Corrige TD1 2015 2016

Econométrie des Séries Temporelles
Correction Travaux Dirigés N 1
Jean-Michel ETIENNE
Université Panthéon-Assas (Paris 2)
Octobre 2015
JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 1 / 54

Rappels des concepts traités en séances ayant un rapport
direct avec le TD-1
Dé…nir les notions et concepts suivants:
1 Série Temporelle
2 Processus stationnaire
3 Bruit blanc
4 Processus inversible
5 Fonctions d’autocovariance et d’autocorrélation

TD-1.Processus stationnaires
Exercice 1
Rappel: un processus aléatoire est une suite de variables aléatoires

indexées dans le temps et dé…nies sur un espace des états de la nature.
Pour chaque instant du temps, la valeur de la quantité étudiée Xt
quand t varie de ∞ à +∞ est appelé processus aléatoire.
Xt a une distribution de probabilité discrète (si Xt est à temps
discret) ou continue (si X (t ) est à temps continu).
Comme la classe des processus aléatoires est très vaste (processus
markoviens, processus de survie, ...), on ne s’intéresse qu’à un seul
type de processus: les processus aléatoires stationnaires.
Ces processus sont caractérisés par le fait que leurs propriétés
statistiques ne changent pas au cours du temps. Ils proviennent
d’un système stable ayant atteint un état stationnaire (ou état
d’équilibre statistique).

Exercice 1
Rappel: On dit que Xt est stationnaire au sens strict si pour tout

t = t1 , ..., tn et pour tout entier τ, la distribution jointe du processus
fXt1 , Xt2 , ..., Xtn g est identique à celle du processus
fXt1 +τ , Xt2 +τ , ..., Xtn +τ g .
Comme cette notion est trop restrictive, elle est assouplie en
dé…nissant la stationnarité à l’ordre j.
Xt est stationnaire à l’ordre j si pour tout t = t1 , ..., tn et pour tout
entier τ, tous les moments joints à l’ordre j du processus
fXt1 , Xt2 , ..., Xtn g existent et sont identiques aux moments joints à
l’ordre j du processus fXt1 +τ , Xt2 +τ , ..., Xtn +τ g .
On se limitera ici aux processus aléatoires stationnaires à l’ordre 2
(ou processus faiblement stationnaires).

Exercice 1
Rappel: Xt est un processus aléatoire stationnaire à l’odre 2 si:

0
1 E [Xt ] = µ = Cte, E Xt2 = µ2 = Cte
0
2 V [Xt ] = µ2 µ2 = σ2X = Cte
3 Cov [Xt Xs ] = E [Xt Xs ] µ2 = γτ avec τ = s t
Les conditions (1) et (2) signi…ent que la moyenne et la variance du
processus sont constantes et indépendantes du temps
(homoscédasticité).
La condition (3) traduit le fait que la covariance entre 2 périodes s et
t est uniquement fonction de la di¤érence des temps τ (= s t ) .
γτ est appelée fonction d’autocovariance du processus Xt .

Exercice 1
Soit le processus aléatoire suivant:
Xt = εt εt 1
εt est un bruit blanc. Dans ce cas les valeurs de εt (t = 1, 2, ...) sont

de moyenne nulle, homoscédastiques et non corrélées.
I.E.
E [ εt ] = 0
V [εt ] = σ2e
Cov [εt εs ] = 0 8 t 6= s

Exercice 1

Xt = εt εt 1
Calcul de E [Xt ]
= εt εt 1 avec εt BB 0, σ2e
Xt
E [Xt ] = E [εt εt 1 ]
E [Xt ] = E [εt ] E [εt 1 ] = 0
Calcul de V [Xt ]
V [Xt ] = V [εt εt 1] = V ( εt ) + V ( εt 1) 2cov (εt , εt 1)
V [xt ] = σ2ε + σ2ε = 2σ2ε

Exercice 1
Calcul de l’autocovariance Cov [Xt Xt h]
Cov [Xt Xt h] = E [Xt Xt h] E [Xt ] E [Xt h]

Cov [Xt Xt h] = E [Xt Xt h]
Cov [Xt Xt h] = E [(εt εt 1 ) ( εt h εt h 1 )]
Cov [Xt Xt h] = E ( εt εt h εt εt h 1 εt + εt
1 εt h 1 εt h 1 )
Cov [Xt Xt h] = E ( εt εt h εt εt h 1 εt 1 εt h + εt 1 εt h 1 ) = 08h
Pour h = 1 on a:
Cov [Xt Xt = E [(εt εt 1 ) (εt 1 εt 2 )]
1]
Cov [Xt Xt 1 ] = E (εt εt 1 εt εt 2 εt 1 εt 1 + εt 1 εt 2 )
Cov [Xt Xt 1 ] = 0 + 0 σ2ε + 0
Cov [Xt Xt 1 ] = σ2ε
Exercice 1
γh
Calcul de l’autocorrélation ρh = γ0
Cov [Xt Xt h ]
ρh =
σX t σX t h
Cov [Xt Xt h ]
ρh =
σ2X
(
σ2ε 1
2σ 2 = 2 h=1
ρh = ε
0 8h 2
Ce processus est donc stationnaire. Car La moyenne et la variance du

processus sont constantes et indépendantes du temps
(homoscédasticité). En outre, l’autocovariance entre 2 périodes t et
t h est uniquement fonction de la di¤érence des temps
-h (= t h t ) .
Exercice 1

Xt = εt εt 1
Calcul de E [Xt ]
xt = εt εt 1
E [xt ] = E [εt εt 1 ]
E [xt ] = E [εt ] E [εt 1] =0
Calcul de V [Xt ]
V [xt ] = V [εt εt 1]
V [xt ] = σ2ε σ2ε = σ4ε
Exercice 1
Calcul de Cov [Xt Xt h]
Cov [Xt Xt h]= E [(εt εt 1 ) (εt h εt h 1 )]

Cov [Xt Xt h ] = 0, h 6= 0
γh
Calcul de l’autocorrélation ρh = γ0
Cov [Xt Xt h ]
ρh =
σX t σX t h
Cov [Xt Xt h ]
ρh =
σ2X
1 h=0
ρh =
0 8h 6 = 0
Exercice 1
Ce processus est donc stationnaire.

Car La moyenne et la variance du processus sont constantes et
indépendantes du temps (homoscédasticité).
En outre, l’autocovariance entre 2 périodes t et t + h est uniquement
fonction de la di¤érence des temps h (= t + h t ) .

Exercice 1
xt = φ1 xt 1 + εt avec φ1 = 1
Calcul de E [xt ] :
xt = φ1 xt 1+ εt
xt = φ 1 ( φ 1 xt 2 + ε t 1 ) + ε t
xt = φ21 xt 2 + φ1 εt 1 + εt
xt = ...
τ 1
xt = φ1τ xt τ+ ∑ φj1 εt j
j =0

Exercice 1
En utilisant la condition d’initialisation du processus x0 = 0

(t τ = 0 ) t = τ ) , on obtient x1 = ε1 et l’expression de xt s’écrit
alors:
xt = εt + φ1 εt 1 + φ21 εt 2 + ... + φt1 1 ε1

t 1
xt = ∑ φj1 εt j
j =0
" #
t 1
E [xt ] = E ∑ φj1 εt j
j =0
t 1
E [xt ] = ∑ φj1 E [εt j]
j =0

Exercice 1
Suppons que
E [ εt ] = µ
Alors
E [xt ] = µ 1 + φ1 + φ21 + ... + φ1t 1
1 φt1
si jφ1 j < 1 ! E [xt ] = µ
1 φ1
si jφ1 j = 1 ! E [xt ] = tµ

Exercice 1
Si E [εt ] = µ = 0, alors xt est stationnaire à l’odre 1.

Si E [εt ] = µ 6= 0, alors E [xt ] dépend de t et xt est non stationnaire
à l’odre 1
Désomais, on supposera que E [εt ] = 0
Calcul de V (xt )
" #
t 1
V (xt ) = V ∑ φj1 εt j
j =0
t 1
V (xt ) = ∑ φ2j1 V (εt j)
j =0
1 φ2t
si jφ1 j < 1 ! V (xt ) = σ2ε 1
1 φ21
si jφ1 j = 1 ! V (xt ) = tσ2ε
Exercice 1
Calcul de l’autocovariance γh = Cov [xt xt +h ]
Cov [xt xt +h ] = E [xt xt +h ]

" ! !#
t 1 t +h 1
Cov [xt xt +h ] = E ∑ φj1 εt j ∑ φj1 εt +h j
j =0 j =0
1 φ2t
si jφ1 j < 1 ! Cov [xt xt +h ] = σ2ε φ1τ 1
1 φ21
si jφ1 j = 1 ! Cov [xt xt +h ] = σ2ε t

Exercice 1
Puisque V (xt ) et Cov (xt xt +h ) sont des fonctions de t, le processus

n’est pas stationnaire à l’ordre 2.
Cependant, si jφ1 j < 1, alors
µ
lim E [xt ]t !∞ = ;
1 φ1
σ2ε
lim V [xt ]t !∞ =
1 φ21
φh1
lim Cov [Xt Xt +h ]t !∞ = σ2ε
1 φ21

Exercice 1
On supposera désormais que jφ1 j < 1 et que t ! ∞ (on dispose d’un

grand nombre d’observations).
γ
Calcul de La fonction d’autocorrélation ρh = γh du processus AR (1):
0
Cov [xt xt +h ]
ρh =
γ0
φh1
σ2ε 1 φ21
ρh =
1
σ2ε 1 φ21
ρh = φh1
Le processus est asymptotiquement stationnaire à l’ordre 2. Sa
moyenne, sa variance et son autocovariance sont indépendantes du
temps et sa variance est …nie.
En outre, la covariance entre 2 périodes t et t + h est uniquement
fonction de la di¤érence des temps h (= s t ) .
Exercice 1
Soit le processus ARMA(1, 1) suivant:
xt = φ1 xt + εt θ 1 εt
1 1
xt φ1 xt 1 = εt θ 1 εt 1
(1 φ1 B ) xt = (1 θ 1 B ) εt
Φ (B ) xt = Θ (B ) εt
On suppose que la solution,z, de 1 θ 1 z = 0 est plus grande que un

en module (= jz j > 1) et di¤érente de θ11 (la racine du polynôme
retard associé à la partie MA). Par conséquent, jθ 1 j < 1.

Exercice 1
De même, on suppose que la solution,z, de 1 φ1 z = 0 est plus

grande que un en module (= jz j > 1) et di¤érente de φ1 (la racine
1
du polynôme retard associé à la partie AR). Par conséquent, jφ1 j < 1.
On suppose aussi que εt est un bruit blanc d’espérance nulle et de
variance σ2e .
Ainsi, le processus ARMA(1, 1) est asymptotiquement stationnaire au
second ordre et on supposera que la condition initiale est telle que les
moments du processus sont invariants (stationnarité au second ordre).

Exercice 1
Notons µx , σ2x , γx (h) respectivement l’espérance, la variance et la

fonction d’auto-covariance de ce processus.
Puisque ce processus est stationnaire au second ordre, en appliquant
l’opérateur espérance à l’équation (2), on a directement:
µx φ1 µx = 0
Comme cette équation doit être véri…ée pour toute valeur admissible
de φ1 , on a nécessairement
µx = 0
Le processus ARMA(1, 1) considéré ici est d’espérance nulle (ce
résultat était attendu puisqu’il n’y a pas de constante dans le modèle
dé…ni par l’équation (2).
La fonction d’auto-covariance est dé…nie par:
γx (h) = E [(xt µx ) (xt h µx )] = E [xt xt h]

Exercice 1
La deuxième égalité est justi…ée par le fait que le processus considéré

est d’espérance nulle.
En particulier, la variance est dé…nie par:
σ2x γx (0) = E [xt xt h]
En multipliant (1) par xt il vient:

xt2 = φ1 xt xt 1 + xt εt θ 1 xt εt 1
En appliquant l’opérateur espérance:

γx (0) = φ1 γx (1) + E [xt εt ] θ 1 E [xt εt 1]
Il nous reste à évaluer les 2 espérances, qui ne sont pas nulles a priori
car dépend de εt , εt 1 (voir l’équation (2)).
Pour la première espérance nous avons:
E [xt εt ] = E [φ1 xt 1 εt ] + E ε2t θ 1 E [ εt εt 1]

Exercice 1
Le dernier terme est nul car εt est un bruit blanc d’espérance nulle.
Le deuxième terme est égal à σ2e pour tout t car εt un bruit blanc de
variance σ2e .
En…n, le premier terme est nul car l’innovation ε est indépendante du
passé de x. Ainsi, nous avons:
E [xt εt ] = σ2e 8 t
Pour la deuxième espérance, nous avons:
E [xt εt 1] = E [φ1 xt 1 εt 1 ] + E [ εt εt 1] θ 1 E [ εt 1 εt 1 ]
La première espérance est égale à σ2e puisque E [xt εt ] = σ2e pour tout
t. La deuxième espérance est nulle car εt est un bruit blanc
d’espérance nulle. La troisième espérance est égale à σ2e 8 t.
Exercice 1
Ainsi, nous avons:
E [xt εt 1] = φ1 σ2e θ 1 σ2e

= (φ1 θ 1 ) σ2e
En utilisant ces résultats intermédiaires, nous obtenons:
γx (0) = φ1 γx (1) + σ2e θ 1 ( φ1 θ 1 ) σ2e

= φ1 γx (1) + [1 θ 1 ( φ1 θ 1 )] σ2e
Nous disposons d’une expression de γx (0) en fonction de γx (1), qui

est inconnu, et de σ2e , φ1 et de θ 1 qui sont connus.
A…n d’obtenir une équation pour l’auto-covariance d’ordre 1,
multiplions (2) par xt 1 :
xt xt 1 = φ1 xt2 1 + xt 1 εt θ 1 xt 1 εt 1

Exercice 1
En appliquant l’opérateur espérance, il vient:
γ x ( 1 ) = φ 1 γ x ( 0 ) + E [ xt 1 εt ] θ 1 E [xt 1 εt 1 ]
La 1ère espérance est nulle car l’innovation ε est indépendante de du

passé de x, la 2ième espérance est à σ2e car
E [xt 1 εt 1 ] = E [xt εt ] = σ2e .Au total, nous obtenons l’équation
suivante pour:
γx (1) = φ1 γx (0) θ 1 σ2e
Ces équations forment un système de deux équations à deux
inconnues (γx (0) et γx (1)) :
γx (0) = φ1 γx (1) + [1 θ 1 (φ1 θ 1 )] σ2e

γx (1) = φ1 γx (0) θ 1 σ2e

Exercice 1
On obtient γx (0) en substituant la 2ième équation dans la 1ère, puis

en substituant l’expression de γx (0) dans la 2ième équation, on
obtient γx (1) (les calculs sont laissés aux lecteurs).
8
< γ (0) = 1 +θ 21 2φ1 θ 1 2
x 1 φ2
σe
1
: γ (1) = (1 φ1 θ 1 )(φ1 θ 1 ) 2
x 1 φ21
σe
Calculons l’auto-covariance d’ordre 2. Pour cela, nous suivons la

démarche habituelle en multipliant (1) par xt 2 puis en appliquant
l’opérateur espérance. Nous avons donc:
γx (2) = φ1 E [xt 1 xt 2 ] + E [xt 2 εt ] θ 1 E [xt 2 εt 1 ]

= φ1 γx (1)

Exercice 1
D’où
γx (h ) = φ1 γx (h 1) 8h>1
Les auto-covariances sont donc:
8
> 1 +θ 21 2φ1 θ 1 2
>
< γx (0) = 1 φ21
σe
(1 φ1 θ 1 )(φ1 θ 1 ) 2
> γx (1) = 1 φ21
σe
>
:
γx (h ) = φ1 γx (h 1) 8 jh j > 1
Les auto-corrélations sont donc:

(
(1 φ1 θ 1 )(φ1 θ1 )
ρx (1) = 1 +θ 2 2φ 1 1θ
ρx (h ) = φ1 ρx (h 1) 8 jh j > 1

Exercice 2
On véri…e que nous retrouvons bien

la fonction d’auto-covariance d’une processus AR (1) lorsque θ 1 est nul;
ou la fonction d’autocovariance du MA(1) lorsque φ1 est nul.
De façon générale, dès lors que l’horizon h est supérieur à l’ordre de
la partie MA (1 dans le cas qui nous intéresse), le retour à zéro de la
fonction d’auto-covariance est gouverné par la partie AR (dynamique
géométrique).

Exercice 2
Simulation de 3 processus AR (1) avec:
et N (0, 1)
xt = 0.4xt 1 + εt
xt = 0.4xt 1 + εt
xt = 0.95xt 1 + εt

Exercice 2
Figure: Représentation graphique du processus:xt = 0.4xt 1 + εt

Exercice 2
Figure: Corrélogramme du processus:xt = 0.4xt 1 + εt

Exercice 2
Figure: Représentation graphique du processus:xt = 0.95xt 1 + εt

Exercice 2
Figure: Corrélogramme du processus:xt = 0.95xt 1 + εt

Exercice 2
D’après la réponse (c) de l’exercice 1, la fonction d’autocorrélation du

processus AR (1) est donnée par
ρτ = φ1τ
Si φ1 > 0, ρτ décroît vers 0 expotentiellement lorsque τ tend vers

+∞. Si φ1 < 0, ρτ décroît vers 0 de façon sinusoïdale lorsque τ tend
vers +∞.
τ 0 1 2 3 4 5 6
φ1 = 0.4 1 0.35 0.14 0.054 0.039 -0.005 -0.075
φ1 = 0.4 1 -0.35 0.14 -0.054 0.039 -0.005 -0.075
φ1 = 0.95 1 0.93 0.87 0.81 0.75 0.69 0.63

Exercice 2
Génération de Processus ARMA à l’aide d’Eviews. Soit les processus

suivants:
yt = φ1 yt 1 + φ2 yt 2 + εt
yt = 0.5yt 1 0.8yt 2 + εt

Exercice 2
la fonction d’autocorrélation du processus xt = 0.4xt 1 + εt signi…e

que la corrélation entre t et t 1 (ou t + 1) est de 35.1%
(ρ1 = 0.351), celle entre t et t 2 (ou t + 2) est de 14.7%
(ρ2 = 0.147), celle entre t et t 3 (ou t + 3) est de 5.7%
(ρ3 = 0.057), Elle semble diminuer rapidement avec le nombre de
retards.
Par contre, pour xt = 0.95xt 1 + εt , la corrélation entre t et t 1 est
de 93%, celle entre t et t 2 est de 87%, celle entre t et t 3 est de
81%,... Elle décroît très (trop) lentement, caractéristique d’un
processus persistant (voire non stationnaire)

Exercice 2 (Analyse des fonctions d’autocorrélation)
L’information sur l’autocorrélation est insu¢ sante. Elle ne nous

renseigne pas sur les e¤ets des valeurs qui interviennent entre Xt et
Xt +τ .
La fonction d’autocorrélation partielle (FAP) s’apparente à la notion
de corrélation partielle.
Cette dernière est dé…nie comme étant le calcul de l’in‡uence de x1
sur x2 en éliminant les in‡uences des autres variables x3 ,x4 , ..., xk .
Ainsi, dans le calcul de l’autocorrélation entre xt et xt k l’in‡uence
des autres variables décalées de k périodes (xt 1 , xt 2 , ..., xt k +1 )
ayant été retirée.

Question: Quels sont les termes ρk qui sont signi…cativement

di¤érents de 0 ?
Il existe plusieurs tests statistiques (Quenouille, Box-Pierce,
Ljung-Box)
Statistique de Ljung-Box
Le test de BP et de LB permet d’identi…er les processus de bruit
blanc. Nous devons donc identi…er cov (yt , yt k ) = 0 ou encore
ρk = 0 quelque soit k.
l’hypothèse nulle étant: H0 :ρ1 = ρ2 = ... = ρk = 0;
L’hypothèse alternative H1 : Il existe au moins un ρi signi…cativement
di¤érent de 0.

ρ̂2k
La statistique de test est donnée par: Q 0 = n(n + 2) ∑hk =1 n k qui
suit un Khi-deux à h degré de liberté (χ2h ).
h =nombre de retard; ρ̂k = autocorrélation empirique d’ordre k;
n =nombre d’observations.
Eviews fournit les résultats des fonctions d’autocorrélation simple
(colonne AC) et partielle (colonne PAC), avec les corrélogrammes
respectifs.
Les bornes de l’intervalle de con…ance sont stylisées par des traits
pointillés horizontaux.
Chaque terme qui sort de cet intervalle est donc signi…cativement
di¤érent de 0 au seuil de 5%.

Nous nous apercevons que les termes du corrélogramme simple sont

extérieurs à l’intervalle de con…ance.
Par conséquent, le processus n’est pas un bruit blanc.
La statistique Q de LB (la seule calculée par Eviews) con…rme ce fait.
Q Stat = 175.05 (au retard = 12) supérieur à χ20.05;12 = 5.226, on
rejette l’hypothèse de nullité des coe¢ cients (ou bien la probabilité
critique de ce test est indiquée αc = 0.000 inférieur à 0.05, donc on
refuse H0 ).

Exercice 2 (Propriétés des fonctions d’autocorélation simple et partielle)
Fonction d’autocorrélation simple:

décroissance exponentielle (φ1 0) ou
sinusoïdale amortie (φ1 0).
Fonction d’autocorrélation partielle: pic signi…catif pour le premier
retard:
positif si φ1 0
négatif si φ1 0
les autres coe¢ cients nuls pour des retards 2

Exercice 2
Simulation du processus AR(2) suivant :yt = 0.5yt 1 0.8yt 2 + εt
Figure: Représentation graphique du processus: yt = 0.5yt 1 0.8yt 2 + εt

Exercice 2
Figure: Corrélogramme du processus: yt = 0.5yt 1 0.8yt 2 + εt

Exercice 2 (Propriétés des fonctions d’autocorélation simple et partielle)
Fonction d’autocorrélation simple: décroissance exponentielle

(φ1 0) ou sinusoïdale amortie (φ1 0).
Fonction d’autocorrélation partielle: pics signi…catifs pour le premier
retard et second retards:
les autres coe¢ cients sont nuls pour les retards 3

Exercice 2 (Processus AR(2) ou processus de Yule)
C’est un processus de dépendance à 2 étapes:
Xt = φ1 Xt 1 + φ2 Xt 2 + εt
Xt φ1 Xt 1 φ2 Xt 2 = εt
1 φ1 B φ2 B 2 Xt = εt
Φ (B ) Xt = εt
(1 λ1 B ) (1 λ2 B ) Xt = εt
λ1 , λ2 sont les racines de l’équation caractéristique:

1 φ1 B φ2 B 2 = 0

On peut toujours ramener un système dynamique d’ordre quelconque

à un système vectoriel du 1er ordre.
Posons:
Xt φ1 φ2 εt
ξt = , F = et vt =
Xt 1 1 0 0
ξ t (resp. F et vt ) est de taille (2 1) (resp. (2 2) et (2 1))

Le processus AR (2) se ramène à un processus vectoriel AR (1):
Xt φ1 φ2 Xt 1 εt
= +
Xt 1 1 0 Xt 2 0

Pour obetenir les racines λ1 et λ2 , il su¢ t de calculer les valeurs

propres de la matrice F, i.e. les nombres λ1 et λ2 tels que:
jF λI2 j = 0
φ1 φ2 1 0
λ = 0
1 0 0 1
φ1 λ φ2
= 0
1 λ
λ2 φ1 λ φ2 = 0

Les valeurs propres de la matrice F sont les nombres λ de qui

satisfont l’équation:
λ2 φ1 λ φ2 = 0
Les 2 valeurs propres de F pour une équation aux di¤érences du
second ordre sont donc données par:
8 p
< φ1 + φ21 +4φ2
λ1 = p 2
2
: λ = φ1 φ1 +4φ2
2 2
Pour φ1 = 0.5 et φ2 = 0.8; ∆2 = φ21 + 4φ2 = 2.9i 2 ,

λ1 = 0.25 + 0.86i et λ2 = 0.25 0.86i

R étant le module de λ1 , on a:
R = j λ1 j
q
= (0.25)2 + (0.86)2 = 0.9
Or,
φ1
cos (θ ) =
2R
0.5
= = 0.28
1.79
D0 où,
θ = Arc cos(0.279) = 1.29 radian
2π
La période du cycle est donnée par P = θ = 4.9 unités de temps
Exercice 3 (Processus AR(2) à racines complexes et fonction pseudo-périodique)
Calcul de la fonction d’autocorrélation du processus AR (2). Soit:
Xt = φ1 Xt 1 + φ2 Xt 2 + εt
Sachant que sa fonction d’autocorrélation est donnée par:
1 µ22 µ1τ +1 1 µ21 µ2τ +1
ρτ =
( µ1 µ2 ) (1 + µ1 µ2 )
Avec p
µ1 = re i θ , µ2 = re iθ
,et r = φ2
Montrons que
τ sin (τθ + ϕ)
ρ τ = ( φ2 ) 2
sin ( ϕ)
Avec
1 φ2 φ
tan ϕ = tan θ et cos θ = p 1
1 + φ2 2 φ2
La fonction d’autocorrélation devient:

re i θ r τ e i θτ 1 r 2e i 2θ re i θ r τ e i θτ 1 r 2 e i 2θ
ρτ =
(re i θ re i θ ) (1 + r 2 )
!
τ e i θ ( τ +1 ) 1 r 2e i 2θ e i θ ( τ +1 ) 1 r 2 e i 2θ
= r
(e i θ e i θ ) (1 + r 2 )
0 1
e i θ ( τ +1 ) e i θ ( τ +1 ) r 2 e i θ (τ 1) e i θ (τ 1 )
= rτ @ A
(e i θ e i θ ) (1 + r 2 )
Or
ex e x
= 2 sin x
D’où
sin θ (τ + 1) r 2 sin θ (τ 1)
ρτ = r τ
(1 + r 2 ) sin θ
Or
sin (a b ) = sin a cos b cos a sin b
D’où
sin θτ cos θ + cos θτ sin θ r 2 (sin θτ cos θ cos θτ sin θ )
ρτ = r τ
(1 + r 2 ) sin θ
1 r 2 sin θτ cos θ cos θτ sin θ
= rτ ( ) +
1 + r2 sin θ sin θ
2
1 r sin θτ
= rτ ( ) + cos θτ
1 + r 2 tan θ

sin θτ 1 r2
ρτ = r τ + cos θτ en posant tan ϕ = ( ) tan θ
tan ϕ 1 + r2
sin θτ cos ϕ cos θτ sin ϕ
= rτ +
sin ϕ sin ϕ
sin (θτ + ϕ)
= rτ
sin ϕ
Or p
r= φ2
Par conséquent
τ sin (τθ + ϕ)
ρ τ = ( φ2 ) 2
sin ( ϕ)

Corrige TD1 2015 2016

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Corrige TD1 2015 2016

Transféré par

Droits d'auteur :

Formats disponibles

Econométrie des Séries Temporelles

Correction Travaux Dirigés N 1

Université Panthéon-Assas (Paris 2)

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 1 / 54

Dé…nir les notions et concepts suivants:

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 2 / 54

Rappel: un processus aléatoire est une suite de variables aléatoires

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 3 / 54

Rappel: On dit que Xt est stationnaire au sens strict si pour tout

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 4 / 54

Rappel: Xt est un processus aléatoire stationnaire à l’odre 2 si:

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 5 / 54

Soit le processus aléatoire suivant:

εt est un bruit blanc. Dans ce cas les valeurs de εt (t = 1, 2, ...) sont

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 6 / 54

Soit le processus aléatoire suivant:

V [Xt ] = V [εt εt 1] = V ( εt ) + V ( εt 1) 2cov (εt , εt 1)

V [xt ] = σ2ε + σ2ε = 2σ2ε

Calcul de l’autocovariance Cov [Xt Xt h]

Cov [Xt Xt h] = E [Xt Xt h] E [Xt ] E [Xt h]

Ce processus est donc stationnaire. Car La moyenne et la variance du

Soit le processus aléatoire suivant:

Calcul de Cov [Xt Xt h]

Cov [Xt Xt h]= E [(εt εt 1 ) (εt h εt h 1 )]

Ce processus est donc stationnaire.

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 12 / 54

Soit le processus aléatoire suivant:

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 13 / 54

En utilisant la condition d’initialisation du processus x0 = 0

xt = εt + φ1 εt 1 + φ21 εt 2 + ... + φt1 1 ε1

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 14 / 54

E [xt ] = µ 1 + φ1 + φ21 + ... + φ1t 1

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 15 / 54

Si E [εt ] = µ = 0, alors xt est stationnaire à l’odre 1.

Calcul de l’autocovariance γh = Cov [xt xt +h ]

Cov [xt xt +h ] = E [xt xt +h ]

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 17 / 54

Puisque V (xt ) et Cov (xt xt +h ) sont des fonctions de t, le processus

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 18 / 54

On supposera désormais que jφ1 j < 1 et que t ! ∞ (on dispose d’un

Soit le processus ARMA(1, 1) suivant:

On suppose que la solution,z, de 1 θ 1 z = 0 est plus grande que un

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 20 / 54

De même, on suppose que la solution,z, de 1 φ1 z = 0 est plus

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 21 / 54

Notons µx , σ2x , γx (h) respectivement l’espérance, la variance et la

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 22 / 54

La deuxième égalité est justi…ée par le fait que le processus considéré

En multipliant (1) par xt il vient:

En appliquant l’opérateur espérance:

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 23 / 54

Pour la deuxième espérance, nous avons:

Ainsi, nous avons:

E [xt εt 1] = φ1 σ2e θ 1 σ2e

γx (0) = φ1 γx (1) + σ2e θ 1 ( φ1 θ 1 ) σ2e

Nous disposons d’une expression de γx (0) en fonction de γx (1), qui

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 25 / 54

En appliquant l’opérateur espérance, il vient:

La 1ère espérance est nulle car l’innovation ε est indépendante de du

γx (0) = φ1 γx (1) + [1 θ 1 (φ1 θ 1 )] σ2e

JME (Université Paris 2) Processus Stationnaires: Correction TD N 1 16/10 26 / 54

On obtient γx (0) en substituant la 2ième équation dans la 1ère, puis

Calculons l’auto-covariance d’ordre 2. Pour cela, nous suivons la