Remarque : | Cette section décrit les méthodes de prévision des séries chronologiques saisonnières et non saisonnières, à l'exception des méthodes ARIMA de Box-Jenkins. Pour plus d'informations sur ces méthodes, reportez-vous à la section « Utilisation des méthodes de prévision de série chronologique ARIMA ». |
Vous pouvez effectuer des prévisions à partir de données historiques via différentes méthodes de prévision de séries chronologiques. Certaines méthodes sont conçues pour un usage optimal avec des types de données spécifiques :
En plus de ces catégories, il existe deux types de méthode saisonnière : additive et à ramifications. Une saisonnalité additive possède une amplitude stable, alors qu'une saisonnalité à ramifications possède une amplitude qui augmente ou diminue avec le temps. La figure Figure 6 illustre ces différentes courbes.
Pour la prévision des séries chronologiques, toutes les méthodes classiques devraient fonctionner avec plus ou moins de succès. Toutefois, chaque mode possède son propre objectif, comme indiqué dans le Tableau 1 et les paragraphes de synthèse suivants. Pour plus d'informations sur les méthodes classiques, reportez-vous aux sections consacrées à Predictor dans le manuel Oracle Crystal Ball Reference and Examples Guide (disponible en anglais uniquement).
Tableau 1. Choix d'une méthode de prévision classique des séries chronologiques
Aucune tendance ni saisonnalité |
Tendance uniquement, sans saisonnalité |
Saisonnalité uniquement, sans tendance |
Tendance et saisonnalité à la fois |
---|---|---|---|
Lissage exponentiel simple |
Lissage exponentiel double |
Modèle additif saisonnier |
Modèle additif de Holt-Winters |
Moyenne glissante simple |
Moyenne glissante double |
Modèle à ramifications saisonnier |
Modèle à ramifications de Holt-Winters |
Synthèse des instructions de sélection :
Méthodes de moyenne glissante : ces méthodes permettent de lisser les fluctuations à court terme et de mettre en relief les tendances ou cycles à long terme. Elles sont utilisées lorsque la série chronologique n'a pas de tendance. Lorsque la série chronologique présente une tendance, la moyenne glissante double permet de calculer une deuxième moyenne glissante à partir de la moyenne glissante d'origine pour mieux suivre la tendance.
Méthodes de lissage exponentiel : alors que les moyennes glissantes attribuent des coefficients égaux aux valeurs incluses, un lissage exponentiel simple affecte des coefficients à diminution exponentielle proportionnellement à l'ancienneté des observations, ce qui constitue une approche plus raisonnable. Lorsqu'une série chronologique possède une tendance, le lissage exponentiel double s'avère utile et il est calculé en appliquant deux lissages à la série.
Pour déterminer la tendance ou la saisonnalité des données, cliquez sur Affich. saisonnalité dans le volet Données d'entrée. Pour plus d'informations, reportez-vous à la section « Affichage des données historiques par saisonnalité ».
Conseil : | La visualisation de la saisonnalité peut vous aider à décider des méthodes à sélectionner. Toutefois, le fait de sélectionner toutes les méthodes de prévision classiques disponibles pour les séries chronologiques (Méthodes non saisonnières ou Méthodes saisonnières) ne ralentit pas beaucoup les calculs à moins de traiter des milliers de valeurs simultanément. Vous pouvez envisager de toutes les essayer (par défaut). |
Pour connaître les procédures de sélection des méthodes de prévision, reportez-vous à la section « Sélection d'une méthode de prévision ».
Pour définir manuellement les paramètres d'une méthode, reportez-vous à la section « Définition des paramètres des méthodes classiques de prévision des séries chronologiques », à suivre.