Chapitre 1

Introduction à l’étude des séries

temporelles

Ce chapitre est une introduction à l’étude des séries chronologiques, appelées encore
séries temporelles ("time series" en anglais). Une série temporelle est une suite d’ob-
servations d’un phénomène, indicées par une date, un temps. Les dates sont souvent
équidistantes (séries journalières, mensuelles, trimestrielles ou annuelles) sauf dans
quelques cas (par exemple les données journalières en économie ne sont pas toujours
disponibles les jours non ouvrables). Une série temporelle est un ensemble d’obser-
vations qui se distinguent par le rôle important que joue l’ordre dans lequel elles ont
été recueillies.
L’importance des séries temporelles est illustrée par les nombreux domaines d’ap-
plication tels que :
- Economie : prévision d’indices économiques, ...
- Finance et économétrie : évolution des indices boursiers, des prix, des données
économiques des entreprises, des ventes et achats de biens, des productions agricoles
ou industrielles,...
- Démographie : analyse de l’évolution d’une population, ...
- Météorologie : analyse de données climatiques, ....
- Médecine, biologie : suivi des évolutions des pathologies, analyse d’électro-
encéphalogrammes et d’électrocardiogrammes, ...
- Géophysique : analyse de données sismiques, ...

1
CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

- Théorie du signal : transmission de signaux bruités, ...

- Traitement d’images : analyse d’images satellites, médicales, ...
- Energie : prévision de la consommation d’électricité, ...
En conséquence, elles intéressent beaucoup de gens différents : différents par la na-
ture des phénomènes qu’ils étudient et par les buts qu’ils se fixent dans leur étude.
Ces différences ne sont pas anodines, et nécessitent des théories différentes : les séries
temporelles univariées ou multivariées, linéaires ou non linéaires, séries stationnaires
ou non stationnaires, etc.

1.1 Généralités sur les séries temporelles

1.1.1 Définitions et exemples

Définition 1.1. On appelle série temporelle (ou série chronologique ou chronique)
toute suite d’observations {Yt , t ∈ T } où T est un ensemble ordonné désignant
généralement le temps.

Notation 1.1. Soit {Yt , t ∈ T } une série temporelle.

- Yt désigne l’observation d’une grandeur Y à l’instant (ou à la date) t.
- L’ensemble T est appelé espace des temps. En général, T ⊆ N ou T ⊆ Z.
- L’indice temps est selon le cas, la seconde, la minute, l’heure, le jour, la semaine,
le mois, le trimestre, le semestre, l’année, etc.

En général, les données sont obtenues à des dates équidistantes de sorte que pour
une série temporelle de longueur n, T peut s’écrire simplement sous la forme T =
{t1 , t2 , ..., tn } avec t1 < t2 < ... < tn et tj − tj−1 = ∆.
Connaissant l’une des dates ti et la durée constante ∆ qui les sépare, on peut toutes
les reconstituer. Pour cette raison, on utilise généralement une variable temps, notée
dt , dont la forme est relativement simple et qui est une transformation linéaire des
ti .

Exemple 1.1. Pour une série de trois observations annuelles obtenues en 1980,
en 1981 et en 1982, on a t1 = 1980, t2 = 1981 et t3 = 1982. En effectuant un
changement de variable dt = t − 1979, il s’ensuit que dt prend les valeurs 1, 2 et 3
lorsque t prend les valeurs 1980, 1981 et 1982.

N’DRIN Apala Julien 2 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Une série chronologique de longueur n est typiquement donnée sous la forme de

l’un des tableaux suivants :

t t1 t2 ... tn t 1 2 ... n
ou
Yt Yt1 Yt2 ... Ytn Yt Y1 Y2 ... Yn

1.1.2 Représentation graphique d’une série chronologique

Une série chronologique {Yt , t ∈ T } avec T = {t1 , t2 , ..., tn } n’est rien d’autre que la


série statistique double tj , Ytj 1≤j≤n où
- la première composante est le temps t ;
- la deuxième composante est une variable Y prenant ses valeurs aux instants t.
La première étape dans une analyse d’une série chronologique consiste en une repré-
sentation graphique de celle-ci. La représentation graphique est un diagramme de
dispersion (ou nuage de points). Il s’agit d’une représentation dans le plan des (t, Yt ),
t = 1, 2, ..., n. Les valeurs de t sont placées en abscisse et celles de Yt en ordonnée.
Les points consécutifs sont reliés par des segments de droite afin qu’on puisse suivre
l’évolution de la série chronologique.
La représentation graphique d’une série chronologique permet de visualiser le com-
portement général de cette série mais aussi de repérer, si elles existent, des variations
cycliques, saisonnières et accidentelles.

Exemple 1.2. Le tableau suivant donne le chiffre d’affaires trimestriel d’une cli-
nique entre 2010 et 2012.
2010 2011 2012
Trimestre 1 306 327 362
Trimestre 2 344 345 387
Trimestre 3 333 347 382
Trimestre 4 373 406 437
Représenter cette série chronologique.
Solution : Les données de cette série chronologique peuvent être représentées dans
le tableau suivant :
t 1 2 3 4 5 6 7 8 9 10 11 12
Yt 306 344 333 373 327 345 347 406 362 387 382 437

N’DRIN Apala Julien 3 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

La représentation graphique de cette série chronologique est donnée par

La représentation graphique de cette série chronologique traduit globalement une

croissance du chiffre d’affaires de cette clinique.

1.1.3 Composantes d’une série temporelle

On s’intéresse généralement à plusieurs aspects dans l’étude d’une série temporelle.
- On examine d’abord son comportement global : est-elle, d’un point de vue sur la
durée (à long terme), croissante, décroissante,... ?
- Ensuite, on cherche à repérer un éventuel comportement saisonnier : y a-t-il dans
cette série un élément qui revienne régulièrement toutes les k observations ?
- Enfin, une fois cernés les deux aspects précédents, on peut s’attacher au compor-
tement à court terme, local de la série, notamment en vue de sa prévision.
Dans une approche d’analyse classique, on considère qu’une série temporelle est
la résultante de plusieurs composantes : la tendance, la composante cyclique, la
composante saisonnière et le bruit.

I La composante tendancielle ou composante générale

La composante tendancielle (encore appelée tendance ou trend), notée Tt , repré-
sente l’évolution de la série à long terme. Elle traduit le comportement moyen de
la série. Elle exprime une tendance durable à la croissance (mouvement de longue
durée ascendant) ou à la décroissance (mouvement de longue durée descendant).

N’DRIN Apala Julien 4 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

I La composante cyclique ou cycle

La composante cyclique, notée Ct , représente des cycles (oscillations autour de la
tendance) observés sur une longue période. La représentation graphique de cette
composante est semblable à une onde de type sinusoidal autour de la tendance.
Sans informations spécifiques, il est généralement très difficile de dissocier tendance
et cycle. En pratique, on la confond souvent avec la tendance. Dans la suite, la
composante tendance regroupera à la fois la tendance et le cycle.

I La composante saisonnière ou saisonnalité

La composante saisonnière, notée St , traduit le comportement répétitif de la série,
à intervalles de temps réguliers (ou périodes). Il s’agit en général d’un phénomène
saisonnier ou périodique apparaissant année après année dans les mêmes mois
ou les mêmes trimestres avec une intensité similaire. La période, notée p, de la
composante saisonnière est la longueur exprimée en unité de temps séparant deux
variations saisonnières dues à un même phénomène. Lorsque p = 12, la série est
mensuelle ; lorsque p = 4, la série est trimestrielle, etc.

I La composante résiduelle ou résidu ou bruit

La composante résiduelle, notée t , traduit des fluctuations irrégulières et acci-
dentelles de la série qui ne peuvent être expliquées par les autres composantes.
Ces fluctuations supposées en général de faible amplitude traduisent l’effet des
facteurs perturbateurs non permanents (grèves, guerre, intempéries, conditions
météorologiques exceptionnelles,...).

On admet généralement que ces quatre composantes sont présentes dans toute série
chronologique. Il arrive toutefois que l’on ne puisse pas identifier une ou plusieurs de
ces composantes dans une série. Certaines séries peuvent ne pas avoir de composante
saisonnière. Pour d’autres, c’est la composante cyclique qui peut être absente ou non
identifiable.

N’DRIN Apala Julien 5 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

1.2 Modélisation d’une série temporelle

Un modèle est une image simplifiée de la réalité qui vise à traduire les mécanismes
de fonctionnement du phénomène étudié et permet de mieux les comprendre. La
modélisation passe par la détermination des composantes de la série temporelle. Une
fois les composantes identifiées, il reste à déterminer de quelle façon elles interagissent
pour former la série temporelle et donc de proposer un modèle adapté à cette série.

1.2.1 Les différents types de modèles de séries temporelles

On distingue deux types de modèles de série temporelle : les modèles déterministes
et les modèles stochastiques.

I Les modèles déterministes

Les modèles déterministes relèvent de la statistique descriptive. Ils ne font intervenir
que de manière sous-jacente le calcul des probabilités et consistent à supposer que
l’observation de la série à la date t est une fonction du temps t et d’une variable t
centrée faisant office d’erreur au modèle, représentant la différence entre la réalité
et le modèle proposé. On suppose de plus que les variables t sont décorrélées.

N’DRIN Apala Julien 6 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

I Les modèles stochastiques

Les modèles stochastiques sont du même type que les modèles déterministes à ceci
près que les variables de bruit t ne sont pas indépendantes et identiquement distri-
buées mais possèdent une structure de corrélation non nulle : t est une fonction des
valeurs passées (plus ou moins lointaines suivant le modèle) et d’un terme d’erreur ηt .

Les deux types de modèles ci-dessus induisent des techniques de prévision bien par-
ticulières. Schématiquement, on s’interesse tout d’abord à la tendance et à la saison-
nalité éventuelle(s) que l’on isole tout d’abord. Ensuite on cherche à les modéliser,
les estimer. Enfin on les élimine de la série : ces deux opérations s’appellent la dé-
tendancialisation et la désaisonnalisation de la série. Une fois ces composantes
éliminées, on obtient la série aléatoire t qui permet de choisir le type de modèle.
- Pour les modèles déterministes, cette série sera considérée comme décorrélée et il
n’y a plus rien à faire.
- Pour les modèles stochastiques, on obtient (du moins on l’espère) une série sta-
tionnaire qu’il s’agit de modéliser.

1.2.2 Décompositions des séries temporelles

Les principales décompositions utilisés pour former les modèles de séries temporelles
(modèles déterministes et modèles stochastiques) sont la décomposition additive et
la décomposition multiplicative aboutissant respectivement au modèle additif et au
modèle multiplicatif.

I Décomposition additive des séries temporelles

Dans une décomposition additive, on suppose que les composantes sont indépen-
dantes, n’ont pas d’interaction et s’additionnent pour donner la série observée. Pré-
cisement, nous avons :
Yt = Tt + St + t .

On suppose, dans ce cas, que chacune des composantes est mesurée dans la même
unité que la variable observée Yt . Dans ce modèle, l’amplitude de la série reste
constante au cours du temps. Ceci se traduit graphiquement par des fluctuations
autour de la tendance Tt constantes au bruit près.

N’DRIN Apala Julien 7 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

I Décomposition multiplicative des séries temporelles

Dans une décomposition multiplicative, on suppose que les composantes peuvent
être indépendantes ou non, mais qu’elles interagissent et se multiplient pour donner
la série observée. Précisement, nous avons :

Yt = Tt × St × t .

Dans une décomposition multiplicative, seule la tendance s’exprime dans la même

unité que la variable observée Yt ; les autres composantes constituent des coefficients.
Dans ce modèle, les amplitudes ne sont plus constantes au cours du temps, ce qui
se traduit par des fluctuations autour de la tendance croissantes ou décroissantes au
bruit près.

N’DRIN Apala Julien 8 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Notons que, dans certains cas, il est possible de transformer un modèle multiplicatif
en un modèle additif. Par exemple, lorsque toutes les composantes de l’équation
définissant un modèle multiplicatif sont positives, on peut l’écrire sous la forme :

Yt∗ = T∗t + S∗t + ∗t avec Yt∗ = ln(Yt ), T∗t = ln(Tt ) et ∗t est un bruit.

Pour cette raison, la décomposition additive est souvent appelée décomposition clas-
sique de séries temporelles.

Remarque 1.1. Modèles mixtes

On peut également concevoir d’autres modèles en supposant par exemple que la com-
posante saisonnière agit de façon multiplicative alors que la composante résiduelle
est additive. Ces modèles sont appelés modèles mixtes et se présentent de la manière
suivante :
Yt = Tt × St + t .

1.2.3 Objectifs d’analyse et démarche de modélisation des

séries temporelles
L’étude d’une série chronologique permet d’analyser, de décrire et d’expliquer
un phénomène au cours du temps et d’en tirer des conséquences pour des prises
de décision (marketing, politique gouvernementale, mesures de prévention, ...).
Dans cette section, nous présentons les objectifs principaux de l’étude d’une série
temporelle et la démarche utiliser pour modéliser cette série.

I Objectifs d’analyse des séries temporelles

Les principaux objectifs poursuivis par l’étude d’une série temporelle se présentent
sous les formes suivantes.
- Description : détermination de composantes (déterminer s’il existe des tendances
et des facteurs saisonniers et si oui les caractériser de façon quantitative (tendance
linéaire, polynomiale, période, etc), ...
- Filtrage : transformation de la série dans le but d’éliminer certaines caractéris-
tiques ou des valeurs aberrantes, évaluation de données manquantes, remplacement
de données accidentelles,...

N’DRIN Apala Julien 9 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

- Modélisation : trouver, ajuster, un modèle qui décrive ou représente au mieux les

données. Une fois l’étape de modélisation effectuée, on analyse la série temporelle
en étudiant les composantes du modèle les unes après les autres.
- Prévision : prédire l’évolution future de la série temporelle à partir des valeurs
qui ont été observées. Par exemple, pour des raisons socio-économiques on veut
prévoir le temps qu’il va faire, l’évolution des ventes d’un produit, la consommation
d’électricité, etc.

I Démarche de modélisation des séries temporelles

La démarche générale utilisée pour étudier une série temporelle peut être formulée
de la manière suivante.
- Dans un premier temps, on trace la série des données et on repère ses principales
caractéristiques. On regarde en particulier si on décèle une tendance, une compo-
sante saisonnière, une ou des ruptures dans le comportement de la série, une ou des
observations aberrantes.
- Dans un deuxième temps, on s’attache à estimer ou enlever la tendance et la com-
posante saisonnière pour obtenir une série de résidus stationnaires. Pour cela on peut
utiliser plusieurs techniques : transformation des données, estimer les tendances et
composantes saisonnières puis les enlever des données, différencier la série.
- Ensuite, on choisit un modèle pour les résidus en utilisant les différentes statis-
tiques calculables sur cette série.
S’il n’y a pas de dépendance entre ces résidus, alors nous pouvons les considérer
comme des observations de variables aléatoires indépendantes, et il n’y a pas d’autre
modélisation à faire, sauf pour estimer leur moyenne et leur variance.
Cependant, s’il existe une dépendance significative entre les résidus, nous devons re-
chercher un modèle de série chronologique stationnaire plus complexe pour le bruit
qui explique la dépendance.
- Enfin, on peut prévoir les valeurs futures de la série en prévoyant d’abord celles
des résidus puis remonter jusqu’à la série initiale en inversant les transformations
décrites ci-dessus.

N’DRIN Apala Julien 10 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

1.3 Estimation et élimination de la tendance et de

la composante saisonnière
Dans cette section, on suppose que la série temporelle {Yt } peut s’écrite à partir de
la décomposition classique des séries temporelles donnée par

Yt = Tt + St + t , (1.1)

où St est la composante saisonnière de période d (St+d = St ∀ t ∈ Z), Tt est la ten-

dance et t est la composante aléatoire de moyenne nulle possédant une structure de
corrélation non nulle représentant les erreurs.
Nous souhaitons estimer et extraire les composantes déterministes Tt et St en espé-
rant obtenir une composante résiduelle t stationnaire. Une autre approche consiste
à différencier la série {Yt } jusqu’à obtenir une série temporelle {Zt } stationnaire.

1.3.1 Estimation de la tendance en absence de saisonnalité

En l’absence de saisonnalité, le modèle (1.1) devient

Yt = Tt + t , t = 1, ..., n avec E(t ) = 0. (1.2)

Dans le cas où E(t ) 6= 0, on peut écrire l’équation précédente sous la forme :

Yt = (Tt + E(t )) + (t − E(t )) .

On peut estimer la tendance d’une série temporelle de deux façons : en utilisant

la méthode des moindres carrés ou en lissant la série initiale par exemple par la
méthode des moyennes mobiles. Le lissage consiste à remplacer la série initiale par
une autre série plus lisse qui représente la tendance.

[Link] Estimation de la tendance par les moyennes mobiles

Le principe de cette technique est de construire une nouvelle série en calculant

des moyennes arithmétiques successives de longueur p fixée à partir des données
originales.

N’DRIN Apala Julien 11 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Soit q un entier positif. L’estimation T

b t de la tendance Tt est donnée par

q
1 X
T
bt = Yt+k , q + 1 ≤ t ≤ n − q avec
2q + 1 k=−q

Comme Yt n’est pas observée pour t < 1 et t > n, on pose

(
Y1 , si t < 1 ;
Yt =
Yn , si t > n.

[Link] Estimation de la tendance par la méthode des moindres carrés

En général, la méthode d’estimation par régression s’applique aux modèles additifs

ou aux modèles multiplicatifs transformés en modèles additifs. La tendance observée
dans le nuage de points peut être linéaire, polynomiale, exponentielle, etc. On peut
l’estimer par la méthode des moindres carrés ordinaires.

I Ajustement tendanciel linéaire

Supposons que l’on observe une série chronologique dont la tendance semble être
linéaire. Pour une série de la forme (t, Yt ), t = 1, ..., n, on estime la tendance par la
droite des moindres carrés (ou droite de régression) d’équation at + b où le couple
(a, b) minimise la distance
Xn
(Yt − (at + b))2 .
t=1

Les valeurs de a et b sont données par

cov(t, Yt )
a= et b = Y t − at.
V (t)

I Ajustement tendanciel polynômial

On considère une série chronologique {Yt } observée aux instants t = t1 , ...tn . On
veut ajuster les données par un polynôme de degré d et donc modéliser la tendance
par une fonction de la forme

0
fθ (t) = a0 + a1 t + a2 t2 + ... + ad td avec θ = (a0 , a1 , a2 , ..., ad ) et ad 6= 0.

N’DRIN Apala Julien 12 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Remarque 1.2. Le cas d = 0 correspond à la tendance constante et le cas d = 1 à

la tendance linéaire.
0
On détermine θ = (a0 , a1 , a2 , ..., ad ) par la méthode des moindres carrés c’est-à-dire
0
on cherche à déterminer la valeur de θ = (a0 , a1 , a2 , ..., ad ) , notée θ,
b qui minimise

n n
X 2
X
2
(Yi − fθ (ti )) = Yi − (a0 + a1 ti + a2 t2i + ... + ad tdi ) .
i=1 i=1

La solution θb du problème est donnée par

   
y1 1 t1 t21 ... td1
1 t2 t22 ... td2 
   

 y2 


 
0 0
 .   . . . . . 
θb = (T T )−1 T Y avec Y =  et T =
   
  

 . 


 . . . . .  

 . 


 . . . . .  
2 d
yn 1 tn tn ... tn

I Ajustement tendanciel non linéaire

Dans certaine situations, la modélisation linéaire de la tendance peut être trop sim-
plificatrice. Lorsque la tendance n’est pas linéaire, une technique simple consiste à se
ramener à un ajustement linéaire après un changement de variable approprié. C’est
la représentation graphique qui motive le choix du changement de variable.

1.3.2 Estimation de la tendance et de la composante saison-

nière
On suppose qu’en plus de la tendance, la série temporelle possède une composante
saisonnière. On considère le modèle suivant :
d
X
Yt = Tt + St + t avec E(t ) = 0, St+d = St et Sj = 0. (1.3)
j=1

Etape 1 : on estime d’abord la tendance par une moyenne mobile d’ordre p choisie
pour éliminer la composante saisonnière et amortir la composante résiduelle.

N’DRIN Apala Julien 13 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Lorsque d est pair (d = 2q), la tendance est estimée par les moyennes mobiles
centrées d’ordre d = 2q :

b t = 1 (0, 5Yt−q + Yt−q+1 + ... + Yt + Yt+1 + ... + Yt+q−1 + 0, 5Yt+q ) , q < t ≤ n − q.

T
d

Lorsque d est impair (d = 2q + 1), la tendance est estimée par les moyennes mobiles
simples d’ordre d = 2q + 1 :
q
1 X
T
bt = Yt+k , q + 1 ≤ t ≤ n − q.
2q + 1 k=−q

Etape 2 : on estime la composante saisonnière.

En général, on estime la composante saisonnière lorsqu’on dispose de données pré-
levées à des intervalles de temps inférieurs à l’année (quotidiennes, hebdomadaires,
mensuelles, trimestrielles, etc.). L’estimation de la composante saisonnière consiste
à estimer une série de d coefficients (ou indices) dits saisonniers S1 , S2 ,..., Sd . Le
nombre de coefficients est égal au nombre de saisons et il y a un coefficient pour
chaque saison. Par exemple, pour des données trimestrielles, pendant une période,
c’est-à-dire une année, il y a quatre saisons ; on déterminera donc quatre coefficients
saisonniers ; pour des données mensuelles, la période est également l’année, il y a
douze saisons donc on déterminera douze coefficients saisonniers.
On calcule, pour chaque saison j, la moyenne arithmétique des écarts saisonniers
(ou écarts à la tendance) correspondant à cette saison et on note mj cette moyenne.
Si on dispose de données sur n périodes (n années par exemple), le coefficient mj
correspondant à cette saison j (j ∈ {1, 2, ..., d}) est donné par :

n−1
1 X 
mj = Yj+kd − T
b j+kd .
n k=0

On estime le coefficient saisonnier Sj de la saison j par :

d
1X
Sbj = mj − mk , j = 1, ..., d et Sbj = Sbj−d si j > d.
d k=1

N’DRIN Apala Julien 14 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Etape 3 : on réestime la tendance avec la série désaisonnalisée Yts = Yt − Sbt en

utilisant l’une des méthodes décrites précédemment pour estimer la tendance dans
le cas d’un modèle sans composante saisonnière.
Une estimation de la composante résiduelle est alors donnée par :

t = Yt − T
b b t − Sbt .

1.3.3 Elimination de la tendance et de la composante saison-

nière
Pour éliminer la tendance et la composante saisonnière, on peut utiliser la méthode
des différences qui utilise la notion d’opérateur retard.

Définition 1.2. Soit (Xt )t∈Z un processus stochastique. On appelle opérateur re-
tard l’opérateur B défini par

BXt = Xt−1 ∀ t ∈ Z.

Propriétés 1.1. Soit {Xt } un processus stochastique.

(i) Si Xt = c avec c une constante, alors BXt = c.
(ii) ∀k ∈ N, B k Xt = Xt−k .

[Link] Elimination de la tendance en absence de saisonnalité

On considère le modèle suivant :

Yt = Tt + t , t = 1, ..., n avec E(t ) = 0.

Pour éliminer la tendance, on peut utiliser l’opérateur de différenciation basé sur

l’opérateur retard dont la définition est donnée ci-dessous.

Définition 1.3. On appelle opérateur de différenciation ou opérateur diffé-

rence l’opérateur ∆ = 1 − B défini par

∆Xt = (1 − B)Xt = Xt − Xt−1 ∀ t ∈ Z.

N’DRIN Apala Julien 15 Analyse des séries temporelles

CHAPITRE 1. INTRODUCTION À L’ÉTUDE DES SÉRIES TEMPORELLES

Propriétés 1.2. Soient Tt la tendance d’une série temporelle et ai , i = 0, ..., k une

suite de nombres réels.
(i) Si Tt = a0 + a1 t, alors ∆Tt = Tt − Tt−1 = a1 .
k
ai tii , alors ∆k Tt = k!ak .
P
(ii) Si Tt =
i=0

Conséquence : Pour le modèle sans saisonnalité Yt = Tt + t avec une tendance

polynomiale, on a : ∆k Yt = k!ak + ∆k t = constante + ∆k t .
Il ressort de ce résultat, qu’en appliquant de manière répétitive l’opérateur de diffé-
renciation à une série temporelle sans saisonnalité, on peut éliminer sa tendance.

[Link] Elimination de la tendance et de la saisonnalité

On reprend le modèle générale donné par :

d
X
Yt = Tt + St + t avec E(t ) = 0, St+d = St et Sj = 0.
j=1

Définition 1.4. Soit d ≥ 1 un entier. On appelle opérateur de différenciation

saisonnière ou opérateur différence saisonnier l’opérateur ∆d = 1 − B d défini
par
∆d Xt = (1 − B d )Xt = Xt − Xt−d ∀ t ∈ Z.

En appliquant l’opérateur différence saisonnier au modèle générale précédent, on

obtient :

∆d Yt = Yt − Yt−d
= (Tt + St + t ) − (Tt−d + St−d + t−d )
= (Tt − Tt−d ) + (St − St−d ) + (t − t−d ) .

Comme la composante saisonnière est de période d, alors St − St−d = 0. Par

conséquent, ∆d Yt est une série temporelle désaisonnalisée mais avec une tendance
Tt − Tt−d . On peut appliquer les méthodes d’élimination de la tendance en l’absence
de saisonnalité.

N’DRIN Apala Julien 16 Analyse des séries temporelles