Jean-Marie Dufour 1 Dcembre 1998

TECHNIQUES DE SRIES CHRONOLOGIQUES : INTRODUCTION 2

Centre de recherche et dveloppement en conomique (C.R.D.E.), Centre interuniversitaire de recherche en analyse des organisations (CIRANO), et Dpartement de sciences conomiques, Universit de Montral. Lauteur est aussi titulaire de la Chaire de recherche du Canada en conomtrie. Adresse postale : Dpartement de sciences conomiques, Universit de Montral, C.P. 6128 succursale Centre Ville, Montral, Qubec, Canada H3C 3J7. TEL : (514) 343 2400 ; FAX : (514) 343 5831 ; courriel : jean.marie.dufour@umontreal.ca. Page Web : http ://www.fas.umontreal.ca/SCECO/Dufour . 2 Cette recherche a bnci du support nancier du Conseil des Arts du Canada (Bourse Killam), du Conseil de recherche en sciences humaines du Canada, du Conseil de recherche en sciences naturelles et en gnie du Canada, du Rseau canadien de centres dexcellence (projet MITACS) et du Fonds FCAR du Qubec.

1. Notion de srie chronologique 2. Exemples de sries chronologiques 3. Objectifs et problmes de lanalyse des sries chronologiques 4. Classication des modles

1. NOTION DE SRIE CHRONOLOGIQUE 1.1 La majeure partie des mthodes statistiques sont conues pour tre appliques des expriences indpendantes ou des rsultats denqutes : lordre des observations na pas de signication particulire (e.g., en biologie, agronomie, sociologie, etc.). En conomie, les donnes constituent souvent des sries dobservations sur une ou plusieurs variables faites diffrentes dates : les observations ne sont pas indpendantes. 1.2 DFINITION : On appelle srie chronologique (ou srie temporelle) toute suite dobservations indexes par un ensemble ordonn (le temps ).

1.3 TYPES IMPORTANTS DE SRIES Srie continue Dans certains domaines (e.g., en physique), la variable peut tre observe de faon continue, i.e. lindice peut prendre toutes les valeurs dans un intervalle de nombres rels. Dans un tel cas, on parle de srie continue.

De telles situations sont rares dans les donnes conomiques.

Srie discrte Une srie est discrte lorsque lensemble des valeurs possibles de est un ensemble discret, i.e. peut tre considr comme un sous-ensemble des nombres entiers.

Il y a deux types importants de srie discrte, suivant que les observations correspondent des niveaux : sries enregistres instantanment (e.g., prix, stocks), ou des ux : sries cumules sur un intervalle de temps (e.g., revenu, consommation). Lorsquon analyse une srie de ux, il est important de tenir compte de lintervalle de temps considr. 2. EXEMPLES DE SRIES CHRONOLOGIQUES (1) Produit national brut rel aux tats-Unis, 1872-1985 (annuel). (Barro, 1987, gure 1.1) Tendance sculaire apparente. Taux de croissance du produit national brut rel aux tats-Unis, 1873-1985 (annuel). (Barro, 1987, gure 1.2) Pas de tendance.

(2)

(3)

Taux de chmage aux tats-Unis, 1873-1985 (annuel). (Barro, 1987, gure 1.3) Pas de tendance. Srie moins volatile depuis 1945. Indice des prix la consommation aux tats-Unis, 1870-1985 (annuel). (Barro, 1987, gure 1.4) Tendance trs marque. Possibilit de changements de rgime. Taux dination aux tats-Unis, 1870-1985 (annuel). (Barro, 1987, gure 1.5) Pas de tendance. Possibilit dun changement de rgime autour de 1950. Logarithme des ventes au dtail aux tats-Unis, 1967-1979 (trimestriel) [Hillmer, Tiao et Box, dans Zellner (1983, p. 87)] Indice des prix la consommation en France, 1970-1978 (mensuel). (Gouriroux et Monfort, 1990, tableaux 1.1 et 1.2, gures 1.5, 1.6 et 1.7) Srie saisonnire. Trac voyageur de la SNCF en deuxime classe, 1963-1980 (mensuel). (Gouriroux et Monfort, 1990, tableau 1.2 et gure 1.8) Srie saisonnire.

(4)

(5)

(6) (7)

(8)

3. OBJECTIFS ET PROBLMES DE lANALYSE DES SRIES CHRONOLOGIQUES A) Modlisation

(1) Dvelopper des modles permettant de dcrire le comportement dune ou plusieurs sries chronologiques. (2) Mettre au point une mthodologie pour - spcier - estimer - valider (juger) un modle appropri pour des donnes particulires. B) Problmes importants poss par lanalyse des sries chronologiques

(1) Prvision tant donn des observations

, on dsire valuer une valeur non observe

La prvision peut tre ponctuelle, prvision : (2) Dcomposition

ou prendre la forme dun intervalle de

Les problmes de dcomposition les plus frquents sont les suivants : a) estimer la tendance ; b) enlever la tendance ; c) estimer les variations saisonnires ; d) enlever les variations saisonnires (dsaisonnalisation). Par exemple, supposons quune srie

peut tre reprsente sous la forme

o :

est une tendance (fonction lisse du temps), est une variation saisonnire, est une composante irrgulire (perturbation alatoire).

Les quatre problmes de dcomposition mentionns peuvent sinterprter de la faon suivante : a) b) c) d)

estimer estimer estimer estimer

(3) Dtection et modlisation des ruptures (changement structurel). (4) tude du lien dynamique entre plusieurs variables : a) causalit, b) dcalages temporels. (5) Sparation entre relations de court terme et relations de long terme (e.g., via le concept de contgration). (6) tude des anticipations. (7) Contrle.

4. TYPES DE MODLES A) Modles dterministes Un modle dterministe est un modle o nintervient pas la thorie des probabilits. Fonction dterministe du temps : quation de rcurrence :

Pourvu que et (si ncessaire) les valeurs passes de dterministe permet une prvision parfaite. B) Modles stochastiques Un modle stochastique est un modle o les lments comme des variables alatoires.

soient connues, un modle

de la srie sont considrs

Lorsquon considre une srie de variables alatoires, on parle de processus stochastique (ou fonction alatoire). La thorie des processus stochastiques est la base thorique de ltude des modles stochastiques. C) (1) Catgories importantes de modles stochastiques Modles de tendance (modles dajustement)

o : reprsente le temps, est une perturbation alatoire. Habituellement, on suppose que les Cas spciaux : tendance additive :

sont indpendants ou non corrls entre eux.

tendance multiplicative :

o est indpendant (on non corrl) avec . Habituellement, on suppose que une fonction dterministe (non alatoire) du temps. Dans certains cas,

est

est alatoire (modles composantes non observables).

Fonctions de tendance importantes : 1) Tendance trigonomtrique :

Cette fonction est en gnral priodique (ou quasi priodique). Ds les dbuts de lanalyse des sries chronologiques, on a utilis de tels modles pour tenter de reprsenter des sries dont le comportement a une apparence priodique. Un problme important dans ce genre danalyse consiste dterminer les frquences importantes (analyse harmonique ou analyse spectrale). 2) Tendance linaire : 3) Tendance polynmiale :

4) Courbe exponentielle : 5) Courbe logistique :

6) Courbe de Gompertz :

Les mthodes visant estimer ou enlever la tendance dune srie sont de deux types : 1) les mthodes dajustement globales, o toutes les observations jouent des rles quivalents ;

2) les mthodes dajustement locales, o les observations proches dans le temps jouent un rle plus important : a) moyennes mobiles, b) lissage exponentiel. En conomie, la dcomposition stantard suivante a souvent t utilise (dcomposition de Persons) :

o :

est une tendance sculaire ( long terme), est une dviation moyen terme par rapport la tendance sculaire (cycle daffaires), est une variation saisonnire, est une perturbation alatoire (imprvisible).

(2)

Modles de ltrage (moyennes mobiles gnralises)

o les

sont des perturbations alatoires (indpendantes ou non corrles entre elles).

Cas important Moyenne mobile dordre

(3)

Modles autoprojectifs

o les

sont des perturbations alatoires.

Cas important Processus autorgressif dordre

(4)

Modles explicatifs

o contient des variables explicatives diverses (variables exognes) et (possiblement) des valeurs passes de

BIBLIOGRAPHIE Anderson, T.W. (1971), The Statistical Analysis of Time Series. John Wiley and Sons, San Francisco (Chapter 1). Barro, R.J. (1987), Macroeconomics, Second Edition. John Wiley and Sons, New York. Box, G.E.P., et Jenkins, G.M. (1970), Time Series Analysis, Forecasting and Control. Molden-Day, San Francisco (Chapter 1). Gouriroux, C., et Monfort, A. (1990), Sries temporelles et modles dynamiques. Economica, Paris (chapitre 1). Zellner, A. (1983), Applied Time Series Analysis of Economic Data. Bureau of the Census, Washington (D.C.).