Professional Documents
Culture Documents
Le Lissage Exponentiel
Le Lissage Exponentiel
Le lissage de Holt
Le lissage de Winters
Le lissage Généralisé
Paramètres du modèle :
• Valeurs initiales
• Paramètres du lissages exponentiel ∈ 0, 1
F2 = αy2 + (1-α)F1
t 2
Ft α(1 α) j y t j (1 α) t -1 F1
j 0
On déduit alors que :
T 2 T 2
FT α(1 α) j y T j (1 α) T -1 F1 α(1 α) j y T j si T est assez grand
j 0 j 0
Dans ce cas, la valeur de F1 n’a qu’une très faible incidence sur la valeur
de FT
T 2
Le problème de minimisation suivant min (1 α) j (y T j a) 2
j 0
T 2
j 0
(1 ) j
yT j
a pour solution : a FT si T est assez grand
1 (1 ) T 1
On aurait pu choisir F1 = y1
Indice de prix à la production du pétrole brut
1981-1991 (données trimestrielles)
120
100
80
Série
60
LES
40
20
0
0 5 10 15 20 25 30 35 40 45 50
𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒/ 𝑇 − ℎ − 2
ŷ T h ST hTT
ŷ T h : valeur prévue de la série à partir de T pour l’instant T+h
Q(ST , TT ) Q(ST , TT )
Pour cela on a : 0
ST TT
T 1 T 1
D’où : (1 α) (y T j ST jTT ) 0
j 0
j
(1 α) j
j(y T j ST jTT ) 0
j 0
T 1 T 1
β T 1
β(1 β)
β par
j 1
jβj
par
(1 - β) 2
β par
j2 j
(1 - β)3
j 0 1- β j 0 j 0
Dans ce cas :
T 1
(1 α) y T j ST 1 α
TT
j
0
j 0
T 1
2 (1 α) j jy T j 1 ST 1 α 2
TT
0
j 0
T 1 T 1
On pose : E1 (T) α (1 α) y T j
j
E 2 (T) α 2
(j 1)(1 α) y
j
T j
j 0 j 0
D’où
E1 (T) ST 1 α 0
TT
α
j 0 i 0
T 1 T 1
E 2 (T) α 2
(j 1)(1 α) y T j α
j 0
j 2
j(1
j 0
α) j
y T j αE1 (T)
T 1 T 2
E 2 (T) α 2
j(1 α) y
j1
j
T j αE1 (T) α 2
(i 1)(1 α)
i 0
i 1
y T i-1 αE1 (T)
TT-1 TT-1
ST (2α - α )y T (1 α)(2 - α)(S T-1 - (1 - )
2
) - (1 - α)(S T-1 - 2(1 - ) )
TT-1
ST (2α - α )y T (1 α)ST-1 (2 - α - 1) (1 - )
2 2
(-2 2)
ST (2α - α 2 )y T (1 α) 2 (ST-1 TT-1 )
S T λy T (1 λ)(S T -1 TT -1 ) avec λ = 2α – α2
E 2 (T) ST 21 α
TT TT
E 1 (T) S T 1 α
α α
α
Mise à jour de TT TT E1 (T) E 2 (T)
1 α
TT
α
1 α
αy T 1 α E 1 (T 1) (1 α)E 2 (T - 1) - α 2 y T α(1 α)E 1 (T 1)
TT
α
1 α
α(1 - α)y T 1 α E1 (T 1) (1 α)E 2 (T - 1)
2
TT α 2 y T 1 α E1 (T 1) αE 2 (T - 1)
TT α 2 y T α 2 S T -1 (1 - α 2 )TT 1
E 2 (T) ST 21 α
TT TT
E 1 (T) S T 1 α
α α
yT
1
S T (1 λ)(S T -1 TT -1 ) 1 2 S T (1 α) 2 (S T -1 TT -1 )
λ 2α α
TT
α2
S
(1 α) 2
(S T )
α 2
S T 1 (1 α 2
)TT 1
2α α 2 T T -1 T -1
TT
α
2α
S T (1 α) 2 (S T -1 TT -1 ) α 2 S T 1 (1 α 2 )TT 1
α α(1 - ) 2 α(1 - ) 2
TT S T 2 S T 1 1 α 2 TT 1
2α 2α 2α
α α α
TT ST S T 1 1 TT 1
2α 2α 2α
α
TT μ S T S T 1 1 μ TT 1 , avec μ
2α
S t λy t (1 λ)(S t -1 Tt -1 ) avec λ = 2α – α2
α
Tt μ S t S t 1 1 μ Tt 1 , avec μ
2α
La série ajustée : Ft-1 = St-1 + Tt-1
Remarque :
Dés que le nombre d’observations est supérieur à une dizaine, les
valeurs lissées en fin de période sont très peu sensibles au choix des
valeurs initiales
160
140
120
100
Série
80 LES
60
LED
40
20
0
0 5 10 15 20 25 30 35
Mape = 0
Pour i = 3 à T-h
𝑆𝑖 = 𝜆𝑦𝑖 + 1 − 𝜆 𝑆𝑖−1 + 𝑇𝑖−1
𝑇𝑖 = 𝜇 𝑆𝑖 − 𝑆𝑖−1 + 1 − 𝜇 𝑇𝑖−1
𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒 + 𝑎𝑏𝑠 𝑦𝑖 − 𝑆𝑖−1 − 𝑇𝑖−1 ∗ 100/𝑦𝑖
Fin_pour
𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒/ 𝑇 − ℎ − 2
y1 y 2 y 3 y 3 y1
λ 0.4, μ 0.3, S 2 , T2
3 2
Equations du modèle du lissage exponentiel de Holt
Mape = 0
Pour i = 3 à T-h
𝑆𝑖 = 𝜆𝑦𝑖 + 1 − 𝜆 𝑆𝑖−1 + 𝑇𝑖−1
𝑇𝑖 = 𝜇 𝑆𝑖 − 𝑆𝑖−1 + 1 − 𝜇 𝑇𝑖−1
𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒 + 𝑎𝑏𝑠 𝑦𝑖 − 𝑆𝑖−1 − 𝑇𝑖−1 ∗ 100/𝑦𝑖
Fin_pour
𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒/ 𝑇 − ℎ − 2
St : Le niveau
Tt : La pente
It : La composante saisonnière
Tt = γ( St – St-1) + (1 – γ)Tt-1
It = δ( yt – St) + (1 – δ)It-s
(y 3 I 3 ) (y 2 I 2 ) (y1 I1 ) (y I ) (y1 I1 )
S2 , T2 3 3
3 2
Autre façon de calculer les valeurs initiales, pour une série trimestrielle :
T4 = S4 – S3
1 y 3 y 2 y1 1 y 3 y1
S 2 , T2
3 I 3 I 2 I1 2 I 3 I1
Autre façon de calculer les valeurs initiales, pour une série trimestrielle :
Les niveaux des derniers trimestres de la 1ère année sont calculés en
utilisant les MMC(4)
T4 = S4 – S3
y4 y y2 y1
I4 , I3 3 , I2 , I1
S4 S3 S 3 T4 S3 2T4
Initialisation des composantes saisonnières :
• Calculer les moyennes mobiles centrées sur une année donnée
• Déduire les composantes saisonnières en faisant le rapport des
valeurs de la série avec les moyennes mobiles centrées
T 1
a(T) est estimé en minimisant j Y T j f ( j )' a
2
= (y - Fa)’Ω(y - Fa)
j0
, YT f 0 '
Y f 1' , une matrice de taille (T,n)
y T 1 F
Y f T 1'
1
1
j , β est le paramètre de lissage, 0 < β < 1
T 1
Choix de la fonction f(t) ?
f(t) peut être choisie de telle sorte que l’ajustement de la série soit :
constant, linéaire, polynomiale, sinusoïdale ou exponentiel.
Pour toutes ces formes, f(t) vérifie la propriété de matrice à transition fixe :
f(t) = Af(t-1), A matrice de taille (n,n).
j Y T j f ( j )' a y Fa y Fa
2 '
j0
T 1 T 1
a(T) = (F’ΩF)-1F’Ωy, avec F ' F f ( j )f ( j )' et F ' y f ( j )Y T j
j j
j 0 j 0
Comme 0 < β < 1, F ' F T M
T 2
Z T Y T f 0 iY T i 1f i 1
i 0
T 2
Z T Y T f 0 A 1
Y T 1i f i
i
i 0
Z T Y T f 0 A 1Z T 1
â T M 1Y T f 0 M 1 A 1Z T 1
f(j)’ = [1 j j(j-1)/2]
T 1
F ' F j f ( j ) f ( j )' M
j
j 0
1
1 1 2 1
3
(1 ) 2 2
M
1 2
1 3 1
4
2 2 3 4 2
1 3
1 4 1 5
Modèle de lissage généralisé pour ajuster une série mensuelle
1
j
j j 1 / 2 La matrice M est une matrice carrée d’ordre 14
sin wj w = 2𝜋/12
coswj
sin 2 wj
cos2 wj
f j sin 3wj
cos3wj
sin 4 wj
cos 4 wj
sin 5wj
cos5wj
cos6 wj
Calcul de la matrice A
1 0 0
1 1
a = cos(w) et b = sin(w)
0 1 1
a b La matrice A vérifie :
b a 𝐴 𝑓 𝑗 = 𝑓 𝑗 + 1 , 𝑗 = 1,2, …
a b
b a
A T 1
a b F ' F j f ( j ) f ( j )' M
j
b a j 0
a b
b a
a b
b a 0
0 0 1
Les modèles de Gardner
Tableau de sélection du modèle de prévision
1 − 𝐵 2 𝑋𝑡 = 𝑋𝑡 − 2𝑋𝑡−1 + 𝑋𝑡−2
1 − 𝐵 𝑠 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−𝑠
𝑋𝑡 ℎ = 𝑆𝑡 + 𝜑𝑖 𝑇𝑡
𝑖=1
X̂ t h St I t h -s
Le modèle DA-M : damped additive multiplicative
𝑇𝑡 = 𝛾 𝑆𝑡 − 𝑆𝑡−1 + 1 − 𝛾 𝜑𝑇𝑡−1
𝐼𝑡 = 𝛿 𝑋𝑡 /𝑆𝑡 + (1 − 𝛿)𝐼𝑡−𝑠
𝑋𝑡 ℎ = 𝑆𝑡 + 𝜑𝑖 𝑇𝑡 𝐼𝑡+ℎ−𝑠
𝑖=1
DA-M ℎ
Lissage
double
Modèle
DA-N
None 𝑇ℎ = 𝑙
Additive 𝑇ℎ = 𝑙 + 𝑏ℎ
Additive damped (amortie) 𝑇ℎ = 𝑙 + 𝜑 + 𝜑 2 + ⋯ + 𝜑 ℎ 𝑏
Multiplicative 𝑇ℎ = 𝑙𝑏ℎ
𝜑+𝜑2 +⋯+𝜑ℎ
Multiplicative damped (amortie) 𝑇ℎ = 𝑙𝑏
𝑦𝑡 = 𝑤 𝑥𝑡−1 + 𝑟 𝑥𝑡−1 𝜀𝑡
ቊ
𝑥𝑡 = 𝑓 𝑥𝑡−1 + 𝑔 𝑥𝑡−1 𝜀𝑡
On pose 𝜇𝑡 = 𝑤 𝑥𝑡−1
Si le modèle est à erreur additive alors r 𝑥𝑡−1 = 1 → 𝑦𝑡 = 𝜇𝑡 + 𝜀𝑡
Si le modèle est à erreur multiplicative alors r 𝑥𝑡−1 = 𝜇𝑡
→ 𝑑𝑎𝑛𝑠 𝑐𝑒 𝑐𝑎𝑠 𝑦𝑡 = 𝜇𝑡 1 + 𝜀𝑡
Calcul de la fonction vraisemblance du modèle espace d’état linéaire
𝑝 𝑦Τ𝑥0 = ෑ 𝑝 𝑦𝑡 Τ𝑦𝑡−1 , … , 𝑦1 , 𝑥0
𝑡=1
1 𝑦𝑡 − 𝑤′𝑥𝑡−1 2 1 𝜀𝑡2
𝑓𝑦𝑡Τ𝑥𝑡−1 𝑦𝑡 = 𝑒𝑥𝑝 − = 𝑒𝑥𝑝 − 2
2𝜋𝜎 2𝜎 2 2𝜋𝜎 2𝜎
𝑛 𝑛
1 𝜀𝑡2 𝜀 2
− 𝑡
𝑝 𝑦Τ𝑥0 = ෑ 𝑒 2𝜎2 = 2𝜋𝜎 2 −𝑛/2 𝑒𝑥𝑝 − 2
2𝜋𝜎 2𝜎
𝑡=1 𝑡=1
Calcul de la fonction vraisemblance du modèle espace d’état non linéaire
𝑛
1 𝜀𝑡2
−
𝑝 𝑦Τ𝑥0 = ෑ 𝑒 2𝜎2
𝑡=1
2𝜋 𝑟 𝑥𝑡−1 𝜎
𝑛 𝑛
1 𝜀𝑡2
= 2𝜋𝜎 2 −𝑛/2 ෑ 𝑒𝑥𝑝 − 2
𝑟 𝑥𝑡−1 2𝜎
𝑡=1 𝑡=1
𝑦𝑡 −𝑤 𝑥𝑡−1
On a utilisé le fait que : 𝜀𝑡 =
𝑟 𝑥𝑡−1
Le logarithme de la fonction vraisemblance : 𝐿𝑛 𝜃, 𝑥0 , 𝜎 2
Cette grandeur devient : 𝑛𝐿𝑛 σ𝑛𝑡=1 𝜀𝑡2 si le modèle espace d’état est linéaire
L’approche ETS consiste à calculer les 30 modèles ETS voir fichier : ‘‘file
modèle espace d’état’’
𝐼𝐶 = 𝐿∗ 𝜃, 𝑥0 + 𝑞𝜁 𝑛
𝑦ො = 𝐸 𝑦𝑛+ℎ Τ𝑥𝑛
Pour un horizon h donné, on calcule : ቊ 𝑛+ℎ
𝑉 𝑦𝑛+ℎ Τ𝑥𝑛
𝑉 𝑥𝑛+1 Τ𝑥𝑛 = 𝑉 𝐹𝑥𝑛 + 𝑔𝜀𝑛+1 Τ𝑥𝑛 = 𝑉 𝑔𝜀𝑛+1 Τ𝑥𝑛 car 𝑉 𝐹𝑥𝑛 Τ𝑥𝑛 = 𝑉 𝑐𝑠𝑡 = 0
et 𝜀𝑛+1 et 𝑥𝑛 sont indépendants
Donc 𝑉 𝑔𝜀𝑛+1 Τ𝑥𝑛 = 𝑉 𝑔𝜀𝑛+1 = 𝑔𝑔′ 𝑉 𝜀𝑛+1 = 𝑔𝑔′𝜎 2 , gg’ étant une
matrice carré d’ordre m
𝑦𝑡 = 𝑤 ′ 𝑥𝑡−1 1 + 𝜀𝑡
൜
𝑥𝑡 = 𝐹 + 𝑔𝑤′𝜀𝑡 𝑥𝑡−1
On remarque que 𝑦𝑛+ℎ Τ𝑥𝑛 n’est pas une loi normale car c’est le produit
de 2 fonctions de lois normales indépendantes
𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 = 𝑉 𝑤 ′ 𝑥𝑛+ℎ−1 Τ𝑥𝑛 + 𝑉 𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 +
2𝐶𝑂𝑉 𝑤 ′ 𝑥𝑛+ℎ−1 , 𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛
𝐶𝑂𝑉 𝑤 ′ 𝑥𝑛+ℎ−1 , 𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 = 𝑤 ′ 𝐶𝑂𝑉 𝑥𝑛+ℎ−1 , 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 𝑤
′
𝐶𝑂𝑉 𝑥𝑛+ℎ−1 , 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 = 𝐸 𝑥𝑛+ℎ−1 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 −
′ ′
𝐸 𝑥𝑛+ℎ−1 Τ𝑥𝑛 𝐸 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 = E 𝑥𝑛+ℎ−1 𝑥𝑛+ℎ−1 Τ𝑥𝑛 𝐸 𝜀𝑛+ℎ Τ𝑥𝑛 = 0
𝑉𝑛+ℎ = 𝐹𝑉𝑛+ℎ−1 𝐹 ′ + 𝑉 𝑔𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 + 2𝐶𝑂𝑉 𝐹𝑥𝑛+ℎ−1 , 𝑔𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛
Pour i ← 2 à h
′
𝑉 𝑦𝑛+𝑖 Τ𝑥𝑛 = 𝑤 ′ 𝑉𝑛+𝑖−1 𝑤 + 𝑤′ 𝑉𝑛+𝑖−1 + 𝐹 𝑛+ℎ−1 𝑥𝑛 𝑥𝑛′ 𝐹 𝑛+ℎ−1 𝑤𝜎 2
′
𝑉𝑛+𝑖 = 𝐹𝑉𝑛+𝑖−1 𝐹 ′ + 𝑔𝑤′ 𝑉𝑛+𝑖−1 + 𝐹 𝑛+𝑖−1 𝑥𝑛 𝑥𝑛′ 𝐹 𝑛+𝑖−1 𝑤𝑔′ 𝜎 2
Fin_Pour
Pour les G2 et G3, même si 𝑦𝑛+ℎ Τ𝑥𝑛 n’est pas normale, on utilise la
formule suivante pour l’intervalle de confiance de niveau de signification 𝛼
et à horizon h donné :
𝛼
𝑦ො𝑛+ℎ ± 𝑡𝛼 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 avec 𝑃 𝑈 > 𝑡𝛼 = et 𝑈 → 𝑁 0,1
2
Groupe 4 et Groupe 5
2
σ𝑛 ො 𝑖Τ𝑖−𝑘
𝑖=𝑘 𝑦𝑖 −𝑦
On définit 𝑀𝑆𝐸𝑘 = , k = 1,2,3
𝑛
𝐴𝐼𝐶
ቐ 𝐵𝐼𝐶
𝐴𝐼𝐶𝐶
Codes possibles