Vous êtes sur la page 1sur 156

Economtrie des srie temporelles

Processus non stationnaires en moyenne


Processus non stationnaires en variance

Chapitre 2 Economtrie des sries


temporelles

Maher Chatti
FSEGT
Anne Universitaire : 2013-2014
2M EGRFA
Economtrie de la nance et de lassurance
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.
La frquence de ces observations peut aller de
lanne jusqu une frquence infra-journalire.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.
La frquence de ces observations peut aller de
lanne jusqu une frquence infra-journalire.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.
La frquence de ces observations peut aller de
lanne jusqu une frquence infra-journalire.
Les sries temporelles sont en gnral
fortement corrles au cours du temps.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.
La frquence de ces observations peut aller de
lanne jusqu une frquence infra-journalire.
Les sries temporelles sont en gnral
fortement corrles au cours du temps.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ce chapitre a pour objet dintroduire aux srie


temporelles.
Une srie temporelle ou srie chronologique est
une suite dobservations sur une variable
observe rgulirement au cours du temps.
La frquence de ces observations peut aller de
lanne jusqu une frquence infra-journalire.
Les sries temporelles sont en gnral
fortement corrles au cours du temps.
On distingue au sein de ces sries les sries qui
sont stationnaires au cours du temps de celles
qui ne le sont pas.
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

Processus stationnaires

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

Processus stationnaires

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

1
2

Processus stationnaires
Processus non stationnaires en moyenne

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

1
2

Processus stationnaires
Processus non stationnaires en moyenne

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

1
2
3

Processus stationnaires
Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

1
2
3

Processus stationnaires
Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Plan

1
2
3
4

Processus stationnaires
Processus non stationnaires en moyenne
Processus non stationnaires en variance
Prvision

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1. Processus stationnaires
1.1 Dnitions

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1. Processus stationnaires
1.1 Dnitions

Une srie est dite stationnaire si ses proprits


statistiques (moyenne, variance et covariances)
restent inchanges au cours du temps.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1. Processus stationnaires
1.1 Dnitions

Une srie est dite stationnaire si ses proprits


statistiques (moyenne, variance et covariances)
restent inchanges au cours du temps.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1. Processus stationnaires
1.1 Dnitions

Une srie est dite stationnaire si ses proprits


statistiques (moyenne, variance et covariances)
restent inchanges au cours du temps.
Une srie yt est dite stationnaire au second
ordre (au sens faible) si ses moments dordre 2 :
E (yht ) = i
2
Var (yt ) = E (yt ) = 0
Cov (yt , yt k ) = E [(yt ) (yt k )] = k

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1. Processus stationnaires
1.1 Dnitions

Une srie est dite stationnaire si ses proprits


statistiques (moyenne, variance et covariances)
restent inchanges au cours du temps.
Une srie yt est dite stationnaire au second
ordre (au sens faible) si ses moments dordre 2 :
E (yht ) = i
2
Var (yt ) = E (yt ) = 0
Cov (yt , yt k ) = E [(yt ) (yt k )] = k

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1. Processus stationnaires
1.1 Dnitions

Une srie est dite stationnaire si ses proprits


statistiques (moyenne, variance et covariances)
restent inchanges au cours du temps.
Une srie yt est dite stationnaire au second
ordre (au sens faible) si ses moments dordre 2 :
E (yht ) = i
2
Var (yt ) = E (yt ) = 0
Cov (yt , yt k ) = E [(yt ) (yt k )] = k
prennent des valeurs nies et constantes et sont
indpendantes du temps t.
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.2 Fonction dautocorrlation

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.2 Fonction dautocorrlation


Soit yt un processus stationnaire. On appelle
fonction dautocorrlation k la fonction :
k =

k
0

k2Z

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.2 Fonction dautocorrlation


Soit yt un processus stationnaire. On appelle
fonction dautocorrlation k la fonction :
k =

k
0

k2Z

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.2 Fonction dautocorrlation


Soit yt un processus stationnaire. On appelle
fonction dautocorrlation k la fonction :
k =

k
0

k2Z

Le graphique de la fonction dautocorrlation


est appel corrlogramme, qui reprsente la
valeur prise par la fonction dautocorrlation en
fonction du nombre de retards.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.2 Fonction dautocorrlation


Soit yt un processus stationnaire. On appelle
fonction dautocorrlation k la fonction :
k =

k
0

k2Z

Le graphique de la fonction dautocorrlation


est appel corrlogramme, qui reprsente la
valeur prise par la fonction dautocorrlation en
fonction du nombre de retards.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.2 Fonction dautocorrlation


Soit yt un processus stationnaire. On appelle
fonction dautocorrlation k la fonction :
k =

k
0

k2Z

Le graphique de la fonction dautocorrlation


est appel corrlogramme, qui reprsente la
valeur prise par la fonction dautocorrlation en
fonction du nombre de retards.
Elle vrie les proprits suivantes :
0 = 1; jk j

0 et k =

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;
si aucune autocorrlation nest signicativement
dirente de 0, le processus ne comporte aucune
mmoire (bruit blanc) ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;
si aucune autocorrlation nest signicativement
dirente de 0, le processus ne comporte aucune
mmoire (bruit blanc) ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;
si aucune autocorrlation nest signicativement
dirente de 0, le processus ne comporte aucune
mmoire (bruit blanc) ;
si seule lautocorrlation dordre 1 est signicative,
le processus prsente une mmoire courte ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;
si aucune autocorrlation nest signicativement
dirente de 0, le processus ne comporte aucune
mmoire (bruit blanc) ;
si seule lautocorrlation dordre 1 est signicative,
le processus prsente une mmoire courte ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation dcrit la


dynamique de court terme de la srie.
Elle peut renseigner sur la stationnarit de la
srie tudie :
elle diminue et sannule trs rapidement pour une
srie temporelle stationnaire ;
si aucune autocorrlation nest signicativement
dirente de 0, le processus ne comporte aucune
mmoire (bruit blanc) ;
si seule lautocorrlation dordre 1 est signicative,
le processus prsente une mmoire courte ;
si elle diminue trs lentement, la srie est non
stationnaire.
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .
Pour (yt k , yt k +1 ), pas de variables
intermdiaires et le coe. de corrlation
partielle 11 galise le coe. de corrlation 1 :
yt

k +1

= 11 yt

+ t

k +1

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .
Pour (yt k , yt k +1 ), pas de variables
intermdiaires et le coe. de corrlation
partielle 11 galise le coe. de corrlation 1 :
yt

k +1

= 11 yt

+ t

k +1

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .
Pour (yt k , yt k +1 ), pas de variables
intermdiaires et le coe. de corrlation
partielle 11 galise le coe. de corrlation 1 :
yt

k +1

= 11 yt

+ t

k +1

Pour le couple (yt k , yt k +2 ), on tiendra


compte de leet de yt k +1 sur yt k +2 ,
travers le coe cient 21 :
yt

k +2

= 21 yt

k +1

+ 22 yt

+ t

k +2

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .
Pour (yt k , yt k +1 ), pas de variables
intermdiaires et le coe. de corrlation
partielle 11 galise le coe. de corrlation 1 :
yt

k +1

= 11 yt

+ t

k +1

Pour le couple (yt k , yt k +2 ), on tiendra


compte de leet de yt k +1 sur yt k +2 ,
travers le coe cient 21 :
yt

k +2

= 21 yt

k +1

+ 22 yt

+ t

k +2

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.3 Fonction dautocorrlation partielle


Mesure la corrlation entre yt et yt k , une fois
retire linuence des variables entre yt et yt k .
Pour (yt k , yt k +1 ), pas de variables
intermdiaires et le coe. de corrlation
partielle 11 galise le coe. de corrlation 1 :
yt

k +1

= 11 yt

+ t

k +1

Pour le couple (yt k , yt k +2 ), on tiendra


compte de leet de yt k +1 sur yt k +2 ,
travers le coe cient 21 :
yt

k +2

= 21 yt

k +1

+ 22 yt

+ t

k +2

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation partielle est


donne par lalgorithme de Durbin qui dnit
les coe cients kk tels que :
8
>
= 1
>
< 11

kk = 1k
>
>
: =
kj

kj =11 k

j k 1,j
k 1
j =1 k j k 1,j

k 1,j

kk k

8k = 2, 3, ...
1,k j

8k = 2, 3, ...etj = 1, 2, ...

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4 Processus ARMA

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4 Processus ARMA

Les processus ARMA ont pour objet de


modliser une srie temporelle en fonction de
ses valeurs passes et des valeurs prsente et
passes du terme derreur.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4 Processus ARMA

Les processus ARMA ont pour objet de


modliser une srie temporelle en fonction de
ses valeurs passes et des valeurs prsente et
passes du terme derreur.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4 Processus ARMA

Les processus ARMA ont pour objet de


modliser une srie temporelle en fonction de
ses valeurs passes et des valeurs prsente et
passes du terme derreur.
Modles a-thoriques, servant surtout pour la
prvision.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.1 Processus autorgressifs

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.1 Processus autorgressifs


On appelle processus autorgressif dordre p,
not AR (p ), un processus stationnaire yt
vriant une relation du type :
yt

1 yt

...

p yt

= t

o les i sont des rels et t un bruit blanc (0, 2 ).

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.1 Processus autorgressifs


On appelle processus autorgressif dordre p,
not AR (p ), un processus stationnaire yt
vriant une relation du type :
yt

1 yt

...

p yt

= t

o les i sont des rels et t un bruit blanc (0, 2 ).

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.1 Processus autorgressifs


On appelle processus autorgressif dordre p,
not AR (p ), un processus stationnaire yt
vriant une relation du type :
yt

1 yt

...

p yt

= t

o les i sont des rels et t un bruit blanc (0, 2 ).


En introduisant loprateur de retard L, dni
tel que : yt 1 = Lyt , on peut crire :
1

1 L

...

p Lp yt = (L) yt = t
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour calculer les autocorrlations du processus


AR (p ), on multiplie chaque membre de
lquation par yt k , puis on applique
loprateur esprance avant de diviser le tout
par 0 , ce qui donne :
k

1 k 1 ... p k p = 0 )
k = pj=1 j k j 8k > 0

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour calculer les autocorrlations du processus


AR (p ), on multiplie chaque membre de
lquation par yt k , puis on applique
loprateur esprance avant de diviser le tout
par 0 , ce qui donne :
k

1 k 1 ... p k p = 0 )
k = pj=1 j k j 8k > 0

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour calculer les autocorrlations du processus


AR (p ), on multiplie chaque membre de
lquation par yt k , puis on applique
loprateur esprance avant de diviser le tout
par 0 , ce qui donne :
k

1 k 1 ... p k p = 0 )
k = pj=1 j k j 8k > 0

Les autocorrlations partielles sont donnes par


lalgorithme de Durbin. Pour un processus
AR (p ), kk = 0 8k > p : les autocorrlations
partielles sannulent partir du rang p + 1.
Cette proprit permet didentier lordre p des
processus AR.
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.2 Processus moyenne mobile

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.2 Processus moyenne mobile


On appelle processus moyenne mobile dordre
q, not MA(q ), un processus stationnaire yt
vriant une relation du type :
yt = t

1 t

...

q t

o les i sont des rels et t un bruit blanc (0, 2 ).

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.2 Processus moyenne mobile


On appelle processus moyenne mobile dordre
q, not MA(q ), un processus stationnaire yt
vriant une relation du type :
yt = t

1 t

...

q t

o les i sont des rels et t un bruit blanc (0, 2 ).

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.2 Processus moyenne mobile


On appelle processus moyenne mobile dordre
q, not MA(q ), un processus stationnaire yt
vriant une relation du type :
yt = t

1 t

...

q t

o les i sont des rels et t un bruit blanc (0, 2 ).


En introduisant loprateur de retard L, dni
tel que : t 1 = Lt , on peut crire :
yt = (1

1L

...

q Lq ) t = (L) t
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour obtenir la fonction dautocorrlation, on


calcule les autocovariances du processus,
soient :
k = E [(yt 0) (yt k 0)] = E (yt yt k ) = E
[(t 1 t 1 . q t q ) (t k 1 t k 1 . q t

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour obtenir la fonction dautocorrlation, on


calcule les autocovariances du processus,
soient :
k = E [(yt 0) (yt k 0)] = E (yt yt k ) = E
[(t 1 t 1 . q t q ) (t k 1 t k 1 . q t

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour obtenir la fonction dautocorrlation, on


calcule les autocovariances du processus,
soient :
k = E [(yt 0) (yt k 0)] = E (yt yt k ) = E
[(t 1 t 1 . q t q ) (t k 1 t k 1 . q t
Les termes croiss sont nuls alors que les
termes directs sont en fonction de 2 , si bien
que :
k =
( k + 1 k +1 + ... + q k q ) 2 si k = 1, 2, ..., q
0 sinon, cd si k > q
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour k = 0, on obtient la variance du


processus : 0 = 1 + 21 + ... + 2q 2 .

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour k = 0, on obtient la variance du


processus : 0 = 1 + 21 + ... + 2q 2 .

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour k = 0, on obtient la variance du


processus : 0 = 1 + 21 + ... + 2q 2 .
On en dduit la fonction dautocorrlation :
8
< (

k =
k + 1 k +1 +...+ q
1+ 21 +...+ 2q

k
0

k q

(
)
: 0 sinon, cd si k > q

=
si k = 1, 2, ..., q

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour un processus MA (q ), k = 0 8k > q :


les autocorrlations sannulent partir du rang
q + 1. Cette proprit permet didentier
lordre q des processus MA.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour un processus MA (q ), k = 0 8k > q :


les autocorrlations sannulent partir du rang
q + 1. Cette proprit permet didentier
lordre q des processus MA.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour un processus MA (q ), k = 0 8k > q :


les autocorrlations sannulent partir du rang
q + 1. Cette proprit permet didentier
lordre q des processus MA.
Les autocorrlations partielles dun processus
MA(q ) sont donnes par lalgorithme de
Durbin (expression relativement complique) et
nont pas de propri particulire.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.3 Processus ARMA

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.3 Processus ARMA


Ce sont des processus mixtes incorporant
simultanment des composantes AR et MA et
permettant dobtenir une description
parcimonieuse des donnes.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.3 Processus ARMA


Ce sont des processus mixtes incorporant
simultanment des composantes AR et MA et
permettant dobtenir une description
parcimonieuse des donnes.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.4.3 Processus ARMA


Ce sont des processus mixtes incorporant
simultanment des composantes AR et MA et
permettant dobtenir une description
parcimonieuse des donnes.
Un processus ARMA(p, q ) est un processus
stationnaire yt vriant une relation du type :
yt 1 yt 1 ... p yt p
= t 1 t 1 ... q t q
o les i (i = 1, ..., p ) et j (j = 1, ..., q ) sont des
rels et t un bruit blanc (0, 2 ).
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

En introduisant loprateur de retard L, on


peut crire :
(L) yt = 1 1 L ... p Lp yt
= (L) t = (1 1 L ... q Lq ) t

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour calculer les autocorrlations du processus


ARMA (p, q ), on multiplie chaque membre de
lquation par yt k , puis on applique
loprateur esprance avant de diviser le tout
par 0 , ce qui donne :
k

1 k 1 ... p k p = 0 )
k = pi=1 i k i 8k > q

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour calculer les autocorrlations du processus


ARMA (p, q ), on multiplie chaque membre de
lquation par yt k , puis on applique
loprateur esprance avant de diviser le tout
par 0 , ce qui donne :
k

1 k 1 ... p k p = 0 )
k = pi=1 i k i 8k > q

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Pour calculer les autocorrlations du processus


ARMA (p, q ), on multiplie chaque membre de
lquation par yt k , puis on applique
loprateur esprance avant de diviser le tout
par 0 , ce qui donne :
k

1 k 1 ... p k p = 0 )
k = pi=1 i k i 8k > q

La fonction dautocorrlation est de la mme


forme que celle des processus AR (p ).
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation partielle des


processus ARMA na pas dexpression simple et
dpend de lordre de chaque partie (p et q) et
de la valeur des paramtres.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation partielle des


processus ARMA na pas dexpression simple et
dpend de lordre de chaque partie (p et q) et
de la valeur des paramtres.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

La fonction dautocorrlation partielle des


processus ARMA na pas dexpression simple et
dpend de lordre de chaque partie (p et q) et
de la valeur des paramtres.
Elle se caractrise le plus frquemment soit par
une forme exponentielle dcroissante soit par
une forme oscillatoire amortie.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

3 tapes :

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

3 tapes :
identication ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

3 tapes :
identication ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

3 tapes :
identication ;
estimation ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

3 tapes :
identication ;
estimation ;

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5 Mthodologie de Box et Jenkins

3 tapes :
identication ;
estimation ;
validation.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.1 Identication

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.1 Identication

Consiste trouver les valeurs des paramtres p


et q des processus ARMA, en se basant sur
ltude des fonctions dautocorrlation et
dautocorrlation partielle.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.1 Identication

Consiste trouver les valeurs des paramtres p


et q des processus ARMA, en se basant sur
ltude des fonctions dautocorrlation et
dautocorrlation partielle.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.1 Identication

Consiste trouver les valeurs des paramtres p


et q des processus ARMA, en se basant sur
ltude des fonctions dautocorrlation et
dautocorrlation partielle.
Un ou plusieurs modles peuvent tre choisis.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .
Box et Jenkins suggrent de retenir un nombre
maximal de retards K = T4 o T est la taille de
lchantillon.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .
Box et Jenkins suggrent de retenir un nombre
maximal de retards K = T4 o T est la taille de
lchantillon.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .
Box et Jenkins suggrent de retenir un nombre
maximal de retards K = T4 o T est la taille de
lchantillon.
Aprs, on teste la signicativit individuelle des
coe cients dautocorrlation H0 : k = 0.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .
Box et Jenkins suggrent de retenir un nombre
maximal de retards K = T4 o T est la taille de
lchantillon.
Aprs, on teste la signicativit individuelle des
coe cients dautocorrlation H0 : k = 0.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation
On commence par calculer les dirents
coe cients
dautocorrlation :
k
y )(y
y)
y
(
T
b
pour diverses valeurs
k = t =1 T t y yt 2k
)
t =1 ( t
de k, k = 1, ..., K .
Box et Jenkins suggrent de retenir un nombre
maximal de retards K = T4 o T est la taille de
lchantillon.
Aprs, on teste la signicativit individuelle des
coe cients dautocorrlation H0 : k = 0.
Ces tests nous permettent didentier lordre q
des processus MA dont les autocorrlation
sannulent partir du rang
+ 1. des sries temporelles
Chapitre 2q
Economtrie

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation partielle

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Fonction dautocorrlation partielle

On peut claculer les autocorrlations partielles


et tester leur signicativit individuelle en vue
de dterminer lordre p des processus AR dont
les autocorrlations partielles sannulent
partir du rang p + 1.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.2 Estimation

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.2 Estimation
Consiste estimer les paramtres associs aux
termes autorgressifs et de moyenne mobile.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.2 Estimation
Consiste estimer les paramtres associs aux
termes autorgressifs et de moyenne mobile.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.2 Estimation
Consiste estimer les paramtres associs aux
termes autorgressifs et de moyenne mobile.
Dans certains cas, notamment dans le cas de
processus AR(p) sans autocorrlation des
erreurs, il est possible dappliquer la mthode
des MCO.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.2 Estimation
Consiste estimer les paramtres associs aux
termes autorgressifs et de moyenne mobile.
Dans certains cas, notamment dans le cas de
processus AR(p) sans autocorrlation des
erreurs, il est possible dappliquer la mthode
des MCO.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.2 Estimation
Consiste estimer les paramtres associs aux
termes autorgressifs et de moyenne mobile.
Dans certains cas, notamment dans le cas de
processus AR(p) sans autocorrlation des
erreurs, il est possible dappliquer la mthode
des MCO.
De faon plus gnrale, on utilise la mthode
du maximum de vraisemblance celle des
moindres carrs non linaires.
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis.

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis. Le modle choisi est celui admettant
les critres les plus faibles :
b2 +
Critre dAkaike : AIC = log

2 (p +q )
T

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis. Le modle choisi est celui admettant
les critres les plus faibles :
b2 +
Critre dAkaike : AIC = log

2 (p +q )
T

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis. Le modle choisi est celui admettant
les critres les plus faibles :
b2 +
Critre dAkaike : AIC = log
Critre dinformation de Schwarz :
+q )
b 2 + (p T
SIC = log
log T ;

2 (p +q )
T

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis. Le modle choisi est celui admettant
les critres les plus faibles :
b2 +
Critre dAkaike : AIC = log
Critre dinformation de Schwarz :
+q )
b 2 + (p T
SIC = log
log T ;

2 (p +q )
T

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

1.5.3 Validation
On dpartage les modles choisis et estims sur
la base de tests sur les coe cients et sur les
rsidus (homoscdasticit, absence
dautocorrlation) ainsi que sur la comparaison
de critres dinformation pour les modles
choisis. Le modle choisi est celui admettant
les critres les plus faibles :
b2 +
Critre dAkaike : AIC = log
Critre dinformation de Schwarz :
+q )
b 2 + (p T
SIC = log
log T ;
Critre de Hannan-Quinn :
b2 + 2(pT+q ) log (log T )
HQ = log

2 (p +q )
T

Chapitre 2 Economtrie des


sries temporelles
o p + q est le nombre de paramtres
estims
dans

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Les sries conomiques et nacires sont trs


souvent des sries non stationnaires. On sintresse
ici la non stationnarit en moyenne. Celle-ci est
analyse partir de deux types de processus :
les processus stationnaires par rapport un trend
TS (Trend Stationary) dont la non stationnarit est
dterministe ;
les processus stationnaires par direnciation DS
(Dierence Stationary) dont la non stationnarit est
de nature stochastique.
La non stationnarit de type stochastique a des
consquences fondamentales sur le plan
conomtrique puisque les proprits asymptotiques
usuelles des estimateurs ne sont plus valables et il
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

est ncessaire de dvelopper une thorie


asymptotique particulire.
Un processus TS yt peut scrire : yt = f (t ) + t
o f (t ) est une fonction dterministe du temps et t
et t un processus stationnaire bruit blanc. Dans le
cas simple ou la fonction f est un polynome dordre
1, yt = + t + t .
Les proprits statistiques de yt sont donnes par :
E (yt ) = E ( + t + t ) = + t
2
Var (yt ) = E [yt E (yt )] = E (2t ) = 2
k = cov (yt , yt k ) =
E [yt E (yt )] [yt k E (yt k )] = E (t t k ) = 0
8k 6 = 0
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Ainsi, lesprance dun processus TS exhibe une


tendance dterministe : le processus est non
stationnaire en moyenne et la non stationnarit est
dterministe. Sa variance et sa fonction
dautocovariance sont constants et indpendants du
temps. Le comportement de long terme de yt est
dterministe : les eets dun choc sur yt sont
transitoires et la srie revient vers son mouvement
de long terme reprsent par la tendance.
Un processus TS est un processus que lon peut
rendre stationnaire en obtenant les rsidus dune
rgression sur un trend dterministe.
Un processus DS est un processus non stationnaire
que lon peut rendre stationnaire en appliquant un
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

ltre aux dirences d = (1 L) o L est


loprateur retard et d un entier :

(1

L) yt = + t

o t est un processus stationnaire. Pour d = 1


(dirences premires), le processus scrit :
yt = (1

L) yt = yt

yt

= + t

Si t est un bruit blanc, le processus obtenu scrit :


yt = yt

+ + t
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

et est une marche alatoire avec drive . Une


marche alatoire est ainsi caractrise par la
prsence dune racine unitaire (le coe cient aect
yt 1 est gal 1, qui est la solution de lquation
1 L = 0) et par le fait que t est un bruit blanc.
On peut rcrire yt comme suit :
yt = yt

+ + t = yt 2 + 2 + t + t
y0 + t + ti=1 i

= ... =

o y0 est le premier terme de la srie.


A la dirence du terme derreur dun processus
TS, le terme derreur du processus DS correspond
une accumulation de chocs alatoires ti=1 i , ce qui
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

implique quun choc une date donne a des eets


permanents.
Les proprits statistiques de yt sont donnes par :
E (yt ) = E y0 + t + ti=1hi = y0 +it
2

= t2
Var (yt ) = E [yt E (yt )] = E ti=1 i
k = cov (yt , yt k ) =
E [yt E (yt )] [yt k E (yt k )] =
E ti=1 i ti =1k i = (t k ) 2 8k 6= 0
Lesprance et la variance dun processus DS
dpendent du temps. Le processus DS est ainsi
caractris par une non stationnarit de nature
dterministe par le biais de lesprance mais aussi
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

par une non stationnarit de nature stochastique par


le biais des eprturbations dont la variance suit une
tendance linaire.
Il est crucial de pouvoir faire la distinction entre
processus TS et processus DS, notamment par le
biais de tests de racine unitaire.
Teste lhypothse nulle de non stationnarit (racine
unitaire) contre lhypothse alternative de
stationnarit. Dickey et Fuller considrent 3
modles :
modle 1 (sans constante et sans trend
dterministe)

(1

L) yt = t ) yt = yt

+ t ) H0 : = 1

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

vs H1 : jj < 1
Pour ramener le test un test de signicativit
individuelle des coe cients, on transforme le modle
en dirences premires :
yt = (yt yt 1 ) = ( 1)yt 1 + t =
yt 1 + t ) H0 : = 0 vs H1 : < 0
modle 2 (avec constante et sans trend
dterministe)
yt = + yt

+ t ) H0 : = 0 vs H1 : < 0

modle 3 (avec constante et trend dterministe)


Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

yt = + t + yt 1 + t ) H0 : = 0 vs
H1 : < 0
On calcule la statistique de Student du coe cient
et on compare cette statistique aux valeurs tabules
par Dickey et Fuller. Dans la mesure o les valeurs
critiques sont ngatives, la rgle de dcision est
inverse : si la valeur calcule est infrieure la
valeur critique, on rejette H0 et on conclut que la
srie est stationnaire ; sinon, lhypothse nulle de
non stationnarit ne peut tre rejete.
Les modles utiliss dans le test de Dickey et Fuller
sont restrictifs dans le mesure o on suppose que t
est un bruit blanc, hypothse qui peut tre remise
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

en cause par la prsence dautocorrlation et/ou


dhtroscdasticit. Pour rsoudre ce problme,
Dickey et Fuller ont propos une correction
conduisant au test de Dickey-Fuller augment.
An de tenir compte dune ventuelle
autocorrlation des erreurs, on introduit des retards
sur la variable dpendante. Les modles deviennent :
modle 1 :
yt = yt

+ pj=1 j yt

+ t

modle 2 :
yt = + yt

+ pj=1 j yt

+ t

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

modle 3 :
yt = + t + yt

+ pj=1 j yt

+ t

A nouveau, on teste H0 : = 0 vs H1 : < 0.


Le nombre de retards p est choisi de sorte ce que
t soit bien un bruit blanc. Plusieurs mthodes sont
possibles pour eectuer ce choix :
on retient pour p le retard correspondant la
dernire autocorrlation partielle signicativement
dirente de 0 ;
on estime plusieurs processus correspondant
direntes valeurs de p et on retient celui qui
minimise les critres dinformation de Akaike et de
Schwarz ;
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

on xe une valeur maximale pour p, note pmax ,


on estime le modle de rgression du test ADF et
lon teste la signicativit du terme yt pmax : si le
terme est signicatif, on conserve cette valeur de p,
sinon, on restime le modle avec un retard gal
pmax 1, on teste la signicativit du terme
yt pmax 1 et ainsi de suite.
On neectue pas le test de racine unitaire sur les 3
modles mais sur un seul des 3. Pour cela, on adopte
une stratgie squentielle en 3 grandes tapes.
On estime le modle gnral avec constante et
tendance :
yt = + t + yt

+ pj=1 j yt

+ t

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

On commence par tester la signicativit de la


tendance en se rfrant aux tables de Dickey-Fuller.
Si la tendance nest pas signicative, on passe
ltape 2. Sinon, on conserve le modle et on teste
lhypothse nulle de racine unitaire.
Si la tendance nest pas signicative, on estime le
modle gnral sans tendance :
yt = + yt

+ pj=1 j yt

+ t

On commence par tester la signicativit de la


constante en se rfrant aux tables de Dickey-Fuller.
Si la constante nest pas signicative, on passe
ltape 3. Sinon, on conserve le modle et on teste
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

lhypothse nulle de racine unitaire.


Si la constante nest pas signicative, on estime le
modle gnral sans constante et sans tendance :
yt = yt

+ pj=1 j yt

+ t

et on teste lhypothse nulle de racine unitaire en


utilisant les valeurs critiques de Dickey-Fuller.
Remarques :
Si lissue de lapplication de cette procdure, on
trouve que la srie yt est non stationnaire, cela
signie que la srie comporte au moins une racine
unitaire. dans ce cas, il convient de recommencer
lapplication des tests de Dickey-Fuller sur la srie
en dirence premire. Et ainsi de suite.
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Une srie non stationnaire est galement appele


srie intgre. Par exemple, si yt est non
stationnaire et que yt lest, yt est dite intgre
dordre 1 (yt I (1)) : il faut la direncier une fois
pour la rendre stationnaire, alors que yt est dite
intgre dordre 0 (yt I (0)) : il est inutile de la
direncier pour la rendre stationnaire.
De faon gnrale, une srie yt est intgre dordre
d (yt I (d )), sil est ncessaire de la direncier d
fois pour la rendre stationnaire (d yt I (0)).
Si lon applique les mthodes habituelles de
lconomtrie des sries non stationnaires peut
conduire estimer des rgressions fallacieuses,
cest--dire qui ont lair statistiquement trs
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

correctes entre des variables qui nont en ralit


aucun lien entre elles. Ainsi, si lon eectue la
rgression : yt = + xt + t , entre deux sries
temporelles xt et yt intgres dordre 1 et sans
aucun lien entre elles, on ne trouve pas que : = 0,
comme on devrait sy attendre. Ainsi, la non
stationnarit ne rend plus valables les procdures
dinfrence classiques.
Les rgressions fallacieuses saccompagnent en
gnral des deux rsultats symptomatiques
suivants : un coe cient de dtermination trs lev
et une valeur de la statistique de DW faible.
Un procdure trs frquemment utilise pour viter
le problme des rgressions fallacieuses consiste
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

direncier les sries non stationnaires an de les


stationnariser et de pouvoir appliquer les mthodes
habituelles de lconomtrie. Cette opration a
cependant pour limite principale de masquer les
proprits de long terme des sries tudies puisque
les relations entre les niveaux des variables ne sont
plus considres. La thorie de la cointgration
permet de pallier ce problme en orant la
possibilit de spcier des relations stables long
terme tout en analysant conjointement la
dynamique de court terme des variables considres.
Soient xt et yt deux sries intgres dordre d. En
gnral, la combinaison linaire donne par :
zt = yt xt est aussi I (d ). Toutefois, il est
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

possible que zt ne soit pas I (d ) mais I (d b) o


b est un entier positif (0 < b d). Dans ce cas, xt
et yt sont dites cointgres : (xt , yt ) CI (d, b).
Le cas le plus tudi correspond : d = b = 1.
Ainsi, deux sries non stationnaires I (1) sont
cointgres sil existe une combinaison linaire
stationnaire I (0) de ces deux sries.
Lide sous-jacente est la suivante. A court terme,
xt et yt peuvent avoir une volution divergente,
mais elles vont voluer ensemble long terme si
bien quil existe une relation stable long terme
entre xt et yt . Cette relation est appele relation de
cointgration ou relation de long terme et est
donne par : yt = xt . A long terme, les
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

mouvements similaires de xt et yt ont tendance se


compenser de sorte obtenir une srie stationnaire,
zt , appele erreur dquilibre et qui mesure lampleur
du dsquilibre court terme entre xt et yt .
Exemples :
relation entre consommation et revenu ;
relation entre prix relatifs et taux de change ;
relation liant les taux dintrt court et long
termes ;
relation existant entre les indices des bourses
internationales ;
relation entre cours et dividendes des actions.
Les sries cointgres peuvent tre modlises sous
la forme de modles corrcetion derreur. De tels
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

modles sont dynamiques et permettent de


formaliser les ajustements court terme qui
conduisent une situation dquilibre de long terme.
....
La mthode destimation a t propose par Engle
et Granger pour des sries CI (1, 1) et comporte
deux tapes : dabord, lestimation de la relation de
long terme et le test de cointgration et ensuite,
lestimation du modle correction derreur.
(Subsubsubsection head:)Premire tape
On estime la relation de long terme :
yt = + xt + zt
o zt est un terme derreur stationnaire (puisque les
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

deux sries xt et yt sont cointgres dordre 1),


sinon on aurait aaire une rgression fallacieuse.
Les tests de Dickey-Fuller (DF ) et Dickey-Fuller
augment (ADF ) permettent de tester lhypothse
nulle dabsence de cointgration contre lhypothse
alternative selon laquelle les sries considres sont
cointgres. Ils ont ainsi pour objet de tester
lexistence dune racine unitaire dans les rsidus
estims b
zt de la relation de long terme :
b
zt = yt

b
xt

Dans le cas du test de DF , on estime la relation :


b
zt = b
zt

+ ut

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

Dans le cas du test ADF , on estime la relation :


b
zt = b
zt

+ pi=1 i b
zt

+ ut

o dans les deux cas ut est un bruit blanc.


On teste lhypothse nulle H0 : b
zt non stationnaire
( = 0) traduisant le fait que xt et yt sont non
cointgres, contre lhypothse alternative H1 : b
zt
stationnaire ( < 0) indiquant que xt et yt sont
cointgres.
Les valeurs critiques tant ngatives, la rgle de
dcision est la suivante :
si bt est infrieur la valeur critique, on rejette
H0 et on conclut que xt et yt sont non cointgres
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

(la relation entre xt et yt est une rgression


fallacieuse) ;
sinon, on ne rejette pas H0 et on conclut que xt
et yt sont cointgres (la relation entre xt et yt est
une relation de cointgration).
Si les variables sont cointgres, on passe la
deuxime tape destimation du modle correction
derreur.
(Subsubsubsection head:)Deuxime tape
On estime le modle correction derreur par les
MCO :
yt = b
zt

+ i i xt

o t est un bruit blanc et b


zt

+ j j yt
1

+ t

le rsidu issu de

Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

lestimation de la relation de long terme retard


dune priode :
b
zt

= yt

b
xt

Jusquici, nous avons suppos que les erreurs


prsentaient toutes la mme variance. Cette
hypothse peut ne pas tre vrie dans certaines
situations surtout relevant du domaine de la nance,
o le prix de certains actifs dpendent de la
volatilit (variance) des mouvements de march, qui
peut changer au cours du temps selon les priodes
forts risques (rendements alternativements levs et
faibles) ou de relative stabilit (faibles rendements).
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

On parle de volatilit groupe.


Il y a htroscdasticit conditionnelle si la variance
dune srie temporelle dpend de ses valeurs
passes. Si cette dpendance est sous forme
autorgressive, on parle de processus ARCH. Par
exemple, le modle ARCH (1) scrit :
yt = 0 + 1 x1t + ... + k xkt + t
o t

N (0, 2t ) avec :
2t = E (2t j Yt

1)

= 0 + 1 2t

la variance conditionnelle de la srie et


Yt 1 = fyt 1 , yt 2 , ...g linformation disponible en
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

t 1. Les coe cients 0 et 1 sont positifs ou nuls


puisque la variance est positive.
On montre que 2t suit un processus AR (1) :
2t = 0 + 1 2t

+ vt

o vt = 2t 2t est un bruit blanc. Ceci implique


que les volatilits sont groupes si 1 > 0.
De manire gnrale, les processus ARCH (p ) se
prsentent comme suit :
2t = Var (t j Yt

1)

= 0 + 1 2t

+ ... + p 2t

On montre que 2t suit un processus AR (p ) :


Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

2t = 0 + 1 2t

+ +... + p 2t

+ vt

o vt = 2t 2t est un bruit blanc.


Ce sont des processus plus gnraux obtenus en
utilisant des modles ARMA pour les sries 2t . Par
exemple, le modle GARCH(1,1) est dcrit par :
2t = Var (t j Yt

1)

= 0 + 1 2t

+ 2 2t

On montre que 2t suit un processus ARMA(1, 1) :


2t = 0 + (1 + 2 ) 2t
o vt = 2t

+ vt

2 vt

2t est un bruit blanc.


Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

De manire gnrale, les processus GARCH (p, q )


comporte p retards de 2t et q retards de 2t et se
prsentent comme suit :
2t = Var (t j Yt

1)

= 0 + 1 2t

+ ... + p 2t

Pour eectuer le test dhtroscdasticit, on


procde comme suit :
On estime le modle de rgression :
yt = 0 + 1 x1t + ... + k xkt + t
et lon dduit la srie des rsidus, quon lve au
carr ;
Chapitre 2 Economtrie des sries temporelles

Economtrie des srie temporelles


Processus non stationnaires en moyenne
Processus non stationnaires en variance

On estime les rsidus au carr sur une constante


et sur ses p valeurs passes :
b2t = 0 + 1b2t

+ +... + pb2t

+ vt

et lon obtient le coe cient de dtermination R 2 .


On teste lhypothse nulle dhomoscdasticit
H0 : 1 = ... = p = 0 contre lhypothse
alternative dhtroscdasticit conditionnelle,
stipulant quau moins un des coe cients i est
signicativement dirent de 0. Sous H0, on sait
que : TR 2 2 (p ).
Si TR 2 est infrieure la valeur tabule, on ne
peut pas rejeter H0. Sinon, H0 est rejete et on
conclut lhtroscdasticit conditionnelle.
Chapitre 2 Economtrie des sries temporelles