Académique Documents
Professionnel Documents
Culture Documents
Pratique de
lconomtrie
des sries
chronologiques
travers des
exemples
Economtrie des sries
chronologiques
Anne 2015-2016
Plan du cours :
1.
2.
3.
4.
5.
6.
Introduction
Les sries chronologiques : introduction, premires dfinitions,
Estimation et limination de la tendance et de la saisonnalit
Modlisation des sries chronologiques stationnaires et non stationnaires : ARMA, ARIMA
Les modles de cointgration et modles correction derreurs
Travaux dirigs
1. Gnralits : commentaires
conomtriques
2. Exercices : srie .., srie ..
des
relations
conomiques
et
passage
aux
relations
Bibliographie :
1.
Introduction :
Lconomtrie des sries temporelles, discipline quantitative ddie lconomie, a reu trois prix
Nobel au cours de la dernire dcennie. Avre comme science, elle oscille entre un cadre de rflexion
conomique et un univers conceptuel mathmatique. Lconomtrie des sries temporelles est un
domaine de lconomtrie tout dabord, et de lconomie en tant quelle apporte une mesure dans le
temps des phnomnes conomiques. Elle se caractrise par des analyses souvent complexes, et qui
sont perues comme tanches par bon nombre dconomistes. Pourtant, la preuve de leur utilit nest
plus faire : cette discipline sest vue dcerner trois prix Nobel dconomie : Clive GRANGER et
Robert ENGLE en 2003, puis Christopher SIMS en 2011. Notre propos ici est de rendre compte de
limportance de cette analyse et de traiter le ct pratique de cette science.
Maintenant que vous tes des tudiants du Master, bien sr orients vers lconomie et la finance, vous
vous placez dans la peau de lanalyste qui sait faire parler des chiffres financiers avec des mthodes
scientifiques. Votre intrt ici est de tester des thories laide des donnes empiriques observes
moyennant des outils conomtriques. Ces donnes en question peuvent tre de nature distincte et
avoir des sources varies et diffrentes :
1. Les donnes peuvent tre exprimentales dans le sens o elles sont issues dun fait rel ; par
exemple lvolution des indices de prix de la production industrielle, ou encore celui de la
cotation de titres dune socit sur le march casablancais.
2. Les donnes peuvent tre aussi non exprimentales si elles sont issues dexercices de
simulation ; par exemple gnres par un processus qui ne reflte pas la ralit dune activit
financire.
Ensuite nous pouvons dfinir trois types de donnes :
1. Les donnes dites en coupes transversales
2. Les donnes dites de panels
3. Les donnes dites chronologiques ou sries temporelles
Ces donnes exprimes en chiffres quantitatives ou modalits qualitatives correspondent des
observations qui peuvent tre structures (on peut contrler son volution), mais aussi elles peuvent
suivre une marche alatoire, comme souvent observ en finance.
De l peut surgir le principal problme de lconomtre trouver les donnes fiable et en quantit
suffisante. De mme les sources de donnes que doivent manipuler lconomtre doivent tre de
sources diffrentes, selon leurs disponibilits (organismes, enqutes personnelles, administrations ou
simulations).
Par ailleurs, outre ces problmes de nature et de disponibilit, les relations conomiques et financires
sont caractrises par le nombre de variables et de relations entre ces variables. En effet, une donne
est dite univarie si elle est observe en mme temps, et elle est multivarie si plusieurs variables y
sont associes.
Etant donne un chantillon tire partir dune base de donne conomique ou financire, on peut
extraire la base plusieurs informations statistiques descriptives donnant un premier aperu sur la
nature de la structuration de ces donnes. Dailleurs, cette tape est primordiale pour tout conomtre.
Lconomtrie sert donc tester empiriquement les relations conomiques et financires entre les
variables. En finance comme en conomie en gnral, il existe des modles conomtriques relevant
2
des thories financires (par exemple : le modle de march, le modle MEDAF capital assets price
market etc.).
En finance les chiffres jouent galement un rle trs important, non seulement parce quils sont
gnrs par des comportements financiers, mais parce quon peut dterminer leurs tendances et leurs
volutions dans le temps. En plus il est gnralement question en finance de tester les diffrentes
thories partir des donnes empiriques de nature financires.
Les champs dapplication de lconomtrie en finance sont divers et de natures diffrentes dont les
objectifs peuvent tre rsum de la faon suivante :
1.
2.
3.
4.
5.
Toutefois il est important pour assimiler les techniques conomtriques et les appliquer sur les
diverses sources de donnes, davoir principalement des prs-requis en termes de statistiques,
probabilit, et techniques quantitatives utiliser comme outil permettant la structuration, lanalyse et
linterprtation des donnes financires et conomiques. Outre ces prs-requis, il faut lassoci une
manipulation exacte des logiciels dconomtrie. En effet, il existe une multitude de logiciels
dconomtrie, je cite principalement Eviews que je recommande, interface facile, et offre plusieurs
techniques et mthodes (sans passer obligatoirement par le dveloppement), mais il est payant. Le
logiciel R qui de plus en plus trouve de la place car il est dabord fait partie des logiciel dits libre
cause de sa gratuit et surtout que son noyau est ouvert au dveloppement communautaire. R est une
suite intgre de logiciels ncessaires la manipulation des donnes, aux calculs numriques et la
prsentation graphique de fonctions.
Ce support correspond approximativement aux enseignements en Master sciences conomiques et de
gestion, est rdig en fonction dun tudiant attentif. Il ne vient pas du nant, je me suis appuyer sur
diffrentes rfrences et ouvrages reconnus dans la discipline. Mais aussi des ressources en ligne qui
sont de plus en plus prsents aujourdhui dans la diffusion de la connaissance.
Notre intrt est cependant pdagogique, et de rpondre certaines difficults souleves chez les
tudiants. Malgr les rfrences riches dans la matire, mais ils narrivent pas appliquer leurs
connaissance dans la pratique. Toutefois le but est dessayer de prsenter nos propos de manire
pratique, et dviter si ncessaire les lourdes dmonstrations et concepts appartenant aux sciences
dures, qui sont prsentes ici dans un langage plus ou moins simplifi et rigoureux.
Enfin, selon lexpression consacre, ce support nengage que son auteur. Toutes suggestions et
commentaires qui peuvent lamliorer sont le bienvenu.
Ces visualisations graphiques ont permis, grce aux diffrents outils mathmatiques mis en place
partir du dix-huitime sicle de mettre en place les premiers techniques danalyse des sries
chronologiques, parmi lesquelles lanalyse harmonique. Si les phnomnes astronomiques permettent
lutilisation de cette thorie, cest parce que des cycles parfaitement rguliers sont observs. Toutefois,
cette mthode sest rvle trs complique mettre en uvre en sciences humaines.
Deux articles en 1927 ont ouvert une autre voie : larticle de Yule1 qui a introduit dans la littrature les
modles autorgressif, et en mme anne celui de Slutsky2 qui a introduit les moyennes mobiles, mais
son article crit en russe na t traduit quen 1937 en anglais. Les processus introduit par Yule
deviendront les processus AR(p) et ceux introduit par Slutsky les processus MA(q).
Ltude des sries chronologiques semble avoir atteint sa maturit au cours des annes 70 o des
dveloppements significatifs sont apparus. En 1970, Box et Jenkins ont publi leur ouvrage Time
series analysis, forecasting and control montrant que ltude des sries temporelles laide de
processus de type ARMA (obtenus en associant les critures des processus AR et MA) pouvait
sappliquer de nombreux domaines, et pouvait tre facilement implmente informatiquement.
Les modles intgrs sont les trs prsent dans les sries conomiques et financires ds los que les
sries sont stationnaires.
Udny Yule, G, 1927, On a Method of Investigating Periodicities in Disturbed Series, with Special Reference to
Wolfer's Sunspot Numbers in Philosophical Transactions of the Royal Society of London. Series A, Containing
Papers of a Mathematical or Physical Character, Volume 226, pp. 267-298
2
Slutsky, Eugen, 1927, The Summation of Random Causes as a Source of Cyclic Processes , Problems of
Economic Conditions 3 (1). Moscow: Conjuncture Institute.
4
Trimestre 1
Trimestre 2
Trimestre 3
Trimestre 4
2006
30
11
12
36
2007
32
12
13
37
2008
33
13
15
39
2009
35
14
17
41
40
30
20
10
0
1
10
11
12
13
14
15
16
17
18
19
Une fois le dessin est tabli, il parait bien que cette une fonction complique tudier et a en ressortir
avec des prvisions en utilisant les mthodes usuelles dj tudies. Donc lorsquon est dhabitude en
face dun problme, on essaie de le dcomposer en plusieurs composantes en en tudi chacune
delles.
Composantes
Pour notre srie chronologique il existe principalement quatre composantes fondamentales :
1. La composante tendancielle ou tendance (trend) : cette composante porte sur les changements
de croissance ou de dcroissance tout au long de la srie.
2. La composante cyclique : cet aspect de la srie fait rfrence la prsence dune certaine
rcurrence et peut s'observer gnralement sur des intervalles de plusieurs annes.
3. La composante saisonnire (saison) : il s'agit de la prsence ou non dun effet priodique qui
se rapporte une anne (trimestres, semestres etc.)
4. La composante alatoire (erreur) : cette caractristique dune srie chronologique constitue la
partie non explique par la tendance, le cycle ou la saisonnalit. Des vnements rares qui
peuvent difficilement tre prdits sont souvent l'origine de ces fluctuations.
A partir de ces quatre3 composante il faut maintenant dterminer le modle statistique (ou le schma)
adquat ; en effet, il existe une multitude de modles statistiques, il suffit de connaitre les diffrentes
oprations arithmtiques. Par exemple :
1.
2.
3.
4.
5.
6.
Le modle multiplicatif :
= +
Le modle multiplicatif deuxime type :
=
Le modle additif :
= + +
Le modle mixte
Le modle linaire, Le modle polynomiale, le modle exponentiel, etc.
Il y a des modles plus compliqus dtecter laide des logiciels spcialis comme Eviews,
Stata, etc.
La tendance est un lieu gomtrique simple qui peut tre une droite ou une courbe. Et on est toujours
en prsence dune priode qui peut tre un mois, un trimestre, un semestre, etc. Donc une priodique
qui se rfre une anne. La dtection du Trend se fait en utilisant la :
Premire mthode :
On constate partir de lanalyse graphique que la srie chronologique est oscille autour dune droite,
on conclut donc que le trend est une droite.
Deuxime mthode :
On constate sur le dessin que les pics des maxima et des minima peuvent sajuster sur une droite :
donc le trend est une droite.
Linterprtation de cette tendance est trs importance, elle nous renseigne si la srie volue, et prsente
un indicateur solide pour la prise de dcision.
Traitons le cas o le Trend est une Droite
Maintenant quand a dtermin le trend, on devra le calculer par la mthode des Moindres carrs
ordinaires (MCO). Nous allons calculer la droite de trend qui prend la forme suivante :
= + +
Pour cela nous calculons les paramtres du modle de rgression simple par les formules suivantes :
(, )
()
30
11
12
36
32
12
13
37
33
13
15
39
35
14
17
41
20,8897059
21,3544118
21,8191176
22,2838235
22,7485294
23,2132353
23,6779412
24,1426471
24,6073529
25,0720588
25,5367647
26,0014706
26,4661765
26,9308824
27,3955882
27,8602941
50
40
30
20
10
0
1
10 11 12 13 14 15 16
Nous allons poursuivre la mme dmarche que pour la recherche de la tendance, c'est--dire nous
avions deux paramtres inconnus calculer savoir la pente et lordonne lorigine. Maintenant
pour la recherche des composantes saisonnires associes aux donnes trimestrielles, comme cest le
cas de notre exemple il sagit de quatre saisons en rfrence une anne. On les appelle, les
coefficients saisonniers et ils sont obtenus grce la formule suivante :
1
( )
2 = 2 =
(2 )
1 2 6 10 14
= ( + +
+
)
4 2 6 10 14
Avec par exemple 2 = 0,4647 (2) + 20,425
2006
2007
2008
2009
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
30
11
12
36
32
12
13
37
33
13
15
39
35
14
17
41
20,8897059
21,3544118
21,8191176
22,2838235
22,7485294
23,2132353
23,6779412
24,1426471
24,6073529
25,0720588
25,5367647
26,0014706
26,4661765
26,9308824
27,3955882
27,8602941
10
14
1
11
12
13
14
= (
+
+
+
)
4 21,354 23,213 25,072 26,931
2 = 2 = 0,52
2
Bien sur 14 = 10 = 6 = 2 = = 0,52
De la mme manire nous pouvons calculer les autres coefficients saisonniers et le rsultat est le
suivant :
1 = 5 = 9 = 13 = 1 = 1,38
3 = 7 = 11 = 15 = 3 = 0,58
4 = 8 = 12 = 16 = 4 = 1,53
La dtermination de la variable vente corrige des variations saisonnires seffectue partir de la
relation suivante :
, =
; 1
14
Voir le tableau des donnes rcapitules ci-dessous pour voir les calculs de ,
La troisime composante est la composante alatoire : =
Le calcul de cette composante est simple et automatique daprs la formule ci-dessus, calculons par
exemple lerreur relative la priode 14.
14 = 14 14 14
14 = 14 0,52 26,931 = 0,06
Tableau des donnes rcapitules
2006
2007
2008
2009
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
30
11
12
36
32
12
13
37
33
13
15
39
35
14
17
41
20,8897059
21,3544118
21,8191176
22,2838235
22,7485294
23,2132353
23,6779412
24,1426471
24,6073529
25,0720588
25,5367647
26,0014706
26,4661765
26,9308824
27,3955882
27,8602941
1,38
0,52
0,58
1,53
1,38
0,52
0,58
1,53
1,38
0,52
0,58
1,53
1,38
0,52
0,58
1,53
,
21,7932045
21,2517546
20,8068107
23,5308615
23,2460848
23,1837323
22,5407116
24,1844965
23,972525
25,11571
26,0085134
25,4917666
25,4254053
27,0476877
29,4763152
26,7990367
1,24
-0,05
-0,58
1,91
0,68
-0,02
-0,66
0,06
-0,87
0,02
0,27
-0,78
-1,43
0,06
1,20
-1,62
Nous pouvons maintenant passer la prsentation graphique de la srie brute, son trend et la srie
corrige des variations saisonnires :
Yt
50
Ct
Yt cvs
40
30
20
10
0
1
10
11
12
13
14
15
16
Ce graphique montre naturellement les variations ( la baisse respectivement la hausse) des ventes
enregistres dont la courbe est verte par rapport la droite de la tendance ; cependant les ventes
enregistrent une hausse lorsque la courbe verte dpasse la droite du trend indpendamment des
variations saisonnires, et respectivement enregistrent une baisse lorsque cette courbe est au-dessous
de la droite du trend. Cette analyse permet bien videment de voir lvolution stricte des ventes
indpendamment de lvolution saisonnire.
10
Nous allons nous intresser maintenant une autre forme que peut prendre le Trend.
Traitons le cas o le Trend est une courbe
Nous proposant la mthode des moyennes mobiles (courbe de la moyenne mobile = Smooth) qui est
une mthode de lissage.
Une moyenne mobile est un outil intressant pour lisser une srie temporelle et donc pour enlever une
composante saisonnire. On utilise de prfrence des moyennes mobiles non-pondres dordre gal
la priode, par exemple dordre 7 pour des donnes journalires, dordre 12 pour des donnes
mensuelles. Par exemple, pour enlever la composante saisonnire due au jour de la semaine, on peut
appliquer une moyenne mobile non-pondre dordre 7.
Nous allons sans tarder appliquer cette mthode et nous allons distinguer deux cas de figure possible ;
cas o la priodicit est dordre impaire (m=3 par exemple), et cest le plus simple ; et le cas o lordre
est paire (m=4 par exemple) ; Pour les composantes saisonnires dune priode paire, il nexiste pas de
moyennes mobiles centres non-pondres. Il existe deux types de moyenne mobile centre pondre.
Prenons comme exemple les donnes suivantes, o est enregistr dans le tableau qui suit les variations
de lindice des prix dune marchandise de 1980 jusquau 1987.
Trimestre1
Trimestre2
Trimestre3
Trimestre4
1980
295
317,5
314,9
321,4
1981
324,7
323,7
322,5
332,9
1982
372,9
380,9
353
348,9
1983
354
345,7
319,5
317,6
1984
333,7
323,9
312,8
310,2
1985
323,2
342,9
300,2
309,8
1986
304,3
285,9
292,3
298,7
1987
312,5
336,1
295,5
318,4
Nous avons des observations priodiques faisant rfrence au trimestre, donc nous avons quatre
trimestres = 4 (qui reprsente un chiffre paire).
La priode est paire et gale m (m = 4 pour des donnes trimestrielles), on utilise une moyenne
mobile dordre impaire accordant un demi-poids aux deux extrmits :
IP
1980 Trimestre1
Trimestre2
Trimestre3
Trimestre4
1981 Trimestre1
Trimestre2
Trimestre3
Trimestre4
1982 Trimestre1
Trimestre2
Trimestre3
Trimestre4
1983 Trimestre1
Trimestre2
Trimestre3
295
317,5
314,9
321,4
324,7
323,7
322,5
332,9
372,9
380,9
353
348,9
354
345,7
319,5
MM
MMC
312,2=1/4*(295+317,5+314,9+321,4)
312,2
319,6
321,2
323,1
326,0
338,0
352,3
359,9
363,9
359,2
350,4
342,0
334,2
315,9
320,4
322,1
324,5
332,0
345,2
356,1
361,9
361,6
354,8
346,2
338,1
331,7
322,1=1/2(321,2+323,1)
Chaque trimestre est affect du mme
poids, mais cette mthode
est moins avantageuse car la
moyenne mobile est plus tendue.
Donc, plus des donnes seront
perdues aux extrmits de la
srie.
11
1984
1985
1986
1987
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
317,6
333,7
323,9
312,8
310,2
323,2
342,9
300,2
309,8
304,3
285,9
292,3
298,7
312,5
336,1
295,5
318,4
329,1
323,7
322,0
320,2
317,5
322,3
319,1
319,0
314,3
300,1
298,1
295,3
297,4
309,9
310,7
315,6
326,4
322,8
321,1
318,8
319,9
320,7
319,1
316,7
307,2
299,1
296,7
296,3
303,6
310,3
313,2
Le graphique de la srie brute et la srie corrige des variations saisonnires par la Mthode des
Moyennes mobiles dordre paire :
390
370
350
330
310
290
270
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
Donc il est clair que dans le cas o la priodicit est impaire le calcul de la moyenne mobile non
pondre se fait de manire naturelle.
12
Modle multiplicatif
13
Exercice
Soit le tableau suivant, qui donne lvolution dune srie chronologique en fonction du
temps, repr par lindice t. Dterminer le trend par la rgression linaire.
t
z
0
4
1
3
2
9
3
10
4
11
5
16
6
15
Le graphique en nuages de points de cette srie chronologique est illustr par la figure suivante.
20
15
10
5
0
0
0
1
2
3
4
5
6
21
4
3
9
10
11
16
15
68
0
3
18
30
44
80
90
265
0
1
4
9
16
25
36
91
0
3
36
90
176
400
540
1245
20
15
z = f(t) = 2,18t + 3,2
R = 0,9014
10
5
0
0
265 7 3 9.714 61
=
= 2,18
28
91 7 3
14
Nous allons nous intresser dans ce cours la partie alatoire ( ) de la srie temporelle et
travailler dans un cadre plus gnral que le prcdent : nous ne supposerons plus que ( ) est
un bruit blanc mais quil est seulement stationnaire ; ce qui signifie grossirement que sa
moyenne, sa variance et son autocovariance sont constantes au cours du temps. A noter que le
seul fait de supprimer la tendance et la saisonnalit ne rend pas ncessairement la srie
rsiduelle stationnaire puisque cela naffecte pas la variance et lautocovariance qui doivent
tre constantes pour un processus stationnaire. Nous proposerons des techniques de
modlisation de ce type de processus. En dautre terme, on aimerait maintenant aller plus loin
et proposer un modle capable de reproduire le comportement des donnes de faon
analogue. Ici cependant la tche est bien diffrente puisque les donnes ne sont pas
dterministes. Il faudra choisir le modle le plus simple possible avec le nombre le plus petit
15
de paramtres possibles. Cela nous amnera considrer tout particulirement une famille de
processus linaires trs couramment employe, les processus ARMA. Nous verrons ensuite
comment faire de la prdiction partir de ces sries.
A partir de maintenant, la srie rsiduelle sera note au lieu de .
En pratique, les sries temporelles rsiduelles ne sont pas ncessairement stationnaires. Un
prtraitement est alors ncessaire pour supprimer la tendance et la saisonnalit dune part
comme usuellement mais aussi pour stationnariser la srie rsiduelle. Une fois la srie
stationnarise analyse, et les valeurs futures prdites, il sera ensuite ncessaire de revenir
la srie initiale. Nanmoins, toutes les sries rsiduelles obtenues de la sorte ne sont pas
ncessairement stationnaires : il peut arriver que la variance dun processus varie au cours du
temps. Cest le cas des sries ARCH ou plus gnralement GARCH. Nous verrons comment
procder dans le cadre de telles sries.
Dans chacun des cas, une fois le model choisi, on estime les paramtres inconnus partir des
observations. Des tests permettent ensuite de vrifier que le modle identifi est bien adapt
aux observations. Enfin, le modle identifie peut servir rsoudre des problmes de contrle,
de dtection, dinterpolation ou de prdiction des valeurs futures de .
Processus stochastique
16
Lautocorrlation
Dans un modle dautocorrlation particulirement simple a t largement adopt. Dans ce
modle, les alas sont supposs obir au processus autorgressif dordre un, ou AR(1).
= 1 + ; ~ (0; ); || < 1
Ce processus alatoire indique que lala au temps t, , est gal a une certaine fraction de
lala au temps t 1. Plus un nouvel alea ou innovation qui est homoscdastique et
indpendant de toutes les innovations passes ou futures.
Ainsi chaque priode, une partie de lala correspond lala de la priode prcdente,
quelque peu diminu et peut-tre de signe diffrent et une partie correspond linnovation .
On appelle la condition || < 1 condition de stationnarit. Elle garantit que la variance de
tend vers une valeur limite, , plutt que de diverger lorsque augmente. En substituant
successivement 1, 2, 3, et ainsi de suite, nous voyons que
= 1 +
[ ] = ,
pour tout
: cest--dire la srie stationnaire en
moyenne.
[ ] ( ) = , pour tout
: cest--dire la srie est stationnaire en
variance.
[ , + ] [( ) (+ )] = : lautocovariance ou la covariance
entre deux priodes et + ** est uniquement fonction de la diffrence des temps .
17
Type de modle
Trend and
Intercept
Intercept
None (ni Trend,
ni Intercept)
Processus
Trend
Stationnary
(TS)
Differency
Stationnary
(DS)
Mthode de stationnarisation
Ecart la tendance
Procdure :
Si le modle est un TS
1/ Estimer le modle = 0 + +
2/ Gnrer les rsidus
3/ Tester si est stationnaire
Si le modle est un DS :
2. Une srie stationnaire a une variance constante. Ce qui veut dire que lampleur de la
fluctuation de la srie reste la mme sur un petit intervalle de temps, quel que soit cet
intervalle. Le nombre de morts sur les routes au Maroc dcrot avec le temps et montre
une variabilit, donc une variance, qui diminue. Cette srie nest donc pas stationnaire.
19
20
De manire gnrale, pour stationnariser un processus TS, la bonne mthode est celle des
moindres carrs ordinaires; pour un processus DS, il faut employer le filtre aux diffrences.
Le choix dun processus DS ou TS comme structure de la chronique nest donc pas neutre.
Le test de Dickey-Fuller simple consiste estimer par les MCO les trois modles :
[1] 1 11 = 1 = (1 1 ) 11
[2] 1 11 = 1 = (1 1 ) 11 +
[3] 1 11 = 1 = (1 1 ) 11 + +
Les modles servent de base la construction de ces tests sont au nombre de trois. Le principe
des tests est simple: si lhypothse 0 : 1 = 1 est retenue dans lun de ces trois modles,
le processus est alors non stationnaire.
Tests de Dickey-Fuller Augments
Dans les modles prcdents, utiliss pour les tests de Dickey-Fuller simples, le processus
est, par hypothse, un bruit blanc. Or il ny a aucune raison pour que, priori, lerreur soit non
corrle; On appelle tests de Deckey-Fuller Augments (ADF) la prise en compte de cette
hypothse.
Les tests ADF sont fonds, sous lhypothse alternative 1 < 1, sur lestimation par les
MCO des trois modles:
21
Modle [4] : 1 = 11 11 +
Modle [5] : 1 = 11 11 + +
Modle [6] : 1 = 11 11 + + +
Avec j variant de 2 jusquau ; et ~ . .
Le test se droule de manire similaire aux tests DF, seules les tables statistiques diffrentes.
La valeur de p peut tre dtermine selon les critres de Akaike ou de schwarz, ou encore, en
partant dune valeur suffisamment importante de p, on estime un modle p-1 retards, puis
p-2 retards, jusqu ce que le coefficient du pime retard soit significatif.
Autrement, ltape de validation du modle consiste tester si les rsidus sont de bruits
blancs. Au cas o les rsidus sont de bruits blancs ; il faudra que la srie de rsidus soit
stationnaire (fluctuant autour dune moyenne constante nulle) et par ailleurs, aprs application
des tests Box-Pierce et ARCH, que lon rejette les hypothses alternatives.
22
Granger Clive, (1981), Some Properties of Time Series Data and Their Use in Econometric Model Specification,
Journal of Econometrics 16, pp.121-130.
5
Granger, C. W. J., & A. A. Weiss (1983), Time Series Analysis of Error-Correcting Models, in Studies in
Econometrics, Time Series, and Multivariate Statistics, New York: Academic Press, pp. 255-278.
6
Robert F. Engle and C. W. J. Granger, (1997), Co-Integration and Error Correction: Representation, Estimation,
and Testing, Econometrica, Vol. 55, No. 2, The Econometric Society, pp. 251-276
7
Bourbonnais (2009), Economtrie, Dunod, 7me dition, Paris. Voir aussi ric DOR (2009).
Engle and Granger (1987), Cointegration and Error- Correction: Representation, Estimation and Testing,
Econometrica 55, pp. 251 - 276.
10
Greene William H. (2003), Econometric Analysis 5th Ed, New York University, Prentice Hall, Upper Saddle
River, New Jersey
11
Pour plus de dtails sur les tests de stationnarit, on peut se rfrer Phillips et Xiao (1998) ou Salani
(1999).
12
Granger, C. W., Newbold, P., (1974), Spurious regression in econometrics, Journal of Econometrics, vol. 2, pp.
11-20.
23
1989)13 et la plupart des sries macroconomiques ne sont pas stationnaires en niveau (Nelson
et Plosser, 1982)14.
Les tests de Dickey-Fuller (DF) ou de Philipps et Perron (PP) permettent non seulement de
mettre en vidence le caractre stationnaire ou non dune srie temporelle par la dtermination
dune tendance (test de racine unitaire) mais aussi de dterminer la bonne manire de
stationnariser la srie15.
Pour examiner la stationnarit des sries de donnes, on peut recourir aux tests de DickeyFuller augments (ADF) qui valident ou non la prsence dune racine unitaire et en prenant en
compte lhypothse derreurs sriellement corrles16.
En considrant la srie chronologique :
Xt : Xt = Xt1 + ut
Avec 0 1
On dduit que :
1 = (1 )1 +
Soit = 1 +
Avec = 1 et donc 1 0 .
Les tests de Dickey-Fuller augments, qui consistent introduire des variables
supplmentaires (Xtp ), avec lhypothse sous-jacente que lautocorrlation des rsidus a
pour cause labsence de variables retardes diffrencies dans lquation, sappuient sur trois
modles de base :
-
Xt = Xt1 + j Xtj + ut
(1.3)
j=1
Ou encore
13
Stock, J.H., Watson, M.W., (1989), New indexes of coincident and leading economic indicators, NBER
Macroeconomics Annual, pp. 351-393.
14
Nelson, C.R., Plosser, C.I., (1982), Trends and random walks In Macroeconomic Time Series, Journal of
Monterey Economics, 10, pp.139-162.
15
Bourbonnais R., (2009), op cit. Et Voir aussi ric DOR (2009) op cit.
16
Pollock D.S.G. (1999), A Handbook of Time-Series Analysis, Signal Processing and Dynamics, Queen Mary and
West old College, The University of London UK, Academic Press.
24
Xt = Xt1 + j Xtj + ut
j=1
le modle (2) avec constante (b), mais sans tendance dterministe (mt ):
= + 1 + +
(1.4)
=1
Ou encore
= + 1 + +
=1
X t = mt + b + Xt1 + j Xtj + ut
(1.5)
j=1
Ou encore :
p
Xt = mt + b + Xt1 + j Xtj + ut
j=1
Xt = Xt1 + ut
Xt = Xt1 + b + ut
Xt = Xt1 + b + mt + ut
(1.6)
(1.7)
(1.8)
Si lhypothse nulle H0 : = 0 est retenue dans lun des trois modles, le processus est
considr comme stationnaire.
Si le coefficient est significativement diffrent de zro, alors lhypothse que X contienne une
racine unitaire est rejete. Le rejet de lhypothse nulle implique que la srie est stationnaire.
Dans ce cas, si la statistique ADF ou PP calcule est plus grande que la valeur critique de
McKinnons, alors lhypothse nulle nest pas rejete. On en conclut que la variable
considre nest pas stationnaire et possde une racine unitaire.
25
Cette procdure est applique une nouvelle fois aprs avoir transform les sries considres
en diffrence premire. Si lhypothse nulle de non-stationnarit est rejete, il est possible de
conclure que la srie est intgre dordre 1. Il faut alors la diffrencier une fois pour la rendre
stationnaire.
En outre, pour que les tests ADF ou les tests PP soient performants, il est important de choisir
lordre de retard, pour ne pas rduire la puissance du test (de rejeter lhypothse nulle de
racine unitaire). Les logiciels conomtriques17 calculent le nombre optimal de retards en
fonction des critres proposs, en rfrence au Schwartz Info Criteriun et au Bartlett
Kernel.
Le constat de stationnarit en diffrence premire des sries permet dentreprendre des tests
de causalit au sens de Granger pour mettre en vidence les relations causales entre deux
variables conomiques.
p
i=1
1t Yti +
1i Xti + 1t
(1.10)
i=1
p
i=1
2t Yti +
2i Xti + 2t
i=1
17
Nombreux sont les logiciels qui effectuent ces calcules (R, RATS, LIMDEP, STATA, SPSS, TSP,.), pour notre
cas ils sont effectus par logiciel Eviews version 7 et Version 8.
18
26
20
Clive W. J. Granger, (2001), Essays in Econometrics Collected Papers of Clive W. J. Granger Volume I: Spectral
Analysis, Seasonality, Nonlinearity, Methodology, and Forecasting, Cambridge University Press, pp. 1-554.
21
Helmut Ltkepohl, Markus Krtzig, (2004), Applied Time Series Econometrics, Cambridge University Press,
The Edinburgh Building, Cambridge, UK.
22
Helmut Ltkepohl, (2007), New Introduction to Multiple Time Series Analysis, 764 pages.
Soren Johansen, (1996), Likelihood-Based Inference in Cointegrated Vector Autoregressive Models (Advanced
Texts in Econometrics, Oxford University Press, USA, pp 1-280.
23
24
Caner, M., Hansen, B.E., (2001), Threshold Autoregression With A Unit Root, Econometrica vol 69, pp.1565
1596.
25
I Gusti Ngurah Agung (2009), Time Series Data Analysis Using Eviews, John Wiley & Sons (Asia), Singapore
27
Dans notre tude, les tests seront mens dans un modle (), o p reprsente le retard, Si
lon suppose que p = 1, on obtient :
Yt = A1 Yt1 + t
Le test de cointgration de Johansen26 (1988) permet de dterminer le nombre de relations de
cointgration partir de deux tests fonds sur les valeurs propres dune matrice. La procdure
se subdivise en deux tapes27 : le calcul de deux rsidus, puis le calcul de la matrice
permettant le calcul des valeurs propres.
Lestimation se base sur lquation suivante :
Yt = A0 + B1 Yt1 + B2 Yt2 + + BP1 YtP+1 + Yt1 +
p
O les matrices Bi sont des fonctions des matrices Ai et = (i=1 Ai I). La matrice peut
scrire sous la forme = o est la force de rappel vers lquilibre et contient les
relations de cointgration .
Au cours de la premire tape, deux rgressions sont effectues :
0 + A
1 Yt1 + A
2 Yt2 + + A
P YtP + ut
1 - Yt = A
0 + A
1 Yt1 + A
2 Yt2 + + A
P YtP + t
2 - Yt = A
Yt est un vecteur de dimension ( 1)constitu des variables (1 , 2 , . . , ), A0 est un
vecteur de dimension ( 1) et Ai est un vecteur de dimension ( ).
ut et t sont alors les matrices des rsidus de dimension (, ) avec , le nombre de variables
et le nombre dobservations.
Au cours de la seconde tape, le calcul de quatre matrices des variances-covariances de
dimension ( ) est effectu partir des rsidus ut et t . Ensuite les valeurs propres de
la matrice M de dimension ( ) sont extraites.
Le premier test dvelopp par Johansen est le test de la trace. Une statistique est calcule :
= (1 )
=+1
26
Erik Hjalmarsson and Pr sterholm, (2007), Testing for Cointegration Using the Johansen Methodology
when Variables are Near Integrated, IMF Working Paper, WP/07/141, International Monetary Fund, pp. 1-19.
27
Pollock D.S.G. (1999), A Handbook of Time-Series Analysis, Signal Processing and Dynamics, Queen Mary and
West old College, The University of London UK, Academic Press.
28
avec
= 0,1,2 .
28
Russell Davidson, James G. Mackinnon, (2003), Econometric Theory and Methods, Oxford University Press.
Johansen, S. (1995), Likelihood Based Inference in Cointegrated Vector Error Correction Models, Oxford
University Press, Oxford.
29
30
Les modles : a) Absence de constance et de tendance dans le modle VAR ainsi que dans l'quation de
cointgration; b) Absence de constance et de tendance dans le modle VAR, mais l'quation de cointgration
comprend une constante; c) Prsence de constance dans le modle VAR et aussi dans l'quation de
cointgration ; d) Absence de tendance dans le modle VAR, et prsence de constance et de tendance dans
l'quation de cointgration ; e) Existence dune tendance quadratique dans les donnes.
29
30
31