PREVISION.ETS.STAT : La Formule Complète pour Analyser vos Prévisions Statistiques
=PREVISION.ETS.STAT(valeurs; chronologie; type_statistique; [saisonnalite]; [completion_donnees]; [agregation])La formule PREVISION.ETS.STAT est un outil statistique avancé d'Excel qui vous permet d'extraire des informations détaillées sur la qualité et la fiabilité de vos prévisions basées sur le lissage exponentiel triple (ETS). Contrairement à PREVISION.ETS qui génère une simple prévision, PREVISION.ETS.STAT vous fournit des métriques statistiques essentielles pour évaluer la performance de votre modèle de prévision. Cette formule est particulièrement utile pour les analystes de données, les responsables de planification et les data scientists qui travaillent avec des séries chronologiques complexes. Elle calcule des indicateurs comme l'erreur standard, les intervalles de confiance, et d'autres statistiques qui vous permettent de mesurer précisément la fiabilité de vos prévisions. Disponible depuis Excel 2016, elle s'est imposée comme un standard pour les analyses prédictives professionnelles. En utilisant PREVISION.ETS.STAT, vous pouvez identifier les périodes critiques, ajuster vos modèles de prévision et prendre des décisions éclairées basées sur des données statistiquement validées. C'est un élément clé pour transformer vos données brutes en insights actionnables et fiables.
Syntaxe et paramètres
La syntaxe complète de PREVISION.ETS.STAT est : =PREVISION.ETS.STAT(valeurs; chronologie; type_statistique; [saisonnalite]; [completion_donnees]; [agregation]). Le paramètre 'valeurs' représente vos données historiques sous forme de plage continue, tandis que 'chronologie' contient les dates ou périodes correspondantes dans le même ordre. Le paramètre 'type_statistique' est crucial : il détermine quelle métrique vous souhaitez obtenir. Les valeurs vont de 1 à 8, où 1 représente l'alpha du lissage (constante de lissage du niveau), 2 l'erreur standard, 3 la taille absolue moyenne de l'erreur, 4 la racine de l'erreur quadratique moyenne, et ainsi de suite. Le paramètre 'saisonnalite' (optionnel) définit la période saisonnière (par défaut 1 pour aucune saisonnalité). 'Completion_donnees' gère les valeurs manquantes (0 pour ignorer, 1 pour interpoler), et 'agregation' fusionne les données par période. Pour une utilisation optimale, vérifiez que vos données n'ont pas de lacunes importantes, que votre chronologie est strictement croissante, et que vous disposez d'au moins 2 points de données. Choisissez le type_statistique en fonction de votre besoin d'analyse : les types 2 et 4 sont particulièrement utiles pour évaluer la précision du modèle.
valuestimelinestatistic_typeExemples pratiques
Analyse de la fiabilité des ventes mensuelles
=PREVISION.ETS.STAT(B2:B25;A2:A25;2;12;1;1)Cette formule extrait l'erreur standard (type 2) des ventes historiques avec une saisonnalité de 12 mois (annuelle). Le paramètre 1 pour completion_donnees remplit les valeurs manquantes par interpolation, et agregation=1 consolide les données. L'erreur standard obtenue permet d'évaluer la marge d'erreur des prévisions futures.
Évaluation de la performance des prévisions de trafic web
=PREVISION.ETS.STAT(C2:C91;B2:B91;4;7;0;0)Cette formule calcule la racine de l'erreur quadratique moyenne (RMSE, type 4) avec une saisonnalité hebdomadaire (7 jours). L'absence de completion_donnees (0) signifie qu'aucune interpolation n'est effectuée, et agregation=0 traite chaque observation individuellement. La RMSE est particulièrement pertinente pour les modèles de prévision car elle pénalise les grandes erreurs.
Diagnostic de la saisonnalité dans les données de consommation énergétique
=PREVISION.ETS.STAT(E2:E37;D2:D37;3;12;1;1)Cette formule retourne la taille absolue moyenne de l'erreur (MAE, type 3) avec une saisonnalité annuelle (12 mois). Le MAE est plus robuste aux valeurs aberrantes que le RMSE. Les paramètres completion_donnees et agregation à 1 assurent une gestion complète des données manquantes et une agrégation mensuelle.
Points clés à retenir
- PREVISION.ETS.STAT fournit 8 types de statistiques différentes pour évaluer la qualité et la fiabilité de vos modèles de prévision basés sur le lissage exponentiel triple.
- Les types 2 (erreur standard), 3 (MAE) et 4 (RMSE) sont les plus utiles pour la plupart des analyses ; utilisez-les pour valider vos modèles avant de faire confiance aux prévisions.
- La saisonnalité est un paramètre critique : testez plusieurs valeurs et choisissez celle qui produit l'erreur la plus faible pour maximiser la précision.
- Combinez PREVISION.ETS.STAT avec d'autres fonctions comme CONFIANCE.NORM pour créer des intervalles de confiance robustes autour de vos prévisions.
- Nettoyez toujours vos données en amont (supprimez les valeurs manquantes, triez la chronologie, validez les formats) pour éviter les erreurs #VALUE! et #NUM!.
Astuces de pro
Testez plusieurs valeurs de saisonnalite (7, 12, 52) et comparez les erreurs standards résultantes. La meilleure saisonnalité produira l'erreur standard la plus faible.
Impact : Vous identifierez la périodicité réelle de vos données, améliorant considérablement la précision de vos prévisions et la fiabilité de vos analyses.
Utilisez le type_statistique 5 (MAPE) pour comparer la précision entre différentes séries de données avec des échelles différentes. Le MAPE est indépendant de l'unité.
Impact : Vous pouvez maintenant comparer objectivement la performance de modèles sur des données hétérogènes (ventes en euros, trafic en visiteurs, etc.).
Créez une colonne helper qui extrait les 8 types de statistiques simultanément avec une formule matricielle, puis visualisez-les dans un graphique radar pour identifier rapidement les points faibles du modèle.
Impact : Vous obtenez une vue holistique de la santé de votre modèle en un coup d'œil, facilitant la prise de décision sur les ajustements nécessaires.
Validez vos modèles en utilisant une technique de hold-out : entraînez sur 80% des données et testez sur les 20% restants en comparant les prévisions avec les valeurs réelles.
Impact : Vous évitez le surapprentissage et obtenez une estimation réaliste de la performance de votre modèle sur des données futures inconnues.
Combinaisons utiles
Validation croisée avec PREVISION.ETS.SEASONALITY
=PREVISION.ETS.STAT(B2:B25;A2:A25;2;PREVISION.ETS.SEASONALITY(B2:B25;A2:A25);1;1)Imbriquez PREVISION.ETS.SEASONALITY pour détecter automatiquement la saisonnalité, puis utilisez cette valeur dans PREVISION.ETS.STAT. Cela garantit que votre analyse statistique utilise la période saisonnière optimale détectée par Excel.
Calcul d'intervalles de confiance avec CONFIANCE.NORM
=PREVISION.ETS(B2:B25;A2:A25;25)+CONFIANCE.NORM(0.05;PREVISION.ETS.STAT(B2:B25;A2:A25;2);COUNTA(B2:B25))Combinez la prévision ETS avec un intervalle de confiance calculé à partir de l'erreur standard (type 2). Cela vous donne une limite supérieure de l'intervalle de confiance à 95% pour votre prévision.
Tableau de bord de qualité du modèle avec plusieurs statistiques
={PREVISION.ETS.STAT(B2:B25;A2:A25;2); PREVISION.ETS.STAT(B2:B25;A2:A25;3); PREVISION.ETS.STAT(B2:B25;A2:A25;4)}Créez un tableau de bord en combinant plusieurs types de statistiques (erreur standard, MAE, RMSE) dans une formule matricielle pour obtenir une vue d'ensemble de la qualité du modèle. Utilisez Ctrl+Maj+Entrée pour entrer la formule matricielle.
Erreurs courantes
Cause : Le paramètre type_statistique contient une valeur en dehors de la plage 1-8, ou les paramètres valeurs et chronologie ont des longueurs différentes.
Solution : Vérifiez que type_statistique est un nombre entier entre 1 et 8. Assurez-vous que B2:B25 et A2:A25 contiennent le même nombre de lignes. Utilisez =COUNTA(B2:B25) et =COUNTA(A2:A25) pour vérifier.
Cause : Les plages de données (valeurs ou chronologie) font référence à des cellules supprimées ou à des feuilles qui n'existent plus.
Solution : Vérifiez que toutes les plages référencées existent et sont valides. Recréez la formule en sélectionnant manuellement les plages avec la souris plutôt que de les copier-coller depuis d'autres formules.
Cause : Les données contiennent des valeurs non numériques, des valeurs négatives impossibles pour certains contextes, ou la chronologie n'est pas strictement croissante.
Solution : Nettoyez vos données en supprimant les textes et les caractères spéciaux. Vérifiez que la chronologie est triée en ordre croissant avec =SORT(A2:A25). Assurez-vous que les valeurs sont appropriées pour le modèle ETS (pas de valeurs négatives pour les ventes, par exemple).
Checklist de dépannage
- 1.Vérifiez que les plages valeurs et chronologie ont exactement le même nombre de lignes et qu'aucune cellule n'est vide involontairement.
- 2.Assurez-vous que la chronologie est triée en ordre strictement croissant (pas de doublons ni de dates rétrogrades).
- 3.Confirmez que type_statistique est un nombre entier entre 1 et 8, et non une formule ou du texte.
- 4.Vérifiez que les données ne contiennent pas de caractères spéciaux, d'espaces superflus ou de formats de texte déguisés en nombres.
- 5.Testez avec une saisonnalite égale à 1 pour éliminer cette variable si vous obtenez des erreurs, puis augmentez progressivement.
- 6.Assurez-vous que vous disposez d'au moins 2 cycles complets de saisonnalité si vous en spécifiez une (par exemple, 24 mois pour saisonnalite=12).
Cas particuliers
Données avec valeurs négatives (ex: pertes financières, températures négatives)
Comportement : PREVISION.ETS.STAT fonctionne techniquement, mais le modèle ETS peut produire des résultats imprévisibles ou des erreurs si le modèle tente d'appliquer des transformations logarithmiques internes.
Solution : Décalez vos données pour les rendre positives (ex: ajouter une constante), exécutez l'analyse, puis décalez les résultats en arrière.
Pour les données financières avec pertes, considérez des modèles alternatifs comme LINEST qui gèrent mieux les valeurs négatives.
Très peu de données (3-5 points) avec saisonnalité élevée (ex: saisonnalite=12 mais seulement 36 points)
Comportement : Excel peut retourner des résultats statistiquement non fiables ou même des erreurs #NUM! car le modèle n'a pas assez de cycles complets pour estimer les paramètres saisonniers.
Solution : Augmentez le volume de données à au moins 2-3 cycles complets de saisonnalité, ou réduisez la saisonnalite à une valeur plus petite qui correspond à vos données réelles.
Toujours valider que vous avez suffisamment de données avant de faire confiance aux statistiques retournées.
Chronologie avec intervalles irréguliers (ex: données quotidiennes sauf les week-ends)
Comportement : PREVISION.ETS.STAT traite les intervalles de temps comme réguliers et peut mal interpréter la saisonnalité ou les tendances.
Solution : Pré-traitez vos données en les interpolant pour créer une chronologie régulière, ou agrégez-les à un niveau plus élevé (ex: hebdomadaire au lieu de quotidien).
L'utilisation du paramètre agregation peut aider, mais une chronologie régulière est idéale pour les modèles ETS.
Limitations
- •PREVISION.ETS.STAT ne fonctionne que sur Excel 2016 et versions ultérieures ; les utilisateurs d'Excel 2013 ou antérieur ne peuvent pas l'utiliser, limitant la compatibilité dans les environnements d'entreprise hérités.
- •Le modèle ETS suppose une saisonnalité régulière et fixe ; il ne peut pas gérer des variations saisonnières qui changent d'amplitude ou de phase au fil du temps, ce qui peut être problématique pour les données très volatiles.
- •La formule ne fournit pas d'informations sur la qualité d'ajustement globale du modèle (comme R²) ; vous devez combiner plusieurs types de statistiques pour obtenir une vue complète de la performance.
- •PREVISION.ETS.STAT ne gère pas les données avec des ruptures structurelles (changements de régime, chocs externes) ; elle suppose une continuité dans le processus générateur de données, ce qui peut mener à des prévisions inexactes après des événements majeurs.
Alternatives
Compatibilité
✓ Excel
Depuis Excel 2016
=PREVISION.ETS.STAT(valeurs; chronologie; type_statistique; [saisonnalite]; [completion_donnees]; [agregation])✗Google Sheets
Non disponible
✗LibreOffice
Non disponible