Dans ce document, nous démontrons les quelques étapes permettant de convertir des données brutes de séries temporelles en une prévision robuste à l'aide de NumXL.
A titre d'exemple, nous utilisons la demande mensuelle d'électricité (en MWh) pour la ville de Jeddah (Arabie Saoudite) entre 2003 et 2010.
La série chronologique de la figure ci-dessus montre une saisonnalité de douze (12) mois et une tendance à la hausse au fil du temps.
Ces données peuvent être expliquées en décomposant la demande d'électricité en deux composantes principales : (1) la demande industrielle et (2) la demande résidentielle et commerciale. La demande résidentielle et commerciale est influencée par les conditions météorologiques (par exemple, la saison). Cela se traduit par une augmentation ou une diminution de la consommation d'électricité pour la climatisation ou le chauffage. En revanche, la demande industrielle est plutôt stable. En tant qu'intrant, la demande industrielle est principalement déterminée par les conditions économiques de la ville ou de l'industrie et, dans une moindre mesure, par les conditions météorologiques.
Étape 1 : Statistiques sommaires
En utilisant la barre d'outils NumXL, lancez l'assistant de statistiques descriptives.
Pour notre illustration, nous garderons toutes les options sélectionnées. Pour la sortie, sélectionnez la cellule de votre feuille de calcul dans laquelle vous souhaitez que le tableau soit écrit :
IMPORTANT:
Dans le tableau ci-dessus, NumXL génère les formules dans votre feuille de calcul. Vous pouvez facilement revoir le calcul et, si nécessaire, apporter les modifications appropriées.
Étape 2 : Analyse des corrélogrammes
En utilisant la barre d'outils NumXL, lancez l'assistant corrélogramme :
Pour cette illustration, nous calculerons et représenterons l'ACF et le PACF pour les 20 premiers décalages.
Le graphique ACF montre un cas classique pour le modèle AirLine avec une longueur de cycle de 12 étapes
Étape 3 : Transformation des données
Il n'est pas nécessaire de transformer les données avant la modélisation. Le modèle AirLine stabilisera les séries d'entrée grâce aux termes de différenciation dans sa définition.
Étape 4 : Modélisation
En utilisant NumXL, le processus de modélisation consiste en 3 étapes principales : (1A) spécification du modèle, (2B) calibration, et (3C) diagnostic des résidus.
1A : Spécification du modèle
Cliquez sur l'icône AirLine dans la barre d'outils NumXL.
NumXL préparera un tableau dans votre feuille de calcul avec le coefficient du modèle, la qualité de l'ajustement et les routines de diagnostic résiduel. Remarque : les valeurs du modèle ne sont pas encore optimales.
2B : Étalonnage du modèle
Sélectionnez la cellule où commence le tableau modèle (c'est-à-dire AIRLINE(12)). Cliquez sur l'icône « Calibrage » dans la barre d'outils.
La boîte de dialogue du solveur MS Excel s'affichera sur votre écran avec les spécifications de votre modèle remplies. Cliquez sur le bouton Solve.
3C : Diagnostic résiduel
Les routines de diagnostic des résidus sont déjà remplies dans votre tableur avec les paramètres de votre modèle. Le moment est venu de réexaminer si le modèle optimal satisfait aux hypothèses sous-jacentes.
Étape 5 : Prévisions
Pour effectuer une prévision à l'aide de NumXL, sélectionnez la cellule du tableau du modèle (c'est-à-dire AirLine). Cliquez sur l'icône "Forecast" dans la barre d'outils.
L'assistant de prévision s'affiche. Sélectionnez les observations réalisées (c'est-à-dire les points de queue de votre échantillon de données) et l'horizon de prévision en unités de pas.
Pour cette illustration, les 23 dernières observations de l'échantillon ont été choisies, puis l'horizon de prévision a été fixé à 30 pas (ou unités), comme indiqué ci-dessus.
Tracer la prévision et ses intervalles de confiance.
Commentaires
Vous devez vous connecter pour laisser un commentaire.