Comment lire et interpréter des séries chronologiques ?

Une série chronologique (ou série temporelle) est une suite de données numériques mesurées à des intervalles de temps successifs et réguliers. Imaginez que vous notez la température de votre ville tous les jours à la même heure, ou le prix d'un produit chaque mois : vous créez une série chronologique.

Ces données sont organisées dans l'ordre où elles sont apparues dans le temps.

Key Concepts:

• Définition : Une série de mesures d'une variable prises à intervalles de temps réguliers (jours, mois, trimestres, années).
• Données temporelles : L'aspect crucial est que l'ordre des observations est lié au temps. Chaque point de donnée est associé à une date ou un moment précis.
• Évolution dans le temps : L'objectif principal de l'analyse des séries chronologiques est de comprendre comment une variable évolue, change, ou se comporte au fil du temps.

Ici, le PIB est la variable, et l'année est la dimension temporelle.

En Sciences Économiques et Sociales (SES), les séries chronologiques sont des outils fondamentaux pour comprendre le monde qui nous entoure. Elles nous permettent de passer d'une simple observation à une véritable analyse des dynamiques économiques et sociales.

Key Concepts:

• Analyse des phénomènes économiques : Elles permettent d'étudier l'évolution de grandeurs comme la croissance économique (PIB), l'emploi (taux de chômage), l'inflation, les prix, les échanges commerciaux, etc. On peut ainsi voir si l'économie est en expansion, en récession, ou stable.
• Analyse des phénomènes sociaux : Elles sont aussi utilisées pour suivre des indicateurs sociaux tels que l'évolution de la population, les inégalités de revenus, la pauvreté, la délinquance, les dépenses de santé, l'éducation. Elles révèlent les tendances lourdes et les changements structurels de nos sociétés.
• Prise de décision : Pour les gouvernements, les entreprises ou même les ménages, comprendre l'évolution passée et présente permet d'anticiper l'avenir et de prendre des décisions éclairées. Par exemple, un gouvernement utilisera les séries sur le chômage pour décider de la pertinence de politiques d'emploi.

Les séries chronologiques sont partout en SES. Voici quelques exemples concrets :

Key Concepts:

• PIB (Produit Intérieur Brut) : Mesure la richesse créée par un pays sur une période donnée. Sa série chronologique montre la croissance économique.
  • Exemple : L'évolution annuelle du PIB d'un pays sur 50 ans.
• Taux de chômage : Représente la proportion de personnes sans emploi et en recherchant un, par rapport à la population active. Sa série indique la santé du marché du travail.
  • Exemple : Le taux de chômage mensuel en France depuis les années 1970.
• Inflation : Mesure l'augmentation générale et durable des prix. La série de l'inflation permet de suivre l'évolution du pouvoir d'achat.
  • Exemple : L'indice des prix à la consommation (IPC) publié chaque mois.
• Démographie : Étude des populations. Les séries chronologiques peuvent concerner les taux de natalité, de mortalité, le solde migratoire, l'espérance de vie.
  • Exemple : Le nombre de naissances par an dans une région donnée.

Chacune de ces séries raconte une histoire sur l'économie ou la société.

Le graphique en ligne est l'outil le plus courant et le plus efficace pour visualiser une série chronologique. Il permet de percevoir rapidement l'évolution d'une variable au fil du temps.

Key Concepts:

• Axes :
  • L'axe horizontal (abscisse) représente toujours le temps (années, mois, jours, etc.). Il doit être gradué de manière régulière.
  • L'axe vertical (ordonnée) représente la variable étudiée (PIB, taux de chômage, prix, etc.) et ses valeurs.
• Points de données : Chaque mesure de la série est un point sur le graphique, défini par sa date (axe horizontal) et sa valeur (axe vertical).
• Liaison des points : Les points sont reliés par des segments de droite pour montrer la continuité de l'évolution et faciliter la lecture de la tendance générale. C'est cette ligne qui rend visible la "trajectoire" de la variable.

Si l'on reprend notre exemple du PIB :

• Année (axe horizontal) : 2018, 2019, 2020, 2021, 2022
• PIB (axe vertical) : 2353, 2420, 2302, 2501, 2639

Le choix de l'échelle et de l'unité sur les axes est crucial pour la lisibilité et la bonne interprétation du graphique. Un mauvais choix peut induire en erreur.

Key Concepts:

• Lisibilité : L'échelle doit être suffisamment large pour que toutes les données soient visibles, mais pas trop pour ne pas "écraser" les variations. Les graduations doivent être claires et faciles à lire.
• Pertinence : L'unité de mesure doit être appropriée à la variable (par exemple, des pourcentages pour un taux, des milliards d'euros pour le PIB). L'intervalle de temps choisi (annuel, trimestriel, mensuel) doit correspondre à la fréquence des données et à l'objectif de l'analyse.
• Comparaison : Lorsque l'on compare plusieurs séries sur un même graphique, il est essentiel d'utiliser les mêmes échelles et unités si les variables sont comparables. Si les unités sont différentes (par exemple, PIB et taux de chômage), il faut utiliser deux axes verticaux (un pour chaque variable) ou deux graphiques distincts pour éviter toute confusion.
  • Une échelle bien choisie met en évidence les variations importantes sans les exagérer ni les minimiser.

Un graphique mal construit peut déformer la réalité et conduire à des interprétations erronées.

Key Concepts:

• Échelle tronquée : C'est l'erreur la plus fréquente et la plus trompeuse. Elle consiste à ne pas faire partir l'axe vertical de zéro. Cela a pour effet d'amplifier artificiellement les variations et de faire paraître un petit changement beaucoup plus important qu'il ne l'est réellement.
  • Exemple : Un graphique montrant une augmentation de 1% des ventes en faisant commencer l'axe vertical à 90% des ventes plutôt qu'à 0%.
• Absence de titre clair : Un graphique doit toujours avoir un titre explicite qui indique ce qui est représenté (quelle variable, sur quelle période, dans quelle zone géographique).
• Légende manquante ou peu claire : Si plusieurs séries sont représentées sur le même graphique, une légende est indispensable pour identifier chaque ligne.
• Unités et sources non indiquées : Il faut toujours mentionner les unités de mesure sur les axes et la source des données pour assurer la crédibilité et la reproductibilité du graphique.
  • Un bon graphique doit être autonome : on doit le comprendre sans avoir besoin du texte qui l'accompagne.

La tendance générale (ou tendance longue) est la direction principale que prend une série chronologique sur une longue période, en ignorant les fluctuations à court terme. C'est le mouvement de fond.

Key Concepts:

• Augmentation : La variable étudiée a tendance à croître au fil du temps. La ligne monte globalement.
  • Exemple : L'espérance de vie en France a une tendance générale à l'augmentation depuis des décennies.
• Diminution : La variable a tendance à décroître. La ligne descend globalement.
  • Exemple : Le nombre d'emplois dans l'industrie manufacturière dans de nombreux pays développés.
• Stabilité : La variable fluctue autour d'une valeur moyenne sans direction claire à long terme. La ligne est relativement plate.
  • Exemple : Le taux de natalité peut montrer une période de stabilité relative.
• Rupture de tendance : C'est un changement brusque et durable dans la direction de la tendance. Elle est souvent liée à un événement majeur (crise économique, nouvelle politique, innovation technologique).
  • Exemple : Le début d'une crise économique majeure peut provoquer une rupture dans la tendance de la croissance du PIB.
  • L'identification de la tendance est la première étape cruciale pour comprendre l'évolution d'un phénomène.

Pour aller au-delà de la simple observation visuelle, il est essentiel de quantifier les changements.

Key Concepts:

• Variation absolue : C'est la différence directe entre deux valeurs. Elle s'exprime dans l'unité de la variable.
  • Formule : $V_a = Valeur_{finale} - Valeur_{initiale}$
  • Exemple : Si le PIB passe de 2420 milliards d'€ à 2501 milliards d'€, la variation absolue est de $2501 - 2420 = 81$ milliards d'€.
• Variation relative (taux de croissance) : Exprimée en pourcentage, elle mesure l'ampleur du changement par rapport à la valeur initiale. C'est souvent plus pertinent pour comparer des évolutions de grandeurs différentes ou sur des périodes différentes.
  • Formule : $V_r = \frac{Valeur_{finale} - Valeur_{initiale}}{Valeur_{initiale}} \times 100$
  • Exemple : Pour le PIB précédent : $\frac{81}{2420} \times 100 \approx 3,35 \%$. Le PIB a augmenté de 3,35%. C'est ce qu'on appelle un taux de croissance.
• Points de pourcentage : Utilisé pour exprimer la variation d'un pourcentage. Si un taux passe de 5% à 7%, il a augmenté de 2 points de pourcentage, et non de 2%. La variation relative serait $\frac{7-5}{5} \times 100 = 40\%$.
  • Comprendre la différence entre variation relative et points de pourcentage est fondamental pour éviter des erreurs d'interprétation.

Au-delà de la simple augmentation ou diminution, il est important d'analyser la vitesse à laquelle ces changements se produisent.

Key Concepts:

• Accélération : La vitesse d'augmentation (ou de diminution) de la variable s'accroît. La pente de la courbe devient plus forte (plus raide) vers le haut ou vers le bas.
  • Exemple : Le taux de croissance du PIB passe de +1% à +2% puis +3%.
• Décélération : La vitesse d'augmentation (ou de diminution) de la variable ralentit. La pente de la courbe s'adoucit.
  • Exemple : Le taux de croissance du PIB passe de +3% à +2% puis +1%.
• Stagnation : La variable ne connaît pratiquement aucune évolution, ou des fluctuations très faibles autour d'une valeur stable. Le rythme est nul ou très faible.
  • Exemple : Une période où le chômage reste autour de 8% avec de légères variations.
  • L'analyse des rythmes permet de nuancer l'interprétation de la tendance générale. Une croissance peut être forte mais décélérer, ce qui indique un ralentissement à venir.

Les variations saisonnières sont des fluctuations qui se produisent de manière régulière et prévisible à l'intérieur d'une période annuelle. Elles sont liées à des facteurs climatiques, institutionnels (vacances, fêtes) ou culturels.

Key Concepts:

• Définition : Mouvements répétitifs qui se produisent à la même période chaque année.
• Périodicité annuelle : Le motif se répète chaque année.
• Exemples :
  • Consommation : Les ventes de jouets augmentent fortement avant Noël. La consommation de glaces est plus élevée en été.
  • Tourisme : Le nombre de touristes dans les stations de ski est plus élevé en hiver ; dans les stations balnéaires, en été.
  • Chômage : Le chômage des jeunes augmente souvent à la fin de l'année scolaire et universitaire, avant de diminuer avec les emplois saisonniers de l'été.
  • Il est important de distinguer ces variations naturelles de la tendance de fond. Les données sont souvent "désaisonnalisées" pour mieux percevoir la tendance.

Les variations cycliques sont des mouvements de hausse et de baisse qui se produisent sur des périodes plus longues que la saisonnalité (plusieurs années), mais de manière moins régulière et prévisible. Elles sont souvent associées aux cycles économiques.

Key Concepts:

• Définition : Fluctuations en dents de scie (alternance de phases d'expansion et de récession) qui s'étendent sur plusieurs années.
• Périodicité irrégulière : Contrairement à la saisonnalité, la durée d'un cycle n'est pas fixe. Un cycle économique peut durer de 5 à 10 ans, voire plus.
• Cycles économiques : Ces variations sont souvent appelées "cycles des affaires" ou "cycles conjoncturels". Ils se caractérisent par des phases :
  • Expansion : Croissance de l'activité économique (hausse du PIB, baisse du chômage).
  • Pic : Point culminant de l'expansion.
  • Récession : Ralentissement ou contraction de l'activité économique (baisse du PIB, hausse du chômage).
  • Creux : Point le plus bas de la récession.
  • Les cycles économiques influencent de nombreuses variables en SES, comme l'investissement, la consommation, l'emploi et l'inflation.

Une série chronologique est souvent la somme ou le produit de plusieurs composantes. Les économistes et statisticiens cherchent à isoler ces différentes composantes pour mieux comprendre les phénomènes.

Key Concepts:

• Composantes d'une série :
  • Tendance (T) : Le mouvement de long terme.
  • Saisonnalité (S) : Les variations régulières et prévisibles sur une année.
  • Cycle (C) : Les fluctuations de moyen terme (plusieurs années).
  • Résidu ou aléatoire (R) : Les fluctuations imprévisibles et irrégulières (événements exceptionnels, erreurs de mesure).
  • Modèle additif : $Y_t = T_t + S_t + C_t + R_t$ (où $Y_t$ est la valeur de la série au temps $t$)
  • Modèle multiplicatif : $Y_t = T_t \times S_t \times C_t \times R_t$
• Désaisonnalisation : C'est une technique statistique qui consiste à retirer la composante saisonnière d'une série pour mieux faire apparaître la tendance et le cycle. Les données désaisonnalisées sont très utilisées en économie pour suivre la conjoncture.
• Analyse multifactorielle : Comprendre une série chronologique, c'est souvent démêler l'influence de ces différentes composantes. Par exemple, une hausse du chômage peut être due à une composante saisonnière (fin d'année scolaire) ou à une composante cyclique (début de récession).

L'analyse devient plus riche lorsqu'on ne se contente pas d'étudier une seule série, mais qu'on cherche à les relier entre elles.

Key Concepts:

• Corrélation : Deux séries sont corrélées si elles ont tendance à varier ensemble.
  • Corrélation positive : Elles évoluent dans le même sens (si l'une augmente, l'autre aussi). Exemple : PIB et consommation des ménages.
  • Corrélation négative : Elles évoluent en sens inverse (si l'une augmente, l'autre diminue). Exemple : Taux de chômage et croissance économique.
  • La corrélation mesure l'intensité et la direction de la relation linéaire entre deux variables.
• Causalité : La causalité signifie qu'une variable cause le mouvement de l'autre. C'est une relation de cause à effet.
  • Exemple : Une augmentation des impôts (variable A) peut causer une diminution de la consommation (variable B).
• Comparaison : On peut comparer l'évolution d'une même variable entre différentes zones géographiques (ex: taux de chômage en France vs. en Allemagne) ou entre différents groupes sociaux (ex: salaires des hommes vs. des femmes).
  • Attention : La corrélation n'implique PAS la causalité ! Ce n'est pas parce que deux choses évoluent ensemble que l'une est la cause de l'autre. Il peut y avoir une troisième variable (variable cachée) qui influence les deux, ou simplement une coïncidence.

Malgré leur utilité, les séries chronologiques ont des limites importantes qu'il faut connaître pour éviter les erreurs.

Key Concepts:

• Corrélation n'implique pas causalité : C'est la limite la plus fondamentale. Beaucoup de corrélations sont fortuites ou s'expliquent par des facteurs sous-jacents communs.
  • Exemple amusant : Il y a une corrélation forte entre la consommation de fromage et le nombre de morts par enchevêtrement dans un drap de lit. Personne ne dirait que manger du fromage cause ces décès.
• Biais de sélection : Les données utilisées pour construire la série peuvent ne pas être représentatives de la population ou du phénomène étudié.
• Données manquantes ou erreurs de mesure : Les séries peuvent être incomplètes ou contenir des erreurs, ce qui fausse l'analyse.
• Changement de définition des indicateurs : Les définitions de certains indicateurs (par exemple, le chômage) peuvent évoluer au fil du temps, rendant les comparaisons sur de très longues périodes difficiles.
  • Il faut toujours garder un esprit critique et chercher à comprendre pourquoi les choses évoluent, et pas seulement comment.

Malgré leurs limites, les séries chronologiques sont des outils précieux pour essayer de se projeter dans l'avenir.

Key Concepts:

• Prévisions : En analysant les tendances passées, les saisonnalités et les cycles, on peut tenter d'estimer les valeurs futures d'une variable. C'est ce que font les économistes pour prévoir la croissance, le chômage, l'inflation.
  • Exemple : Si le PIB a crû en moyenne de 2% par an sur les 10 dernières années, on peut prévoir une croissance similaire pour l'année prochaine, en l'absence de chocs majeurs.
• Scénarios : Plutôt que de faire une seule prévision, on peut élaborer plusieurs scénarios (optimiste, pessimiste, central) en fonction de différentes hypothèses sur l'évolution des facteurs influençant la série.
• Incertitude : Il est crucial de reconnaître que les prévisions sont toujours entachées d'incertitude. Le futur n'est jamais une simple extrapolation du passé. Des événements imprévus (chocs économiques, crises sanitaires, innovations) peuvent radicalement modifier les trajectoires.
  • Les séries chronologiques aident à éclairer l'avenir, mais ne le prédisent jamais avec certitude. Elles sont des aides à la décision, pas des oracles.