Conclusion
11/31 12/31
Composante tendancielle Tt Composante saisonnière St
Modélisation et Modélisation et
prévision prévision
Introduction Introduction
Modèles de Modèles de
décomposition décomposition
Tendance Tendance
13/31 14/31
Conclusion Conclusion
TFD inverse : (formule de reconstruction)
−→ les ”pics” dans le périodogramme permettent
T
X −1
d’identifier les composantes saisonnières.
∀t ∈ {0, 1, . . . , T − 1}, Xt = bk e 2iπkt/T
X
k=0 Attention : on peut démontrer que les (X bk ) on tendance à
décroı̂tre (donc le périodogramme à croı̂tre). Donc on ne
bk et X
Remarque : les coefficients X bT −k correspondent à la regarde que les pics sur le ”début” du périodogramme.
composante de fréquence k/T (ou période T /k).
15/31 16/31
Composante aléatoire ut Exemples
Modélisation et Modélisation et
prévision prévision
Cas particuliers de processus stationnaires : bruit blanc gaussien processus non stationnaire
Bruit blanc faible : m = 0 et ∀h > 0, γ(h) = 0.
Bruit blanc fort : m = 0 et (εt ) i.i.d.
Bruit blanc gaussien : (εt ) i.i.d. ∼ N (0, σ 2 ).
(cf résidus dans la régression)
17/31 18/31
Conclusion Conclusion
moyenne m, k
X
fonction de covariance γ. Si Xt = m + aj εt−j , alors ∀h > k, ρ(h) = 0.
j=0
19/31 20/31
Estimation du corrélogramme Séance 1
Modélisation et Modélisation et
prévision prévision
Conclusion Conclusion
Preuve de convergence : cf poly.
3 Estimation des paramètres et décomposition
Moindres carrés
Remarque : le corrélogramme d’une chronique périodique Filtrage
est périodique (même période).
Cov(Xt , Xt+h ) γ(h) 4 Conclusion
En effet : ρ(h) = p = .
Var(Xt )Var(Xt+h ) γ(0)
21/31 22/31
Filtre symétrique
P : m1 = m2 (= m), θi = θ−i
F. Sur - ENSMN F. Sur - ENSMN
M(Xt ) = m i=−m θi Xt+i . Introduction Attention à l’apparition éventuelle d’une périodicité Introduction
Estimation des 2
0.8 Estimation des
paramètres et 0.6
paramètres et
décomposition décomposition
Propriété
1 0.4
Moindres carrés Moindres carrés
Filtrage 0.2 Filtrage
0
Parmi ces moy. mob., celles qui “minimisent” M(ut ) avec Conclusion 0 Conclusion
1
(ut ) réalisation d’un b.b. faible (εt ) vérifient : ∀i, θi = 2m+1 .
−1 −0.2
−0.4
Pm Pm
−2
−0.6
Introduction Introduction
1
M2m+1 (Xt ) = (Xt−m + Xt−m+1 + · · · + Xt+m ) . Modèles de
Hypothèses : (Xt ) chronique à décomposer sous la forme :
Modèles de
2m + 1 décomposition décomposition
Tendance Tendance
Composante Composante
saisonnière
Composante aléatoire
Xt = Tt + St + ut , saisonnière
Composante aléatoire
Propriété Estimation des Estimation des
M(St ) = 0. Conclusion
Alors : Conclusion
Mp (Xt ) ' Tt .
Mk (St + ut ) ' St si k << p.
Généralisation : composantes saisonnières de période 2m :
de plus, (Id − Mp )(Yt ) a une moyenne nulle sur une
1 1 1 période p.
M2m (Xt ) = Xt−m + Xt−m+1 + · · · + Xt+m−1 + Xt+m .
2m 2 2
4 estimation de la série corrigée des variations Estimation des Tendance Estimation des
paramètres et paramètres et
saisonnières (cvs) : Xt0 = Xt − St ; et ut = Xt0 − Tt décomposition Composante saisonnière décomposition
Moindres carrés
Composante aléatoire Moindres carrés
Conclusion Conclusion
M conserve Tt et filtre (élimine) St et ut ,
3 Estimation des paramètres et décomposition
M 0 conserve St et filtre ut .
Moindres carrés
Choix de M : tendance linéaire (par exemple) → M = Mp . Filtrage
Choix de M 0 : M 0 (Σt ) = M 00 (Σt ) − Mp (M 00 (Σt ))
avec M 00 moy. mob. de support “petit” (filtre ut ) 4 Conclusion
composée avec Id − Mp pour que la moyenne sur une
période soit nulle.
Remarque : c’est l’idée du programme Census X11.
29/31 30/31
Conclusion
Modélisation et
prévision
F. Sur - ENSMN
Introduction
Estimation des
composante aléatoire. paramètres et
décomposition
Moindres carrés
Conclusion
Décomposition en pratique :
estimation aux moindres carrés d’un modèle
paramétrique (table de Buys-Ballot)
ou filtrage (Census X11).
31/31