Calculateur d'autocorrélation
Calculez les coefficients d'autocorrélation empirique r_k d'une série chronologique pour un ou plusieurs décalages. Collez vos observations dans l'ordre, choisissez les décalages et l'estimateur, et obtenez r_k accompagné de la bande de signification du bruit blanc.
Testez si une série est corrélée à son propre passé
Formule de l'autocorrélation
Où :
- \(r_k\) — autocorrélation empirique au décalage \(k\) (corrélation de la série avec elle-même, décalée de \(k\) pas en arrière)
- \(x_t\) — observation à l'instant \(t\) ; \(\bar{x}\) — moyenne de la série
- \(n\) — nombre d'observations
- \(c_k\) — autocovariance empirique au décalage \(k\) ; \(c_0\) — variance empirique
Ce coefficient compare chaque observation à celle relevée \(k\) pas plus tôt, les deux étant d'abord recentrées sur la moyenne. La division par \(c_0\) ramène chaque \(r_k\) dans l'intervalle \([-1, 1]\). Avec l'estimateur « non biaisé », la somme définissant \(c_k\) est divisée par \(n-k\) au lieu de \(n\).
Autocorrélation – Exemple de calcul
Exemple : une série de 12 observations : 2, 4, 3, 5, 7, 6, 8, 10, 9, 11, 13, 12, avec les décalages 1, 2, 3 et l'estimateur ACF standard.
\[ \bar{x} = \frac{90}{12} = 7.5, \qquad c_0 = \frac{143}{12} = 11.9167 \]
\[ c_1 = \frac{101.75}{12} = 8.4792 \;\Rightarrow\; r_1 = \frac{8.4792}{11.9167} = 0.7117 \]
\[ c_2 = \frac{69}{12} = 5.75 \;\Rightarrow\; r_2 = 0.4825, \qquad c_3 = \frac{39.75}{12} = 3.3125 \;\Rightarrow\; r_3 = 0.2780 \]
Résultat : \(r_1 = 0.7117\), \(r_2 = 0.4825\), \(r_3 = 0.2780\). La bande de bruit blanc à 95 % vaut \(\pm 1.96/\sqrt{12} = \pm 0.566\) : seule l'autocorrélation au décalage 1 est significative. La série fait preuve de persistance — les valeurs élevées succèdent aux valeurs élevées — et l'autocorrélation décroît régulièrement, ce qui est typique d'une série à tendance.
Comment utiliser le calculateur
- Saisissez vos observations dans Valeurs de la série chronologique (dans l'ordre), les plus anciennes en premier. Séparez les valeurs par des espaces, des points-virgules ou des retours à la ligne ; les virgules décimales sont acceptées. Il vous faut au moins 3 valeurs.
- Indiquez les décalages à calculer dans Décalage(s) à calculer — un seul décalage (par ex. 1) ou plusieurs séparés par des espaces ou des points-virgules (par ex. 1 ; 2 ; 3 ; 4). Chaque décalage doit être un nombre entier compris entre 1 et \(n-1\).
- Choisissez l'Estimateur : « ACF standard (division par n) » correspond à ce que les logiciels statistiques tracent dans les graphiques d'ACF ; « Non biaisé (division par n − k) » corrige le biais vers le bas qui apparaît sur de petits échantillons aux décalages élevés.
- Consultez le tableau des résultats : le nombre de paires chevauchantes utilisées à chaque décalage, le coefficient \(r_k\), et sa position par rapport à la bande de bruit blanc \(\pm 1.96/\sqrt{n}\).
Qu'est-ce que l'autocorrélation ?
L'autocorrélation (corrélation sérielle) mesure l'intensité de la relation linéaire d'une série chronologique avec son propre passé. Au lieu de corréler deux variables différentes, on corrèle la série avec une copie d'elle-même reculée de \(k\) pas de temps — le décalage. Le résultat, \(r_k\), s'interprète exactement comme une corrélation de Pearson : \(+1\) signifie que la série décalée évolue en parfait parallèle avec l'originale, \(-1\) qu'elle évolue parfaitement à contre-sens, et des valeurs proches de 0 traduisent l'absence de relation linéaire à ce décalage.
L'autocorrélation est l'un des premiers outils de diagnostic en analyse des séries chronologiques. Un coefficient au décalage 1 nettement positif signale de la persistance (les valeurs ont tendance à rester au-dessus ou en dessous de la moyenne pendant un certain temps), tandis qu'un coefficient fortement négatif signale une alternance — la série franchit la moyenne dans les deux sens. Le tracé de \(r_k\) en fonction de \(k\) donne la fonction d'autocorrélation (ACF), l'outil standard pour identifier les modèles ARIMA et repérer la saisonnalité.
La forme d'ensemble à travers les différents décalages compte plus que n'importe quelle valeur isolée. Des autocorrélations positives à décroissance lente suggèrent une tendance ou une non-stationnarité — envisagez de différencier la série au préalable. Un pic unique au décalage k oriente vers un motif saisonnier ou cyclique de période \(k\) (par ex. un pic au décalage 12 sur des données mensuelles révèle un cycle annuel). Des coefficients qui restent dans la bande de bruit blanc à tous les décalages suggèrent que la série n'a pas de mémoire linéaire — c'est exactement ce qu'on souhaite observer dans les résidus d'un modèle.
Notez que l'autocorrélation ne capture que la dépendance linéaire. Une série peut être très prévisible par des règles non linéaires tout en présentant une autocorrélation quasi nulle : une ACF « propre » n'est donc pas une preuve d'indépendance. Pour vérifier formellement si un ensemble d'autocorrélations est compatible avec un bruit blanc, utilisez un test portemanteau tel que celui de Ljung–Box.
Hypothèses, limites et conseils pratiques
- L'ordre et le pas comptent. Les valeurs doivent être dans leur ordre chronologique naturel et régulièrement espacées (même pas de temps entre les observations). Mélanger les données détruit l'autocorrélation.
- Stationnarité. Les coefficients n'ont de sens que si la série présente une moyenne et une variance à peu près stables. Une série à tendance gonfle les autocorrélations aux premiers décalages ; différenciez-la d'abord si nécessaire.
- Les décalages élevés sont peu fiables. Au décalage \(k\), seules \(n-k\) paires chevauchantes sont utilisées ; au-delà d'environ \(n/2\), les estimations reposent donc sur très peu de paires. Avec 12 observations, tout ce qui dépasse le décalage 6 relève du bruit.
- Choix de l'estimateur. L'estimateur standard (division par \(n\)) donne toujours une fonction de corrélation valide et correspond aux tracés d'ACF des logiciels de Box–Jenkins. La version non biaisée (division par \(n-k\)) supprime le biais vers le bas aux décalages élevés, mais peut en théorie faire sortir les coefficients de l'intervalle \([-1, 1]\).
- La bande de signification n'est qu'un repère. Les limites \(\pm 1.96/\sqrt{n}\) supposent que la série est réellement un bruit blanc. S'il existe une autocorrélation réelle, la bande sous-estime la variabilité d'échantillonnage aux décalages voisins.
- Les valeurs aberrantes faussent les résultats. Une seule observation extrême peut dominer à la fois la moyenne et les produits intervenant dans \(c_k\). Vérifiez d'abord vos données, ou envisagez des alternatives robustes comme les mesures de corrélation sur rangs.
Si vous comparez deux séries différentes plutôt qu'une série avec son propre passé, tournez-vous vers un outil de corrélation comme le calculateur de corrélation de rang de Spearman ou le calculateur de tau de Kendall. Pour résumer la forme générale d'une série unique avant de la modéliser, le calculateur d'asymétrie et d'aplatissement est un complément naturel.
Questions fréquentes
Quelle valeur d'autocorrélation est considérée comme bonne ou normale ?
Il n'existe pas de valeur « bonne » universelle — tout dépend de ce que vous testez. Pour des données brutes, l'ampleur de \(r_k\) vous indique simplement la mémoire linéaire de la série. Pour des résidus de modèle, vous souhaitez au contraire des valeurs proches de zéro : tout ce qui sort de la bande \(\pm 1.96/\sqrt{n}\) suggère que le modèle n'a pas capté toute la structure. À titre d'ordre de grandeur, \(|r_1| > 0.5\) est fort, 0,2–0,5 modéré, et en dessous de 0,2, faible.
Quelle est la différence entre l'autocorrélation et l'autocorrélation partielle (PACF) ?
L'autocorrélation au décalage \(k\) englobe à la fois la relation directe entre \(x_t\) et \(x_{t-k}\) et tous les liens indirects passant par les décalages intermédiaires. L'autocorrélation partielle élimine ces décalages intermédiaires et isole l'effet direct. C'est pourquoi on lit l'ACF et la PACF ensemble pour identifier les modèles ARIMA : une ACF à décroissance lente accompagnée d'un pic unique significatif sur la PACF oriente vers un processus AR, et la configuration inverse vers un processus MA.
Combien de décalages dois-je calculer, et quelle longueur de série faut-il ?
Une règle empirique courante consiste à examiner les décalages jusqu'à environ \(n/4\) et à considérer comme peu fiable tout décalage au-delà de \(n/2\), puisqu'il ne reste alors que \(n-k\) paires chevauchantes. Pour une analyse sérieuse de l'ACF, il faut idéalement au moins 50 observations ; avec 10 à 20 points, seuls le premier ou les deux premiers décalages portent une information exploitable. Pour des données saisonnières, incluez au moins un ou deux cycles saisonniers complets, par ex. des décalages jusqu'à 24 pour des données mensuelles.
L'autocorrélation s'exprime-t-elle avec des unités ?
Non. Comme tout coefficient de corrélation, \(r_k\) est sans dimension et se situe toujours entre \(-1\) et \(+1\), que vos données soient mesurées en dollars, en degrés Celsius ou en unités de compte. L'autocovariance \(c_k\) porte bien, elle, les unités au carré des données, mais la division par la variance \(c_0\) les annule. Cela signifie aussi qu'un changement d'échelle de la série (par ex. de Celsius vers Fahrenheit) ne modifie aucune autocorrélation.
Puis-je obtenir ce résultat en corrélant la série avec une copie décalée dans Excel ?
Vous pouvez vous en approcher : placez la série dans la colonne A, une copie décalée de \(k\) lignes dans la colonne B, puis appliquez COEFFICIENT.CORRELATION (CORREL) sur la plage chevauchante. Le résultat diffère légèrement de l'ACF standard, car CORREL centre chaque segment tronqué sur sa propre moyenne, alors que l'ACF centre les deux segments sur la moyenne de la série complète. L'écart est faible pour les séries longues, mais sensible pour les courtes — utilisez la méthode de ce calculateur si vous devez reproduire les résultats d'un logiciel statistique.
Que signifie une autocorrélation négative au décalage 1 ?
Un \(r_1\) négatif indique une alternance : les valeurs au-dessus de la moyenne ont tendance à être suivies de valeurs en dessous, et inversement. On l'observe souvent après avoir surdifférencié une série lisse, dans des processus oscillants ou de retour à la moyenne, ou lorsque des ajustements consécutifs s'annulent volontairement. Une autocorrélation des résidus fortement négative peut signaler qu'un modèle surcorrige d'une période à l'autre. Des valeurs proches de \(-1\) au décalage 1 sont rares dans les données réelles et peuvent indiquer une série construite artificiellement.
Que faire si ma série comporte des valeurs manquantes ou un espacement temporel irrégulier ?
L'autocorrélation suppose des observations régulièrement espacées dans un ordre chronologique strict ; des trous en modifient donc l'interprétation du décalage. Les options : interpoler ou imputer les petites lacunes ; agréger les données irrégulières en intervalles réguliers (par ex. des moyennes journalières) ; ou, si des horodatages sont disponibles, recourir à des méthodes conçues pour les séries irrégulières. Supprimer simplement les lignes manquantes raccourcit la structure apparente des décalages et peut biaiser les résultats. Assurez-vous aussi de saisir les valeurs les plus anciennes en premier — les saisir en ordre inverse ne change aucun signe, mais cela peut avoir de l'importance pour certaines analyses asymétriques.