Académique Documents
Professionnel Documents
Culture Documents
Economie Appliquée
Econométrie Appliquée
Séries Temporelles
Christophe HURLIN
Chapitre 4. UFR Economie Appliquée. Cours de C. Hurlin 2
Chapitre 4
• Stationnarisation et Dessaisonalisation
• Identification
• Estimation
• Validation et Test
• Prévisions
1. Estimation
L’estimation des paramètres d’un modèle ARMA(p, q) lorsque les ordres p et q sont supposés
connus peut se réaliser par différentes méthodes dans le domaine temporel :
• Moindres Carrés Ordinaires (modèle sans composante MA, q = 0). Dans ce cas, on
retrouve les équations de Yule Walker. En remplaçant les autocorrélations théoriques
par leurs estimateurs, on peut retrouver les estimateurs des M CO des paramètres du
modèle par la résolution des équations de Yule Walker.
Definition 1.1. Soit X une variable aléatoire à valeur dans (X , a) de loi Pθ . On note f (x, θ)
la densité de Pθ et f (x1 , ..., xn , θ) la densité empirique correspondante. On appelle vraisem-
blance du paramètre θ l’application Θ → R+ définie par :
n
∀θ ∈ Θ → L (x1 , ..., xn , θ) = f (xi , θ) (1.1)
i=1
θ : XT →
(x1 , ..., xn ) → θ (x1 , ..., xn )
telle que :
∀θ ∈ Θ L x, θ ≥ L (x, θ)
Corollary 1.3. Lorsque l’on suppose que (i) l’ensemble X est indépendant de θ et que (ii)
la fonction de vraisemblance L (.) est deux fois continûment différentiable par rapport à θ,
∀θ ∈ Θ alors l’estimateur du maximum de vraisemblance θ est solution du système:
∂L (x, θ)
=0 (1.2)
∂θ θ=θ
∂ 2 L (x, θ)
<0 (1.3)
∂θ2 θ=θ
Theorem 1.4. S’il existe un estimateur efficace du paramètre θ (au sens de la borne de
Cramer Rao), alors cet estimateur est identique à celui du maximum de vraisemblance θ.
Hypothèse H1 On suppose que la population des résidus {εt } peut être décrite par un
processus bruit blanc gaussien N (0, σ 2ε ) .
−T /2 1 1
2πσ 2ε det [Ω (θi , φi )]− 2 exp − x [Ω (θi , φi )]−1 x
2σ 2ε
2. Tests de Validation
2.1. Tests de redondance
Le but est de vérifier si les composantes AR et MA de l’ARM A n’ont pas de racines com-
munes. Si tel est le cas, on peut alors se ramener à une représentation minimale excluant
ces racines. Cette représentation sera préférable selon le principe de parcimonie.
Exemple : On considère un processus stationnaire {xt , t ∈ Z} satisfaisant une représen-
tation ARM A (p, q) telle que :
Φ (L) xt = Θ (L) εt
Soient λi ∈ C, i ∈ [1, p] , p ≤ p les racines de Φ (L) = 0 et soient µi ∈ C, i ∈ [1, q] , q ≤ q
les racines de Θ (L) = 0. Supposons qu’il existe une racine commune à ces deux polynômes.
q q
L L L
Θ (L) = 1− = 1− 1−
i=1
µi µj i=1,i=j
µi
Quelle que soit la méthode d’estimation employée, il est possible de calculer la matrice de
variance covariance des p + q + 1 estimateurs des paramètres d’un modèle ARM A (p, q) ,
notés φ1 , ..., φp , θ1 , .., θq , σ 2ε . Supposons que σ 2ε est connu. En particulier pour l’estimateur
du maximum de vraisemblance on a le résultat suivant :
E ∆∆ = F −1 (2.2)
∂ 2 L (x, ∆)
F =−E (δ i , δ j ) ∈ ∆2 (2.3)
∂δ i ∂δ j
Remark 1. Si l’on montre que l’un ou plusieurs paramètres du modèle ne sont pas signi-
ficativement différents de 0, on estime à nouveau le modèle en excluant les variables corre-
spondantes (erreur de spécification).
Tout comme dans le cas des modèles linéaires standard, le coefficient de détermination donne
une information sur la part de la variance de la variable endogène (ici xt ) qui peut être
expliquée par le modèle estimé.
Chapitre 4. UFR Economie Appliquée. Cours de C. Hurlin 7
Lorsque le processus est bien estimé, les résidus entre les valeurs observées et les valeurs
estimées par le modèle doivent se comporter comme un bruit blanc. On notera par la suite
εt le résidu d’estimation du modèle.
Soit T le nombre de données disponibles (après avoir enlevé les retards correspondant aux
termes AR et M A). Si le processus {εt , t ∈ Z} est i.i.d. (0, σ 2ε ) , on doit avoir:
T
1
εt = εt −→ 0
T t=1
T →∞
Dès lors, on peut tester la nullité de la moyenne des résidus en construisant l’intervalle
de confiance sur εt au seuil standard de 95%.
−1.96σ εt 1.96σ εt
P εt ∈ √ , √ = 0.95
T T
Chapitre 4. UFR Economie Appliquée. Cours de C. Hurlin 8
Si les résidus {εt , t ∈ Z} obéissent à un bruit blanc, il ne doit pas exister d’autocorrélation
dans la série. On peut alors utiliser les différents tests suivants :
L’hypothèse H0 est rejetée au seuil de 5% si QBP est supérieur au quantile 0.95 de la loi
du X 2 correspondant.
Test de Ljung-Box1 :
Ces statistiques, définies pour un ordre K, correspondent à l’hypothèse nulle H0 : rk =
0 ∀k ≤ K et sont construites de la façon suivante :
K
rk2 L
QK = T (T + 2) −→ X 2 (K − p − q)
k=1
T − k T →∞
1. Test de Von Neumann’s : on range par ordre croissant les valeurs des résidus. Soit Ri
la nouvelle chronique obtenue, le coefficient du Von Neumann’s ratio test est
T −1
(Rt − Rt+1 )2
t=1
RV N = T −1 2
Rt − R
t=1
t
ε2j
j=k+1
St = T
t = k + 1, ..., T
ε2j
j=k+1
Si les coefficients sont stables au cours du temps, alors les résidus récursifs St doivent
rester dans l’intervalle défini par
α (2t + T − 3k)
± √
T −k
où α = 1.143, 0.948, 0.850 pour des seuils respectivement égaux à 1%, 5% et 10%. De
la même façon, les résidus St doivent être compris dans l’intervalle
(t − T )
±C
T −k
Un bruit blanc est par définition homoscédastique. Tous les tests d’hétéroscédasticité peu-
vent ici être employés. Test de Chow (comparaison des variances des résidus sur des sous
périodes de la chronique),
Pour vérifier si le processus des résidus {εt , t ∈ Z} est un bruit blanc gaussien, plusieurs tests
peuvent être utilisés, mais le test le plus courant est celui de Jarque et Bera. Ce dernier est
fondé sur la notion de skewness (moment d’ordre 3 et asymétrie) et de Kurtosis (moment
Chapitre 4. UFR Economie Appliquée. Cours de C. Hurlin 10
µ3 L 6
(Sk )1/2 = −→ N
3/2 T →∞
0,
µ2 T
µ4 L 24
Ku = −→ N 3,
µ22 T →∞ T
1/2
On construit alors les statistiques centrées réduites correspondantes à Sk et Ku que l’on
compare aux seuils d’une loi normale centrée réduite.
(Sk )1/2 L
−→ N (0, 1)
6 T →∞
T
Ku − 3 L
−→ N (0, 1)
24 T →∞
T
1/2
Si la statistique centrée réduite de Sk est inférieure au seuil 1.96 à 5%, on accepte
l’hypothèse de symétrie et l’hypothèse de normalité. Si la statistique centrée réduite de Ku
est inférieure au seuil 1.96 à 5%, on accepte l’hypothèse de queue de distributions plates et
l’hypothèse de normalité.
Le test de Jarque et Bera regroupe ces deux tests en un seul test. On construit la
statistique :
T T L
s = Sk + (Ku − 3)2 −→ X 2 (2)
6 24 T →∞
2
Donc si s ≥ X1−α (2) on rejette l’hypothèse H0 de normalité des résidus au seuil de α%.
Au delà des critères standard (MSE, MAE, RMSE, FPE etc..), on étudiera les critères propres
aux modèles autorégressifs.
1. Critère de Akaike ou AIC : Le meilleur des modèles ARM A (p, q) est le modèle qui
minimise la statistique :
log (T )
HQ (p, q) = log σ 2εt + (p + q) c log
T
où c est une constante à spécifier.
3. Prévision
3.1. Transformation de la série
• Si le processus contient une tendance déterministe, on extrait cette dernière par régres-
sion afin d’obtenir une série stationnaire lors de la phase d’estimation. Ensuite, lors
de la phase de prévision, on adjoint aux prévisions réalisées sur la composante ARMA
stationnaire, la projection de la tendance.
• Si la transformation résulte de l’application d’un filtre linéaire (de type par exemple
différences premières), on réalise les prévisions sur la série filtrée stationnaire et l’on
reconstruit ensuite par inversion du filtre les prévisions sur la série initiale.
Il s’ensuit que la meilleure prévision que l’on peut faire de xt+1 compte tenu de toute
l’information disponible jusqu’à la date t, notée xt (1) , est donnée par :
xt (1) = E (xt+1 / xt , xt−1 , xt−2 , .., x0 )
= E (xt+1 / εt , εt−1 , εt−2 , .., ε0 )
∞
= π j εt+1−j (3.2)
j=1
Dès lors, l’erreur de prévison est donnée par la réalisation en t + 1 de l’innovation qui en
t n’est pas connue :
xt+1 − xt (1) = εt+1 (3.3)
Plus générallement pour une prévision à un horizon k on a :
∞
xt (k) = π j εt+k−j (3.4)
j=k
k−1
xt+k − xt (k) = π j εt+k−j (3.5)
j=0
D’où
xt+k − xt (k) L
−→
1/2 T →∞
N (0, 1)
k−1 2
σε j=0 π j