Interprétation des résultats principaux pour la fonction Diagrammes de série chronologique

Suivez la procédure ci-dessous pour interpréter un diagramme de série chronologique.

Etape 1 : Rechercher des valeurs aberrantes et des décalages soudains

Utilisez votre connaissance du procédé pour déterminer si des observations inhabituelles ou des décalages indiquent des erreurs ou un réel changement dans le procédé.

Valeurs aberrantes

Recherchez des observations inhabituelles, aussi appelées valeurs aberrantes. Les valeurs aberrantes peuvent avoir un effet disproportionné sur les modèles de séries chronologiques et entraîner une mauvaise interprétation des résultats. Essayez d'identifier la cause des valeurs aberrantes et de corriger les erreurs de saisie de données ou de mesure. Pensez éventuellement à supprimer les valeurs de données associées à des événements anormaux et uniques (causes spéciales).

Le diagramme de série chronologique suivants illustre une valeur aberrante causée par une erreur de saisie de données. Un technicien a accidentellement saisi la valeur 4 dans la feuille de travail au lieu de 40.

Décalages soudains

Recherchez les décalages soudains dans les séries ou dans les tendances. Essayez d'identifier la cause de ces changements.

Par exemple, le diagramme de série chronologique suivant illustre un changement drastique dans le coût du procédé après 15 mois. Vous devriez enquêter sur la raison de ce décalage.

Etape 3 : Rechercher des schémas de saisonnalité ou des mouvements cycliques

Un schéma de saisonnalité correspond à une augmentation/baisse des valeurs de données qui se répète régulièrement au cours de la même période. Par exemple, les commandes auprès d'un magasin de pièces détachées automobiles sont faibles chaque lundi, augmentent pendant la semaine et atteignent un pic chaque vendredi. Les schémas de saisonnalité ont toujours une période fixe connue. Au contraire, les mouvements cycliques correspondent à des cycles d'augmentation et de baisse des valeurs de données qui ne se répètent pas à intervalles réguliers. En général, ces mouvements sont plus longs et plus variables que les schémas de saisonnalité.

Vous pouvez utiliser une analyse de série chronologique pour modéliser des schémas et générer des prévisions. Pour plus d'informations sur l'analyse à utiliser, reportez-vous à la rubrique Quelle analyse de série chronologique dois-je utiliser ?.

Schéma de saisonnalité
Ces données illustrent un schéma de saisonnalité qui se répète tous les 12 mois.
Mouvements cycliques
Ces données illustrent des mouvements cycliques. Les cycles ne se répètent pas à intervalles réguliers et ne se ressemblent pas.
Variation aléatoire
Ces données illustrent une variation aléatoire. Il n'y a ni cycle, ni schéma.

Etape 4 : Déterminer si les changements saisonniers sont additifs ou multiplicatifs

Si l'ampleur des changements saisonniers est constante, ceux-ci sont additifs. Si leur ampleur est plus grande lorsque les valeurs de données sont plus élevées, les changements saisonniers sont multiplicatifs. Cette variabilité supplémentaire peut rendre plus difficile la prévision de changements saisonniers multiplicatifs.

Si le schéma n'est pas clair et que vous avez du mal à choisir entre les procédures additive et multiplicative pour la modélisation des données, vous pouvez essayer les deux procédures, puis choisir celle qui comporte les mesures d'exactitude les plus basses. Pour plus d'informations, reportez-vous à la rubrique Quelle analyse de série chronologique dois-je utiliser ?.

Changements additifs
Dans cet exemple de changements saisonniers additifs, les valeurs de données ont tendance à augmenter avec le temps, mais l'ampleur des changements saisonniers reste la même.
Changements multiplicatifs
Dans cet exemple de changements saisonniers multiplicatifs, l'ampleur des changements saisonniers augmente avec le temps, parallèlement aux valeurs de données.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique