Upload
ganesa
View
54
Download
0
Embed Size (px)
DESCRIPTION
Décomposition d’une série chronologique dans SPSS version 11. Michel Tenenhaus. 1.Les données. Indice de la Production Industrielle de la France (1963 - 1982). Visualisation de la série IPI. Cette série présente une tendance et une saisonnalité. Visualisation de la saisonnalité. - PowerPoint PPT Presentation
Citation preview
1
Décomposition d’une série chronologique dans SPSS version 11
Michel Tenenhaus
2
1. Les données
Année Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 46364656667686970...
82
68777681848995100
137
74797984857799104
136
6465677172788287
111
787983879099103110
140
Indice de la Production Industrielle de la France (1963 - 1982)
3
Visualisation de la série IPI
Date
IPI
160
140
120
100
80
60
40
Cette sérieprésente unetendance etune saisonnalité
4
Visualisation de la saisonnalité
Année
198519801975197019651960
IPI
160
140
120
100
80
60
Trimestre
4
3
2
1
5
Date
160
140
120
100
80
60
40
IPI
MA(IPI,4,4)
Visualisation de la tendance
Moyenne mobile centréed’ordre 4 :
4
X5.0XXXX5.0
Z
2t1tt1t2t
t
Tendance Zt
6
2. Le modèle multiplicatifDécomposition de la série observée Xt en trois composantes :
Xt = Tt St Rt
où
Tendance Tt = Courbe lisse passant au milieu des données, gommant aléas et saisonnalité
Saisonnalité St = Composante traduisant une périodicité annuelle
Résidu Rt = Composante aléatoire
7
Décomposition classique de IPI
SERIE D'ORIGINE Xt ET TENDANCE Tt
Date
160
140
120
100
80
60
40
IPI
Tendance
COMPOSANTE SAISONNIERE St
TRIMESTRE
T4T3T2T1
1.1
1.0
.9
.8
COMPOSANTE RESIDUELLE Rt
Date
1.1
1.0
.9
.8
MAI 68
SERIE CORRIGEE DES
VARIATIONS SAISONNIERES (Xt/St)
Date
160
140
120
100
80
60
8
Décomposition classique de IPI Results of SEASON procedure for variable IPI. Multiplicative Model. Centered MA method. Period = 4.
Zt SRt=IPI/Zt St Yt=IPI/St Tt Rt=IPI/(Tt*St)
Seasonal Seasonally Smoothed Case Moving Ratios factors adjusted trend- Irregular number IPI averages (* 100) (* 100) series cycle component 1 68.000 . . 103.602 65.636 67.633 .970 2 74.000 . . 103.351 71.601 70.436 1.017 3 64.000 72.125 88.735 86.404 74.070 72.406 1.023 4 78.000 73.875 105.584 106.642 73.142 73.806 .991 5 77.000 74.625 103.183 103.602 74.323 74.603 .996 6 79.000 74.875 105.509 103.351 76.438 75.071 1.018 7 65.000 74.875 86.811 86.404 75.228 74.933 1.004 8 79.000 74.750 105.686 106.642 74.079 74.698 .992
.
.
. 77 137.000 132.250 103.592 103.602 132.236 132.182 1.000 78 136.000 131.375 103.520 103.351 131.590 131.283 1.002 79 111.000 . . 86.404 128.466 130.445 .985 80 140.000 . . 106.642 131.280 129.454 1.014
9
3. Calcul de la composante saisonnière Si
Les composantes Si sontles moyennes des SRt par trimestre, aprèsexclusion des minimumset maximums etnormalisation(somme des Si = 4)
Composante saisonnière SRt = Xt/Zt
Année
19831978197319681963
SR
1.2
1.1
1.0
.9
.8
TRIM.
4
3
2
1
Résultat : S1 = 1.036 S2 = 1.034 S3 = 0.864 S4 = 1.066
10
4. Série corrigée des variations saisonnières Yt
SERIE CVS Yt = Xt/St
Date
160
140
120
100
80
60
11
Date
160
140
120
100
80
60
Série CVS Yt
Tendance Tt
5. Estimation finale Tt de la tendance
Moyenne mobile de la série corrigée des variations saisonnières Yt :
pour t = 3 à n-2
9
YY2Y3Y2Y
T
2t1tt1t2t
t
Sur les bords :T2 = (Y1+Y2+Y3)/3 ; T1 = T2 - [(T2+T3) - (Y1+Y2)]/2Tn-1 = (Yn-2+Yn-1+Yn)/3 ; Tn = Tn-1 + [(Yn-1+Yn) - (Tn-2+Tn-1)]/2
Tendance Tt
Évolution sur une période
12
COMPOSANTE RESIDUELLE Rt
Date
1.1
1.0
.9
.8
MAI 68
6. Calcul des résidus Rt
De Xt = Tt St Rt
on déduit :
tt
tt S T
XR
13
7. Prévision de IPI pour l’année 1983
Formule de prévision :
ttt ST̂X̂
où :
tT̂ = extrapolation de la tendance
St = Coefficient saisonnier
pour t = obs. 81 à obs. 84 ( T1 à T4 de 1983)
14
Tendance polynomiale
On approxime la tendance Tt par un polynôme en t de degré 3 :
T
100806040200
140
130
120
110
100
90
80
70
60
Tendance
Cubique
15
Tendance polynomiale
On approxime la tendance Tt par un polynôme en t :
33
2210tt tttT̂T
On obtient 0, 1, 2, 3 par régression multiple de
la tendance Tt sur les variables t, t2 et t3.
16
Estimation de la tendance cubique
17
18
Prévision de IPI pour 1983
t32
t S]t0002426.t02192.t569.752.68[X̂
Application
Prév. de IPI1983.1 (t = 81) = 129.73381.03602 = 134.41
Prév. de IPI1983.2 (t = 82) = 129.04151.03351 = 133.37
Prév. de IPI1983.3 (t = 83) = 128.27370.86404 = 110.83
Prév. de IPI1983.4 (t = 84) = 127.42901.06642 = 135.89
Formule de prévision
tT̂
19
Ajustement et prévision de la série IPIpar le modèle
Date
160
140
120
100
80
60
40
IPI
PREVISION
68.2 82.4
20
Conclusion
• La décomposition classique suppose une saisonnalité stable au cours du temps.
• Les données atypiques sont conservées pour estimer la tendance.
• La méthode CENSUS-X11 corrige les données atypiques et permet une saisonnalité évolutive.
• L’ajustement de la tendance par un polynôme en t est trop rigide.
• Les méthodes de prévision par lissage donnent plus de poids aux données proches qu’aux données lointaines.