Vous êtes sur la page 1sur 1

Chapitre 9  ■  Éléments d’analyse des séries temporelles

Sous H0, les règles habituelles de l’inférence statistique ne peuvent pas être
appliquées pour tester cette hypothèse, en particulier la distribution de Student du
paramètre f1 ; Dickey et Fuller ont donc étudié la distribution asymptotique de
l’estimateur f1 sous l’hypothèse H0. À l’aide de simulations de Monte-Carlo, ils ont
tabulé les valeurs critiques pour des échantillons de tailles différentes. Ces tables
sont des tables1 analogues aux tables du t de Student. Les auteurs ont choisi de tester
la valeur (φˆ1 − 1) au lieu de φˆ1 pour des raisons purement statistiques. Cela n’est pas
gênant pour le test. En effet, xt = f1xt−1 + et s’écrit aussi :

www.scholarvox.com:ENCG El Jadida:200362993:88852368:41.140.234.62:1592938892
xt − xt−1 = f1xt−1 − xt−1 + et
∆ xt = (f1 − 1)xt−1 + et
Il est donc équivalent de tester comme hypothèse H0 : f1 = 1 ou f1 − 1 = 0.
Les principes généraux du test sont les suivants.
On estime par les moindres carrés ordinaires le paramètre f1 noté φˆ1 pour les
modèles [1], [2] et [3]. L’estimation des coefficients et des écarts types du modèle
par les moindres carrés ordinaires fournit tφˆ qui est analogue à la statistique de
1
Student (rapport du coefficient sur son écart type). Si tφˆ ≥ ttabulè, alors on accepte
1
l’hypothèse H0 ; il existe une racine unité, le processus n’est donc pas stationnaire.

Remarque
Les principaux logiciels d’analyse de séries temporelles calculent automatiquement les
valeurs critiques tφˆ .
1

2.2  Les tests de Dickey et Fuller Augmentés


Dans les modèles précédents, utilisés pour les tests de Dickey-Fuller simples, le
processus et est, par hypothèse, un bruit blanc. Or il n’y a aucune raison pour que, a
priori, l’erreur soit non corrélée ; on appelle tests de Dickey-Fuller Augmentés
(ADF, 1981) la prise en compte de cette hypothèse.
Les tests ADF sont fondés, sous l’hypothèse alternative |f1| < 1, sur l’estimation
par les MCO des trois modèles :
p
Modèle [4] : ∆ xt = ρ xt −1 − ∑ φj ∆ xt − j +1 + ε t
j=2
p
Modèle [5] : ∆ xt = ρ xt −1 − ∑ φj ∆ xt − j +1 + c + ε t
j=2
p
Modèle [6] : ∆ xt = ρ xt −1 − ∑ φj ∆ xt − j +1 + c + bt + ε t
j=2
avec et → i.i.d.

1.  Cf. table 7 en fin d’ouvrage.

268