R EVUE DE STATISTIQUE APPLIQUÉE
C. P ARDOUX
Apport de l’analyse factorielle à l’étude d’un processus
Revue de statistique appliquée, tome 37, n
o4 (1989), p. 41-60
<http://www.numdam.org/item?id=RSA_1989__37_4_41_0>
© Société française de statistique, 1989, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
APPORT DE L’ANALYSE FACTORIELLE A L’ÉTUDE D’UN PROCESSUS
C. PARDOUX Université PARIS IX
RÉSUMÉ
Pour comparer deux traitements médicaux, on
dispose
d’un échantillon detrajectoires
d’un processus réel continu
stationnaire,
lestrajectoires
étant observées à des datesprécises.
L’analyse spectrale
mettant en évidence deuxpériodicités multiples
l’une de l’autre (d’ordre 4 et8),
l’étude se fera sur les séries des différences au retard 4 afin d’éliminer lapériodicité
commune d’ordre 4.
L’analyse
factorielle d’un processus permet sadécomposition
en unesomme de fonctions
(orthogonales)
certaines du tempspondérées
par des variables aléatoires scalaires non correlées. Pour la mise en oeuvre del’analyse
factorielle du processus donton
possède
un échantillon, on utilise une méthodequi
revient àinterpoler
linéairement lestrajectoires
entre les dates d’observation. Lapremière
composanteprincipale
différencie nettement les deux traitements et met en évidence une modificationphysiologique
induitepar l’un des traitements.
ABSTRACT
To compare two medical treatments, we have observed a
sample
of a realstationnary
continuous process; each series of this
sample
had beenonly
observed atspedified
moments.
Spectral analysis
showed adaily periodicity
and another of twodays ;
to filterthe common
daily periodicity,
we transformed the observed series with thecorresponding lagged
difference. Factorialanalysis gives
thedecomposition
of a process into a sum of non-stochastic
orthogonal
functionsweighted by
uncorrelated random variables. In oursample
of time-series, we need to
perform
a linearinterpolation
between the dates of observation beforeapplying
a factoranalysis.
The firstprincipal
component differentiatedclearly
thetwo treatments and showed that one of them induced a
pathological repercussion.
Mots-clés : Processus stationnaire,
Décomposition
de Karhunen-Loève,Analyse spectrale, Composantes principales,
Membrane dedialyse.
Introduction
L’objectif
de cet article est deprésenter
l’intérêt des méthodes del’analyse
factorielle à l’étude d’un processus dont on
possède
un échantillon de Ntrajectoires
observées à n dates
équidistantes.
Dans le cas de
l’analyse
factorielle d’un processus, les fonctions propres permettent de classer les individus selon leur évolution.Mais,
nedisposant
que de données discrètes pour étudier un processus àtemps
continu par nature, on seraobligé d’interpoler
lestrajectoires
entre les dates d’observation. On commencera par exposerl’analyse
factorielle d’un processus et sa mise en oeuvre sur un échantillon detrajectoires interpolées
linéairement.Après
avoirposé
lepoblème
soulevé par les données médicalestemporelles qui
sont àl’origine
de cetravail,
onprocédera
a unepremière analyse
deschroniques
observées par la recherche de leurspériodicités
à l’aide de leurspériodogrammes.
On montrera l’utilité
d’élargir
lechamp d’application
del’analyse
factorielle des processus en yincorporant
lesprocédés
defiltrage
du traitement usuel des sérieschronologiques.
Les résultats concernant la différenciation des deux traitements médicaux par
l’analyse
factorielle destrajectoires interpolées linéairement,
serontprésentés
etcommentés dans la dernière
partie.
Des
applications
del’analyse
factorielle des processus ontdéjà
été menéesdans le domaine
démographique (DEVILLE,
1974 et1978),
dans le domaineéconomique (OTTER
etSCHUUR, 1982),
maischaque
type deproblème présentait
sa
spécificité impliquant
une utilisationappropriée
de la méthode.I.
Décomposition orthogonale
d’un processus du second ordre SoitXt
un processusstochastique
réel centré sur un intervalle de temps fini[0, T] appartenant
àL2 (T) c’est-à-dire
tel que :* pour tout
t, X
est de variance finie(03C32(t)
fini pour toutt),
* la
trajectoire
de tout individu w est de carréintégrable.
On supposera de
plus
le processusXt
centré pour la suite del’exposé
de ceparagraphe.
Soit
C (t, s ) sa
fonction de covariance réellesymétrique : C(t, s) = E (XtXs)
La fonction de covariance du processus
Xt
définitl’opérateur
de covariance C du processus dansl’espace L2(T)
par la formule :Des
propriétés
de cetopérateur (compact,
hermitien etpositif)
découle le résultat fondamental de ladécomposition
de KARHUNEN-LOEVE(DEVILLE 1974,
1978) :
Il existe une suite
Ak
de nombres réelspositifs
décroissant vers zéro(les
valeurs propres de
l’opérateur C)
et une suitef k
de fonctions deL2(T)
formantune famille orthonormale
(les
fonctions propres del’opérateur
C associées auxvaleurs
propres) qui permettent
dereprésenter
le processusXt
sous forme d’unesomme de processus
quasi-déterministes :
les
03BEk
étant les composantesprincipales : 03BEk(03C9)
=~T0 xt(w)fk(t)dt.
Les 03BEk
sont donc des v.a. réelles noncorrélées, d’espérance
nulle et devariance
03BBk.
Si on numérote les
03BEk
selon lesAk décroissants,
le processus03A3lk=1 03BEkfk(t)
est la meilleure
approximation
en moyennequadratique
deXt
par une somme de1 processus
quasi-déterministes (SAPORTA, 1981).
Tous les résultats de
l’analyse
factorielle setranspose
donc dans le domaine des processus aléatoires.En
particulier,
onpeut interpréter
lescomposantes principales
à l’aide des corrélations :La connaissance exacte des
premières
valeurs propres et des fonctions propresassociées,
ainsi que l’identification des composantesprincipales correspondantes
permet d’avoir une information très
importante
sur la structure du processusXt.
II. Mise en oeuvre de la méthode :
l’interpolation
linéaireLe processus
étudié, généralement continu,
n’est observéqu’à
n datesprécises.
Chaque
individu ’-V estrepéré
par les n observations de satrajectoire :
On peut lui associer un vecteur
x(w)de
RI dont les coordonnées sontxtj (w) (j = 1, ..., n).
On supposera que les n dates d’observations sont les mêmes pour tous les individus de l’échantillon.
On posera tl = 0 et tn = T.
La fonction de covariance du processus peut être estimée pour les
n2 points (ti, tk) (j,k = 1,...n).
On notera
C,
la matricesymétrique
de dimension n d’éléments :N
avec
Xtj = L xtj (w)/N,
moyenneempirique
desxtj, et
de même pourît,.
Lorsqu’on dispose
d’observations en continu concernant N individus telles que les Ntrajectoires
soient des réalisationsindépendantes
deXt,
onpeut démontrer,
sous deshypothèses
assezlarges,
quelorsque
N tend versl’infini, l’analyse
factorielle des Ntrajectoires
converge vers celle du processusXt (DEVILLE, 1974).
On suppose alors que les N
trajectoires
sont entièrement connues sur[0, T],
donc que
l’opérateur
de covariance associé à l’échantillon est calculable pour toutcouple (t, s). Or,
ce n’estgénéralement
pas le caspuisque
l’échantillon detrajectoires
du processus étudié n’a été observéqu’à
des datesprécises
del’intervalle
[0, T] ;
il est néanmoins essentiel que la mesure soitthéoriquement possible
à tout instant.DEVILLE
(1974)
montre que ladiagonalisation
de la matrice de covarianceC pour
obtenir une estimation del’analyse
factorielle du processus estlégitime
seulement dans le cas où les observations des
trajectoires
ont été faites à des dateséquidistantes
et si oninterpole
entre ces dates par des fonctions constantes par intervalles.Mais,
il estgénéralement beaucoup plus
réaliste de faire uneinterpolation
linéaire
plutôt qu’une interpolation
par des fonctions constantes parintervalles;
c’est en
particulier
le cas pourl’exemple
médical traitéplus
loin. On va exposer la mise en oeuvre del’interpolation
linéaire dans le casparticulier
d’observations faites à des dateséquidistantes,
cequi permet
de rendreplus
concisl’exposé
de laméthode
générale
due à DEVILLE(1973).
II.1. Mise en
place
del’interpolation
linéaireL’intervalle de
temps
entre deux observations successives estsupposé égal
àl’unité. Les
couples (tj, Xtj)
serontinterpolés
par la fonction :Si
(1) désigne
leproduit
scalaire deL2(T),
on a les relations suivantes :Soient
ej(j
=1,...., n),
les n fonctionsd’interpolation simples
définies ainsi :Graphiquement :
Les fonctions ej forment une base non
orthogonale
des fonctions continueset linéaires par morceaux sur l’intervalle
[0, T].
On a
avantage
sur leplan
des calculs à seplacer
dansl’espace,
de dimension2(n-1),
des fonctions linéaires surchaque
intervalleIj(j
=2, ...n)
sansimposer
de condition de continuité.
Une base
orthogonale
de cet espace est constituée par les2(n-1)
fonctions :Dans notre cas, avec les conventions
adoptées
On vérifie
l’orthogonalité
de cette based’après
lespropriétés
des fonctions03A6+j
et03A6-j
donnéesprécédemment;
on a en effet :Les
fonctions
continues linéaires par morceauxforment
un sous-espace de dimen- sion n caractérisé par les(n-2) équations
linéaires suivantes :En
effet,
sif
est une fonction continueinterpolée
compte
des relations(1)
et(2),
on montre que :Et
inversement,
sif
satisfait aux(n - 2) équations
linéaires(4),
elle a aussi pourexpression
en tenanttoujours compte
des relations(1)
et(2) :
Notons x, le vecteur colonne de coordonnées
Xtj (j
=1, ..., n),
la fonction03A6x(t) interpolée
sur lescouples (tj,xtj)
a pourexpression d’après
la relation(5) :
03C8(t) %(t)
étant le vecteurligne
à2(n - 1) composantes :
et
A,
la matrice(2(n - 1), n)
formée de(n - 1)
blocs 2*2 et donnée à l’annexe I.IL2
Interpolation
linéaire du processuset
recherche des éléments propresLe processus
XT
estinterpolé
sur les n v.a. réellesXtj
selon la formule :X
désignant
le vecteur aléatoire de dimension n desXtj.
On a alors : E
(03A6Xt) = 03C8(t)AE(X)
La fonction de covariance du processus
03A6Xt
estégale
à :C étant la matrice
-symétrique
d’ordre n- des covariances du processus telle que : cjk= C (tj, tk) (j,k = 1,...,n)
On notera
03B3jk
les éléments de la matricesymétrique 4CA’
de dimension2(n-1 ).
La fonction de covariance du processus
interpolé apparaît
donc comme uneinterpolation
de la fonction de covariance sur[0, T]
*[0, T]
du processus initial à l’aide des fonctionsd’interpolation linéaire,
et on a bien :Le
problème qui
se pose maintenant est le suivant : trouverf (t)
telle queCette
équation
prouve quef
est de la forme :Le
problème
revient à chercher le vecteur Z tel que :Soit :
où D est la matrice carrée de dimension
2(n - 1)
desproduits
scalaires(03C8k|03C8l),
matrice
qui d’après (3)
et(6)
estdiagonale,
les élémentsdiagonaux
valant :La recherche des éléments propres de
C03A6
revient ainsi à la recherche des valeurs et vecteurs propres de la matriceACA’D.
On montre que les vecteurs propres associés à des valeurs propres non nulles de la matrice
ACA’ D appartiennent
au sous-espace de dimension n des fonctions continues caractérisées par les(n - 2)relations
linéaires(4).
Mais,
cette matrice n’étant passymétrique,
on se ramènera à unproblème symétrique
en recherchant les éléments propres d’une matrice de rang n enprémultipliant l’équation (7)
parDI/2 :
DI/2
étant la matricediagonale
de dimension2(n - 1)dont
les éléments sont les racines carrées de ceux de la matrice D.11.3 Traitement
numérique
On
dispose
d’un N-échantillon du processusXt
observé à n dateséquidis-
tantes
qui
sont les mêmes pour tous les individus de l’échantillon. Onpeut
ainsi calculer une estimationC
de la matrice C.On détermine les
premiers
éléments propres de la matricesymétrique
M =DI/2 ACA’ DI/2
de dimension2(n-1)
et de rang n.Les vecteurs propres
permettent
de déduire des estimations des fonctions propresf
deC4
aux n datesti,
...,tn;soit Z*,
un vecteur propre de M :Z
= D-I/2 Z*
et si : Z =(03BE2, ~2,...,03BEj, ~j,...,03BEn,~n),
on aura pour fonctionpropre associée à
Z,
la fonctionf
telle que :et
pour j
=2,..., n - 1,
Seules nous
importent
les valeursf (tj) puisque
lesfonctions f
sont linéaires parmorceaux.
III. Etude
descriptive
des donnéesIII.1 Présentation des données et
position
duproblème
Les données se
présentent
sous la forme d’un échantillon de 32trajectoires
d’un processus dont on
possède
des observations toutes les 6 heurespendant
unesemaine, plus
une fois au début de la semaine suivante(soit
29observations).
Ils’agit
de mesures detempératures
et les intervalles detemps séparant
deux relevéssont donc
toujours égaux.
Le but est de rechercher si un traitement dedialyse
estresponsable
de modifications dans lecycle thermique physiologique.
L’étude faite pour deux membranes de
dialyse (notées
PAN etCUP),
s’attacheà
distinguer
les modifications induites parchaque
membrane et à les comparer entre elles. Pour tenircompte
d’un éventuel facteurhormonal,
on s’intéresseraégalement
aux sous-groupes hommes et femmes.
L’échantillon
comprend
15 maladesdialysés
avec la membrane CUP(8
hommes et 7
femmes)
et 17 maladesdialysés
avec la membrane PAN(10
hommeset 7
femmes).
Chaque
malade estdialysé
3 fois dans la semaine : entre la 5° et la 6°prise
de
température,
entre la 13° et 14°prise
et entre la 21° et 22°prise.
L’idée est d’étudier si une
périodicité
d’ordre 8 liée à ladialyse, peut
être mise en évidence pour lesdialysés
sur la membrane CUPet/ou
la membranePAN,
l’évolutionbiologique
habituelle induisant uncycle journalier,
donc depériode
4.111.2
Analyse spectrale descriptive
Les séries
chronologiques
sont constituées chacune de 29 observations. Lapremière analyse exploratoire
consiste à étudier lespériodicités
deschroniques
individuelles et de
chroniques agrégées
à l’aide de leur"périodogramme" (ou
"spectre").
Le
périodogramme
est défini àpartir
de ladécomposition
deFourier;
onen obtient une
représentation graphique
enportant
lafréquence
des différentes oscillations en abscisse et en ordonnée le carré de leuramplitude.
La sommetotale des carrés des valeurs de la
chronique
étantrépartie
additivement entre les différentesfréquences,
lepériodogramme permet
derepérer
les oscillationsqui jouent
un rôleimportant (GOURIEROUX
etMONFORT, 1983; CHATFIELD,
1985).
111.2.1
Analyse
des séries brutesPour chacun des 32
individus,
l’évolution de latempérature pendant
la se-maine
d’observation,
ainsi que lepériodogramme,
ont étéreprésentés graphique-
ment
(logiciel
STATISTICAL GRAPHICSSYSTEM, 1986).
L’examen de ces
graphiques
montre que ceschroniques peuvent
être considérées sans tendance etqu’elles possèdent
despériodicités.
Ce même tra-vail a été réalisé pour les
chroniques
destempératures
moyennes de chacun des deux groupes CUP et PAN.Pour la
chronique
du groupeCUP,
ondistingue
desrythmes
delongueur
4 et8,
tandis que pour lachronique
moyenne du groupePAN,
on ne remarquequ’un rythme
delongueur
4(Fig. 1).
III.2.2
Analyse
des séries desdifférences
au retard 4Nous avons donc mis en évidence pour tous les individus un
rythme
lié à lajournée
delongueur
4 et pour unepartie
d’entre eux, unrythme
lié à ladialyse
delongueur
8. Ces deuxcomposantes périodiques
ne sont pasindépendantes, puisque
la seconde est
multiple
de lapremière.
Pour montrer l’existence d’unrythme
d’unelongueur multiple
de4,
nous avons filtré cettepériodicité
4 en étudiant les séries des différences au retard 4.La série moyenne des différences au retard 4 du groupe CUP
présente
unepériodicité
8d’amplitude beaucoup plus
élevée que celle du groupe PAN(Fig. 2).
Les
périodogrammes
des séries moyennes des différences au retard 4 selon lesexe pour les individus traités sur la membrane CUP sont
quasiment
les mêmes pour les hommes et les femmes et montrent l’existence d’unecomposante
depériode
8 dont le carré de
l’amplitude
estégale
à78,5
% de la somme totale des carrés de lachronique
pour les hommes et à80,5
% de la somme totale des carrés de lachronique
pour les femmes(Fig. 3).
Pour les individus traités sur la membrane
PAN,
lespériodogrammes
desséries moyennes des différences au retard 4 n’ont pas la même allure selon le sexe.
Cette série est à l’évidence un bruit blanc pour les
femmes,
alors que pour leshommes,
lepériodogramme présente
deux"pics"
dont les carrés desamplitudes représentent
65 % de la somme totale des carrés de lachronique
pour lafréquence
0.125
(période 8),
et 21 % de la somme totale des carrés de lachronique
pourGroupe
PANGroupe
CUPFIGURE 1
Chroniques
moyennes par groupes : évolution etpériodogramme
Les 32 individus
Groupe
PAN :17 individus
Groupe
CUP15 individus
FIGURE 2
Séries moyennes des différences au retard 4 : évolution et
périodogramme
PAN Hommes PAN Femmes
CUP Hommes CUP Femmes
FIGURE 3
Périodogramme
des séries moyennes des différences au retard 4 selon le groupe et le sexela
fréquence
0.375qui peut s’interpréter
comme uneharmonique
de lapremière
composante de
fréquence
0.125.Cette
analyse descriptive permet
de déceler des différences entre les deux traitements.L’analyse
factorielle vapermettre
de situer les individus les uns parrapport
aux autres.IV.
Analyse
factorielle du processus destempératures
IV.1
Décomposition
du processusLes 32 séries
chronologiques
detempératures peuvent
être considéréescomme un échantillon d’un processus continu. Les observations ont été faites à des dates
équidistantes qui
sont les mêmes pourchaque
malade.D’après
l’étudedescriptive
destrajectoires,
le processuspeut
être considéré comme sans tendance et stationnaire.L’analyse spectrale ayant
conduit àprivilégier
l’étude des séries des différencesau retard
4,
on a réalisé uneanalyse
factorielle sur l’échantillon du processus des différences au retard 4 -endisposant
donc de 25 observations partrajectoire-
enappliquant
la méthodeexposée
auparagraphe
II.On a cherché les
premiers
éléments propres de la matrice des covariances estimées de ce processusinterpolé
linéairement entre les dates d’observcation. Ona vu que cette recherche amène à traiter une matrice
symétrique D1/2AA’D1/2
de dimension 48
(cf. paragraphe II).
La trace de cette matrice est
égale
à 2.40 .Seules,
les troispremières
valeurspropres ont une valeur au moins
égale
à 10 % de la trace de la matrice : 39.44 % pour lapremière,
13.01 % pour la seconde et 11.37 % pour la troisième.La
chronique
associée à lapremière
fonction propre :f1 (t5), f1 (t6),
...,f1 (t29),
estpériodique
depériode 8,
tandis que le processus dont la seconde fonc- tion propre,orthogonale
à lapremière,
serait uneréalisation, peut
être considéréecomme un bruit blanc
(Fig. 4).
Dans ces
conditions,
on retient ladécomposition
suivante pour chacune des 32chroniques :
avec :
Les séries
chronologiques Ytj
etf1(tj)
-associées à lapremière
fonctionpropre normée -sont données à l’annexe
II,
ainsi que lepremier
facteur03BE1.
Pour
chaque individu,
on a calculé lachronique
résiduet, (ca)
et on a utiliséla
procédure
de STATGRAPHICS pour la recherche d’éventuellespériodicités.
Pour chacune de ces 32
chroniques,
on nerejette
pasl’hypothèse
d’un bruitblanc pour le processus dont elle serait une réalisation.
A condition de modéliser les deux
chroniques Ytj
etf1(tj), l’analyse
FIGURE 4
Evolutions et
périodogrammes
des deux
premières
fonctions propresfactorielle permet le calcul d’une
approximation
de ladécomposition
du processus destempératures. Mais,
la recherche d’un tel modèle ne nous a pas paruprésenter
un intérêt
puisque
cette étude n’est pas menée à des fins deprévision.
IV 2
Interprétation
de lapremière composante principale
On
peut
calculer les corrélations entre lapremière composante principale
etles 25 variables
Ytj(j
=5, ...,29); Ai désignant
lapremière
valeur propre, on a(cf. paragraphe I) :
r(03BE1,Ytj) = (03BB1/var(Ytj))1/2*f1(tj)
D’après
lareprésentation graphique
de l’évolution de cette corrélation(Fig. 5),
la
première composante principale apparaît
fortement liée à l’intervention de ladialyse.
L’interprétation
de lapremière composante principale
va s’enrichir par le calcul des contributions des individus et des groupes d’individus à l’inertie dupremier
axe factoriel(CTR1),
et par le calcul de l’inertie dechaque
individurelativement à l’inertie totale du nuage
(INR);
pour la définition de cesindicateurs,
on
peut
sereporter
àl’ouvrage
de VOLLE(1985).
Le tableau 1 donne les valeurs des indicateurs pour chacun des groupes.
TABLEAU 1
Le
premier
axe factoriel oppose les deux groupes CUP et PAN et c’est le groupe CUPqui
contribue leplus
à l’inertieexpliquée
par cet axe, bienqu’il compte
moins d’individus que le groupe PAN. D’autrepart,
lapremière
fonction propreest
négative après
l’intervention de ladialyse
et les individus du groupe CUP ontune coordonnée moyenne
négative
sur lepremier
axe, cequi
faitapparaître
unepoussée
detempérature plus
accentuée pour les malades traités par la membrane CUP.L’examen des coordonnées individuelles confirment les conclusions faites à
partir
des coordonnées des centres degravité
des groupes :FIGURE 5
Evolution du coefficient de correlation linéaire entre la
première composante principale
et les variablesYtj ( j
=5,
...,29)
*
parmi
lesquatre
individus traités par la membrane PANqui
ont des coor-données
négatives
sur lepremier
axefactoriel,
trois d’entre eux sont deshommes
qui
ont subi deschangements
de membrane au cours de leur traite- ment ;* le
premier
axe opposeplus
nettement aux malades traités par la membraneCUP,
les femmes traitées par la membrane PAN que les hommes traités parla membrane
PAN ;
ce résultat est en accord avec la remarqueprécédente
etles résultats de
l’analyse spectrale
duparagraphe
111.2 .Conclusion
L’ analy se
factorielle peuemployée jusqu’à présent
pourl’analyse
d’échantil- lons de processus, s’est révélée très fructueuse. Elle nous apermis
de différencier les deux traitements médicaux et de mettre en évidence un effet induit par l’un d’entre eux, à savoir une modification ducycle journalier
de latempérature.
Il aurait été aussi
possible
d’utiliser les résultats del’analyse
factorielle pourdécomposer
le processus destempératures
en une somme de processusapproximables
defaçon quasi-déterministe
-comme l’ont fait OTTER et SCHUUR(1982)
pour des sériestemporelles économiques-,
mais cetteapproche
était ici sansrelation avec le
problème
soulevé.Au terme de ce
travail,
on nepeut qu’insister
à nouveau sur la nécessité d’unebonne
analyse descriptive
des données avant de mettre en oeuvre des méthodesplus élaborées;
l’examen despériodogrammes
nous apermis
de trouver unetransformation
adéquate
des données avantl’application
del’analyse
factorielle.Annexe I
Ecriture de la matrice A à
2(n - 1) lignes
et à n colonnesintervenant au
paragraphe
II.1Cette matrice est formée de
(n-1)
blocs 2*2 :On a donc :
Annexe II
Résultats
numériques
concernant leparagraphe
IV1)
Vecteur des différences au retard 4 destempératures
moyennes2)
Première fonction propre normée :3)
Premier facteur03BE1(w),w
=1, ..., 32
PAN
CUP
Remerciements
L’auteur
exprime
ses remerciements à B. BURTSCHYqui
l’a aidée pource travail par ses
conseils,
et au Docteur G. LONDON(centre hospitalier
F.X.MANHES) qui
lui a confié leschroniques
detempératures
relevées dans le cadre d’une étudeclinique
en cours.Bibliographie
CHATFIELD C.
(1985) -
Theanalysis
of time series :Theory
andpractice, Chapman
andHall,
4° édition.DEVILLE J.C.
(1973) - L’analyse harmonique
dans le cas de donnéesdiscrètes,
note interne de l’INSEE.
DEVILLE J.C.
(1974) -
Méthodesstatistiques
etnumériques
del’analyse
harmo-nique,
Annales del’INSEE, n°15,
3-97.DEVILLE J.C.
(1978) - Analyse
etprévision
des sérieschronologiques multiples
non
stationnaires, Statistique
etAnalyse
desDonnées,
n°3.GOURIEROUX
C.,
MONTFORT A.(1983) -
Cours de sériestemporelles,
Econo-mica.
OTTER
P.W.,
SCHUUR J.F.(1982) - Principal component analysis
in multivariateforecasting
of economictime-series,
Time seriesanalysis,
O.D. Anderson(editor).
SAPORTA G.
(1981) -
Méthodesexploratoires d’analyse
de donnéestemporelles,
Cahiers du B.U.R.O. n°37-38.
STATISTICAL GRAPHICS
CORPORATION, STSC,
Inc.(1986) -
Statisticalgraphics
system.VOLLE M.