Comment lire et interpréter des séries chronologiques ?

Une série chronologique est une séquence de données numériques collectées à des intervalles de temps réguliers et ordonnées temporellement. Ces intervalles peuvent être quotidiens, mensuels, annuels, etc. L'objectif principal de l'étude des séries chronologiques est de comprendre l'évolution d'un phénomène donné dans le temps.

Intérêt principal :

• Comprendre le passé : Analyser comment un phénomène a évolué, identifier des patterns.
• Décrire le présent : Situer la situation actuelle par rapport à son histoire.
• Prévoir l'avenir : Estimer les valeurs futures d'une variable en se basant sur son comportement passé (avec prudence).
• Comparer : Mettre en relation différentes séries pour déceler des liens.

En SES, les séries chronologiques sont cruciales pour :

• Le diagnostic économique et social.
• L'évaluation des politiques publiques.
• La compréhension des dynamiques sociétales.

De nombreux indicateurs économiques et sociaux sont présentés sous forme de séries chronologiques :

• Produit Intérieur Brut (PIB) : Mesure la richesse créée par un pays. Son évolution permet de suivre la croissance économique.
• Taux de chômage : Indique la proportion de la population active sans emploi. Son suivi est essentiel pour évaluer la santé du marché du travail.
• Taux d'inflation : Mesure l'augmentation générale des prix. Crucial pour le pouvoir d'achat et la politique monétaire.
• Indicateurs démographiques : Taux de natalité, taux de mortalité, espérance de vie. Ils révèlent les évolutions des populations.
• Cours boursiers : Évolution des prix des actions, reflétant la confiance des investisseurs.
• Dépenses de consommation des ménages : Indiquent l'activité économique et la confiance des consommateurs.

Ces exemples montrent la diversité des phénomènes que l'on peut analyser avec les séries chronologiques, des macro-indicateurs aux comportements individuels agrégés.

La visualisation est la première étape de l'analyse d'une série chronologique. Le graphique linéaire est la représentation la plus courante et la plus efficace.

Éléments clés d'un bon graphique linéaire :

1. Titre clair et précis : Indique ce qui est représenté (ex: "Évolution du PIB en France de 2000 à 2020").
2. Axe des abscisses (horizontal) : Représente le temps (années, trimestres, mois). Les intervalles doivent être réguliers.
3. Axe des ordonnées (vertical) : Représente la valeur de la variable étudiée. Il doit commencer par 0 si possible, sauf si les variations sont très faibles et qu'un zoom est nécessaire.
4. Échelle : Les graduations sur les axes doivent être claires et régulières.
   • Une échelle linéaire (arithmétique) est la plus fréquente.
   • Une échelle logarithmique est utile pour visualiser les taux de croissance (une croissance constante apparaît comme une ligne droite) ou pour des séries présentant de très fortes variations.
5. Légende : Si plusieurs séries sont représentées sur le même graphique, une légende est indispensable pour les distinguer (couleurs, types de traits).
6. Source des données : Toujours mentionner la provenance des données pour assurer la crédibilité.
7. Unités de mesure : Préciser l'unité de la variable (%, milliards d'euros, nombre d'habitants, etc.).

Exemple simple : Un graphique montrant l'évolution du taux de chômage sur 10 ans permet de voir immédiatement s'il y a une tendance à la hausse ou à la baisse, et à quels moments il y a eu des pics ou des creux. La représentation graphique facilite la première interprétation et la détection d'anomalies ou de points de rupture.

Comprendre comment une valeur change entre deux points dans le temps est fondamental.

1. Variation absolue (VA) : C'est la différence entre la valeur finale et la valeur initiale. Elle s'exprime dans la même unité que la variable. $VA = \text{Valeur finale} - \text{Valeur initiale}$ Exemple : Si le PIB passe de 2000 milliards d'euros à 2100 milliards d'euros, la VA est $2100 - 2000 = 100$ milliards d'euros.

2. Variation relative (VR) ou Taux de croissance : Elle exprime la variation en pourcentage par rapport à la valeur initiale. C'est souvent plus pertinent pour comparer des évolutions de grandeurs différentes ou sur des périodes différentes. $VR = \frac{\text{Valeur finale} - \text{Valeur initiale}}{\text{Valeur initiale}} \times 100$ Exemple : Si le PIB passe de 2000 à 2100 milliards d'euros, le taux de croissance est $\frac{2100 - 2000}{2000} \times 100 = \frac{100}{2000} \times 100 = 5\%$.

3. Point de pourcentage (pp) : Utilisé pour exprimer la différence entre deux pourcentages. Ce n'est PAS un taux de croissance. Exemple : Si le taux de chômage passe de 8% à 10%, il a augmenté de 2 points de pourcentage. Son taux de croissance est de $\frac{10-8}{8} \times 100 = 25\%$. Ne pas confondre une augmentation en points de pourcentage avec un taux de croissance (ou variation relative) d'un pourcentage.

Les indices simples sont des outils puissants pour mesurer les évolutions relatives. Ils permettent de suivre l'évolution d'une variable par rapport à une année de référence (ou période de référence) dont la valeur est fixée à 100.

Formule de l'indice simple : $Indice_{\text{année X}} = \frac{\text{Valeur de la variable en année X}}{\text{Valeur de la variable en année de référence}} \times 100$

Caractéristiques et intérêt :

• Base 100 : L'année de référence a toujours un indice de 100.
• Comparaison facile : Un indice de 110 signifie une augmentation de 10% par rapport à l'année de référence. Un indice de 90 signifie une baisse de 10%.
• Neutralisation des unités : Les indices sont des nombres sans unité, ce qui facilite les comparaisons entre des grandeurs différentes ou de valeurs très éloignées.
• Calcul des taux de croissance à partir des indices : Taux de croissance entre l'année A et l'année B (avec année de référence R) : $TC = \left(\frac{Indice_B}{Indice_A} - 1\right) \times 100$

Exemple :

L'indice simplifie la lecture des évolutions : en 2020, le PIB a augmenté de 10% par rapport à 2010.

Le taux de croissance annuel moyen (TCAM) permet de calculer un taux de croissance annuel "moyen" sur une période de plusieurs années. Il est particulièrement utile pour lisser les fluctuations et avoir une vision d'ensemble de la croissance sur le long terme.

Formule du TCAM : $TCAM = \left( \left( \frac{\text{Valeur finale}}{\text{Valeur initiale}} \right)^{\frac{1}{n}} - 1 \right) \times 100$ Où $n$ est le nombre d'années entre la valeur initiale et la valeur finale. Attention, $n$ est le nombre d'intervalles, pas le nombre de données. Si on a des données de 2000 et 2005, $n = 2005 - 2000 = 5$ ans.

Exemple : Si le PIB passe de 1800 Mds € en 2000 à 2200 Mds € en 2020. $n = 2020 - 2000 = 20$ ans. $TCAM = \left( \left( \frac{2200}{1800} \right)^{\frac{1}{20}} - 1 \right) \times 100$ $TCAM \approx \left( (1.222)^{\frac{1}{20}} - 1 \right) \times 100 \approx (1.010 - 1) \times 100 \approx 1\%$ Cela signifie que sur la période 2000-2020, le PIB a augmenté en moyenne de 1% par an.

Le TCAM est une moyenne géométrique et non arithmétique. Il répond à la question : "Quel taux de croissance constant aurait permis d'atteindre la valeur finale à partir de la valeur initiale en $n$ périodes ?" Le TCAM est très utile pour comparer des performances de croissance sur des périodes différentes ou entre entités différentes.

La tendance longue (ou tendance séculaire) est le mouvement général, la direction dominante d'une série sur une longue période. Elle représente l'évolution fondamentale du phénomène, en ignorant les fluctuations à court terme.

Méthodes pour identifier la tendance :

• Observation graphique : Souvent, un simple tracé de la série permet de dégager visuellement une tendance ascendante, descendante ou stable.
• Lissage des données : Pour "gommer" les fluctuations temporaires et mieux faire apparaître la tendance.
  • Moyennes mobiles : Calcul de la moyenne des valeurs sur une fenêtre de temps glissante (ex: moyenne mobile sur 3 ans, 5 ans).
    • Moyenne mobile centrée : Si la période est impaire (ex: 3 ans), on centre la moyenne sur l'année du milieu.
    • Moyenne mobile non centrée : Si la période est paire (ex: 4 ans), on calcule la moyenne sur les 4 ans et on la place entre les deux années centrales.
  • Régression linéaire : Ajuster une droite (ou une courbe plus complexe) aux données pour modéliser la tendance mathématiquement. L'équation de la droite $y = ax + b$ permet de définir la direction ($a$) et le point de départ ($b$).

La tendance longue est cruciale pour comprendre les évolutions structurelles d'une économie ou d'une société. Par exemple, la tendance de long terme du PIB indique le potentiel de croissance d'un pays.

Les variations cycliques sont des mouvements de hausse et de baisse qui se produisent autour de la tendance longue. Elles sont plus ou moins régulières mais sans périodicité fixe (contrairement à la saisonnalité). En SES, on parle souvent de cycle économique.

Phases du cycle économique :

1. Expansion (ou reprise) : Augmentation de l'activité économique (PIB, emploi, investissement).
2. Pic (ou apogée) : Point culminant de l'activité avant le retournement.
3. Récession (ou contraction) : Baisse de l'activité économique. Si elle est longue et profonde, on parle de dépression.
4. Creux (ou dépression) : Point le plus bas de l'activité avant la reprise.

Ces cycles peuvent durer de quelques années à une dizaine d'années (cycles de Juglar, cycles de Kondratiev pour les cycles longs). L'analyse des cycles est essentielle pour les décideurs politiques, car elle permet d'anticiper les retournements et d'adapter les politiques monétaires et budgétaires.

Une série chronologique peut être décomposée en plusieurs composantes : $Y_t = T_t \times C_t \times S_t \times I_t$ (modèle multiplicatif) Ou $Y_t = T_t + C_t + S_t + I_t$ (modèle additif)

• Tendance ($T_t$) : Mouvement de long terme, direction générale de la série.
• Cycle ($C_t$) : Fluctuations de moyenne durée autour de la tendance (quelques années).
• Saisonnalité ($S_t$) : Variations régulières et prévisibles qui se reproduisent à la même période chaque année (ex: ventes de jouets à Noël, consommation d'électricité en hiver). Elle est souvent éliminée pour analyser la tendance et le cycle (on parle de données "désaisonnalisées").
• Fluctuations résiduelles / aléatoires / irrégulières ($I_t$) : Ce qui reste après avoir identifié et retiré la tendance, le cycle et la saisonnalité. Elles sont imprévisibles et souvent dues à des événements inattendus (chocs économiques, catastrophes naturelles, crises politiques).

Exemple : Le chiffre d'affaires d'un magasin de vêtements.

• Tendance : Peut être à la hausse si le magasin se développe.
• Cycle : Peut suivre les cycles économiques généraux (les ventes augmentent en période de croissance, diminuent en récession).
• Saisonnalité : Pics de ventes pour les fêtes de fin d'année, les soldes, les changements de saison.
• Fluctuations : Une grève des transports qui empêche les clients de venir, une promotion inattendue d'un concurrent.

La décomposition permet de comprendre les différentes forces qui agissent sur une variable et d'isoler les phénomènes pour une analyse plus fine.

Un graphique, même bien construit, peut être trompeur s'il est mal lu ou intentionnellement manipulé.

Points de vigilance :

• Échelle des axes :
  • Un axe des ordonnées qui ne commence pas à zéro peut exagérer les variations (ex: un taux de chômage passant de 7% à 8% peut paraître une énorme augmentation si l'axe commence à 6%).
  • Des échelles très resserrées ou très étirées peuvent minimiser ou amplifier les mouvements.
• Période représentée : Regarder une période trop courte peut masquer la tendance longue ou des cycles importants.
• Source et fiabilité des données : D'où viennent les chiffres ? Sont-ils officiels, vérifiés ? Les méthodologies de collecte ont-elles changé au fil du temps ?
• Unités de mesure : Comparer des grandeurs exprimées en unités différentes (ex: valeurs nominales vs. valeurs réelles, taux vs. nombres absolus).
• Biais de représentation : Un graphique peut être conçu pour mettre en avant un certain angle ou une certaine conclusion. Soyez toujours critique et cherchez à comprendre le message intentionnel ou non derrière la visualisation.

C'est l'une des erreurs les plus fréquentes en interprétation statistique.

• Corrélation : Indique qu'il existe une relation statistique entre deux variables, c'est-à-dire qu'elles ont tendance à évoluer ensemble (dans le même sens pour une corrélation positive, en sens inverse pour une corrélation négative). Un coefficient de corrélation (de -1 à +1) mesure la force et le sens de cette relation.
• Causalité : Signifie qu'une variable est la cause de l'autre.

Une corrélation n'implique PAS nécessairement une causalité. Exemples :

• Le nombre de noyades est corrélé avec les ventes de glaces. La cause commune est la chaleur estivale, pas que manger des glaces provoque la noyade.
• Une forte corrélation entre le taux de chômage et la consommation d'alcool ne signifie pas que l'un cause l'autre directement, mais que des facteurs socio-économiques sous-jacents peuvent influencer les deux.

Pour établir une causalité, il faut des arguments théoriques solides, des études empiriques rigoureuses et souvent l'élimination de facteurs de confusion. En SES, la causalité est souvent complexe et multifactorielle.

L'extrapolation consiste à prolonger une tendance observée dans le passé pour prédire le futur. La prévision est l'estimation des valeurs futures d'une variable.

Limites :

• Changement de contexte : Les conditions qui ont généré la tendance passée peuvent changer (nouvelles technologies, politiques, crises).
• Chocs exogènes : Des événements imprévus (pandémie, guerre, crise financière) peuvent complètement modifier la trajectoire d'une série.
• Effet de saturation : Une croissance exponentielle ne peut pas durer indéfiniment.
• Incertitude : Plus l'horizon de prévision est lointain, plus l'incertitude est grande.

Les prévisions sont des outils d'aide à la décision, pas des certitudes. Elles sont basées sur des modèles et des hypothèses qui peuvent être remis en question. Il est crucial de toujours accompagner une prévision de ses limites et des hypothèses sous-jacentes.

Malgré leurs limites, les séries chronologiques sont des outils indispensables pour :

• Établir un diagnostic : Comprendre l'état actuel et l'évolution passée d'une situation économique ou sociale (ex: la France est-elle en croissance ou en récession ?).
• Élaborer des politiques publiques : Les gouvernements et les institutions s'appuient sur ces analyses pour concevoir des mesures adaptées (ex: politique de l'emploi en fonction du taux de chômage).
• Prendre des décisions : Les entreprises utilisent les séries pour anticiper la demande, les investissements. Les ménages pour leurs choix de consommation ou d'épargne.
• Argumenter et débattre : Les données chiffrées et leurs évolutions sont des preuves empiriques pour soutenir ou contredire des thèses en SES.

En somme, les séries chronologiques fournissent un cadre rigoureux pour l'analyse dynamique des phénomènes économiques et sociaux, à condition d'être utilisées avec méthode et esprit critique.