Méthodes de prévision naïves

Comme vous l’avez vu dans la vidéo, une prévision correspond à la moyenne ou à la médiane d’avenirs simulés d’une série temporelle.

La méthode de prévision la plus simple consiste à utiliser la dernière observation ; on parle alors de prévision naïve, implémentée dans une fonction du même nom. C’est ce qu’on peut faire de mieux pour de nombreuses séries, y compris la plupart des cours boursiers. Et même si ce n’est pas toujours une bonne méthode de prévision, elle fournit une référence utile pour comparer d’autres méthodes.

Pour des données saisonnières, une idée proche consiste à utiliser la saison correspondante de la dernière année disponible. Par exemple, si vous souhaitez prévoir le volume des ventes pour le mois de mars prochain, vous utiliserez le volume des ventes de mars de l’année précédente. Cela est implémenté dans la fonction snaive(), pour naïf saisonnier.

Pour ces deux méthodes, vous pouvez définir le second argument h, qui indique le nombre de valeurs à prévoir ; comme le montre le code ci-dessous, leurs valeurs par défaut diffèrent. Le résultat est un objet de classe forecast. Il s’agit de la classe centrale du package forecast, et de nombreuses fonctions permettent de les manipuler, notamment summary() et autoplot().

naive(y, h = 10)
snaive(y, h = 2 * frequency(x))

Vous allez essayer ces deux fonctions sur les séries goog et ausbeer, respectivement. Elles sont disponibles dans votre espace de travail.