Interprétation des résultats principaux pour la fonction Décomposition

Suivez la procédure ci-dessous pour interpréter une analyse de décomposition. Les principaux résultats comprennent le diagramme de série chronologique, les mesures d'exactitude et les prévisions.

Sur ce thème

Etape 1 : Déterminer si le modèle est ajusté à vos données
Étape 2 : Comparer l'ajustement de votre modèle à celui d'autres modèles
Etape 3 : Déterminer si les prévisions sont exactes

Etape 1 : Déterminer si le modèle est ajusté à vos données

Examinez le diagramme pour déterminer si votre modèle est ajusté à vos données. Si les valeurs ajustées suivent étroitement les données réelles, le modèle est ajusté à vos données.

Si le modèle est ajusté aux données, vous pouvez utiliser la fonction Méthode de Winters et comparer les deux modèles.
La décomposition utilise une tendance linéaire constante. Si la tendance présente une courbure, la décomposition ne fournira pas un ajustement correct. Utilisez la fonction Méthode de Winters.
Si le modèle n'est pas ajusté aux données, recherchez une absence de saisonnalité. S'il n'existe pas de schéma saisonnier, vous devez utiliser une autre analyse de série chronologique. Pour plus d'informations, reportez-vous à la rubrique Quelle analyse de série chronologique dois-je utiliser ?.

Sur ce diagramme, les valeurs ajustées suivent étroitement les données, ce qui indique que le modèle est ajusté aux données.

Étape 2 : Comparer l'ajustement de votre modèle à celui d'autres modèles

Utilisez les mesures d'exactitude (MAPE, MAD et MSD) pour comparer l'ajustement de votre modèle à celui d'autres modèles de série chronologique. Ces statistiques ne donnent pas beaucoup d'informations en elles-mêmes, mais elles permettent de comparer les ajustements obtenus à l'aide de différentes méthodes. En règle générale, pour les trois statistiques, plus les valeurs sont basses, meilleur est l'ajustement du modèle. Si aucun même modèle ne réunit les valeurs les plus basses pour les 3 statistiques, la statistique MAPE est généralement celle qui est privilégiée.

Remarque

Les mesures d'exactitude fournissent une indication de l'exactitude à attendre lorsque vous effectuez une prévision sur une période à partir de la fin des données. Ainsi, elles n'indiquent pas l'exactitude des prévisions au-delà d'une période. Si vous comptez utiliser le modèle pour effectuer des prévisions, vous ne devez pas vous fier uniquement aux mesures d'exactitude pour prendre une décision. Vous devez également examiner l'ajustement du modèle pour vous assurer qu'il suit étroitement les données, notamment à la fin de la série, et qu'il en est de même pour les prévisions.

Modèle 1

Mesures de l'exactitude

MAPE	7,265
MAD	16,621
MSD	518,119

Modèle 2

Mesures de l'exactitude

MAPE	2,474
MAD	9,462
MSD	135,701

Résultats principaux : MAPE, MAD, MSD

Dans ces résultats, les trois statistiques sont plus faibles pour le 2^e modèle que pour le 1^er. Par conséquent, le 2^e modèle est le mieux ajusté.

Etape 3 : Déterminer si les prévisions sont exactes

La décomposition utilise des indices saisonniers et une ligne de tendance fixes. De ce fait, vous devez uniquement utiliser la décomposition pour effectuer des prévisions quand la tendance et la saisonnalité sont cohérentes. Il est notamment très important de vérifier que les valeurs ajustées correspondent aux valeurs réelles à la fin de la série chronologique. Si le schéma saisonnier ou la tendance ne correspond pas aux valeurs ajustées à la fin des données, utilisez Méthode de Winters.

Sur ce diagramme, le modèle sous-estime les données à la fin de la série. Cela indique que la tendance ou le schéma saisonnier n'est pas constant. Si vous souhaitez créer des prévisions pour ces données, vous devez utiliser la méthode de Winters pour déterminer si elle fournit un meilleur ajustement aux données.