Académique Documents
Professionnel Documents
Culture Documents
Cours
Réalisé par :
Abdelhamid EL BOUHADI
Abdelkader EL KHIDER
Année universitaire :
2014-2015
SOMMAIRE
Introduction :
Les séries temporelles : Histoire, intérêts et limites
I. Les processus stationnaires
II. Les processus VAR
III. Les processus non stationnaires
IV. Le processus non linéaires stochastiques
ECONOMETRIE DES
SERIES TEMPORELLES
Plan du cours:
Chapitre introductif : Econométrie des séries temporelles
Section1. Histoire des séries temporelles ;
Section2. Intérêts et limites.
Bibliographie :
Borbonnais, économétrie, Dunod
Borbonnais et Terraza, Analyse des séries temporelles en économie, PUF,
Lardic et Mignon, Econométrie des séries temporelles macroéconomiques et financières,
Economica,
Gujarati, Basic Econometrics, McGraw Hill.
IINTRODUCTION
L’économétrie a envahi l’analyse économique, si bien
qu’il est devenu courant de rencontrer au fil d’un
article les termes suivants : ARMA, VAR, ARCH,
GARCH, EGARCH, NON STATIONNAIRE,
RACINE UNITAIRE, TENDANCE
STOCHASTIQUE,… L’objectif de ce cours est de
rendre intelligibles ces concepts et les techniques
fondamentales qui leur sont associées. Notre accent
dans ce cours portera sur l’analyse des séries
temporelles en économie. Nous y analyserons le
comportement des séries financières et
macroéconomiques.
Comment expliquer le développement de l’économétrie des séries
temporelles ? Pourquoi ne s’être pas contenté des méthodes
économétriques usuelles, les «Moindres Carrés Ordinaires», et
leurs divers prolongements (MCG, etc.) ?
La série temporelle (ST) peut être discrète ou continu. Dans les études réalisées sur
les variables macroéconomiques, monétaires ou financières, on considère que
l’observation des séries temporelles est discrète.
Le terme « séries temporelles » désigne à la fois les séries réelles chronologiques et une
suite théorique de variables aléatoires indicées par le temps et qui va servir à modéliser
ces premières.
Une ST est une suite de nb réels, indexés par les entiers relatifs tels que le temps. Pour
chaque unité du temps, la valeur de la quantité étudiée « Xt » est dite variable aléatoire.
L’ensemble des valeurs « Xt » quand t varie est appelé « processus aléatoire »:
{X t , te Z }
Une ST est ainsi la réalisation d’un processus
aléatoire.
Les premiers travaux, pionniers, sur les processus aléatoires remontent
aux années 1926 et 1927 quand Yule avait introduit le concept de choc
aléatoire (dit aussi impulsif ou explosif).
Yule (1926) démontre que le fait de différencier un bruit aléatoire
introduit des autocorrélations artificielles.
Dans le même ordre d’idées, indépendamment de
Yule, Eugene Slutsky (1880-1948), montre en 1927,
1933 et en 1938 qu’en calculant une moyenne mobile
à partir d’un bruit blanc, on obtient une série dont les
observations ne sont pas indépendantes et qui peut
présenter des cycles apparents (« effet Slutsky »).
Ce sont là probablement les deux premiers exemples de processus de moyenne mobile
étudiés formellement.
En 1927, Yule propose le modèle autorégressif et trouve qu’un modèle autorégressif
d’ordre 2 représente assez bien le comportement des données de Wolfer sur les taches
solaires (1749-1924). Yule montre que le modèle autorégressif peut conduire à
l’apparition de fluctuations cycliques. Toutefois, les caractéristiques d’amplitude et de
phase de ces cycles sont variables.
En 1938, en se référant au temps, Wold décompose les processus aléatoires selon deux
processus orthogonaux: un est qualifié de déterminable (on peut prévoir son évolution
et son comportement) et l’autre est qualifié d’indéterminable (il est le résultat d’une
combinaison linéaire infinie de chocs aléatoires: c’est le processus de Yule ; il s’agit
d’un processus dont le comportement au cours du temps est imprévisible).
En 1954, Wold a mis en application, à partir de la classe des
processus indéterminables, les modèles linéaires ARMA
(AutoRegressive Moving Average) stationnaires. La partie
autorégressive de ces processus notée AR est constituée par une
combinaison linéaire finie des valeurs passées du processus. La
partie moyenne mobile, notée MA est constituée d’une
combinaison linéaire finie en t des valeurs passées d’un bruit blanc,
c’est-à-dire d’un processus aléatoire, formé d’une succession de
variables aléatoires indépendantes d’espérance mathématique nulle.
En 1970 et en 1976, Box et Jenkins rassemblaient l’ensemble de
ces travaux pour en dériver une méthodologie itérative dans le but
de faire la prévision d’une série temporelle.
Jusqu’à la fin des années 1970, les processus aléatoires en
économétrie ont été considérés comme étant stationnaires c’est-à-
dire, on a souvent considéré que leurs propriétés statistiques
(moyenne, variance, etc.) sont stables, n’évoluent pas au cours du
temps.
Quelques problèmes spécifiques posés par les séries
temporelles
2800
2400
2000
1600
1200
800
400
0
500 1000 1500 2000 2500
ATW
8
-2
-4
-6
-8
500 1000 1500 2000 2500
ATWRENTA
Les tests de racine unitaire en vue
de stationnariser la série: ADF et
PP
Deux propositions ont été faites par Nelson et Plosser (1982). La première est l’acceptation de
la présence d’une racine unitaire dans la plupart des séries macroéconomiques et financières.
La seconde affirme que la dynamique engendrée par les chocs permanents domine celle qui
provient des chocs transitoires.
Par ailleurs, Nelson et Plosser, dans leur article de 1982, « Trends and Random Walks in
Macroeconomic Time Series » ont utilisé les notions de processus TS (Trend Stationary) et
DS (Difference Stationary) pour décrire la non stationnarité.
Les premiers rendent compte de la non stationnarité de type déterministe : rappelons qu’ils
sont écrits comme la somme d’une tendance déterministe et de mouvements aléatoires :
¥ ¥
xt = a + bt +et soit a + bt + åaiet -i avec 0 < åai < ¥
i =0 i =0
Le processus TS le plus simple est représenté par une fonction polynomiale de degré 1. Ce
processus s’écrit :
xt = a0 + a1t + e t
Ce processus TS est non stationnaire car E ( xt ) dépend du temps. Comme cette espérance est
égale à a0 + a1t , il s’agit à l’instant t d’un certain chiffre.
Les processus DS sont des processus que l’ont peut rendre stationnaire par l’utilisation d’un
filtre aux différences : (1 - B)d xt = b + e t où e t est un processus stationnaire de type ARMA
ou encore un BB, b une constante réelle et d l’ordre du filtre aux différences.
Ces processus sont souvent représentés en utilisant le filtre aux différences premières (d = 1).
Le processus est dit alors processus de premier ordre. Il s’écrit :
(1 - B) xt = b + et
xt = xt -1 + b + e t .
En résumé, le processus TS représente les
processus caractérisés par une non
stationnarité de nature déterministe et le
processus DS représente les processus
dont la non stationnarité est de nature
stochastique.
Les statistiques de Dickey et Fuller ont pour
objet de tester l’hypothèse nulle de
processus non stationnaire contre
l’hypothèse alternative de processus
stationnaire.
Les modèles servant à la construction de
ces tests sont au nombre de trois :
Modèle (1) : modèle autorégressif
d’ordre 1 : AR(1)
Comme nous l’avons déjà signalé auparavant, l’étude de la
volatilité des cours nous permet de confirmer notre propos
selon lequel toute application économétrique se basant sur la
linéarité de la fonction de régression et sur la normalité de
l’évolution des rentabilités qui valide l’efficience au sens faible
(celle des prix ou des rentabilités) est dénuée de sens.
La principale propriété économétrique des séries financières est
leur hétéroscédasticité : le caractère non normal de leur
distribution (déjà démontré dans le tableau précédent) prouvé
par la nette grandeur de la statistique de Jarque et Bera conduit
à la suspicion quant aux résultats des tests classiques de
l’efficience. Eu égard de cette hétéroscédasticité, dite
conditionnelle, nous allons effectuer deux tests : le premier est
celui de Ljung-Box et qui porte sur le carré des rentabilités
(mesure approximative de la volatilité) ; le second test, ARCH-
LM, est un test de confirmation, dont les résultats sont
identiques à ceux de test de White. Les résultats du test sont
portés dans le tableau ci-dessous :
Séries
Q-statistique des rt 2 Test de White Test ARCH-LM
IGB 266,00** 198,0095* 105,2077*
ONA 114,57** 85,77389* 86,83469*
BMCE 23,988 72,31400* 22,24831*
SNI 170,42** 76,23404* 47,66264*
WAFABANK 70,584** 54,48780* 23,11336*
BCM 171,69** 60,04502* 57,77640*
SAMIR 0,0430 0,014803 0,002538
SONASID 98,678** 56,65491* 46,95642*
WAFAA 74,159** 0,687029 0,049591
CIOR 27,706** 38,92363* 17,37687*
SMI 343,43** 53,98816* 313,0113*
NON STATIONNARITE
(déjà mise en évidence )
CORRELOGRAMME DES r t 2
(existence d’effet ARCH)
GARCH(p,q) : s t2 = a1e t2-1 + a 2e t2- 2 + ... + a pe t2- p + b1s t2-1 + b2s t2- 2 + ... + b qs t2- q
m1 0,437170 0,563588
(17,27220) (15,76199)
Log likelihood 3527,390 3528,615 3527,592 3528,764 Log likelihood 3614,959 3639,878
Résidus standardisés Résidus standardisés
Skewness –0,458837 –0,483956 –0,453246 –0,476482 Skewness 0,411712 0,532333
Kurtosis 10,74560 10,84210 10,77565 10,88155 Kurtosis 10,92499 12,38657
Jarque-Bera 2821,290 2895,438 2841,977 2922,874 Jarque-Bera 2944,048 4133,557
Si nous revenons au modèle
GARCH(p,q):
Un niveau élevé du modèle GARCH, noté GARCH(p,q),
peut être estimé en choisissant aussi bien p et/ou q plus
grands que 1. Il s’écrit :
p q
st2 = w + åbjst2- j + åaiet2-i , où :
j =1 i=1
yt = xt¢g + et (1)
st2 = w + aet2-1 + bst2-1 (2)
L'équation de la moyenne exprimée en (1) est écrite comme une fonction de variables exogènes avec
un terme d'erreur. Tandis que : st2 est la variance conditionnelle (la variance prévue basée sur
l'information passée). L'équation de la variance conditionnelle indiquée dans (2) est une fonction de
trois termes :
§ La moyenne : w;
§ L’information nouvelle concernant la volatilité de la période précédente,
mesurée comme le retard du carré des résidus de l'équation de moyenne :
et2-1 (le terme ARCH) ;
§ La variance conditionnelle décalée d’une période : (le terme GARCH).
Le (1,1) dans GARCH (1,1) se réfère à la
présence d'un terme GARCH de premier
ordre (le premier 1) et un terme ARCH de
premier ordre (le deuxième 1). Un
modèle ARCH ordinaire est un cas
particulier d'une spécification GARCH
dans laquelle il n'y a pas de variance
conditionnelle retardée dans l'équation
de la variance conditionnelle.
Dependent Variable: DMASI
Method: ML - ARCH (Marquardt)
Date: 02/05/09 Time: 13:48
Sample(adjusted): 3 3798
Included observations: 3796 after adjusting endpoints
Convergence achieved after 18 iterations
Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C 0.00032736944364 6.07972606639e-05 5.38460845218 7.26025179094e-08
DMASI(-1) 0.325639309456 0.0144234748464 22.5770359032 7.28752126073e-113
Variance Equation
C 1.01774415833e-06 7.61547051975e-08 13.3641664778 9.79257917676e-41
ARCH(1) 0.270773459301 0.00952609299286 28.4243980721 1.01013649321e-177
GARCH(1) 0.756363835167 0.00642722601069 117.681225759 0
R-squared 0.107444279414 Mean dependent var 0.000667124369309
Adjusted R-squared 0.106502516585 S.D. dependent var 0.00657992884292
S.E. of regression 0.00621967746351 Akaike info criterion -7.78299907666
Sum squared resid 0.146652513961 Schwarz criterion -7.77477765522
Log likelihood 14777.1322475 F-statistic 114.088469174
Durbin-Watson stat 1.97927814027 Prob(F-statistic) 0
PREVISION (forecasting):
La commande Forecast utilise
l’estimation du modèle ARCH pour
calculer les prévisions statiques et
dynamiques de la moyenne, son erreur
standard prévue et la variance
conditionnelle. Pour construire les
prévisions dynamiques de la variable
dmasi utilisant le modèle GARCH (1,1),
nous remplissons la boîte de dialogue
de la prévision.
Ce graphique reflète la prévision de dmasi de
l'équation de la moyenne avec les deux bandes
d'écarts-types. Bien que la prévision prédit une
apparence constante de la moyenne au cours du
temps, elle augmente en fait légèrement au cours de
la période de prévision à cause du signe positif du
terme de GARCH dans l'équation de la moyenne.
Nous remarquons aussi que les chocs de volatilité
(mesurée par la variance conditionnelle) persistent
puisque la somme des termes ARCH ET GARCH est
Proche de 1. En effet, on peut dire que les prévisions
de la variance conditionnelle convergent à l'état
stable tout à fait lentement et donc en prenant un
certain temps.
Les différentes approches et les différentes modélisations