« Nous avons présenté dans cette étude une nouvelle méthodologie pour l'étude des phénomènes saisonniers, basée sur l'approche AEP de Carbone-Longini. On retrouve en général dans la littérature deux réponses aux problèmes posés par la saisonnalité des séries chronologiques: un effort de modélisation en vue de la prévision, et la désaisonnalisation pour fin d'interprétation. Nous avons présenté une nouvelle modélisation, GUNIAEP pour les séries chronologiques, dans laquelle la variation systématique est expliquée par une évaluation associée au long terme, au court terme et à la saisonnalité respectivement. Le modèle est estimé par le filtre adaptatif AEP, et les paramètres en vigueur au dernier point, origine de prévision, servent à calculer les valeurs extrapolées. L'observation de ce modèle sur plusieurs exemples nous a permis de voir qu'il permet de reconnaître l'existence et l'ampleur des variations saisonnières à l'aide des coefficients saisonniers. Cette propriété permet de simplifier la phase d'identification qui peut facilement être programmée, tout en fournissant une performance satisfaisante. C'est dans ces conditions que nous avons appliqué le modèle, pour comparer sa précision à celle des méthodes reconnues les plus précises. Cette comparaison s'est faite sur un échantillon de 111 séries, et a révélé que cette méthode était très compétitive, si non la meilleure. Cette nouvelle formulation est donc meilleure que le modèle auto-régressif simple qui avait initialement exploité le filtre AEP. La robustesse des coefficients saisonniers nous a ensuite encouragés à utiliser ce modèle pour dériver une nouvelle méthode de désaisonnalisation: DESAEP. Une interprétation appropriée des composantes a permis de développer une heuristique pour décomposer une série chronologique en composantes saisonnière, irrégulière et tendance-cycle, puis fournir une série désaisonnalisée. Une étude empirique sur 33 séries réelles impliquant les méthodes Xll-ARIMA et SIGEX a permis de voir que dans le long terme les séries désaisonnalisées produites par DESAEP ne seront pas très différentes de celles des autres méthodes, cependant les différences sont plus fortes pour les valeurs les plus récentes. On a vu que généralement, l'ampleur des révisions augmente avec le niveau de bruit existant dans la série, mais qu'en utilisant DESAEP, ces révisions sont d'une ampleur nettement inférieure à celles produites par les deux autres méthodes. »--Pages i-ii
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/54835 |
| Date | 27 March 2024 |
| Creators | Bilongo, Robert, Bilongo, Robert |
| Contributors | Carbone, Robert |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | thèse de doctorat, COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | xi, 152 feuillets, application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0048 seconds