ECONOMETRIE II

Master 2 GRF

MOHAMMED AMINE SENHAJI

MAJDA EL IDRISSI
2019/2020
 2
3
I. Définition d’un processus stochastique : 4
II. Les processus stationnaires 4
1. Stationnarité forte : 4
2. Processus bruit blanc : 4
3. Test de Bruit Blanc et de stationnarité : 5
4. Exercice d’application : 6
III. Processus aléatoires linéaires et stationnaires : 8
1. Théorème de décomposition de : 8
2. Operateur de retard : 9
3. Propriétés de l’operateur de retard B : 10
11
I. Description des processus TS et DS : 12
II. Exemple pratique : 15
III. Exemple théorique : 20
23
I. Test de Dickey-Fuller simple : 26
1. Test d’hypothèses jointes : 27
II. Test de Dickey-Fuller augmentés : 29
1. Test d’hypothèses jointes : 32
III. Test de Phillips et Perron : 34
IV. Le test : 35
36
37
54
55
58

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

-Héteroscédasticité : contrerement a l’homoscédasticité, c’est lorsque les variances

variantes d’un moment a l’autre.

-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 ) :

-Progression geometrique de raison :

Lorsque est decroissante et converge vers :

Car

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 :

Une série chronologique est stationnaire si elle ne comporte ni tendance ni

saisonnalité. Il s’agit d’une famille de variables aléatoires .

2. Processus bruit blanc :

Soit un processus aléatoire, t T :
est un processus si les accroissements sont non corrélées et indépendantes, il
s’agit d’une suite de variables aléatoires réelles homoscedastiques et
indépendantes. On l’appelle un processus variables indépendantes et identiquement
distribuées), ou aussi un gaussien et noté normalement et identiquement
distribuée).

3. Test de Bruit Blanc et de stationnarité :

3.1 Fonction d’autocorrélation :

La fonction d’autocorrélation noté est une suite de coefficients de corrélation linéaire
calculée entre une série et elle-même décalée d’une période , est donnée par :

5
Pour un processus centrée la fonction d’autocorrélation est donnée par :

Avec :

Et :

la variance des est donnée par (Bartlett ) :

3.2 Analyse de la fonction d’autocorrélation : test de Box-Pierce :

Le test de Box-Perece est utile pour identifier les processus marche au hasard, qui
sont des processus tel que ou encore pour d’où les hypothèses suivantes :

Pour la réalisation de ce test on recourt à la statistique de qui est donnée par :

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 :

Avec la même règle de décision pour le premier.

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

Solution : analyse du tableau sous :

1- Le calcule de :

-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

Sig ≤0.05 donc on rejette l’hypothèse de .

III. Processus aléatoires linéaires et stationnaires :

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 :

; Avec est un processus quelconque.

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 :

3. Propriétés de l’operateur de retard B :

-
-
-

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.

I. Description des processus TS et DS :

1. Processus TS :
Le processus s’écrit sous la forme

- est une fonction polynomiale du temps.

- est un processus stationnaire.
Le processus le plus simple (le plus fréquent) lorsque est une fonction polynomiale
d’ordre 1, donc :

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 :

: est une constante réelle

: est un processus stationnaire
d : l’ordre du filtre aux différences
: operateur de retard
Le cas le plus simple et le plus fréquent est l’utilisation d’un filtre aux différences
d’ordre 1, donc :

est un processus Bruit Blanc, et peut déterminer deux types de processus :

 si le processus est dit un processus sans dérive :

Ce processus porte le nom de marche au hasard (random walk) ou aussi processus

homme ivre, car c’est un processus imprévisible, pour étudier les caractéristiques
stochastiques de ce model on utilise la forme réduite suivante :

En :

13
Donc :

et est un

On remarque que la variance dépend du temps donc ce processus n’est pas

stationnaire, on peut le rendre stationnaire en appliquant le filtre aux différences
d’ordre 1 :

 Si alors le processus est dit avec dérive et s’écrit comme suit :

Comme dans le cas précèdent pour étudier les caractéristiques stochastiques de ce

model on utilise la forme réduite :

est un Bruit Blanc donc :

14
On démontre de la même façon que le cas précèdent que :

Puisque l’espérance et la variance dépendent du temps alors le processus est non-

stationnaires, on peut donc le rendre stationnaire il suffit de lui appliquer le filtres aux
différences d’ordre 1 :

Voir l’exemple de stationnarisation du model.

II. Exemple pratique :

Soit le processus suivant :
et le processus suivant :
- Rendre les deux processus stationnaire ? simulation sous et

Processus sans dérive et avec dérive : ()

On commence par créer un : [ =ALEA.ENTRE.BORNE (-10 ;10) ] avec n=300, on
trouve un processus Bruit Blanc centré comme suit :

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

est donc comme suit :

66876521093 555098743215
76776541098 666987632104
788543209876 7776521098
8432165 878654309871
11099987210976543 89543276
1100105432698 1199098432108765
1111109874321 11010921076543
1122876532109 1111109854326
1133765410982 11222098743215
1134465430987 113387632109
1145432198765 1144765421098
1156321076548 11545654309871
1167621096543 1156654329876
1177098743215 1167321087654
11787210976543

16
11888987632104 1188109854326
119976521098 1299909874321

On crée le processus avec dérive : ou encore

222090654309871
2201154329876 On crée le processus sans dérive : ou encore 2200876532109
2212321087654 2211765410982
22232210965437 22212654309871
223310985432 2223343259876
22444987643210 2234321087654
2255876521093 22454210965437
2265665410987 22556109854326
22677543298760 226698743210
227843218765 2277876532109
22898210976543 22878765410982
23990109854326 2298965430987
7098 3904321765
980

sous , on prend et le processus

sous , on prend le processus est
 0

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

On remarque dans la figure précédente qu’il s’agit d’un centré autour de 5.

En utilisant le filtre aux différences premières le processus est devenu stationnaire.
- On utilise la même série de l’exemple précèdent, le processus est le suivant , on
prendra pour simplifier et donc :
Simulation sur :
[Transformer] → [calculer la variable] → [variable cible : on note] →
[Expression numérique :(1.5*t)+ ] → ok
- Apres avoir trouvé les valeurs on procède par la représentation graphique entre
et le temps t
Simulation sous :
[Graphiques] → [Générateur de graphiques] → [Select ; courbe] → [Axes x→t ;
Axes y→] → ok

- On procède par la suite à une régression linéaire simple entre et le temps t :

Simulation sous :
[Analyse] →[Régression] → [Linéaire] → [Select variable dépendante ; variable
indépendante t ] → ok

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).

On remarque le model est devenue stationnaire autour de 0.

III. Exemple théorique :

Exprimer sous forme développée le processus :
on discute de la stationnarité de lorsque prend des valeurs comme suit : .
On commence par développer l’écriture du model avant d’étudier ses caractériels
stochastiques, afin d’analyser la stationnarité de :

19
En
En :
 Caractéristiques stochastiques :

étant un Bruit Blanc donc :

Suite géométrique Suite géométrique

de raison donc elle de raison donc elle
est convergente est croissante
vers 0

stationnarité Asymptotiquement Stationnaire Non-stationnaire

stationnaire d’ordre d’ordre 1 d’ordre 1
1

Suite géométrique de Suite géométrique

raison donc elle est de raison donc
convergente elle est croissante
La variance
dépend du temps

Asymptotiquement Non-stationnaire Non-stationnaire

stationnarité stationnaire d’ordre 2 d’ordre 2 d’ordre 2

20
 Suite géométrique de Suite géométrique
raison donc elle est de raison donc
convergente elle est croissante

La dépend du
temps

Asymptotiquement Non-stationnaire Non-stationnaire

Stationnarité stationnaire d’ordre 3 d’ordre 3 d’ordre 3

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 :

Il existe trois modeles servant à la composition de ses tests, des model

principalement autorégressifs d’ordre 1 :

Avec est un Bruit Blanc centré :

Le principe des tests de racines unitaire est que si alors le processus présente une
racine unitaire et , et le processus est donc stationnaire :

 Caractéristiques des modèles de bases :

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 et donc il est
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

Si on accepte donc , et , on se retrouve alors avec un processus avec

dérive il est non-stationnaire d’ordre 2.
Si on accepte, et on posant donc , est un Bruit Blanc, il s’agit dans ce cas d’un
processus .

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

AR(1) AR(1) avec TS

Stationnaire constante
Stationnaire

On remarque que sous l’hypothèse nul est toujours un processus non-stationnaire,

le model retenu.

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 :

est l’estimateur des , sans biais et convergeant, de :

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 :

 De manière générale le test se déroule comme suit :

1- Estimation par du paramètre du model équivalant.

2- Tester la statistique :

3- Règle de décision : pour rependre au problème de la statistique qui ne

reprend pas à une distribution normale, Dickey et Fuller ont tabulé de

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.

1. Test d’hypothèses jointes :

Ce test concerne les deux model [2] et [3] :
Pour [2] : on commence tout d’abord par effectuer le test, si on accepte alors on
continue tester l’hypothèse suivante:

Ce test est calculé à partir de la statistique empirique analogue a une loi de , en

utilisant pour la règle de décision les valeurs tabulés, par Dickey et Fuller, de sa
distribution asymptotique ( voir page … ) :

est la somme de carrés résiduelle du model [2], estimé par . :

est la somme de carrés résiduelle du model [2], prenant en considération les
contraintes de l’hypothèse c’est-à-dire on va prendre dans le calcul que et :

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 ; :

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 ; :

-Règle de décision : si la statistique empirique calculée est supérieure à la valeur

lue dans la table à un seuil alors on rejette les hypothèses nulles au seuil.

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 ? ?

II. Test de Dickey-Fuller augmentés :

Dans le test l’erreur est considérée par hypothèse un Bruit Blanc, cependant le test
prend en considération le cas où l’erreur n’est pas forcément un Bruit Blanc :

Prenant le model : [1] :

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 :

C’est un paramètre qui va être estimé par on le note.

Donc :
[4] :

 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].

1. Test d’hypothèses jointes :

Apres avoir accepté l’hypothèse nulle du test , pour les modèles [5] et [6], on
continue a tester les hypothèses suivantes :
Pour [5] :

On teste cette hypothèses en utilisant la statistique empirique analogue a une loi de

Fisher noté :

: 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 :

Si (la valeur tabulé) alors on rejette au seuil.

Pour [6] : il s’agit ici de tester deux hypothèses : (1) et (2) :

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 ; :

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 ; et :

-Règle de décision : si la statistique empirique calculée est supérieure à la valeur

lue dans la table à un seuil alors on rejette les hypothèses nulles au seuil.

III. Test de Phillips et Perron :

Le test de Phillips et Perron est considéré aussi comme une correction au test DFS,
il prend en considération les erreurs corrélés (héteroscédasticité), pour effectuer ce
test on suit les étapes suivantes :
Etape1 : estimation par MCO les paramètres du model, en suite le calcul du résidu
estimé et sa variance :
Etape 2 : estimation du facteur correctif noté ou encore la variance a long terme :

Où est le nombre de retard estimé à partir de la relation :

Etape 3 : le calcul de la statistique :

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 :

On rejette l’hypothèses de stationnarité au seuil si LM est supérieure au valeur

critiques suivantes :

1% 5% 10%
[2] 0.739 0.463 0.347
[3] 0.216 0.146 0.119

pour effectuer les tests on utilise la stratégie sequentielles suivante :

on rejette Estimation du on accepte
model [3], on test

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

non oui avec

Tester la
derive oui
nullité de
processus processus
avec sansconstatnte non oui
constatnte
processus
processus
avec
sansconstatnte
constatnte
Estimation du
on rejette modele [2] on accepte

Tester la Estimation du
nullité de modele [1]

non oui non oui

AR avec stationnaire sans derive

constante

On demande d’analyser l’evolution de l’indice (Cotation Assistée en Continu, c’est un

indice representatif de l’evolution des cours bourcier) sur 1160 observations.
Base de données a télécharger

c5ex3.wf1

33
Analyse :
Premièrement, on vas commencer par une representation grafique du :
Simulations sous :

On remarque visuellement que cet l’indice est non-stationnaire, il s’agit d’un

processus , on peut le remarquer également avec le correlogramme :
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 :

Etape 1 : Estimation du model [3] :

Simulations sous :

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 :

On remarque que donc on accepte et . On est amenés donc à tester l’hypothése ::

On remarque que , donc on accepte . On est amenés a estimer le model [2] :

Simulations sous :

37
On remarque que : aux trois valeurs critiques, donc on accepte . contient une racine
unitaire.

On a accepté , On passe ensuite aux tests d’hypotheses jointes :

On remarque que donc on accepte . On est amenés a estimer le modele [1] :

Simulations sous :

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 :

On remarque que , donc on anccepte . Puisqu’on a accepter et , suivant la strategie

sequentielle , nous somme amenés à 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 :

On remarque que , donc on anccepte . Puisqu’on a accepter et , suivant la strategie

sequentielle , nous somme amenés à estimer le model [4]:
Simulations sous :

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] :

On remarque que donc on accepte, le processus CAC40 contient une racine

unitaire.
Pour [2] :

46
Simulations sous :

On remarque que donc on accepte, le processus CAC40 contient une racine

unitaire.
Pour [1] :
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 .

Stationnaires : Lorsque les Processus stochastiques Non-stationnaires :

caracteristiques stochastiques Contrerement au processus
sont invariants pour tout n-uple stationnaires (dépendent du
pris dans le temps (, ne temps)
dépendent pas du temps)

pour le rendre
50
stationnaire
premiere pour le
rendre stationnaire
 Pour trancher

Tests de racines unitaires

Estimation par du Estimation par

Estimation par du Estimation par
modele retenu : 1 ; 2 ; →
modele retenu : 4 ; →
3
5;6

Tester la statistique Tester la statistique Tester la Tester la

(student) (student) statistique statistique

Pour Si on accepte : Pour Si on accepte : Décision Décision

[1] pour [2]et [3] [4] pour [5]et [6]

Décision Decision

Teste d’hypothéses Teste d’hypothéses

jointes : jointes :

Décision
Décision

Distribution cumulative empirique sous

51
Table pour

52
53
Table pour

Table pour

54
-.

55