• 15 heures
  • Difficile

Ce cours est visible gratuitement en ligne.

Ce cours est en vidéo.

Vous pouvez obtenir un certificat de réussite à l'issue de ce cours.

J'ai tout compris !

Mis à jour le 20/08/2018

TP : Désaisonnalisez à l'aide de la régression linéaire

Connectez-vous ou inscrivez-vous gratuitement pour bénéficier de toutes les fonctionnalités de ce cours !

On souhaite désaisonnaliser la série temporelle airpass à l'aide de la régression linéaire.

On créé à cet effet les bases tendancielle et saisonnière :

t=1:144

for (i in 1:12)
{
  su=rep(0,times=12)
  su[i]=1
  s=rep(su,times=12)
  assign(paste("s",i,sep=""),s)
}

On effectue la régression linéaire (le modèle est transformé, comme vu en cours, afin de pallier le problème de colinéarité) sur la série $\(Y_t\)$  :

reg=lm(y~t+s1+s2+s3+s4+s5+s6+s7+s8+s9+s10+s11+s12-1)
summary(reg)

On obtient l'estimation des différents paramètres :

## 
## Call:
## lm(formula = y ~ t + s1 + s2 + s3 + s4 + s5 + s6 + s7 + s8 + 
## s9 + s10 + s11 + s12 - 1)
## 
## Residuals:
## Min 1Q Median 3Q Max 
## -0.156370 -0.041016 0.003677 0.044069 0.132324 
## 
## Coefficients:
## Estimate Std. Error t value Pr(>|t|) 
## t 0.0100688 0.0001193 84.4 <2e-16 ***
## s1 4.7267804 0.0188935 250.2 <2e-16 ***
## s2 4.7047255 0.0189443 248.3 <2e-16 ***
## s3 4.8349527 0.0189957 254.5 <2e-16 ***
## s4 4.8036838 0.0190477 252.2 <2e-16 ***
## s5 4.8013112 0.0191003 251.4 <2e-16 ***
## s6 4.9234574 0.0191535 257.1 <2e-16 ***
## s7 5.0273997 0.0192073 261.7 <2e-16 ***
## s8 5.0181049 0.0192617 260.5 <2e-16 ***
## s9 4.8734703 0.0193167 252.3 <2e-16 ***
## s10 4.7353120 0.0193722 244.4 <2e-16 ***
## s11 4.5915943 0.0194283 236.3 <2e-16 ***
## s12 4.7054593 0.0194850 241.5 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.0593 on 131 degrees of freedom
## Multiple R-squared: 0.9999, Adjusted R-squared: 0.9999 
## F-statistic: 9.734e+04 on 13 and 131 DF, p-value: < 2.2e-16

Les différents coefficients sont contenues dans `reg$coefficients` :

reg$coefficients
## t s1 s2 s3 s4 s5 s6 
## 0.0100688 4.7267804 4.7047255 4.8349527 4.8036838 4.8013112 4.9234574 
## s7 s8 s9 s10 s11 s12 
## 5.0273997 5.0181049 4.8734703 4.7353120 4.5915943 4.7054593

On revient aux coefficients initiaux :

a=mean(reg$coefficients[2:13])
b=reg$coefficients[1]
c=reg$coefficients[2:13]-mean(reg$coefficients[2:13])

et on obtient la série corrigée des variations saisonnières (en n'oubliant pas de passer à l'exponentiel pour revenir à $\(X_t\)$ ) :

y_cvs=y-(c[1]*s1+c[2]*s2+c[3]*s3+c[4]*s4+c[5]*s5+c[6]*s6+c[7]*s7+c[8]*s8+c[9]*s9+c[10]*s10+c[11]*s11+c[12]*s12)
x_cvs=exp(y_cvs)
ts.plot(x,x_cvs,xlab="t",ylab="Airpass",col=c(1,2),lwd=c(1,2))
legend("topleft",legend=c("X","X_CVS"),col=c(1,2),lwd=c(1,2))

 

On constate que la série CVS présente des baisses en 1958 et 1960, pas forcément perceptibles à l'oeil nu sur la série brute. On pourra vérifier que la méthode des moyennes mobiles mettra en évidence les mêmes ruptures.

Exemple de certificat de réussite
Exemple de certificat de réussite