Décomposition de série chronologique

La décomposition classique lisse la série par une moyenne mobile centrée, déduit des indices saisonniers des médianes par période, ajuste une droite de tendance par moindres carrés aux données désaisonnalisées et prévoit la tendance multipliée ou augmentée de l'indice. Choisissez un modèle multiplicatif ou additif. Elle exige au moins deux saisons complètes et aucune donnée manquante. Les résultats comprennent l'équation de tendance, les indices saisonniers, MAPE, MAD, MSD et les prévisions.

Dernière révision

Point clé

La décomposition sépare une série chronologique saisonnière en une tendance linéaire, un motif saisonnier répété et un résidu, et prévoit en prolongeant la tendance et en répétant le motif saisonnier.

Sur cette page
  1. Objectif
  2. Fonctionnalités principales
  3. Méthodes statistiques
  4. Champs de saisie et options
  5. Description des résultats
  6. Exemple résolu

Objectif

La décomposition (Decomposition) sépare une série chronologique saisonnière en une tendance linéaire, un motif saisonnier répété et un résidu. Elle répond à des questions comme « de combien la demande croît-elle chaque mois ? » et « de combien décembre se situe-t-il chaque année au-dessus ou au-dessous de la tendance ? », et elle prévoit en prolongeant la tendance et en répétant le motif saisonnier. Utilisez-la pour des données mensuelles, trimestrielles ou par équipes avec une saison stable, par exemple pour planifier la capacité ou les stocks des mois de pointe.

Fonctionnalités principales

  • Modèle multiplicatif (chaque saison est un pourcentage au-dessus ou au-dessous de la tendance) ou modèle additif (chaque saison est une quantité fixe au-dessus ou au-dessous).
  • Indice saisonnier pour chaque période de la saison et équation de la tendance ajustée.
  • Prévisions pour un nombre quelconque de périodes, à partir de la fin de la série ou d'une ligne antérieure pour tester la méthode sur des données connues.
  • Mesures de précision MAPE, MAD et MSD.
  • Graphique de décomposition (observé, tendance, saisonnier, résidu), graphiques Component Analysis et Seasonal Analysis, et graphiques de résidus quatre-en-un facultatifs.
  • Tableau de résultats complet avec les valeurs de tendance, saisonnières, sans tendance, désaisonnalisées, ajustées et d'erreur pour chaque ligne.

Méthodes statistiques

L'outil utilise la décomposition classique. Il lisse d'abord les données par une moyenne mobile centrée de longueur L (la longueur saisonnière) ; pour un L pair, il utilise la moyenne 2×L, de sorte que chaque valeur se situe sur un point du temps. Les valeurs saisonnières brutes sont les données divisées par cette moyenne (multiplicatif) ou diminuées de celle-ci (additif). Pour chaque période de la saison, on prend la médiane de ses valeurs brutes, et les médianes sont mises à l'échelle pour avoir une moyenne de 1 (multiplicatif) ou 0 (additif) : ce sont les indices saisonniers.

Les données sont ensuite désaisonnalisées (divisées par l'indice, ou diminuées de celui-ci) et une droite par moindres carrés Yt = b₀ + b₁·t est ajustée aux données désaisonnalisées. L'ajustement de chaque ligne est tendance × indice (multiplicatif) ou tendance + indice (additif), et l'erreur est données − ajustement pour les deux modèles. Les prévisions prolongent la droite de tendance et appliquent l'indice de la période correspondante ; aucun intervalle de prédiction n'est fourni. Avec une origine de prévision, les indices et la tendance sont recalculés à partir des données jusqu'à cette ligne. Précision : MAPE = moyenne de |erreur / données| × 100, MAD = moyenne de |erreur|, MSD = moyenne de erreur².

La série exige au moins deux saisons complètes et aucune donnée manquante ; le modèle multiplicatif exige que toutes les valeurs soient supérieures à zéro. Choisissez le multiplicatif lorsque l'amplitude saisonnière croît avec le niveau de la série, l'additif lorsqu'elle garde la même taille.

Champs de saisie et options

Champ

Description

Variable (Y)

Obligatoire. La série numérique, dans l'ordre chronologique.

Seasonal length

Obligatoire, au moins 2. Nombre de périodes par saison, par exemple 12 pour des données mensuelles à motif annuel, 4 pour des données trimestrielles.

Model

Additive (par défaut) ou Multiplicative.

First observation is in seasonal period

1 par défaut. La position de la première ligne dans la saison, par exemple 6 lorsque la saison commence en janvier et que les données commencent en juin.

Number of forecasts

0 par défaut (aucune), jusqu'à 1000.

Forecast origin (row)

Facultatif, actif lorsque des prévisions sont demandées. Les prévisions commencent après cette ligne et utilisent les données jusqu'à celle-ci ; vide = fin de la série.

Results to display

Summary table (par défaut) ou Summary table and results table.

Residual plots (four in one)

Non coché par défaut. Droite de probabilité normale, résidus en fonction des valeurs ajustées, histogramme et résidus en fonction de l'ordre.

Component analysis graph / Seasonal analysis graph

Les deux sont cochés par défaut. Ajoutent les deux graphiques supplémentaires à quatre panneaux.

Title

Titre des résultats. Decomposition par défaut.

decomposition-inputs


Figure 1 — Décomposition multiplicative des ventes mensuelles (Sales) avec une longueur saisonnière de 12 et 12 prévisions.

Description des résultats

  • <Model> Decomposition of <variable> — quatre panneaux : Observed, Trend, Seasonal et Residual, avec MAPE, MAD et MSD dans le titre.
  • Component Analysis for <variable> — Original Data, Detrended Data, Seasonally Adjusted Data, et Seasonally Adj. and Detrended Data.
  • Seasonal Analysis for <variable> — Seasonal Indices, Detrended Data by Season (boîtes à moustaches), Percent Variation by Season et Residuals by Season.
  • Residual Plots for <variable> — lorsque la case est cochée.
  • Method — type de modèle, colonne de données, longueur, longueur saisonnière (et première période et origine de prévision lorsqu'elles sont définies).
  • Fitted Trend Equation, Seasonal Indices (un par période), Accuracy Measures (MAPE, MAD, MSD) et Forecasts (période et prévision).
  • Results — lorsqu'il est choisi : Period, data, Trend, Seasonal, Detrend, Deseason, Predict et Error pour chaque ligne.
  • Export PDF via Download.

decomposition-output


Figure 2 — Décomposition multiplicative de 60 mois de ventes : une tendance croissante, un motif saisonnier qui se répète chaque année et de petits résidus.

decomposition-extra


Figure 3 — Seasonal Analysis pour l'exemple : février est le mois le plus bas (indice 0.84) et décembre le plus haut (1.20).

Exemple résolu

Les ventes d'un distributeur d'électronique grand public augmentent chaque année et suivent aussi le même motif au cours de l'année : un creux en début d'année et un pic en novembre et décembre. L'analyste commercial dispose de 60 mois de ventes en unités (janvier 2020 à décembre 2024) et doit savoir quelle est la force de chaque mois par rapport à la tendance, ainsi qu'une prévision pour 2025. L'analyste sélectionne Variable (Y) = Sales, Seasonal length = 12, Model = Multiplicative et Number of forecasts = 12.

La tendance est Yt = 805.33 + 11.049×t : environ 11 unités de plus chaque mois. Les indices saisonniers montrent décembre à 1.20 (20 % au-dessus de la tendance) et novembre à 1.09, tandis que février est à 0.84 (16 % au-dessous de la tendance) et janvier et mars à 0.92. Le MAPE est de 2.2 % (MAD 22.6 unités), contre 7.4 % pour une simple droite de tendance sur la page Trend Analysis : la saison explique l'essentiel de ce que la droite ne capte pas. Les prévisions 2025 suivent la même forme, de 1,255 unités en février à 1,922 en décembre.

Pour la planification, cela signifie que les stocks et les effectifs de décembre doivent être supérieurs d'environ un cinquième au niveau de la tendance, et que février peut rester bien en dessous. Le graphique Percent Variation by Season montre que janvier présente la plus grande variation d'une année à l'autre, de sorte que sa prévision est la moins certaine. Avec Model = Additive, le MAPE est de 2.21 % contre 2.17 %, donc l'une ou l'autre forme décrit cette saison ; la version additive attribue à chaque mois un nombre fixe d'unités (décembre +224, février −193) au lieu d'un pourcentage.

Questions fréquentes

Décomposition additive ou multiplicative : laquelle utiliser ?

Choisissez le multiplicatif lorsque l'amplitude saisonnière croît avec le niveau de la série, de sorte que chaque saison est un pourcentage au-dessus ou au-dessous de la tendance. Choisissez l'additif lorsque l'amplitude garde la même taille, de sorte que chaque saison est une quantité fixe au-dessus ou au-dessous. Le modèle multiplicatif exige que toutes les valeurs soient supérieures à zéro.

Qu'est-ce qu'un indice saisonnier ?

Un indice saisonnier indique de combien chaque période de la saison se situe au-dessus ou au-dessous de la tendance. Dans le modèle multiplicatif, les indices ont une moyenne de 1 : décembre à 1.20 dans l'exemple résolu signifie 20 % au-dessus de la tendance et février à 0.84 signifie 16 % au-dessous. Dans le modèle additif, les indices ont une moyenne de 0 et sont des quantités fixes.

De combien de données la décomposition a-t-elle besoin ?

La série exige au moins deux saisons complètes et aucune donnée manquante. Les prévisions prolongent la droite de tendance ajustée et appliquent l'indice saisonnier de la période correspondante ; aucun intervalle de prédiction n'est fourni. Définir une origine de prévision recalcule les indices et la tendance à partir des données jusqu'à cette ligne, ce qui permet de tester la méthode sur des données connues.

Comment mesure-t-on la précision des prévisions d'une décomposition ?

Zometric Statistical Software rapporte le MAPE (erreur absolue moyenne en pourcentage), le MAD (erreur absolue moyenne) et le MSD (erreur quadratique moyenne). Dans l'exemple, le MAPE était de 2.2 % contre 7.4 % pour une simple droite de tendance, ce qui montre que le motif saisonnier expliquait l'essentiel de ce que la droite de tendance ne captait pas.