{"id":8019,"date":"2026-09-17T01:26:37","date_gmt":"2026-09-17T01:26:37","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-calculer-moyenne-mobile-exponentielle-dans-r\/"},"modified":"2026-09-17T01:26:39","modified_gmt":"2026-09-17T01:26:39","slug":"comment-calculer-moyenne-mobile-exponentielle-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-calculer-moyenne-mobile-exponentielle-dans-r","title":{"rendered":"Comment calculer une moyenne mobile exponentielle dans R"},"content":{"rendered":"

Dans le champ de l’analyse des s\u00e9ries temporelles, le traitement du signal et l’estimation des tendances sous-jacentes constituent des d\u00e9fis m\u00e9thodologiques majeurs pour les chercheurs et les praticiens de la science des donn\u00e9es. Qu’il s’agisse de mod\u00e9liser des dynamiques psychophysiologiques complexes, de suivre des fluctuations comportementales longitudinales ou d’analyser des indicateurs biom\u00e9triques \u00e0 haute fr\u00e9quence, les s\u00e9ries chronologiques brutes pr\u00e9sentent invariablement un niveau substantiel de bruit stochastique. Ce bruit, qu’il r\u00e9sulte d’erreurs d’\u00e9chantillonnage, de variabilit\u00e9 intra-individuelle al\u00e9atoire ou d’artefacts instrumentaux, obscurcit la dynamique fondamentale du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. C’est dans ce cadre m\u00e9thodologique pr\u00e9cis que s’imposent les techniques de lissage s\u00e9quentiel, au sein desquelles la moyenne mobile exponentielle (souvent abr\u00e9g\u00e9e EMA pour Exponential Moving Average<\/em>) occupe une place fondamentale.<\/p>\n

D\u00e9velopp\u00e9e initialement pour les besoins de l’ing\u00e9nierie statistique et de la recherche op\u00e9rationnelle, notamment \u00e0 travers les travaux pionniers de Robert Goodell Brown et de Charles C. Holt au milieu du vingti\u00e8me si\u00e8cle, la moyenne mobile exponentielle propose une solution computationnelle \u00e9l\u00e9gante au probl\u00e8me de l’inertie et de la r\u00e9activit\u00e9 dans le suivi des signaux temporels. Contrairement aux approches arithm\u00e9tiques conventionnelles qui attribuent un poids \u00e9quivalent \u00e0 toutes les observations situ\u00e9es \u00e0 l’int\u00e9rieur d’une fen\u00eatre temporelle rigide, le lissage exponentiel repose sur un sch\u00e9ma de pond\u00e9ration g\u00e9om\u00e9triquement d\u00e9croissant. Cette caract\u00e9ristique conf\u00e8re \u00e0 l’algorithme une m\u00e9moire \u00e0 la fois longue et \u00e9lastique, accordant une importance primordiale aux observations les plus r\u00e9centes tout en conservant une r\u00e9manence asymptotique des \u00e9tats ant\u00e9rieurs.<\/p>\n

L’environnement de calcul statistique R<\/a> offre une infrastructure exceptionnellement robuste et modulaire pour la conception, le calcul et l’optimisation de tels filtres temporels. Gr\u00e2ce \u00e0 une combinaison harmonieuse entre fonctions vectoris\u00e9es natives, packages d’analyse num\u00e9rique de haut niveau comme pracma<\/code> ou sp\u00e9cialis\u00e9s comme TTR<\/code>, et pipelines analytiques modernes issus de l’\u00e9cosyst\u00e8me tidyverse<\/code>, R permet une flexibilit\u00e9 algorithmique sans \u00e9quivalent. Cet article propose une exploration int\u00e9grale, m\u00e9thodique et approfondie du calcul de la moyenne mobile exponentielle sous R, guidant le lecteur des postulats math\u00e9matiques et th\u00e9oriques jusqu’aux impl\u00e9mentations de code les plus rigoureuses, en passant par ses applications appliqu\u00e9es en psychologie quantitative et l’analyse de donn\u00e9es chronologiques continues.<\/p>\n

1. Fondements th\u00e9oriques de la moyenne mobile exponentielle (EMA)<\/h2>\n

1.1 D\u00e9finition math\u00e9matique et principe de pond\u00e9ration d\u00e9croissante<\/h3>\n

La moyenne mobile exponentielle est une m\u00e9thode de filtrage lin\u00e9aire r\u00e9cursif \u00e0 r\u00e9ponse impulsionnelle infinie (IIR). Sur le plan formel, consid\u00e9rons une s\u00e9rie temporelle discr\u00e8te not\u00e9e $Y = {Y_1, Y_2, dots, Y_t, dots, Y_T}$<\/span>, o\u00f9 chaque valeur $Y_t$<\/span> correspond \u00e0 l’observation empirique enregistr\u00e9e \u00e0 l’instant temporel $t$<\/span>. L’objectif fondamental de l’EMA est d’estimer un signal liss\u00e9, d\u00e9sign\u00e9 par $S_t$<\/span>, qui capture la composante tendancielle du processus tout en \u00e9liminant les composantes stochastiques \u00e0 haute fr\u00e9quence. L’\u00e9quation de r\u00e9currence canonique qui r\u00e9git ce syst\u00e8me s’exprime selon la relation lin\u00e9aire du premier ordre suivante :<\/p>\n

$$S_t = \\alpha Y_t + (1 – \\alpha) S_{t-1}$$<\/span><\/p>\n

Dans cette formulation \u00e9l\u00e9mentaire, le scalaire $\\alpha$<\/span> repr\u00e9sente la constante de lissage (ou facteur d’amortissement), strictement born\u00e9e au sein de l’intervalle ouvert ou semi-ouvert $\\alpha in ]0, 1]$<\/span>. La valeur de d\u00e9part $S_1$<\/span> est usuellement initialis\u00e9e \u00e0 $Y_1$<\/span>, bien que d’autres protocoles d’amor\u00e7age existent. Pour saisir la dynamique sous-jacente de cette r\u00e9cursion, il est imp\u00e9ratif d’op\u00e9rer une expansion analytique en substituant de mani\u00e8re it\u00e9rative les termes historiques $S_{t-1}, S_{t-2}, dots$<\/span> jusqu’\u00e0 l’observation initiale :<\/p>\n

$$S_t = \\alpha Y_t + \\alpha(1 – \\alpha)Y_{t-1} + \\alpha(1 – \\alpha)^2 Y_{t-2} + dots + \\alpha(1 – \\alpha)^{t-2} Y_2 + (1 – \\alpha)^{t-1} S_1$$<\/span><\/p>\n

Sous une notation sommatoire compacte, en supposant un horizon temporel infini ou une phase de rodage suffisamment longue pour que le terme r\u00e9siduel $(1 – \\alpha)^{t-1} S_1$<\/span> tende asymptotiquement vers z\u00e9ro, l’expression devient :<\/p>\n

$$S_t = \\sum_{i=0}^{t-1} w_i Y_{t-i} \\quad \\text{o\u00f9} \\quad w_i = \\alpha (1 – \\alpha)^i$$<\/span><\/p>\n

Ce d\u00e9veloppement math\u00e9matique explicite d\u00e9montre que les coefficients de pond\u00e9ration $w_i$<\/span> diminuent selon une progression g\u00e9om\u00e9trique de raison $(1 – \\alpha)$<\/span>. \u00c9tant donn\u00e9 que $0 < (1 – \\alpha) < 1$<\/span>, la suite des poids converge strictement vers z\u00e9ro \u00e0 mesure que l'indice de d\u00e9calage temporel $i$<\/span> cro\u00eet. Par ailleurs, la somme de ces poids infinis constitue une s\u00e9rie g\u00e9om\u00e9trique dont la somme vaut exactement un, puisque :<\/p>\n

$$\\sum_{i=0}^{\\infty} \\alpha (1 – \\alpha)^i = \\alpha \\cdot \\frac{1}{1 – (1 – \\alpha)} = \\frac{\\alpha}{\\alpha} = 1$$<\/span><\/p>\n

Cette propri\u00e9t\u00e9 de normalisation garantit que l’op\u00e9rateur de lissage ne modifie pas l’esp\u00e9rance math\u00e9matique d’un signal stationnaire sous-jacent. Ainsi, l’EMA poss\u00e8de th\u00e9oriquement une m\u00e9moire infinie car chaque observation historique conserve une contribution non nulle au calcul de l’\u00e9tat pr\u00e9sent. Toutefois, d’un point de vue empirique et computationnel, cette m\u00e9moire subit une att\u00e9nuation pratique drastique, permettant au filtre de r\u00e9agir avec une grande agilit\u00e9 aux chocs structurels r\u00e9cents sans souffrir de l’inertie disproportionn\u00e9e propre aux filtres arithm\u00e9tiques.<\/p>\n

1.2 Distinction entre moyenne mobile simple (SMA) et exponentielle (EMA)<\/h3>\n

Pour appr\u00e9hender l’utilit\u00e9 statistique de l’EMA, il est n\u00e9cessaire de la confronter \u00e0 la moyenne mobile simple (SMA, Simple Moving Average<\/em>). La moyenne mobile simple \u00e0 fen\u00eatre fixe de taille $k$<\/span> applique une distribution de pond\u00e9ration rectangulaire uniforme, formalis\u00e9e par l’\u00e9quation :<\/p>\n

$$\\text{SMA}_t(k) = \\frac{1}{k} \\sum_{i=0}^{k-1} Y_{t-i}$$<\/span><\/p>\n

Cette pond\u00e9ration \u00e9quiprobable engendre plusieurs \u00e9cueils statistiques critiques dans l’analyse de processus dynamiques. Le premier est le ph\u00e9nom\u00e8ne bien document\u00e9 de saut artificiel ou d’art\u00e9fact de sortie de fen\u00eatre (souvent d\u00e9sign\u00e9 sous le terme imag\u00e9 de \u00ab aboiement du chien \u00e0 la sortie \u00bb). Lorsqu’une observation atypique, ou une perturbation extr\u00eame survenue \u00e0 l’instant $t – k + 1$<\/span>, quitte brusquement la fen\u00eatre temporelle de calcul \u00e0 l’instant $t + 1$<\/span>, la valeur de la SMA subit une variation discr\u00e8te instantan\u00e9e. Cette variation ne refl\u00e8te aucun changement contemporain dans le ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 \u00e0 l’instant $t+1$<\/span>, mais d\u00e9coule uniquement de la troncature abrupte de la m\u00e9moire du filtre. L’EMA est math\u00e9matiquement immunis\u00e9e contre cet art\u00e9fact structurel gr\u00e2ce \u00e0 sa fonction de transfert exponentiellement amortie, o\u00f9 aucune coupure nette ne survient dans le pass\u00e9.<\/p>\n

Le second contraste majeur r\u00e9side dans la sensibilit\u00e9 directionnelle et le temps de r\u00e9ponse face aux inversions de tendance. Par construction, la SMA accorde le m\u00eame statut d’importance \u00e0 une mesure prise il y a $k$<\/span> jours qu’\u00e0 celle enregistr\u00e9e il y a dix secondes. En cons\u00e9quence, lorsqu’un choc exog\u00e8ne ou une rupture structurelle modifie la trajectoire du signal, la SMA tarde \u00e0 s’infl\u00e9chir, induisant un d\u00e9phasage temporel prononc\u00e9. \u00c0 l’inverse, l’EMA r\u00e9alloue constamment la masse de pond\u00e9ration statistique vers le bord droit de la s\u00e9rie, maximisant l’influence de l’information la plus fra\u00eechement acquise. Selon la nature du signal temporel (stationnarit\u00e9, pr\u00e9sence de bruits gaussiens ou impulsifs, fr\u00e9quence d’\u00e9chantillonnage), le chercheur privil\u00e9giera l’EMA d\u00e8s lors que l’objectif analytique consiste \u00e0 d\u00e9tecter pr\u00e9cocement les changements d’\u00e9tat sans sacrifier la stabilit\u00e9 globale de l’estimation.<\/p>\n

1.3 Param\u00e8tre d’amortissement et constante de lissage alpha<\/h3>\n

Le comportement dynamique de l’EMA est enti\u00e8rement gouvern\u00e9 par le param\u00e8tre d’amortissement $\\alpha$<\/span>. Dans les applications computationnelles et logicielles, il est extr\u00eamement courant de param\u00e9trer le lissage non pas directement par la valeur de $\\alpha$<\/span>, mais par une pseudo-fen\u00eatre temporelle \u00e9quivalente not\u00e9e $n$<\/span>. La convention standardis\u00e9e, initialement formul\u00e9e dans les travaux d’ing\u00e9nierie des processus de contr\u00f4le, \u00e9tablit l’\u00e9quivalence suivante entre la largeur de la fen\u00eatre conventionnelle $n$<\/span> et le scalaire $\\alpha$<\/span> :<\/p>\n

$$\\alpha = \\frac{2}{n + 1}$$<\/span><\/p>\n

Cette conversion math\u00e9matique d\u00e9coule de l’\u00e9galisation des retards moyens de phase (les centres de masse temporels respectifs) entre une SMA de longueur $n$<\/span> et une EMA de param\u00e8tre $\\alpha$<\/span>. En effet, le d\u00e9lai temporel moyen d’une moyenne arithm\u00e9tique de longueur $n$<\/span> est donn\u00e9 par $(n – 1) \/ 2$<\/span>. Pour une EMA, le d\u00e9lai moyen de retard correspond \u00e0 l’esp\u00e9rance de la variable al\u00e9atoire g\u00e9om\u00e9trique sous-jacente, valant $(1 – \\alpha) \/ \\alpha$<\/span>. En r\u00e9solvant l’\u00e9galit\u00e9 $(n – 1) \/ 2 = (1 – \\alpha) \/ \\alpha$<\/span>, on aboutit rigoureusement \u00e0 la relation $\\alpha = 2 \/ (n + 1)$<\/span>.<\/p>\n

L’ajustement de $\\alpha$<\/span> module le compromis fondamental entre sensibilit\u00e9 et stabilit\u00e9 :<\/p>\n