{"id":835,"date":"2026-09-04T15:00:59","date_gmt":"2026-09-04T15:00:59","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-lissage-exponentiel-excel\/"},"modified":"2026-09-04T15:01:11","modified_gmt":"2026-09-04T15:01:11","slug":"comment-effectuer-lissage-exponentiel-excel","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-lissage-exponentiel-excel","title":{"rendered":"Comment effectuer un lissage exponentiel dans Excel"},"content":{"rendered":"

Dans le domaine de l’\u00e9conom\u00e9trie appliqu\u00e9e, de la science des donn\u00e9es et de l’analyse d\u00e9cisionnelle, le traitement des s\u00e9ries chronologiques constitue un pilier m\u00e9thodologique fondamental. Face \u00e0 des flux continus de donn\u00e9es temporelles caract\u00e9ris\u00e9s par une volatilit\u00e9 intrins\u00e8que et un bruit stochastique omnipr\u00e9sent, les analystes doivent mobiliser des outils quantitatifs capables d’extraire des signaux structurels fiables sans d\u00e9naturer la dynamique sous-jacente des ph\u00e9nom\u00e8nes observ\u00e9s. Le lissage exponentiel, formalis\u00e9 initialement par les travaux pionniers de Robert Goodell Brown et Charles C. Holt, s’impose comme une m\u00e9thodologie pr\u00e9visionnelle de premier plan, alliant \u00e9l\u00e9gance math\u00e9matique, parcimonie param\u00e9trique et robustesse computationnelle.<\/p>\n

L’environnement logiciel Microsoft Excel, lorsqu’il est exploit\u00e9 avec une rigueur m\u00e9thodologique ad\u00e9quate, transcende son statut de simple tableur bureautique pour devenir un laboratoire d’analyse statistique particuli\u00e8rement puissant. Qu’il s’agisse d’\u00e9valuer l’\u00e9volution des indices \u00e9conomiques, d’anticiper la demande logistique au sein d’une cha\u00eene d’approvisionnement complexe, ou d’analyser les trajectoires longitudinales de variables psychom\u00e9triques et comportementales, Excel offre une double modalit\u00e9 d’impl\u00e9mentation : des modules automatis\u00e9s int\u00e9gr\u00e9s \u00e0 l’Utilitaire d’analyse et la flexibilit\u00e9 algorithmique totale offerte par les formules dynamiques natives et le solveur d’optimisation non lin\u00e9aire.<\/p>\n

Ce guide exhaustif a pour vocation d’exposer de mani\u00e8re syst\u00e9matique l’ensemble du processus de mod\u00e9lisation par lissage exponentiel sous Excel. En articulant les fondements math\u00e9matiques rigoureux, les protocoles de structuration des donn\u00e9es, les techniques d’optimisation num\u00e9rique des hyperparam\u00e8tres et l’\u00e9valuation diagnostique de la pr\u00e9cision pr\u00e9visionnelle, ce trait\u00e9 fournit aux chercheurs, statisticiens et praticiens les comp\u00e9tences requises pour concevoir des mod\u00e8les pr\u00e9visionnels univari\u00e9s conformes aux standards acad\u00e9miques et professionnels les plus exigeants.<\/p>\n

\"Exponential
Exponential smoothing in Excel<\/figcaption><\/figure>\n

1. Introduction th\u00e9orique aux s\u00e9ries temporelles et au concept de lissage exponentiel<\/h2>\n

1.1 D\u00e9finition et structure des s\u00e9ries temporelles<\/h3>\n

Une s\u00e9rie temporelle, ou chronique temporelle, se d\u00e9finit formellement comme une suite ordonn\u00e9e d’observations quantitatives $y_t$<\/span>, index\u00e9es par un param\u00e8tre temporel discret $t in {1, 2, dots, n}$<\/span>. Contrairement aux donn\u00e9es transversales classiques o\u00f9 les observations sont suppos\u00e9es ind\u00e9pendantes et identiquement distribu\u00e9es, les donn\u00e9es chronologiques pr\u00e9sentent intrins\u00e8quement une structure de d\u00e9pendance s\u00e9rielle. L’analyse statistique classique postule que toute observation brute observ\u00e9e \u00e0 un instant $t$<\/span> r\u00e9sulte de l’agr\u00e9gation de plusieurs composantes non observables : une composante structurelle d\u00e9terministe et une composante stochastique pure.<\/p>\n

La d\u00e9composition canonique d’une s\u00e9rie temporelle distingue traditionnellement la tendance s\u00e9culaire ($T_t$<\/span>), qui refl\u00e8te l’orientation globale \u00e0 long terme du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 ; les variations cycliques ($C_t$<\/span>), caract\u00e9ris\u00e9es par des oscillations pluriannuelles souvent associ\u00e9es aux cycles macro\u00e9conomiques ; les fluctuations saisonni\u00e8res ($S_t$<\/span>), correspondant \u00e0 des motifs p\u00e9riodiques intrajournaliers, hebdomadaires, mensuels ou trimestriels strictement reproductibles ; et enfin le terme d’erreur r\u00e9siduelle ou bruit blanc ($\\varepsilon_t$<\/span>), repr\u00e9sentant les chocs al\u00e9atoires non pr\u00e9visibles, d’esp\u00e9rance nulle et de variance constante $\\sigma^2$<\/span>. Selon la nature des interactions entre ces composantes, le mod\u00e8le sous-jacent peut adopter une formulation additive ($y_t = T_t + C_t + S_t + \\varepsilon_t$<\/span>) ou multiplicative ($y_t = T_t \\times C_t \\times S_t \\times \\varepsilon_t$<\/span>).<\/p>\n

Dans ce cadre conceptuel, l’objectif fondamental du filtrage statistique r\u00e9side dans l’\u00e9limination syst\u00e9matique du bruit \u00e0 haute fr\u00e9quence afin d’isoler l’\u00e9tat latent du syst\u00e8me. Les fluctuations erratiques \u00e0 court terme, engendr\u00e9es par des micro-\u00e9v\u00e9nements exog\u00e8nes ou des imperfections de mesure, masquent la trajectoire r\u00e9elle du signal. Les m\u00e9thodes de lissage agissent comme des filtres passe-bas math\u00e9matiques, att\u00e9nuant la dispersion r\u00e9siduelle pour conf\u00e9rer une lisibilit\u00e9 optimale aux tendances sous-jacentes et pr\u00e9parer le terrain \u00e0 l’extrapolation pr\u00e9visionnelle.<\/p>\n

1.2 Principes fondamentaux du lissage exponentiel<\/h3>\n

D’un point de vue historique et m\u00e9thodologique, le lissage exponentiel a \u00e9t\u00e9 con\u00e7u pour surmonter les rigidit\u00e9s inh\u00e9rentes aux moyennes mobiles simples<\/a> (SMA). Une moyenne mobile arithm\u00e9tique d’ordre $k$<\/span> attribue une pond\u00e9ration uniforme et \u00e9gale \u00e0 $1\/k$<\/span> \u00e0 l’ensemble des $k$<\/span> derni\u00e8res observations pass\u00e9es, tout en attribuant un poids nul \u00e0 toute observation ant\u00e9rieure \u00e0 l’instant $t-k$<\/span>. Cette rupture brutale dans la fonction de pond\u00e9ration engendre deux inconv\u00e9nients majeurs : un effet de m\u00e9moire courte doubl\u00e9 d’une sensibilit\u00e9 excessive \u00e0 l’entr\u00e9e et \u00e0 la sortie des observations extr\u00eames dans la fen\u00eatre glissante.<\/p>\n

Le lissage exponentiel r\u00e9sout cette discontinuit\u00e9 en introduisant une fonction de pond\u00e9ration \u00e0 d\u00e9croissance g\u00e9om\u00e9trique continue. Les donn\u00e9es les plus r\u00e9centes se voient attribuer les coefficients de pond\u00e9ration les plus \u00e9lev\u00e9s, tandis que l’influence des donn\u00e9es pass\u00e9es s’att\u00e9nue de mani\u00e8re exponentielle au fur et \u00e0 mesure que l’on remonte dans le temps. Math\u00e9matiquement, le poids associ\u00e9 \u00e0 une observation situ\u00e9e $k$<\/span> p\u00e9riodes en arri\u00e8re d\u00e9cro\u00eet au taux $(1 – \\alpha)^k$<\/span>, o\u00f9 $\\alpha$<\/span> repr\u00e9sente la constante de lissage comprise entre 0 et 1. Cette formulation conf\u00e8re au mod\u00e8le une m\u00e9moire th\u00e9oriquement infinie, tout en accordant une primaut\u00e9 statistique aux signaux informationnels les plus r\u00e9cents.<\/p>\n

Cette approche \u00e9tablit un \u00e9quilibre param\u00e9trique entre la r\u00e9activit\u00e9 face aux ruptures conjoncturelles et l’inertie historique n\u00e9cessaire \u00e0 la stabilit\u00e9 de l’estimation. En ajustant le coefficient $\\alpha$<\/span>, l’analyste module pr\u00e9cis\u00e9ment la vitesse \u00e0 laquelle le mod\u00e8le s’adapte aux changements structurels, permettant d’arbitrer rigoureusement entre le surajustement aux fluctuations al\u00e9atoires et le retard syst\u00e9matique d’ajustement face aux \u00e9volutions r\u00e9elles du processus stochastique.<\/p>\n

1.3 Champs d’application et utilit\u00e9 en mod\u00e9lisation pr\u00e9visionnelle<\/h3>\n

Le lissage exponentiel simple (SES) s’av\u00e8re particuli\u00e8rement pertinent pour la mod\u00e9lisation et la pr\u00e9vision de s\u00e9ries chronologiques stationnaires en moyenne, c’est-\u00e0-dire ne pr\u00e9sentant ni tendance lin\u00e9aire ou non lin\u00e9aire soutenue, ni composante saisonni\u00e8re p\u00e9riodique marqu\u00e9e. Lorsque l’horizon pr\u00e9visionnel se limite au court terme ($t+1$<\/span>), la m\u00e9thode offre des performances pr\u00e9dictives souvent comparables, voire sup\u00e9rieures, \u00e0 des architectures stochastiques plus complexes telles que les mod\u00e8les ARIMA<\/a> (Box-Jenkins), tout en n\u00e9cessitant une calibration param\u00e9trique infiniment plus sobre.<\/p>\n

Dans les sciences comportementales et la psychom\u00e9trie longitudinale, le lissage exponentiel est couramment employ\u00e9 pour filtrer la variabilit\u00e9 intra-individuelle quotidienne et r\u00e9v\u00e9ler l’\u00e9tat psychologique de base d’un sujet (niveau de stress basal, humeur, temps de r\u00e9action cognitif). En gestion industrielle et gestion des stocks, la m\u00e9thode constitue le standard op\u00e9rationnel pour le r\u00e9approvisionnement automatique de milliers de r\u00e9f\u00e9rences d’inventaire, o\u00f9 la simplicit\u00e9 algorithmique garantit une ex\u00e9cution computationnelle quasi-instantan\u00e9e. De m\u00eame, en \u00e9conom\u00e9trie financi\u00e8re, elle permet d’estimer les niveaux de volatilit\u00e9 locale instantan\u00e9e.<\/p>\n

Sur le plan computationnel, l’algorithme ne requiert que la conservation en m\u00e9moire de la derni\u00e8re valeur observ\u00e9e et de la derni\u00e8re valeur liss\u00e9e. Cette propri\u00e9t\u00e9 r\u00e9cursive \u00e9limine le besoin de stocker l’int\u00e9gralit\u00e9 de l’historique chronologique pour calculer la pr\u00e9vision suivante, conf\u00e9rant \u00e0 la m\u00e9thode une efficience optimale pour le traitement de volum\u00e9tries massives de donn\u00e9es dans des environnements logiciels tels que Microsoft Excel.<\/p>\n

\"Example
Example of exponential smoothing in Excel<\/figcaption><\/figure>\n

2. Cadre math\u00e9matique du lissage exponentiel simple (SES)<\/h2>\n

2.1 Formulation alg\u00e9brique de base<\/h3>\n

Le mod\u00e8le de lissage exponentiel simple repose sur une formulation r\u00e9cursive \u00e9l\u00e9gante qui d\u00e9finit la valeur liss\u00e9e \u00e0 l’instant $t$<\/span>, not\u00e9e $S_t$<\/span> (ou la pr\u00e9vision pour la p\u00e9riode suivante $F_{t+1}$<\/span>), comme une combinaison lin\u00e9aire convexe de l’observation r\u00e9elle courante $y_t$<\/span> et de l’estimation liss\u00e9e pr\u00e9c\u00e9dente $S_{t-1}$<\/span>. L’\u00e9quation structurelle fondamentale s’\u00e9nonce comme suit :<\/p>\n

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

o\u00f9 $y_t$<\/span> d\u00e9signe la valeur empirique observ\u00e9e \u00e0 la p\u00e9riode $t$<\/span>, $S_{t-1}$<\/span> repr\u00e9sente la statistique liss\u00e9e calcul\u00e9e \u00e0 la p\u00e9riode pr\u00e9c\u00e9dente, et $\\alpha$<\/span> constitue la constante de lissage, rigoureusement contrainte dans le domaine param\u00e9trique $\\alpha in [0, 1]$<\/span>. Dans une perspective pr\u00e9visionnelle pure \u00e0 une p\u00e9riode d’avance, la pr\u00e9vision $F_{t+1}$<\/span> r\u00e9alis\u00e9e \u00e0 l’instant $t$<\/span> pour l’instant $t+1$<\/span> est strictement \u00e9quivalente \u00e0 la valeur liss\u00e9e $S_t$<\/span>, ce qui permet de r\u00e9\u00e9crire la relation sous la forme :<\/p>\n

$$F_{t+1} = \\alpha y_t + (1 – \\alpha) F_t$$<\/span><\/p>\n

Pour mettre en \u00e9vidence la propri\u00e9t\u00e9 de m\u00e9moire infinie pond\u00e9r\u00e9e, il convient de d\u00e9velopper cette \u00e9quation par r\u00e9currence successive en substituant r\u00e9cursivement les termes $S_{t-1}, S_{t-2}, dots, S_0$<\/span> :<\/p>\n

$$S_t = \\alpha y_t + \\alpha(1 – \\alpha)y_{t-1} + \\alpha(1 – \\alpha)^2 y_{t-2} + dots + \\alpha(1 – \\alpha)^{t-1} y_1 + (1 – \\alpha)^t S_0$$<\/span><\/p>\n

Cette expansion analytique d\u00e9montre formellement que la valeur liss\u00e9e actuelle constitue une moyenne pond\u00e9r\u00e9e de toutes les observations historiques disponibles. Puisque $(1 – \\alpha) < 1$<\/span>, les coefficients associ\u00e9s aux termes chronologiquement distants diminuent g\u00e9om\u00e9triquement vers z\u00e9ro. La somme des poids g\u00e9om\u00e9triques converge asymptotiquement vers l'unit\u00e9 lorsque $t to \\infty$<\/span>, respectant ainsi les axiomes fondamentaux des op\u00e9rateurs de moyenne pond\u00e9r\u00e9e.<\/p>\n

2.2 Le coefficient de lissage alpha (α)<\/h3>\n

Le param\u00e8tre $\\alpha$<\/span> gouverne l’int\u00e9gralit\u00e9 du comportement dynamique du filtre exponentiel. Il quantifie la vitesse de d\u00e9croissance des pond\u00e9rations historiques et r\u00e9gule le compromis fondamental entre la variance de l’estimateur et son biais d’adaptation. L’intervalle th\u00e9orique admissible s’\u00e9tend de 0 \u00e0 1, bien que les valeurs extr\u00eames correspondent \u00e0 des comportements d\u00e9g\u00e9n\u00e9r\u00e9s du mod\u00e8le.<\/p>\n

Lorsque $\\alpha$<\/span> tend vers 0 (par exemple, $\\alpha = 0{,}05$<\/span> ou $\\alpha = 0{,}10$<\/span>), le terme $(1 – \\alpha)$<\/span> domine l’\u00e9quation. Le mod\u00e8le accorde une importance pr\u00e9pond\u00e9rante \u00e0 l’historique accumul\u00e9 ($S_{t-1}$<\/span>) et filtre de mani\u00e8re agressive les variations de court terme. Il en r\u00e9sulte une courbe liss\u00e9e tr\u00e8s stable, caract\u00e9ris\u00e9e par une forte inertie et une \u00e9limination maximale du bruit stochastique. Toutefois, cette robustesse face au bruit s’accompagne d’une lenteur prononc\u00e9e \u00e0 r\u00e9agir en cas de rupture structurelle ou de d\u00e9calage permanent du niveau de la s\u00e9rie.<\/p>\n

\u00c0 l’inverse, lorsque $\\alpha$<\/span> tend vers 1 (par exemple, $\\alpha = 0{,}80$<\/span> ou $\\alpha = 0{,}90$<\/span>), le mod\u00e8le accorde un poids quasi exclusif \u00e0 la derni\u00e8re observation empirique $y_t$<\/span>. L’inertie historique est minimis\u00e9e, ce qui conf\u00e8re au filtre une r\u00e9activit\u00e9 imm\u00e9diate face aux variations r\u00e9centes. Cependant, cette sensibilit\u00e9 exacerb\u00e9e rend le mod\u00e8le vuln\u00e9rable aux valeurs atypiques et au bruit de mesure, transmettant l’int\u00e9gralit\u00e9 de la variance r\u00e9siduelle dans la composante pr\u00e9visionnelle. Le cas limite $\\alpha = 1$<\/span> ram\u00e8ne le lissage exponentiel \u00e0 un mod\u00e8le de marche al\u00e9atoire na\u00efve o\u00f9 la pr\u00e9vision future est simplement \u00e9gale \u00e0 la derni\u00e8re valeur observ\u00e9e ($F_{t+1} = y_t$<\/span>).<\/p>\n

2.3 Conditions d’initialisation de l’algorithme<\/h3>\n

L’application de l’\u00e9quation r\u00e9cursive pose in\u00e9vitablement le probl\u00e8me de la d\u00e9termination de la condition initiale $S_0$<\/span> (ou $S_1$<\/span>). \u00c9tant donn\u00e9 que le calcul du premier point liss\u00e9 n\u00e9cessite une valeur pr\u00e9existante, le choix de cette valeur de d\u00e9part exerce un impact transitoire sur les premi\u00e8res estimations de la s\u00e9rie, d’autant plus persistant que le param\u00e8tre $\\alpha$<\/span> est faible.<\/p>\n

La litt\u00e9rature statistique propose principalement deux approches m\u00e9thodologiques pour l’initialisation :<\/p>\n