Académique Documents
Professionnel Documents
Culture Documents
Éléments d’analyse
des séries temporelles
C
e chapitre est consacré à une présentation sommaire des tech-
niques d’analyse des séries chronologiques. Ce thème, à lui seul,
peut faire l’objet de longs développements et de nombreux
ouvrages1 y sont intégralement consacrés. Nous étudions en I. les carac-
téristiques statistiques – en terme de stationnarité – des séries tempo-
relles en présentant les différents tests (Dickey-Fuller, corrélogramme,
etc.) s’y rapportant. Puis en II., nous présentons différentes classes de
modèles (AR, MA, ARMA) en étudiant leurs propriétés. Enfin, la métho-
de Box et Jenkins qui systématise une démarche d’analyse des séries tem-
porelles fait l’objet de la section III.
I. Stationnarité
A. Définition et propriétés
Avant le traitement d’une série chronologique, il convient d’en étudier les carac-
téristiques stochastiques. Si ces caractéristiques – c’est-à-dire son espérance et
sa variance – se trouvent modifiées dans le temps, la série chronologique est
considérée comme non stationnaire ; dans le cas d’un processus stochastique
invariant, la série temporelle est alors stationnaire. De manière formalisée, le
processus stochastique yt est stationnaire si :
240 Á ÉCONOMÉTRIE
Tableau 1 – Exemple de calcul d’une fonction d’autocorrélation
k 0 1 2 3 4
t yt yt−1 yt−2 yt−3 yt−4
1 123
2 130 123
3 125 130 123
4 138 125 130 123
5 145 138 125 130 123
6 142 145 138 125 130
7 141 142 145 138 125
8 146 141 142 145 138
9 147 146 141 142 145
10 157 147 146 141 142
11 150 157 147 146 141
12 145 150 157 147 146
1
ρk = 0 ± t α/2 √
n
n = nombre d’observations.
242 Á ÉCONOMÉTRIE
bk est à l’extérieur de cet intervalle de confiance, il
Si le coefficient calculé ρ
est significativement différent de 0 au seuil α (en général α = 0,05 et
t α/2 = 1,96) . La plupart des logiciels fournissent, avec le corrélogramme, l’in-
tervalle de confiance, ce qui autorise une interprétation instantanée.
Nous devons souligner une limite des tests à 5 %. En effet, lorsqu’une fonc-
tion d’autocorrélation est calculée pour un nombre important de retards, nous
pouvons nous attendre à ce que quelques-uns soient, de manière fortuite, signi-
ficativement différents de 0. Si h est le nombre de retards, le nombre possible de
faux rejets est alors de 0,05 × h , pour un seuil de confiance de 5 %.
Dans le cas où le corrélogramme ne laisse apparaître aucune décroissance de
ses termes (absence de « cut off »), nous pouvons en conclure que la série n’est
pas stationnaire en tendance.
4) Tests d’homoscédasticité
244 Á ÉCONOMÉTRIE
– Le test de Goldfeld-Quandt a pour but de comparer la somme des carrés
des résidus d’estimation après avoir scindé les résidus en deux sous-échan-
tillons.
– Un autre test consiste à étudier la distribution des carrés des résidus.
L’analyse des termes du corrélogramme des résidus au carré permet de tes-
ter l’existence d’une hétéroscédacité. Si certaines valeurs de la FAC (tests
de Box-Pierce ou Ljung-Box) sont significativement différentes de 0, nous
pouvons conclure à la présence d’une hétéroscédacité.
1. Par définition, un processus est aléatoire d’où l’ambiguïté du terme de processus déterministe.
246 Á ÉCONOMÉTRIE
Ce processus est non stationnaire en variance puisqu’elle dépend du temps.
Cette non stationnarité est dite aléatoire ou stochastique.
Pour stationnariser la marche aléatoire, il suffit d’appliquer au processus le
filtre aux différences premières : xt = xt−1 + εt ⇔ (1 − D)xt = εt .
• β 6= 0 : le processus porte alors le nom de processus DS avec dérive.
Il s’écrit : xt = xt−1 + β + εt .
Comme précédemment, on peut rechercher sa forme équivalente développée :
x t = x t−1 + β + εt
x t−1 = x t−2 + β + εt−1 ⇒ x t = x t−2 + 2β + εt−1 + εt
x t−2 = x t−3 + β + εt−2 ⇒ x t = x t−3 + 3β + εt−2 + εt−1 + εt
etc.
Si on suppose la valeur d’origine x 0 connue et déterministe, on a alors :
Xt
x t = x 0 + βt + εi
i =1
On a : x t − x t−1 = (1 − B)x t = β + εt .
Dans les processus de type DS, un choc à un instant donné se répercute à
l’infini sur les valeurs futures de la série ; l’effet du choc est donc permanent et
va en décroissant.
En résumé, pour stationnariser un processus TS, la bonne méthode est celle
des moindres carrés ordinaires ; pour un processus DS, il faut employer le filtre
aux différences. Le choix d’un processus DS ou TS comme structure de la chro-
nique n’est donc pas neutre.
248 Á ÉCONOMÉTRIE
a) Tests de racines unitaires : tests de Dickey-Fuller (1979)
Les tests de Dickey-Fuller (DF) permettent de mettre en évidence le caractère
stationnaire ou non d’une chronique par la détermination d’une tendance déter-
ministe ou stochastique.
Les modèles servant de base à la construction de ces tests sont au nombre de
trois. Le principe des tests est simple : si l’hypothèse H0 : φ1 = 1 est retenue
dans l’un de ces trois modèles, le processus est alors non stationnaire.
[1] xt = φ1 xt−1 + εt Modèle autorégressif d’ordre 1.
[2] xt = φ1 xt−1 + β + εt Modèle autorégressif avec constante.
[3] xt = φ1 xt−1 + bt + c + εt Modèle autorégressif avec tendance.
Si l’hypothèse H0 est vérifiée, la chronique xt n’est pas stationnaire quel que
soit le modèle retenu.
Dans le dernier modèle [3], si on accepte H1 : φ1 < 1 et si le coefficient b est
significativement différent de 0, alors le processus est un processus TS ; on peut
le rendre stationnaire en calculant les résidus par rapport à la tendance estimée
par les moindres carrés ordinaires.
Sous H0, les règles habituelles de l’inférence statistique ne peuvent pas être
appliquées pour tester cette hypothèse, en particulier la distribution de Student
du paramètre φ1 ; Dickey et Fuller ont donc étudié la distribution asymptotique
de l’estimateur φ1 sous l’hypothèse H0. À l’aide de simulations de Monte-Carlo,
ils ont tabulé les valeurs critiques pour des échantillons de tailles différentes.
Ces tables sont des tables1 analogues aux tables du t de Student. Les auteurs ont
choisi de tester la valeur (φ b1 pour des raisons purement sta-
b1 − 1) au lieu de φ
tistiques. Cela n’est pas gênant pour le test. En effet, xt = φ1 xt−1 + εt s’écrit
aussi :
xt − xt−1 = φ1 xt−1 − xt−1 + εt
1xt = (φ1 − 1)xt−1 + εt
Il est donc équivalent de tester comme hypothèse H0 : φ1 = 1 ou φ1 − 1 = 0 .
Les principes généraux du test sont les suivants.
On estime par les moindres carrés ordinaires le paramètre φ1 noté φ b1 pour les
modèles [1], [2] et [3]. L’estimation des coefficients et des écarts types du modèle
par les moindres carrés ordinaires fournit tφ̂1 qui est analogue à la statistique de
Student (rapport du coefficient sur son écart type). Si tφ̂1 > ttabulé , alors on accep-
te l’hypothèse H0 ; il existe une racine unité, le processus n’est donc pas
stationnaire.
Remarque : les principaux logiciels d’analyse de séries temporelles calculent
automatiquement les valeurs critiques tφ̂1 .
b) Les tests de Dickey et Fuller Augmentés
Dans les modèles précédents, utilisés pour les tests de Dickey-Fuller simples, le
processus εt est, par hypothèse, un bruit blanc. Or il n’y a aucune raison pour
avec εt → i.i.d.
Le test se déroule de manière similaire aux tests DF simples, seules les tables
statistiques diffèrent. La valeur de p peut être déterminée selon les critères de
Akaike ou de Schwarz, ou encore, en partant d’une valeur suffisamment impor-
tante de p, on estime un modèle à p – 1 retards, puis à p – 2 retards, jusqu’à ce
que le coefficient du pième retard soit significatif.
c) Le test de Phillips et Perron (1988)
Ce test est construit sur une correction non paramétrique des statistiques de
Dickey-Fuller pour prendre en compte des erreurs hétéroscédastiques. Il se
déroule en quatre étapes :
1) Estimation par les moindres carrés ordinaires des trois modèles de base
des tests de Dickey-Fuller et calcul des statistiques associées, soit et le résidu
estimé.
1 Pn
σ2 =
2) Estimation de la variance dite de court terme b e2
n t=1 t
3) Estimation d'un facteur correctif st2 (appelé variance de long terme) établi
à partir de la structure des covariances des résidus des modèles précédemment
estimés de telle sorte que les transformations réalisées conduisent à des distri-
butions identiques à celles du Dickey-Fuller standard :
l µ ¶ X
1 Xn X i 1 n
st2 = et2 + 2 1− et et−i .
n t=1 i=1
l + 1 n t=i+1
Pour estimer cette variance de long terme, il est nécessaire de définir un
nombre de retards l (troncature de Newey-West) estimé en fonction du nombre
d'observations n, l ≈ 4(n/100)2/9 .
√ b1 − 1) n(k − 1)b
(φ σφ̂1
4) Calcul de la statistique de PP : tφ̂∗ = k× + √
1 b
σφ̂1 k
σ2
b
avec k = (qui est égal à 1 – de manière asymptotique – si et est un bruit
st2
blanc). Cette statistique est à comparer aux valeurs critiques de la table de
MacKinnon.
250 Á ÉCONOMÉTRIE
d) Stratégie de tests
Nous constatons que pour réaliser un test de racine unitaire, le résultat n’est pas
identique selon l’utilisation de l’un des trois modèles comme processus généra-
teur de la chronique de départ. Les conclusions auxquelles on parvient sont donc
différentes et peuvent entraîner des transformations erronées. C’est la raison pour
laquelle Dickey et Fuller, et à leur suite d’autres auteurs, ont élaboré des straté-
gies de tests1. Nous présentons un exemple simplifié (schéma 1) d’une stratégie
de tests. Les valeurs critiques des tĉ et tb̂ permettant de tester la nullité des coeffi-
cients c et b des modèles [2] et [3] sont données en fin d’ouvrage (table 7).
e) Le test KPSS (1992)
Kwiatkowski et al. (1992) propose d’utiliser un test du multiplicateur de
Lagrange (L M) fondé sur l’hypothèse nulle de stationnarité. Après estimation
X
t
des modèles [2] ou [3], on calcule la somme partielle des résidus : St = ei et
i=1
on estime la variance de long terme (st2 ) comme pour le test de Phillips et Perron.
non
Test φ1 = 1 oui
non oui
Test φ1 = 1
oui
oui non
oui non
þExercice n° 1
fichier C9EX1
Solution
252 Á ÉCONOMÉTRIE
Graphique 1 – Évolution de l’indice boursier CAC40
Eviews fournit les résultats des fonctions d’autocorrélation simple (colonne AC) et par-
tielle (colonne PAC), avec les corrélogrammes respectifs. Les bornes de l’intervalle de
confiance sont stylisées par des traits pointillés horizontaux ; chaque terme qui sort de cet
intervalle est donc significativement différent de 0 au seuil de 5 %. Nous nous apercevons
que tous les termes du corrélogramme simple sont extérieurs à l'intervalle de confiance. Le
processus n'est pas un bruit blanc (il semble même caractéristique d'un processus non sta-
tionnaire). La statistique Q de Ljung-Box (la seule calculée par Eviews) confirme ce fait :
2
Q-Stat = 14483 (au retard k = 15) > χ0,05;15 = 25, on refuse l'hypothèse de nullité des coef-
ficients ρk (la probabilité critique de ce test est indiquée αc = 0,000 < 0,05, donc on refu-
se H0). Le processus CAC40 n'est pas un bruit blanc. A partir des tests de Dickey-Fuller
nous allons examiner si le processus est non stationnaire.
Le test de Dickey-Fuller simple consiste à estimer1 les trois modèles :
[1] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1
[2] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1 + c
[3] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1 + c + bt
L’estimation par les MCO des paramètres du modèle [3] donne :
DCACt = −0,008447 CACt−1 + 14,94 + 0,002103 t
(–2,053) (2,0) (1,11)
n = 1 159 − (·) = t empirique.
Le coefficient de la droite de tendance n’est pas significativement différent de 0
(t ∗ = 1,11), on rejette l’hypothèse d’un processus TS et tφ̂1 = −2,053 > ttabulé
= −3,41 (ou n(φ b1 − 1) = 1 159 × −0,008447 = −9,79 > −21,8 ) ; on accepte l’hypo-
thèse H0 (valeurs critiques au seuil de 5 %) ; le processus n’est pas stationnaire.
L’estimation par les MCO des paramètres du modèle [2] donne :
DCACt = −0,00709 CACt−1 + 13,63
(–1,805) (1,85)
n = 1 159 − (·) = t empirique.
1. Ces tests très brièvement présentés ici doivent faire l’objet d’une stratégie afin de tester les cas
des hypothèses jointes. Cf. Bourbonnais R. et Terraza M., 2010.
Les probabilités critiques sont toutes supérieures à 0,05, nous ne rejetons pas l’hy-
pothèse H0 ; nous pouvons donc conclure que le processus CAC40 possède une racine
unitaire et n’est donc pas stationnaire.
Nous procédons ensuite au test de Phillips-Perron avec une troncature l = 6.
Les probabilités critiques sont toutes supérieures à 0,05, nous ne rejetons pas l’hy-
pothèse H0 ; le processus CAC40 possède une racine unitaire.
Enfin, nous procédons aux tests KPSS.
La statistique LM est supérieure à la valeur critique (pour un seuil de 5%) pour les
deux spécifications, nous rejetons l’hypothèse H0, le processus CAC40 possède donc une
racine unitaire.
Tous les résultats sont convergents, nous pouvons donc conclure que le processus
CAC40 n’est pas stationnaire.
S’agit-il d’un processus de marche au hasard sans dérive ? Nous allons le vérifier en
calculant le corrélogramme de la série filtrée par les différences premières ceci afin de
stationnariser le processus :
DCACt = CACt – CACt–1.
254 Á ÉCONOMÉTRIE
La statistique Q a une probabilité critique de 0,182 (pour k = 15) largement supé-
rieure à 0,05 ; nous acceptons l’hypothèse H0 de nullité des coefficients du corrélogram-
me. Le corrélogramme de la série CAC40 filtrée par les différences premières est carac-
téristique d’un bruit blanc. La série CAC40 est donc bien un processus DS sans dérive.
S’agit-il d’un bruit blanc gaussien ?
L’histogramme de la distribution et les valeurs empiriques des Skewness, Kurtosis
et de la statistique de Jarque-Bera sont donnés par :
256 Á ÉCONOMÉTRIE
2) Modèle MA (Moving Average : Moyenne Mobile)
a) Formulation
Dans le processus de moyenne mobile d’ordre q, chaque observation yt est géné-
rée par une moyenne pondérée d’aléas jusqu’à la q-ième période.
MA(1) : yt = εt − α1 εt−1
MA(2) : yt = εt − α1 εt−1 − α2 εt−2
...
MA(q) : yt = εt − α1 εt−1 − α2 εt−2 − . . . − αq εt−q [5]
où α1 ,α2 ,. . . ,αq sont des paramètres pouvant être positifs ou négatifs et εt est un
aléa gaussien.
L’équation [5] peut aussi s’écrire :
(1 − α1 D − α2 D 2 − . . . − αq D q )εt = yt .
Dans ce processus, tout comme dans le modèle auto-régressif AR, les aléas
sont supposés être engendrés par un processus de type bruit blanc. Nous pou-
vons interpréter le modèle MA comme étant représentatif d’une série chronolo-
gique fluctuant autour de sa moyenne de manière aléatoire, d’où le terme de
moyenne mobile car celle-ci, en lissant la série, gomme le bruit créé par l’aléa.
Il est à noter qu’il y a équivalence entre un processus MA(1) et un processus
AR d’ordre p infini :
MA(1) = AR(∞).
b) Caractéristiques des corrélogrammes
Le corrélogramme simple d’un processus MA(q) est de la forme générale :
X
i=q−k
αi αi+k
i=0
ρk = pour k = 0,1,. . . ,q et ρk = 0 pour k > q.
X
i=q
2
α i
i=0
µ = E(x t ) × (1 − θ1 − θ2 − ... − θ p )
AR(p) Décroissance exponentielle et/ou sinu- Pics significatifs pour les p premiers
soïdale retards, les autres coefficients sont nuls
pour des retards > p
1. Il suffit de remplacer chaque terme E(x t ) = E(x t−1 ) = E(x t−2 ) = ... = E(x t− p ) car la série
est stationnaire.
258 Á ÉCONOMÉTRIE
Processus Fonction autocorrélation simple Fonction autocorrélation partielle
MA(q) Pics significatifs pour les q premiers Décroissance exponentielle et/ou sinusoï-
retards. Les autres coefficients nuls pour dale
des retards > q
4) Conditions d’utilisation
Les modèles AR, MA, ARMA ne sont représentatifs que de chroniques :
– stationnaires en tendance ;
– corrigées des variations saisonnières.
1. Attention : il ne faut pas confondre l’emploi de ce terme avec son utilisation dans le cadre des
modèles à équations simultanées.
260 Á ÉCONOMÉTRIE
fondée sur l’étude des corrélogrammes simple et partiel. Nous pouvons essayer
d’édicter quelques règles simples facilitant la recherche des paramètres p, d, q
du modèle ARIMA.
1) Désaisonnalisation
Dans le cas d’une série affectée d’un mouvement saisonnier, il convient de la reti-
rer préalablement à tout traitement statistique. Cette saisonnalité est ajoutée à la
série prévue à la fin du traitement afin d’obtenir une prévision en terme brut.
262 Á ÉCONOMÉTRIE
– le test de Durbin Watson, bien qu’il ne permette de détecter que des auto-
corrélations d’ordre 1 ;
– les tests de Box et Pierce et de Ljung et Box (cf. I, C de ce chapitre) qui
permettent de tester l’ensemble des termes de la fonction d’autocorréla-
tion. Si le résidu est à mémoire, cela signifie que la spécification du modè-
le est incomplète et qu’il convient d’ajouter au moins un ordre au proces-
sus ;
– le test ARCH d’hétéroscédasticité (cf. chapitre 5, II, D) effectué à partir de
la fonction d’autocorrélation du résidu au carré.
La phase de validation du modèle est très importante et nécessite le plus sou-
vent un retour à la phase d’identification.
Lorsque le modèle est validé, la prévision peut alors être calculée à un hori-
zon de quelques périodes, limitées car la variance de l’erreur de prévision croît
très vite avec l’horizon.
Nous pouvons résumer les différentes étapes de la méthodologie de Box et
Jenkins à partir du schéma 2.