Fonction de densité de probabilité

La notion de stationnarité

Définition - Un processus Xt est dit stationnaire au sens fort si, quelque soit n, t,
h, on a l’égalité en loi :
(X t , , X t n )  (X t h , , X t nh )

Définition - Un processus Xt 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 )   pour tout t

V ( Xt )   ² pour tout t
Cov(X ,X )  (h) pour tout h et pour tout t
 t t h

En un mot, cela signifie que les caractéristiques probabilistes sont stables et

inchangées au cours du temps.

6/29
Pourquoi la stationnarité est si importante?
la violation des hypothèses du modèle de la régression classique

6/29
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) xt = a.xt-1 + et

De la relation (1) découlent par éliminations successives :

xt = a (a.xt-2 + et-1 ) + et
xt = a2.xt-2 + (a.et-1 + et)
…
xt = at.x0 + (at-1.e1 + at-2.e2 + … + a.et-1 + et)
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)
 Non stationnarité

Marche Aléatoire
Xt = Xt-1 + ut ut ~ IID(0, σ2 )

Moyenne: E(Xt) = E(Xt-1) (moyenne constante)

X1 = X0 + u1 (valeur initiale X0)

X2 = X1 + u2 = (X0 + u1 ) + u2
…
Xt = X0 + u1 + u2 +…+ ut

E(Xt) = E(X0 + u1 + u2 +…+ ut)

= E(X0) = constante
 Non stationnarité

Marche aléatoire
Xt = Xt-1 + ut ut ~ IID(0, σ2 )

Xt = X0 + u1 + u2 +…+ ut

Variance: Var(Xt) = Var(X0) + Var(u1) +…+ Var(ut)

= 0 + σ2 +…+ σ2
= t σ2
(la variance est non constante, elle dépend du temps)
 Comment détecter la non stationnarité
(1) yt - yt-1 = (α-1).yt-1 + et
(1) yt = α.yt-1 + et
(2) yt - yt-1 = (α-1).yt-1 + β + et
(2) yt = α.yt-1 + β + et
(3) yt - yt-1 = (α-1).yt-1 + β + ϒ.t + et
(3) yt = α.yt-1 + β +ϒ.t + et

soit encore :

(1) Δyt = Φ.yt-1 + et en notant Φ la quantité (α-1) et naturellement Δ

l’opérateur différence-première, Il est clair qu'il est
(2) Δ yt = Φ.yt-1 + β + et équivalent de tester l'hypothèse : α = 1, dans les modèles
sous la forme initiale, ou Φ = 0 dans leur version
(3) Δ yt = Φ.yt-1 + β + ϒ .t + et transformée (hypothèse H0).

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 H0).

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 Xt est non-stationnaire de type déterministe s’il

peut s’écrire :
X t  f (t )   t
 E ( X t )  f (t ) La moyenne
où f(t) est un tendance déterministe, dans ce cas, on a : 
V ( X t )  
2 dépend de t

Définition – Un processus Xt 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:

d X t est stationnaire
t E ( X t )  X 0
Marche aléatoire (d=1) : t 1
X  X   t 1  X  X     
La variance
V ( X t )   t
t t 0 i
i 1
2 dépend de t

stationnaire non-stationnaire non-stationnaire

(déterministe) (stochastique)
7/29