Académique Documents
Professionnel Documents
Culture Documents
ACFrOgDcPib67U5a-RhbJL8uqqqI5xPyrYhzg2dLli-rBXdNSH7o-ACw NOsCEZ669wBH9FZ4G7B b1h JsrM9uk5H9eFAUYO7i plF18UX5eT7QZCML91YJHWd5mnzGq6aLttoPE1oDMoLFnh4
ACFrOgDcPib67U5a-RhbJL8uqqqI5xPyrYhzg2dLli-rBXdNSH7o-ACw NOsCEZ669wBH9FZ4G7B b1h JsrM9uk5H9eFAUYO7i plF18UX5eT7QZCML91YJHWd5mnzGq6aLttoPE1oDMoLFnh4
Master 2 GRF
2
- Homoscédasticité : c’est une des notions fondamantales dans les modeles de regression
lineaire simple (elle fait partie des hypothèses de bases). De manière generale on parle
d’homoscedasticité lorsque les variances d’une variable aleatoire sont independantes du
temps
-La méthode des Moindres Carrés Ordinaires : c’est une méthode d’estimation qui conciste
à minimser la somme carrée des ecarts (voir regression lineaire simple et multiple)
-Filtre aux différences : : generalement on utilise l’ordre 1 (utilisé pour rendre stationnaire
un processus ) :
3
I. Définition d’un processus stochastique :
Un processus stochastique ou processus aléatoire, représente l’évolution dans le
temps (discret ou continue,) d’une variable aléatoire définie sur un espace
probabilisé.
Un processus aléatoire est une application qui lie le couple a , On appel ceci la
réalisation de pour l’individu dans le temps
4
II. Les processus stationnaires
1. Stationnarité forte :
Soit un processus aléatoire, :
En étudiant les caractéristiques stochastiques de (c’est-à-dire, son Esperance et sa
variances), et que toutes ces caractéristiques se trouvent invariantes pour chaque n-
uple pris dans le temps, (moyennes et variances sont indépendantes du temps),
alors le processus est un processus stationnaire :
5
Pour un processus centrée la fonction d’autocorrélation est donnée par :
Avec :
Et :
Le nombre de retards
Autocorrélation d’ordre k
Nombre d’observation
suit une distribution avec , nous rejetons l’hypothèse de Bruit Blanc au seuil ᾳ si la
statistique Q est supérieure à X² observée sur la table de ² au seuil de On peut
utiliser une autre statistique dont les caractéristiques asymptotiques qui est la
dérivée de la première :
4. Exercice d’application :
6
A partir des donnée du tableau on demande :
a- calculer les trois premiers termes de la .
b- définir les intervalles de confiance a et de tester leurs significativité.
c- tester est ce que la série est un
t 1 2 3 4 5 6 7 8 9
Xt 1248 1392 1057 3159 891 1065 1118 2934 1138
-Simulation sous :
[Collecte de donnés] → [analyse] → [prévision] → [autocorrélation] → [option :
nombre de retards =3] → ok.
2- Intervalle de confiance de :
-Simulation sous :
[sortie] → [diagramme des] → [double clique] → [valeurs] → fermer.
7
3- tester de :
On va tester sous :
-Simulation sous :
[analyse]→[prévisions]→[autocorrélation]→[select variable]→[option]→[max
décalage 3]→ok
1. Théorème de décomposition de :
Soit un processus stochastique stationnaire centré d’ordre 2, quelles sont les
conditions pour que soit une sortie linéaire ?
8
Puisque est un processus stationnaire d’ordre 2, et d’après le théorème de
décomposition de alors peut s’écrire sous la forme :
Pour que soit une combinaison de sortie linéaire, sa variance doit être finie ( ) :
Pour que la variance de soit finie la suite des doit être impérativement une somme
finie, on dit que est convergent en moyenne quadratique, cette condition sur les est
importante dans la mesure où elle permet au processus d’être considéré comme un
filtre dont la sortie est linéaire.
Donc finalement on peut écrire en utilisant l’operateur de retard noté , qui à tout
moment d’une sérié temporelle peut s’associé à l’observation précédente, tel que :
Donc :
+
9
+
2. Operateur de retard :
L’operateur de retard est un des outils utilisé dans les techniques prévisionnelles
noté (backward) ou encore (lag), il n’est pas non plus indispensable pour effectuer
les prévisions, mais il est pratique dans la mesure où il permet de synthétisé les
équations sous la forme, qu’à tout moment d’une sérié temporelle on peut s’associé
à une observation a un instant son observation précédente , tel que :
; Avec est un processus quelconque.
Il est représenté sous une forme polynomiale sur laquelle on peut appliquer tous les
principes mathématiques.
Il peut aussi être utilisé comme opérateur d’avance note (forward) puisque :
En effet :
-
- Si la somme infinie
10
11
Les processus stochastiques des variables économiques sont généralement des
réalisations de processus non-stationnaires, cette non stationnarité concerne aussi
bien les moments du 1er ordre (espérances) que celui du 2eme ordre (variance), les
cas de non stationnarités sont analysé à partir de deux processus :
- Processus , processus déterministe.
- Processus aléatoire.
1. Processus TS :
Le processus s’écrit sous la forme
Si est un Bruit Blanc alors, les caractéristiques stochastiques du model sont les
suivants :
²)
12
On remarque que dépend du temps, donc le processus est un processus non-
stationnaire, on utilisant la méthode des pour estimer les paramètres et comme le
cas d’une régression linéaire simple (des estimateurs sans et de et ), ce model
peut devenir stationnaire en retranchant la valeur de en t et le model retrouve son
mouvement de droite. (Voir l’exemple)
2. Processus :
Le processus est un processus aléatoire non stationnaire que l’on peut rendre
stationnaire on utilisant le filtre aux différences :
En :
13
Donc :
et est un
14
On démontre de la même façon que le cas précèdent que :
15
0
0
5
20
40
60
80
-5
-40
-20
10
15
-15
-10
comme suit :
1101123456789 1110123456789
122543298760 122543298760
2332187654 23432187659
343210965437 34321076543
445109854326 44109865432
5598743210
16
11888987632104 1188109854326
119976521098 1299909874321
0
5
-5
10
15
20
200
400
600
800
-10
1000
1200
1400
1600
123 123
111210456789 11149567832104
112254398760 22876521093
22323216547 323765410982
3330984321 434654309871
434476510982 455543298760
4554359876 56432187659
55521054367 67321076548
66660983214 787210965437
76776571098
88109854326
778854328769 987
8882106543 11009909432198765
987 1101321076548
1199909321076548 11121210965437
111100009014325 1122109854326
11111187621093 11333098743215
111111225498760 11444987632104
11122323216547 1155876521093
111133309843215 11656765410982
11143447681092 11767654309871
17
11145554387690 11788543298760
111155653216547 1189432187659
11166609843215 21290321076548
11117677610982 22010210965437
11177885438769 2211109854326
111188821065437 22222098743215
Processus : ()
12199990983214 22333987632104
222090076510982
Donc pour rendre stationnaire ce model on utilise le :
22220014387659 2244876521093
222111121054367 22545765410982
22222229832104 22656654309871
22232336570981 22677543298760
22234343276589 2278432187659
222244442105436 2289321076548
29921095436
222555598732104 879
22226566509871
22266764328765
222277710954326
22288889872103
22289965409871
2999324765
98
18
- On constate que la tendance de ce model s’écrit sous la forme : , donc comme on
a vu précédemment que pour rendre ce model stationnaire il suffit de trancher de
l’estimation de sa tendance :
Simulation sur :
Etape1 : [Transformer] → [calculer la variable] → [variable cible : on note y ] →
[Expression numérique :( ] → ok (on trouve les valeurs de la tendance estimé).
Etape 2 : [Transformer] → [calculer la variable] → [variable cible : on note Xts ]
→ [Expression numérique :] → ok (on trouve les valeurs du processus
stationnarisé noté ).
Etape 3 : [Graphiques] → [Générateur de graphiques] → [Select ; courbe] →
[Axes x→t ; Axes y→] → ok (et finalement le processus est devenu stationnaire).
19
En
En :
Caractéristiques stochastiques :
20
Suite géométrique de Suite géométrique
raison donc elle est de raison donc
convergente elle est croissante
La dépend du
temps
21
22
Les deux modeles et sont indispensables dans le traitement des séries
stochastiques, mais le problème qui se pose est lequel choisir entre les deux ?, c’est
justement a quoi tentent de rependre les tests de racines unitaires.
Il existe de nombreux tests, nous nous intéresserons dans cette partie du cours à
certains d’entre eux, à savoir : Test de Dickey-Fuller simple et augmenté, Test
d’hypothèses jointes, Test de Philips et Perron et finalement le Test KPSS.
Modèles de bases :
Le principe des tests de racines unitaire est que si alors le processus présente une
racine unitaire et , et le processus est donc stationnaire :
23
Si on accepte donc , : il s’agit d’un processus ou encore une marche
aléatoire et donc il est non-stationnaire d’ordre 2.
Si on accepte , il s’agit d’un processus autorégressif d’ordre 1 avec constante et
donc il est stationnaire.
Le calcul donne :
Avec
Récapitulatif :
[1] [2] [3]
DS DS DS avec dérive
Non-stationnaire Non-stationnaire Non-stationnaire
d’ordre 2 d’ordre 2 d’ordres 1 et 2
24
I. Test de Dickey-Fuller simple :
Dickey et Fuller ont mené une étude asymptotique de sous l’hypothèse, prenant le
model [1], avec et pour des raisons purement statistiques Dickey et Fuller ont choisi
le modele équivalant :
On a déjà vu que pour ce modele et dans le cas présent, c’est aussi pourquoi la
somme ici commence de l’instant car en on remarque que et en on remarque
aussi que et dans les deux cas la somme égal a 0.
Donc
Si on accepte donc :
est l’estimateur des du model [1] équivalant, et donc c’est un estimateur sans biais
et convergeant, on test l’hypothèse équivalant en utilisant le test de Student comme
dans le cas d’un model linéaire simple :
25
nouvelles valeurs critiques à l’aide de la simulation de (voir tables) : on
accepte si
Le test ce déroule de la même façon pour les deux autres model [2] et [3], mais
dans ces modeles il est toujours difficile de trancher entre les deux structures ou ,
car les deux model présentent d’autres variables que.
Donc : →
Pour [3] : après avoir accepté l’hypothèse nul du test , on test les deux hypothèses
suivantes :
Pour tester ces deux hypothèses (1) et (2) on utilise respectivement les statistiques
empiriques et , analogues à une distribution de :
26
: est la somme de carrés résiduelle du model [3], estimé par . : est la somme de
carrés résiduelle du model [3], prenant en considération les contraintes de
l’hypothèse c’est-à-dire on va prendre dans le calcul que ; :
Mais
Maisle le
test
testconsidère
considère par hypothèseque
par hypothèse quelesles erreurs
erreurs sontsont non-corrélés,
non-corrélés, ou encore
ou encore des
des Bruits Blancs, que faire dans le cas contraire
Bruits Blancs, que faire dans le cas contraire ? ?
Ou est un processus le test ne peut pas être appliqué sur le model, on doit donc lui
appliquer quelques transformations.
Puisque est un donc il peut s’écrire en utilisant la fonction polynomiale de son
operateur de retard (comme on a vu précédemment dans le cours) :
27
peut s’écrire aussi , on peut écrire le model [1] comme suit, on multipliant les deux
cotés par , donc :
On développe l’écriture :
et ()
Donc est un processus (model de base), avec des erreurs corrélés d’ordre , ce qui
est équivalant a un avec des erreurs non-corrélés, après cette étape on dit que le
processus a été blanchi, et donc en peut lui appliquer un test. Avec la présence des,
l’écriture du model va être modifié pour s’simplifier le calcule et aussi pour des raison
purement statistiques, et donc on utilise le model équivalant du model [1], noté
model [4], (variation de) :
Pour un :
Pour un :
28
Pour un :
On pose donc :
Model de base :
On démontre de la même façon pour le model équivalant [4], que les modèles [5] et
[6] les modèles équivalant respectivement de [2] et [3], sont comme suit :
(Des modèles blanchi des modèles de bases, pour se faire il suffit de multiplier les
deux côtés de chaque modèle par et on retrouve les modèles équivalant blanchis)
Avec :
29
Et donc le test : porte sur l’hypothèse suivante :
Si alors
et donc c’est : ()
On effectue le test en suivant les mêmes étapes et en utilisant la même statistique
du test (voir page 20).
Comme on a vu précédemment dans le cours il est difficile de tranché quand sa
concerne les modèles [2] et [3], ce qui s’étend également sur leurs modèles
équivalants [5] et [6].
: est la somme des carrées résiduelles du model [5] estimé par MCO. : est la
somme de carrées résiduelles qui prend en considération les contraintes de
l’hypothèse nulle, et :
30
Pour tester ces deux hypothèses (1) et (2) on utilise respectivement les statistiques
empiriques et, analogues à une distribution de Fisher :
: est la somme de carrés résiduelle du model [6], estimé par . : est la somme
de carrés résiduelle du model [6], prenant en considération les contraintes de
l’hypothèse c’est-à-dire on va prendre dans le calcul que ; :
31
Avec : qui est asymptotiquement égal à 1 et donc :
IV. Le test :
Ce test est basé sur l’hypothèse nulle de stationnarité, après l’estimation du model
par MCO et de sa variance a long terme on calcul la statistiques suivante :
1% 5% 10%
[2] 0.739 0.463 0.347
[3] 0.216 0.146 0.119
Test
Tester la nullité
de 32
non oui oui
non
Estimation du
processus
model [2]
Tester la
Tester la nullité de
non oui
nullité de
Tester la Estimation du
nullité de modele [1]
c5ex3.wf1
33
Analyse :
Premièrement, on vas commencer par une representation grafique du :
Simulations sous :
34
On remarque une décroissance lente de la fonction t’autocorrelation et aussi de la
statistique pour l’ensemble des valeurs donc on rejette l’hypothèse de Bruit Blanc,
c’est un processus non-stationnaire.
Pour décider de la sationnarité ou non de l’evolution de cet indice, on passe aux
tests de racines unitaires :
35
On remarque que : aux trois valeurs critiques, donc on accepte . contient une racine
unitaire.
36
On a accepté , On passe ensuite aux tests d’hypotheses jointes :
On teste
Donc :
37
On remarque que : aux trois valeurs critiques, donc on accepte . contient une racine
unitaire.
38
39
On remarque que : aux trois valeurs critiques, donc on accepte . contient une racine
unitaire. Donc est un processus marche aléatoire sans dérive, pour le rendre stationnaire,
on utilise le filtre aux différences prèmieres :
Excel :
150
100
50
0
0 200 400 600 800 1000 1200 1400
-50
-100
-150
Test :
On applique la même strategie de test dans le cadre du test : on utilise nombre de
decalage égale a 5 :
Donc on commence par estimer le model [6] et tester : :
Simulations sous :
40
41
On remarque que aux trois valeurs critiques donc on accepte , et on passe
maintenant pour tester :
42
On remarque que donc on accepte , et on passe à l’estimation du modele [5] :
Simulations sous :
43
On remarque que aux trois valeurs critiques, donc on accepte , et on passe
maintenant pour tester :
44
On remarque que aux trois valeurs critiques donc on accepte , donc il s’agit d’un
processus marche au hasard sans dérive.
Test :
45
On prend dans ce test le nombre de retard car
Simulations sous :
pour [3] :
46
Simulations sous :
47
On remarque que donc on accepte, le processus CAC40 contient une racine
unitaire.
Pour conclure : On remarque que pour n’importe quel modèle retenu donc on
accepte toujrous, le processus contient une racine unitaire, c’est un procesus non-
stationnaire de type .
Test KPSS :
Ce test concerne uniquement les deux modeles [2] et [3] :
Pour [2] :
Simulations sous :
48
On prend dans ce test le nombre de retard , comme pour le test :
La statistique est superieure aux trois valeurs critiques, donc on rejette l’hypothèse
de stationnarité .
Pour [3] :
Simulations sous :
49
La statistique est superieure aux trois valeurs critiques, donc on rejette l’hypothèse
de stationnarité .
pour le rendre
50
stationnaire
premiere pour le
rendre stationnaire
Pour trancher
Décision Decision
Décision
Décision
51
Table pour
52
53
Table pour
Table pour
54
-.
55