Vous êtes sur la page 1sur 85

Non stationnarit et Tests de racines unitaires

2.1 Introduction Il existe deux manires de modliser le non Stationnarit. La premire introduit un trend dterministe tel que :
Yt = + t + ut

(2.1)

Avec ut ARMA( p, q) tel que


( L)ut = ( L) t

Et t N (0, 2 ) Donc lquation (2.1) peut se rcrire come


Yt = + t + ( L) 1 ( L) t = + t + ( L) t

(2.2)

La moyenne du processus est


E (Yt ) = + t

Donc lorigine de la non stationnarit provient ici de linclusion de la tendance. Pour cette raison, ce genre de processus est appel processus Trend Stationnaire (TS) car la quantit (Yt t ) est stationnaire. En dautres termes si un processus stationnaire peut tre obtenu dun processus non stationnaire par extraction dun trend linaire ou exponentiel, alors on dira que le processus est Trend Stationnaire (Figure 2.6).

La deuxime approche pour modliser la non stationnarit est la marche alatoire (Random Walk) avec ou sans Drift tel que
Yt = + Yt 1 + ut

(2.3)

Ou est le paramtre du Drift et ut ARMA( p, q) tel que :


( L)ut = ( L) t t N (0, 2 )

Donc lquation (2.3) devient


Yt = + Yt 1 + ( L) 1 ( L) t = + Yt 1 + ( L) t

(2.4)

Si un processus stationnaire peut tre obtenu par diffrenciation de la srie originaire non stationnaire, alors on dira que la srie est Diffrence Stationnaire (DS). Apparemment ce processus est stationnaire puisquil ne comporte pas de fonction du temps, pourtant, comme on le verra dans la section suivante, ce processus est non stationnaire.

2.2 Stationnarit et non stationnarit dans les sries temporelles

Les donnes conomiques suivent des processus gnrateurs stochastiques stationnaires ou non stationnaires. On dj dfini la stationnarit dans le chapitre prcdent.

Une srie Yt est stationnaire au second ordre si : E(Yt) = V(Yt ) =0 = 2 Cov(Yt , Ys) = t s avec t s En dautres termes, toutes les statistiques descriptives de la srie temporelle , 0, 1, 2.., sont invariantes par rapport au temps.

2.2.1 Processus Bruit Blanc Le processus bruit blanc est stationnaire par construction. En effet

E(Yt) = V(Yt ) =0 = 2 Cov(Yt , Ys) =0 avec t s

Figure 2.1 : Simulation sur 500 points, y(0) =0 (y(t) = N(0 , 1) Processus stationnaire

2.2.2 Processus AR(1) Considrons le processus AR(1) tel que


Yt = + Yt 1 + t

(2.5)

O t est un bruit blanc et < 1 est stationnaire. Cette quation peut tre rcrite aprs substitution rcursives, comme
yt = + + 2 + .. + t 1 + t + t 1 + 2 t 2 + .. + t 2 2 + t 1 1

yt =

+ t y0 + t + t 1 + 2 t 2 + .. + t 2 2 + t 11

(2.6)

On constate que linfluence de la valeur initiale Y0 ainsi que linfluence des chocs distants convergents vers zro.
0 E ( yt ) = = 1 2

= 0 E ( yt ) = 0

2 0 = 1 2

1 = 2 2 1
j 2 2 1

2 2 = 2 2 1

Et en gnral j =

Donc le processus Yt = + Yt 1 + t est stationnaire au second ordre Figur 2.2 : Simulation sur 1000 points, y(0)=0 y(t)= 0.8+0.9y(t-1)+N(0.1)

2.3.3 Processus marche alatoire sans Drift

Considrons la marche alatoire sans Drift :


Yt = Yt 1 + t

(2.7)

Aprs substitutions rcursives on obtient :

Yt = Y0 + i
i =1

(2.8)

On a donc
E (Yt ) = Y0 V (Yt ) = t 2 j = cor ( yt , yt j ) = t j t

Quand t V (Yt ) et donc la variance et lACF du processus dpendent du temps. Donc le processus est non stationnaire. Mais quel est lorigine de la non stationnarit ? on voit que le processus possde un trend un trend linaire dans la variance. Donc bien que la moyenne du processus est constante c'est--dire que la srie dgnre et la covariance dpend du temps. Donc le processus marche alatoire sans Drift est non stationnarit et la non stationnarit vient de la variance et de la covariance du processus. Plus prcisment et de manire intuitive lquation (2.6) montre que le choc t saccumulent au cours du temps et que donc la variance de yt croit au fur et mesure que le temps passe. Lorigine de la non stationnarit provient donc ici de laccumulation des chocs, on parle alors de processus trend stochastique c'est--dire que la non stationnarit peut tre de type stochastique par opposition une non stationnarit de type dterministe

Figure 2.3 : Simulation sur 1000 points, Y(0)=0, y(t) =y(t-1) +N(0,1)

2.3.4 Marche alatoire avec Drift Considrons le processus marche alatoire avec Drift
Yt = + Yt 1 + t

(2.9)

O t IID(0, 2 ), t = 1, 2,.. Aprs substitutions rcursives, on obtient

Yt = Y0 + t + t
i =1

(2.10)

Donc

E (Yt ) = Y0 + t V (Yt ) = t 2

Quand t , E (Yt ) ceci constitue un modle avec trend linaire dans la moyenne et la variance.

Figue 2.4 : simulation sur 1000 points, y(0)=0, y(t) =0.2+y(t-1) +N(0 , 1)

Figue 2.5 : simulation sur 1000 points, y(0)=0, y(t) =-0.2+y(t-1) +N(0 , 1)

2.3.5 Processus Trend Stationnaire Considrons le processus trend stationnaire tel que
Yt = + t + t

(2.11)

O t IId (0, 2 ); t = 1, 2,... alors


E (Yt ) = + t V (Yt ) = 2

Lorsque t , E (Yt ) ceci constitue le modle avec un trend linaire dans la moyenne Figue 2.6 : simulation sur 1000 points, y(0)=0, y(t) =1+0.05temps +N(0 , 1)

2.3.6 Processus Trend Stationnaire Autorgressif


Yt = + t + Yt 1 + t

(2.12)

Avec < 1

Y1 = + 1 + Y0 + 1 Y2 = + 2 + Y1 + 2 = + 2 + + + 2Y0 + 1 + 2 Y3 = + 3 + + 2 + 2 + 2 + 3Y0 + 2 1 + 2 + 3 ............................................................................................ Yt = + + 2 + 3 + .. + t 1 + tY0+ t (t 1) + 2 (t 2) + .. + t 1 (t (t 1))

t + t 1 + 2 t 2 + .. + t 11

Yt =

1 2 1 + tY0 + + + + .. + .. + t + t + t 1 + 2 t 2 + .. + t 1 1 1 1 1 1 1

Donc

Yt = A0 + A1t + t + t 1 + 2 t 2 + .. + t 1 1

(2.13)

Le modle est stationnaire autour dun trend linaire

2.3.7 Processus Marche Alatoire Avec Trend et Drift Considrons le modle marche alatoire avec trend et drift tel que
Yt = + t + Yt 1 + t

(2.14)

Avec t IId (0, 2 ); t = 1, 2,...


Y2 = + 2 + Y1 + 2 = + 2 + + + Y0 + 1 + 2 Y2 = 2 + (1 + 2) + Y0 + 1 + 2
................................................... Yt = t + t (t + 1) / 2 + Y0 + t + t 1 + .. + ..

Donc
t Yt = Y0 + + t + ( / 2)t 2 + i 2 i =1

(2.15)

Les moments du processus sont


E (Yt ) = Y0 + ( + / 2 ) t + ( / 2 ) t 2 V (Yt ) = t 2

Lorsque t , E (Yt ) ceci constitue le modle avec trend exponentiel dans la moyenne et un trend linaire dans la variance.

2.3.8 Processus Marche Alatoire Avec Trend et Sans Drift Considrons le modle marche alatoire avec trend et sans drift tel que

Yt = t + Yt 1 + t

(2.16)

Donc
Y1 = + Y0 + 1 Y2 = 2 + Y1 + 2 = 2 + + Y0 + 1 + 2 Y3 = 3 + Y2 + 3 = 3 + 2 + + Y0 + 1 + 2 + 3 ............................................................................ Yt = t (t + 1) / 2 + Y0 + 1 + 2 + .. + t

Donc
t Yt = t + t 2 + Y0 + i 2 2 i =1

(2.17)

E (Yt ) = ( / 2)t + ( / 2 ) t 2 V (Yt ) = t 2

Donc, en rsum, le non stationnarit peut avoir plusieurs sources : - la moyenne de la srie dpend du temps - la variance de la srie dpend du temps - les auto-covariances dpendent du temps

En dautres termes, les sries peuvent tre non stationnaires mme sans trend apparent.

2.3 Processus intgrs Si un processus stationnaire peut tre driv dun processus non stationnaire en diffrenciant la srie une ou plusieurs fois, on dira que la srie originale est

intgres et le nombre de diffrences requises pour stationnariser la dite srie est appel lordre dintgration de la srie. Un processus intgr dordre d est not I(d) pour d =0, 1, 2,.. en dautres termes
Yt I (d ) si dYt est stationnaire

O
Yt = Yt Yt 1 2Yt = Yt Yt 1

Par exemple si Yt I (1) , alors


Yt = Yt + Yt 1 = Yt + Yt 1 + Yt 2 = .. = Yt j
j =0 t 1

De manire similaire si Yt I (2) , alors


Yt = Yt j =
j =0 j =0 t 1 t1 t j 1 i =0

Y
2

t j i

Un processus bruit blanc est un processus intgr dordre zro, et on crit


t I (0) . La marche alatoire est un processus intgr dordre un et on crit
yt I (1) .

2.4 Diffrence entre Processus DS et processus TS 2.4.1 Types de transformations pour obtenir la stationnarit Si le DGP est donn par lquation

Yt = + t + ( L ) t

(2.18)

Alors Yt t est stationnaire ; mais si le DGP est donn par lquation


Yt = + Yt 1 + ( L ) t

(2.19)

Alors (Yt Yt-1 ) est stationnaire mais non (Yt t) Lextraction de la tendance est une mthode de stationnarisation propre aux processus TS et ne peut tre aux processus DS. La rgression dun processus DS sur une tendance dterministe peut engendrer des rsultats fallacieux comme le montre la proposition suivante : Proposition : Si on essaie dliminer la tendance dune marche alatoire, on limine la dpendance de la moyenne par rapport aux temps, mais la variance quand elle, reste toujours dpendante du temps, de plus on cre une forte autocorrlation artificielle des rsidus. En effet si Yt = + Yt 1 + t Par substitutions rcursives, on obtient Yt = Y0 + t + t Donc Yt Y0 t = t et ainsi
0 = E [Yt Y0 t ] = E t = t 2
2

(2.20)

Donc la variance du processus Yt Y0 t est t 2 . Elle est donc dpendante du temps. Si on essaie de trend stationnariser un processus DS, on tationnarise la moyenne et non la variance. Donc en trend stationnarisant un processus DS, on obtient pas une srie stationnaire mais on cre un forte auto-corrlation des

rsidus. Ce rsultat apparemment innocent des implications fondamentales sur les mthodes de dcomposition cycle/ tendance. En effet la plus part des sries macro-conomiques sont DS. Le fait de rgresser ces sries DS sur une tendance comme le faisaient les macro-conomistes pour se dbarrasser de la tendance et ne garder que les cycles conomiques tait compltement fallacieuse puisque les cycles conomiques ainsi obtenus (forte corrlation des rsidus) nest quune apparence, rsultat dune mthode statistique fallacieuse. De la mme manire, si on essaie de diffrence stationnariser un processus TS, on introduit une racine unitaire dans la composante MA ce qui veut dire que le processus nest plus inversible. En effet :
Yt = + t + ( L ) t Yt 1 = + (t 1) + ( L ) t 1

(1 L ) Yt = + ( L )(1 L ) t
Doc une racine unitaire dans la composante MA. La consquence est que le processus nest plus inversible c'est--dire quil ny a plus de reprsentation AR convergente

2.4.3 Comparaisons prvisionnelles Considrant le processus TS


Yt = + t + ( L ) t

(2.21)

Yt = + t + 11 + 2 2 + .. + YT (1) = E (YT +1 ) = E ( + (T + 1) + T +1 + 1 T + 2 T 1 + .. + Y (1) = E (Y ) = + (T + 1) + + + .. +


T T +1 1 T 2 T 1

YT (2) = E (YT + 2 ) = E ( + (T + 2) + T + 2 + 1 T +1 + 2 T + .. + Y (2) = E (Y ) = + (T + 2) + + + .. +


T T +1 2 T 3 T 1

Donc
YT ( s ) = + (T + s ) + T +1 + s T + 2 2 + .. + YT (1) = E (YT +1 ) = + (T + 1) + 11 + s +1 T 1 + .. +

(2.22)

Concernant le processus DS
Yt = + Yt 1 + ( L ) t

(2.23)

YT (1) = E (YT +1 ) = E + YT + ( L ) T +1 = + YT 1 T + 2 T 1 + ..
YT (2) = E (YT + 2 ) = E + YT +1 + ( L ) T + 2 = + E (YT +1 ) + 2 T + 3 T 1 + .. YT (2) = E (YT + 2 ) = + ( + Yt + 1 T + 2 T 2 + ..) + 2 T + 3 T 1 + .. YT (2) = (1 + ) + 2YT + 1 T + 2 T 1 + .. + 2 T + 3 T 1 + .. Y (2) = (1 + ) + 2Y + ( + ) + ( + ) + ( + )
T T 1 2 T 2 3 T 1 3 4

T 2

+ ..

Donc
YT ( s ) = (1 + + 2 + .. + s 1 ) + sYT + ( s 1 1 + s 2 2 + .. + s ) T + ( s 1 2 + s 2 3 + .. + s 1 ) T 1+..

(2.24)

Exemple : marche alatoire avec Drift


Yt = + Yt 1 + t

(2.25)

On a ici = 1, ut = t , ( L ) = 0 1 = 2 = .. = 0

Donc YT ( s ) = s + Yt

Donc la marche alatoire avec drift aura un taux de croissance de par priode partir de la valeur YT. Le profil prvisionnel de la marche alatoire avec drift sera donc domin par le terme de drift

Exemple Yt = + Yt 1 + t
YT ( s ) = (1 + + 2 + .. + s 1 ) + sYT = + sYT 1 lim YT ( s ) = = s 1

Exemple ARIMA(0,1,1) Y = + Yt 1 + (1 + 1 L) t
ut = ( L ) t = (1 + 1 L ) t 1 = 1 , = 1

YT ( s ) = (1 + + 2 + .. + s 1 ) + YT + 1 T = s + YT + 1 T

Ici la base est la valeur de YT + linnovation 1 t partir de laquelle la srie croit un taux par priode

En conclusion
YT ( s ) = + (T + s ) TS Y ( s ) = s + Y DS
T T

2.3.4 Comparaison des erreurs prvisionnelles

Concernant le processus TS, on peut dmontrer que,


YT + s Yt ( s ) = T + s + 1 T + s 1 + 2 T + s 2 + .. + s 1 T +1
2 MSE = E (YT + s YT ( s)) 2 = (1 + 12 + 2 + .. + s21 ) 2

Donc
2 lim MSE = (1 + 12 + 2 + .. + ..) 2 s

(2.26)

Donc pour un processus TS, le MSE croit avec lhorizon prvisionnel Concernant le processus DS

YT + s Yt ( s ) = (1 + 1 ) T + s 1 + (1 + 1 + 2 ) T + s 2 + .. + (1 + 1 + 2 + .. + s 1 ) T +1

MSE = E (YT + s Yt ( s )) 2 = 1 + (1 + 1 )2 + (1 + 1 + 2 )2 + .. + (1 + 1 + 2 + .. + s 1 )2 2

(2.27)

2.2.8 Comparaison des Multiplicateurs Dynamiques

Pour un processus TS
yt + s = s lim = 0 s t

(2.28)

Donc linfluence dun choc exogne une date t est transitoire. En dautres termes aprs le choc, les squences de yt converge asymptotiquement vers sa tendance dterministe +t. Il ny a donc pas de persistance de chocs. Concernant la marche alatoire, on dmontre aisment que :
yt + s = 1 + 1 + 2 + .. + s t

Ainsi
lim

yt + s 1 + 1 + 2 .... = (1) s t

(2.29)

Au contraire ici, on a un effet permanent du choc sur le niveau de yt 2.5 Spurious Rgression 2.5.1 Aperu historique Au milieu des annes 1970, la recherche en conomtrie commena tudier les proprits statistiques des marches alatoires. Les rsultats taient drangeant et intriguant. Toutes les fondations de lconomtrie conventionnelle taient

remises en cause. Nelson et Kang(1984) gnrent 1000 marchent alatoires simples avec 100 observations dans chacune. Chacune de ces marches alatoires (1000 fois) tait rgresse contre un trend 1. Normalement on devrait trouver = 0, car il ne devrait y avoir aucune relation entre une marche alatoire et un trend linaire. Mais ce nest pas ce quils trouvent. Au contraire lhypothse H0 : = 0 tait rejete (au niveau =5%) dans 87% des cas au lieu de 5% des cas. En dautres termes lhypothse H0 tait rejete 870 fois sur 1000 alors quelle devrait tre rejete seulement 50 fois sur 1000(5% de 1000). En dautres termes encore, le rejet de H0 implique que lvolution de Y dune priode une autre pouvait tre prdite en fonction du temps. Or on sait que dune part une marche alatoire est imprvisible, elle est alatoire, et dautre part, on ne voit pas quel est le lien entre le simple passage du temps et une marche alatoire. Plus encore, supposons que le PIB dun pays, par exemple le Maroc, possde les proprits stochastiques dune marche alatoire. Le rsultat de N&K nous dit
Pib = + t + t

Le PIB voluera avec le temps indpendamment du travail, du capital, du savoir faire et dautres dterminants de la croissance conomique. On sait donc bien quil y a quelque chose dintriguant dans les rsultats de N&K. Ensuite les auteurs rptrent leurs expriences, en gnral 1000 marches alatoires, mais cette fois ci avec seulement 20 observations chacune. Ils
1

Soit Yt une marche alatoire simple, on parle ici de la rgression Yt = + t + t

rgressent chacune contre un trend. Lhypothse nulle 0 = 0 tait rejete au niveau 5% dans 75% des cas(750 fois sur 1000). Granger & Nexbold travaillaient aussi sur les marches alatoires, avec 50 observations dans chacune. Chaque srie dans la paire tait gnre indpendamment de lautre. Ensuite ils rgressrent chaque srie sur une autre. Illustrons par : Soient Y1t et Y2t deux marches alatoires indpendantes : I(1) tel que
Y1t = Y1t 1 + u1t Y2t = Y2t 1 + u2t

O u1t est iid de moyenne zro et de variance 12 u1t est iid de moyenne zro et de variance 22 u1t est indpendante de u2s pour tout t et s

Supposons que nous estimons par OLS


Y1t = 1 + 2Y2t + vt

Comme Y1t est indpendante de Y2t et vice versa, on anticipe - Quun estimateur de 2 ne devrait pas tre significativement diffrent de zro. - Que le R2 devrait tre au voisinage de zro.

Mais l aussi, ce nest pas ce quils trouvent. Au contraire, utilisant le t-test conventionnel au niveau de 5%, Granger & Newbold dcouvrent que

lhypothse nulle tait rejete 76% des fois. En dautres termes, on avait une relation significative, alors que par construction, il ny a aucune relation. Le terme de rgression spurious a t introduit par Granger & Newbold(1974). Il fait rfrence une rgression entre variables I(1) sans lien entre elles. Dans une rgression incluant des variables I(1), les tests conventionnels (t, F et R2) tendent indiquer une relation statistique significative mme quand il ny a aucune relation. Les symptmes sont un R2, t et F levs et un Durbin et Watson trs bas. Il y a deux faons dexpliquer ces tranges rsultats. Soit la marche alatoire nest pas alatoire, soit il est tout fait fallacieux de combiner les t statistiques avec les marches alatoires. La premire explication est rejeter pour des raisons videntes, il reste la deuxime. Reste savoir pourquoi les tests conventionnels ne sont pas adquats lorsque lon utilise des marches alatoires, que peut-on faire ? Une consquence directe de ces rsultats, cest que lconomtre ne peut plus ignorer les proprits stochastiques des sries quil rgresse. Par consquent, il doit avant toute chose, tablir si les sries sur lesquelles il travaille sont des marches alatoires ou non. Dans la littrature, on appelle cela des tests de racine unitaire. Typiquement, il sagit pour chaque variable, destimer la rgression suivante :
Yt = + t + t

(2.30)

Et de tester lhypothse nulle = 1 contre lhypothse alternative <1. Si on rejette H0, la srie, est stationnaire, et si on ne peut pas rejeter, la srie possde une racine unitaire ; elle constitue donc une marche alatoire. Mais comment construise un tel test en utilisant les t-statistiques Nelson& Plosser (1982) ont effectu des recherches sur ce domaine particulier. Ils gnrrent 500 marches alatoires de 100 observations chacune en utilisant la rgle suivante Yt = Yt 1 + t . Pour chaque srie ainsi gnre, ils estimrent la rgression de yt contre yt-1, ils rejetrent l(hypothse nulle( = 0) dans 65% des cas(325 fois sur 500), bien que = 1 par construction. Donc l aussi, dans les tests de racine unitaire, on ne peut pas non plus utiliser les statistiques. En fait on peut dmontrer que dans le cas des marches alatoires, lestimateur de est
biais ( E ( = 1)) . En effet, considrons la rgression :

Yt = + Yt 1 + t

(2.31)

Appliquons lOLS

(Y Y )(Y
t =2 i T

t 1

YT 1 )
2

(Y
t =2

(2.32)

t 1i

YT 1 )

O YT est la valeur moyenne de la srie Yt de la priode 1 la priode T et YT 1 est la valeur moyenne de la priode 2 la priode T-1. Lquation (2.31) implique
YT = + YT 1 + T

(2.33)

Soustrayions (2.33) de (2.31) on obtient

(Yt YT ) = (Yt 1 YT 1 ) + ( t T )

(2.34)

Substituant lquation (2.33) dans (2.32) on obtient


(Y
t =2 T t 1

YT 1 ) ( t T ) Yt 1 YT 1

(Y
t =2

t 1

YT 1 )

(2.35)

En simplifiant, lquation (2.35) devient

=+

(Y
t =2 T t =2

t 1

YT 1 ) t YT 1 )
2

(Y

(2.36)

t 1

Donc
T (Yt 1 YT 1 ) t 2 E ( ) = + E t =T 2 Y Y ( t 1 T 1 ) t =2

(2.37)

T (Yt 1 YT 1 ) t est Il ny a pas de biais E ( ) = , il y aura un biais si le terme E t =T2 2 Y Y ( t 1 T 1 ) t =2

diffrent de zro.

E ( (Yt 1 YT 1 )t = E (Yt 1t ) E (YT 1t )


t =0 t =2 t =2

(2.38)

Lesprance du premier terme est gal zro, mais lesprance du second terme est diffrent de zro. En effet si Yt est une marche alatoire, alors ce mme Yt peut tre exprim comme accumulation des chocs. En dautres termes si

Yt = Yt 1 + t
Yt = Y0 + t
t =1 t

(2.39)

Dans le premier terme de lquation(2.36) il n y a pas de corrlation entre Yt-1 et t ; donc le premier terme est zro. Ce nest pas le cas du deuxime terme. Pour voir cela, dveloppons ce dernier terme :
E ( YT 1 t ) = E (YT 12 + YT 13 + .. + YT 1T )
t =2 T

Or YT 1 contient 2 , 3 , etc . Donc ce dernier terme est diffrent de zro. Donc

est biais et ce biais, comme on peut le voir, est ngatif. Ce qui veut dire que ce
sera en moyenne infrieur lunit. En utilisant la t statistique pour tester H0

( = 1) contre H1 ( < 1), on a tendance rejeter H0.

2.5.2 Quelques exemples de rgression spurious (rgression non sens ) 1. le taux de mortalit en Egypte(Y) de 1971 1990, donnes annuelles, sur revenu agrg des fermiers Amricains(I) et offre de monnaie en Espagne (M).
Yt = 179, 9 0,2952I 60, 432M (16,70) (-2,32) (-4,26) R 2 = 0, 918 DW 0,4752 F =95,17

2. Indice des exportations Amricaines (Y), 1960-1990. Donnes annuelles sur esprance de vie en Australie dans la population Male
Yt = 2943 + 45, 7974X (-16,70) (17,76) R 2 = 0, 916 DW=0,3599 F=315,2

3. Dpenses militaires Amricaines (Y), 1971-1990, Donnes annuelles, sur Population en Afrique du sud (X)
Yt = 368, 99 + 0, 0179X (-11,34) (16,75) R 2 = 0, 94 DW 0,4069 F =80,69

4. taux de criminalit aux USA(Y) 1971-1991, sur exportations Marocaines(X), donnes annuelles.
Yt = 24569 + 628, 9X (-6,03) (9,04) R 2 = 0, 811 DW 0,5061 F =81,72

5. Population dAfrique du Sud (Y), 1971-1990, Donnes annuelles, sur Dpenses en R&D au Japon(X).
Yt = 21698, 7 + 111, 58X (59,44) (26,40) R 2 = 0, 974 DW 0,3037 F =96,96

2.6 Thorie asymptotique et le modle de rgression sous diffrentes hypothses

2.6.1 Ordre de magnitude Dfinition {an } est plus petite en ordre de magnitude que {gn } si :
n

lim

a =0 gn

On crit an = o(gn ) Dfinition : {an } est dordre {gn } et on crit an = o(gn ) si :


M / an M M gn

Exemple

t = 2 T (T + 1)
t =1

1 1 T (T + 1) T (T + 1) t T 1 1 2 = t = o(T 2 ) Car lim 2 = lim 2 2 2 t t t 2 T T 2 t =1

Exemple : Quel et lordre de magnitude de an =4+n-3n2


an 4 1 = 2 + 3 2 n n n
an a = 3 n 3 2 t n n2 lim an 4 1 3 = 3 + 2 3 n n n n an a =0 n 0 3 t n n2 lim an = o(n 3 ) an = o(n 2 )

t = 2 T (T + 1) = o(T

2 1 t = T (T + 1)(2T + 1) = o(T 3 ) 2

1 t = 2 T (T + 1) = o(T 4 )

t =

{1 T (T + 1)(2T + 1)}{1 (3T (T + 1) 1)} = o(T ) 6 6


5

Pour dmontrer ces formules, nous procdons :

Soit

t
t =1

= a1T + a2T 2 + .. + a j +1T J +1


T

T+1,2,..,j+1

j = 1 t = a1T + a2T 2
t =1

T = 1 1 = a1 + a 2 T = 2 3 = 2a1 + 4a2 a1 = 1/ 2 a = 1/ 2
T 1 1 1 j = 1 t = T + T 2 = T (T + 1) 2 2 2 t =1

2.6.2 Le modle de rgression sous diffrentes hypothses

Cas 1 1. le modle de rgression linaire Y = X + u 2. Normalit ut est normalement distribu 3. moyenne zro : E(ut) =02 4. Hmoscdasticit E(ut2) =2 5. Absence dautocorrlation : E(utus) =0 6. les variables explicatives sont non colinaires 7. X est non stochastique : Xt est non stochastique avec des valeurs fixes et tel que
1 n (Xt X )2 est une somme diffrente de zro. n t =1

Cette dernire hypothse signifie que nous considrons que les valeurs de X sont prvisibles ou du moins contrlables et que de plus les valeurs de X sont

fixes dun chantillon lautre. Lhypothse que

1 n (Xt X )2 est une somme n t =1

finie diffrente de zro, se qui signifie que les valeurs de X ne doivent pas identiques et quils ne peuvent pas croitre ou dcroitre sans une limit fixe lorsque la taille de lchantillon devient grande. Donc lhypothse 7 inclut les hypothses suivantes : a. X est non stochastique b. Les valeurs de X fixes dun chantillon lautre c.
1 n (Xt X )2 est gale un nombre fini, diffrent de zro quelque soit la n t =1

taille de lchantillon. Avec ces hypothses, on dmontre que lestimateur de et BLUE, et tous les tests dinfrence sont valides.

Cas 2 X stochastique mais indpendant de u. u :N(0, 2)


= (X T X )1 X TY = + (X T X )1 X T u E ( ) = + (X T X )1 X T E (u ) Car X est indpendant de u E ( ) = Car E(u)= 0
limV ( / X ) = 2 (X T X )1 Tous les tests dinfrence sont valides.

Cas 3 X stochastique mais non contemporainement corrl avec u :


cov(X1, u1 ) = cov(X 2 , u2 ) = .. = cov(Xn , un ) = 0

Comme illustration, considrons le modle suivant


C t = 0 + 1Yt + u1t I t = 0 + 1Yt 1 + ut
Yt = C t + IT

Fonction de Consommation Fonction dinvestissement Identit

Rsolvons pou Yt
Yt = 0 + 1Yt + u1t + 0 + 1Yt 1 + u2t Yt ( 0 + 0 ) + 1 + 1Yt 1 + u&t + u2t

Yt =

0 + 0 1 u + u2t + + 1t = + Yt 1 + vt AR(1) 1 1 1 1 1 1

Yt = (1 + + 2 + .. + t 1 ) + tY0 + vt + vt 1 + .. + t 1v1

lim =

+ vt + vt 1 + .. + t 1v1 1

Notons que dans lquation Yt = + Yt 1 + vt Yt-1 et vt sont non corrles car Yt-1 =f(Y0, v2,..,vt-1).

OLS =

y
t =1 T t =1

t 1 t

=
2 t 1

t 1

( + Yt 1 + vt )

y
t =1

yt21 + yt 1vt
t =1

2 t 1

y
t =1

2 t 1

=+

y
T t =1

t 1

2 t 1

yt 1

1 T (Y T t =1

Donc yt-1 inclut Yt et Yt nest pas indpendante de vt . Donc on ne peut pas crire E ( yt 1v ) = E ( yt 1 )E (vt )
t =1 t =1 T T

Donc est biais, cependant

P lim( ) = +

p lim(

y
T

t 1 t

T
2 t 1

P lim( t =1 T

Car que

y
t =1

t 1 t

v est un estimateur consistent de la covariance entre Yt-1 et vt , et

y
t =1

2 t 1

est un estimateur consistent de la variance de Yt-1.

On peut aussi dmontrer que lestimateur de et aussi consistent. On peut aussi dmontrer lefficience asymptotique et la normalit asymptotique des estimateurs et . La conclusion est donc que si les variables explicatives et les rsidus sont contemporainement non corrles, les rsultats classiques ne tiennent quasymptotiquement.

Cas 4

X nest pas indpendant de v et X et contoporainment corrl avec v. Dans ce cas, on dmontre que :
P lim( ) P lim()

Dans ce cas, les estimateurs ne sont mme pas consistent. Lexplication est que la mthode des moindres carres ordinaire est calibre de telle sorte que lon puisse sparer le TSS(variance totale) en ESS( Variance explique) et RSS (variance rsiduelle) ; la partie due aux variables explicatives et lautre aux rsidus. Mais si les variables explicatives sont corrles contomporainement aux rsidus, cette division nest plus valide puisquelle ne permet plus de prendre en compte leffet joint de v et X.

Considrons la fonction de demande :


Qt = + Pt + u1t (>0 < 0)

La fonction doffre :
Qt = + Pt + u2t ( >0, >0)

O les rsidus sont non corrls et que :


u1t v = u N (0; ) 2t

Ou =

11 21

12 22

Le modle crit sous la forme suivante


BYt + Xt = ut Yt = B 1Xt + B 1ut = Xt + vt Qt Pt = u1t Qt Pt = u2t

1 - Qt u1t 1 - P = u2t BYt Xt = ut t

B 1 =

1 1 1 -1

Yt = B 1Xt + B 1ut =

+ 1 1

-1

u1t 1 u2t

u2t u1t Qt = + u2t u1t Pt

Qt =

u2t u1t + u2t u1t Pt = +

u u1t 2 u1t = Ccov(Pt ,u1t ) = E(Pt -E(Pt ))(u1t -E(u1t ))= E 2t

OLS sur la fonction de demande

pq pt2

t t

p ( p
t

+ u1t ) =+

pu p

t 1t 2 t

pt2

pt = Pt P =

(u2t u2 ) (u1t u1 )

d d u2t u1t

pq p
2 t

t t

=+

pu p

t 1t 2 t

1 (u2dt u1dt ) u1t =+ 2 1 (u2dt u1dt )


2

=+

2 ( )T 1 =+ 2 2 T 1 + T 2 (u d )2 (u d )2 2(u d )(u d ) 1t 2t 1t 2t

d ( ) (u1t )

Donc E ( ) = P lim 2 T ( ) 1 ) = + P lim( =+ 2 P lim( ) 2 2 2 T 1 + T 2T 1 + 2 P lim

X stochastique et indpendant de u
1 T p ( X X ) Q T Dans ce cas est encore sans biais mais les tests dinfrence ne sont plus valides. X

stochastique et indpendant de u
1 T p ( X X ) Q T Dans ce cas est encore sans biais mais les tests dinfrence ne sont plus valides.

Pour les justifier, nous devons faire appel aux rsultats asymptotiques.
= ( X T X ) 1 ( X T X ) = + ( X T X )1 X T u 1 1 = ( X T X ) 1 X T u = X T X X T u T T
1

1 T p 1 T X X Q 1 T P T X u 0

: Donc
p 0

inconsistent

Quelle est maintenant la distribution asymptotique de ?

Thorme si u u (0, 2 ) et si les lments de X sont uniformement borns et si


1 T p ( X X ) Q alors T 1 T D X u AN (0, 2Q) T

1 = XT X T

1 T X u T

1 T ( ) = X T X T

1 XTu T

1 T X X T

1
P Q 1

1 D X T u N (0; 2Q ) T

Thorme : si(Xn , Yn)sont deux paires de squences de VA, et si


P lim(X n ) = c

Alors

D Yn f (y ) D X nYn f (cY )

D D Donc siYn N (0; 2 ) , alors XnYn f (c ; c 2 2 )

Donc ici : = X T X X T u
1 T ( ) = X T X T 1 T X X T
1 1

1 T

1 T

1 XTu T

1 D X T u N (0;Q 1 2QQ 1 ) T
1

Q D D ) T ( ) N (0; 2Q 1 ) N (; 2 T

Q=

1 T (X X ) asym var( ) = 2 (X T X )1 T

Cas 6 Estimation dun processus AR


Yt = Yt 1 + ut E (ut ) = 0

<1
E(u tus ) = 0 t s

E(u2 ) = 2 t

YY
t t =1 T t =1

t 1

Yt21

=+

Y
t =1 T t =1

t 1 t 2 t 1

Yt1ut
t =1 T

Y
t =1

E ( )2 = Var () =

V ar(Yt 1ut ) Var (Yt 2 1 )


t =1 t =1 T

2 t 1

Var (Yt 1ut ) = E (Yt 1ut )2 = E (Y0u1 + Y1u2 + .. + YT 1uT )2


t =1 n t =1

Var (Yt 1ut ) = E (Y02 )E (u1 )2 + E (Y12 )E (u2 )2 + .. + E (Yn21 )E (un )2


t =1

Var (Yt 1ut ) = 2 E (Yt 2 1 )


t =1 t =1

Nous devons valuer

Y
t =1

2 t 1

Yt = Yt 1 + ut Yt 2 = 2Yt 2 1 + ut2 + 2Yt 1ut

Yt2 = 2 Yt21 + ut2 + 2Yt1ut


t =1 t =1 t =1 t =1

Mais

Y
t =1

= Y12 + Y22 + .. + YT2

Yt21 = Y02 +Y12 .. + YT21 Yt21 Y0 =Y12 .. + YT21


t =1 t =1

Yt21 Y0 + YT =Y12 .. + YT21 + YT2 = Yt2


t =1

Yt2 = Yt21 (Y02 YT2 )


t =1 t =1

Puisque

Yt2 = 2 Yt21 + ut2 + 2Yt1ut


t =1 T t =1 t =1 2 t =1

Y
t =1

2 t 1

(Y Y ) =

2 0

2 T

Y
t =1

2 t 1

+ u + 2 Yt 1ut
2 t t =1 t =1

(1 2 ) Yt2 1 = (Y02 YT2 ) +


t =1 t =1

u2 + 2 Yt 1ut t
t =1

Y
t =1

2 t 1

(Y02 YT2 + t =1 2 + (1 2 ) (1 )

2 t

2 Yt 1ut
t =1

(1 2 )

Y
t =1

2 t _1

T 2 T ut 2 Yt 1ut (Y02 YT2 ) t =1 =E t =1 + E (1 2 ) + E (1 2 ) (1 2 )

T 2Yt 1ut = 2 E Y E (ut ) = 0 (1 2 ) (1 2 ) t 1 t =1

T 2 ut T 2 E t =1 2 = (1 ) (1 2 ) (Y02 YT2 Nous devons donc valuer E (1 2 )

Y0 est fixe, nous devons donc prendre lesprance mathmatique de Yn conditionnellement Y0.
YT2 = 2TY02 + (uT + uT 1 + .. + T 1u1 )(uT + uT 1 + .. + T 1u1 ) + 2TY0 uT 1
i =1 T 1

2 2 2 E (YT2 /Y0 ) = 2T E (Y0 )2 + E (uT + 2uT 1 + 4ut42 + .. + 2T 2u1 )

E (YT2 /Y0 ) = 2T E (Y0 )2 + (1 + 2 + 4 + .. + 2T 2 ) 2

Mais
E (Y02 ) = 0 =

2 2 2 2 E (YT2 /Y0 ) = 2T + = E (YT2 ) 2 2 2 2 1 1 1 1

Y 2 YT2 = 1 E (Y 2 ) 1 E (Y 2 ) E 0 T 2 0 1 2 1 1 2 Y 2 YT2 1 2 1 2 E 0 1 2T = 1 2 1 2 1 2 1 2 1 2

Y 2 YT2 2 2 22T = E 0 1 2 (1 2 )2 (1 2 )2 (1 2 )2
Y02 YT2 = 0 car 2T est ngligeable si < 1 E 1 2 )

En rsum :
T T T 4 Var Yt 1ut = 2E Yt 1 = = 0(T ) ce qui dpend de T. t =1 t =1 1 2

On peut dmontrer queVar Yt 2 1ut =


t =1 T Var Yt 1T ut t =1 Var (Yt 2 1 )
t =1

T 4 = 0(T 2 ) (1 2 )2

E ( ) = Var () =
2

1 2 T

Ce qui dpend de T. nous devons donc normaliser dnominateur et numrateur. Var(numrateur) =0(T)

Var(dnominateur) = 0(T2 )
1 AN (0; ) T ( ) AN (0;(1 2 ) T
2

On doit donc normaliser numrateur et dnominateur :


1 T T ( ) = 1 T

Y
t =1 n t =1

t 1 t 2 t 1

Maintenant si = 1 alors n ( ) AN (0; 0) ce qui reprsente une distribution dgnre. On peut donc faire des tests dinfrences sur .

Pour voir le pourquoi de la normalisation se fait par T quand = 1 considrons le modle suivant
Yt = Yt 1 + ut

=1

Y0 = 0
ut N (0; 2 )

YY
t =1 T

t Tt 1

Y
t =1 T

Y
t =1

t 1

(Yt 1 + ut ) =
2 t 1

Y
t =1 T t =1

t 1 t 2 t 1

2 t 1

Y
t =1

1 =

Y
t =1 T t =1

t 1 t 2 t 1

Considrons le numrateur :
YT = TY0 + iuT i
i =0 T 1

Yt = u1 + u2 + .. + ut
Yt N (0; t 2 ) Yt = Yt 1 + ut

1 Yt 2 = Yt 2 1 + ut2 + 2Yt 1ut Yt 1ut = (Yt 2 Yt 2 1 ut2 ) 2


T T 1 T 2 Yt Yt 2 1 ut2 Yt1ut = 2 t =1 t =1 t =1 t =1 T

Y u
t =1 T

t t

1 2 2 2 2 2 2 2 2 2 Y1 + Y2 + .. + YT Y0 Y1 .. Yt 1 u1 + u2 + .. + uT 2
T T 1 2 1 1 T YT ut2 Yt 1ut = YT2 ut2 2 2 2 t =1 t =1 t =1

Yt1ut =
t =1

Divisons chaque cot de lquation par 2


1 2 1 YT 1 Yt1ut = 2 2 2 t =1
T 2

u
t =&

2 t

Mais Yt N (0, t 2 ) O
T

Yt Y2 N (0;1) t2 2 (1) t t

YT2 2 (1) 2T

1 1 T 1 Yt 2 1ut = YT2 ut2 T 2 2 2 t =1 t =1


YT2 1 2 (1) 2 YT2 2 (1) 2 2 T T

Yt1ut =
t =1

1 1 YT2 2 2 2 T 2 T

u
t =&

2 t

1 T

1 u 2 2T t =1
2 t D 2

1 1 u 2 2 2T t =1
2 t P

Y
t =1

t 1 t

1 D u 2 (1) 1 2

Don on voit que pour obtenir une distribution convergente, le numrateur doit tre divis par T. voyons maintenant le dnominateur :

Yt 1 N (0; 2 (t 1) Var (Yt 1 ) = E (Yt 1 E (Yt 1 ))2 = E (Yt 1 )2 = 2 (t 1)

Considrons la moyenne de

Y
t =1

2 t 1

T T (T 1) E YT21 = 2 = 0(T 2 ) t =& 2


T T T E Yt 2 1 = E (Yt 2 1 ) = 2 (t 1) = 2 (1 + 2 + 3 + .. + (T 1)) t =1 t =& t =1

Donc pour construire une distribution convergente, le dnominateur doit tre divis par T2.

1 T Yt1ut 1) = T t =1 T ( 1 T 2 Yt1 T 2 t =1

Yt = Yt 1 + ut

=1
T 1 Var Yt 1ut = T (T 1) 4 = 0(T 2 ) t =1 2 1 Var Yt 2 1 = T (T 1)(T 2 T + 1) = 0(T 4 ) 3

<1
T 4 Var Yt 1ut = = 0(T ) 1 2
2 4 Y 2 = T = 0(T 2 ) Var t 1 1 2

2.7 Tests de racine unitaire

Le tests de racines unitaire sont importants puisque et comme in la vu, lexistence dune racine unitaire constitue une source potentielle de rgression spurious.

2.7.1 Dickey-Fuller(1979, 1981) considrent le processus AR(1) avec y0 fix et constitue une squence IID de variables alatoires tel que :
yt = yt 1 + ut

(2.40)

On dsire tester lhypothse H 0 : = 1 contre H 1 : < 1 notons que le test a une racine unitaire comme hypothse nulle et absence de racine unitaire comme hypothse alternative. Sous H0 ; Yt est non stationnaire (marche alatoire sans

drift) et sous H1, Yt est un processus AR(1) stationnaire. Le test statistique considr ici est le t statistique pour = 1 . Celui ci est automatiquement donn si on estime la reparametrisation de (2.40) obtenue en soustrayant Yt-1 des deux cots de lquation. Ceci nous donne :
yt = yt yt 1 = yt 1 + et

(2.41)

O = 1 . Donc nous sommes maintenant intresss au test H 0 : = 0 contre


H 1 : < 0 ; le t statistique pour = 0 dans(2.40) est identique au t statistique

pour = 1 dans (2.41). on peut donc utiliser soit lquation (2.40) soit lquation (2.41) pour tester de lexistence dune racine unitaire. Dnotons ce t statistique par . Les tests de racine unitaire ne seront pas bass sur les t statistiques standards et les valeurs critiques sont obtenues par simulations. Les valeurs critiques asymptotiques de sont donns par Fuller(1976, page 373), table 8.2. En pratique, nous ne pouvons pas utiliser ce test dune manire isole, car les valeurs critiques sont drives sous certaines hypothses sur et, labsence de drift et labsence de trend. La distribution limite du test statistique et les valeurs critiques dpendent donc de. : - la prsence ou labsence de composantes dterministes( constance(intercept, changements de structures, trend, etc..) - les proprits statistiques du terme de lerreur.

Nous considrons donc ce qui suit comme contournement de non invariance du test de Dicket-Fuller la prsence des termes dterministes. Nous considrons plus tard le problme o les erreurs sont corrles. Considrons les trois modles suivants :
yt = yt 1 + et t=1,2,..

(2.42) (2.43) (2.44)

yt = yt 1 + + et t=1,2,..
yt = yt 1 + + t + et t=1,2,..

O on continue supposer que et est IID. Si <1 en valeur absolue - si les donnes sont gnres par (2.42), alors yt est un processus stationnaire AR(1) de moyenne zro. - Si les donnes sont gnres par(2.43), alors yt est un processus stationnaire de moyenne /(1 ) . - Si les donnes sont gnres par (2.44), alors yt est un processus stationnaire AR(1) autour dun trend linaire si est diffrent de zro.

Si =1 - si les donnes sont gnres par(2.42) avec gale lunit, alors yt est intgr dordre un, cest donc une marche alatoire avec drift.

- Si les donnes sont gnres par (2.43) avec gale lunit et diffrent de zro, alors yt est intgr dordre un, cest donc une marche alatoire avec drift. - Si les donnes sont gnres par(2.44) avec gale lunit et et diffrents de zro, alors yt est intgr dordre un, cest donc une marche alatoire autour dun trend non linaire. On peut choisir plusieurs combinaisons alternatives destimation ? On peut estimer soit lquation (2.42) soit lquation (2.43) soit lquation(2.44). Quelque soit la valeur de , la vraie valeur de et de dans (2.44) sera compatible avec les quatre alternatives suivantes :
(I ) (II ) (III ) (IV) =0 =0 0 0 =0 0 = 0) 0

Dickey-Fuller(1979) ont driv une disrtibution limite pour le t-statistique sous


H 0 ( = 1) o (2.42) (2.44) sont chaque fois les quations estimes, et/ou dans

chaque cas, on fait lhypothse que le modle (2.42) est le modle correct. Quand (2.42) estime, on dnote le t statistique pour = 1 par () , quand (2.43) est estime, on dnote le t statistique par () et enfin quand (2.44) est estime, on dnote le t statistique par (). Les tables des valeurs critiques la page 373, table 8.5.2, Fuller(1976).

2.7.1.1 Stratgie de tests

Cas 1
H 0 : Yt = Yt 1 + t = 1 Yt = Y0 + t
t =1

H 1 : Yt = Yt 1 + t < 1 Yt = t y 0 + i t i
i =0

t 1

T ( 1)

Fuller p. 371 ou

1 Fuller p. 373 Se()

Lorsque on utilise H1 pour tester lexistence dune racine unitaire cela implique que le DGP( le processus gnrateur des donnes) est :
Yt = Y0 + t
t =1

Cequi est un AR5&) sans trend et de moyenne Y0. donc il faut inclure une constante.

Cas 2
H 0 : Yt 1 + t = 1 Yt = Y0 + t
t =0

H 1 : Yt = + Yt 1 + t < 1

yt =

t 1 + i t i 1 i =0

T ( 1) Fuller p. 371

-1 Fuller p. 373 se()

H 0 : ( ) =(0, 1) 1 =

(RSSR RSSU )/ 2 (RSSU / NDF )

Ce qui implique que 1 sous H0, Yt suit un processus trend stochastique et sous H1 , Yt suit un processus stationnaire autour de la moyenne /(1 ) . Donc ici utilisant le modle de H1 pour tester une racine unitaire ne permet pas de trend. Si comme expliqu plus haut, un des objectifs des tests de racine unitaire est de pouvoir distinguer entre un processus TS et un processus DS, alors lhypothse alternative devrait tre que la srie suit un processus TS et donc H1 devrait inclure un trend comme rgresseur additionnel. West(1987) et Perron(1988) ont analys cette situation. Ils ont prouv que le vrai processus est :
Yt = + t + ut

Alors il est asymptotiquement impossible de rejeter une racine unitaire spurious. Soit le processus DS
Yt = + Yt 1 + ut

(2.45)

. Avec = 1 Ou encore
yt = y 0 + t + e j
j =1 t

(2.46)

Soit un processus TS :
Yt = + t + et

(2.47)

Quelle est la probabilit de rejeter une racine unitaire quand (2.45) est estime mais que cest (2.47) qui dcrit le DGP ? Perron dmontre que le t statistique pour = 1 probabilit limit de zro quand (2.47) est correct. Ceci implique que pour un chantillon assez large, on est assur daccepter une racine unitaire si (2.47) dcrit les donnes. Perron prtend que utilisant(2.45), on ne peut distinguer entre un processus stationnaire dun trend linaire et un processus unitaire. Perron utilise ce rsultat pour dmontrer lutilisation de (2.44) dans lutilisation des tests de racine unitaire.

Cas 3

H 0 : + Yt 1 + t = 1

Yt = Y0 + t + t
t =& t 1

H 1 : Yt = + Yt 1 + t + t < 1 Yt = A0 + A1t + i t i
i =0 t 1 + i t i 1 i =0

yt =

T ( 1) Fuller p. 371 H : (, , ,) =(0, 0, 1) = (RSSR RSSU )/ 3 0 2 (RSSU / NDF ) -1 Fuller p. 373 (RSSR RSSU )/ 3 se() H 0 : (, ,) =(0, 1) 3 = 3 (RSSU / NDF )

Sous H0 :Yt possde une racine unitaire avec trend, et sous Ht est stationnaire autour dun trend linaire.

Supposons que nous commenons par estimer (2.44).Si et sont gales zro, alors possde la distribution de Dickey-Fuller. En fait cette distribution est invariante par rapport (donc possde les valeurs critiques pour les cas (I) et (III) quand on estime(2.44). mais si est diffrent de zro, alors quelque soit la valeur de (cas (II) et (IV) ), la distribution de est normale. Donc
si (=0, =0) ou ( 0, = 0) si (=0, 0) ou ( 0, 0) N

A moins que nous puissions dcider si est diffrent ou gal zro, on ne peut savoir quelle table critique nous devons utiliser. Donc une stratgie de test simpose pour savoir si = 0 ou pas. Estimer (2.44) si H0 : =1 est accepte mais 3 ( 0, = 0, = 1) rejete, alors le trend est significatif sous H0 dune racine unitaire et donc la normalit
1 rsulte. Dans ce cas, on utilise les valeurs asymptotique du t statistique Se()

critiques du t statistique standard (pour n=) ce rsultat suit West (1988) et arrive quand un trend stochastique et prsent mais que celui-ci est domin par un trend dterministe.

On a le mme type de problme avec les deux autres quations (2.42) et(2.43). Supposons que nous estimons (2.43) et que lon dcide dimposer cette information dans notre estimation. Le t statistique pour une racine unitaire est . le problme maintenant est que les valeurs critiques que lon doit utiliser dpendent de .
Si ( 0) N Si (=0)

Estimer (2.43) si H 0 : = 1 est accepte mais 1( = 0, = 1) est rejete, alors la constante est significative sous lhypothse nulle et la normalit asymptotique
1 suit. Dans ce cas, on utilise la table de student (n = ). du t statistique Se()

Tests de Dickey-Fuller
ut Bruit Blanc

H0
Yt = Yt 1 + ut

H1
Yt = Yt 1 + ut

D.F Tests
T ( 1) t = 1 Se()

DF Hypotheses joints

Yt = Y0 + t Yt = t + t t

Yt = Yt 1 + ut

Yt = + Yt 1 + ut

T ( 1) H 0 : ( = 0, = 1)

Yt = Y0 + t Yt =

1 1 = (RSSR SSRU / 2) + tY0 + t = Se() 1 (RSSU / NDF ) t = Se()

Yt = + Yt 1 + Yt = + t + Yt 1 T ( 1) H 0 : ( = 0, = 0, = 1) Yt = Y0 + t + Yt = A0 + t + t = 1 (RSSR SSRU / 3) 2 = Se() (RSSU / NDF ) t = H 0 : ( 0, = 0, = 1) Se() (RSSR SSRU / 2) 3 = t = (RSSU / NDF ) Se( )

Estimer yt = + yt 1 + t + t On utilise 3 ( ; ; ) = ( ;0;1)

Si on accepte (, )=(0 , 1 mais avec drift(=0 ou 0)


Pour sassurer que =1 Tester =1 en utilisant
On sait que (, )=(0, 1) Tester le drift en utilisant

Si rejet on suppose 0 et on teste =1 en utilisant

1 ( , , ) = (0, 0,1)

Si acceptation 0 1 liminer

Si rejet 0 =1 liminer

Rejet alors marche alatoire avec drift

Acceptation : marche alatoire sans drift

On suppose =0et on teste 1 utilisant


Si acceptation =0

Pas de racine unitaire et on utilise les tests standards

Pour sassurer on estime yt = + yt 1 + t et on utilise

1 = ( , ) = (0,1)
Si rejet on suppose que 0 et =1et on utilise Si acceptation On estime

Tester =0 utilisant

1 liminer

les tests standards

yt = yt 1 + t

Conclusion
=1, 0
Si acceptation =0

Si rejet 0 Si acceptation On suppose =0 et on teste =1 en utilisant

Si rejet Pas de racine Unitaire Si acceptation Conclusion

Test =1utilisant

Tester =0

Tester =0

1 = ( , , ) = (0, 0,1)

Si acceptation

=0

Si rejet0

Si acceptation =0

Si rejet 0

Si acceptation Conclusion

( , , ) = ( , 0,1)

Si rejet pas de racine unitaire =0 =0

Conclusion =0 , =0,<1 pas de racine unitaire pas de trend pas de constante

Conclusion =0 , 0,<1 pas de racine unitaire pas de trend mais constante

Conclusion =0, =0,<1 pas de racine unitaire trend pas de constante

Conclusion 0 , 0,<1 pas de racine unitaire trend et constante

Exemple 1
T = 168 H 0 : Yt = Yt 1 + ut R = 0, 9969Rt 1 Se (0,010592) T( -1)=168(0,69-1)=-0,51 H1 : Yt = Yt 1 + ut

T= 168

=5% valeur critiqur = -7,9

puisque -0,51 > -7,9 on accepte H 0


Utilisant le t test = -1 0, 9969 1 = = 0,29 Se() 0, 010592 la valeur critique = -1,95 Puisque -0,29>-1,95 on accepte H 0

Exemple 2

T = 168

H 0 : Yt = Yt 1 + ut R = 0,211 + 0, 96691Rt 1 Se (0,112) (0,0191133)

H1 : Yt = + Yt 1 + ut =5% valeur critique = -13,7

T( -1)=168(0,96691-1)=-5,55

puisque -5,55 > -13,7 on accepte H 0

Utilisant le t test =

-1 0, 96691 1 = = 1, 73 Se() 0, 0191133 la valeur critique = -2,89 Puisque -1,73>-2,89 on accepte H 0

Exemple 3
T = 168 H 0 : Yt = Yt 1 + ut RSSR=0,065966

H1 : Yt = + Yt 1 + ut RSSU =0,056448 R = 27, 24 + 0, 02753t + 0, 96252Rt 1 =5% NDF =165 1 = ((RSSR SSRU / 3)/(RSSU / NDF )) = 9,27 la valeur critique =4,88 Puisque 9,27>4,88 Rejet de H 0

Si on veut utiliser 3 : Yt = + Yt 1 + ut NDF =165 3 = RSSR = 0,063211 RSSU = 0,056448 Yt = + t + Yt 1 + ut = 5%

(RSSR RRSU )/ 2 = 6, 40 RSSU / NDF Valeur critique = 6,49 6,40<6,49 accepte H 0

2.7.1.2 Applications Pour les utilisateurs du logiciel WinRats il es recommand dutiliser la procdure UNITROOT.SRC afin de faire des tests de racine unitaire. Cette procdure peut tre tlcharger partir de ladresse suivant http://www.estima.com/

Application 1

Srie ICI : 1950 :1-1999 :1 Sou(noecho)c:\winrats\unitroot.src Call 1950 1 1 All 0 1999 :1 Open data c:\winrats\database.rat

Data(org=obs,format=rats) / ici Print(dates) / ici

ENTRY 1950:01 1951:01 1952:01 1953:01 1954:01 1955:01 1956:01 1957:01 1958:01 1959:01 1960:01 1961:01

ICI 289 285 289 286 288 287 288 292 291 291 292 296

1962:01 1963:01 1964:01 1965:01 1966:01 1967:01 1968:01 1969:01 1970:01 1971:01 1972:01 1973:01 1974:01 1975:01 1976:01 1977:01 1978:01 1979:01 1980:01 1981:01 1982:01 1983:01

297 301 304 304 303 307 299 296 293 301 293 301 295 284 286 286 287 284 282 278 281 278

1984:01 1985:01 1986:01 1987:01 1988:01 1989:01 1990:01 1991:01 1992:01 1993:01 1994:01 1995:01 1996:01 1997:01 1998:01 1999:01

277 279 278 270 268 272 273 279 279 280 275 271 277 278 279 283

Graph(header=ici) 1 #ici @unitroot(regress=all) ici

= 0, 05

t 3

t t t 1

t t t

2,028 97 Valeur critique REJEt/ACC EPT -3,50

2,061 52

1,389 15

2,028 97

1,436 27

1,053 17

1,436 27

0,255 36

6,73

5,13

-1,645 -2,93

4,86

-1,645 -1 ?95

Accep Accep Accep Rejet te te te

Accep Accep Accep Accep te te te te

Srie ICI : EVIDENCE : Marche alatoire sans drift

Application 2

Srie invest 1961 :1 1982 :4 Source(noecho) unitroot.src Call 1960 1 4 ALL 0 1982 :4 Open data database.rat Data(format=rats) / invest Print(dates) / invest

ENTRY 1960:01

INVEST 180

1960:02 1960:03 1960:04 1961:01 1961:02 1961:03 1961:04 1962:01 1962:02 1962:03 1962:04 1963:01 1963:02 1963:03 1963:04 1964:01 1964:02 1964:03 1964:04 1965:01 1965:02 1965:03

179 185 192 211 202 207 214 231 229 234 237 206 250 259 263 264 280 282 292 286 302 304

1965:04 1966:01 1966:02 1966:03 1966:04 1967:01 1967:02 1967:03 1967:04 1968:01 1968:02 1968:03 1968:04 1969:01 1969:02 1969:03 1969:04 1970:01 1970:02 1970:03 1970:04 1971:01

307 317 314 306 304 292 275 273 301 280 289 303 322 315 339 364 371 375 432 453 460 475

1971:02 1971:03 1971:04 1972:01 1972:02 1972:03 1972:04 1973:01 1973:02 1973:03 1973:04 1974:01 1974:02 1974:03 1974:04 1975:01 1975:02 1975:03 1975:04 1976:01 1976:02 1976:03

496 494 498 526 519 516 531 573 551 538 532 558 524 525 519 526 510 519 538 540 570 559

1976:04 1977:01 1977:02 1977:03 1977:04 1978:01 1978:02 1978:03 1978:04 1979:01 1979:02 1979:03 1979:04 1980:01 1980:02 1980:03 1980:04 1981:01 1981:02 1981:03 1981:04 1982:01

584 611 597 603 619 635 658 675 700 692 759 782 816 844 830 853 852 833 860 870 830 801

1982:02 1982:03 1982:04

824 831 830

Graph(header=invest) 1 #invest @unitroot(regress=all) invest

= 0, 05

t 3

t t t 1

t t t

1,947

2,119 13

6,044 00

1 ,947

0,173 81

6,720 37

0,173 81

3,404 29

83 Valeur critique REJEt/ACC EPT Accep Accep Rejet te t -3,50 6,73 5,13

83 -1,645 -2,93 4,86 -1,645 -1 ,95

Rejet

Accep Rejet t

Accep Accep t t

Application 3

Srie vst : 1940 :1-1960 12 Sou(noecho) c:\winrats\unitroot.src Call 1940 1 12 All 0 1960:12 Open data c:\winrats\database.rat Data(org=obs,format=rats) / vst Print(dates) / vst

ENTRY 1940:01 1940:02 1940:03 1940:04 1940:05 1940:06 1940:07 1940:08 1940:09 1940:10 1940:11 1940:12 1941:01 1941:02 1941:03 1941:04 1941:05 1941:06 1941:07 1941:08 1941:09

VST 71.34 112.98 159.99 137.59 107.10 109.57 98.66 99.41 101.79 93.79 92.75 109.01 98.34 93.36 82.01 103.05 113.47 111.10 103.72 103.12 113.51

1941:10 1941:11 1941:12 1942:01 1942:02 1942:03 1942:04 1942:05 1942:06 1942:07 1942:08 1942:09 1942:10 1942:11 1942:12 1943:01 1943:02 1943:03 1943:04 1943:05 1943:06 1943:07

107.10 111.33 109.10 109.09 107.64 128.19 92.22 78.46 91.80 94.87 81.75 76.60 71.89 90.08 100.22 102.62 99.14 91.01 92.81 82.01 108.27 69.87

1943:08 1943:09 1943:10 1943:11 1943:12 1944:01 1944:02 1944:03 1944:04 1944:05 1944:06 1944:07 1944:08 1944:09 1944:10 1944:11 1944:12 1945:01 1945:02 1945:03 1945:04 1945:05

83.59 90.08 80.63 73.17 84.47 102.65 77.25 79.52 118.00 64.06 86.46 87.17 87.34 79.76 69.07 73.67 104.87 81.47 71.59 85.68 87.98 92.86

1945:06 1945:07 1945:08 1945:09 1945:10 1945:11 1945:12 1946:01 1946:02 1946:03 1946:04 1946:05 1946:06 1946:07 1946:08 1946:09 1946:10 1946:11 1946:12 1947:01 1947:02 1947:03

101.75 86.62 71.57 78.99 80.28 96.33 99.62 73.87 98.15 85.04 75.68 73.08 87.06 83.52 98.00 88.53 72.74 110.55 107.08 91.91 98.58 72.76

1947:04 1947:05 1947:06 1947:07 1947:08 1947:09 1947:10 1947:11 1947:12 1948:01 1948:02 1948:03 1948:04 1948:05 1948:06 1948:07 1948:08 1948:09 1948:10 1948:11 1948:12 1949:01

81.61 100.59 101.81 82.78 64.90 88.25 89.21 90.31 81.27 73.38 88.03 82.69 99.04 78.19 69.06 105.66 81.89 96.04 96.74 84.84 83.44 82.12

1949:02 1949:03 1949:04 1949:05 1949:06 1949:07 1949:08 1949:09 1949:10 1949:11 1949:12 1950:01 1950:02 1950:03 1950:04 1950:05 1950:06 1950:07 1950:08 1950:09 1950:10 1950:11

67.84 69.05 84.66 67.51 79.12 85.46 94.90 89.00 99.09 123.38 98.40 72.85 82.60 78.84 77.66 90.77 69.23 69.96 66.10 65.85 74.83 74.01

1950:12 1951:01 1951:02 1951:03 1951:04 1951:05 1951:06 1951:07 1951:08 1951:09 1951:10 1951:11 1951:12 1952:01 1952:02 1952:03 1952:04 1952:05 1952:06 1952:07 1952:08 1952:09

89.54 86.05 75.48 73.42 82.89 76.64 85.23 79.09 77.99 74.37 90.52 90.41 101.40 72.33 86.91 127.50 172.80 236.60 203.10 128.00 121.20 131.20

1952:10 1952:11 1952:12 1953:01 1953:02 1953:03 1953:04 1953:05 1953:06 1953:07 1953:08 1953:09 1953:10 1953:11 1953:12 1954:01 1954:02 1954:03 1954:04 1954:05 1954:06 1954:07

171.00 77.96 81.47 91.88 93.61 71.50 75.45 128.10 116.10 83.13 69.64 57.66 70.56 90.66 70.84 57.46 62.11 69.25 91.92 84.11 74.41 101.36

1954:08 1954:09 1954:10 1954:11 1954:12 1955:01 1955:02 1955:03 1955:04 1955:05 1955:06 1955:07 1955:08 1955:09 1955:10 1955:11 1955:12 1956:01 1956:02 1956:03 1956:04 1956:05

77.98 110.58 137.42 88.79 107.76 119.97 92.03 120.64 76.38 86.25 100.20 88.88 78.95 73.63 89.36 92.40 76.40 82.95 46.36 76.84 94.27 87.02

1956:06 1956:07 1956:08 1956:09 1956:10 1956:11 1956:12 1957:01 1957:02 1957:03 1957:04 1957:05 1957:06 1957:07 1957:08 1957:09 1957:10 1957:11 1957:12 1958:01 1958:02 1958:03

92.19 87.59 82.93 99.74 149.54 186.90 81.02 92.26 91.62 92.76 83.90 30.00 95.20 91.89 107.36 96.81 84.73 101.25 110.80 88.58 83.62 55.61

1958:04 1958:05 1958:06 1958:07 1958:08 1958:09 1958:10 1958:11 1958:12 1959:01 1959:02 1959:03 1959:04 1959:05 1959:06 1959:07 1959:08 1959:09 1959:10 1959:11 1959:12 1960:01

69.79 73.94 81.53 83.14 69.73 83.24 89.62 169.08 76.52 95.47 86.30 75.86 75.58 95.30 81.25 88.70 96.58 81.00 81.14 80.24 78.71 80.84

1960:02 1960:03 1960:04 1960:05 1960:06 1960:07 1960:08 1960:09 1960:10 1960:11 1960:12

95.06 89.49 169.08 139.63 93.72 101.25 55.55 46.70 70.10 77.07 80.26

Graph(header=vst) 1 #vst

@unitroot(noprint,regress=all) VST /

= 0, 05

t 3

t t t 1

t t t

39,402

26,268 36 4,75

39,21 03 4,63

8,875 16 Valeur -3,43 6,34

8,875 8,855 -2,88

8,855 1,944 -

critique REJEt/ACC EPT Rejet Rejet Rejet

1,645 Rejet Rejet Rejet

1,645 1 ,95 Rejet Acce pt

Serie VST: EVIDENCE Pas de Racine Unitaire

2.8 Tests Alternatifs au Dickey-Fuller

Dans les tests de DF, les erreurs sont supposes tre sriellement non corrles , et homognement distribues . les extensions des tests de DF incluent SaidDickey sur les structures derreurs ARMA, Philps-Perron sur les erreurs dpendant et homognes et enfin les tests ADF(Augmented Dickey-Fuller).

2.8.1 le test ADF Jusquici, nous avons fait lhypothse que les erreurs sont IID. Si cette hypothse nest pas correcte, alors les distributions et les valeurs critiques de Dickey-Fuller sont incorrectes.

Cependant, Dickey-Fuller(1981) montrent que leurs statistiques restent correctes mme quand les erreurs sont autorgressives ssi la rgression augmente est estime do le terme Augmented Dickey-Fuller(ADF). Supposons que les donnes soient gnre par un processus AR(P) tel que
Yt = 1Yt 1 + 2Yt 2 + .. + pYt p + ut

Avec ut N (0, 2 )

On peut rcrire le processus AR(P) en utilisant loprateur retard :

(1 1L 2L2 ... pLp )Yt

= ut

On peut aussi rcrire le processus AR(P) dune autre manire. Pour cela, dfinissons :

= 1 + 2 + .. + p et j = j +1 + j +2 + .. + p

j=1,2,...,p-1

(1 L ) (1L + 2L2 + .. + P 1Lp1 )


= 1 L 1L 2L2 .. p1Lp1 + 1L2 + 2L3 + .. + p1Lp = 1 L 1L + 1L2 2L2 + 2L3 3L3 + 3L4 .. p1Lp1 = p1LP = 1 ( + 1 )L (2 1 )L2 (3 2 )L3 ... (p1 p2 )Lp1 (p1 )Lp = 1 (1 + 2 + .. + p ) (2 + 3 + .. + p L (3 + 4 + ..p ) + (2 + 3 + .. = p ) L2 ... (p ) + (p1 p ) Lp .. (p )Lp

Donc le processus

(1 1L 2L2 ... pLp )Yt


Peut se rcrire :

= ut

(1 L) (1L + 2L2 + .. + p1Lp1 )(1_ L)Yt = ut Yt = Yt 1 + 1Yt 2 + 2Yt 2 + .. + p1Yt p1 + ut

(2.48)

Lquation (2.48) fait rfrence la forme canonique de sims-Watson(1990). Dans cette forme, seule Yt I(1), tous les autres termes sont I(0). Soit donc
Yt = 1Yt 1 + .. + pYt p + ut

On estime
Yt = Yt 1 + 1Yt 1 + 2Yt 2 + ... + p1Yt p1 + ut p1 = p Puisque j = j +1 + j +2 + .. + p , alors j 1 = j + j +2 + .. + p

j j 1 = j j = j j 1

j=1,2,..,p-1

Puisque 1 = 2 + 3 + .. + p et = 1 + 2 + .. + p alors 1 = + 1 et les j cont des combinaisons linaires des j . Les tests de racine unitaire se font sur

avec suffisamment de termes pour blanchir les rsidus.

ut seriallement corrle

H0

H1

ADF Test
T ( 1) 1 i t =

Y =Y1 + i ti +ut Y = t1 + i ti +ut Y Y Y t t t i =1 ,..,p1 ,2 i =1 ,..,p1 ,2

1 Se()
H 0 : ( = 0, = 1) 1 = (RSSR RSSU )/ 2 (RSSU )/ NDF

Y =Y1 + i ti +ut Y =+ t1 + i ti +ut Y Y Y t t t i =1 ,..,p1 ,2 i =1 ,..,p1 ,2

T ( 1) 1 i t =

1 Se() t = Se()

Y =Y1 + i ti +ut Y =+t + t1 + i ti +u Y Y Y t t t i =1 ,..,p1 ,2 i =1 ,..,p1 ,2

T ( 1) 1 i t =

H 0 : ( = 0, = 0, = 1) 2 = (RSSR RSSU )/ 3 (RSSU )/ NDF

1 Se() H 0 : ( 0, = 0, = 1) t = Se() (RSSR RSSU )/ 2 3 = (RSSU )/ NDF ( ) t = Se( )