Calculateur de lissage exponentiel double et prévision de Holt

Indiquez les observations, les constantes de lissage du niveau et de la tendance ainsi que le nombre de périodes futures souhaité. Le résultat fournit les valeurs ajustées, l'évolution des deux composantes et la prévision. Cet outil convient aux données dont la base évolue avec une tendance approximativement linéaire, sans cycle saisonnier, et permet d'examiner chaque estimation intermédiaire plutôt que la seule prédiction finale.

Choisissez des données adaptées à la méthode de Holt

Le lissage exponentiel double de Holt convient aux observations relevées à intervalles réguliers lorsque le niveau local et une tendance persistante sont tous deux importants. Il peut s'agir de commandes hebdomadaires, d'abonnements mensuels, du volume quotidien de tickets ou de totaux annuels de production. Classez les valeurs par ordre chronologique, de la plus ancienne à la plus récente, et conservez des intervalles constants, car l'algorithme considère chaque étape comme une période égale. La méthode ne modélise pas la saisonnalité : une série présentant de fortes répétitions hebdomadaires, mensuelles ou trimestrielles doit généralement être corrigée au préalable ou étudiée avec une méthode saisonnière. Deux observations au minimum sont nécessaires, puisque la tendance initiale correspond à la différence entre les deux premières valeurs. Un historique plus long facilite souvent l'adaptation des estimations récursives, mais une rupture structurelle peut rendre le passé lointain moins représentatif. Examinez la série avant de retenir une prévision. Traitez volontairement les observations manquantes au lieu de les convertir discrètement en zéro : chaque élément doit être un nombre fini, afin que le sens statistique de la chronologie reste explicite.

Réglez les constantes de niveau et de tendance

La constante de niveau, souvent appelée alpha, détermine dans quelle mesure la dernière observation modifie la base estimée. Une valeur proche de un réagit rapidement aux nouvelles données, tandis qu'une valeur proche de zéro conserve davantage la projection précédente du niveau et de la tendance. La constante de tendance, ou bêta, régit la vitesse d'évolution de la pente estimée. Un bêta élevé suit étroitement les accélérations ou ralentissements récents ; un bêta faible produit une tendance plus stable. Les deux constantes doivent être comprises entre zéro et un, bornes incluses. Toute valeur extérieure est rejetée au lieu d'appliquer une pondération indéfinie. Aucun couple n'est optimal dans tous les cas. Vous pouvez comparer plusieurs combinaisons plausibles sur des observations mises de côté et retenir celles qui réduisent l'erreur à l'horizon pertinent. Ne choisissez pas les paramètres uniquement parce qu'ils lissent la courbe de l'échantillon : un modèle trop réactif peut suivre le bruit, tandis qu'un modèle trop lent peut manquer un véritable changement. Les niveaux et tendances renvoyés montrent l'effet de chaque choix à chaque observation et rendent la comparaison vérifiable et explicable.

Interprétez les ajustements et les prévisions

Pour la première observation, le calculateur reprend cette valeur comme ajustement initial. Il initialise le niveau avec la première donnée et la tendance avec la première différence. À chaque position suivante, la valeur ajustée est l'estimation à un pas disponible juste avant d'observer la donnée correspondante. L'algorithme actualise ensuite le niveau en combinant la nouvelle observation avec l'estimation antérieure du niveau augmenté de la tendance, puis actualise la tendance en associant la dernière variation du niveau à la pente précédente. Les prévisions prolongent le niveau final d'un ou plusieurs multiples de la tendance finale. Il s'agit de prévisions ponctuelles et non d'intervalles de confiance ; l'incertitude augmente généralement avec l'horizon. Comparez les ajustements aux observations réelles afin de repérer un biais persistant, un choc inhabituel ou une évolution que le modèle ne peut représenter. Consultez aussi les tableaux de niveaux et de tendances lors d'une reproduction dans un autre système : ils documentent chaque état récursif. L'automatisation par API coûte $0.002 par requête, tandis que le navigateur emploie le même calcul déterministe. Des entrées identiques donnent donc des résultats identiques, arrondis de façon cohérente.