Une petite analyse (toute bidon) de la série temporelle qui va bien.
## Importation des donnees
url <- "http://www.math.univ-montp2.fr/~ribatet/docs/TimeSeries/varicelle.dat"
data <- scan(url, skip = 1, what = numeric())
Read 498 items
On va convertir l’objet en série temporelle
data <- ts(data, frequency = 12, start = c(1931, 1))
plot(data, xlab = "Annee", ylab = "Nombre de cas de varicelle (USA")

On commente ce graphique rapidement. Il semble avoir une tendance à la hausse jusqu’aux années 1955 puis à la baisse. Est ce l’effet d’une sensibilisation de la population suite à une politique sanitaire ???
decomp <- stl(data, "periodic")
plot(decomp)

Au final, ouppps je me suis trompé c’est plutôt une baisse après 1955 et stable avant. Analysasn
Analysons la saisonalité.
spectrum(decomp$time.series[,"remainder"], log = "no")

On identifie une belle fréquence annuelle et quelques rebonds harmoniques.
monthplot(data)

Il y a plus de cas de varicelle en hiver que durant les autres périodes de l’année. Pourquoi ? La question reste ouverte…
Au passage on peut faire une analyse par trimestre, par jour de la semaine
library(chron)##pour la fonction quarters
monthplot(data, phase = quarters(data))

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