Chapitre2 Timeseries

Introduction Test de Dickey-Fuller (DF) Test ADF Test de Phillips-Perron (PP) Le test KPSS: Kwiatkowsk
Séries Temporelles
Pr P. Mendy
Octobre 2021
Pr P. Mendy
Séries Temporelles 1 / 36
Chapitre II : Tests de racine unitaire
1 Introduction
2 Test de Dickey-Fuller (DF)
3 Test ADF
4 Test de Phillips-Perron (PP)
5 Le test KPSS: KwiatkowskiPhillipsSchmidtShin
Pr P. Mendy
Introduction
Le choc est souvent utilisé pour décrire un changement inattendu
dans la variable ou dans la valeur de l'erreur à une période de
temps donné.
Lorsque nous avons un système stationnaire, l'eet du choc
s'estompe de manière graduelle: Choc transitoire
Par contre si le système est non stationnaire l'eet du choc devient
permanent: Choc pemanent
Deux types de non-stionnarité
• Racine unitaire
AR(1) : Xt = φ1 Xt−1 + εt
|φ1 | = 1 : Non stationnarité homogène.
• Racine unitaire supérieur à l'unité
|φ1 | > 1 : Non stationnarité explosive.
Pr P. Mendy
Introduction
∗ le choc sur le système augmente au fur et à mesure que le
temps croit.
∗ Ce cas ne peut être observé dans la vie réelle.
Exemple
AR(1) : Xt = φT1 Xt−T + εt + φ11 εt−1 + φ21 εt−2 + . . . + φT1 εt−T
|φ1 | < 1 ⇒ φT1 → 0 si T → ∞

|φ1 | = 1 ⇒ φT1 = 1 si T → ∞
|φ1 | > 1 ⇒ φT1 → ∞ si T → ∞
Si la racine unitaire est proche de l'unité dans la partie AR on

diérencie la variable. Si c'est dans la partie MA, on applique une sur
diérenciation pour la stationnariser.
Pr P. Mendy
Test DF
AR(1) : Xt = µ + φ1 Xt−1 + εt
où εt ∼ BBN (0, σε ).
C'est l'approche la plus simple pour tester la présence d'une racine
unitaire dans le processus.
Hypothèses à tester
H0 : φ1 = 1 ⇒ Xt ∼ I(1)
H1 : |φ1 | < 1 ⇒ Xt ∼ I(0)
Pr P. Mendy
Test DF
Soustraction de Xt−1 :
AR(1) : Xt − Xt−1 = µ + φ1 Xt−1 − Xt−1 + εt
AR(1) : Xt − Xt−1 = µ + φ1 Xt−1 − Xt−1 + εt )

AR(1) : ∆Xt = µ − (1 − φ1 )Xt−1 + εt ⇒ ∆Xt = µ + δXt−1 + εt
Si δ = 0, le processus admet une racine unitaire.
H0 : δ = 0 ⇒ Xt ∼ I(1)
H1 : δ < 0 ⇒ Xt ∼ I(0)
Pr P. Mendy
Test DF 3 types de modèles
∆Xt = δXt−1 + εt ⇒ Marche aléatoire (MA) pure

∆Xt = µ + δXt−1 + εt MA avec drift
∆Xt = µ + βt + δXt−1 + εt MA avec drift + trend
En appliquant les MCO au processus AR(1) et en estimant φ1 , la

statistique de test est donnée par:
φ̂1 − 1
tφ1 =1
σ̂φ̂1
Pr P. Mendy
Test DF
Le test est un test unilatéral gauche. Si Xt est stationnaire alors on

montre que
√ d
T (φ̂1 − φ1 ) → N 0, (1 − φ21 )

• Cela vaut dire que sous H0 la distribution limite de la statistique est

N (0, 1) si T tend vers l'inni.
• Sous H0
A
φ̂1 → N (1, 0)
ce qui n'a pas de sens, sous H0 {Xt } est non stationnaire et ergodique
et, les moments usuels ne sont plus convergents vers des constantes
xés. Phillips 1987, a montré que ces moments de {Xt } convergent vers
un mouvement Brownien
Pr P. Mendy
Test DF
T Z 1
d
X
−3/2
T Xt−1 → σ W (r)dr
t=1 0
T Z 1
d
X
−2 2 2
T Xt−1 → σ W (r)2 dW (r)
t=1 0
T Z 1
d
X
−1
T Xt−1 εt → σ W (r)dr
t=1 0
où W (r) est un mouvement Brownien standard (processus de Winner)

déni sur un intervalle unitaire.
• En utilisant les résultats ci-dessus Phillips a montré que:
Pr P. Mendy
Test DF
R1
d W (r)dW (r)
0
(T − 1)(φ̂1 − 1) → R1
2
0 W (r) dr
R1
d W (r)dr
tφ1 =1 → hR 0 i1/2
1 2 dr
0 W (r)
Quelques résultats
P
φ̂1 est super
√ consistant dès que φ̂1 → φ1 au taux T au lieu au taux
habituel T
φ̂1 n'est pas asymptotiquement normalement distribué et tφ1 =1 ne
tend pas asymptotiquement vers la loi normale.
Pr P. Mendy
Test DF
La distribution limite de φ̂1 est appelée distribution de DF et n'a
pas une représentation standard. Les quantiles de la distribution
sont obtenues de manière numérique ou par simulation.
Si le biais normalisé (T − 1)(φ̂1 − 1) a une distribution limite
normalisée bien dénie qui ne dépend pas des paramètres de
nuisance il peut aussi être utilisé comme une statistique de test
sous H0 : φ̂1 = 1
Exemple
{z } Xt−1 ; T = 35, ⇒ (T − 1)(φ̂1 − 1) = 34(0.948 − 1) = −1.7646

X̂t = |0.948
(0.0509)
au seuil alpha de 0.05 les valeurs critiques pour T=25 -7.5 et -7.7 pour
T= 50: Non rejet de H0 . On diérencie la variable pour la
stationnariser
Pr P. Mendy
Test DF
Avec un terme constant, le modèle de régression devient:
Xt = φ0 + φ1 Xt−1 + εt (1)
L'introduction de la constante permet de capturer une moyenne
non nulle sur l'hypothèse alternative. Les hypothèses à tester
deviennent:
H0 : µ = 0 et φ1 = 1 ⇒ Xt ∼ I(1) sans constante
H1 : |φ1 | = 1 et φ1 < 1 ⇒ Xt ∼ I(0) avec une moyenne
Remarque
Formulation adaptée aux séries économiques et nancières sans trend
(Taux d'intérêt, taux de change )
Pr P. Mendy
Test DF
Les statistiques
tφ1 =1 et (T − 1)(φ̂1 − 1)
sont dénies et sont calculées à partir de l'équation [1]. Sous
H0 : µ = 0 et φ1 = 1 les distributions de ces statistiques sont
inuencées par la présence , mais non de la valeur de la constante
dans le modèle.
R1 u
d W dW (r)
→ R0 1
(T − 1)(φ̂1 − 1) −
u 2
0 W d(r)
R1
d W u dW (r)
→ R 0
(T − 1)(tφ1 = 1) − 1/2
1 u
0 W d(r)
Pr P. Mendy
Test DF
R1
où W u (r) = W (r) − 0 W (r)dr est un processus de Wiener centré i.e
R1 u
0 W d(r) = 0
Modèle avec constante et trend
Le modèle de régression est dénie par
Xt = µ + γt + φ1 Xt−1 + εt (2)
L'introduction de la constante et du trend déterministe permet de

capturer la tendance déterministe sous l'hypothèse alternative. Les
hypothèses de test à tester sont dénies.
H0 : γ = 0 et φ1 = 1 ⇒ Xt ∼ I(1) avec constante

H1 : µ 6= 0 et φ1 < 1 ⇒ Xt ∼ I(0) avec trend déterministe
Pr P. Mendy
Remarque
Cette formulation est appropriée pour des séries avec un drift et un
trend (Prix des actifs, séries macroéconomiques agrégées , PIB).
Les statistiques
tφ1 =1 et (T − 1)(φ̂1 − 1)
sont dénies sont calculées à partir de l'équation [2].
Sous H0 : µ = 0 et φ1 = 1 les distributions de ces statistiques sont
inuencées par la présence , mais non des valeurs des coecients,
de la constante et du trend dans le modèle.
R1
W τ dW (r)
d
(T − 1)(φ̂1 − 1) −
→ R0 1
u 2
0R W d(r)
1 τ
d W dW (r)
(T − 1)(tφ1 = 1) −
→ R 01 1/2 où
( 0 W τ d(r))
R1
W u (r) = W (r) − −12 r − 12 1 1
est un processus de

0 s − 12 W (r)dr
Wiener centré et sans trend.
Pr P. Mendy
Test DF
Quelle est la conclusion si H0 n'est pas rejetée? Les séries
contiennent une racine unitaire mais de quel ordre? Seraient-elles
intégrées d'ordre d supérieur à 1?
On a besoin de tester
H : 0 : X(t) ∼ I(2) vs X(t) ∼ I(1)
Nous continuerons à tester la présence de racine unitaire jusqu'à ce
que nous rejetons H0
Le test DF est valide si les résidus sont bruits blancs. Si ils sont
auto corrélés on doit augmenter le test. On cherche une certaine
auto-corrélation à un certain ordre.
Beaucoup de séries macro-économiques et nancières présentent
des structures dynamiques plus complexes que celles du processus
AR(1).
Pr P. Mendy
Test DF
Said et Dickey (1984) augmentent le test classique DF pour

l'accommoder à un processus ARM A(p, d) avec des ordres p et q
inconnus. Ils appellent leur test Dickey Fuller augmenté
(Augmented Dickey- Fuller: ADF)
Pr P. Mendy
Test ADF
S'il existe une certaine corrélation des résidus dans le test DF (i.e
si le vrai processus n'est pas AR(1) ), alors on utilise un processus
AR(p) pour obtenir une grille de corrélation sérielle.
Φ(L)xt = µ + εt (3)
où εt ∼ BB(0, σε2 ) avec E(ε4t ) < ∞ et

Φ(L) = 1 − φ1 L − φ2 L2 − . . . − φp Lp pourrait contenir une racine
unitaire.
Pour tester la présence de racine unitaire dans le processus, on
suppose que
Φ(L) = (1 − L)φp−1 (L)
où φp−1 (L) = 1 − φ1 L − φ2 L2 − . . . − φp Lp−1 contient des racines
de module hors du cercle unité.
Pr P. Mendy
Test ADF
(1 − L)φp−1 (L)xt = µ + εt (4)

φp−1 (L)∆xt = µ + εt (5)
p−1
X
∆xt − φj ∆xt−1 = φ0 + εt (6)
j=1
Ainsi, faire un test de racine unitaire revient à tester que φ1 = 1

dans le modèle suivant
p−1
Équation du test ADF : xt = φ1 xt−1 +
X
φj ∆xt−1 + φ0 + εt (7)
j=1
Pr P. Mendy
Test ADF
où
p−1
X
∆xt = (1 − φ1 ) xt−1 + φj ∆xt−1 + φ0 + εt
| {z }
j=1
(δ)
p−1
Équation du test ADF : ∆xt = δxt−1 +
X
φj ∆xt−1 + φ0 + εt (8)
j=1
Hypothèses du test
H0 : φ1 = 1 ou H0 : δ = 0
H1 : |φ1 | < 1 H1 : δ < 0
Rejet de H0 si tφ1 =1 < CV Rejet de H0 si tδ=0 < CV

Pr P. Mendy
Test ADF
On peut aussi utiliser la statistique suivante:
(T − p)(φ̂1 − 1)Ψ(1)
où Ψ(1) = 1 + ψ1 + ψ2 . . . . . . obtenu à partir de la décomposition

de Wold.
La distribution limite de la statistique n'est pas standard (c'est
une fonction de mouvement brownien ou un processus de Wiener.)
Pr P. Mendy
Choix du p optimal du test ADF

Une importante question pratique pour implémenter le test ADF
est le choix du p optimal qui permet de blanchir l'erreur. Si p est
trop petit la corrélation sérielle des erreurs biaiserait le test. Par
contre si p est trop élevé la puissance du test en sourirait.
Ng et Perron (1995) suggèrent une procédure du choix pmax du
processus AR(p) qui stabilise la taille et minimise la perte de
puissance du test.
• On choisit un pmax = p.
• On estime l'équation du test ADF avec pmax = p.
• On teste H0 : φpmax = 0. Si la statistique de test en valeur
absolue est supérieur à 1.6 alors pmax = p et on fait le test de
racine unitaire, sinon on réduit le retard d'une unité on refait le
test de nullité du coecient pmax − 1 = p et on répète la procédure
jusqu'à obtenir le p optimal.
Pr P. Mendy
Choix du p optimal du test ADF
Une astuce utile pour déterminer le pmax est proposée par Schwert
(1989). Il propose une approche qui permet un choix du pmax qui
dépend de la taille de l'échantillon.
n 1/4
pmax = d12 e
100
où dxe est la partie entière de x.
Pr P. Mendy
Exemple T= 54
Exemple
Examinons le modèle initial en diérence première du processus AR(p).
Pour cet exemple on considère :
xt = φ0 + φxt−1 + φ1 ∆xt−1 + φ2 ∆xt−2 + εt
On estime le modèle avec t = 4, . . . , 54 . Les résultats des estimations

par MCO donnent:
xt = 139 + 0.856xt−1 + 0.141∆xt−1 − 0.326∆xt−2 + εt
(1 − L)xt = µ + Ψ(L)εt
où µ = 1/(1 − φ1 L − φ2 L2 ) et Ψ(L) = 1
φp−1 (L) = 1
1−φ1 L−φ2 L2
Pr P. Mendy 1
Séries Temporelles ⇒ Ψ(1) = 23 / 36
Exemple T= 54
Exemple
1
⇒ Ψ(1) = = 0.834
1 − 0.141 + 0.326
La statistique calculée:
(T − p)(φ̂ − 1)Ψ(1) = −6.19 > −13.3(V aleur critique)
Non rejet de H0 :, le processus contient une racine unitaire
Pr P. Mendy
Exemple T= 54
Remarque
Si la statistique de test est positive on rejette automatiquement H0 .
Il est généralement admis que les termes MA soient présents dans
de nombreuses séries chronologiques macroéconomiques après
diérenciation. Said et Dickey (1984) ont développé une approche
dans laquelle les ordres des composantes MA et AR dans les termes
d'erreur et auto-régressifs sont inconnus, mais peuvent être
approximés par un processus AR(k) où k est susamment grand
pour permettre une bonne approximation du processus ARM(p,q)
inconnu.
En s'assurant à ce que εt , soit approximativement BB
Φp (L)
Φp (L)xt = Θ(L)εt ⇒ xt = εt
Pr P. Mendy
Θ(L)
Test de Phillips-Perron (PP)
Phillips et Perron (1988) ont développé une théorie plus complète

de la non-stationnarité des racines unitaires. Les tests PP sont
similaires aux tests ADF. Ils dièrent des tests ADF
principalement dans la façon dont ils traitent la corrélation sérielle
et l'hétérocédascticité des erreurs dans la régression du test et
ignorent également la corrélation sérielle dans la régression du test.
Ces tests aboutissent généralement aux mêmes conclusions que les
tests ADF, et le calcul des statistiques de test est très complexe.
Pr P. Mendy

Considérons un modèle
xt = µ + φ1 xt−1 + εt (9)
DF : εt ∼ i.i.d
P P : εt ∼ auto-corréléess
Équation PP:∆xt = µ + δxt−1 + εt (10)
Hypothèse à tester:
H0 : δ = 0
H1 : δ < 0
Pr P. Mendy
Pr P. Mendy

Le test PP corrige toute corrélation sérielle et hétéroscédasticité
dans l'erreur εt de la régression de test en modiant directement la
statistique de test tδ=0 , et T δ̂ . Ces statistiques modiées,
désignées par Zt et Zδ sont données par
√ ! 
σ̂ 2 λ̂ 2
1 λ̂ − σ̂ 2 T s.e( δ̂)
Zt = tδ=0 −   (11)
λ̂2 2 λ̂2 δ̂ 2
 
1 T s.e(δ̂)  2
Zδ = T δ̂ −  λ̂ − σ̂ 2 (12)
2 δ̂ 2
Les termes λ̂2 et σ̂ 2 sont des estimations consistantes des termes de

variances
Pr P. Mendy
T T
1X X 1
σ 2 = lim E(ε2t ) et λ2 = lim E( ε2t )
T →∞ T T →∞ T
t=1 t=1
Sous l'hypothèse nulle que δ = 0, les statistiques PP Zt et Zδ ont

la même distribution asymptotique que la t-statistique ADF et la
statistique biaisée normalisée.
L'un des avantages du test PP est qu'il est robuste aux formes
générales d'hétéroroscédasticité dans l'erreur εt . Un autre avantage
est que l'utilisateur n'a pas à spécier la longueur du lag dans la
régression de test.
Pr P. Mendy
Problèmes du test PP
D'autre part, le test PP a tendance à être plus puissant, mais il est

également sujet à des distorsions de taille plus importantes :
• Problème de taille : la taille actuelle est plus grande que la taille
nominale lorsque l'auto-corrélation de εt est négative.
• plus sensible à la spécication du modèle (l'ordre des
composantes auto-régressives et des moyennes mobiles).
Le graphe de la fonction d'auto-corrélation nous aide à détecter le
problème de taille potentiel.
- Les séries chronologiques économiques présentent parfois une
auto-corrélation négative, en particulier au premier retard, et nous
pouvons utiliser une analyse de Monte Carlo pour simuler les
valeurs critiques appropriées, ce qui n'est pas forcément intéressant.
Pr P. Mendy
Critique des tests de Dickey-Fuller et de Phillips-Perron

La principale critique est que la puissance des tests est faible si le
processus est stationnaire mais avec une racine proche de la
frontière non stationnaire.
Par exemple, les tests sont médiocres pour décider en φ = 1 ou
φ = 0.95, surtout avec des échantillons de petite taille.
Si le vrai processus de génération de données (DGP) est
xt = 0, 95xt−1
alors l'hypothèse nulle de racine unitaire doit être rejetée

Une façon de contourner ce problème est d'utiliser un test de
stationnarité (comme le test KPSS:
KwiatkowskiPhillipsSchmidtShin) ainsi que les racines unitaires
que nous avons examinées (comme ADF ou PP).
Pr P. Mendy
Critique des tests de Dickey-Fuller et de Phillips-Perron

Les tests de racine unitaire ADF et PP sont connus (d'après les
simulations MC) de sourir de problèmes potentiellement graves de
puissance et de taille d'échantillon ni.
1 Puissance - Les tests ADF et PP sont connus pour avoir une faible
puissance contre l'hypothèse alternative que les séries sont
stationnaires (ou TS (trend stationary)) avec une grande racine
autorégressive (voir Delong et al. J. of econometrics, 1992).
2 Taille - Les tests ADF et PP sont connus pour avoir une distorsion
de taille importante (dans le sens d'un rejet excessif de l'hypothèse
nulle) lorsque la série a une racine moyenne mobile importante.
Diverses procédures alternatives ont été proposées pour résoudre

ces problèmes, en particulier le problème de puissance, mais les
tests ADF et PP restent les tests de racine unitaire les plus
utilisés. Cela peut changer.
Pr P. Mendy
Changements structurels
Une série chronologique stationnaire peut sembler non stationnaire

lorsqu'il y a des ruptures structurelles dans l'ordonnée ou la
tendance.
Les tests de racines unitaires conduisent à un faux non-rejet de
l'hypothèse nulle lorsque les ruptures structurelles ne sont pas
prises en compte ⇒ faible puissance.
Un point de rupture unique est introduit dans le modèle de
régression de Perron (1989) ; Perron (1997) l'a étendu à un cas de
point de rupture inconnu.
Perron, P. 1989 " The Great Crash, the Oil Price Shock and the
Unit Root", Econometrica, 57, 1361-1401
Pr P. Mendy
Changements structurels
Considérer les hypothèses nulles et alternatives
H0 : xt = α0 + xt−1 µ1 DP + εt
H1 : xt = α0 + α1 t + xt−1 µ2 DL + εt
∗ Coupure d'impulsion : DP = 1 si t = TB + 1 et zéro sinon. ∗

Rupture de niveau : DL = 0 si t = 1, . . . , TB et et un sinon.
• Hypothèse nulle : Yt contient une racine unitaire avec un saut
unique dans le niveau de la série au temps t = TB + 1 . •
Hypothèse alternative : Yt a une tendance stationnaire avec un
saut unique dans l'ordonnée à l'origine au temps t = TB + 1 .
Pr P. Mendy
Tests KPSS
Ce test de stationnarité a été proposé par Kwiatkowski, Phillips,
Schmidt et Shin (1992). Ce test, KPSS, du multiplicateur de
Lagrange utilise la stationnarité comme hypothèse nulle. Plus
spéciquement, il s'agit de tester l'hypothèse que la variance de la
composante non stationnaire d'une série est nulle.
Equations
xt = ωt + λt + εt ; εt ∼ iidN (0, σε2 ) (13)

ωt = ωt−1 + vt ; vt ∼ iidN (0, σv2 ) (14)
On teste l'hypothèse nulle σv2 = 0 qui, sous l'hypothèse de

stationnarité des εt , assure la stationnarité de xt autour d'une
tendance (ou autour d'une constante s'il est possible d'établir que
λ est non signicativement diérent de 0
Pr P. Mendy
Tests KPSS
Statistique de Test
)2  !2 
T
( t T
1 X X 1  2 X 
LM = 2 ε2i = 2 T r diag ε21 , (ε21 + ε22 , ., ε2i
σε σε  
t=1 i=1 t=1
(15)
Pr P. Mendy
Stationnarité au second ordre
Dénition
Une série est dite stationnaire si:
Moyenne et variance indépendantes des observations.
Séries temporelles: E(X) = µ et V(X) = σ 2
Cov(xt , xs = γ(t − s), ∀t, s ∈ Z
Impact sur les résultats des estimations

Résidus non stationnaires
Estimations fallacieuces sauf si le modèle élunmine le trend
stochastique pour obtenir des résidus stationnaires: Cointégration
Pr P. Mendy
Remarque
Pour des variables non stationnaires, on devrait toujours penser en
termes de cointégration.
Interprétation des résultats est uniquement recommandée si les
variables sont cointégrées.
Pr P. Mendy
Cointégration
Dénition et concepts
Combinaison stationnaire de variables non stationnaires
Equilibre Economique et Correction d'erreur.
Analyse de la cointegration d'Engel Granger

Régression statique pour des éries cointégrées.
Test de non cointégration basé sur les résidus
Modéliser l'ajustement dynamique.
Pr P. Mendy
Cointégration suite
Analyse de la Cointegration basée sur les résidus

Estimation des modèles ARDL et ECM
Tests de non cointégration
Si les variables ne sont pas cointégrées les régressions deviennent
factices.
Pr P. Mendy
Cointégration : Dénition
Soient Xt = (X1t , X2t ) deux variables I(1), i.e elles contiennent un
trend stochastique:
i
X
X1t = ε1i + X10 + processus stationnaire
i=1
i
X
X2t = ε2i + X20 + processus stationnaire
i=1
En général une combinaison linéaire de X1t et X2t doit devrait avoir

une racine unitaire. On dénit un vecteur β = (1 − β2 ) telle la
combinaison Zt = X1t − β2 X2t est stationnaire.
On dit que X1t et X2t sont cointégrées avec comme vecteur de
cointegration β .
Pr P. Mendy
Remarques
1 Il y a cointégration si les trends

Pistochastiques Pide X1t et X2t sont
identiques de telle sorte que: ε
i=1 1i = β 2 i=1 ε2i . C'est le trend
commun.
2 Equation de cointegration
X1t = µ + β2 X2t + ut (16)
3 Le vecteur de cointegration est unique à une contante près.

4 Extension de la cointégration de le cas multivarié.
Pr P. Mendy
Cointégration et Equilibre Economique
I On considère l'équation [??] on ut est le vecteur de

déviation déni par
X1t − µ − β2 X2t = ut
I Si X1t et X2t sont cointégrées alors ut est un processus

stationnaire.
Les chocs sur X1t et X2t on un eet permanent. X1t et
X2t co-varient et ut ∼ I(0)..
L'équation [??] dénit l'équilibre entre X1t et X2t .
I Si X1t et X2t ne sont pas cointégrées alors ut ∼ I(1).
L'équation [??] ne peut plus modéliser l'équlibre.
Pr P. Mendy
Error-Correction Model: ECM

Soit le système d'équations déni par:
∆X1t = δ1 + Γ11 ∆X1t−1 + Γ12 ∆X2t−1 + α1 (X1t−1 − µ + β2 X2t−1 )

+ε1t
∆X2t = δ2 + Γ21 ∆X1t−1 + Γ22 ∆X2t−1 + α2 (X1t−1 − µ + β2 X2t−1 )
+ε2t
I Ecriture Matricielle

∆X1t δ1 Γ11 Γ12 ∆X1t−1
= + +
∆X2t δ2 Γ21 Γ22 ∆X2t−1

α1 ε1
(X1t−1 − µ + β2 X2t−1 ) +
α2 ε2
Pr P. Mendy
IOu simplement
∆Xt = ∆ + Γ∆Xt−1 + αβ 0 Xt−1 + εt (17)
Pr P. Mendy
Analyse
Remarque
On remarque que
β 0 Xt−1 = X1t−1 − µ + β2 X2t−1 apparait dans les 2 équations.
Commentaires
Pour X1t on a besoin α1 < 0.
Pour X2t on a besoin α2 > 0.
Pr P. Mendy
MCO Regréssion avec des Séeries Cointégrées
Dans le cas de cointégration il existe un vecteur β2 tel que

l'erreur ut dans l'équation [??] est stationnaire.
L'estimation par MCO de l'équation [??] donne un
estimateur asymptotiquement sans biais de β2 :
T→∞
β̂2 −→ β2 : Consistance
Consistance obtenue même si les termes dynamiques

sont omis dans l'équation [??], ceci du fait que le trend
stochastique entre X1t et X2t est important.
Pr P. Mendy
Equation inverse
On peut aussi obtenir un estimateur consistant du paramètre γ1 de
l'équation inverse [??]
X2t = δ + γ1 X1t + vt (18)
Pr P. Mendy
Cependant β̂2 n'est pas asymptiquement normal. Les

procédures d'inférence normales ne peuvent pas être
appliquées à β̂2 .
Super-Consistance
Pour des séries stationnaires la variance de β̂2 décroit au taux de
T −1 . Pour des séries cointégrées I(1) la variance de β̂2 décroit au
taux de T −2 .
Intuition: si β̂2 = β2 ; ut est stationnaire sinon ut est non
stationnaire. L'information sur les paramètres augmente très vite.
Pr P. Mendy
Test de Non-Cointégration, β2 connu
supposons X1t et X2t I(1) et β = (1 − β2 ) connu.

Les variables sont cointégrées si
Zt = X1t − µ − β2 X2t est staionnaire
On utilise le test ADF pour tester H0 : π = 0 dans l'équation [??]

k
X
∆Zt = Dt + πZt−1 ρi ∆Zt−i + et (19)
i=1
H0 : π = 0 est une hypothèse de racine unitaire qui est aussi un

test de cointégration.
Pr P. Mendy
Test de Non-Cointégration, β2 estimé
Engle-Granger (1987) procédure en deux étapes

Si β = (1 − β2 ) est inconnu un estimateur super consistant de β
peut être obtenu en estimant l'équation [??] β̂ est un vecteur
cointégrant si
ût = X1t − µ̂ − β̂2 X2t stationnaire
Tester par H0 : π = 0 en utilisant un test ADF équation [??].

k
X
∆ût = πût−1 + ρi ∆ût−i + vt (20)
i=1
Pr P. Mendy
Remarques
Les rési()dus ût sont centrés. Pas de terme déterministe dans [??].
La valeur critique de la statistique tπ dépend encore des
régresseurs de [??].
Le fait que β̂2 soit estimé par MCO change les valeurs critiques qui
dépendent du nombre de paramètres estimés.
Pr P. Mendy
Modélisation Dynamique
Donné le vecteur de cointéegration on peut dénir le modèle ECM:
ecmt = ût = X1t − µ̂ − β̂2 X2t
qui par dénition est stationnaire.

si β̂2 converge ver β2 on peut considérer ecmt comme un régresseur
et formuler le modèle ECM conditiellement à ecmt−1 :
∆X1t = δ + λ1 ∆X1t−1 + κ0 ∆X2t + κ1 ∆X2t−1 − α ∗ ecmt−1 + εt (21)
où α > 0 le terme de correction d'erreur.

Dans le cas de relation de cointégration, toutes les variables du
modèle ECM sont stationnaires et on peut donc appliquer les
inférences classiques aux paramètres.
Pr P. Mendy
Analyse d' Engle-Granger: Approche en deux étapes
1 Déterminer l'ordre d'intégration de X1t et X2t par un test de

racine unitaire.
2 Estimer le modèle [??].
3 Faire un test de non cointégration en testant la présence de racine
unitaire sur ût .
4 Si la cointégration n'est pas rejetée on estime le modèle ECM [??].
∆X1t = δ + λ1 ∆X1t−1 + κ0 ∆X2t + κ1 ∆X2t−1 − α ∗ ecmt−1 + εt (22)
Toutes les variables du modèle [??] sont stationnaires.
Pr P. Mendy
Analyse de la cointégration en une étape
1 Faire un test de racine unitaire sur les variables X1t et X2t .

2 Estimer le modèle ARDL [??]
∆X1t = δ + λ1 ∆X1t−1 + κ0 ∆X2t + κ1 ∆X2t−1 + γ1 X1t−1 + εt (23)
3 Tester la non cointégration avec la statistique tγ1 =0 . Si la

cointégration n'est pas rejetée. Elle est la solution de long terme.
4 On détermine la solution de long terme par
X1t = µ̂ + β̂2 X2t
Tous les tests précédents sont extensibles sur données de panel.
Pr P. Mendy

Chapitre2 Timeseries

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

Chapitre2 Timeseries

Transféré par

Droits d'auteur :

Formats disponibles

Introduction Test de Dickey-Fuller (DF) Test ADF Test de Phillips-Perron (PP) Le test KPSS: Kwiatkowsk

Chapitre II : Tests de racine unitaire

2 Test de Dickey-Fuller (DF)

4 Test de Phillips-Perron (PP)

5 Le test KPSS: KwiatkowskiPhillipsSchmidtShin

AR(1) : Xt = φT1 Xt−T + εt + φ11 εt−1 + φ21 εt−2 + . . . + φT1 εt−T

|φ1 | < 1 ⇒ φT1 → 0 si T → ∞

Si la racine unitaire est proche de l'unité dans la partie AR on

AR(1) : Xt − Xt−1 = µ + φ1 Xt−1 − Xt−1 + εt

AR(1) : Xt − Xt−1 = µ + φ1 Xt−1 − Xt−1 + εt )

Si δ = 0, le processus admet une racine unitaire.

Test DF 3 types de modèles

∆Xt = δXt−1 + εt ⇒ Marche aléatoire (MA) pure

En appliquant les MCO au processus AR(1) et en estimant φ1 , la

Le test est un test unilatéral gauche. Si Xt est stationnaire alors on

• Cela vaut dire que sous H0 la distribution limite de la statistique est

où W (r) est un mouvement Brownien standard (processus de Winner)

{z } Xt−1 ; T = 35, ⇒ (T − 1)(φ̂1 − 1) = 34(0.948 − 1) = −1.7646

L'introduction de la constante et du trend déterministe permet de

H0 : γ = 0 et φ1 = 1 ⇒ Xt ∼ I(1) avec constante

Said et Dickey (1984) augmentent le test classique DF pour

où εt ∼ BB(0, σε2 ) avec E(ε4t ) < ∞ et

(1 − L)φp−1 (L)xt = µ + εt (4)

Ainsi, faire un test de racine unitaire revient à tester que φ1 = 1

Rejet de H0 si tφ1 =1 < CV Rejet de H0 si tδ=0 < CV

On peut aussi utiliser la statistique suivante:

où Ψ(1) = 1 + ψ1 + ψ2 . . . . . . obtenu à partir de la décomposition

Choix du p optimal du test ADF

Choix du p optimal du test ADF

On estime le modèle avec t = 4, . . . , 54 . Les résultats des estimations

Non rejet de H0 :, le processus contient une racine unitaire

Test de Phillips-Perron (PP)

Phillips et Perron (1988) ont développé une théorie plus complète

Test de Phillips-Perron (PP)

Équation PP:∆xt = µ + δxt−1 + εt (10)

Test de Phillips-Perron (PP)

Les termes λ̂2 et σ̂ 2 sont des estimations consistantes des termes de

Test de Phillips-Perron (PP)

Sous l'hypothèse nulle que δ = 0, les statistiques PP Zt et Zδ ont

D'autre part, le test PP a tendance à être plus puissant, mais il est

Critique des tests de Dickey-Fuller et de Phillips-Perron

alors l'hypothèse nulle de racine unitaire doit être rejetée

Critique des tests de Dickey-Fuller et de Phillips-Perron

puissance contre l'hypothèse alternative que les séries sont

stationnaires (ou TS (trend stationary)) avec une grande racine

autorégressive (voir Delong et al. J. of econometrics, 1992).

de taille importante (dans le sens d'un rejet excessif de l'hypothèse

nulle) lorsque la série a une racine moyenne mobile importante.

Diverses procédures alternatives ont été proposées pour résoudre

Une série chronologique stationnaire peut sembler non stationnaire

Considérer les hypothèses nulles et alternatives

∗ Coupure d'impulsion : DP = 1 si t = TB + 1 et zéro sinon. ∗

xt = ωt + λt + εt ; εt ∼ iidN (0, σε2 ) (13)

On teste l'hypothèse nulle σv2 = 0 qui, sous l'hypothèse de

Stationnarité au second ordre

Impact sur les résultats des estimations

Analyse de la cointegration d'Engel Granger

Analyse de la Cointegration basée sur les résidus

En général une combinaison linéaire de X1t et X2t doit devrait avoir

1 Il y a cointégration si les trends

X1t = µ + β2 X2t + ut (16)

3 Le vecteur de cointegration est unique à une contante près.

Cointégration et Equilibre Economique

5 Le test KPSS: KwiatkowskiPhillipsSchmidtShin

qui par dénition est stationnaire.