La prévision des séries chronologiques est une technique fondamentale de la statistique qui permet aux analystes de prédire les valeurs futures en fonction des modèles observés dans les données historiques. Des indicateurs économiques et des prix des stocks aux modèles météorologiques et à la demande énergétique, les prévisions précises orientent la prise de décision dans les différentes industries.

Comprendre les données des séries chronologiques

Une série chronologique est une séquence d'observations enregistrées à des moments successifs, généralement à intervalles réguliers. Les fréquences communes comprennent tous les jours (par exemple, les ventes quotidiennes), tous les mois (par exemple, les taux de chômage), tous les trimestres (par exemple, le PIB) ou tous les ans (par exemple, les revenus annuels).

Composantes clés des séries chronologiques

Chaque série chronologique peut être décomposée en quatre composantes principales:

  • Tendance : Une augmentation ou une diminution à long terme des données.
  • Saisonnalité Des tendances régulières et prévisibles qui se répètent sur une période déterminée (p. ex., hebdomadaire, mensuelle, annuelle).
  • Cyclicité: Fluctuations qui se produisent sans une période fixe, souvent liées aux cycles économiques.
  • Irrégularité (résidus): Le bruit aléatoire ne peut s'expliquer par la tendance, la saisonnalité ou les cycles.

La compréhension de ces composantes aide à choisir la méthode de prévision appropriée. Par exemple, une méthode naïve simple peut fonctionner pour des données sans tendance ni saisonnalité, alors que des méthodes comme Holt-Winters excellent quand les tendances et la saisonnalité sont présentes.

Méthodes de prévision des séries chronologiques communes

Les méthodes suivantes constituent le fondement de la prévision statistique : elles permettent de comparer la simplicité, les besoins en données et la capacité de saisir des modèles complexes.

Méthode de naïveté

La méthode naïve utilise la plus récente observation comme prévision pour toutes les périodes futures. ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------t+1 = ytSi une prévision naïve se déroule bien, il est peu probable que des méthodes complexes ajoutent de la valeur. Cette méthode est la plus appropriée pour les données sans tendance claire ni saisonnalité, ou comme base de comparaison.

Moyennes mobiles

Une moyenne mobile lisse les fluctuations à court terme en moyenne un nombre fixe k La moyenne mobile simple (MMA) est calculée comme suit: ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------t+1 = (1/k) φyt-i+1 pour Les = 1...k. Augmentation k Les moyennes mobiles pondérées attribuent des poids différents aux observations passées, mettant souvent plus d'importance sur les données récentes. Les moyennes mobiles sont bien adaptées aux données ayant un niveau relativement stable mais pas de tendance forte.

Lissage expanentiel

Le lissage exponentiel attribue des poids décroissants exponentiellement aux observations plus anciennes, ce qui le rend plus adaptatif aux changements récents. simple lissage exponentiel, est utilisé pour les données sans tendance ni saisonnalité. ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------t+1 = α yt + (1-α) ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------t, où α (0 < α ≤ 1) controls the smoothing factor. A higher α gives more weight to recent observations.

Pour les données avec une tendance, Lissage linéaire exponentiel Holt La tendance est plus marquée que la tendance générale. Lissage exponentiel saisonnier Holt-Winters Ces méthodes sont largement utilisées dans la planification des stocks et les prévisions des ventes en raison de leur simplicité et de leur robustesse.

Modèles ARIMA

Le modèle Autogressive Integrated Moving Medium (ARIMA) est une classe de modèles polyvalents et puissants pour les séries chronologiques non saisonnières. Il combine trois composants:

  • Autorégressifs (AR): Utilise la relation entre une observation et un certain nombre d'observations décalées. p- Oui.
  • Intégré (I): Differenciing les données pour le rendre stationnaire. Le nombre d'étapes de différenciation est d- Oui.
  • Moyenne mobile (MA) : Modélise le terme d'erreur comme une combinaison linéaire d'erreurs de prévision passées. q- Oui.

Un modèle ARIMA est écrit comme ARIMA(Les). La sélection des paramètres appropriés implique l'identification de la station Test de Dickey-Fuller augmenté) et analyse l'autocorrélation (ACF) et l'autocorrélation partielle (PACF). Pour les données avec la saisonnalité, l'extension saisonnière de l'ARIMA (SARIMA) ajoute des paramètres saisonniers (En milliers de dollars des États-Unis), où m Les modèles ARIMA nécessitent un réglage attentif mais offrent une grande précision pour de nombreuses séries chronologiques économiques et commerciales.

Méthodes de prévision supplémentaires

Décomposition saisonnière des séries chronologiques (STL)

STL décompose une série chronologique en composantes de tendance, saisonnières et résiduelles en lissant les loess. Elle est flexible et gère tout type de saisonnalité. Après décomposition, chaque composante peut être prévue séparément puis recombinée. Cette méthode est particulièrement utile pour les données avec des profils saisonniers solides et stables.

Modèle de prophète

Développé par Facebook (Meta), Prophète est conçu pour prévoir à l'échelle avec des observations quotidiennes qui affichent la saisonnalité et les effets de vacances. Il est un modèle additif décomposable qui capture la tendance, la saisonnalité hebdomadaire et annuelle, et les régresseurs spécifiés par l'utilisateur. Prophète est robuste à manquer les données et les changements de la tendance, ce qui le rend populaire dans les applications commerciales réelles.

Évaluation de l'exactitude des prévisions

Aucune prévision n'est parfaite. L'évaluation du rendement du modèle est essentielle pour choisir la meilleure méthode et confirmer la fiabilité.

  • Erreur absolue moyenne (EIM) : Moyenne des erreurs absolues. Facile à interpréter dans les unités originales.
  • Erreur carrée moyenne (ESM) : Moyenne des erreurs carrées. Réprime les erreurs importantes plus fortement.
  • Erreur carrée moyenne de racine (RMSE) : Racine carrée de MSE. Aussi dans les unités originales.
  • Erreur moyenne en pourcentage absolu (EMPE) : Moyenne des erreurs absolues en pourcentage. Utile pour la comparaison entre différentes séries.
  • - C'est pas vrai. Le MAPE symétrique, qui évite les valeurs gonflées lorsque les valeurs réelles sont proches de zéro.

Lors de l'évaluation de plusieurs modèles, utilisez toujours un échantillon de retenue (p. ex., les derniers 20 % des données) pour tester la précision hors échantillon. contre-validation des séries chronologiques (validation de la fenêtre roulante) fournissent une évaluation plus robuste.

Choisir la bonne méthode de prévision

La sélection dépend des caractéristiques des données et de l'objectif de prévision.

  • Données sans tendance ni saisonnalité: Méthode naïve, lissage exponentiel simple ou moyenne mobile.
  • Données avec tendance mais pas de saisonnalité: Lissage linéaire Holt, ARIMA avec différenciation.
  • Données à la fois sur la tendance et sur la saisonnalité: Holt-Winters, SARIMA, ou Prophète.
  • Données comportant plusieurs saisons (p. ex., tous les jours, hebdomadaires et annuels): Décomposition du prophète ou de la STL.
  • Lorsque l'interprétation est essentielle: Des méthodes simples comme des moyennes mobiles ou un lissage exponentiel.
  • Lorsque la précision est primordiale: ARIMA/SARIMA ou Prophète avec une attention particulière.

Comparez toujours quelques modèles candidats en utilisant des mesures de précision hors échantillon. Un modèle qui correspond parfaitement aux données historiques peut ne pas généraliser. Évitez d'adapter trop – gardez les modèles aussi simples que possible tout en saisissant les motifs essentiels.

Outils de mise en œuvre pratique

Aujourd'hui, la plupart des prévisions sont effectuées au moyen de logiciels statistiques ou de langages de programmation. Autres fournit des paquets robustes comme (pour lissage exponentiel et ARIMA) et . Python offre pour l'ARIMA et pour les modèles additifs. Pour ceux qui préfèrent une interface graphique, Tableau et Excel Il est essentiel de comprendre les hypothèses et les limites sous-jacentes de chaque méthode pour générer des prévisions fiables.

Pour plus de renseignements, consulter des ressources faisant autorité, telles que : Prévision: Principes et pratiques par Hyndman & Athanasopoulos (un manuel en ligne gratuit), Manuel de statistiques techniques du NIST sur les séries chronologiqueset les Page Wikipedia sur les modèles ARIMA. Ces sources fournissent des détails techniques plus détaillés et des études de cas.

Les méthodes de base qui y sont abordées — moyennes naïves, moyennes mobiles, lissage exponentiel et ARIMA — constituent le fondement de la prévision pratique. En évaluant systématiquement les caractéristiques des données, en testant plusieurs approches et en validant l'exactitude des données invisibles, les analystes peuvent produire des prédictions fiables qui conduisent à de meilleures décisions d'affaires et de politiques.