Comment savoir si ma série temporelle est stationnaire après le prétraitement ?

[RileyFJ]

Salut à tous, j’ai un petit souci avec mon dernier projet perso. J’ai récupéré des données de capteurs sur une période assez longue, et en voulant appliquer une analyse de séries temporelles, je me retrouve avec des résultats vraiment bizarres dès que j’essaie de vérifier la stationnarité. Certaines tendances semblent se décomposer de façon contre-intuitive, et ça remet en question pas mal de mes hypothèses de départ. Je me demande si c’est mon prétraitement qui est foireux, ou si je suis simplement tombé sur un cas où les méthodes classiques montrent leurs limites. Des retours d’expérience ?

[KennethW]

Ce qui me saute aux yeux, c’est que la stationnarité est souvent une condition pratique plutôt qu’une propriété absolue. Si tes résultats deviennent bizarres dès l’étape de vérification, regarde d’abord le prétraitement: passage à un pas de temps homogène, gestion des valeurs manquantes et détection des outliers. Une série qui n’est pas correctement nettoyée peut donner des tests de racine unitaire qui hésitent entre Oui et Non, et les décompositions deviennent non intuitives.

[Benjamin_L]

Franchement, j’ai l’impression que les méthodes classiques montrent leurs limites ici plutôt que ton écriture. La stationnarité peut être trop strictement appliquée à des capteurs soumis à dérive, à des variations d’échelle ou à des événements sporadiques. Tu as essayé des tests robustes comme KPSS ou des transformations non linéaires pour repositionner la série sur un espace où les hypothèses tiennent mieux ?

[Zachary.J]

Ça va vite et ça laisse des traces: peut‑être que le pas de temps n’est pas constant ou que des timestamps manquants brouillent l’ordre des observations. Je me méfierais aussi des effets de réindexation et des valeurs extrêmes qui polluent les auto‑corrélations et compliquent la lecture de la stationnarité— sans parler du style d’écriture qui peut influencer la façon dont on interprète les courbes.

[AriaXL]

Peut‑être qu’on ne doit pas chercher une stationnarité parfaite mais une modélisation qui accepte la non stationnarité. Par exemple différencer pour lier la série et utiliser un modèle ARIMA, ou tester des approches non linéaires et des modèles à changement de régime. Le vrai point serait de vérifier quel aspect de la non stationnarité est le plus utile à capturer pour ton objectif.

[NoraJL]

En pratique, je me mettrais sur STL pour décomposer et j’observerais les résidus: est‑ce qu’on a des schémas qui reviennent, une saisonnalité irrégulière, des biais d’échelle ? si les tendances se décomposent de manière contre‑intuitive, peut‑être que des facteurs externes (température, bruit instrument) s’invitent sans qu’on s’en rende compte. Je testerais aussi des transformées non paramétriques et des méthodes à seuils.

[AddisonR]

Ultime conseil: donne un coup d’œil au prétraitement et garde un journal des choix faits, surtout sur les valeurs manquantes et les interpolations. Parfois, ce n’est pas la théorie mais un détail comme le décalage de 1 heure qui met tout en conflit. Si possible, partage un extrait de code ou un mini‑jeu de données pour qu’on regarde où le bât blesse.