> mathématiques > Analyse de séries chronologiques en ligne

Analyse de séries chronologiques en ligne

Le rôle de l’analyse des séries chronologiques

L'analyse des séries chronologiques est une méthode spécifique d'analyse d'une série de points de données collectés sur une période donnée. Dans l'analyse des séries chronologiques, les analystes enregistrent des points de données à intervalles constants sur une période de temps fixe, plutôt que de manière intermittente ou aléatoire. Cependant, ce type d’analyse ne se résume pas à la simple collecte de données au fil du temps. 

Les données de séries chronologiques diffèrent des autres données dans la mesure où l'analyse peut montrer comment les variables évoluent au fil du temps. En d’autres termes, le temps est une variable clé car il montre comment les données s’ajustent au fil des points de données et finalement des résultats. Il fournit des sources d'informations supplémentaires et un ensemble de dépendances entre les données en séquence. 

L'analyse des séries chronologiques nécessite souvent un grand nombre de points de données pour garantir la cohérence et la fiabilité. Un vaste ensemble de données garantit que vous disposez d’une taille d’échantillon représentative et l’analyse élimine les données bruitées. Cela garantit également que les tendances ou modèles constatés ne sont pas des valeurs aberrantes et peuvent expliquer les différences saisonnières. De plus, les données de séries chronologiques peuvent être utilisées à des fins de prévision, c'est-à-dire en prédisant des données futures sur la base de données historiques.

L'analyse des séries chronologiques aide les organisations à comprendre les causes profondes des tendances ou des modèles de système au fil du temps. Grâce à la visualisation des données, les utilisateurs professionnels peuvent visualiser les tendances saisonnières et comprendre pourquoi ces tendances se produisent. Avec les plateformes d’analyse modernes, ces visualisations peuvent aller bien au-delà des graphiques linéaires. 

Lorsque les organisations analysent les données à intervalles de temps constants, elles peuvent également utiliser des prévisions de séries chronologiques pour prédire la probabilité d'événements futurs. La prévision de séries chronologiques fait partie de l’analyse prédictive. Il peut montrer des changements possibles dans les données, tels qu'un comportement saisonnier ou cyclique, conduisant à une meilleure compréhension des variables des données et contribuant à de meilleures prévisions. 

Les écoles publiques de Des Moines, par exemple, ont analysé cinq années de données sur les résultats des élèves pour identifier les élèves à risque et suivre leurs progrès au fil du temps. La technologie actuelle nous permet de collecter de grandes quantités de données chaque jour, et il est plus facile que jamais de collecter des données suffisamment cohérentes pour une analyse complète.

Exemple d'analyse de séries chronologiques

L'analyse des séries chronologiques est utilisée avec des données non stationnaires, c'est-à-dire des données qui fluctuent dans le temps ou sont affectées par le temps. Des secteurs tels que la finance, la vente au détail et l’économie utilisent souvent l’analyse de séries chronologiques, car les devises et les ventes changent constamment. L'analyse boursière est un excellent exemple d'application de l'analyse de séries chronologiques, en particulier dans les algorithmes de trading automatisés. De même, l'analyse des séries chronologiques est idéale pour prédire les changements météorologiques, aidant les météorologues à tout prédire, des prévisions météorologiques de demain au changement climatique dans les années à venir. Voici des exemples d'applications pour l'analyse de séries chronologiques :

• données météorologiques
• mesure des précipitations
• lecture de la température
• Surveillance de la fréquence cardiaque (ECG)
• Surveillance cérébrale (EEG)
• ventes trimestrielles
• cours de l'action
• négociation d'actions automatisée
• Prévisions de l'industrie
• taux d'intérêt

Types d'analyse de séries chronologiques

L’analyse des séries chronologiques impliquant de nombreuses catégories ou variations de données, les analystes doivent parfois créer des modèles complexes. Cependant, les analystes ne peuvent pas expliquer toutes les variances, ni généraliser un modèle particulier à chaque échantillon. Un modèle trop complexe ou qui tente de faire trop de choses peut entraîner un sous-ajustement. Le sous-ajustement ou le surajustement des modèles ont pour conséquence que les modèles sont incapables de faire la distinction entre les erreurs aléatoires et les vraies relations, ce qui biaise l'analyse et fait des prédictions incorrectes. 

Les modèles d'analyse de séries chronologiques comprennent :

• Classification : identifiez les données et attribuez des catégories.
• Ajustement de courbe : tracer des données le long d'une courbe pour étudier les relations entre les variables au sein des données.
• Analyse descriptive : identification de modèles dans les données de séries chronologiques, telles que des tendances, des cycles ou des changements saisonniers.
• Analyse interprétative : tente de comprendre les données et les relations qu'elles contiennent ainsi que les causes et les effets.
• Analyse exploratoire : mise en évidence des caractéristiques clés des données de séries chronologiques, généralement sous un format visuel.
• Prévisions : prédire les données futures. Ce type est basé sur des tendances historiques. Il utilise les données historiques comme modèle pour les données futures afin de prédire ce qui pourrait arriver dans les épisodes futurs.
• Analyse d'intervention : étudier la manière dont les événements modifient les données.
• Segmentation : divisez les données en segments pour révéler les propriétés sous-jacentes des informations sources.

Classement des données

De plus, les données de séries chronologiques peuvent être divisées en deux grandes catégories :

• Les données de séries chronologiques de stock consistent à mesurer des propriétés à un moment donné, comme un instantané statique d’informations.
• Le streaming de données de séries chronologiques fait référence à la mesure du niveau d'activité d'un attribut sur une certaine période de temps. Il fait généralement partie de l'ensemble et fait partie du résultat.

Modifications des données

Dans les données de séries chronologiques, des changements peuvent survenir sporadiquement dans les données :

• L'analyse fonctionnelle peut trouver des modèles et des relations dans les données pour identifier les événements remarquables.
• L'analyse des tendances fait référence à l'identification d'un mouvement continu dans une certaine direction. Il existe deux types de tendances : les tendances déterministes, où l’on peut trouver la cause profonde, et les tendances stochastiques, qui sont aléatoires et inexplicables.
• Les changements saisonniers décrivent des événements qui se produisent à intervalles spécifiques et réguliers tout au long de l'année. La dépendance en série se produit lorsque des points de données proches dans le temps ont tendance à être corrélés.

L'analyse des séries chronologiques et les modèles prédictifs doivent définir les types de données pertinentes pour répondre aux questions commerciales. Une fois que les analystes ont sélectionné les données pertinentes qu’ils souhaitent analyser, ils choisissent le type d’analyse et la technique les plus appropriées.

Considérations importantes pour l'analyse des séries chronologiques

Bien que les données de séries chronologiques soient des données collectées au fil du temps, il existe différents types de données qui décrivent comment et quand les données temporelles sont enregistrées. Par exemple:

• Les données de séries chronologiques sont des données enregistrées à des intervalles de temps cohérents.
• Les données transversales sont constituées de plusieurs variables enregistrées simultanément.
• Les données agrégées sont une combinaison de séries chronologiques et de données transversales.