mirror of
https://github.com/ArthurDanjou/ArtStudies.git
synced 2026-02-14 12:07:45 +01:00
105 lines
3.0 KiB
Plaintext
105 lines
3.0 KiB
Plaintext
# TD2 - Analyse de séries temporelles
|
||
|
||
## 1. Import et visualisation
|
||
|
||
```{r}
|
||
library(tseries)
|
||
par(mfrow = c(1, 1))
|
||
|
||
data(AirPassengers)
|
||
plot(AirPassengers)
|
||
```
|
||
|
||
## 2. Saisonnalité
|
||
|
||
```{r}
|
||
library(forecast)
|
||
|
||
monthplot(AirPassengers, main = "Graphique par mois (Monthplot)")
|
||
|
||
lag.plot(
|
||
AirPassengers,
|
||
lags = 12,
|
||
do.lines = FALSE,
|
||
main = "AirPassengers Lag-Plot"
|
||
)
|
||
|
||
boxplot(
|
||
AirPassengers ~ cycle(AirPassengers),
|
||
main = "Boxplot par mois",
|
||
xlab = "Mois",
|
||
ylab = "Nombre de passagers"
|
||
)
|
||
```
|
||
|
||
Il y a en effet une saisonnalité dans les données, avec des pics réguliers tous les 12 mois. Cela suggère que les passagers aériens ont tendance à augmenter à certaines périodes de l'année, probablement en raison de vacances ou d'autres facteurs saisonniers. Le boxplot confirme cette saisonnalité, montrant des variations significatives entre les mois, avec des pics plus élevés en été (juin, juillet, août) et des creux en hiver (décembre, janvier).
|
||
|
||
## 3. Moyenne mobile
|
||
|
||
```{r}
|
||
ma <- filter(AirPassengers, rep(1/12, 12))
|
||
|
||
plot(
|
||
AirPassengers,
|
||
main = "AirPassengers with Moving Average",
|
||
ylab = "Number of Passengers"
|
||
)
|
||
lines(ma, col = "red", lwd = 2)
|
||
legend(
|
||
"topleft",
|
||
legend = c("AirPassengers", "Moving Average"),
|
||
col = c("black", "red"),
|
||
lwd = 2
|
||
)
|
||
```
|
||
|
||
## 4. Décomposition
|
||
|
||
```{r}
|
||
airpassengers_add <- decompose(AirPassengers, type = "additive")
|
||
plot(airpassengers_add)
|
||
|
||
airpassengers_mult <- decompose(AirPassengers, type = "multiplicative")
|
||
plot(airpassengers_mult)
|
||
```
|
||
|
||
Observation : Le modèle multiplicatif est ici plus pertinent car les résidus (le "random") du modèle additif montrent encore une structure liée à l'amplitude de la série, alors qu'ils sont plus stables (homoscédastiques) dans le modèle multiplicatif.
|
||
|
||
## 5. STL
|
||
|
||
```{r}
|
||
dec_stl <- stl(log(AirPassengers), s.window = "periodic")
|
||
plot(dec_stl)
|
||
```
|
||
|
||
Différences clés :
|
||
|
||
- `decompose()` est rigide (moyennes mobiles simples, saisonnalité fixe).
|
||
- `stl()` permet de gérer des valeurs aberrantes et d'ajuster la "vitesse" d'évolution de la saisonnalité via le paramètre s.window.
|
||
|
||
## 6. Différenciation
|
||
|
||
```{r}
|
||
trend_diff <- diff(log(AirPassengers))
|
||
saison_diff <- diff(log(AirPassengers), lag = 12)
|
||
final_diff <- diff(trend_diff, lag = 12)
|
||
|
||
plot(trend_diff, main = "Différence tendancielle (Trend)", ylab = "Différence tendancielle")
|
||
plot(saison_diff, main = "Différence saisonnière (Seasonal)", ylab = "Différence saisonnière")
|
||
plot(final_diff, main = "Différence finale (Trend + Seasonal)", ylab = "Différence finale")
|
||
```
|
||
|
||
Une différence première ($I−B$) pour retirer la tendance.
|
||
|
||
Une différence saisonnière ($I−B^{12}$) pour retirer la saisonnalité.
|
||
|
||
|
||
```{r}
|
||
kpss_test_result <- kpss.test(final_diff)
|
||
print(kpss_test_result)
|
||
|
||
adf_test_result <- adf.test(final_diff)
|
||
print(adf_test_result)
|
||
```
|
||
|
||
Le test KPSS indique que la série différenciée est stationnaire (p-value > 0.05), tandis que le test ADF confirme également la stationnarité (p-value < 0.05). Ainsi, après les différenciations, la série semble être stationnaire. |