Académique Documents
Professionnel Documents
Culture Documents
1.1 Introduction
La première étape dans la modélisation d’une série temporelle est de véri…er la stationna-
rité (faible) du processus générateur de données. On rappelle que quelque soit le processus
stationnaire, on peut l’écrire sous la forme :
X
1
Xt = + i "t i
i=0
P1 bt (h) = :
où i=0 j i j < 1 avec E (Xt ) = et lim X
Mais, en pratique plusieurs séries économiques et …nancières sont non stationnaires, par
exemple, la série du PNB (en période de croissance) a généralement, une tendance exponen-
tielle : Tt
Tt = exp ( t) =) log (Tt ) = t
1
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 2
Xt = + t+ (L) "t :
ici on a une tendance linéaire. La moyenne est remplacé par une fonction linéaire de la
date t. Un tel processus est appelé TS : Trend Stationary, car si on retranche la tendance
+ t le résultat est un processus stationnaire.
Dé…nition
Xt = f (t) + Zt
*E (Xt ) = 1 + 0:05t
2
*V (Xt ) =
* h = cov (Xt ; Xt h) = 0, si h 6= 0:
Ce processus est non stationnaire de type déterministe (on remarque que la variance et la
covariance ne dépendent pas du temps).
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 3
(1 L) Xt = + (L) "t :
Xt = Xt 1 + + "t
Dé…nition
Xt = Xt 1 + "t
X
t
Xt = X0 + "i
i=1
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 4
d’où : *E (Xt ) = X0
2
*V (Xt ) = t
2
* h = (t h) :
*Prévision
1.3.1 Processus TS
Xt = + t + "t :
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 5
*La prévision
= + (t + h)
2 2
E Xt+h bt (h)
X = 2
=) lim E Xt+h bt (h)
X = 2
:
h!1
*Persistance des innovations : Si on augmente "t par une unité avec les autres " des autres
dates non changé, les conséquences sur Xt+h est calculé à partir du multiplicateur dynamique
@Xt+h @Xt+h
= 0 =) lim =0
@"t h!1 @"t
Donc pour un processus TS l’e¤et des chocs s’estompent : pas d’e¤et permanent.
Xt t = Xt 1 t + + "t
= X0 + t t + "1 + ::: + "t
= X0 + ut où ut = "1 + ::: + "t
alors V (ut ) = t 2 :
1.3.2 Processus DS
Xt = + Xt 1 + "t
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 6
bt (h) = h + Xt :
d’où : X
quelque soit la valeur Xt la marche aléatoire va croitre par un taux constant par période.
2
E Xt+h bt (h)
X = h 2:
@Xt+h @Xt
=
@"t @"t
= 1
@Xt+h
l’innovation "t a un e¤et permanent sur le niveau de Xt puisque lim = 1:
h!1 @"t
*La méthode correcte pour stationnariser un processus à racine unité est de di¤érencier la
série. Si on di¤érencie un processus TS le résultat est
Xt = + (1 L) "t
Il faut donner des tests qui permettent de véri…er que les séries sont non stationnaires et de
discriminer entre DS et TS : Ce sont les tests de RU.
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 7
On teste H0 : = 1 (Présence de RU) contre H1 : j j < 1 (Pas de RU). Pour des raisons
statistiques, on préfère estimer les modèles
oui : P:DS
3) Tester le modèle (1’) : tester ' = 0 !
non : P:Stationnaire
Remarque :
Sous H0 , Xt est non stationnaire quelque soit le modèle retenu. Les règles habituelles de l’in-
férence statistique ne peuvent pas etre appliquer par exemple : la distribution de Student de
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 8
Régles de décisions
'b
La t-stat : t'b = b'b
; on compare t'b à la table de DF.
-Les tests des coe¢ cients se font aussi par rapport à cette table : H0 : le coe¢ cient= 0:
Dans les modèles précédents : DF Simple (DFS), le processus "t est par hypothèse un bruit
blanc, or il n’y a pas de raison pour que l’erreur soit non corrélé. On appelle test de DFA
(1981) la prise en compte de cette hypothèse, les tests de DFA s’e¤ectuent comme les tests
DFS sur les modèles suivants :
P
p
(4) : Xt = 'Xt 1 + Xt i + "t .
i=1
P
p
(5) : Xt = 'Xt 1 + Xt i + c + "t .
i=1
P
p
(6) : Xt = 'Xt 1 + Xt i + c + bt + "t .
i=1
-Appliquer la stratégie de DFS aux modèles 4-5-6. Les distributions asymptotiques des sta-
tistiques de tests obtenues de ces 3 modèles sont identiques à celles obtenues dans les modèles
de DFS correspondants.
1