CH 4

CHAPITRE IV
Tests de Racine Unitaire

Michel LUBRANO
Septembre 2005
Contents
1 Introduction 2
2 Formalisation du Probl` eme 3
2.1 Composante d eterministe et composante stochastique . . . . . . . . . . . . . . . . 3
2.2 Un mod` ele g en eral pour les tests . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Tests de Dickey-Fuller 5
3.1 Distribution asymptotique des tests . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 La distribution des tests est fonction de TD . . . . . . . . . . . . . . . . . . . . . 7
3.3 Normalit e ou non Normalit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.4 R egression en une ou deux etapes . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4 Tests avec erreurs auto-corr el ees 12
4.1 Test de Dickey-Fuller augment e . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 S election des retards dans un test ADF . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Distribution de dans le cas non IID . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.4 Test non-param etrique de Phillips-Perron . . . . . . . . . . . . . . . . . . . . . . 15
5 Tests de lhypoth` ese de stationarit e 16
6 Ruptures de Trend et Tests de Perron 17
6.1 Mod elisation dune rupture de trend . . . . . . . . . . . . . . . . . . . . . . . . . 18
6.2 Motivation empirique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6.3 Exp erience de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.4 Test avec trend segment e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6.5 Application sur donn ees francaises . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1
1 INTRODUCTION 2
7 Saisonnalit e et Racines Unitaires 24
7.1 Mod elisation de la saisonnalit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
7.2 Test de la pr esence dune seule racine . . . . . . . . . . . . . . . . . . . . . . . . 26
7.3 Test de la pr esence de deux racines . . . . . . . . . . . . . . . . . . . . . . . . . . 27
7.4 D ecomposition de la racine saisonni` ere selon ses fr equences . . . . . . . . . . . . 30
7.5 Inuence de la p eriodicit e sur les tests ADF . . . . . . . . . . . . . . . . . . . . . 32
8 Questions Diverses 33
8.1 Autres tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
8.2 Donn ees de panel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
8.3 Tests s equentiels de la pr esence de plusieurs racines unitaires . . . . . . . . . . . . 34
8.4 Construction des tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
8.5 Int egration fractionnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
8.6 Tests Bay esiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
9 Conclusion 37
10 Lectures additionnelles 38
11 Exercices 38
11.1 Exercice 1: I(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
11.2 Exercice 2: I(1), simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
11.3 Exercice 3: ARIMA(0,1,1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
11.4 Exercice 4: test ADF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1 Introduction
Il y a plusieurs raisons, tant statistiques qu economiques pour sint eresser ` a la pr esence dune racine
dans une s erie economique et nous allons essayer de les r esumer dans cette introduction.
On a pu voir au cours du chapitre pr ec edent que la pr esence dune racine unitaire dans les
donn ees pouvait avoir des cons equences tr` es importantes sur le plan statistique. Premi` erement
les propri et es asymptotiques g en erales des estimateurs (vitesse de convergence, normalit e asymp-
totique) ne tiennent plus. Il faut avoir recours ` a une th eorie asymptotique sp eciale. Ensuite la
pr esence de r egresseurs comportant une racine unitaire dans une r egression peut conduire ` a estimer
des r egressions apparemment tr` es bonnes entre des variables qui sont totalement ind ependantes
entre elles. Cest le probl` eme des r egressions factices. Enn, une s erie trend stationnaire et une
s erie stationnaire en diff erence se comportent de mani` ere radicalement oppos ee dans le long terme.
Une s erie trend stationnaire a tendance ` a se repositionner autour de son trend d eterministe apr` es un
choc al eatoire. Cest ce que lon appelle la propri et e de mean reversion. Une s erie stationnaire
en diff erence ne revient pas autour de sa tendance a pr` es un choc, puisque le choc affecte aussi la
tendance stochastique de la s erie.
La pr esence ou labsence de la propri et e de mean reversion a conduit une partie des macro-
economistes ` a sint eresser de tr` es pr` es ` a la question des racines unitaires. On peut pr esenter trois
domaines que nous allons ensuite un peu d etailler:
- la th eorie du cycle conjoncturel et la th eorie de la croissance endog` ene avec la variable pro-
duction
2 FORMALISATION DU PROBL
`
EME 3
- la th eorie du revenu permanent avec la variable consommation
- la th eorie de lhyst er esis avec la variable ch omage
La th eorie du cycle conjoncturel implique une composante tendancielle d eterministe dans l evolution
de la production. Les uctuations cycliques naffectent pas la tendance et la politique conjoncturelle
parvient ` a stabiliser les uctuations sans changer la tendance profonde. Au contraire avec la th eorie
de la croissance endog` ene, la tendance est stochastique et les chocs (r eels ou mon etaires) ont un
impact permanent sur celle-ci. Voir par exemple King, Plosser, and Rebelo (1988).
La consommation peut etre d etermin ee par le revenu courant comme chez Keynes, ou par le revenu
permanent comme chez Friedman. Dans ce dernier cas, la consommation ne r eagit pas ` a des change-
ments transitoires du revenu, mais seulement par rapport ` a des changements du revenu anticip es de
mani` ere rationnelle. Cest le point de vue d efendu par Hall (1978). En cons equence, il nest pas
possible de pr evoir les changements dans la consommation et celle-ci suit une marche al eatoire.
Blanchard and Summers (1986) ont introduit une th eorie du march e du travail selon laquelle le
salaire est d etermin e de mani` ere ` a conserver un m eme niveau demploi pour les insiders de la rme.
Il en r esulte un comportement particulier de la s erie demploi qui au temps t est egale ` a sa valeur au
temps t 1 ` a un terme derreur pr` es. Lemploi suit donc une marche al eatoire et si loffre de travail
est constante, le taux de ch omage suit egalement une marche al eatoire. Il y a donc persistance du
ch omage do` u le terme dhyst er esis employ e par les auteurs.
Il existe donc une ensemble de raisons vari ees, tant statistiques qu economiques pour sint eresser
` a la pr esence dune racine unitaire dans une s erie. Pour mettre en evidence cette pr esence (ou son
absence) les econom` etres se sont attach es ` a mettre au point diff erents tests que nous allons examiner
dans ce chapitre. Ces tests ne sont pas tr` es puissants et d ependent fort de conditions annexes qui
tiennent ` a la forme de la composante d eterministe de la s erie et eventuellement ` a la pr esence de
saisonnalit e.
2 Formalisation du Probl` eme
2.1 Composante d eterministe et composante stochastique
Pour poser le probl` eme du test de la pr esence dune racine unitaire, il est utile de d ecomposer
une s erie en deux types de composantes: une composante d eterministe TD
t
et une composante
stochastique u
t
:
y
t
= TD
t
+u
t
(1)
Lhypoth` ese de racine unitaire concerne la partie stochastique u
t
, mais la sp ecication correcte de la
partie d eterministe est cruciale pour l etablissement des tests. En fait ce qui importe principalement,
cest lordre de cette partie d eterministe. On a lhabitude de distinguer trois cas:
- TD
t
= 0 ou pas de partie d eterministe (la partie d eterministe est o(1)).
- TD
t
= ou seulement un terme constant. On peut egalement ajouter des constantes saisonni` eres
qui sont de m eme ordre, cest ` a dire O(1).
- TD
t
= + t ou cette fois-ci une constante et un trend. TD
t
est alors O(T).
2 FORMALISATION DU PROBL
`
EME 4
On peut compliquer la description du trend de deux mani` eres. On peut tout dabord consid erer
des trends polyn omiaux de degr e sup erieur en rajoutant par exemple un trend au carr e. On peut
deuxi` emement consid erer des trends non-lin eaires qui vont changer dans le temps de mani` ere ` a
mod eliser un changement structurel exog` ene. Perron (1989) montre que dans ce cas les r esultats
des tests pr ec edents peuvent etre invers es. L etude de ce cas est donc extr emement importante et la
section 6 y sera enti` erement consacr ee.
Cest dans la partie stochastique u
t
que va pouvoir se trouver la racine unitaire. On va mod eliser
cette partie stochastique au moyen dun processus ARMA:
A(L) u
t
= B(L)
t
(2)
A cause de la pr esence du terme TD
t
, on peut supposer que la moyenne de u
t
est nulle, la moyenne
du processus etant contenue dans TD
t
. On va supposer que la partie moyenne mobile est inversible,
cest ` a dire que toutes les racines de B(L) sont en dehors du cercle unit e. De plus dans les cas que
lon va envisager par la suite, on va supposer que le polyn ome rationnel inni B
1
(L)

A(L) peut
sapproximer par un polyn ome A(L) de degr e ni et que donc il suft de consid erer un processus
auto-r egressif pour la partie stochastique donn e par:
A(L) u
t
=
t
(3)
On peut maintenant distinguer deux mod` eles alternatifs pour y
t
.
- dans le premier cas y
t
est trend stationnaire, toutes les racines de l equation caract eristique
A(z) = 0 sont en dehors du cercle unit e. Le processus de u
t
est donc stationnaire et celui de
y
t
est stationnaire autour dun trend.
- dans le deuxi` eme cas o` u y
t
est stationnaire en diff erence, A(z) = 0 comporte une racine
sur le cercle unit e et toutes les autres racines sont en dehors du cercle unit e. On a donc la
factorisation:
A(L) = (1 L) A
(L) (4)
et (1 L) u
t
est stationnaire. Dans ce cas, (1 L) y
t
est stationnaire autour dune moyenne
xe.
2.2 Un mod` ele g en eral pour les tests
Le but des tests de racine unitaire est donc de tester la pr esence dune racine unitaire dans la partie
auto-r egressive de la partie stochastique du processus de y
t
. Pour faire ce test il est n ecessaire de
trouver un mod` ele qui contienne ` a la fois les deux mod` eles repr esentatifs que lon a d egag e, trend
stationnaire et stationnaire en diff erence de mani` ere ` a ce quune hypoth` ese puisse apparatre comme
une restriction param etrique dans le mod` ele g en eral. Le mod` ele que lon a adopt e peut se r e ecrire
apr` es substitution:
A(L) (y
t
TD
t
) =
t
(5)
Il est tr` es int eressant de d evelopper cette ecriture dans un cas simple, celui o` u A(L) = (1 L).
On examinera par la suite le cas o` u A(L) est un polyn ome de degr e sup erieur. Prenons ensuite le
cas g en eral TD
t
= + t. Il vient:
(1 L) (y
t
t) =
t
y
t
= y
t1
+ (1 ) ( + t) + +
t
Cette ecriture conduit ` a formuler plusieurs observations.
3 TESTS DE DICKEY-FULLER 5
- Elle montre tout dabord comment les deux mod` eles sont embot es. Pour = 1 on retrouve
le mod` ele de marche al eatoire. Par contre, on ne retrouve le mod` ele trend stationnaire que
pour = 0, ce qui fait que le test de = 1 contre < 1 nest ` a proprement parler quun test
de la pr esence dune racine unitaire contre une alternative qui inclut lautre mod` ele, mais pas
que celui-ci.
- Ensuite cette ecriture permet de voir les particularit es du mod` ele de marche al eatoire. Pour
= 1 on constate que le terme constant nest plus identi e. Une marche al eatoire na pas de
moyenne constante au cours du temps. Deuxi` emement le r egresseur t disparat, mais pas son
coefcient qui vient prendre la place du terme constant. Ce coefcient conserve la m eme
interpr etation. Il repr esente la d erive du processus. Si la s erie etudi ee est en logarithme, alors
le mod` ele y
t
= +
t
indique de facon claire que le taux de croissance de y
t
est egal ` a
augment e dun terme al eatoire de moyenne nulle.
- Enn il est habituel de consid erer un mod` ele plus simple pour le test qui est:
y
t
= y
t1
+
0
+
1
t +
t
(6)
avec:
0
= (1 ) +
1
= (1 )
(7)
Il est facile de voir que lestimateur des moindres carr es de a la m eme valeur et le m eme
ecart-type quelle que soit la param etrisation employ ee. Toutefois ce mod` ele cache le fait qu` a
= 1 correspond
1
= 0. Cest pourtant cette ecriture qui est g en eralement employ ee pour
les tests car lestimateur de dans les deux cas est num eriquement le m eme. Seuls changent
les estimateurs des coefcients de TD
t
.
3 Tests de Dickey-Fuller
Le mod` ele de r egression que lon a mis en avant:
y
t
= y
t1
+
0
+
1
t +
t
(8)
est appel ee r egression de Dickey-Fuller ` a la suite de leur papier de 1981. Lid ee dun test de racine
unitaire est tr` es simple. Il suft destimer cette r egression par moindres carr es et de tester en-
suite = 1 au moyen de la statistique de Student. Retirons maintenant y
t1
des deux c ot es de la
r egression (8):
y
t
= ( 1) y
t1
+
0
+
1
t +
t
(9)
Linterpr etation de la statistique de Student devient directe etant donn e quil suft maintenant de
tester la nullit e du coefcient de y
t1
, en se souvenant que la distribution de cette statistique nest
pas asymptotiquement normale. Enn pour certains calculs, il sera utile davoir pr esent ` a lesprit la
d ecomposition suivante de y
t
en fonction des conditions initiales en se servant de la relation:
(1 L)
1
=
i=0
i
L
i
=
t1
i=0
i
L
i
+
t
L
t
i=0
i
L
i
(10)
ce qui donne:
y
t
=

i=0
i
L
i
(
0
+
1
t +
t
)
=
t
y
0
+
0
t1
i=0

i
+
1
t1
i=0

i
(t i) +
t1
i=0

i
ti
(11)
Quand = 1, cette ecriture permet de voir que le mod` ele comporte un trend au carr e quand on
nimpose pas que = 0 sous lhypoth` ese nulle :
y
t
= y
0
+
0
t + 0.5
1
(t +t
2
) +
t1
i=0
ti
car

t1
i=1
(t i) = t(t + 1)/2.
3.1 Distribution asymptotique des tests
Le chapitre 2 a et e loccasion dintroduire la th eorie asymptotique non-standard, celle quil faut
appliquer quand les r egresseurs sont non-stationnaires. On a ainsi pu etablir la distribution asymp-
totique de lestimateur OLS dans le mod` ele auto-r egressif simple quand la vraie valeur du param` etre
est egale ` a un. Cette distribution etait :
T (
T
1) =
T
1
y
t1
t
T
2
y
2
t1
L
0.5(W
2
(1) 1)
_
1
0
W
2
(r) dr
(12)
On d eduit de (12) que
T
est un estimateur super consistant de . Multiplions les deux cot es de (12)
par 1/
T,
T(
T
1) = T
1/2
T
1
y
t1
t
T
2
y
2
t1
(13)
On sait que T
1
y
t1
t
converge vers une transform ee de
2
(1) de variance nie. La variance du
num erateur complet est alors dordre 1/T, ce qui permet de conclure que ce num erateur converge
en probabilit e vers z ero. Comme le d enominateur converge vers une quantit e positive, on a:
T(
T
1)
p
0 (14)
On va pouvoir employer deux types de statistiques de test. La premi` ere est la statistique de Stu-
dent usuelle, que lon va noter , pour bien souligner le fait quelle a une distribution asymptotique
qui nest pas normale :
=

T
1

T
(15)
On va faire apparatre dans cette statistique T(
T
1) et expliciter chacun de ses termes. Il vient
tout dabord :
=
T(
T
1)
_

2
_
1/2
_
T
2
y
2
t1
_
1/2
=
T
1
y
t1
t
T
2
y
2
t1
.
_
T
2
y
2
t1
_
1/2
_

2
_
1/2
=
T
1
y
t1
t
_
T
2
y
2
t1
_
1/2
_

2
_
1/2
Comme on a montr e que
T
etait un estimateur super consistant de , alors
2
converge en prob-
abilit e vers
2
. Dautre part, les r esultats de convergence obtenus dans le chapitre 2 permettent

d ecrire pour T :
0.5
2
(W
2
(1) 1)
_
2
_
1
0
W
2
(r) dr
_
1/2
=
0.5 (W
2
(1) 1)
_
_
1
0
W
2
(r) dr
_
1/2
(16)
qui est donc la distribution asymptotique du test que lon va utiliser dans la suite.
La second statistique de test que lon va utiliser est directement reli ee ` a la premi` ere. Elle est
simplement egale ` a
z = T( 1)
dont on a d ej` a calcul e la distribution asymptotique en (12). Le fait que T (
T
1) converge vers
une variable al eatoire dont la distribution est ind ependante de
2
fait que cette statistique peut etre
utilis ee directement comme test de lhypoth` ese = 1.
3.2 La distribution des tests est fonction de TD
Plusieurs mod` eles sont ` a distinguer en fonction de la partie d eterministe TD
t
introduite dans la
r egression de test.
- Cas sans terme d eterministe: si TD
t
= 0 alors le mod` ele s ecrit:
y
t
= ( 1) y
t1
+
t
(17)
Lhypoth` ese nulle et lhypoth` ese alternative sont:
_
_
H
0
: = 1
H
1
: < 1
(18)
Il sagit donc dun test unilat eral puisque lhypoth` ese alternative est < 1 et non = 1. On v erie
au moyen de (11) que sous lhypoth` ese alternative de stationnarit e y
t
= O
P
(1) et quil en est bien
s ur de m eme sous lhypoth` ese nulle. Le test se fait soit en calculant la statistique de Student:
=

T
1

T
(19)
qui a la distribution limite (16), soit en calculant lautre statistique
z = T(
T
1)
dont on a calcul e la distribution limite en (12).
- Cas avec constante: si TD
t
= le mod` ele se complique un peu. On a:
y
t
= ( 1)y
t1
+
0
+
t
(20)
Lhypoth` ese nulle nest plus la m eme que pr ec edemment. On veut toujours tester = 1 contre
< 1 mais lautre param` etre doit bouger aussi. On a:
_
_
H
0
: = 1,
0
= 0
H
1
: < 1
(21)
Ceci est bien visible si lon remarque quen fait
0
= (1 ) . Mais aussi si lon veut que y
t
ait le
m eme ordre sous lhypoth` ese nulle et sous lalternative de stationnarit e, il faut que sous lhypoth` ese
nulle la d erive de la marche al eatoire disparaisse, car sinon y
t
serait O
P
(T) alors que lhypoth` ese
alternative de stationnarit e implique y
t
= O
P
(1). Ceci peut ais ement se v erier au moyen de
(11). Les deux tests sont bas es sur les m emes statistiques que pr ec edemment. Il est cependant
utile den modier l eg` erement les notations avec
pour la statistique de Student et z
pour lautre
statistique. En effet, les distributions asymptotiques sont l eg` erement diff erentes. On peut les trouver
dans Phillips and Perron (1988) avec:
_
1
0
W
(r) dW(r)
__
1
0
W
2
(r) dr
_
1/2
(22)
et
z
_
1
0
W
(r) dW(r)
_
1
0
W
2
(r) dr
(23)
Les formules sont identiques aux pr ec edentes, sauf que le processus W
(r) est en quelque sorte pris

en d eviation par rapport ` a sa moyenne et est d eni par:
W
(r) = W(r)
_
1
0
W(r) dr (24)
- Cas avec trend: si enn TD
t
= +t le mod` ele est le suivant:
y
t
= ( 1)y
t1
+
0
+
1
t +
t
(25)
Lhypoth` ese nulle a encore un peu chang e. Cette fois-ci on a:
_
_
H
0
: = 1,
1
= 0
H
1
: < 1
(26)
Ceci se justie encore en explicitant la reparam etrisation car maintenant
0
= (1 ) + et
1
= (1) . Mais de m eme y
t
doit etre encore une fois du m eme ordre sous les deux hypoth` eses.
Si H
1
signie que y
t
est stationnaire autour dun trend, cela signie cette fois-ci que y
t
= O
P
(T).
Sous H
0
le m eme r esultat implique que lon ait une d erive et rien dautre. Le test de Student se note
dans ce cas
et lautre test z
. les distributions sont encore un peu diff erentes que pr ec edemment

et sont donn ees encore dans Phillips and Perron (1988):
H +H
(K +K
)
1/2
z
H +H
K +K
o` u H et K correspondent aux termes de la distribution du simple test (16):
H = 0.5 (W(1)
2
1)
K =
_
1
0
W
2
(r) dr
et les termes suppl ementaires r epondent ` a la d enition suivante:
H
= 12
__
1
0
r W(r) dr
1
2
_
1
0
W(r) dr
_
.
__
1
0
W(r) dr
1
2
W(1)
_
W(1)
_
1
0
W(r) dr
K
= 12
__
1
0
r W(r) dr
_
2
+ 12
_
1
0
W(r) dr
_
1
0
r W(r) dr 4
__
1
0
W(r) dr
_
2
Il est alors int eressant de montrer au moyen dune ecriture utilis ee par exemple dans Boswijk
(1992) comment les distributions asymptotiques de ces tests sembotent les unes dans les autres.
Consid erons la fonction particuli` ere g(W, U) suivante:
g(W, U) =
_
1
0
U(r) dW(r)
__
1
0
U
2
(r) dr
_
1/2
(27)
o` u W(r) et U(r) sont deux processus de Wiener sur [0, 1]. D enissons ensuite la proc edure qui
permet de prendre un processus de Wiener en d eviation par rapport ` a sa moyenne, quand celle-ci
a une expression un peu g en erale. On connat la formule standard qui au moyen de la matrice de
projection M
X
permet de retirer de la variable Y linuence de X en calculant M
X
Y comme les
r esidus de la r egression de Y sur X. Si X(r) et Y (r) sont deux processus stochastiques vectoriels
en temps continu, on d enit l equivalent des r esidus M
X
Y par:
M
X
Y (r) = Y (r)
_
1
0
Y (r) X(r)
dr
__
1
0
X(r) X(r)
dr
_
1
X(r) (28)
Pour le cas avec constante, on d enit M
[1]
W(r) avec X(r) = 1 et pour le cas avec constante et
trend, on d enit M
[1,r]
W(r) avec X(r) = [1, r]. Ce qui fait que:
L
g(W, W) (29)
L
g(W, M
[1]
W) = g(W, W
) (30)
L
g(W, M
[1,r]
W) (31)
Les r esultats analytiques sur la distribution asymptotique de la statistique de Student ne sont
en g en eral que de peu dutilit e pratique, car on ne connat pas dexpression param etrique pour un
processus de Wiener. Tout ce que lon puisse faire, cest le simuler par une proc edure de Monte
Carlo pour donner des tables. On peut trouver des tables dans Fuller (1976), Dickey and Fuller
(1981) ou MacKinnon (1991). Dans le cas asymptotique, les r esultats saccommodent de conditions
tr` es peu restrictives sur les erreurs qui nont besoin que d etre non auto-corr el ees. Les erreurs
peuvent en particulier etre non normales et h et erosc edastiques. Les simulations des valeurs critiques
en petit echantillon ne sont en revanche valides que sous lhypoth` ese de normalit e des erreurs.
Table 1: Distribution de sous H
0
: y
t
N(0, 1)
statistique

probabilit e dans la queue de gauche

T 1% 5% 10% 1% 5% 10% 1% 5% 10%
25 -2.66 -1.96 -1.62 -3.72 -2.98 -2.63 -4.37 -3.60 -3.24
50 -2.61 -1.95 -1.62 -3.57 -2.92 -2.60 -4.15 -3.50 -3.18
100 -2.59 -1.94 -1.62 -3.50 -2.89 -2.58 -4.05 -3.45 -3.15
250 -2.57 -1.94 -1.62 -3.46 -2.87 -2.57 -4.00 -3.43 -3.14
500 -2.57 -1.94 -1.62 -3.45 -2.87 -2.57 -3.98 -3.42 -3.13
-2.57 -1.94 -1.62 -3.43 -2.86 -2.57 -3.96 -3.41 -3.13
Une grande prudence est donc requise pour leur utilisation. La table 1 donne les valeurs critiques
du test en . Elles sont calcul ees ` a partir de MacKinnon (1991). La table 2 donne les valeurs
critiques asymptotiques pour le test en z. Comme MacKinnon (1991) ne permet pas de calculer
les valeurs critiques du test z, nous avons utilis e les r esultats de Fuller (1976) en ne donnant que
les valeurs critiques asymptotiques. On peut tirer plusieurs conclusions de lexamen de ces tables
1
.
Premi` erement on voit bien que ces valeurs critiques du test en sont tr` es diff erentes de la Normale
o` u les valeurs equivalentes seraient de 1.645 ` a 5% et 1.282 ` a 10%. Ensuite, la valeur critique d epend
de TD
t
. Elle croit en valeur absolue avec le nombre de r egresseurs contenus dans TD
t
. Enn on
peut montrer [voir Schwert (1989)] que la puissance de ces tests contre une alternative stationnaire
diminue avec le nombre de composantes de TD
t
.
Table 2: Distribution de z sous H
0
: y
t
N(0, 1)
statistique
z z

T 1% 5% 10% 1% 5% 10% 1% 5% 10%
-13.7 -8.0 -5.7 -20.6 -14.1 -11.2 -29.4 -21.7 -18.2
3.3 Normalit e ou non Normalit e
Comment doit on choisir entre les diff erents mod` eles expos es dans le paragraphe pr ec edent? Faut-il
ou ne faut-il pas par exemple inclure un trend? On serait tent e davoir un mod` ele le plus parci-
monieux etant donn e que la puissance des tests chute avec le nombre de r egresseurs. Pour for-
maliser le probl` eme, il est utile de distinguer entre les mod` eles que lon a d etaill e et le processus qui
a vraiment g en er e les donn ees, le DGP. Laissant toujours de c ot e les probl` emes dautocorr elation
des r esidus, on va noter le DGP:
A(L) (y
t
V D
t
) =
t
(32)
1
Les premi` eres tables furent publi ees dans Fuller (1976). Mais elles sont moins pr ecises que celle-ci.
o` u V D
t
repr esente les vraies variables d eterministes que contient le DGP. On va examiner main-
tenant la relation qui existe entre V D
t
et les r egresseurs TD
t
. Dans lexpos e pr ec edent, on a
toujours suppos e que TD
t
et V D
t
etaient confondus. Le test perdra en puissance si la r egression
est surparam etr ee, cest ` a dire si V D
t
TD
t
. Que se passe-t-il si maintenant on a le contraire,
TD
t
V D
t
? Le cas typique est celui o` u le DGP contient un trend et le mod` ele ninclut pas de
trend. On a alors le r esultats suivant que lon peut retrouver dans West (1988):
Th eor` eme 1 : Dans le cas o` u TD
t
V D
t
et o` u lordre de TD
t
est inf erieur ` a celui de V D
t
(TD = o(V D)), alors la statistique de Student proprement normalis ee a une distribution asymp-
totique Normale sous lhypoth` ese nulle ` a condition que la variable omise soit au moins dordre
T.
Ce r esultat nest quand m eme pas tr` es utile. Ale prendre au pied de la lettre, il faudrait syst ematiquement
omettre le trend dans les r egressions de Dickey et Fuller, pour avoir des r esultats standards et une
puissance de test sup erieure. Pourtant deux probl` emes se posent:
- en petit echantillon, la distribution normale ne fournit une bonne approximation que si
k
/
est grand, cest ` a dire si le coefcient de la variable trendante omise est fort par rapport ` a
l ecart type des erreurs. Ce nest typiquement pas le cas dans des s eries economiques. Si
le mod` ele est en logarithme, repr esente en pourcentage lerreur r esiduelle et lon a typ-
iquement des valeurs comprises entre 0.01 et 0.08. Le coefcient
k
repr esente le taux de
croissance de la s erie en pourcentage si le r egresseur correspondant est un trend simple. Les
valeurs que lon trouvera pour des s eries economiques trimestrielles sera de lordre de 0.01, ce
qui implique un rapport

k
/ relativement petit. Sur des exp eriences de Monte Carlo Hylle-
berg and Mizon (1989) ont montr e que dans les cas usuels de valeurs pour ces param` etres,
les distributions non standards bas ees sur le processus de Wiener fournissaient une meilleure
approximation que la Normale pour la distribution des statistiques en .
- en grand echantillon, Perron (1988) a montr e que la puissance du test tendait vers z ero. Ainsi,
le test ne rejettera jamais lhypoth` ese nulle quand elle est fausse, m eme sil peut la rejeter
quand elle est vraie!
Ce que lon peut conclure de ces d eveloppements, cest quil faut toujours accorder un soin partic-
ulier ` a la sp ecication de TD
t
. On peut aboutir ` a ne pas rejeter lhypoth` ese nulle de racine unitaire,
simplement parce que lon a mal sp eci e les composantes d eterministes de la r egression. Main-
tenant, il est relativement difcile de s electionner les variables d eterministes, car on ne connat pas
la distribution des statistiques de tests associ ees ` a leur coefcient de r egression. Dickey and Fuller
(1981) proposent des tests de type F pour lhypoth` ese jointe ( = 1, = 0) dont on na pas parl e.
Ces tests permettent donc en m eme temps de tester lhypoth` ese nulle et la pr esence dun trend. Mais
des simulations montrent quils ont une puissance inf erieure aux tests . La meilleure solution con-
siste encore ` a se baser sur un graphique de la s erie et ` a introduire un trend si celle-ci est croissante
de mani` ere plus ou moins r eguli` ere.
3.4 R egression en une ou deux etapes
Jusqu` a pr esent on a calcul e les tests de DF et ADF au moyen dune r egression en une seule etape.
Mais on peut egalement imaginer, comme cela est fait par exemple dans Campbell and Perron
(1991) de s eparer la r egression en deux. On commencera par estimer une r egression de y
t
sur les
4 TESTS AVEC ERREURS AUTO-CORR
EL
EES 12
r egresseurs d eterministes contenus dans TD
t
pour en tirer les r esidus. Cette d ecomposition peut se
noter:
u
t
= y
t

TD
t
(33)
o` u donc u
t
repr esente les r esidus estim es. Puis ensuite on fera les tests habituels sur les r esidus. Ceci
revient ` a d ecomposer la s erie en sa partie d eterministe et sa partie stochastique, seule la derni` ere
nous int eressant pour effectuer les tests. On peut montrer que tant que le mod` ele complet est lin eaire,
les tests bas es sur la r egression en une etape et ceux bas es sur la r egression en deux etapes sont
asymptotiquement equivalents.
4 Tests avec erreurs auto-corr el ees
Les tests d evelopp es jusqu` a pr esent ne reposent pas sur lhypoth` ese de Normalit e des erreurs. Ils
sont valides, du moins asymptotiquement, sous des hypoth` eses relativement g en erales concernant
les erreurs. Mais ils ne sont plus valables d` es que les erreurs sont autocorr el ees. On a imagin e dans
la litt erature deux types de corrections. La premi` ere revient, dans une approche param etrique, ` a
modier la r egression de test. La seconde consiste ` a modier la statistique de test proprement dite.
4.1 Test de Dickey-Fuller augment e
Il est relativement facile de modier la r egression de test pour tenir compte de lauto-corr elation.
Le mod` ele autor egressif de base sur lequel on sest bas e etait le suivant:
A(L) (y
t
TD
t
) =
t
(34)
Nous nous sommes limit es pour linstant au cas o` u A(L) etait un polyn ome de degr e un. On va
maintenant simplement autoriser A(L) ` a etre de degr e p > 1. Factorisons ce polyn ome A(L) selon
la formule explicit ee dans le chapitre 1:
A(L) = (1 L) (1 L) A
(L)
o` u A
(L) est un polyn ome de degr e p 1 sans terme constant:

A
(L) =
1
L +
2
L
2
+ +
p1
L
p1
et = 1 A(1). On va supposer que le polyn ome A
(L) a toutes ses racines en dehors du cercle

unit e et sint eresser ` a tester lhypoth` ese nulle dune seule racine unitaire = 1. Effectuons la
multiplication entre la factorisation de A(L) et (y
t
TD
t
):
(1 L) (y
t
TD
t
) = A
(L)(y
t
TD
t
) +
t
(35)
ce qui montre que lon obtient le m eme type de mod` ele que pr ec edemment, mais que cette fois-ci
on a simplement rajout e les diff erences premi` eres retard ees de y
t
. Pour le cas simple o` u p = 2 et
TD
t
= ( + t) on a A
(L) =
1
L et:
y
t
= y
t1
+ (1 )( +t) + ( +
1
) +
1
y
t1
+
t
(36)
Sous lhypoth` ese nulle = 1 , on retrouve les m emes propri et es de la r egression ` a savoir que le
trend disparat, que le terme constant initial disparat et est remplac e par une fonction du param` etre
du trend.
EL
EES 13
Le test de lhypoth` ese nulle seffectue de la m eme mani` ere que pr ec edemment au moyen dune
statistique de Student que lon va noter
par analogie avec le cas pr ec edent. Ce type de

correction param etrique a et e propos ee initialement par Dickey and Fuller (1979), do` u lappellation
de test de Dickey-Fuller augment e ou ADF (augmentation de la r egression initiale des retards de
y
t
). Le r esultat remarquable, cest que et
ont la m eme distribution asymptotique sous des

conditions tr` es peu restrictives comme lont montr e entre autres Phillips and Perron (1988) sans que
lon ait besoin de connatre la valeur de p comme lavaient suppos e Dickey and Fuller (1979).
4.2 S election des retards dans un test ADF
La taille et la puissance du test ADF d epend fortement du nombre de retards. Si celui-ci est trop
faible, il y aura une distortion de taille et si celui-ci est trop grand, il y aura une perte de puissance.
On trouvera dans Ng and Perron (1995) une etude comparative des diff erentes m ethodes de choix.
- Dans un mod` ele dynamique ajust e sur des s eries stationnaris ees, le nombre maximum de
retards peut etre choisi au moyen dun crit` ere dinformation dAkaike
I
AIC
= log
2
+r
2
T
ou de Schwarz
I
SC
= log
2
+r
log T
T
Ici on peut egalement utiliser ce type de crit` ere car ce sont les retards dune variable sta-
tionnaris ee y
t
que lon doit s electionner. En effet Sims, Stock, and Watson (1990) ont
montr e que lon peut traiter de mani` ere ind ependante les r egresseurs I(0) et les r egresseurs
I(1) et utiliser les tests usuels pour les coefcients des r egresseurs I(0). On part donc dune
r egression de test avec sufsamment de retards et on s electionne le mod` ele parcimonieux
qui minimise le crit` ere dinformation. Ng and Perron (1995) montrent cependant dans une
exp erience de Monte Carlo que ces deux crit` eres dinformation ont tendance ` a choisir des
valeurs trop petites de p, ce qui a pour cons equence de distordre la taille du test.
- Un autre facon de choisir les retards dans un mod` ele AR consiste aussi ` a partir dun mod` ele
avec un grand nombre de retards et ` a eliminer au fur et ` a mesure les retards qui ont un t de
Student non signicatif. Ng and Perron (1995) montrent toujours dans une exp erience de
Monte Carlo que cette proc edure conduit ` a choisir un nombre de retards plus important que
dans le cas pr ec edent. Le test ADF perd en puissance, mais la distorsion de taille diminue.
La pr esence dune composante MA dans le processus peut poser des probl` emes particuliers.
On sait que lon peut approximer un processus MA par un processus AR dordre sup erieur. Donc,
il devrait sufre de choisir un nombre de retards sufsants pour r esoudre le probl` eme. Pourtant,
Schwert (1989) a montr e que les tests ADF pr esentaient de grandes distortions de taille en pr esence
de composante MA n egative. Dans leur exp erience de Monte Carlo, Ng and Perron (1995) montrent
que lajout de retards suppl ementaires a du mal ` a r eduire la distorsion de taille dans le cas dune
forte composante MA n egative.
4.3 Distribution de dans le cas non IID
Nous avons donn e en (12) la distribution asymptotique de T( 1) pour le mod` ele y
t
= y
t1
+
t
en supposant que les erreurs
t
etaient IID. Nous allons maintenant rel acher cette hypoth` ese et voir
EL
EES 14
comment se transforme cette distribution quand est estim e dans un mod` ele de regression sans
correction param etrique, alors que celle-ci serait n ecessaire pour tenir compte de lauto-corr elation
du terme derreur.
On a montr e que dans le cas IID T
1
y
t1
t
(W
2
(1) 1)
2
/2. Ce r esultat ne tient plus
dans le cas non IID. Dans le cas non IID, la variance dune somme nest plus egale ` a la somme des
variances, ce qui fait que lon doit distinguer entre ce que lon appelle la variance de long terme
= limT
1
E[(
j
)
2
]
et
2
la variance des erreurs
= limT
1
E[
2
j
]
Ces deux quantit es sont egales en labsence dauto-corr elation car:
E[(
j
)
2
] = T
2
+ 2
T1
i=1
T
j=i+1
(j i)
= T
2
+ 2T

T1
i=1
(1 i/T)
(i).
Si les
(i) sont nuls, alors

2
=
2
.
Repartons maintenant de lexpression de lestimateur des moindres carr es. On a toujours la
d ecomposition suivante pour le num erateur:
y
t1
e
t
= 0.5(y
2
T

2
t
)
Le comportement limite du premier terme
y
2
T
T
=
1
T
(
1
+... +
T
)
2
L

2
W
2
(1)
Quant au deuxi` eme terme
plim
1
T
(

t
T
)
2
=
2
En regroupant ces r esultats partiels, on obtient

1
T
y
t1
e
t

1
2
[W(1)
2
]
qui est donc une g en eralisation du cas IID que lon retrouve comme cas particulier quand
2
=
2
.
Il est facile de voir que la distribution du d enominateur de lestimateur des moindres carr es est
1
T
2
y
2
t1
L

2
_
2
0
W(r)
2
dr
En regroupant ces r esultats, on arrive au r esultat nal
T( 1)
L
1
2
W
2
(1)
2
/
2
_
1
0
W
2
(r) dr
EL
EES 15
4.4 Test non-param etrique de Phillips-Perron
Phillips (1987) et Phillips and Perron (1988) ont utilis e ce r esultat pour proposer un test alternatif
au test ADF. En r earrangeant les termes de la derni` ere expression, on trouve
T( 1)
L
0.5(W
2
(1) 1) +/
2
_
1
0
W
2
(r) dr
avec = (
2
)/2. On peut alors d enir la statistique de test suivante

Z
PP
= T( 1) +T
2
/
y
2
t1
.
qui a la m eme distribution asymptotique que le test z de Dickey et Fuller. Il sagit maintenant
destimer les deux variances. Pour
2
, les choses sont simples. Lestimateur

s
2
= T
1
2
t
est consistant. Par contre, il est plus difcile de trouver un estimateur consistant de la variance de
long terme. Phillips (1987) a montr e que lestimateur
s
2
=
1
T
2
t
+
2
T
l
j=1
T
t=j+1
tj
etait un estimateur consistant de
2
o` u l est la troncature. Mais il est dusage de pr ef erer lestimateur

de Newey and West (1987) qui introduit une fen etre de Barlett pour pond erer les autocovariances.
On peut d eterminer la valeur de l en regardant la graphique des autocorr elations de e
t
= y
t
ou
bien en utilisant les techniques li ees ` a lestimation de la densit e spectrale.
On a consid er e jusqu` a pr esent le cas le plus simple. Quand le processus comporte un terme
constant ou un trend, il faut modier ces statistiques. On aura alors les statistiques Z
PP
et Z
PP
par
analogie avec les statistiques de Dickey et Fuller
Z
PP
= T( 1)
T
2
2
s
2
s
2
y
2
t1
Z
PP
= T( 1)
T
2
2
s
2
s
2
(y
t1
y)
2
Z
PP
= T( 1)
T
6
24
s
2
s
2
|X
X|
o` u X est la matrice dobservations [1, t, y
t1
]. Ces tests sont plus puissants que le test ADF car
ils ne n ecessitent pas lajout de r egresseurs suppl ementaires en grand nombre quand les r esidus
ont une composante MA. Cependant, ils souffrent dune distortion de taille si les r esidus ont une
composante MA n egative. Perron and Ng (1996) ont sugg er e de modier ces tests en utilisant
MZ
PP
= Z
PP
+
T
2
( 1)
2
Ils montrent egalement que ces tests peuvent etre am elior es en utilisant un estimateur param etrique
de la densit e spectrale en z ero ` a la place de lestimateur non-param etrique de Newey and West
(1987). Plus pr ecis ement
s
2
=
s
2
b
j
5 TESTS DE LHYPOTH
`
ESE DE STATIONARIT
E 16
o` u les b
j
sont les param` etres de la r egression
y
t
= y
t1
+
l
j=1
b
j
y
tj
+
t
.
5 Tests de lhypoth` ese de stationarit e
On a consid er e jusquici des tests o` u lhypoth` ese nulle etait la racine unitaire ou la non-stationnarit e.
Dans le mod` ele y
t
= y
t1
+
t
, on testait H
0
: = 1. Lalternative etait la stationnarit e. Supposons
maintenant que
y
t
= +u
t
o` u u
t
est un processus stationnaire. y
t
est donc I(0). Si lon diff erencie le processus, on obtiendra
y
t
= u
t
u
t1
avec = 1. Par contre si = 1, alors
t
= u
t
u
t1
est stationnaire, et y
t
=

t
, ce qui est la
d enition dune s erie int egr ee dordre 1. Le test de lhypoth` ese nulle H
0
: = 1 contre lalternative
H
1
: = 1 permettra de tester cette fois-ci la stationnarit e de la s erie. Il y a donc une sym etrie entre
dun c ot e racine unit e dans la partie AR et non stationnarit e et de lautre c ot e racine unit e dans la
partie MA et stationnarit e. Il nest toutefois pas commode de tester directement la pr esence dune
racine unit e dans un processus MA. En effet, m eme si la vrai valeur de nest pas 1, lestimateur
du maximum de vraisemblance aura tendance ` a etre proche de 1 par un effet dit de pile-up.
Il faut donc trouver une autre formulation du probl` eme et passer par les mod` eles dit ` a com-
posantes inobservables. Ce sont des mod` eles structurels qui admettent comme forme r eduite une
repr esentation MA. On va ecrire
y
t
= +t +x
t
+u
t
Var(u
t
) =
2
u
x
t
= x
t1
+v
t
Var(v
t
) =
2
v
Lhypoth` ese nulle va consister ` a tester la nullit e de la variance de v
t
, ou plus exactement pour une
question de calibrage la nullit e du rapport
2
v
/
2
u
. En effet si lon diff erencie la premi` ere equation,
on obtient apr` es substitution
y
t
= +u
t
u
t1
+v
t
= +
t
+
t
Tester que
2
v
= 0, cest ` a dire que x
t
nest pas un trend stochastique est equivalent ` a tester que
= 1. Kwiatkowski, Phillips, Schmidt et Shin (1992) ont propos e une statistique de test pour
H
0
:
2
v
= 0 contre H
1
:
2
v
> 0. On va tout dabord consid erer la r egression
y
t
= +t +w
t
pour en tirer les r esidus estim es w
t
qui retirent donc les composantes d eterministes du processus.
Si y
t
ne comporte pas de trend stochastique, les w
t
seront stationnaires et lon va pouvoir calculer
la limite de S
t
=

t
j=1
w
j
. Le num erateur du test KPSS correspond ` a un estimateur de la vari-
ance de S
t
, soit

S
2
t
/T
2
. Il sagit ensuite de normaliser cette quantit e et lon choisit dutiliser la
variance de long terme du processus, ce qui permet de tenir compte par exemple de ph enom` enes
dautocorr elation dans u
t
. La statistique de test est nalement
KPSS =
1
T
2
S
2
t

2
6 RUPTURES DE TREND ET TESTS DE PERRON 17

Si maintenant y
t
est I(1), ce qui implique que les w
t
le sont aussi, le num erateur va crotre sans
limite et de la statistique de test va diverger avec T. La variance de long terme est estim ee en
utilisant lestimateur de Newey-West
s
2
=
1
T
w
2
t
+ 2
l
j=1
j
1
T
T
t=j+1
w
t
w
tj
La distribution de la statistique KPPS sous H
0
d epend de la pr esence de termes d eterministes dans la
r egression initiale. Les valeurs critiques sont donn ees dans la table 3. Il est ` a remarquer quen fait le
Table 3: Valeurs critique pour le test KPPS
Regression 0.10 0.05 0.01
Intercept 0.347 0.463 0.739
Intercept and Trend 0.119 0.146 0.216
test KPSS est un cas particulier dun test propos e par Nabeya and Tanaka (1988) qui cherchent ` a voir
si une r egression lin eaire a ses coefcients constants (H
0
) contre lalternative que ces coefcients
suivent une marche al eatoire dans le mod` ele
y
t
=
t
x
t
+u
t
t
=
t1
+v
t
On a la constance de
t
si la variance de v
t
est nulle. Le test de Nabeya and Tanaka (1988) etait
bas e sur une estimation simple de la variance de u
t
et donc ne tenait pas compte dune possible
auto-corr elation des erreurs.
6 Ruptures de Trend et Tests de Perron
La litt erature empirique sur les tests de racine unitaire est devenue assez importante au l des
ann ees. Elle est principalement dorigine am ericaine. On a vu la pr eoccupation de pouvoir s eparer
entre trend d eterministe et trend stochastique et lint er et que cela pouvait avoir pour lanalyse con-
joncturelle (business cycle). Le papier au retentissement important de Nelson and Plosser (1982)
a montr e que la plupart des s eries macro- economiques am ericaines avaient une racine unitaire.
Lhypoth` ese de racine unitaire disqualie le point de vue selon lequel les uctuations conjonc-
turelles sont de nature transitoire autour dun tendance plus ou moins stable.
Le papier de Perron (1989) va ` a lencontre de cette litt erature dans la mesure o` u il montre que
la plupart des s eries macro- economiques am ericaines ne pr esentent pas de racine unitaire et que les
uctuations y sont de nature transitoire. Seuls deux ev enements ont une inuence permanente sur
les diff erentes s eries et ce sont la crise de 1929 et le choc p etrolier de 1973. Le postulat sur lequel
repose cette conclusion, cest que ces deux chocs sont exog` enes. Cette hypoth` ese sert ` a retirer
linuence de ces deux chocs de la partie al eatoire des s eries. Encore une fois, nous verrons que la
distribution des tests DF et ADF varie en fonction des el ements constituant le trend d eterministe.
6.1 Mod elisation dune rupture de trend
Rappelons encore une fois que le mod` ele quil est tr` es commode de consid erer pour comprendre le
fonctionnement des tests de racine unitaire est le suivant:
_
_
y
t
= +t +u
t
A(L)u
t
=
t
(37)
En factorisant le polyn ome A(L) comme ` a lacoutum ee et en regroupant les deux equations du
syst` eme on obtient une equation r eduite dans laquelle il suft de poser = 1 pour obtenir une
caract erisation de y
t
sous lhypoth` ese nulle.
On cherche ` a enrichir ce mod` ele de mani` ere ` a pouvoir consid erer des ruptures exog` enes dans
la partie d eterministe de la s erie ` a partir dune date inconnue que lon appelera . Trois possiblit es
soffrent ` a nous qui correspondent ` a trois cas empiriques pr ecis. Une rupture dans le terme constant
va permettre de repr esenter un crash dans la s erie. On pense ` a la crise de 1929 au moins pour
les Etat-Unis. Une rupture dans le trend va permettre de repr esenter un changement dans le taux
de croissance de la s erie, ce qui est caract eristique de beaucoup de de s eries apr` es le premier choc
p etrolier de 1973. Enn le dernier mod` ele possible combine ces deux possiblit es. Introduisons donc
pour commencer la fonction indicatrice ID():
_
_
ID() = 1 si t >
ID() = 0 autrement
(38)
Les trois mod` eles que lon veut consid erer correspondent alors aux equations statiques suivantes:
y
t
=
1
+ (
2

1
)ID() +t +u
t
(39)
y
t
= +
1
t + (
2

1
)(t )ID() +u
t
(40)
y
t
=
1
+
1
t + [(
2

1
) + (
2

1
)(t )]ID() +u
t
(41)
Il faut maintenant combiner ces trois mod` eles qui correspondent ` a lhypoth` ese alternative avec le
polyn ome A(L) factoris e. Pour simplier lexpos e, on prendra ce polyn ome de degr e 1 et egal ` a
(1 L). Nous allons effectuer ce calcul pour chacun des trois mod` eles. Mais tout dabord, il est
utile de remarquer quelques particularit es de la fonction indicatrice ID(). On a en premier lieu
que
LID() = ID( + 1)
ID() = ID() ID( + 1)
On remarque ensuite que ID() correspond ` a une nouvelle fonction indicatrice
_
_
ID() = 1 si t = + 1
ID() = 0 autrement
(42)
qui mod elise donc l equivalent dune variable dummy ponctuelle ` a la date t = +1. Ce petit d etour
fait, on arrive au r esultat (1 L)ID() = (1 )ID(), ce qui nous permet dobtenir nos trois
r egressions de test:
y
t
y
t1
= (1 )(
1
+ (
2

1
)ID() +t)
+ ( + (
2

1
)ID()) +
t
(43)
pour le mod` ele crash,
y
t
y
t1
= (1 )( +
1
t + (
2

1
)(t )ID())
+ (
1
+ (
2

1
)ID()) +
t
(44)
pour le mod` ele ` a taux de croissance variable,
y
t
y
t1
= (1 )(
1
+
1
t + ((
2

1
) + (
2

1
)(t ))ID())
+ (
1
+ (
2

1
)ID() + (
2

1
)ID()) +
t
(45)
pour le mod` ele combin e. En posant dans chacun de ces mod` eles = 1, on trouve naturellement la
forme de lhypoth` ese nulle correspondante, qui autrement nest pas evidente ` a expliquer:
y
t
= + (
2

1
)ID() +
t
(46)
y
t
=
1
+ (
2

1
)ID() +
t
(47)
y
t
=
1
+ (
2

1
)ID() + (
2

1
)ID() +
t
(48)
Sous lhypoth` ese nulle, y
t
suit une marche al eatoire avec d erive. Cette d erive peut changer de
trois facons diff erentes. Dans le premier mod` ele, la d erive fait un saut sur une seule observation
correspondant ` a la date + 1 et ce saut est mesur e par (
2

1
). Dans le deuxi` eme mod` ele,
la d erive change de facon permanente apr` es la date et ce changement permanent est mesur e par
(
2

1
). Dans le troisi` eme mod` ele, nous avons un effet combin e de changement permanent dans
la d erive apr` es la date et dune pointe transitoire ` a la date + 1. Quand le polyn ome A(L) est de
degr e sup erieur ` a 1, il suft de rajouter ` a la r egression de test un terme qui au maximum a la forme:
A
(L)(y
t

1
(
2

1
)ID()) (49)
6.2 Motivation empirique
On ne sint eressera ici quau deuxi` eme mod` ele qui nous servira in ne ` a traiter une application sur
donn ees francaises trimestrielles. Perron (1989) motive son analyse de trend segment e sur lexemple
du PIB r eel am ericain sur la p eriode 1947:1-1986:3. Celui-ci marque une rupture de tendance en
1973:1 (observation 105 de l echantillon) quand on ajuste un mod` ele avec constante, trend et une
variable dummy DT73 qui vaut z ero avant cette date et ensuite (t 105). La r egression est la
suivante:
log Y
USAt
= 6.98
[1149]
+ 0.0087
[96.7]
t 0.0030
[11.5]
DT73 +u
t
R
2
= 0.992 DW = 0.12 = 0.0322
La s erie d etrend ee de cette facon pr esente une structure dautocorr elation qui d ecrot tr` es rapidement
(voir la table 1). Ce comportement nest certainement pas celui associ e avec une marche al eatoire
ou une marche al eatoire ` a laquelle on a retir e un trend. Il est par contre typique du comportement
dune s erie stationnaire. Mais dautre part un test de Dickey-Fuller avec trend non segment e ne
permet pas de rejeter lhypoth` ese nulle dune racine unitaire, m eme au seuil de 10%, ce qui bien s ur
pose un s erieux probl` eme et motive larticle de Perron.
Nous allons refaire ce petit exercice sur le logarithme du PIB francais pour la m eme p eriode et
les comparer aux calculs de Perron. On peut rapidement se rendre compte au moyen dun graphique
7
7.5
8
8.5
9
9.5
50 55 60 65 70 75 80 85 90
dates
USA
FRA
Figure 1: Logarithmes du PIB francais et du GNP am ericain
Les echelles ont et e ajust ees
que le choc p etrolier de 1973 sest traduit par une rupture de trend au premier trimestre de 1974.
Par contre sur les donn ees am ericaines la rupture sest produite au premier trimestre de 1973, donc
un an avant. Le mod` ele avec trend segment e donne:
log Y
FRt
= 11.55
[2826.5]
+ 0.014
[249.0]
t 0.009
[48.4]
DT74 +u
t
R
2
= 0.999 DW = 0.26 = 0.0210
On peut constater sur le tableau 4 les similitudes entre les auto-corr elations des r esidus de cette
r egression et les autocorr elation des r esidus dune r egression effectu ee sur le PIB am ericain. Un
Table 4: Autocorr elation des PIB stationnaris es
(h) u
FR
u
USA
1 0.87 0.94
2 0.74 0.83
3 0.61 0.70
4 0.50 0.57
5 0.41 0.45
6 0.33 0.35
test de Dickey-Fuller augment e traditionnel ne permet pas pourtant dans un cas comme dans lautre
de rejeter lhypoth` ese nulle de racine unitaire:
log Y
FRt
= 0.0386
[0.308]
0.000138
[1.064]
t + 0.00487
[0.453]
log Y
FR
t1
= 0.0110
= 0.453
log Y
USAt
= 0.386
[2.90]
+ 0.0004
[2.71]
t 0.054
[2.54]
log Y
USA
t1
= 0.0100
= 2.54
car les valeurs critiques asymptotiques pour le test ADF sont 3.41 ` a 5% et 3.12 ` a 10%. La prise
en compte de la rupture du trend peut etre d eterminante.
6.3 Exp erience de Monte Carlo
Pour bien voir ce quil se passe quand on autorise un changement dans la d erive dune marche
al eatoire, Perron fait une petite exp erience de Monte Carlo qui consiste ` a g en erer 10.000 echantillons
de 100 observations selon le mod` ele:
y
t
= +
1
t + (
2

1
)(t )ID() +
t
(50)
Les param` etres ont et e x es ` a = 0 ,
1
= 1 , = 50 et
t
N(0, 1). On va ensuite ignorer la
rupture de trend et estimer l equation dun test DF:
y
t
= +

t +y
t1
+
t
(51)
Lexp erience de Monte Carlo sera conduite en faisant varier
2
, cest ` a dire limportance de la
rupture dans le trend. Quand
2
= 1, il ny a pas de rupture de trend. La distribution empirique
cumul ee de est centr ee autour de 0. Les donn ees sont g en er ees par un mod` ele trend stationnaire
pur et les r esultats empiriques reproduisent bien cela. Quand on baisse la valeur de
2
vers z ero, on
augmente la diff erence de pente dans le trend entre les deux sous p eriodes. La distribution empirique
cumul ee de se concentre alors de plus en plus vers un, ce qui veut dire quempiriquement on se
dirige vers un mod` ele de marche al eatoire. Ceci peut se voir dans le tableau 5. Perron (1989) donne
Table 5: Comportement de en pr esence dune rupture de trend
1
= 1 , = 0
2
= 1.0
2
= 0.9
2
= 0.7
2
= 0.4
2
= 0.0
moyenne -0.019 0.334 0.825 0.949 0.981
ecart-type 0.0314 0.0969 0.0307 0.0095 0.0032
en outre le th eor` eme suivant qui compl` ete bien ces r esultats empiriques :
Th eor` eme 2 : Soit un echantillon de taille T + 1 de la variable y
t
g en er ee par un mod` ele auto-
r egressif stationnaire avec un trend comportant une rupture et des erreurs ind ependantes normales.
Soit = T avec [0, 1]. Alors estim e dans un mod` ele auto-r egressif avec trend sans rupture
converge en probabilit e vers 1 et:
T( 1)
p
3(1 + 4 5
2
+ 2
3
)
2(3 + 4 3
2
+ 3
3
4
4
)
Ce th eor` eme est etablit dans Perron (1989) sous des conditions relativement faibles de m elange
portant sur les
t
. La normalit e et lind ependance sont des conditions plus fortes, mais plus simples
` a enoncer. Ce th eor` eme montre que converge vers 1 asymptotiquement, et que cela ne d epend pas
de
2
. Le second r esultat de convergence montre que le biais normalis e T( 1) converge vers une
quantit e nie qui varie entre z ero et 1/2 en fonction de . T( 1) repr esente aussi la statistique
de test z. Sa valeur critique asymptotique est de 21.8 ` a 5% , ce qui fait quavec une valeur limite
comprise entre 0 et 1/2 ce test ne rejettera jamais lhypoth` ese nulle de racine unitaire.
On peut donc conclure que le fait de n egliger une rupture dans le trend va conduire ` a ne jamais
rejeter lhypoth` ese nulle de racine unitaire. Il faut donc proposer un nouveau type de test qui tienne
compte de cette possibilit e.
6.4 Test avec trend segment e
On va conduire ce test un peu comme lon avait conduit les pr ec edents. Il suft denrichir de
mani` ere ad equate TD
t
. On a vu quil existait deux facons equivalentes de calculer un test DF ou
ADF. Soit on utilise une r egression en une etape, soit on retire tout dabord le trend et on fait le test
sur les r esidus estim es, utilisant de ce fait une r egression en deux etapes. Ces deux proc edures sont
asymptotiquement equivalentes tant que le trend est lin eaire. Ici ce nest plus le cas. Perron (1989)
ne d etaille quune m ethode en deux etapes. Il calcule donc:
u
t
= y
t
T

D
t
avec T

D
t
= +

0
t +

1
(t )ID() (52)
estim e par moindres carr es. Sur ces r esidus estim es, il calcule un test DF ou ADF selon la n ecessit e:
u
t
= ( 1) u
t1
+A
(L) u
t
+
t
(53)
Les deux tests DF et ADF ont encore une fois la m eme distribution asymptotique sous des conditions
pas tr` es restrictives. Notons
ce nouveau test (statistique de Student associ ee au coefcient de

u
t1
). Sous lhypoth` ese de normalit e et dind ependance des erreurs
t
(hypoth` ese plus restrictive
que celles donn ees dans larticle de Perron), on obtient la distribution asymptotique de ce nouveau
test:
Th eor` eme 3 : Soit la s erie {y
t
} g en er ee sous lhypoth` ese nulle dune marche al eatoire dinnovations
ind ependantes identiquement distribu ees, avec une d erive qui change au point = T. Alors pour
T la statistique
converge en distribution vers une fonctionnelle de processus de Wiener

normalis es avec:
L
H
()/
_
3
3
K
()
_
1/2
Les expressions analytiques de H
() et K
() sont relativement complexes. On remarque que

cette distribution d epend de la valeur de . Dautre part on peut montrer que, pour les deux cas
extr emes o` u = 0 ou = 1, lon retombe sur la distribution de
. On a extrait de Perron (1989) la

table 6 qui donne les valeurs critiques asymptotiques de ce test. On peut remarquer tout dabord que
ces valeurs critiques sont en valeurs absolues plus grandes que celles du test
qui rappelons le sont

respectivement de -3.96, -3.41, -3.13 pour les seuils de 1%, 5% et 10%. Ceci est une illustration de
la perte en puissance de ces tests chaque fois que lon doit estimer un trend plus complexe. Si les
valeurs des param` etres qui rentrent dans TD
t
etaient connues, alors la distribution asymptotique de
ces tests serait la m eme et egale ` a celle du test simple dans lequel TD
t
= 0. Les valeurs critiques
ensuite d ependent de mais ne sont pas tr` es sensibles ` a sa valeur. On peut noter que la valeur
critique est maximale en valeur absolue pour = 0.5. On se rapproche des valeurs critiques de
pr` es des bornes.

Table 6: Quantiles de la distribution asymptotique de
rupture relative en
= 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
1% -4.27 -4.41 -4.51 -4.55 -4.56 -4.57 -4.51 -4.38 -4.26
5% -3.65 -3.80 -3.87 -3.94 -3.96 -3.95 -3.85 -3.82 -3.68
10% -3.36 -3.49 -3.58 -3.66 -3.68 -3.66 -3.57 -3.50 -3.55
6.5 Application sur donn ees francaises
0
2
4
6
8
10
12
50 55 60 65 70 75 80 85 90
Figure 2: Taux de ch omage en France
L etude de la rupture du trend en 1974:1 est tr` es instructive pour comprendre l evolution de la
croissance et du ch omage en France et ses diff erences par rapport aux USA. La rupture de 1974
est tr` es marqu ee sur beaucoup de variables contenues dans la banque de donn ees trimestrielle de
lINSEE etablie par Laroque, Ralle, Salani e, and Toujas-Bernate (1990) sur la p eriode 1946:1-
1989:4 ( etendue ensuite jusquen 1991:4). On a choisit d etudier les deux variables taux de ch omage
et PIB qui sont traditionnellement reli ees par la loi dOkun dont une formulation simpli ee est:
ur =
0

1
log Y
Cette relation implique que lon ait des caract eristiques communes entre ces variables. Or il est
commun ement admis aux USA que le taux de ch omage est stationnaire et Y r eel int egr e dordre un,
ce qui, soit dit en passant, invalide d` es le d epart une telle relation comme on pourra le montrer dans
les chapitres sur la coint egration. Perron (1989) suit la tradition am ericaine et dans son application
sur les donn ees de Nelson and Plosser (1982) et n eglige de faire un test sur le taux de ch omage,
le prenant comme stationnaire. On ne rencontre pas du tout cette caract eristique sur le taux de
ch omage en Europe. On commencera donc par effectuer un test
sur les s eries de taux de ch omage.

Commencons par estimer une r egression reliant le logarithme du taux de ch omage ` a un trend et sa
rupture en 1974:1. Cest la premi` ere etape dun test
. Le fait davoir pris la variable d ependante en

7 SAISONNALIT
E ET RACINES UNITAIRES 24
logarithme nous permet dinterpr eter les coefcients de la r egression comme des taux de croissance:
log ur
t
= 0.156
[2.66]
+ 0.0090
[11.80]
t + 0.022
[11.71]
DT74 +u
t
R
2
= 0.906 DW = 0.08 = 0.264
Le test
sur les r esidus montre quil existe une racine unitaire encore apr` es avoir retir e le trend
car:
u
t
= 0.058
[3.08]
u
t1
+ 0.518
[7.82]
u
t1
la valeur de
est en valeur absolue plus faible que celle de la table pour = 0.64 et un seuil de
5% ou 10%.
Passons maintenant ` a la s erie du PIB en volume. La r egression de premi` ere etape donne:
log Y
t
= 11.54
[2881.5]
+ 0.0140
[255.5]
t 0.0087
[58.43]
DT74 +u
t
R
2
= 0.999 DW = 0.26 = 0.0221
La r egression de deuxi` eme etape donne:
u
t
= 0.145
[3.86]
u
t1
+ 0.101
[1.44]
u
t1
ce qui fait que lhypoth` ese de racine unitaire est rejet ee au seuil de 10% mais pas ` a celui de 5%.
Ce qui est int eressant dans ces r esultats cest quil semble que lon ait deux types de non sta-
tionnarit e pour le PIB et le taux de ch omage. Il y a une m eme rupture, au m eme moment, mais
la croissance de la s erie nest pas la m eme. On remarque aussi quavec un taux de croissance
trimestriel de 1.4% on avait un taux de croissance correspondant du ch omage de 0.8%. Le choc
p etrolier a fait baisser le taux de croissance de 0.9% alors que dans le m eme temps le taux de crois-
sance du ch omage augmentait de 2.2%, ce qui correspond ` a une sur-r eaction tr` es nette. On peut
donc dire que la relation entre le taux de ch omage et la croissance a subi un changement structurel
quil sagirait dexpliquer. Une partie de la croissance du ch omage semble autonome, car son trend
est de nature diff erente et son changement de pente plus fort. Pour estimer une relation dOkun, il
faudrait donc inclure au moins une variable suppl ementaire.
7 Saisonnalit e et Racines Unitaires
Nous avons jusqu` a pr esent consid er e le test de la pr esence dune racine unit e ` a lordre un quelle
que soit la p eriodicit e dobservation des s eries. Mais d` es lors que lon consid` ere des s eries dune
p eriodicit e autre quannuelle, il peut apparatre dans la s erie un cycle dit saisonnier vient perturber
la simplicit e des d emarches pr ec edentes et conduit ` a vouloir la g en eraliser. La premi` ere question
consiste ` a sinterroger sur la facon dont on va tenir compte de la saisonnalit e et comment celle-ci
peut inuer les tests usuels. La deuxi` eme question est tr` es fort li ee ` a la facon dont on peut mod eliser
la saisonnalit e. On verra, en suivant la tradition initi ee par Box et Jenkins, que la saisonnalit e peut
se traduire dans une s erie de p eriodicit e s par une racine unitaire ` a lordre s, venant sajuster ` a une
possible racine ` a lordre 1. La question dun test concerne donc maintenant la pr esence non plus
dune , mais de plusieurs racines.
7 SAISONNALIT
Cette section est organis ee comme suit. On va tout dabord indiquer comment se mod elise la
saisonnalit e. Ensuite on regardera comment la saisonnalit e inuence la construction dun test dune
seule racine unitaire. On traitera ensuite du cas de deux racines pour nir avec le test de racines aux
diff erentes fr equences saisonni` eres.
7.1 Mod elisation de la saisonnalit e
Pour tenir compte de la possible saisonnalit e dune s erie de p eriodicit e s, il faut se donner un
mod` ele repr esentatif. La premi` ere facon dintroduire une composante saisonni` ere se situe au niveau
d eterministe. A la composante TD
t
, on va rajouter SD
t
ce qui donne:
_
_
y
t
= TD
t
+SD
t
+u
t
A(L)u
t
= B(L)
t
(54)
La composante saisonni` ere prend la plupart du temps une forme simple. Si les donn ees sont
trimestrielles, ce qui correspond ` a s = 4, on aura:
SD
t
=
1
d
1
+
2
d
2
+
3
d
3
+
4
d
4
(55)
d
i
est une variable muette saisonni` ere qui vaut un pour le trimestre i et z ero autrement. Notons alors
que TD
t
ne doit pas comprendre de terme constant car la somme des d
i
est egale ` a un. Dautres
solutions plus complexes existent pour mod eliser de mani` ere d eterministe la saisonnalit e en utilisant
notamment des fonctions p eriodiques. On pourra regarder avec prot Granger and Newbold (1986)
section 1.10. Ce type de mod elisation implique que les mouvements saisonniers ne changent pas
dans le temps. Ils se reproduisent ` a lidentique. Si la s erie comporte un trend, les constantes
saisonni` eres vont simplement d eplacer de mani` ere r eguli` ere lordonn ee ` a lorigine de ce trend. Cest
` a dire en fait comme si lon avait quatre trends parall` eles.
Le second type de saisonnalit e que lon peut consid erer est une saisonnalit e dont les mouve-
ments evoluent dans le temps. On introduit alors la mod elisation de la saisonnalit e au niveau de u
t
en
suivant les proc edures propos ees par Box and Jenkins (1976). Cette d emarche est compl ementaire
de la pr ec edente. On peut supposer quil reste un mouvement saisonnier dans u
t
. On va alors en-
lever cette saisonnalit e au moyen dun ltre. Si lon appelle v
t
la s erie r esultante, le ltre dans le
cas le plus simple dans le cas de s eries trimestrielles s ecrit:
A
s
(L
4
)(1 L
4
)u
t
= B
s
(L
4
)v
t
(56)
ce qui signie que lon a diff erenci e la s erie ` a lordre quatre et utilis e des polyn omes de retard
dordre multiple de quatre. Une fois ce ltre appliqu e, on peut utiliser une mod elisation ARIMA
sur v
t
qui sera par exemple:
A
ns
(L)(1 L)v
t
= B
ns
(L)
t
(57)
En combinant les deux mod` eles, on obtient pour u
t
:
A
s
(L
4
)A
ns
(L)(1 L
4
)(1 L)u
t
= B
s
(L
4
)B
ns
(L)
t
(58)
Cette ecriture est connue dans la litt erature comme mod` ele SARIMA pour ARMA saisonnier sur
donn ees int egr es. Pour notre propos on peut simplier cette notation en confondant les polyn omes
saisonniers (index es par s) et non saisonniers (index es par ns):
A
(L)(1 L
4
)(1 L)u
t
= B(L)
t
(59)
7 SAISONNALIT
On remarque que le ltre repose sur deux diff erentiations, une ` a lordre quatre pour la saisonnalit e,
lautre ` a lordre un pour le trend. Cette ecriture impose la pr esence de deux racines unitaires. Si
au lieu dimposer ces racines, on veut tester leur pr esence effective, le type de test ` a employ e sera
diff erent des tests usuels, ` a cause cette pr esence de multiples racines.
7.2 Test de la pr esence dune seule racine
On a distingu e entre une saisonnalit e d eterministe et une saisonnalit e stochastique. Comment va
se poser le test de racine unitaire dans ce contexte? Raisonnons dans le cas dune saisonnalit e
stochastique evoluant dans le temps. Dans le cas extr eme o` u le mod` ele complet se r eduit ` a:
(1 L
4
)(y
t
t) =
t
(60)
ce qui implique:
4
y
t
= 4 +
t
(61)
on a le m elange de quatre marches al eatoires (pour t, t 1, t 2, t 3) avec la m eme d erive.
Ceci implique que la variable y
t
a un taux de croissance saisonnier egal en moyenne ` a 4. Cette
volatilit e au cours du temps dans le mouvement saisonnier nest pas tr` es r ealiste. La p eriode de No el
se traduit toujours par un boum de la consommation et jamais par une chute. Aussi on ne va pas
d esirer reproduire ici le d ebat pr ec edent entre trend stationnaire et trend d eterministe. Dautant que
bien souvent les donn ees dont on dispose sont d esaisonnalis ees, et quensuite la th eorie economique
consid` ere la saisonnalit e comme un bruit dont il faut se d ebarrasser. On sint eressera donc ` a deux
choses: premi` erement comment traiter le test de racine unitaire ` a lordre un en pr esence de saison-
nalit e d eterministe et deuxi` emement faut-il ou non diff erencier ` a lordre s une s erie saisonni` ere.
Consid erons tout dabord le cas simple dune s erie trimestrielle dans laquelle on veut faire un
test de racine unitaire ` a lordre 1. Il sagit alors de tenir compte de la possible saisonnalit e au moyen
de composantes d eterministes en supposant quil ny a pas de saisonnalit e stochastique. Comme
SD
t
est du m eme ordre que le terme constant dans TD
t
, le test de Dickey et Fuller unitaire ne va
pas etre chang e. En particulier les tables habituelles pourront continuer ` a etre utilis ees comme lont
montr e Dickey, Bell, and Miller (1986).
Consid erons maintenant le cas plus sp ecique de la pr esence dune racine unitaire dans la partie
saisonni` ere de la s erie. Le mod` ele le plus g en eral examin e par Dickey, Hasza, and Fuller (1984) est
le suivant:
A
s
(L
s
)(y
t

i
d
it
) =
t
(62)
Dans cette equation, d
it
repr esente les constantes saisonni` eres correspondant ` a chaque trimestre.
Pour effectuer un test de racine unitaire dans ce mod` ele, on commence donc par purger la s erie
de ses composantes d eterministes par une r egression de premi` ere etape. Pour pouvoir effectuer la
r egression de deuxi` eme etape, il est utile de factoriser le polyn ome A
s
(L
s
) de mani` ere ` a mettre en
evidence une possible racine unitaire. Pour s = 4, cela donne:
A
s
(L
4
) = (1 L
4
) (1 L
4
)A
s
(L
4
) (63)
Ce qui fait que la r egression de test est la suivante:
4
u
t
= ( 1) u
t4
+A
s
(L
4
)
4
u
t
+
t
(64)
7 SAISONNALIT
avec
4
= (1 L
4
). Le test porte sur la nullit e du coefcient de r egression de u
t4
. Notons la
structure particuli` ere de cette r egression de test qui ne comporte que des retard ` a lordre s ou un
multiple de s.
On trouve les tables ad equates par exemple dans Dickey, Hasza, and Fuller (1984) pour le cas
sans constante, le cas avec une constante et le cas avec constantes saisonni` eres (mais pas pour
toutes les congurations possibles). On va d esigner les statistiques de test correspondantes par
s
,
s
et
sd
. La table 7 a et e calcul ee au moyen dune exp erience de Monte Carlo bas ee sur 10 000
tirages. Elle donne des valeurs comparables ` a celles contenues dans larticle de Dickey, Hasza, and
Fuller (1984) ` a des variations d echantillonnage pr` es. Elle couvre les cas des donn ees trimestrielles
(s = 4) et mensuelles (s = 12) avec les trois types de termes d eterministes. Lexamen de cette table
Table 7: Distribution de
s
sous H
0
:
s
y
t
N(0, 1)
statistique
s

s

sd
T 5% 10% 5% 10% 5% 10%
d = 4
40 -1.87 -1.48 -2.36 -1.98 -4.21 -3.85
80 -1.85 -1.49 -2.38 -2.01 -4.14 -3.79
200 -1.88 -1.53 -2.35 -1.99 -4.09 -3.77
d = 12
120 -1.76 -1.40 -1.99 -1.63 -5.88 -5.50
180 -1.75 -1.39 -2.00 -1.62 -5.83 -5.49
240 -1.74 -1.38 -1.99 -1.63 -5.80 -5.46
montre certaines caract eristiques du test de la pr esence dune racine unitaire ` a lordre s quand on la
compare ` a une table de Dickey et Fuller usuelle. Tout dabord un test ` a lordre s est plus puissant
quun test ` a lordre 1 tant quil ny a pas de constantes saisonni` eres. Cette puissance augmente
avec la p eriodicit e. Ensuite, le fait de rajouter des constantes saisonni` eres fait chuter la puissance
du test de mani` ere importante, ` a linverse de ce qui se passe avec un test DF ` a lordre 1. Ceci tient
au fait que lon met en concurrence deux m ethodes de traitement de la saisonnalit e, les constantes
saisonni` eres ou la diff erenciation ` a lordre s.
7.3 Test de la pr esence de deux racines
Le test de Dickey, Hasza, and Fuller (1984) comporte une certaine ambigut e dans la mesure o` u lon
a toujours:
s
y
t
= y
t
+ y
t1
+ + y
ts+1
(65)
Ce test peut donc tr` es bien tester la pr esence simplement dune racine unitaire ` a lordre 1 pour
peu que le nombre dobservations soit un multiple de s. On l` eve cette ambigut e d` es lors que lon
consid` ere explicitement la pr esence possible de deux racines, une ` a lordre 1 et lautre ` a lordre
s. En outre le type de test joint que lon va consid erer est particuli` erement commode quand on
envisage la mod elisation SARIMA dune s erie saisonni` ere car il permet de r epondre de mani` ere
satisfaisante ` a la question de lordre de diff erenciation ` a faire subir ` a la s erie. Cette probl ematique
7 SAISONNALIT
6
8
10
12
14
16
18
20
1953 1954 1955 1956 1957 1958 1959 1960 1961 1962
Figure 3: Consommation electrique aux USA
est expos ee dans Barthelemy and Lubrano (1996). Consid erons donc le mod` ele:
A(L)A
s
(L
s
) (y
t
TD
t
SD
t
) =
t
(66)
et les factorisations suivantes de ces deux polyn omes:
A(L) = (1 L) (1 L)A
(L)
A
s
(L
s
) = (1 L
s
) (1 L
s
)A
s
(L
s
)
(67)
Le produit de ces deux factorisations donne:
A(L)A
s
(L
s
) = (1 L)(1 L
s
) (1 L)(1 L
s
)A
s
(L
s
)
(1 L
s
)(1 L)A
(L) + (1 L)(1 L
s
)A
(L)A
s
(L
s
)
= (1 L)(1 L
s
)
+(1 L)(1 L
s
)
_
_
A
(L)A
s
(L
s
)
1 L
s
1 L
s
A
(L)
1 L
1 L
A
s
(L
s
)
_
_
Pour construire une r egression de test, on a besoin dapproximer ce produit en:
A(L)A
s
(L
s
) (1 L)(1 L
s
) + (1 L)(1 L
s
)

A
(L) (68)
Cette approximation is exacte quand et sont proches de 1. Une fois que lon a purg e la s erie
de ses composantes d eterministes par une r egression de premi` ere etape, la r egression de test se
construit ` a partir de:
u
t
= u
t1
+ u
ts
u
ts1
+ (1 L)(1 L
s
)
(L) u
t
+
t
(69)
7 SAISONNALIT
En remarquant que (1 L)(1 L
s
) = 1 LL
s
+L
s+1
, on peut transformer cette r egression en:
4
u
t
= ( 1) u
t1
+ ( 1) u
t4
( 1) u
t5
+A
3
(L)
1
4
u
t
+
t
(70)
La statistique de Student associ ee au coefcient de u
t1
permet de tester une racine unitaire ` a
lordre un; celle associ ee au coefcient de u
t4
permet de tester une racine unitaire ` a lordre quatre.
La double pr esence dune racine unitaire ` a lordre un et ` a lordre quatre se teste au moyen dun
test en F sur la nullit e jointe des coefcients associ es ` a u
t1
et u
t4
. La table 8 est extraite de
Barthelemy and Lubrano (1996) et concerne le cas s = 4. On trouvera dans ce papier les tables
Table 8: DGP sous H
0
:
4
y
t
=
t
N(0, 1)
Valeurs critiques
t ` a 5% F ` a 95%
T t : = 1 t : = 1 F(2, T k)
= = 1
sans cste 60 -2.56 -1.94 4.60
sans var. sais. 100 -2.41 -1.94 4.20
sans trend 200 -2.26 -1.92 3.81
cste 60 -3.48 -2.06 7.39
sans var. sais. 100 -3.40 -2.00 6.99
sans trend 200 -3.26 -1.94 6.41
cste 60 -2.84 -3.99 12.48
var. sais. 100 -2.81 -3.86 11.41
sans trend 200 -2.67 -3.77 10.47
cste 60 -4.08 -2.63 9.95
sans var. sais. 100 -3.99 -2.33 9.41
trend 200 -3.89 -2.08 8.86
cste 60 -3.67 -4.25 15.83
var. sais. 100 -3.53 -4.01 14.18
trend 200 -3.40 -3.85 12.92
pour le cas s = 12. Il est ` a noter que ces tables sont l eg` erement diff erentes de celles donn ees dans
Osborn, Chui, Smith, and Birchenhall (1988) qui pourtant ont une probl ematique similaire. Mais
leur r egression de test est plus restrictive car elle ninclue par le r egresseur u
ts1
.
Si lon examine cette table en la comparant ` a celles de Dickey et Fuller pour lhypoth` ese nulle
= 1 et ` a celle de Dickey, Hasza et Fuller pour lhypoth` ese nulle = 1, on peut mettre en lumi` ere
les fait suivants. Le test de = 1 est moins puissant quun test de racine unitaire usuel ` a lordre 1,
mais la pr esence de variables saisonni` eres r etabli la parit e des puissances. Le test de = 1 est plus
puissant que celui de Dickey, Hasza et Fuller.
Le papier de Barth el emy et Lubrano se termine par une application empirique qui va nous
permettre de motiver dune certaine facon le paragraphe suivant. Elle concerne une s erie mensuelle
7 SAISONNALIT
de consommation electrique aux USA portant sur la p eriode 1953:1-1961:12. Cette s erie pr esente
une forte saisonnalit e (voir la gure 3) qui de plus evolue dans le temps ` a cause dun equipement
croissant en climatiseurs. La r egression de test donne les r esultats suivants apr` es avoir enlev e un
terme constant et onze variables saisonni` eres:
12
u
t
= 0.23
[2.74]
u
t1
0.45
[4.46]
u
t12
+ 0.56
[4.82]
u
t13
0.38
[4.41]
12
u
t2
avec un R
2
= 0.48 et un ecart-type de la r egression de 0.206. Pour 120 observations, les valeurs
critiques ` a 5% sont de -2.89 pour et de -6.09 pour (valeurs lues dans la table 4 de Barth elemy
et Lubrano). On peut donc accepter la pr esence dune double racine unitaire ` a lordre 1 et ` a lordre
12. Le mod` ele SARIMA que lon pourra ensuite ajuster comporte une diff erentiation ` a lordre 1 et
` a lordre 12. Une recherche de sp ecication conduit au mod` ele suivant:
(1 + 0.59
[4.92]
L
12
)(1 0.50
[5.31]
L)
12
y
t
= (1 0.97
[47.59]
L)
t
+ 0.0042
[2.76]
R
2
= 0.39 = 0.222
Ce que lon remarque tout de suite, cest que la partie MA de ce mod` ele pr esente une racine
proche de lunit e, ce qui laisse supposer une l eg` ere surdiff erenciation ` a lordre 1, et ce malgr e les
tests.
7.4 D ecomposition de la racine saisonni` ere selon ses fr equences
Hylleberg, Engle, Granger, and Yoo (1990) (HEGY) sint eressent ` a un type de test de racine uni-
taire saisonni` ere assez particulier. Leur but consiste ` a pouvoir comparer les mouvements saisonniers
pr esents dans deux ou plusieurs s eries. A partir du moment ou deux s eries auront des mouve-
ments saisonniers stochastiques similaires, on pourra alors chercher une relation de coint egration
saisonni` ere entre ces deux s eries. La notion de coint egration sera d evelopp ee dans les deux chapitres
suivants.
0
2
4
6
8
10
12
14
0 1 2 3 4 5 6
S
4
y
frequences
Figure 4: Spectre associ e ` a
4
y
t
7 SAISONNALIT
Consid erant le cas s = 4, Hylleberg, Engle, Granger, and Yoo (1990) font remarquer que:
(1 L
4
) = (1 L)(1 +L)(1 +L
2
) (71)
ce qui fait une racine unitaire usuelle qui repr esente le trend, et trois autres racines qui repr esentent
la saisonnalit e avec une racine egale ` a un et deux racines complexes conjugu ees. Les racines sont
donc (1, 1, i, i). Si maintenant on calcule le spectre associ e ` a
4
y
t
=
t
, on obtient:
S
4
y
=
1
2 (1 cos(4 ))

2
Ce spectre comporte trois pointes en = 0, = et = /2 comme on peut le constater sur la

gure 4. Ces pointes correspondent aux racines 1 (le trend), -1 (cycle annuel) et aux deux racines
complexes (cycle bi annuel). HYLLEBERG et al vont chercher la pr esence de racines unitaires
` a chacune de ces fr equences. Cest donc aussi un cas de tests de plusieurs racines de mani` ere
simultan ee.
HYLLEBERG et al d eveloppent le polyn ome A(L) autour de ses racines au moyen du th eor` eme
de Lagrange, ce qui donne tous calculs faits:
A(L) =
1
L(1 +L +L
2
+L
3
)
2
L(1 L +L
2
L
3
)
(
3
+
4
L)L(1 L
2
)
+(1 A
(L))(1 L
4
)
(72)
On d enit les trois transform ees suivantes de y
t
que lon appelle:
x
1t
= (1 +L +L
2
+L
3
)y
t
x
2t
= (1 L +L
2
L
3
)y
t
x
3t
= (1 L
2
)y
t
(73)
qui vont permettre de capturer les trois pointes du spectre. Alors le mod` ele sans terme d eterministe
A(L)y
t
=
t
peut s ecrire:
4
y
t
=
1
x
1t1
+
2
x
2t1
+
3
x
3t1
+
4
x
3t2
+A
(L)
4
y
t
+
t
(74)
Cette r egression ressemble ` a celle de Dickey, Hasza, and Fuller (1984), mais le terme y
t4
a et e
d ecompos e en quatre. Cette r egression permet de tester la pr esence de quatre racines. La premi` ere
racine, celle qui vient de (1 L) se teste au moyen de
1
= 0. Elle correspond au test ADF usuel
et correspond ` a la tendance de long terme. Les racines saisonni` eres impliquent
2
= 0 pour la
premi` ere et le test joint
3
=
4
= 0 pour les deux racines complexes conjugu ees. Hylleberg,
Engle, Granger, and Yoo (1990) donnent les tables ad equates en fonction des divers cas de trend
dont on reproduit ici quelques extraits pour les valeurs ` a 5% pour les tests en t et ` a 95% pour le test
en F. HYLLEBERG et al font remarquer les points suivants sur la distribution asymptotique des
tests, points qui se retrouvent dans la table 9 tir ee de leur article. En labsence de terme d eterministe,
le test sur
1
= 0 est un test ADF classique si
2
=
3
=
4
= 0. Dautre part, le test sur
3
= 0
est equivalent au test de Dickey, Haza et Fuller si
4
= 0. Quand on ajoute un terme d eterministe,
7 SAISONNALIT
Table 9: Distribution des tests de saisonnalit e de HEGY
Valeurs critiques
t ` a 5% F ` a 95%
T t :
1
t :
2
t :
3
t :
4
F :
3

4
sans cste 48 -1.95 -1.95 -1.93 -1.76 3.26
sans dummies 100 -1.97 -1.92 -1.90 -1.68 3.12
sans trend 200 -1.94 -1.95 -1.92 -1.65 3.16
cste 48 -2.96 -1.95 -1.90 -1.72 3.04
sans dummies 100 -2.88 -1.95 -1.90 -1.68 3.08
sans trend 200 -2.87 -1.92 -1.90 -1.66 3.12
cste 48 -3.08 -3.04 -3.61 -1.98 6.60
dummies 100 -2.95 -2.94 -3.44 -1.96 6.57
sans trend 200 -2.91 -2.89 -3.38 -1.96 6.61
cste 48 -3.56 -1.91 -1.92 -1.70 2.95
sans dummies 100 -3.47 -1.94 -1.89 -1.65 2.98
trend 200 -3.44 -1.95 -1.92 -1.66 3.07
cste 48 -3.71 -3.08 -3.66 -1.91 6.55
dummies 100 -3.53 -2.94 -3.48 -1.94 6.60
trend 200 -3.49 -2.91 -3.41 -1.92 6.57
H
0
:
4
y
t
N(0, 1)
la pr esence dune constante et dun trend inuencent seulement le test sur
1
= 0. Sil y a une
constante, la pr esence de trois variables saisonni` eres ne change pas la distribution du test pour
1
= 0, mais changent la distribution des tests pour
2
= 0,
3
= 0,
4
= 0.
Cette approche permet de caract eriser plus nement le comportement saisonnier des s eries et
est particuli` erement utile quand on veut trouver des similitudes entre deux s eries et etudier leur
possible coint egration. Elle permet aussi de se rendre compte quune diff erenciation ` a lordre 4
impose la pr esence simultan ee de plusieurs racines unitaires. Or il se peut tr` es bien que certaines
racines soient pr esentes dans une s erie, mais pas toutes. Ce cas interm ediaire ne peut etre trait e avec
le ltre global (1 L
4
), mais n ecessite donc des ltres s epar es correspondants ` a chacune des s eries
et donn ees par (73).
7.5 Inuence de la p eriodicit e sur les tests ADF
Les mod` eles que nous avons consid er e dans cette section sappliquent sur des s eries trimestrielles
ou mensuelles qui nont subi aucune proc edure de d esaisonnalisation. Or il arrive bien souvent
que de telles donn ees ne soient disponibles que sous forme d esaisonnalis ee. Lexemple type sont
les donn ees des comptes trimestriels de la comptabilit e nationale fournies par lINSEE. Mais bien
dautres exemples existent sur les donn ees etrang` eres. Quelle est alors linuence des proc edures
de d esaisonnalisation sur les tests de racine unitaire?
8 QUESTIONS DIVERSES 33
On sait d ej` a ` a la suite de larticle de Wallis (1974) que si des donn ees sont d esaisonnalis ees
avec des ltres diff erents, la r egression bas ee sur ces donn ees fournira des estimateurs biais es. De
plus Ghysels and Perron (1993) ont montr e que dans un processus AR, lutilisation de donn ees
d esaisonnalis ees par un ltre lin eaire conduisait ` a un biais syst ematique vers le bas du coefcient
dauto-r egression. Un test de racine unitaire etant bas e sur un tel mod` ele, lutilisation de donn ees
ltr ees va conduire ` a rejeter trop souvent lhypoth` ese de racine unitaire.
Un echantillon bas e sur des donn ees trimestrielles sera quatre fois plus long que le m eme
echantillon bas e sur des donn ees annuelles. Pourtant ce qui vient d etre dit inciterait plut ot ` a
utiliser des donn ees annuelles pour faire des tests de racine unitaire. Quelle est donc linformation
suppl ementaire apport ee par des donn ees trimestrielles? Il semblerait en fait dapr` es Shiller and
Perron (1985) que la puissance des tests soit beaucoup plus affect ee par la longueur de la p eriode
couverte, que par le nombre dobservations. Donc on ne gagne pas beaucoup ` a utiliser des donn ees
trimestrielles et encore moins des donn ees mensuelles. La caract erisation dun trend stochastique
se fait surtout sur la longue p eriode. Larticle de Nelson and Plosser (1982) est par exemple bas e
sur des s eries annuelles dont certaines remontent ` a 1860.
Pourtant lutilisation de s eries historiques longues pose aussi certains probl` emes. Premi` ere-
ment les premi` eres observations peuvent etre de qualit e douteuse. Cest le cas en France pour les
ann ees suivant limm ediat apr` es guerre et lavant guerre aux

Etats-Unis. Les proc edures de col-
lecte des donn ees n etaient pas encore parfaites. Certaines s eries sont purement et simplement ex-
trapol ees ` a partir dun trend, ce qui introduit un biais contre lhypoth` ese de racine unitaire. Ensuite
lallongement de la p eriode augmente les chances dexistence dun changement structurel majeur
qui affecterait le trend. Ces changements structurels sont alors interpr et es de facon erron ee comme
la manifestation dune racine unitaire. Cest ce que lon a vu dans la section pr ec edente.
8 Questions Diverses
Dans ce chapitre nous navons pas abord e un certain nombre de questions qui se rattachent aux
tests de racine unitaire. Nous allons maintenant simplement les evoquer, renvoyant pour plus de
d etails aux surveys qui ont et e faits sur le sujet et quil nous faut maintenant citer: Diebold and
Nerlove (1990), Nerlove (1989), Dolado, Jenkinson, and Sosvilla-Rivero (1990), Campbell and
Perron (1991), Davidson and MacKinnon (1993), chapitre 20, Hamilton (1994), chapitre 17.
8.1 Autres tests
Les tests les plus employ es sont les tests de Dickey et Fuller not es . Mais on a vu egalement la
statistique z = T( 1) qui mesure directement l ecart de par rapport ` a un. Il faut egalement
citer les tests en F de Dickey et Fuller sur lhypoth` ese jointe que soit egal ` a un et que
k
soit nul.
Bhargava (1986) a propos e un type de tests bas e sur une modication du test usuel de Durbin
et Watson. Ces tests ont de bonnes propri et es de petit echantillon. Mais ce test ne peut d etecter
que des racines unitaires dans un processus AR(1). Dans le mod` ele sans trend avec constante la
statistique est:
R
1
=
T
t=2
(y
t
)
2
T
t=2
(y
t
y)
2
(75)
correspondant au mod` ele:
(1 L)(y
t
) =
t
(76)
Si lon rajoute un tend ` a ce mod` ele, la statistique de test devient plus difcile ` a ecrire avec:
R
2
=
T
t=2
(y
t
y
t1
)
2
1
T1
(y
t
y
1
)
2
1
(T1)
2
T
t=1
_
(T 1)y
t
(t 1)y
T
(T t)y
1
(T 1)( y
1
2
(y
1
+y
T
))
_
2
(77)
Les valeurs critiques de ces deux tests ` a 5% sont donn ees dans la table 10.
Table 10: Valeurs critiques ` a 5% du test de Barghava
T 20 30 40 50 60 80 100
R
1
1.10 0.79 0.61 0.50 0.42 0.32 0.26
R
2
1.45 1.04 0.81 0.66 0.56 0.43 0.35
8.2 Donn ees de panel
8.3 Tests s equentiels
de la pr esence de plusieurs racines unitaires
On a toujours suppos e que les s eries examin ees pr esentaient au maximum une racine unitaire. Ce
qui fait que sous lhypoth` ese alternative, la s erie est stationnaire, ou stationnaire autour dun trend.
Dans le cas o` u il y a, mettons deux racines unitaires, on a non stationnarit e ` a la fois sous lhypoth` ese
nulle, mais egalement sous lhypoth` ese alternative, ce qui fait que le test ADF ne fonctionne plus.
On peut par contre imaginer, ` a la suite de Dickey and Pantula (1987), une proc edure s equentielle
o` u lon teste tout dabord la pr esence de deux racines, puis dune, puis de z ero. Cest ` a dire que
lon factorise (ou impose) k 1 racines unitaires pour tester la pr esence dune k
i` eme
racine. On se
ram` ene donc toujours au test de la pr esence dune seule racine. Prenons lexemple simple o` u lon a
factoris e deux racines unitaires dans A(L), ce qui fait que le mod` ele se note maintenant:
(1 L)(1 L) (y
t
) =
t
(78)
On ne modie pas le produit en consid erant ((1 L) ( 1)L)((1 L) ( 1)L), ce qui fait
que la r egression de test s ecrit:
2
y
t
=
0
+ ( + 2) y
t1
( 1)( 1) y
t2
+
t
(79)
Alors pour = 1, on voit que lon a une premi` ere r egression de test qui est :
2
y
t
=
0
+
1
y
t1
+
t
(80)
Le test
sur
1
teste lhypoth` ese nulle de deux racines unitaires (une que lon a impos e et lautre
que lon teste). Si cette hypoth` ese est rejet ee en utilisant les tables standards donn ees dans le texte,
on passe ` a la r egression augment ee suivante :
2
y
t
=
0
+
1
y
t1
+
2
y
t1
+
t
(81)
Le test
sur
2
teste lhypoth` ese nulle dune seule racine unitaire.
8.4 Construction des tables
Il existe deux mani` eres de construire les tables que lon a donn e dans le texte. Toutes deux reposent
sur des exp eriences de Monte Carlo.
- On peut tout dabord essayer dobtenir des r esultats de petit echantillon en simulant pour une
taille T donn ee une marche al eatoire, calculer le test correspondant et construire ensuite la dis-
tribution empirique de ce test. Au bout de N exp erimentations, on aura une pr ecision satisfaisante
pour calculer les quantiles de cette distribution et donc les valeurs critiques du test. Dans la pra-
tique N peut varier entre 10000 et 25000. On devra reproduire ce type dexp erience pour des
valeurs diff erentes de T premi` erement et ensuite pour les divers types de r egression en rajoutant ` a
la r egression une constante, puis un trend. Cest selon ce principe quon et e construites les tables
de Dickey and Fuller (1981). Les tables les plus pr ecises construites selon ce principe sont celles de
MacKinnon (1991).
- On peut d ecider de simuler directement la distribution asymptotique des statistiques de test.
On a vu que ces distributions etaient des fonctionnelles de processus de Wiener et on sait que si
t
N(0, 1) alors on a les r esultats de convergence suivants pour T :
T
3/2
T
t=1
_
_
t
j=1
j
_
_
L
_
1
0
W(r)dr (82)
T
1
T
t=1
_
_
t1
j=1
j
_
_
t
L
1
2
(W(1)
2
1) (83)
T
2
T
t=1
_
_
t
j=1
j
_
_
2
L
_
1
0
W
2
(r)dr (84)
Ces r esultats sont directement issus des r esultats de convergence que lon a discut e au chapitre 2. Ils
peuvent etre employ es pour simuler les expressions asymptotiques correspondantes en se basant sur
la g en eration dun vecteur de IN(0,1) dune longueur sufsante. En disant sufsante, on fait etat
du principal probl` eme. Sera-t-on sufsament pr` es de la vrai distribution? Consid erons lexemple de
la simulation de la distribution asymptotique de la statistique pour xer les id ees. On a donn e son
expression en (16). Lalgorithme qui permet de g en erer cette distribution est le suivant:
1) d ebut de la boucle dindice i avec nt = 10 000
2) g en erer un vecteur e IN(0, 1) de longeur T = 500
3) calculer a = T
1
T
t=1
_
t1
j=1
j
_
t
4) calculer b = T
2
T
t=1
_
t
j=1
j
_
2
5) f[i] = 0.5 a/
b
6) i = i + 1; retour en 2 si i < nt
7) ordonner le vecteur f de longeur nt
9) imprimer les valeurs critiques ` a % donn ees par f[ nt]
Cet algorithme requiert un nombre de tirages similaire ` a celui de la m ethode pr ec edente. Cest
ce type dalgorithme qui a et e employ e par Perron (1989) pour le calcul de ses tables.
8.5 Int egration fractionnaire
Lanalyse que lon a men ee jusqu` a pr esent reposait sur lid ee que lon arrivait ` a stationnariser
certaines s eries en les diff erentiant. Si par exemple y
t
I(d) alors (1 L)
d
y
t
I(0) cest ` a
dire quen diff erentiant d fois la s erie, on arrive ` a la stationnariser. On a toujours fait lhypoth` ese
que d etait entier et en g en eral egal ` a lunit e. Une s erie I(1) a alors une repr esentation ARMA en
diff erence premi` ere. Le mod` ele appliqu e ` a la s erie brute est un mod` ele ARIMA. ? ont introduit
une classe de mod` ele o` u d est un nombre fractionnaire. Le ltre (1 L)
d
est rendu op erationnel en
consid erant le d eveloppement en s erie:
(1 L)
d

= 1 dL +
d(d 1)
2!
L
2
d(d 1)(d 2)
3!
L
3
+ (85)
Si y
t
I(d) avec d fractionnaire, ce ltre permettra de la stationnariser.
Comme on la dit plus haut dans le texte, un des int er ets principaux des mod` eles int egr es est de
mod eliser la persistance de long terme dans les s eries economiques. Les racines unitaires offrent une
premi` ere possibilit e. Mais elles introduisent des contraintes dans la mod elisation de la persistance.
On peut sen rendre compte en examinant la variance des accroissement de y
t
. Quand y
t
est I(1)
on a que:
Var(y
t
y
tk
) = O(k) (86)
Ce r esultat dans le cas o` u y
t
est I(d) se transforme en:
Var(y
t
y
tk
) = O(k
2d1
) (87)
ce qui montre que la variance devient ind ependante de k pour d = 0.5. On peut montrer qualors le
processus est stationnaire. Pour d < 0.5 cette variance devient plate. Pour 0.5 < d < 1 elle croit
` a un taux d ecroissant et pour 1 < d < 3/2 ` a un taux croissant. Pour d > 3/2 elle nexiste plus.
Les mod` eles avec int egration fractionnaire apportent donc plus de souplesse. Par exemple certaines
s eries non stationnaires semblent pr esenter encore une racine unitaire apr` es une diff erenciation.
Mais les diff erencier deux fois est trop. Ces s eries sont entre I(1) et I(2). Lint egration fractionnaire
peut apporter une solution ` a leur mod elisation.
8.6 Tests Bay esiens
Le point central que lon a voulu mettre en avant dans tout ce qui a et e dit sur les tests de racine
unitaire, cest la discontinuit e quil existe dans la th eorie asymptotique entre le cas stationnaire et
le cas non stationnaire
2
. Si ce n etait ce point, les tests de racine unitaire serait de simples tests de
Student utilisant les tables usuelles. Quand on travaille dans une optique Bay esienne, les r esultats
dinf erence sont donn es conditionnellement ` a l echantillon observ e. Il ny a donc dans ce cadre au-
cune diff erence entre le cas stationnaire et le cas non-stationnaire, pour la simple raison que lon ne
sinteresse pas au comportement asymptotique de l echantillon vu que lon travaille conditionnelle-
ment ` a l echantillon observ e. Il faut noter de m eme quen analyse classique on obtient des r esultats
particuliers avec les tests de racine unitaire dans les donn ees de panel. Un panel est un echantillon
qui a deux dimensions dobservation: une dimension individuelle et une dimension temporelle.
2
Dans le mod` ele auto-r egressif yt = yt1 = t, lestimateur OLS de a une distribution asymptotique qui est
Normale dans le cas stationnaire, qui est une fonctionnelle de processus de Wiener dans le cas = 1, et qui est Cauchy
dans le cas explosif.
9 CONCLUSION 37
Quand on fait des tests de racine unitaire dans ces echantillons, il suft de faire tendre vers linni,
non le nombre dobservations temporelles, mais le nombre dindividus pour que lon retrouve la
normalit e asymptotique.
Certains auteurs ont donc d evelopp e des tests Bay esiens de racine unitaire. Le premier fut
Sims (1988), soulignant le caract` ere conditionnel de linf erence Bay esienne. DeJong and White-
man (1991) apport` erent les premi` eres applications empiriques do` u il ressortait que dans une op-
tique Bay esienne les s eries macro- economiques am ericaines etaient en majorit e trend stationnaires,
contrairement aux r esultat trouv es par Nelson and Plosser (1982) qui utilisaient une approche clas-
sique. Il sen est suivi une pol emique importante qui a d emarr e avec larticle de Phillips (1991) sur
largument que si les tests Bay esien rejetaient si souvent lhypoth` ese de racine unitaire, cest que
la priori uniforme sur quils utilisaient favorisait trop lhypoth` ese de stationnarit e. Les r esultats
empiriques pr ec edents furent donc d eclar es non robustes par rapport ` a la sp ecication de la priori.
En employant le mod` ele lin eaire y
t
= y
t1
+
0
+
1
t +
t
et une a priori de Jeffreys sur , Phillips
est parvenu ` a reproduire plus ou moins les r esultats classiques. La controverse a pourtant et e nourrie
par le fait que la priori de Jeffreys est tr` es irr ealiste et ne re` ete certainement pas les opinions que
lon peut avoir sur la distribution de .
Schotman and van Dijk (1991) et Schotman and van Dijk (1993) ont abord e le probl` eme diff eremment
en utilisant le mod` ele non-lin eaire qui impose que y
t
soit du m eme ordre sous lhypoth` ese alterna-
tive et sous lhypoth` ese nulle. Ils d eveloppent un test de lhypoth` ese ponctuelle = 1 bas es sur des
posterior odds. Ils retrouvent des r esultats naux similaires ` a ceux de Phillips sur les donn ees de
Nelson et Plosser. Mais leurs r esultats sont fragiles, car les posterior odds d ependent de la priori
qui est choisie et qui d epend de la conguration de l echantillon.
Lubrano (1995) utilise le m eme mod` ele type de mod` ele non lin eaire, mais insiste sur le fait
que les conditions initiales du processus doivent etre prises en compte et mod elis ees. Dautre part,
il sint eresse au test de lhypoth` ese | |> 1 en calculant la probabilit e a posteriori de cette hy-
poth` ese, ce qui revient ` a trouver un intervalle de conance pour lhypoth` ese = 1. Ce type de test
est ind ependant de la forme de la priori. Il conduit egalement ` a rejeter beaucoup moins souvent
lhypoth` ese de racine unitaire.
La conclusion que lon peut aborder ` a ce d ebat, cest que la sp ecication du mod` ele et des con-
ditions initiales a une grande importance quand on veut discuter du comportement non-stationnaire
dun processus dynamique.
9 Conclusion
La litt erature sur les racines unitaires est tr` es volumineuse, tant sur le plan de la th eorie statistique
que sur celui des applications empiriques et de la th eorie economique. On a tent e de donner un
l conducteur le plus clair possible sur la partie statistique. Un survey de la partie economique
serait egalement int eressant ` a faire. On sest attach e ` a montrer que lhypoth` ese de racine unitaire
entranait un comportement tr` es particulier des s eries et une mod elisation particuli` ere de la perma-
nence. Il est un point cependant que lon a peu evoqu e. Les tests de racine unitaire sont des tests tr` es
peu puissants. Le point quont soulign e Campbell and Perron (1991), cest la presque equivalence
empirique entre un mod` ele trend stationnaire et un mod` ele stationnaire en diff erence; la presque
equivalence empirique est d enie au sens o` u le corr elogramme des deux processus peuvent etre
10 LECTURES ADDITIONNELLES 38
rendus arbitrairement proches. Il suft pour cela de consid erer des r esidus ARMA et non plus AR.
Une racine unitaire dans la partie AR peut alors etre annul ee par une racine presque unitaire dans la
partie MA. Si bien que certains auteurs comme Christiano and Eichenbaum (1990) ont emis lid ee
que lon devrait abandonner lid ee m eme de tester la pr esence dune racine unitaire. On peut rester
pragmatique en disant que ces tests doivent etre pris avec un petit grain de sel. Il est illusoire de
vouloir opposer deux th eories economiques sur la base dun simple test de racine unitaire. Par contre
un tel test peut etre un instrument de mod elisation utile pour sp ecier une relation de coint egration.
10 Lectures additionnelles
Il existe plusieurs survey g en eraux sur les tests de racine unitaires. On peut citer par exemple Stock
(1994). Louvrage de Hamilton (1994) est int eressant pour la clart e des d emonstrations. Celui de
Maddala and Kim (1998) couvre plus de mati` ere et met bien en perspective les diff erents acquis de
la litt erature. Il conduit des discussions parfois originales.
11 Exercices
11.1 Exercice 1: I(1)
Consid erons le processus AR(1), y
t
= y
t1
+
t
. On ne pr ecise pas pour linstant la valeur de .
Par substitutions successives, ecrire y
t
en fonction de la condition initiale y
0
et de la somme
des termes derreurs.
Calculez la moyenne et la variance de y
t
pour < 1 et pour = 1. Quant t que
peut-on en conclure?
Calculez de m eme les auto-covariances. Comparez les r esultats pour < 1 et = 1.
11.2 Exercice 2: I(1), simulation
On va maintenant simuler le m eme processus AR(1) que pr ec edemment en prenant deux cas = 0.5
et = 1. On utilisera bien s ur les m emes valeurs pour le terme derreur . Prenez T = 50.
Estimez lauto-corr elation des deux processus et faites en le graphique en superposant ` a
chaque fois la valeur empirique et la valeur th eorique.
Refaites le m eme exercice pour T = 100 et T = 500.
11.3 Exercice 3: ARIMA(0,1,1)
Consid erons le processus ARIMA(0,1,1) que lon note
y
t
= +
t
+
t1
Calculez par substitutions successives la representation MA de y
t
. Interpr eter les termes
trouv es de mani` ere ` a d egager une tendance d eterministe, une tendance stochastique et un
cycle stationnaire.
REFERENCES 39
Pour T = 100, = 0.01 et = 0.4, tracer sur un m eme graphique le cycle, la tendance
stochastique, la tendance d eterministe et la s erie y
t
. On prendra N(0, 0.001).
Renouvelez lexercice de simulation avec N(0, 0.01) et N(0, 0.1).
11.4 Exercice 4: test ADF
Montrez que dans un test ADF y
t
= y
t1
+ y
t1
+
t
la distribution de et celle de

sont
ind ependantes. Intuition:

Ecrire lestimateur OLS en pensant ` a le normaliser correctement
Montrez que l el ement diagonal de la matrice des double produits tend asymptotiquement
vers z ero
References
BARTHELEMY, F., AND M. LUBRANO (1996): Unit Roots Tests and SARIMAModels, Economic
Letters, 50(2), 147154.
BHARGAVA, A. (1986): On the Theory of Testing for Unit Roots in Observed Time Series, Review
of Economic Studies, 53, 369384.
BLANCHARD, O. J., AND L. H. SUMMERS (1986): Hysteresis and the European unemployment
problem, in NBER Macroeconomics Annual.
BOSWIJK, P. H. (1992): Cointegration, Identication and Exogeneity. Thesis Publisher, Tinbergen
Institute Research Series, Amsterdam.
BOX, G., AND G. JENKINS (1976): Time Series Analysis Forecasting and Control. San Francisco.
CAMPBELL, J., AND P. PERRON (1991): Pitfalls and Opportunities: What Macroeconomists
Should Know about Unit Roots, in NBER macroeconomics annual 1991, ed. by O. J. Blan-
chard, and S. Fischer, pp. 141201. MIT Press, Cambridge and London.
CHRISTIANO, L., AND M. EICHENBAUM (1990): Unit Roots in Real GNP: do we Know and do
we Care?, Carnegie-Rochester Conference Series on Public Policy, 32, 761.
DAVIDSON, R., AND J. G. MACKINNON (1993): Estimation and Inference in Econometrics. Ox-
ford University Press, Oxford.
DEJONG, D., AND C. WHITEMAN (1991): Reconsidering Trends and Random Walks in Macro
economic Time Series, Journal of Monetary Economics, 28, 221254.
DICKEY, D., W. BELL, AND R. MILLER (1986): Unit Roots in Time Series Models: Tests and
Implications, The American Statistician, 40, 1226.
DICKEY, D., AND W. FULLER (1979): Distribution of the Estimator for the autoregressive Time
Series with a Unit Root, Journal of the American Statistical Association, 74, 427431.
(1981): Likelihood Statistics for Autoregressive Time Series with a Unit Root, Econo-
metrica.
REFERENCES 40
DICKEY, D., D. HASZA, AND W. FULLER (1984): Testing for Unit Roots in Seasonal Time
Series, Journal of the American Statistical Association, 79, 355367.
DICKEY, D., AND S. PANTULA (1987):.
DIEBOLD, F., AND M. NERLOVE (1990): Unit Roots in Economic Time Series: a Selective Sur-
vey, in Advances in Econometrics: Co-integration, Spurious Regression and Unit Roots, ed. by
T. Fomby, and G. Rhodes, vol. 8, pp. 369. JAI Press.
DOLADO, J., T. JENKINSON, AND S. SOSVILLA-RIVERO (1990):.
FULLER, W. (1976): Introduction to Statistical Time Series. John Wiley, New York.
GHYSELS, E., AND P. PERRON (1993): The Effect of Seasonal Adjustment Filters on Tests for a
Unit Root, Journal of Econometrics, 55, 5798.
GRANGER, C. W. J., AND P. NEWBOLD (1986): Forecasting Economic Time Series. San Diego.
HALL, R. (1978): Stochastic Implications of the Life Cycle-Permanent Income Hypothesis: The-
ory and Evidence, Journal of Political Economy, 86, 971987.
HAMILTON, J. (1994): Time Series Analysis. Princeton.
HYLLEBERG, S., R. F. ENGLE, C. W. GRANGER, AND S. YOO (1990): Seasonal Integration and
Cointegration, Journal of Econometrics, 44, 215 238.
HYLLEBERG, S., AND G. MIZON (1989): A Note on the Distribution of the Least Squares Esti-
mation of a Random Walk with Drift, Economic Letters, 29, 225.
KING, R., C. PLOSSER, AND S. REBELO (1988): Production, Growth and Business Cycles II.
New Directions, Journal of Monetary Economics, 21, 309341.
LAROQUE, G., P. RALLE, B. SALANI E, AND J. TOUJAS-BERNATE (1990): Description dune
Base de Donn ees Trimestrielles Longues: 1946:1 ` a 1989: 4, Discussion paper.
LUBRANO, M. (1995): Testing for Unit Roots in a Bayesian Framework, Journal of Economet-
rics, 69, 81109.
MACKINNON, J. (1991): Critical Values for Cointegration Tests, .
MADDALA, G., AND I.-M. KIM (1998): Unit Roots, Cointegration and Structural Change. Cam-
bridge University Press, Cambridge, UK.
NABEYA, S., AND K. TANAKA (1988): Asymptotic theory of a test for the constancy of regression
coefcients against the random walk alternative, Annals of Statistics, 16, 218235.
NELSON, C., AND C. PLOSSER (1982): Trends and Random Walks in Macroeconomic Time
Series, Journal of Monetary Economics, 10, 139162.
NERLOVE, M. (1989): Unit Roots in Economic Time Series: an Introduction, Discussion paper.
NEWEY, W., AND K. WEST (1987): A simple positive semi-denite heteroskedasticity and
autocorrelation-consistent covariance matrix, Econometrica, 55, 703708.
REFERENCES 41
NG, S., AND P. PERRON (1995): Unit Root Tests in ARMA Models with Data-Dependent Meth-
ods for the Selection of the Truncation Lag, Journal of the American Statistical Association,
90(429), 268281.
OSBORN, D., A. CHUI, J. SMITH, AND C. BIRCHENHALL (1988): Seasonality and the Order of
Integration for Consumption, Journal of Applied Econometrics, 3, 255266.
PERRON, P. (1988): Trends and Random Walks in Macroeconomic Time Series: Further evidence
from a new approach, Journal of Economic Dynamics and Control, 12, 297332.
(1989): The Great Crash, the Oil Price Shock and the Unit Root Hypothesis, Economet-
rica, 57, 13611401.
PERRON, P., AND S. NG (1996): Useful modications to some unit root tests with dependent
errors and their local asymptotic properties, Review of Economic Studies, 63(3), 435465.
PHILLIPS, P. C. (1987): Time Series Regression with a Unit Root, Econometrica, 55, 277301.
(1991): To criticize the critics: an objective Bayesian analysis of stochastic trends, Jour-
nal of Applied Econometrics.
PHILLIPS, P. C., AND P. PERRON (1988): Testing for a Unit Root in Time Series Regression,
Biometrica, 75, 335346.
SCHOTMAN, P., AND H. K. VAN DIJK (1991): A Bayesian Analysis of the Unit Root in Real
Exchange Rates, Journal of Econometrics, 49, 195238.
(1993): Posterior Analysis of Possibly Integrated Time Series with an Application to Real
GNP, .
SCHWERT, G. (1989): Tests for Unit Roots: a Monte Carlo Investigation, Journal of Business
and Economics Statistics, 7, 147 160.
SHILLER, R., AND P. PERRON (1985): Testing the Random Walk Hypothesis: Power versus Fre-
quency of Observation, Economic Letters, 18, 381386.
SIMS, C. A. (1988): Bayesian Skepticism on Unit Root Econometrics, Journal of Economic
Dynamic and Control, 12, 463.
SIMS, C. A., J. H. STOCK, AND M. W. WATSON (1990): Inference in Linear Time Series with
Some Unit Roots, Econometrica, 58, 113144.
STOCK, J. (1994): Unit roots, structural breaks and trends, in Handbook of Econometrics, ed. by
R. Engle, and D. MacFadden, vol. IV, pp. 27392841. Elsevier, Amsterdam.
WALLIS, K. K. (1974): Seasonal Adjustment and Relation between Variables, Journal of the
American Statistical Association, 69, 1831.
WEST, K. (1988): Asymptotic Normality when regressors have a unit root, Econometrica, 56,
13971418.

CH 4

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CH 4

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE IV

Tests de Racine Unitaire

. Dautre part, les r esultats de convergence obtenus dans le chapitre 2 permettent

pour la statistique de Student et z

(r) est en quelque sorte pris

. les distributions sont encore un peu diff erentes que pr ec edemment

probabilit e dans la queue de gauche

probabilit e dans la queue de gauche

(L) est un polyn ome de degr e p 1 sans terme constant:

(L) a toutes ses racines en dehors du cercle

par analogie avec le cas pr ec edent. Ce type de

ont la m eme distribution asymptotique sous des

la variance des erreurs

(i) sont nuls, alors

En regroupant ces r esultats partiels, on obtient

)/2. On peut alors d enir la statistique de test suivante

, les choses sont simples. Lestimateur

o` u l est la troncature. Mais il est dusage de pr ef erer lestimateur

6 RUPTURES DE TREND ET TESTS DE PERRON 17

ce nouveau test (statistique de Student associ ee au coefcient de

converge en distribution vers une fonctionnelle de processus de Wiener

() sont relativement complexes. On remarque que

. On a extrait de Perron (1989) la

qui rappelons le sont

pr` es des bornes.

sur les s eries de taux de ch omage.

. Le fait davoir pris la variable d ependante en

Ce spectre comporte trois pointes en = 0, = et = /2 comme on peut le constater sur la

Vous aimerez peut-être aussi