Vous êtes sur la page 1sur 13
Fonction de densité de probabilité
Fonction de densité de probabilité

La notion de stationnarité

Définition - Un processus X t est dit stationnaire au sens fort si, quelque soit n, t, h, on a l’égalité en loi :

(X ,

t

,

X

tn

)

(X

th

,

,

X

tnh

)

Définition - Un processus X t est dit stationnaire au second ordre, ou au sens faible, si la moyenne et la variance du processus est constante et si les autocovariances ne dépendent que de la l’intervalle entre les observations :

(

E Xt

)

  Cov(X ,X

²

pour tout

pour tout

)

(h)

(

V Xt

)

t

t h

t

t

pour tout

h

et pour tout

t

En un mot, cela signifie que les caractéristiques probabilistes sont stables et inchangées au cours du temps.

Pourquoi la stationnarité est si importante?

la violation des hypothèses du modèle de la régression classique

Pourquoi la stationnarité est si importante? la violation des hypothèses du modèle de la régression classique

Détecter la non stationnarité : Modèles autorégressifs, marches

aléatoires, processus explosifs

Les modèles autorégressifs (c’est à dire expliquant une variable par son passé, et éventuellement par d’autres variables) les plus simples sont ceux de la forme :

(1)

x t = a.x t-1 + e t

De la relation (1) découlent par éliminations successives :

xt = a (a.x t-2 + e t-1 ) + e t

x t = a 2 .x t-2 + (a.e t-1 + e t )

x t = a t .x 0 + (a t-1 .e 1 + a t-2 .e 2 +

+ a.e t-1 + e t )

Un tel processus autorégressif avec un seul retard exprimé est appelé processus AR(1) dans la terminologie des séries chronologiques. En autorisant le coefficient autorégressif a à prendre la valeur 1, le processus est une marche

aléatoire (random walk). Si enfin le coefficient a est supérieur à 1 en valeur absolue, le processus est dit explosif.

 

Série stationnaire

Marche

Processus explosif

aléatoire

Valeur de a

|a| < 1

a = 1

|a| > 1

Processus autorégressif d’ordre 1 AR(1)

Processus autorégressif d’ordre 1 AR(1)

Non stationnarité

Marche Aléatoire

X t = X t-1 + u t

u t ~ IID(0, σ 2 )

Moyenne:

E(X t ) = E(X t-1 )

(moyenne constante)

X 1 = X 0 + u 1

X 2 = X 1 + u 2 = (X 0 + u 1 ) + u 2

(valeur initiale X 0 )

X t = X 0 + u 1 + u 2 +…+ u t

E(X t ) = E(X 0 + u 1 + u 2 +…+ u t ) = E(X 0 ) = constante

Non stationnarité

Marche aléatoire

X t = X t-1 + u t

X t = X 0 + u 1 + u 2 +…+ u t

u t ~ IID(0, σ 2 )

Variance: Var(X t ) = Var(X 0 ) + Var(u 1 ) +…+ Var(u t ) = 0 + σ 2 +…+ σ 2 = t σ 2 (la variance est non constante, elle dépend du temps)

Comment détecter la non stationnarité

(1)

(2)

(3)

 

(1)

y t - y t-1 = (α-1).y t-1 + e t

y t = α.y t-1 + e t

 

(2)

y t - y t-1 = (α-1).y t-1 + β

+ e t

y t = α.y t-1 + β + e t

 

(3)

y t - y t-1 = (α-1).y t-1 + β

+ ϒ.t + e t

y

t

= α.y t-1 + β +ϒ.t + e t

soit encore :

(1)

Δy t = Φ.y t-1 + e t

(2)

Δ y t = Φ.y t-1 + β + e t

(3)

Δ y t = Φ.y t-1 + β + ϒ .t + e t

en notant Φ la quantité (α-1) et naturellement Δ

l’opérateur différence-première, Il est clair qu'il est

équivalent de tester l'hypothèse : α = 1, dans les modèles

sous la forme initiale, ou Φ = 0 dans leur version transformée (hypothèse H 0 ).

On estime par les mco le modèle (3) et on calcule la statistique de Student pour la valeur estimée de ϒ, de β et de Φ. on utilise une table particulière calculée par Dickey et Fuller.

en notant F la quantité (a-1) et naturellement D l’opérateur différence-première. Il est clair qu'il est équivalent de tester l'hypothèse : a = 1, dans les modèles sous la forme initiale, ou F = 0 dans leur version transformée (hypothèse H 0 ).

On estime par les mco le modèle (5'') et on calcule la statistique de Student pour la valeur estimée de g, de b et de F. Si on opère les tests comme on l’a appris pour les coefficients g et b, en ce qui concerne Φ, les choses différent du test de Student traditionnel : ayant exclu le cas explosif (a > 1 ou Φ > 0) on procède au test unilatéral (a = 1 ou Φ = 0 contre Φ < 0) ce qui donne une zone de rejet située du côté négatif, et les hypothèses des mco n’étant pas satisfaites, notamment du fait que la variable considérée est endogène, on utilise une table particulière calculée par Dickey et Fuller.

Comment détecter la non stationnarité

L’étude de la stationnarité s’effectue essentiellement à partir de l’étude des fonctions

d’autocorrélation (ou de leur représentation graphique appelée « corrélogramme »).

Comment traiter la non stationnarité

Définition Un processus X t est non-stationnaire de type déterministe s’il peut s’écrire :

X

t

f (t)

t

où f(t) est un tendance déterministe, dans ce cas, on a :

E X

X

(


V

(

t

t

)

)

f

( )

t

La moyenne

2 dépend de t

Définition Un processus X t est non-stationnaire de type stochastique lorsqu’il est intégré d’ordre d, c’est-à-dire que le processus résultant de d différenciations est stationnaire:

Marche aléatoire (d=1) :

d

X

X

t

1

X

t

t

est stationnaire

t

1

X

t

X

0

t

i

i

1

E X

(

  X

V (

t

t

)

)

X

0 La variance

2

t

dépend de t

V ( t t )  )  X 0 La variance  2 t dépend

stationnaire

non-stationnaire

(déterministe)

non-stationnaire

(stochastique)