L’analyse de séries temporelles a souvent pour objectif la prédire des valeurs futures d'une
variable spécifique
I. Méthodes statistiques (disponible dans XLSTAT) :
De nombreuses méthodes de prédiction
existent. Les principales méthodes
disponibles dans XLSTAT
Toutes les méthodes mentionnées ci-
dessous se trouvent dans le menu Analyse de
données temporelles du logiciel XLSTAT, à
l’exception de la régression linéaire, qui se
trouve dans le menu Modélisation des
données.
Les méthodes de lissage exponentiel : Lissage exponentiel simple :
permettent de prédire une série temporelle seule, c’est- toutes les prédictions ont la même
à-dire sans prendre en compte des variables valeur, qui n’est autre qu’une
indépendantes. Elles se basent sur l'idée que les valeurs moyenne pondérée des données
les plus récentes devraient avoir le poids maximal pour passées, avec des poids
déterminer les prédictions. Plusieurs méthodes existent décroissant vers les valeurs
et se trouvent dans la fonctionnalité de lissage XLSTAT : passées
Lissage exponentiel double :
ajoute une tendance linéaire à la
prédiction.
Lissage Holt-Winters linéaire :
similaire au lissage exponentiel
double, mais plus flexible car il
implique un paramètre
supplémentaire.
Lissage Holt-Winters saisonnier
additif : prend en compte une
composante saisonnière.
Lissage Holt-Winters saisonnier
multiplicatif : prend en compte la
saisonnalité ainsi qu’une variance
changeante
La régression linéaire :
Utilisée pour prédire les valeurs de
la variable dépendante en
fonction de nouvelles valeurs des
variables indépendantes. Ces
valeurs peuvent être réelles ou
inspirées d'un scénario futur. Pour
obtenir des prédictions à partir
d’une régression dans XLSTAT,
utilisez l'onglet Prédiction de la
boîte de dialogue de régression
linéaire.
Prédire avec le modèle ARIMA ARIMA implique plusieurs
Les modèles ARIMA sont une famille de méthodes paramètres à calibrer, tels que
statistiques permettant de modéliser et de prédire une l'ordre des composantes AR et
série temporelle à partir de ses propres valeurs passées MA, l’ordre de différenciation,
et tout en incorporant (optionnellement) les ainsi que les paramètres liés à la
informations de variables indépendantes. Le modèle saisonnalité. Pour choisir les
ARIMA comprend les composantes suivantes : valeurs optimales des paramètres,
une solution est d’effectuer une
AR (AutoRegressive) : une donnée au temps t sélection automatique se basant
est prédite à partir d’une régression sur des sur l'optimisation d’indices tels
séries décalées dans le passé (t-1, t-2…). que AICc ou SBC. Les utilisateurs
MA (Moving Average) : une donnée au temps t avancés peuvent également avoir
est prédite à partir erreurs de prédictions recours aux fonctions
passées. d'autocorrélation (ACF) et
ARIMA permet une différenciation automatique des d'autocorrélation partielle (PACF)
séries temporelles. C'est ce que représente le I (Intégré) pour déterminer un ensemble
dans ARIMA. Il est également possible de configurer une approprié de valeurs de
différenciation saisonnière. paramètres. Ces fonctions peuvent
être obtenues à l'aide de la
fonctionnalité d'analyse
descriptive des séries temporelles.
II. Bleeding-Edge Techniques
Deep learning utilise des réseaux de neurones artificiels pour effectuer des calculs sophistiqués
sur de grandes quantités de données. Utilisent plusieurs algorithmes. Bien qu'aucun réseau ne
soit considéré comme parfait, certains algorithmes sont mieux adaptés pour effectuer des
tâches spécifiques. Pour choisir les bons, il est bon d'acquérir une solide compréhension de tous
les algorithmes primaires.
Convolutional Neural Networks (CNNs)
Long Short Term Memory Networks (LSTMs)
Recurrent Neural Networks (RNNs)
Artificial Neural Network (ANN)
…
