Chapitre 1

Modèles de séries temporelles non

stationnaires

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

= + (L) "t : (1)

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

c.à.d qu’avec une transformation adéquate on arrive à rendre la tendance linéaire.

1
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 2

1.2 Processus non stationnaires

Un processus est stationnaire si les moments d’ordre 1 et 2 sont indépendants du temps.

Donc la non stationnarité provient de la dépendance du moment d’ordre 1 par rapport au
temps et / ou d’une dépendance de la variance ou autocovariance par rapport au temps. En
fait, il y a deux approches populaires pour décrire les tendances.

1.2.1 Les processus TS

On inclut une tendance déterministe dans le modèle (1), par exemple

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 ; t 2 Z) est un processus TS s’il peut s’écrire

Xt = f (t) + Zt

où f (t) : fonction déterministe du temps et Zt est un processus stochastique stationnaire

(ARMA).

Exemple : Soit le processus

Xt = 1 + 0:05t + "t / "t v iidN 0; 2

Xt : fonction linéaire du temps+un bruit blanc.

*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

1.2.2 Les processus DS

La 2ème spéci…cation est le processus à racines unités

(1 L) Xt = + (L) "t :

L’exemple le plus connu et utilisé est la marche aléatoire avec dérive

Xt = Xt 1 + + "t

on dit aussi que Xt v I (1) = ARIM A (0; 1; 0) :

Dé…nition

Un processus (Xt ; t 2 Z) est un processus DS : Di¤erency Stationary d’ordre d où d : est

l’ordre d’intégration si le processus : (1 L)d Xt est stationnaire. Xt est un processus intégré

d’ordre d noté : I (d) :

Exemple : Soit le processus : marche aléatoire pure ou sans dérive

Xt = Xt 1 + "t

par itération et en supposant X0 la valeur initiale, on aura

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) :

C’est un processus non stationnaire de type DS : La non stationnarité provient de l’ac-

cumulation de chocs stochastiques, la non stationnarité est stochastique.

1.3 Comparaison entre les 2 types de processus TS et

DS

La comparaison se fera en terme de :

*Prévision

*Variance de l’erreur de prévision

*Persistance de l’innovation : l’e¤et des chocs

*Transformation pour atteindre la stationnarité.

1.3.1 Processus TS

Les points cités seront traités sur le processus TS suivant

Xt = + t + "t :
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 5

*La prévision

bt (h) = E (Xt+h =It )

X

= E ( + (t + h) + "t+h =It ) ; h > 0

= + (t + h)

La prévision converge vers la tendance linéaire.

*L’erreur de prévision est :

Xt+h bt (h) = "t+h :

X

L’erreur en moyenne quadratique (EMQ) de cette prévision est

2 2
E Xt+h bt (h)
X = 2
=) lim E Xt+h bt (h)
X = 2
:
h!1

Remarque : L’EMQ limite est la variance de (L) "t :

*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.

*Si le processus est TS le moyen approprié pour le stationnariser est de retrancher t de

Xt : Si les données sont générés par un processus DS et on retranche à tort t on aura une
dépendance par rapport au temps de la variance

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

Soit la marche aléatoire avec dérive suivante :

Xt = + Xt 1 + "t
CHAPITRE 1. MODÈLES DE SÉRIES TEMPORELLES NON STATIONNAIRES 6

*La prévision : On réécrit Xt+h en fonction de Xt

Xt+h = + Xt+h 1 + "t+h

= 2 + Xt+h 2 + "t+h 1 + "t+h
..
.
= h + Xt + "t+1 + ::: + "t+h

bt (h) = h + Xt :
d’où : X

quelque soit la valeur Xt la marche aléatoire va croitre par un taux constant par période.

*Xt+h bt (h) = "t+1 + ::: + "t+h d’où l’EMQ est

X

2
E Xt+h bt (h)
X = h 2:

Donc l’EMQ croit avec l’horizon h:

*Pour voir l’e¤et de "t sur Xt+h on calcule le multiplicateur dynamique :

@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

qui est un processus stationnaire mais pas inversible.

1.4 Tests de racines unitaires (RU) : Test de Dickey-

Fuller (DF)

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

1.4.1 Test de Dickey-Fuller

Le test de DF (1979) est un test de RU ou de non stationnarité basé sur 3 modèles :

(1) : Xt = Xt 1 + "t ; modèle sans constante ni trend déterministe.

(2) : Xt = Xt 1 + c + "t ; modèle avec constante sans trend déterministe.

(3) : Xt = Xt 1 + c + bt + "t ; modèle avec constante et trend déterministe.

Où "t est un processus bruit blanc.

On teste H0 : = 1 (Présence de RU) contre H1 : j j < 1 (Pas de RU). Pour des raisons
statistiques, on préfère estimer les modèles

(1’) : Xt = 'Xt 1 + "t .

(2’) : Xt = 'Xt 1 + c + "t .

(3’) : Xt = 'Xt 1 + c + bt + "t .

On a retranché Xt 1 de chaque coté et on a posé ' = 1; le test devient H0 : ' = 0 (RU)

contre H1 : ' < 0 (Pas de RU).

Stratégie simpli…ée du test

1) Commencer par le modèle (3’) : Tester b = 0 on a deux possibilités :

8
< si c’est oui ! on passe à l’étape 2)
oui : P:DS + T S
: sinon on teste ' = 0 !
non : P:T S
8
< oui : passer à l’étape 3)
2) Tester le modèle (2’) : Tester c = 0 ! oui : P:DS
: non : tester ' = 0 !
non : P:Stationnaire

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

: Dickey et Fuller ont étudié la distribution asymptotique de b sous H0 à l’aide de simulations

et ils ont tabulé les valeurs critiques pour des échantillons de taille di¤érentes.

Régles de décisions
'b
La t-stat : t'b = b'b
; on compare t'b à la table de DF.

-Si t'b > ttab : on accepte H0 :

-Les tests des coe¢ cients se font aussi par rapport à cette table : H0 : le coe¢ cient= 0:

Si tcoef f > ttab : on rejette H0 :

1.4.2 Tests de DF Augmentés (ADF)

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

Stratégie du test DFA

-Déterminer le nombre de retard p nécessaire pour blanchir les résidus.

-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