III- Non stationnarité et racine unitaire

On a introduit le concept des tests de racine unitaire, et on est passé à la

présentation des principaux tests.
1) Tests de Dickey-Fuller simples (DF)
On rappelle les hypothèses à tester qui sont les suivantes :
Hypothèse nulle H0: processus non stationnaire (présence de racine unitaire).
Hypothèse alternative H1: processus stationnaire.
On rappelle aussi que Dickey et Fuller ont construits leurs tests sur la base de
trois variantes :
(i) X t = φX t −1 + ε t
(ii) X t = c + φX t −1 + ε t
(iii ) X t = c + bt + φX t −1 + ε t
Ceci permettra de construire le test suivant :

⎧H 0 : φ = 1
⎨
⎩H1 : φ < 1
1.1) Procédure du test
• Sous H0, le processus X t n’est pas stationnaire quel que soit le modèle
retenu (i), (ii), (iii).

• L’estimateur φ̂ ne suite pas une distribution usuelle en l’occurrence une

loi de Student comme c’était le cas dans le contexte de la régression
classique. Donc, les tests classiques ne peuvent pas être utilisés surtout en
référant les distributions des statistiques des tests à des lois usuelles.
• Dickey et Fuller ont identifié la distribution asymptotique de l’estimateur
φ̂ qui est en tout cas non usuelle.
• Par simulation de Monte Carlo, ils ont établi des tables donnant des
valeurs tabulées ou critiques en faisant varier la taille de l’échantillon.
• Pour les besoins des démonstrations analytiques, ils ont dû considérer le
modèle (i) en différence :

1
 X t = φX t −1 + ε t ⇒ ΔX t = (φ − 1)ΔX t −1 + ε t

• Ils démontrent que l’estimateur des MCO (φˆ − 1) converge en probabilité

vers la vraie valeur (φ − 1) dans le cas où φ < 1 sans que la statistique

n’obéisse à une loi normale.

• Après cela, la démonstration a été étendue aux variantes (ii) et (iii). On
~
obtient des estimateurs notés (φ* − 1) et ( φ − 1) qui sont convergents.
• On peut considérer de manière équivalente les écritures suivantes :
H0 : φ = 1 ⇔ H0 : φ − 1 = ρ = 0
La première représentation est relative au modèle exprimé en niveau,
tandis que la deuxième concerne le modèle exprimé en différence.
• Avec tous ces éléments, Dickey et Fuller construisent des ratios similaires
aux ratios de Student habituels pour un modèle de régression linéaire
estimé par les MCO donnant les statistiques de test comme suit :

φˆ − 1
t (φ) =
V̂(φˆ )
*
• On confirme l’existence de racine unitaire lorsqu’on a t (φ) > t α .

Remarques :
i) Les principaux logiciels d’analyse des séries temporelles fournissent
automatiquement les valeurs critiques (et les p-values).
ii) Les tests de Student habituels sont aussi non valables aux autres
coefficients c (modèle (ii)), et c et b (modèle (iii)).

2
Exemples sur Stata :
D’abord exemple de tables

Pour le modèle (i), la statistique estimée prend la valeur 0.815 et la valeur

tabulée -1.95. Par conséquent, on accepte H0.

. dfuller MC, noconstant lags(0) reg

Dickey-Fuller test for unit root Number of obs = 31

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) 0.815 -2.650 -1.950 -1.602

D.MC Coef. Std. Err. t P>|t| [95% Conf. Interval]

MC
L1. .0233234 .028633 0.81 0.422 -.0351531 .0817999

3
. dfuller MC, lags(0) reg

Dickey-Fuller test for unit root Number of obs = 31

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -0.795 -3.709 -2.983 -2.623

MacKinnon approximate p-value for Z(t) = 0.8206

D.MC Coef. Std. Err. t P>|t| [95% Conf. Interval]

MC
L1. -.0379776 .0477708 -0.79 0.433 -.1356798 .0597247

_cons 4.30e+08 2.72e+08 1.58 0.124 -1.26e+08 9.85e+08

. dfuller MC, trend lags(0) reg

Dickey-Fuller test for unit root Number of obs = 31

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -1.550 -4.325 -3.576 -3.226

MacKinnon approximate p-value for Z(t) = 0.8114

D.MC Coef. Std. Err. t P>|t| [95% Conf. Interval]

MC
L1. -.1642033 .1059329 -1.55 0.132 -.381197 .0527904
_trend 5.24e+07 3.94e+07 1.33 0.194 -2.83e+07 1.33e+08
_cons 1.73e+08 3.30e+08 0.52 0.604 -5.03e+08 8.50e+08

1.2) Tests d’hypothèses jointes

L’hypothèse nulle H0 correspond à un processus non stationnaire (DS sans
dérive (ii) et (iii); DS avec dérive (iii)). L’hypothèse alternative H1 correspond à
un processus stationnaire. Donc, accepter H1 signifie que le processus est
stationnaire.

4
Comme il s’agit de construire des tests d’hypothèses jointes sur les coefficients
φ et c et b, et par similitude à ce qui se fait dans le cadre de la régression
classique, on devrait construire des statistiques de tests qui devraient être
distribuées selon une loi de Fisher. Dans le cadre des séries temporelles, on
construira des statistiques de tests qu’on notera F1, F2, F3 de formes similaires
aux statistiques de Fisher sans que la distribution ne soit une distribution de
Fisher. Dickey et Fuller ont identifié asymptotiquement des distributions par
simulation de Monte Carlo et ils ont fourni les tables de valeurs critiques
spécifiques (DF). Le processus sera stationnaire si on obtient Fi ≥ Fα* .
Le tableau suivant donne les détails pour les trois tests d’hypothèses jointes.

(SCR C − SCR NC ) 2
F1 =
⎧H 0 : c = 0 et φ = 1 SCR NC (T − 1) − 2
⎨ T
SCR C = ∑ ( x t − x t −1 ) 2
T
SCR NC = ∑ εˆ 2t
⎩H1 : c ≠ 0 et / ou φ ≠ 1 t =2 t =2

(SCR C − SCR NC ) 3
F2 =
⎧H 0 : c = 0 , b = 0 , φ = 1 SCR NC (T − 1) − 3
⎨ T T
⎩H1 : au moins un coefficient différent SCR C = ∑ ( x t − x t −1 ) 2 SCR NC = ∑ εˆ 2t
t =2 t =2

(SCR C − SCR NC ) 2
F3 =
⎧H 0 : b = 0 et φ = 1 SCR NC (T − 1) − 3
⎨ T T
⎩H1 : b ≠ 0 et / ou φ ≠ 1 SCR C = ∑ ( x t − x t −1 − ĉ) 2 SCR NC = ∑ εˆ 2t
t =2 t =2

Exemple de tables et de résultats de tests :

Model Statistic N 1% 2.5% 5% 10%
(ii) F1 25 7.88 6.30 5.18 4.12
50 7.06 5.80 4.86 3.94
100 6.70 5.57 4.71 3.86
250 6.52 5.45 4.63 3.81
500 6.47 5.41 4.61 3.79
>500 6.43 5.38 4.59 3.78
(iii) F2 25 8.21 6.75 5.68 4.67
50 7.02 5.94 5.13 4.31
100 6.50 5.59 4.88 4.16
250 6.22 5.40 4.75 4.07
500 6.15 5.35 4.71 4.05
>500 6.09 5.31 4.68 4.03
(iii) F3 25 10.61 8.65 7.24 5.91
50 9.31 7.81 6.73 5.61
100 8.73 7.44 6.49 5.47
250 8.43 7.25 6.34 5.39
500 8.34 7.20 6.30 5.36
>500 8.27 7.16 6.25 5.34

5
Variante SCR C SCR NC Fi Fα* (α = 5%) conclusion
(ii) 2,516E+19 2,268E+19 1,59 5,18 H0
(iii.1) 2,516E+19 2,126E+19 1,68 5,68 H0
(iii.2) 2,317E+19 2,126E+19 1,20 7,24 H0