Analyse de séries temporelles

De nombreux types de données sont collectés de façon temporelle. Les cours des actions, les volumes de ventes, les taux d’intérêt, les mesures de qualité en sont des exemples typiques. Compte-tenu de la nature séquentielle des données, des méthodes statistiques spécifiques à ces données sont requises.

Graphique de données temporelles

La procédure Graphique des données temporelles affiche les données contenues dans une ou plusieurs colonnes de données numériques. Il est supposé que les données sont par nature dans un ordre séquentiel et sont constituées soit de données individuelles (une mesure à chaque période de temps) ou de sous-groupes (groupes de mesures à chaque période de temps). Des tests sont effectués pour déterminer si ce sont des séries de données aléatoires ou s’il y a des phénomènes de mélange, de bloc, d’oscillation ou de tendance.

Méthodes descriptives

La procédure Méthode descriptives affiche divers tableaux et graphiques pour des séries temporelles. Une série temporelle est formée d’un ensemble de données numériques séquentielles régulièrement espacées, habituellement sur une période de temps ou dans un espace. La procédure affiche les données ainsi que les autocorrélations, les autocorrélations partielles et un périodogramme de l’échantillon. Des tests sont effectués pour déterminer si les observations sont issues ou non d’un processus aléatoire ou à « bruit blanc ». Si une seconde série temporelle est entrée, les corrélations croisées entre les deux séries sont également calculées et affichées.

Graphique temporel avec ligne de base

Cette procédure affiche un graphique d’une série temporelle dans un ordre séquentiel, permet d’identifier les points qui sont au-delà de la limite inférieure ou de la limite supérieure. Il est souvent utilisé pour afficher des données mensuelles comme l’indice océanique El Niño.

Graphique en chandeliers ouverture-max-min-fermeture

La Statlet – Graphique en chandeliers ouverture-max-min-fermeture est conçue pour afficher graphiquement des cours de valeurs mobilières sous une forme couramment utilisée par les traders. Il affiche le cours d’ouverture pour chaque séance, le cours le plus élevé et le cours le plus bas durant la séance ainsi que le cours à la fermeture de la séance dans un graphique souvent appelé graphique en chandeliers. Les volumes échangés peuvent également être affichés sous la forme de bâtons en bas du graphique.

Lissage

La procédure Lissage est conçue pour mettre en évidence les tendances et cycles dans une série temporelle. Une série temporelle est formée d’un ensemble de données numériques séquentielles régulièrement espacées, habituellement sur une période de temps ou dans un espace. La procédure applique un ou plusieurs des lisseurs sélectionnés aux données et affichent les résultats. Les lisseurs disponibles sont à la fois les lisseurs classiques par moyennes mobiles et les lisseurs non linéaires plus robustes par rapport aux valeurs extrêmes.

Décomposition saisonnière

La procédure Décomposition saisonnière décompose la série temporelle en trois composantes de tendance cyclique, de saisonnalité et irrégulière. Chaque composante peut être affichée et enregistrée de façon séparée. De plus, la décomposition peut être utilisée pour créer une nouvelle série temporelle ajustée pour les effets saisonniers. Des sous-séries saisonnières et des sous-séries annuelles peuvent également être créées.

Ajustement saisonnier X-13ARIMA-SEATS

La procédure X-13ARIMA-SEATS effectue un ajustement saisonnier d’une série de données temporelles en mettant en oeuvre la technique actuellement utilisée par le « United States Census Bureau ». Dans cette procédure, la série temporelle est décomposée en 3 composantes : une composante cyclique de tendance, une composante saisonnière et une composante irrégulière.

Prévision (modèle défini par l’utilisateur)

La procédure Prévision est conçue pour prévoir les valeurs futures d’une série temporelle. Une série temporelle est formée d’un ensemble de données numériques séquentielles régulièrement espacées, habituellement sur une période de temps ou dans un espace. Les modèles mis à disposition pour prévoir les valeurs futures sont notamment la moyenne mobile, le cheminement aléatoire, divers types de lisseurs exponentiels, des modèles de tendance et des modèles paramétriques ARIMA. Des statistiques sont calculées pour comparer les ajustements de jusqu’à 5 modèles simultanés.

Statlet – Lissage exponentiel

La Statlet Lissage Exponentiel applique divers types de lissages exponentiels à une série temporelle. Elle génère des prévisions ainsi que des limites de confiance pour ces prévisions. En utilisant les contrôles de cette Statlet, l’utilisateur peut modifier de façon interactive les valeurs des paramètres du lissage et examiner les effets sur les prévisions.