Une série hebdomadaire de cas de bronchiolite présente une tendance à la hausse au fil des semaines. Avant d’ajuster un modèle de série temporelle, quelle étape est nécessaire ?
Appliquer un modèle de moyenne mobile sans transformation préalable.
Appliquer une différenciation pour stabiliser la moyenne et la variance de la série.
Utiliser directement un modèle AR(1).
Supprimer les valeurs extrêmes de la série.
La différenciation \((\nabla y_t = y_t – y_{t-1})\) élimine les tendances linéaires et permet d’obtenir une série stationnaire. Cette étape est essentielle avant d’ajuster un modèle ARIMA, car il suppose la stabilité de la moyenne et de la variance dans le temps.
Une série mensuelle de cas de grippe montre des pics récurrents chaque hiver. Si l’on applique un modèle ARIMA sans prendre en compte cette saisonnalité, que risque-t-il de se produire ?
Le modèle surestimera les pics de grippe chaque hiver.
Le modèle confondra la saisonnalité avec une tendance ou un bruit aléatoire.
Le modèle prédira parfaitement la récurrence des épidémies.
Le modèle deviendra automatiquement saisonnier.
Un modèle ARIMA classique ne peut pas distinguer les fluctuations périodiques d’une simple tendance. Ignorer la saisonnalité conduit à une mauvaise interprétation des cycles récurrents, donc à un ajustement inadéquat du modèle et à des prévisions biaisées. Les modèles SARIMA corrigent ce problème en intégrant explicitement les effets saisonniers.
Selon l’étude de Wang et coll. (2024) sur la syphilis en Chine, pourquoi le modèle SARIMA(4,1,0)(4,1,0)12 a-t-il été choisi ?
Parce qu’il ignore la saisonnalité et se concentre uniquement sur les tendances longues.
Parce qu’il élimine automatiquement les effets des pandémies récentes.
Parce qu’il ne nécessite pas de différenciation pour rendre la série stationnaire.
Parce qu’il permet de modéliser la dynamique mensuelle et les cycles saisonniers observés chaque année.
Le modèle SARIMA(4,1,0)(4,1,0)12 capte à la fois la dépendance à court terme (d’un mois à l’autre) et le cycle saisonnier annuel. Dans l’étude de Wang et coll. (2024), ce modèle a permis de reproduire les pics semestriels de syphilis et de fournir des prévisions précises à court terme.
Dans le cadre d’une étude d’épidémie de dengue, on souhaite expliquer les fluctuations du nombre de cas en fonction de la température moyenne hebdomadaire. Que représente la température dans ce contexte ?
Une covariable dépendante du temps
La variable dépendante de la série chronologique
Une covariable indépendante du temps
Une erreur aléatoire du modèle
La température varie au fil du temps et influence indirectement la dynamique de la maladie, ce qui en fait une covariable dépendante du temps.
Lors d’une flambée de COVID-19, on observe que l’augmentation des cas dans une ville est suivie d’une hausse similaire dans les municipalités voisines. Que cela illustre-t-il ?
Une dépendance temporelle interne
Un effet spatial de diffusion
Une tendance saisonnière
Une variance non constante
L’évolution au sein d’une localité influence celle des régions voisines, ce qui correspond à un effet spatial typique des phénomènes épidémiques.
Selon Nasri et coll. (2024), les modèles AR-HMM avec covariables spatiales permettent…
de modéliser uniquement les variations temporelles d’une région donnée.
de détecter la saisonnalité sans prendre en compte la proximité géographique.
de tenir compte à la fois des dynamiques temporelles locales et des interactions spatiales entre régions.
de remplacer les modèles ARMA dans les séries stationnaires simples.
Les modèles AR-HMM avec covariables spatiales intègrent simultanément les effets temporels (mémoire locale) et spatiaux (influence des régions voisines), offrant une représentation plus réaliste des phénomènes épidémiques.