Désaisonnaliser une série temporelle
Prochaine session
7, 8, 16, 17 juin 2022
Cette formation permet d’être en mesure de désaisonnaliser et de corriger des jours ouvrables des séries temporelles, en utilisant les logiciels JDemetra+ et R.
Une connaissance des modèles de régression, des modèles ARIMA et du logiciel R peuvent s’avérer utile.
L’analyse d’une série temporelle, comme toute étude statistique, ne peut échapper à une phase exploratoire permettant de comprendre et d’apprécier les phénomènes temporels influant sur la grandeur étudiée : saisonnalité, effets calendaires, points extrêmes, conditions climatiques… Leur prise en compte est nécessaire pour une bonne analyse de la conjoncture. Les méthodes statistiques permettant de décomposer une série temporelle sont nombreuses, variées et parfois complexes.
Cette formation mettra l’accent sur la méthode X-13ARIMA-SEATS, majoritairement utilisée en France. Les cas pratiques seront traités avec le logiciel JDemetra+, logiciel libre recommandé par Eurostat pour la désaisonnalisation. Le logiciel R sera également très largement utilisé, en raison des développements récents qui y ont été réalisés en matière de désaisonnalisation (interface R à JDemetra+, créations de régresseurs de calendrier, tests de saisonnalité, etc.). Il s’agira de choisir les bonnes spécifications des modèles et de valider ou non la qualité de leur ajustement.
Composantes d’une série temporelle et modèles associés
Éléments d’analyse spectrale
Principes de désaisonnalisation d’une série temporelle et diagnostics de qualité
Création de régresseurs de calendrier et correction des effets jours ouvrables
Utilisation de la méthode X-13ARIMA-SEATS et moyennes mobiles
Notions sur la méthode TRAMO-SEATS
Désaisonnalisation sous R et mise en place d’un processus de production
Afin de mobiliser les participants, de multiplier les échanges et de faciliter l’assimilation des connaissances, cette formation alterne exposés théoriques et applications pratiques / cas concrets / travaux sur ordinateur. Les applications sur cas concrets porteront sur des données publiques telles que les indices de production industrielle (IPI). Toutefois, si les stagiaires le souhaitent, des applications de désaisonnalisation pourront être effectuées sur leurs propres jeux de données. Les séries traitées devront être mensuelles, bimensuelles, trimestrielles ou semestrielles, mais des compléments pourront être fournis sur la désaisonnalisation des séries à haute fréquence (journalières, horaires, etc.).
