[PDF] Prévision à court terme : méthodes de lissage - AUNEGE

View - Download Prévision à court terme : méthodes de lissage - AUNEGE

Previous PDF

Next PDF

Méthodes de lissage exponentiel

I Typiquement dans un modèle de régression, on dispose des observations(yt;xt),t=1;:::;n, avecnla taille de l"échantillon. I On a alors formulé un modèle linéaire de la forme y t=x>t+t: I Pour faire des prévisions à l"instantt0, on avait cependant besoin dext0.

Données mesurées dans le temps: séries

chronologiques I Il y a des situations où l"on dispose que d"une série de données. I Lorsque les données sont mesurées dans le temps, il est anticipé que ces données soient dépendantes. I L"hypothèse de l"échantillon aléatoire (X1;:::;Xniid) devient alors douteuse. I Lorsque les données sont mesurées dans le temps, on dira queX1;:::;Xnest une série chronologique. I Formellement, une série chronologique est une réalisation finie d"un processus stochastique.

Calcul des prévisions

I Que faire si l"on dispose que d"une série de données et que l"on désire faire des prévisions? I Une stratégie consiste à utiliser le passé de la variable, ou l"historique. I En utilisant le passé de la variable, en expliquant la dépendance dans les données, on cherche à proposer des prévisions.

Méthode classique: lissage exponentiel

I Le lissage exponentiel est simple et intuitif; c"est l"ancêtre des méthodes plus modernes de séries chronologiques. I Il demeure utile afin de motiver les nouveaux modèles, avec les outils vus jusqu"à maintenant. I Considéronsz1;:::;znune série chronologique, réalisation defZt;t2Zg. I Un modèle possible est d"expliquerZtpar le temps lui-même: Z t=f(t;) +t; oùf(t;)est une fonction connue, fonction du temps, et les erreursftgsont non-corrélées.

Exemples

I Dans le cas non-saisonnier, on pourrait considérer: Z t=+t;modèle avec moyenne constante; Z t=0+1t+t;modèle avec tendance linéaire; I

Cas saisonnier:

Z t=0+1sin(2t=12) +2cos(2t=12) +t; c"est un exemple de modèle sinusoidal; Z t=12X j=1 jIft2périodeig+t;modèle avec indicatrices; avecIft2périodeigvalant un sitest dans la périodei, i=1;:::;12.

Méthodes d"estimation

I Une première méthode d"estimation pourrait être les moindres carrés ordinaires: min nX t=1fztf(t;)g2 I On verra cependant qu"une méthode plus naturelle consistera à utiliser les moindres carrés pondérés: min nX t=1w tfztf(t;)g2 I

Leswtsont des poids, qui sont choisis tels qu"ils

décroissent de manière exponentielle: w t=wnt;t=1;:::;n:

Choix du coefficientw

I Le coefficientwdoit être choisi par l"utilisateur. I Il aura un impact direct sur l"importance des observations récentes relativement aux données passées. Par exemple w=0:9. I Ce cadre des moindres carrés pondérés avec ce choix de poids mène à la méthode générale du lissage exponentiel.

Modèle avec moyenne constante

I Considèrons le modèleZt=+t. Sous forme matricielle on aura alors: Z=1+; avecZ= (Z1;:::;Zn)>et1= (1;:::;1)>. I

La variable à l"horizonlest alors:

Z n+l=+n+l: I

La prévision pourZn+lest alors:

Z n(l) =; en autant quesoit connu.

Estimation dedans le modèle avec moyenne

constante I Si on utilise les moindres carrés ordinaires, on trouve: = (X>X)1X>y; = (1>1)11>Z; =n1nX t=1Z t; Zn: I

On note queZn=Pn

t=1f(1=n)Ztg. I L"utilisation des moindres carrés entraîne que chaque observation a un poids de 1=n.

Modification des poids

I

Les donnéesztsont observées dans le temps.

I Intuitivement, il semble raisonnable d"attribuer plus de poids aux observations récentes, et moins aux observations passées. I Une façon: pondérer de façon que les poids décroissent géométriquement dans le temps. I

Cette idée amène la prévision suivante:

zn(l) =c z n+wzn1+w2zn2+:::+wn1z1 avecw2(0;1)etcPn1 t=0wt=1.

Justification théorique

I En fait, si on considère le problème des moindres carrés pondérés suivant: min n1X j=0w jfznjg2 I

Les moindres carrés pondérés donnent:

= (X>W1X)1X>W1y; =P n1 j=0wjznjP n1 j=0wj;

1w1wnn1X

j=0w jznj; avecX=1= (1;:::;1)>,y= (zn;:::;z1)>et

W=diag(1;1=w;:::;1=wn1).

Facteur d"amortissement

I

Òn rappelle quecPn1

t=0wt=1. I Utilisant les résultats sur les séries géométriques: n1X t=0w t=1wn1w; I

Puisquew2(0;1), ceci implique:

c=1w1wn!1w; lorsquen! 1. I

Typiquementw2(0:7;0:95).

Étude en fonction dew

I Avecc=1w1wn, on remarque que la prévision devient: zn(l) =1w1wn z n+wzn1+w2zn2+:::+wn1z1 I Le poids associé à chaque donnée est donc1w1wnwj. On aura: lim w!11w1wn=00 lim w!11nwn1=1n I Siwest proche de un, tous les poids sont grands ou plutôt de même importance (et proches de 1=n). I Les prévisions seront lisses et on parlera d"un lissage fort. I Siw<<1, les prévisions vont reposer sur les dernières données; ce sera moins lisse. Astuce décisive: connaissance du passé infini I La prévision devrait dépendre sur les donnéesz1;:::;zn: zn(l) =1w1wn z n+wzn1+w2zn2+:::+wn1z1 I

Cependant, compte tenu quewn!0 rapidement, et

compte tenu d"astuces théoriques, il est souvent commode de supposer que l"on dispose de tout l"historique: zn(l) = (1w) z n+wzn1+w2zn2+::: où l"on s"est permis de laisser tendren! 1et donc

1w1wn!1w, lorsquen! 1.

Premier lissage des observations

I

La prévision:

zn(l) = (1w) z n+wzn1+w2zn2+::: est appeléepremier lissage des observations. I

Le facteur=1west appeléeconstante de lissage.

I On a mentionné quew2(0:7;0:95), donc typiquement

2(0:05;0:3). Ce sont des règles empiriques.

I

Le premier lissage est parfois notéSn:

S n=1X j=0w jznj;8l1: I

On note queSnest indépendant de l"horizonl

Mise à jour des prévisions

I Sujet qui historiquement a assuré le succès de la méthode. I Repose sur une utilisation astucieuse de la connaissance du passé infini (pas immédiatement évident à réaliser). I

Ceci repose sur l"argumentation suivante:

zn(l) =Sn=1X j=0w jznj=zn+1X j=1w jznj; =zn+w1X j=1w j1znj=zn+w1X j=0w jznj1; =zn+w8 1X j=0w jz(n1)j9 =zn+wSn1: Mise à jour des prévisions; formules équivalentes I

On vient de voir:

zn(l) =Sn=zn+wSn1: I

On peut écrire également:

zn(1) =zn+w^zn1(1): I On remarque que^zn(1)est la prévision d"horizon un. I

Une autre écriture est:

S n= (1w)zn+ (w1+1)Sn1; =Sn1+ (1w)(znSn1):

Modèle à correction d"erreurs

I

La formule:

S n=Sn1+ (1w)(znSn1): peut s"écrire alternativement comme: zn(1) =^zn1(1) + (1w)(zn^zn1(1)): I L"expression précédente est utile car elle indique comment les prévisions sont mises à jour quand une nouvelle observation devient disponible. I C"est un exemple de modèle à correction d"erreurs.

Mise en oeuvre en pratique

I

On postule l"utilisation deSn=P

j0wjznj. I

On exploite les récursionsSn=zn+wSn1.

I

Les récursions donnent:

S n=zn+w(zn1+wSn2); =zn+wzn1+w2Sn2; =zn+wzn1+w2zn2+:::+wnS0: I On aura besoin deet deS0: la prévisionSndevient calculable.

Choix deS0

I

La formule est:

S n=zn+wzn1+w2zn2+:::+wnS0: I Sinest grand etwpetit alors l"influence deS0devrait être faible. I

Siwest proche de un, on peut prendreS0=zn.

I

Siwest loin de un, on pourrait prendreS0=z1.

Choix de

I On considère les erreurs de prévision d"horizon un suivantes: e t(1) =zt+1St; =zt+1^zt(1);t=1;:::;n; I

On considère la somme des carrés suivante:

RSS() =n1X

t=0e

2t(1):

I

On minimise en:

minRSS() I En pratique on peut choisir une palette de valeurs de

2 f0:05;0:06;:::;0:30g.

Diagnostiquer un lissage exponentiel

I Les "résidus" dans ce cas-ci sont les erreurs de prévision d"horizon un: e t(1) =zt+1St;t=0;:::;n1: I

Deux aspects sont souvent cernés:

1. Absence de corrélation dans les erreurs de prévision. On fait un test de bruit blanc sur leset(1): r(k) =P n1 t=kfet(1)egfetk(1)egP n1 t=0fet(1)eg2 2. Prévisions non-biaisées .On teste f ormellement H

0:e=0, avecel"espérance des erreurs de prévision

un.

Diagnostiquer un lissage exponentiel (suite)

I

Pour tester=0 sur un échantillonX1;:::;Xnla

statistique estn1=2x=s, avecxets2la moyenne et la variance échantillonnales, respectivement. I

Les "observations" sont leset(1) =zt+1St,

t=0;:::;n1. I

Pour tester formellementH0:e=0, on calcule la

statistique: n

1=2e=se;

avec e=n1Pn1 t=0etets2e=n1Pn1 t=0fet(1)eg2. I

On rejetteH0au niveau 5% si:

jn1=2e=sej>1:96:

Intervalle de prévision

I

On remarque que:

var(Sn) =var(X j0w jznj) =22X j0w 2j; =2211w2: I Ainsi l"erreur quadratique moyenne de prévision

Ef(Zn+1Sn)2gdevient:

Ef(Zn+1Sn)2g=2+2211w2=221w2

I Il peut être montré qu"un intervalle de prévision est: S nq1=2se; avecs2e=n1Pn1 t=0fet(1)eg2.quotesdbs_dbs10.pdfusesText_16

[PDF] lissage exponentiel double

[PDF] lissage exponentiel exercice corrige

[PDF] lissage exponentiel wiki

[PDF] evaluation sur lappel de la foret

[PDF] lissage de holt

[PDF] lissage exponentiel pdf

[PDF] technique de prévision cours

[PDF] etude du livre l'appel de la foret

[PDF] prévisions des ventes exercices corrigés

[PDF] prévision statistique excel

[PDF] l'appel de la foret fiche de lecture gratuite

[PDF] analyse de la saisonnalité

[PDF] serie temporelle pdf

[PDF] macbett ionesco texte intégral

[PDF] initiation au logiciel eviews pdf