Académique Documents
Professionnel Documents
Culture Documents
Contenu:
Chapitre 1: Processus Stochastiques
Chapitre 2: Modles linaires
Chapitre 3: Modles non linaires
01/12/2014
01/12/2014
Eviews
R
SPSS
SAS
XLSTAT
NumXL
01/12/2014
Bibliographie
Rgis BOURBONNAIS, Michel
TERRAZA: Analyse des sries temporelles:
Applications lconomie et la gestion,
DUNOD, 2004.
Sandrine LARDIC, Valrie MIGNON:
conomtrie des Sries Temporelles
Macroconomiques et Financires,
Economica, 2002.
Pr. Mohamed El Merouani
01/12/2014
Introduction
Dt composante dterministe
Nt composante alatoire
Introduction
ou
Yt = Tt + Ct + S t + t
Tt tendance
Ct le cycle ou la conjoncture
St la saison ou la composante saisonnire
t le rsidus ou le facteur rsiduel
Pr. Mohamed El Merouani
10
01/12/2014
Processus Stochastiques:
Un processus stochastique est une famille de
variables alatoires qui correspondent des instants
successifs du temps.
Il sera not par: Y (t, u)
o t est le temps et u est la variable alatoire.
Si on fixe t=t0, alors Y (t 0 , u ) sera une variable
alatoire.
Mais, si on fixe u=u0, alors pour chaque instant du
temps, le processus prendra une seule valeur
Y (t , u0 )
Pr. Mohamed El Merouani
11
Processus Stochastiques:
distribution de probabilit
Lorsque lon fixe une valeur dans le temps, le
processus stochastique devient une variable
alatoire qui aura sa propre distribution de
probabilit.
Ainsi, pour t=ti, la distribution de probabilit
sera note par F[Y(ti)].
12
01/12/2014
Processus Stochastiques:
distribution de probabilit
Si, au lieu dune valeur, on fixe deux valeurs du
temps, on obtiendra une variable
bidimensionnelle avec une fonction de
distribution bivariante. Ainsi pour t=ti et t=tj,
la distribution de pobabilit sera F[Y(ti), Y(tj)].
En gnral, pour un ensemble fini des valeurs
du temps, on obtiendra une fonction de
distribution conjointe. Ainsi, pour t1, t2, t3,, tn
la fonction de distribution conjointe sera:
F[Y(t1), Y(t2),, Y(tn)].
Pr. Mohamed El Merouani
13
Processus Stochastiques:
distribution de probabilit
De cette faon, on dit quun processus stochastique
est parfaitement caractris lorsque lon peut
dterminer les fonctions de distribution conjointe
pour chaque ensemble fini de variables du
processus, cest--dire pour chaque nombre fini n
de variables alatoires.
La dtermination des caractristiques du processus
partir des fonctions de distribution est, en gnral,
une mthode complique. Pour cela, on a lhabitude
dutiliser de prfrence la mthode des moments.
Pr. Mohamed El Merouani
14
01/12/2014
Processus Stochastiques:
caractrisation pas les moments
Dans une distribution de probabilit, on peut
calculer les moments de diffrents ordres, mme si
les moments de premier et de second ordre sont les
plus utiliss.
Pour un processus stochastique, que lon note, pour
simplifier la notation , Yt, la moyenne ou le moment
de premier ordre est dfini de la forme suivante:
t = E (Yt )
15
Processus Stochastiques:
caractrisation pas les moments
Comme moments de second ordre par rapport la
moyenne, on considre en plus de la variance, les
covariances entre les variables aux diffrents instants
du temps ou autocovariances qui seront dfinies par:
16
01/12/2014
Processus Stochastiques:
caractrisation pas les moments
Comme une manire alternative de
caractrisation dun processus stochastique,
on utilise aussi les coefficients
dautocorrelation
Rt ,s =
)
Var (Y ) Var (Y )
Cov Y t , Y s
t
17
Remarques:
Les autocorrelations et les variances ensemble
donnent la mme information que les
autocovariances. Mais, il est prferable dutiliser
les autocorrelations puisquelles donnent des
mesures relatives, mieux que les autocovariances
qui sont affectes par lchelle utilise.
La caractrisation dun processus stochastique
par les moments de premier et de second ordre
est, en principe, plus incomplte que lorsquelle
est faite par les fonctions de distribution.
Pr. Mohamed El Merouani
18
01/12/2014
19
20
10
01/12/2014
21
22
11
01/12/2014
23
24
12
01/12/2014
25
Processus stationnaires :
Pour dfinir un processus stationnaire, on
peut utiliser, comme on la fait pour sa
cactrisation, soit les fonctions de distribution
ou alternativement les moments.
26
13
01/12/2014
Processus stationnaires:
On dit quun processus stochastique est stationnaire,
au sens strict ou stationnarit forte, lorsque lon
ralise un mme dplacement dans le temps de
toutes les variables de nimporte quelle distribution
conjointe finie, cette distribution ne varie pas.
Considrons la fonction de distribution conjointe
F(Yt ,Yt2,, Ytk).
1
Si on suppose que lon dplace tous les lments de
cette distribution de m priodes, la nouvelle fonction
de distribution conjointe sera F(Yt1+m,Yt2+m,, Ytk+m).
Pr. Mohamed El Merouani
27
Processus stationnaires:
Si le processus est stationnaire, au sens strict, on
vrifie que:
F(Yt ,Yt2,, Ytk)= F(Yt1+m,Yt2+m,, Ytk+m).
1
et de mme, on doit obtenir un rsultat analogue
pour nimporte quelle autre distribution
conjointe finie.
Aussi dans ce cas, il est plus difficil danalyser un
processus stationnaire partir des fonctions de
distribution que de le faire partir des moments.
Pr. Mohamed El Merouani
28
14
01/12/2014
Processus stationnaires:
En utilisant les moments, un processus est dit
stationnaire de premier ordre, ou en moyenne, sil
vrifie:
E[Yt ] =
29
Processus stationnaires:
On dit quun processus est stationnaire de second
ordre (ou au sens large) lorsque les deux conditions
suivantes sont vrifies:
1. La variance est finie et reste constante dans le temps,
cest--dire: E Yt 2 = 2 <
t
2. Lautocovariance entre deux priodes distinctes de
temps dpend uniquement de lintervalle du temps
entre ces deux priodes. Cest--dire:
E (Yt + k )(Yt ) = k
t
est lautocovariance dordre k, o k est la longueur de
cet intervalle de temps entre Yt et Yt+k.
Sa valeur k est indpendante de linstant t du
temps que lon considre.
30
15
01/12/2014
Remarques:
Comme on peut remarquer, la variance du
processus est tout simplement
lautocovariance dordre 0.
Lors de la dfinition dun processus
stationnaire au sens large, implicitement, on
tient compte de que le processus est aussi
stationnaire en moyenne, puisque soit dans la
variance soit dans les autocovariances, le
symbole nest affect par aucun indice.
Pr. Mohamed El Merouani
31
Remarques:
Si un processus est stationnaire au sens strict,
il sera aussi stationnaire au sens large, mais la
rciproque nest pas ncessairement vraie,
puisque le processus peut ne pas tre
stationnaire pour les moments dordre
suprieures au second.
Aussi, ici, si le processus est stationnaire au sens
large, et en plus il est normal, on vrifie que le
processus est stationnaire au sens strict.
Pr. Mohamed El Merouani
32
16
01/12/2014
1 T
0 = Yt
T t =1
1 T
= Yt
T t=1
)(
1 T k
k = Yt + k Yt
T t =1
33
Corrlogramme:
Pour un processus stationnaire les autocorrelations
sont dfinies de la forme suivante:
Rk =
k
0
k0
t 0
Rk = R k
Pr. Mohamed El Merouani
34
17
01/12/2014
Corrlogramme:
La representation graphique de Rk pour
k=0,1,2,3, sappelle Corrlogramme.
Lexamen du Corrlogramme des donnes
observes permettra de reprer lexistence
dautocorrlations ventuelles ainsi que
lordre dautocorrlation le plus significatif.
35
36
18
01/12/2014
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1
11
13
15
17
19
21
23
25
37
1
0,8
0,6
0,4
0,2
0
1
11
13
15
17
19
21
23
25
-0,2
-0,4
-0,6
-0,8
-1
38
19
01/12/2014
Processus rgodiques:
En plus dtre stationnaire, il est ncessaire que le
processus stochastique a la proprit dergodicit,
pour que linfrence peut se raliser dune forme
adquate.
Le concept dergodicit sera examin dune forme
intuitive. Lorsquil y a une forte corrlation entre les
valeurs dune srie temporelle loignes dans le
temps, cest--dire Rk garde des valeurs trs leves
pour un k assez grand, il arrive que lorsque on
augmente la taille de lchantillon, il y a peu
dinformation nouvelle qui sajoute.
Pr. Mohamed El Merouani
39
Processus rgodiques:
La consquence de ce fait est que
laugmentation de la taille de lchantillon
naura pas dutilit, puisquil faudra calculer un
nombre lev dautocovariances pour bien
caractriser le processus.
Lorsque la proprit dergodicit est vrifie,
on peut caractriser le processus par ses
moments de premier et de second ordre.
Pr. Mohamed El Merouani
40
20
01/12/2014
Processus rgodiques:
Une condition ncessaire, mais pas suffisante de
lrgodicit est:
lim Rk = 0
41
Rponse:
En gnral, on peut affirmer que les sries conomiques
ne sont pas stationnaires. On peut penser, par exemple,
au PIB, lindice des prix, loffre monnaitaireetc.
Aprs avoir examiner cette situation, on peut conclure
immdiatement que lutilisation des processus
stochastiques stationnaires en conomie est peu
intressante. Mais, en ralit, cest pas le cas, parce que
par de simples transformations la plus part des sries
conomiques peuvent se convertir en des sries
approximativement stationnaires. Alors, il sera facil
dappliquer linfrence statistique ces processus.
42
21
01/12/2014
43
44
22