Le Lissage exponentiel

Le lissage exponentiel simple

Le lissage exponentiel double

Le lissage de Holt
Le lissage de Winters
Le lissage Généralisé

‘‘Les modèles de Gardner’’

‘‘Les modèles de Hyndman’’

Modélisation des séries temporelles

La série temporelle 𝑦𝑡 est disponible pour T observations

La prévision se fera pour les h derniers instants

Le modèle est ajusté à la série pour les instants : t = 1, … , T-h

Horizon d’ajustement Horizon de prévision

1 T-h T

On peut distinguer la qualité d’ajustement et la qualité de prévision

Les paramètres du modèle sont estimés en optimisant son ajustement

sur la période d’ajustement : minimiser un critère de comparaison choisi

Important : les valeurs de la série dans l’horizon de prévision ne

participent pas dans le calcul des paramètres du modèle fait dans
l’horizon d’ajustement
Calcul d’un modèle de lissage exponentiel

Paramètres du modèle :
• Valeurs initiales
• Paramètres du lissages exponentiel ∈ 0, 1

Choisir le critère de comparaison à minimiser pour ajuster le modèle :

RMSE, MAE ou MAPE

La fonction ‘‘critère de comparaison’’ dépend des paramètres du modèle

L’estimation des paramètres se fait en calculant le minimum de la fonction

critère de comparaison par application d’une procédure d’optimisation :
optim

Calculer le modèle sur la période d’ajustement

Calculer les prévisions
Apprécier la qualité des prévisions
 Le lissage exponentiel simple (LES)

Soit la série chronologique yt t = 1, … ,T

La série Ft du modèle ajusté a pour signification : Ft se calcule

à l’instant t
‘‘prévision à partir de l’instant t pour l’instant t+1’’
Ft = αyt + (1-α)Ft-1, t = 1, … ,T, 0<α<1

α est appelée la constante du lissage

Ft = αyt + (1-α)Ft-1

Ft-1 = αyt-1 + (1-α)Ft-2


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

L’erreur d’ajustement : et = yt – Ft-1

La prévision de la série yt à l’instant T + h est : ŷ T  h  FT

Choix optimale de la constante de lissage

On commence par choisir un des critères de comparaison, MSE,

RMSE, MAE, MAPE

On calcule les modèles de lissage pour α = 0.1, 0.2, … 0.9

Le modèle retenu est celui qui assure le plus petit critère

Appliquons la méthode du lissage exponentiel à la série trimestrielle de

l’indice du prix à la production du pétrole brute.

α = 0.3 et F2 est égale à la moyenne des trois premières valeurs.

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

1) Le lissage réalise un écrêtage de la série

2) Le lissage s’adapte au changement de niveau

 Choix optimale de la constante de lissage

ALPHA 0,2 0,3 0,4 0,6 0,7 0,9

MSE 250,249 177,795 138,463 96,570 75,563 69,063
MAE 9,949 8,227 7,232 6,393 5,932 5,806
MAPE 0,221 0,173 0,146 0,122 0,110 0,106

On remarque que les critères sont minimales pour α = 0.9

Equations du modèle du lissage exponentiel simple

Les paramètres du modèles sont : 𝐹2 et 𝛼

On choisit le MAPE comme critère à minimiser pour estimer le modèle,
c’est une fonction dans ce cas à 2 variables
Initialisation des paramètres : 𝐹2 = 𝑥[1] et 𝛼 = 𝑥[2]
Mape = 0
Pour i = 3 à T-h
𝐹𝑖 = 𝛼𝑦𝑖 + 1 − 𝛼 𝐹𝑖−1
𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒 + 𝑎𝑏𝑠 𝑦𝑖 − 𝐹𝑖−1 ∗ 100/𝑦𝑖
Fin_pour

𝑀𝑎𝑝𝑒 = 𝑀𝑎𝑝𝑒/ 𝑇 − ℎ − 2

Optimisation de la fonction Mape par la procédure optim

Calcul du modèle sur l’horizon d’ajustement : 1,…, T-h

Calcul des prévisions pour les h derniers instants :

𝑦ො𝑡 = 𝐹𝑇−ℎ , pour 𝑡 ≥ 𝑇 − ℎ + 1
 Le lissage exponentiel double (LED)

C’est une méthode plus générale que le LES

Elle s’adapte aux séries présentant une tendance

Pour une série yt t = 1, … ,T, LED suggère une prévision de la forme :

ŷ T h   ST  hTT
ŷ T h  : valeur prévue de la série à partir de T pour l’instant T+h

ST et TT sont choisis de façon à minimiser :

T 1 T 1
Q (S T ,T T )   (1  α) j (y T  j ŷ T - j (T)) 2   (1  α) j (y T  j  S T  jT T ) 2
j 0 j 0

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

Si T est assez grand, remplaçons :

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

E 2 (T)  αE1 (T)  1  α ST  1  α 2  α   0

TT
α
Par suite :
TT
E 1 (T)  S T  1  α 
α
E 2 (T)  αE1 (T)  1  α ST  1  α 2  α   0
TT
α
E 2 (T)  αS(T) - (1 - α)TT  1  α ST  1  α 2  α  T  0
T
α
E 2 (T)  ST  21  α  T
T
α
 α
D’où TT  E1 (T)  E 2 (T) S T  2E 1 (T)  E 2 (T)
1 α

Formule de mise à jour :

T 1 T 2
E 1 (T)  α  (1  α) y T  j  αy T  α  (1  α) i 1 y T i 1  αy T  (1  α)E 1 (T  1)
j

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
j1
j
T j  αE1 (T)  α 2
 (i  1)(1  α)
i 0
i 1
y T i-1  αE1 (T)

E 2 (T)  (1  α)E 2 (T  1)  α 2 y T  α(1 - α)E1 (T - 1)

A partir des formules de mise à jour de E1(T) et E2(T), il est possible de

déduire les formules de mise à jour de ST et TT
Mise à jour de ST S T  2E 1 (T)  E 2 (T)

ST  2αy T  2(1  α)E 1 (T  1) - (1 - α)E 2 (T  1)  α 2 y T  α(1  α)E 1 (T  1)

ST  (2α - α 2 )y T  (1  α)E1 (T  1)(2 - α) - (1 - α)E 2 (T  1)

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  21  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1  α ST-1 - (1 - α) 2 TT 1  αST-1  2(1 - α)TT-1

TT  α 2 y T  α 2 S T -1  (1 - α 2 )TT 1

E 2 (T)  ST  21  α 
TT TT
E 1 (T)  S T  1  α 
α α

Autre formulation de la mise à jour de TT

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
2α
 
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
2α  2α   2α 

α α  α 
TT  ST  S T 1  1  TT 1
2α 2α  2α

α
TT  μ S T  S T 1   1  μ TT 1 , avec μ 
2α
 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 
2α
La série ajustée : Ft-1 = St-1 + Tt-1

L’erreur d’ajustement : et = yt – Ft-1

y1  y 2  y 3 y  y1
α  0.3, S 2  , T2  3
3 2

Autre possibilité de calculs des valeurs initiales : S1 = y1 et T1 = 0

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

Appliquons le LED à la série ‘‘indice de salaire annuel moyen de l’industrie

italienne 1962 - 1991’’
 Indice de salaire annuel moyen de l'industrie italienne
1962-1991

160

140

120

100
Série
80 LES
60
LED

40

20

0
0 5 10 15 20 25 30 35

Le rattrapage de la pente est autant plus rapide que le coefficient α est

élevé
Choix optimale de la constante de lissage

On calcule le LED pour différentes valeurs de α

alpha 0,3 0,2 0,4 0,6 0,8 0,9
mse 23,07 70,09 11,24 4,974 3,316 3,059
mae 3,528 6,245 2,63 1,564 1,143 1,125
mape 9,86 14,49 7,437 4,623 3,321 3,257

La valeur optimale de α est 0.9

Equations du modèle du lissage exponentiel double

Les paramètres du modèles sont : 𝑆2 , 𝑇2 et 𝛼

On choisit le MAPE comme critère à minimiser pour estimer le modèle,

c’est une fonction dans ce cas à 3 variables
Initialisation des paramètres : 𝑆2 = 𝑥 1 , 𝑇2 = 𝑥 2 et 𝛼 = 𝑥[3]
𝛼
λ = 2α – α2 et 𝜇 =
2−𝛼

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

Optimisation de la fonction Mape par la procédure optim

Calcul du modèle sur l’horizon d’ajustement : 1,…, T-h

Calcul des prévisions pour les h derniers instants :

Pour i = 1 à h
𝑦ො𝑇−ℎ+𝑖 = 𝑆𝑇−ℎ + 𝑖𝑇𝑇−ℎ
Fin_pour
Le lissage de Holt (séries non saisonnière)

Le lissage de Holt s’applique aux séries chronologiques sans composantes

saisonnières et à tendance localement linéaire.

Mise à jour du niveau S T  λy T  (1  λ)(S T -1  TT -1 )

Mise à jour de la pente TT  μ S T  S T 1   1  μ TT 1

Contrairement au LED, λ et μ sont des paramètres quelconques compris

entre 0 et 1.

La prévision à la date T, pour l’horizon h est : ŷ T h   ST  hTT

Le choix de λ et μ se fait de façon à minimiser un des critères de
comparaison : MSE, MAE, MAPE, (calcul long)

Exemple : si λ, μ = 0.1, …, 0.9, dans ce cas, il y a 81 cas à traiter

Appliquons le lissage de Holt à la série ‘‘indice de salaire annuel moyen de
l’industrie italienne 1962 - 1991’’

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

Les paramètres du modèles sont : 𝑆2 , 𝑇2 , λ et 𝜇

On choisit le MAPE comme critère à minimiser pour estimer le modèle,

c’est une fonction dans ce cas à 4 variables
Initialisation des paramètres : 𝑆2 = 𝑥 1 , 𝑇2 = 𝑥 2 , 𝜆 = 𝑥[3] et 𝜇 = 𝑥[4]

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

Optimisation de la fonction Mape par la procédure optim

Calcul du modèle sur l’horizon d’ajustement : 1,…, T-h

Calcul des prévisions pour les T-h derniers instants :

Pour i = 1 à h
𝑦ො𝑇−ℎ+𝑖 = 𝑆𝑇−ℎ + 𝑖𝑇𝑇−ℎ
Fin_pour
Le lissage de Holt-Winters (séries saisonnière)

C’est une généralisation de la méthode de Holt, où la tendance est

supposée localement linéaire.

La composante saisonnière It, de période s (s = 4 ou 12) est introduite au

modèle, d’une manière multiplicative ou additive

Les paramètres du modèle sont :

St : Le niveau

Tt : La pente
It : La composante saisonnière

s : La période de la composante saisonnière

(s = 12 données mensuelles, s = 4 données trimestrielles)
 Les équations de mise à jour du modèle additif :

St = α( yt – It-s) + (1 – α)(St-1 + Tt-1)

Tt = γ( St – St-1) + (1 – γ)Tt-1

It = δ( yt – St) + (1 – δ)It-s

Les paramètres α, γ et δ sont compris entre 0 et 1.

La prévision à la date T, pour l’horizon h est : ŷ T h   ST  hTT  Î T  h

On utilise la périodicité de la composante saisonnière pour estimer 𝐼መ𝑇+ℎ :

𝐼መ𝑇+ℎ = IT+h-s si 0 < h ≤ s

𝐼መ𝑇+ℎ = IT+h-2s si s < h ≤ 2s, et ainsi de suite …
Calcul des valeurs initiales

Les valeurs initiales des composantes saisonnières sont obtenus par la

méthode de décomposition saisonnière

(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 :

Les niveaux des derniers trimestres de la 1ère année sont calculés en

utilisant les MMC(4)

T4 = S4 – S3

I4 = y4 – S4, I3 = y3 – S3, I2 = y2 – (S3 – T4), I1 = y1 – (S3 – 2T4)

Initialisation des composantes saisonnières :
• Calculer les moyennes mobiles centrées sur une année donnée
• Déduire les composantes saisonnières en retranchant les moyennes
mobiles centrées des valeurs de la série

La série ajustée : Ft-1 = St-1 + Tt-1 + It-s

L’erreur d’ajustement : et = yt – Ft-1

Remarque : l’ajustement ne peut débuter qu’à partir de la 2ème année.

Application du lissage de Holt-Winters à la série
‘‘Consommation trimestrielle d’essences aviation ‘‘
 Les équations de mise à jour du modèle multiplicatif :
yt
St  α  (1  α)(S t 1  Tt 1 )
I t s
Tt = γ( St – St-1) + (1 – γ)Tt-1
yt
I t  δ  (1  δ)I t s
St

Les paramètres α, γ et δ sont compris entre 0 et 1.

La prévision à la date T, pour l’horizon h est : ŷ T h   ST  hTT Î T  h

On utilise la périodicité de la composante saisonnière pour estimer IT+h :

𝐼መ𝑇+ℎ = IT+h-s si 0 < h ≤ s

𝐼መ𝑇+ℎ = IT+h-2s si s < h ≤ 2s, et ainsi de suite …
Calcul des valeurs initiales

Les valeurs initiales (t = 2) des composantes saisonnière sont obtenus

par la méthode de décomposition saisonnière

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

La série ajustée : Ft-1 = (St-1 + Tt-1)It-s

L’erreur d’ajustement : et = yt – Ft-1

Remarque : l’ajustement ne peut débuter qu’à partir de la 2ème année.

Application à la série : ventes des bouteilles de champagne

 Le lissage généralisé

La série yt t = 1 … T, est ajustée au voisinage de T par la fonction :

φ(t-T) = f(t-T)’a, f(t) et a sont deux vecteurs de taille (n,1)

T 1
a(T) est estimé en minimisant   j Y T j  f ( j )' a 
2
= (y - Fa)’Ω(y - Fa)
j0

,  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).

Ajustement constant : φ(t) = a

Dans ce cas f(t) = 1, le lissage généralisé coïncide avec le lissage

simple et A = 1.
Ajustement linéaire φ(t) = a1 + a2t
1 1 0 1 1 0  1 
f t    , A    , puisque      t  1
t
  1 1  t
   1 1  

φ(t) est un polynôme de degré m

f1(t)=1, f2(t) = t, f3(t) = t(t-1)/2, … , fm+1(t) = t(t-1) … (t-m+1)/m!

On a la relation fk(t) = fk-1(t-1) + fk(t-1), k > 1

 f 1 t  
f (t )     est à matrice de transition fixe si : f(t) = Af(t-1)
f m 1 t 1 0  0
1 1 
  La 1ère et la 2ème
0   diagonale = 1
A 
   
 0
 
0 0 1 1
Ajustement sinusoïdale φ(t) = a1sin(wt) + a2cos(wt)

 sin wt   cosw sin w 

f t     , A   sin w  , on a f(t) = Af(t-1)
 cos wt   cosw 

Ajustement exponentiel φ(t) = aeαt

f(t) = eαt, A = eα, on a f(t) = Af(t-1)

La solution du problème de minimisation :

T 1

  j Y T j  f ( j )' a   y  Fa  y  Fa
2 '

j0

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


La convergence de F’ΩF, nécessite β < e2α, pour l’ajustement exponentiel

et est assurée pour les autres ajustements.
T 1

Donc â(T) = M-1F’Ωy, avec F ' y    jY T  j f  j 

j 0

Equation de mise à jour de â(T) = M-1Z(T)

T 1 T 1
Z T     Y T  j f  j   Y T f 0     jY T  j f  j 
j
j=i+1
j 0 j 1

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 1i 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

â T   M 1Y T f 0  M 1 A 1Mâ T  1  gY T  Gâ T  1

avec g = M-1f(0) et G = M-1βA-1M

La prévision de YT+h est f(h)’â(T)

Expression de la matrice M dans le cas d’un ajustement polynomial
de degré 2

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
 coswj  
 
 sin 2 wj  
 cos2 wj  
 
f  j    sin 3wj  
 cos3wj  
 
 sin 4 wj  
 
 cos 4 wj  
 sin 5wj  
 
 cos5wj  
 cos6 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

Cas Série ayant la Modèle

plus petite
variance
A Xt Lissage simple
B (1-B)Xt DA-N
C (1-B)2Xt Lissage de Holt
D (1-Bs)Xt N-M
E (1-B)(1-Bs)Xt DA-M
F (1-B2)(1-Bs)Xt H-W multiplicatif

BXt = Xt-1, B2Xt = Xt-2, BsXt = Xt-s

s : La période de la composante saisonnière

(s = 12 données mensuelles, s = 4 données trimestrielles)
1 − 𝐵 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−1

1 − 𝐵 2 𝑋𝑡 = 𝑋𝑡 − 2𝑋𝑡−1 + 𝑋𝑡−2

1 − 𝐵 𝑠 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−𝑠

1 − 𝐵 1 − 𝐵 𝑠 𝑋𝑡 = 1 − 𝐵 𝑠 − 𝐵 + 𝐵 𝑠+1 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−𝑠 − 𝑋𝑡−1 + 𝑋𝑡−𝑠−1

1 − 𝐵2 1 − 𝐵 𝑠 𝑋𝑡 = 1 − 𝐵 𝑠 − 𝐵2 + 𝐵 𝑠+2 𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−𝑠 − 𝑋𝑡−2 + 𝑋𝑡−𝑠−2

Le modèle DA-N : damped additive none

𝑆𝑡 = 𝛼𝑋𝑡 + 1 − 𝛼 𝑆𝑡−1 + 𝜑𝑇𝑡−1

𝑇𝑡 = 𝛾 𝑆𝑡 − 𝑆𝑡−1 + 1 − 𝛾 𝜑𝑇𝑡−1
La série ajustée : 𝐹𝑡−1 = 𝑆𝑡−1 + 𝜑𝑇𝑡−1
ℎ

𝑋෠𝑡 ℎ = 𝑆𝑡 + ෍ 𝜑𝑖 𝑇𝑡
𝑖=1

Le modèle N-M : none trend multiplicative

Xt
St  α  (1  α)St 1 La série ajustée : 𝐹𝑡−1 = 𝑆𝑡−1 𝐼𝑡−𝑠
I t s
Xt
It  δ  (1  δ)I t s
St

X̂ t h   St I t  h -s
Le modèle DA-M : damped additive multiplicative

𝑆𝑡 = 𝛼𝑋𝑡 /𝐼𝑡−𝑠 + 1 − 𝛼 𝑆𝑡−1 + 𝜑𝑇𝑡−1

𝑇𝑡 = 𝛾 𝑆𝑡 − 𝑆𝑡−1 + 1 − 𝛾 𝜑𝑇𝑡−1

𝐼𝑡 = 𝛿 𝑋𝑡 /𝑆𝑡 + (1 − 𝛿)𝐼𝑡−𝑠

𝑋෠𝑡 ℎ = 𝑆𝑡 + ෍ 𝜑𝑖 𝑇𝑡 𝐼𝑡+ℎ−𝑠
𝑖=1

La série ajustée : 𝐹𝑡−1 = 𝑆𝑡−1 +𝜑𝑇𝑡−1 𝐼𝑡−𝑠

Pour tous ces modèles, l’erreur d’ajustement est définie par :

𝑒𝑡 = 𝑋𝑡 − 𝑋෠𝑡−1 1 = 𝑋𝑡 − 𝐹𝑡−1
Formules de prévisions à l’instant h, d’une série ajustée jusqu’à
l’horizon th

Modèle Formule de prévision

DA-N ℎ

𝑋෠𝑡ℎ+ℎ = 𝑋෠𝑡ℎ ℎ = 𝑆𝑡ℎ + ෍ 𝜑𝑖 𝑇𝑡ℎ

𝑖=1
N-M Xˆ th  h  X̂ th h   Sth I th  h -s

DA-M ℎ

𝑋෠𝑡ℎ+ℎ = 𝑋෠𝑡ℎ ℎ = 𝑆𝑡ℎ + ෍ 𝜑 𝑖 𝑇𝑡ℎ 𝐼𝑡ℎ+ℎ−𝑠

𝑖=1
Longueurs T des séries chronologiques pour minimiser l’effet des valeurs
initiales :
Séries trimestrielles ≥ 12*4 = 48

Séries mensuelles ≥ 8*12 = 96

Période d’ajustement : T – 2*s

Période de prévision : 2*s

Le lissage exponentiel avec SPSS
SPSS permet de calculer l’un des modèles suivant

Lissage
double

Modèle
DA-N

Il permet aussi de choisir le meilleur modèle parmi ces modèles

Les modèles de Hyndman : Approche ETS

E : erreur, T : trend, S : composante saisonnière

Le trend peut prendre les formes suivantes :

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

La composante saisonnière peut prendre les 3 formes suivantes :

N : absence de composantes saisonnières

A : composante saisonnière additive

M : composante saisonnière multiplicative
 Trend Composante saisonnière
N A M
(None (Additive) (Multiplicative)
N None N,N N,A N,M
A Additive A,N A,A A,M
Ad Additive amortie Ad,N Ad,A Ad,M
M Multiplicative M,N M,A M,M
Md Multiplicative amortie Md,N Md,A Md,M

Il y a 15 possibilités pour combiner le Trend avec la Composante

saisonnière, voir fichier ‘‘file’’
L’erreur E peut être combinée soit d’une manière additive ou multiplicative
Hyndman a développé ainsi 30 modèles possibles
Un modèle à erreur additive, a la même formule de prévision que le
même modèle à erreur multiplicative
Exemples :
A,N,N : Lissage exponentiel simple
A,A,N : Lissage de Holt
M,A,M : Lissage de H-W multiplicatif avec erreur multiplicative
Le modèle espace d’état linéaire

𝑦𝑡 = 𝑤 ′ 𝑥𝑡−1 + 𝜀𝑡 é𝑞𝑢𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑚𝑒𝑠𝑢𝑟𝑒

ቊ
𝑥𝑡 = 𝐹𝑥𝑡−1 + 𝑔𝜀𝑡 é𝑞𝑢𝑎𝑡𝑖𝑜𝑛 𝑑 ′ é𝑡𝑎𝑡 𝑜𝑢 é𝑞𝑢𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑖𝑡𝑖𝑜𝑛

𝑦𝑡 une série chronologique, 𝜀𝑡 est bruit blanc

𝑥𝑡 vecteur de taille m, appelé vecteur d’état

F matrice carrée de taille (m,m), g est un vecteur de taille (m,1)

w’ est un vecteur de taille (1,m)

 Le modèle espace d’état non linéaire

𝑦𝑡 = 𝑤 𝑥𝑡−1 + 𝑟 𝑥𝑡−1 𝜀𝑡
ቊ
𝑥𝑡 = 𝑓 𝑥𝑡−1 + 𝑔 𝑥𝑡−1 𝜀𝑡

𝑦𝑡 une série chronologique, 𝜀𝑡 est bruit blanc

𝑥𝑡 vecteur de taille m, appelé vecteur d’état
w et r sont deux fonctions de 𝑅𝑚 → 𝑅

f et g sont deux fonctions de 𝑅𝑚 → 𝑅𝑚

Le fichier ‘‘file modèle espace d’état’’ reprend les 30 équations différentes

des modèles ETS

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

𝑦𝑡 = 𝑤 ′ 𝑥𝑡−1 + 𝜀𝑡 On suppose que le bruit 𝜀𝑡 est normale

ቊ
𝑥𝑡 = 𝐹𝑥𝑡−1 + 𝑔𝜀𝑡 𝑥0 est le vecteur d’état initial

𝑥𝑡 est une combinaison de 𝑥0 et 𝜀1 , … , 𝜀𝑡 , il en est de même pour 𝑦𝑡

𝐸 𝑦𝑡 Τ𝑥𝑡−1 = 𝑤′𝑥𝑡−1 et 𝑉 𝑦𝑡 Τ𝑥𝑡−1 = 𝑉 𝜀𝑡 = 𝜎 2

La fonction vraisemblance est la densité de probabilité du vecteur

aléatoire 𝑦1 , … . , 𝑦𝑛 : 𝑝 𝑦Τ𝑥0
𝑛

𝑝 𝑦Τ𝑥0 = ෑ 𝑝 𝑦𝑡 Τ𝑦𝑡−1 , … , 𝑦1 , 𝑥0
𝑡=1

La densité conjointe s’écrit comme produit de densités conditionnelles

n étant le nombre de valeurs disponibles de la série temporelle

 𝑛 𝑛

𝑝 𝑦Τ𝑥0 = ෑ 𝑝 𝑦𝑡 Τ𝑦𝑡−1 , … , 𝑦1 , 𝑥0 = ෑ 𝑝 𝑦𝑡 Τ𝑥𝑡−1

𝑡=1 𝑡=1

La composante aléatoire de 𝑦𝑡 si on fixe 𝑦𝑡−1 , … , 𝑦1 , 𝑥0 est la même

que celle de 𝑦𝑡 si on fixe 𝑥𝑡−1

Si 𝜀𝑡 → 𝑁 0, 𝜎 alors 𝑦𝑡 Τ𝑥𝑡−1 → 𝑁 𝑤 ′ 𝑥𝑡−1 , 𝜎

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

𝑦 = 𝑤 𝑥𝑡−1 + 𝑟 𝑥𝑡−1 𝜀𝑡 On suppose que le bruit 𝜀𝑡 est normale

ቊ 𝑡
𝑥𝑡 = 𝑓 𝑥𝑡−1 + 𝑔 𝑥𝑡−1 𝜀𝑡 𝑥0 est le vecteur d’état initial
𝑛 𝑛

𝑝 𝑦Τ𝑥0 = ෑ 𝑝 𝑦𝑡 Τ𝑦𝑡−1 , … , 𝑦1 , 𝑥0 = ෑ 𝑝 𝑦𝑡 Τ𝑥𝑡−1

𝑡=1 𝑡=1

Si 𝜀𝑡 → 𝑁 0, 𝜎 alors 𝑦𝑡 Τ𝑥𝑡−1 → 𝑁 𝑤 𝑥𝑡−1 , 𝑟 𝑥𝑡−1 𝜎

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

𝜃 est le vecteur des paramètres du modèle espace d’état

𝑛 𝑛
𝑛 1 𝜀𝑡2
𝐿𝑛𝐿 𝜃, 𝑥0 , 𝜎 2 = − 𝐿𝑛 2𝜋𝜎 2 − ෍ 𝐿𝑛 𝑟 𝑥𝑡−1 − ෍ 2
2 2 𝜎
𝑡=1 𝑡=1
𝑛 𝑛
𝜕𝐿𝑛𝐿 𝜃, 𝑥0 , 𝜎 2
𝑛 𝜀𝑡2 𝜀𝑡
2
=− + ෍ 3 = 0 → 𝜎ො 2 = ෍
𝜕𝜎 𝜎 𝜎 𝑛
𝑡=1 𝑡=1
𝑛 𝑛
𝑛 1 𝜀𝑡2
𝐿𝑛𝐿 𝜃, 𝑥0 , 𝜎ො 2 = − 𝐿𝑛 2𝜋𝜎ො 2 − ෍ 𝐿𝑛 𝑟 𝑥𝑡−1 − ෍ 2
2 2 𝜎ො
𝑡=1 𝑡=1

−2𝐿𝑛𝐿 𝜃, 𝑥0 , 𝜎ො 2 = 𝑛𝐿𝑛 2𝜋𝜎ො 2 + 2 ෍ 𝐿𝑛 𝑟 𝑥𝑡−1 +𝑛

𝑡=1

−2𝐿𝑛𝐿 𝜃, 𝑥0 , 𝜎ො 2 = 𝑛𝐿𝑛 2𝜋𝑒𝜎ො 2 + 2 ෍ 𝐿𝑛 𝑟 𝑥𝑡−1

𝑡=1
L’estimation des paramètres 𝜃 et 𝑥0 se fait en minimisant la grandeur :
𝑛 𝑛

𝐿∗ 𝜃, 𝑥0 = 𝑛𝐿𝑛 ෍ 𝜀t2 + 2 ෍ 𝐿𝑛 𝑟 𝑥𝑡−1

𝑡=1 𝑡=1

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’’

Le meilleur modèle est celui qui minimise un critère de sélection

Forme des critères de sélection IC (Information criterion)

𝐼𝐶 = 𝐿∗ 𝜃, 𝑥0 + 𝑞𝜁 𝑛

𝑞𝜁 𝑛 est la fonction pénalité et q le nombre de paramètres de 𝜃 plus le

nombre de composantes non stationnaire du vecteur d’état 𝑥𝑡
 Exemples de critères de sélection
Critère 𝜁 𝑛
AIC 2
BIC Ln(n)
AICC 2n/(n-q-1)

Hyndman a séparé les 30 modèles ETS en 5 groupes :

Gr1 : Le modèle espace d’état linéaire et E additive

Gr2 : Le modèle espace d’état linéaire et E multiplicative

Gr3 : MNM, MAM, MAdM

Gr4 : MMN, MMM, MMdN, MMdM

Gr5 : les autres modèles

Classification des modèles ETS en groupes
Calculs des prévisions et intervalles de confiance

Gr1 : Le modèle espace d’état linéaire : E additive et S absente ou additive

𝑦𝑡 = 𝑤 ′ 𝑥𝑡−1 + 𝜀𝑡 n étant le nombres de valeurs disponibles pour la

ቊ
𝑥𝑡 = 𝐹𝑥𝑡−1 + 𝑔𝜀𝑡 série temporelle

𝑦ො = 𝐸 𝑦𝑛+ℎ Τ𝑥𝑛
Pour un horizon h donné, on calcule : ቊ 𝑛+ℎ
𝑉 𝑦𝑛+ℎ Τ𝑥𝑛

Si 𝜀𝑡 → 𝑁 0, 𝜎 2 , alors 𝑦𝑛+ℎ Τ𝑥𝑛 → 𝑁 𝑤′𝐹 ℎ−1 𝑥𝑛 , 𝐵𝜎 2

En effet : 𝐸 𝑥𝑛+1 Τ𝑥𝑛 = 𝐸 𝐹𝑥𝑛 + 𝑔𝜀𝑛+1 Τ𝑥𝑛 = 𝐹𝑥𝑛

Puisque 𝑥𝑛 est une combinaison de 𝑥0 et 𝜀1 , … , 𝜀𝑛 , alors 𝜀𝑛+1 et 𝑥𝑛 sont

indépendants : 𝐸 𝜀𝑛+1 Τ𝑥𝑛 = 𝐸 𝜀𝑛+1 = 0

De même on démontre que 𝐸 𝑥𝑛+ℎ Τ𝑥𝑛 = 𝐹 ℎ 𝑥𝑛

Calcul de 𝑉 𝑥𝑛+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

𝑉 𝑥𝑛+2 Τ𝑥𝑛 = 𝑉 𝐹𝑥𝑛+1 + 𝑔𝜀𝑛+2 Τ𝑥𝑛 = 𝑉 𝐹𝑥𝑛+1 Τ𝑥𝑛 + 𝑉 𝑔𝜀𝑛+2 Τ𝑥𝑛

= 𝐹𝑉 𝑥𝑛+1 Τ𝑥𝑛 𝐹 ′ + 𝑔𝑔′𝜎 2 = 𝐹𝑔𝑔′ 𝐹 ′ + 𝑔𝑔′ 𝜎 2

𝑉 𝑥𝑛+ℎ Τ𝑥𝑛 = 𝑉 𝐹𝑥𝑛+ℎ−1 + 𝑔𝜀𝑛+ℎ Τ𝑥𝑛 = 𝑉 𝐹𝑥𝑛+ℎ−1 Τ𝑥𝑛 + 𝑉 𝑔𝜀𝑛+ℎ Τ𝑥𝑛

= σℎ−1 𝑖 𝑖 2
𝑖=0 𝐹 𝑔𝑔′𝐹 ′ 𝜎 si ℎ ≥ 2

𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 = 𝑉 𝑤 ′ 𝑥𝑛+ℎ−1 + 𝜀𝑛+ℎ Τ𝑥𝑛 = 𝑤 ′ 𝑉 𝑥𝑛+ℎ−1 Τ𝑥𝑛 𝑤 + 𝑉 𝜀𝑛+ℎ Τ𝑥𝑛

= 𝑤 ′ σℎ−2 𝑖 ′ 𝑖 2
𝑖=0 𝐹 𝑔𝑔 𝐹 ′ 𝑤 + 1 𝜎 si ℎ ≥ 2

𝑉 𝑦𝑛+1 Τ𝑥𝑛 = 𝑉 𝑤′𝑥𝑛 + 𝜀𝑛+1 Τ𝑥𝑛 = 𝑉 𝜀𝑛+1 Τ𝑥𝑛 = 𝜎 2

Pour un horizon h donné, la loi de 𝑦𝑛+ℎ Τ𝑥𝑛 suit une loi normale
𝑁 𝑤′𝐹 ℎ−1 𝑥𝑛 , 𝐵𝜎 2
1 𝑠𝑖 ℎ = 1
𝐵 = ቊ ′ 𝑖 ′ 𝑖′
𝑤 𝐹 𝑔𝑔 𝐹 𝑤 + 1 𝑠𝑖 ℎ ≥ 2

Connaissant la loi de 𝑦𝑛+ℎ Τ𝑥𝑛 , on détermine un intervalle de confiance de

𝛼
niveau 𝛼 : w′𝐹 ℎ−1 𝑥𝑛 ± 𝑡𝛼 𝐵𝜎 avec 𝑃 𝑈 > 𝑡𝛼 = et 𝑈 → 𝑁 0,1
2

Gr2 : Le modèle espace d’état linéaire avec E multiplicative et S absente

ou additive

Le modèle espace d’état de ce groupe a la forme suivante :

𝑦𝑡 = 𝑤 ′ 𝑥𝑡−1 1 + 𝜀𝑡
൜
𝑥𝑡 = 𝐹 + 𝑔𝑤′𝜀𝑡 𝑥𝑡−1

On a pour un horizon h, 𝑦ො𝑛+ℎ = 𝐸 𝑦𝑛+ℎ Τ𝑥𝑛

 𝐸 𝑦𝑛+1 Τ𝑥𝑛 = E 𝑤 ′ 𝑥𝑛 1 + 𝜀𝑛+1 Τ𝑥𝑛 = 𝑤 ′ 𝑥𝑛 , car 𝑥𝑛 et 𝜀𝑛+1 sont
indépendantes

𝐸 𝑦𝑛+ℎ Τ𝑥𝑛 = E 𝑤 ′ 𝑥𝑛+ℎ−1 + 𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 = 𝐸 𝑤 ′ 𝑥𝑛+ℎ−1 Τ𝑥𝑛

𝐸 𝑥𝑛+ℎ Τ𝑥𝑛 = 𝐸 𝐹𝑥𝑛+ℎ−1 + 𝑔𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 = 𝐹𝐸 𝑥𝑛+ℎ−1 Τ𝑥𝑛 = 𝐹 ℎ 𝑥𝑛

𝐸 𝑦𝑛+ℎ Τ𝑥𝑛 = w ′ E 𝑥𝑛+ℎ−1 Τ𝑥𝑛 = 𝑤 ′ 𝐹 ℎ−1 𝑥𝑛

Calcul de 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛

𝑉 𝑦𝑛+1 Τ𝑥𝑛 = 𝑉 𝑤 ′ 𝑥𝑛 1 + 𝜀𝑛+1 Τ𝑥𝑛 = 𝑤 ′ 𝑥𝑛 𝑥𝑛′ 𝑤𝜎 2

Si on suppose que 𝜀𝑖 , i = 1,…,n → 𝑁 0, 𝜎 alors 𝑦𝑛+1 Τ𝑥𝑛 → 𝑁 𝑤′𝑥𝑛 , 𝑤 ′ 𝑥𝑛 𝑥𝑛′ 𝑤𝜎 2

𝑦𝑛+ℎ Τ𝑥𝑛 = 𝑤 ′ 𝑥𝑛+ℎ−1 1 + 𝜀𝑛+ℎ Τ𝑥𝑛

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

𝑉 𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 = 𝑤 ′ 𝑉 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 w

𝑉 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛

′ Τ𝑥𝑛 − 𝐸 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 𝐸 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 ′
= 𝐸 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ 𝜀𝑛+ℎ 𝑥𝑛+ℎ
′ 2 Τ
Τ𝑥𝑛 𝐸 𝜀𝑛+ℎ
= E 𝑥𝑛+ℎ−1 𝑥𝑛+ℎ−1 𝑥𝑛
= 𝑉 𝑥𝑛+ℎ−1 Τ𝑥𝑛 + 𝐸 𝑥𝑛+ℎ−1 Τ𝑥𝑛 𝐸 𝑥𝑛+ℎ−1 Τ𝑥𝑛 ′ 𝜎2
′
= 𝑉 𝑥𝑛+ℎ−1 Τ𝑥𝑛 + 𝐹 𝑛+ℎ−1 𝑥𝑛 𝑥𝑛′ 𝐹 𝑛+ℎ−1 𝜎 2
 Donc 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 =
′
𝑤 ′ 𝑉 𝑥𝑛+ℎ−1 Τ𝑥𝑛 𝑤 + 𝑤′ 𝑉 𝑥𝑛+ℎ−1 Τ𝑥𝑛 + 𝐹 𝑛+ℎ−1 𝑥𝑛 𝑥𝑛′ 𝐹 𝑛+ℎ−1 𝑤𝜎 2
′
𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 = 𝑤 ′ 𝑉 𝑥𝑛+ℎ−1 Τ𝑥𝑛 𝑤 1 + 𝜎 2 + 𝑤′𝐹 𝑛+ℎ−1 𝑥𝑛 𝑥𝑛′ 𝐹 𝑛+ℎ−1 𝑤𝜎 2

Calculons 𝑉 𝑥𝑛+ℎ Τ𝑥𝑛 = 𝑉𝑛+ℎ

On a 𝑥𝑛+ℎ = 𝐹𝑥𝑛+ℎ−1 + 𝑔𝑤 ′ 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ

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

Comme précédemment, la covariance est nulle

𝑉𝑛+ℎ = 𝐹𝑉𝑛+ℎ−1 𝐹 ′ + 𝑔𝑤 ′ 𝑉 𝑥𝑛+ℎ−1 𝜀𝑛+ℎ Τ𝑥𝑛 wg ′

′
= 𝐹𝑉𝑛+ℎ−1 𝐹 ′ + 𝑔𝑤′ 𝑉𝑛+ℎ−1 + 𝐹 𝑛+ℎ−1 𝑥𝑛 𝑥𝑛′ 𝐹 𝑛+ℎ−1 𝑤𝑔′𝜎 2

𝑉𝑛+1 = 𝑉 𝑥𝑛+1 Τ𝑥𝑛 = 𝑉 𝐹𝑥𝑛 + 𝑔𝑤 ′ 𝑥𝑛 𝜀𝑛+1 Τ𝑥𝑛 = 𝑔𝑤 ′ 𝑥𝑛 𝑥𝑛′ 𝑤𝑔′𝜎 2

Algorithme de calcul de 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 pour ℎ ≥ 2

𝑉𝑛+1 = 𝑔𝑤 ′ 𝑥𝑛 𝑥𝑛′ 𝑤𝑔′𝜎 2

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

Gr3 : Le modèle espace d’état non linéaire avec E multiplicative et S

multiplicative
𝑦𝑡 = 𝑤1′ 𝑥𝑡−1 𝑤2′ 𝑧𝑡−1 1 + 𝜀𝑡
ቐ 𝑥𝑡 = 𝐹1 + 𝑔1 𝑤1′ 𝜀𝑡 𝑥𝑡−1
𝑧𝑡 = 𝐹2 + 𝑔2 𝑤2′ 𝜀𝑡 𝑧𝑡−1

𝑥𝑡 : niveau et pente, 𝑧𝑡 : composante saisonnière

 On a pour un horizon h, 𝑦ො𝑛+ℎ = 𝐸 𝑦𝑛+ℎ Τ𝑥𝑛 , 𝑧𝑛 = 𝑤1′ 𝑥𝑛 𝑤2′ 𝑧𝑛 si h=1

Il est possible de calculer 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 , 𝑧𝑛

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

Pour G3 on a : 𝑦ො𝑛+ℎ ± 𝑡𝛼 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 , 𝑧𝑛

Groupe 4 et Groupe 5

𝑦ො𝑛+ℎ = 𝐸 𝑦𝑛+ℎ Τ𝑥𝑛 → voir fichier ‘‘file’’

𝑉 𝑦𝑛+ℎ Τ𝑥𝑛 n’a pas pu être calculée

Calcul d’un intervalle de confiance par simulation de niveau de signification 𝛼

Cette méthode permet de contourner le calcul de 𝑉 𝑦𝑛+ℎ Τ𝑥𝑛

On dispose de n valeurs d’une série temporelle 𝑦1 , … 𝑦𝑛 , pour laquelle on a

calculé un modèle ETS
𝑦 = 𝑤 𝑥𝑡−1 + 𝑟 𝑥𝑡−1 𝜀𝑡
ቊ 𝑡
𝑥𝑡 = 𝑓 𝑥𝑡−1 + 𝑔 𝑥𝑡−1 𝜀𝑡

En estimant les paramètres du modèle et en en considérant le fait que pour

𝑦𝑡 −𝑤 𝑥𝑡−1
t = 1,…,n, 𝜀𝑡 = , on calcule 𝑥𝑛
𝑟 𝑥𝑡−1

Pour un horizon h donné, on génère h valeurs de la loi 𝑁 0, 𝜎ො 2 , ce qui

permet de calculer 𝑦𝑛+1 , … 𝑦𝑛+ℎ

Cette opération est répétée T fois, T = 5000, 10000, 20000

On obtient ainsi un échantillon de la variable 𝑦𝑛+ℎ
Cette échantillon est trié selon l’ordre croissant

LimInf = T𝛼/2 et LimSup = T 1 − 𝛼/2 ième valeurs de l’échantillon trié

Les critères de comparaison
2
σ𝑛𝑖=1 𝑦𝑖 − 𝑦ො𝑖Τ𝑖−1
𝑀𝑆𝐸 = 𝑎𝑣𝑒𝑐 𝑦ො𝑖Τ𝑖−1 = 𝐸 𝑦𝑖 Τ𝑥𝑖−1 = 𝑤 𝑥𝑖−1
𝑛
σ𝑛𝑖=1 𝑎𝑏𝑠 𝑦𝑖 − 𝑦ො𝑖Τ𝑖−1
𝐴𝑀𝐸 =
𝑛

2
σ𝑛 ො 𝑖Τ𝑖−𝑘
𝑖=𝑘 𝑦𝑖 −𝑦
On définit 𝑀𝑆𝐸𝑘 = , k = 1,2,3
𝑛

𝑀𝑆𝐸1 +𝑀𝑆𝐸2 +𝑀𝑆𝐸3

On a 𝐴𝑀𝑆𝐸 =
3
La fonction ets du package forecast

Elle permet de calculer le modèle ets d’une série temporelle

Par défaut les paramètres sont estimés par maximisation de la fonction

vraisemblance

Il est possible d’estimer les paramètres du modèle en minimisant :

𝑚𝑠𝑒
൞𝑎𝑚𝑠𝑒
𝑚𝑎𝑒
𝜎2

Le meilleur modèle choisi est celui qui minimise un critère de sélection :

𝐴𝐼𝐶
ቐ 𝐵𝐼𝐶
𝐴𝐼𝐶𝐶
Codes possibles

ets(z) est équivalent à ets(z, model =‘‘ZZZ’’)

ets(z, modele = ‘‘AMM’’) → calculer le model AMM

ets(z, model = ‘‘AMM’’, damped = TRUE) → calculer le model AMdM

ets(z, model = ‘‘ZMA’’, damped = TRUE) → calculer le meilleur model

parmi les modèle T = Md et S = A

A défaut, la tendance est additive

ets(z, allow.multiplicative.trend = TRUE)

ets(z, opt.crit = ‘‘amse’’, ic = ‘‘bic’’), calculer le meilleur modèle en

minimisant le critère amse pour estimer les paramètres et en utilisant bic
pour choisir le meilleur

ets(z, model = ‘‘AAA’’, opt.crit = ‘‘sigma’’) calculer le modèle AAA en

estimant les paramètres en minimisant 𝜎 l’écart type du bruit 𝜀𝑡