Gains :
- Capacité à comprendre les concepts de tendance, de saisonnalité, de stationnarité et de racine unitaire et à utiliser l'intelligence artificielle avec des données précises pour la modélisation et la prévision de séries chronologiques.
- Capacité à interpréter les modèles ARIMA/saisonniers et à prévoir l'incertitude (intervalle de confiance, analyse résiduelle) et à éviter les régressions parasites
- Être capable de distinguer que les prédictions de l’intelligence artificielle sont basées sur des modèles passés et que le jugement des experts prend le dessus en période de rupture structurelle et de crise.
Une grande partie des données qui constituent le pain quotidien des économistes et des analystes financiers sont des séries chronologiques : valeurs de la même variable mesurées à intervalles réguliers dans le temps (inflation mensuelle, cours quotidien des actions, PIB trimestriel). Les séries chronologiques diffèrent fondamentalement des données transversales ordinaires car les observations ne sont pas indépendantes : la valeur d'aujourd'hui dépend de celle d'hier. Cette dépendance est à la fois une opportunité (on peut prédire l’avenir) et un danger (la régression ordinaire induit ici facilement en erreur). Dans cette unité, nous verrons comment l'intelligence artificielle (IA) accélère la modélisation et la prévision des séries chronologiques, mais pourquoi le piège le plus dangereux, à savoir la régression fallacieuse, requiert notre attention.
Notions de base
Une série chronologique contient généralement trois composantes : la tendance (tendance à la hausse/à la baisse à long terme), la saisonnalité (schéma régulier qui se répète tout au long de l'année, par exemple augmentation du tourisme en été) et le cycle/bruit (volatilité résiduelle). Avant la modélisation, la caractéristique la plus critique de la série est la stationnarité.
Une série stationnaire est une série dont les propriétés statistiques (moyenne, variance) restent constantes dans le temps. Une série non stationnaire contient une tendance, sa variance augmente ou elle a une racine unitaire. Une racine unitaire est une structure dans laquelle la série « se souvient » en permanence des chocs et ne revient pas à sa moyenne ; Une telle série se comporte comme une marche aléatoire. Pourquoi est-ce important ? Parce que la régression entre deux séries non stationnaires peut produire des coefficients R carrés élevés et significatifs même s'il n'y a pas de relation dans la réalité, on parle alors de régression parasite. Seule la tendance commune fait apparaître les deux séries comme « liées ».
Attention : Deux séries croissantes (par exemple la population d'un pays et les ventes de glaces d'un autre pays) peuvent être fortement corrélées ; car ils augmentent tous deux avec le temps. Il ne s’agit pas d’une relation, mais de l’illusion d’une tendance commune. Assurez-vous de vérifier la stationnarité avant de commencer la régression dans la série chronologique.
Flux de travail de séries chronologiques étape par étape
1. Visualisez. Tracez la série : y a-t-il une tendance, y a-t-il une saisonnalité, la variance change-t-elle dans le temps, y a-t-il une rupture structurelle (changement soudain de niveau) ?
2. Testez la stationnarité. Test ADF (Augmented Dickey-Fuller) et test KPSS racine/stationnarité unitaire. Les deux se complètent : en ADF l'hypothèse nulle est "il existe une racine unitaire", en KPSS elle est "stationnaire". Il est plus sûr d’utiliser les deux ensemble.
3. Stagner. Si la série est non stationnaire, elle est généralement différenciée (la différence des observations successives ; cela supprime la tendance). La différenciation une fois rend stationnaire une série « intégrée du premier ordre » (I(1)). La transformation du journal est également utile si la variance augmente.
4. Construisez un modèle. Le framework le plus courant est ARIMA (AutoRegressive Integrated Moving Average) : il combine les composantes AR (dépendance de la série à ses propres valeurs passées), I (degré de différenciation), MA (effet des erreurs passées). En cas de saisonnalité, SARIMA est utilisé. L'IA génère du code pour les outils de sélection automatique tels que auto.arima ; Mais n’acceptez pas aveuglément la sélection automatique.
5. Vérifiez les restes. Les résidus d’un bon modèle doivent être du bruit blanc : pas de motif, pas d’autocorrélation. Le test Ljung-Box teste cela. S'il existe encore une tendance dans les résidus, le modèle est incomplet.
6. Prédire et montrer l’incertitude. La prévision n’est pas une seule ligne ; toujours donné avec un intervalle de confiance/estimation. La gamme s’élargit à mesure que l’horizon s’allonge – c’est un signe d’honnêteté et non de défaut.
Cointégration : relation réelle avec les séries non stationnaires
Deux séries non stationnaires ne donnent pas toujours de fausses relations. S'il existe un véritable équilibre à long terme entre eux (ils évoluent ensemble), cela s'appelle cointégration et peut être modélisé avec le modèle à correction d'erreur (ECM). La solution n’est donc pas « faire la différence et jeter l’information » ; est de tester d’abord la cointégration. Cette distinction distingue la régression parasite de la véritable corrélation à long terme et constitue une considération théorique que l’IA ne peut pas décider seule.
tableau comparatif
Statut
symptôme
bonne approche
série stationnaire
Moyenne/variance constante
ARCHE directe
Avec tendance (racine unitaire)
Hausse continue, l’ADF n’a aucun sens
Différence, puis modèle
Deux séries non stationnaires
Un R² élevé peut être faux
Premièrement, test de cointégration
saisonnier
Modèle répétitif annuel
SARIMA / différence saisonnière
rupture structurelle
Changement soudain de niveau/de pente
Test de casse, avis d'expert
Quatre invites copiables
1. Diagnostic de stationnarité :
Votre rôle : assistant de séries chronologiques. Je veux du code R, je ne partage pas les données. « série » est une série chronologique mensuelle (objet ts). Tâche : (1) dessiner les graphiques de séries et d'autocorrélation (ACF/PACF), (2) appliquer les tests ADF et KPSS, (3) expliquer comment interpréter les résultats ensemble. Je prendrai la décision de prendre la différence ; Vous établissez un diagnostic.
2. Construction de maquettes (supervisée) :
Ma série semble stationnaire à première différence. Proposez un modèle avec auto.arima mais : (1) expliquez les ordres sélectionnés (p, d, q) et POURQUOI ils ont été choisis, (2) ajoutez du code pour tester si les résidus sont du bruit blanc avec Ljung-Box, (3) rappelez-moi de ne pas accepter aveuglément la sélection automatique.
3. Faux avertissement de régression :
Je souhaite mettre en place une régression entre mes deux séries chronologiques (X, Y) mais elles sont toutes deux sans tendance. Écrivez du code de workflow qui vérifie le risque de régression parasite : testez d'abord la stationnarité des deux, puis appliquez un test de cointégration (Engle-Granger ou Johansen). Avant d'exécuter directement lm(), arrêtez-moi et expliquez pourquoi c'est dangereux.
4. Prédiction et incertitude :
Écrivez un code qui produit une prévision prospective sur 12 mois avec le modèle ARIMA que j'ai créé ; Tracez l'estimation avec ses intervalles de confiance de 80 % et 95 %. Ajoutez une note sous le graphique indiquant que la prévision est basée sur des modèles passés et peut devenir invalide en cas de rupture/crise structurelle.
Invite faible/Invite forte
Invite faible :
Trouvez la relation entre ces deux séries avec la régression et prédisez l'année suivante.
Cette affirmation est une invitation au piège de la fausse régression : si la régression est mise en place sans vérifier la stationnarité, une « relation » élevée mais dénuée de sens et une estimation injustifiée émergent.
Invite puissante :
Votre rôle : assistant minutieux des séries chronologiques. Procédez étape par étape : (1) testez la stationnarité des séries et du rapport, (2) s'ils ne sont pas stationnaires, NE faites PAS de régression directe, testez d'abord la cointégration, (3) si vous produisez une prévision, assurez-vous d'ajouter un intervalle de confiance et rédigez un avertissement de rupture structurelle. Laissez-moi la décision à chaque étape ; progression automatique.
Différence : la forte demande nécessite stationnarité et cointégration avant régression, présentant l’estimation avec incertitude.
trois mini-cases
Cas 1 — Régression fallacieuse. Un analyste a trouvé R²=0,91, p<0,001 entre deux séries croissantes (chiffre d'affaires d'un secteur et consommation énergétique d'un autre pays) et a écrit « relation forte ». Lorsque son consultant a demandé le test de stationnarité, il a été constaté que les deux avaient des racines unitaires, et lorsque leurs différences ont été prises en compte, la relation (r = 0,04) a complètement disparu. Le R carré élevé n’était qu’une illusion d’une tendance commune. Leçon : la régression des séries chronologiques n'est pas fiable sans tester la stationnarité.
Cas 2 — Confiance aveugle dans le modèle automatique. Un étudiant a utilisé le modèle choisi par auto.arima sans l'examiner ; il ne remarquait plus de saisonnalité significative dans son analyse. Le modèle a systématiquement sous-estimé les mois d’été. Le test de Ljung-Box a montré une autocorrélation des résidus. Méthode correcte : il s'agissait d'ajouter la composante saisonnière (SARIMA). Leçon : la sélection automatique est le début, pas le dernier mot ; Les résidus doivent être contrôlés.
Cas 3 — Effondrement prévu à la rupture structurelle. Un modèle a prédit la demande pour 2020 avec les données de 2019 ; l'intervalle de confiance était étroit, l'estimation était confiante. Le grand choc (pandémie) de 2020 a complètement bouleversé la prévision car le modèle ne connaissait que le modèle passé. Leçon : la prévision de séries chronologiques suppose que le passé sera similaire au futur ; En période de crise/panne, le jugement des experts passe au premier plan.
Erreurs courantes
- Établir une régression sans vérifier la stationnarité. Une régression parasite produit une relation R-carré élevée mais insignifiante ; Appliquez d'abord ADF/KPSS.
- Différencier et sauter la cointégration. S’il existe une véritable relation à long terme, prendre aveuglément la différence gaspille l’information ; Testez d’abord la cointégration.
- Utiliser le modèle automatique sans le vérifier. auto.arima est un bon début mais peu fiable sans vérifier les résidus (Ljung-Box).
- Présentation du devis sur une seule ligne. Une estimation sans intervalle de confiance crée une fausse précision ; Faites toujours preuve d’incertitude.
- Ignorer la rupture structurelle. La crise/le changement de régime perturbe le modèle passé ; Le modèle ne peut pas le savoir, un jugement d’expert est requis.
Astuce : Avant d'écrire les résultats d'une série chronologique, examinez à nouveau le graphique brut de la série. Une tendance ou une cassure claire que vous voyez de vos propres yeux est l’avertissement le plus fort qu’aucun test ne doit vous faire oublier.
En résumé
Dans l'analyse des séries chronologiques, les observations ne sont pas indépendantes ; Cela donne à la fois un pouvoir prédictif et crée des pièges tels qu'une régression fallacieuse. Tester la stationnarité (ADF/KPSS) avant modélisation ; tester la cointégration plutôt que d’établir directement une régression entre séries non stationnaires ; Vérifiez les résidus du modèle ARIMA/SARIMA jusqu'à ce qu'il y ait du bruit blanc ; Présentez toujours l’estimation avec un intervalle de confiance. L'IA génère le code pour toutes ces étapes, mais l'expert contrôle la sélection automatique du modèle, la décision de cointégration et l'interprétation des ruptures structurelles. La prédiction est basée sur le passé ; En temps de crise, le jugement humain a le dernier mot.
Tâche de candidature
Choisissez une série chronologique (mensuelle ou trimestrielle). Avant l'IA, demandez et exécutez des diagnostics de stationnarité (graphique, ACF/PACF, ADF, KPSS) et classez la série comme stationnaire/non stationnaire. Différenciez si nécessaire, mettez en place un modèle ARIMA/SARIMA et vérifiez les résidus avec la Ljung-Box. Produisez une prévision prospective sur 6 à 12 périodes et tracez-la avec un intervalle de confiance. Enfin, réfléchissez dans un paragraphe à la manière dont votre prédiction pourrait être fausse en cas de rupture structurelle dans vos données.
liste de contrôle
- [ ] J'ai tracé la série et examiné visuellement les tendances, la saisonnalité et les ruptures.
- [ ] J'ai testé la stationnarité avec ADF et KPSS ; J'ai obtenu la différence requise.
- [ ] J'ai évité la régression directe et testé la cointégration entre séries non stationnaires.
- [ ] J'ai vérifié les résidus du modèle (Ljung-Box) et confirmé qu'il s'agissait d'un bruit blanc.
- [ ] J'ai présenté l'estimation avec intervalle de confiance ; Je ne l'ai pas donné en une seule ligne.
- [ ] J'ai constaté les limites de la prévision en cas de rupture/crise structurelle.