Capsule 2 - Lissage exponentiel simple

MQT-2101 - Analyse et modélisation des données

Pourquoi ça compte

Les observations récentes peuvent compter davantage sans effacer tout l’historique.

Quel rôle joue le paramètre alpha?

Le lissage exponentiel met à jour un niveau estimé en pondérant la dernière observation et le niveau précédent.

Objectifs de la capsule

  • Expliquer le rôle de alpha.
  • Choisir le lissage simple seulement lorsque sa structure est plausible.
  • Distinguer estimation du paramètre et évaluation du modèle.

Une hausse récente révèle l’effet d’alpha

Avec une demande en hausse, alpha = 0,8 se rapproche beaucoup plus vite de la dernière observation que alpha = 0,2.

Alpha est estimé avant d’être évalué

  • Un alpha élevé réagit plus vite.
  • Un alpha faible produit un niveau plus stable.
  • Le lissage simple n’est pas adapté à une forte tendance non modélisée.

Ajuster le lissage sur l’entraînement

fit <- forecast::ses(serie, h = horizon)
autoplot(fit) +
  labs(x = "Semaine", y = "Demande (unités)") +
  theme_minimal(base_size = 14)

Estimer les paramètres, puis comparer les méthodes

Alpha est estimé sur l’apprentissage. Les méthodes candidates sont comparées sur la validation. Un test final distinct ne sert pas à retoucher le choix.

Prolongement : Holt ajoute une pente

\[ \widehat y_{t+h\mid t}=\ell_t+h b_t \]

  • \(\ell_t\) : niveau estimé; \(b_t\) : pente estimée.
  • Deux états mis à jour avec les observations passées.
  • Aucune saisonnalité explicite.

Amortir la tendance à mesure que l’horizon augmente

\[ \widehat y_{t+h\mid t}=\ell_t+(\phi+\cdots+\phi^h)b_t,\quad 0<\phi<1 \]

holt(serie, h = horizon, damped = TRUE) estime les paramètres sur l’apprentissage. Le code est fourni; le calcul manuel des récurrences n’est pas demandé.

À retenir

1

Le niveau lissé est une prévision révisable.

2

La méthode doit être comparée à une référence.

3

La décision reste liée aux données disponibles.

Production autonome 7.2

Comparez qualitativement les effets de alpha = 0,2 et alpha = 0,8 pour une demande récente en hausse.

Auto-vérification

  • Toutes les méthodes utilisent la même période de validation.
  • J’ai interprété l’erreur dans son unité.
  • J’ai relié le résultat à une décision et à une limite.