Académique Documents
Professionnel Documents
Culture Documents
1
On voit donc que lorsqu’on part d’un processus AR(1) avec des erreurs AR(p-1),
la transformation appropriée mènera sans doute à un processus AR(p) mais
surtout à erreurs bruit blanc. Donc, il faut noter que l’ordre du processus
transformé (p) est égal à l’ordre des erreurs (p-1) plus un.
A ce niveau donc, on peut dire qu’on peut appliquer les tests DF simples sur ce
genre de modèles transformés. Mais l’écriture des modèles en différence est
complexe à cause de la présence des coefficients θ j . Et aussi on ne voit pas
erreurs u t sont AR(1), mais l’approche est généralisable à des ordres supérieurs
2
et aussi aux trois variantes pour la série temporelle X t c'est-à-dire les variantes
(i), (ii), et (iii).
3
autres éléments et paramètres ne sont pas concernés par le test. On a donc le cas
typique suivant :
p
ΔX t = ρX t −1 − ∑ Φ j ΔX t − j+1 + ε t / ρ = (φ − 1)(1 − θ1 − − θp−1 )
j=2
Sur ces modèles transformés, le test se réalise de la même façon que le test DF.
En effet, la statistique du test s’écrit :
φˆ − 1
t (φ) =
V̂(φˆ )
On retrouve les ratios similaires aux ratios habituels de Student (régression
MCO). Mais comme pour le cas des tests DF, la distribution des estimateurs est
également non usuelle, mais identifiée asymptotiquement par simulation de
Monte Carlo. On utilise les mêmes tables qui fournissent les valeurs critiques
spécifiques (ADF). On conclut à l’existence de racine unitaire lorsqu’on a
t (φ) > t *α .
4
supplémentaires Φ j dépend du nombre de retard optimal une fois déterminé. On
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
MC
L1. .0015232 .0277599 0.05 0.957 -.0553404 .0583867
LD. .4636645 .1751539 2.65 0.013 .1048779 .8224511
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
MC
L1. -.0570659 .0455435 -1.25 0.221 -.1505134 .0363816
LD. .4449395 .1708894 2.60 0.015 .0943035 .7955756
5
. * Test ADF (p=3 optimal)
.
. dfuller MC, trend lags(3) reg
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
MC
L1. -.3027751 .118583 -2.55 0.018 -.5487012 -.056849
LD. .771856 .1924826 4.01 0.001 .3726715 1.171041
L2D. -.3503783 .2136991 -1.64 0.115 -.793563 .0928065
L3D. .3993517 .2044468 1.95 0.064 -.0246451 .8233485
_trend 1.02e+08 4.50e+07 2.27 0.033 8961530 1.96e+08
_cons -2.09e+08 3.89e+08 -0.54 0.597 -1.02e+09 5.98e+08
6
(SCR C − SCR NC ) 2
F4 =
⎧H 0 : c = 0 et ρ = 0 SCR NC (T − 1) − (p − 1) − 2
⎨ T p
ˆ j Δx t − j+1 ) 2
T
(SCR C − SCR NC ) 3
F5 =
⎧H 0 : c = 0 , b = 0 , ρ = 0 SCR NC (T − 1) − (p − 1) − 3
⎨ T p T
⎩H1 : au moins un coefficient différent SCR C = ∑ (Δx t − ∑ Φ
ˆ Δx
j t − j+1 )
2
SCR NC = ∑ εˆ 2t
t =2 j= 2 t =2
(SCR C − SCR NC ) 2
F6 =
SCR NC (T − 1) − (p − 1) − 3
⎧H 0 : b = 0 et ρ = 0
T p T
⎨ ˆ j Δx t − j+1 − ĉ) 2
SCR C = ∑ (Δx t − ∑ Φ SCR NC = ∑ εˆ 2t
⎩H1 : b ≠ 0 et / ou ρ ≠ 0 t =2 j= 2 t =2
Un exemple :
SCR C SCR NC Fi Fα* (α = 5%) conclusion
(v) (p=1) 1,971E+19 1,801E+19 1,373 5,18 H0
(vi.1) (p=1) 1,668E+19 1,223E+19 3,032 5,68 H0
(vi.2) (p=3) 1,587E+19 1,223E+19 3,727 7,24 H0
7
(iii) Estimation d’un terme correctif dit variance de long terme. Ce terme
est conçu afin de tenir compte de toute éventuelle autocorrélation des
erreurs dans le temps :
29
2 1 T 2 ⎛ i ⎞ 1 T ⎛ T − 1 ⎞
ŝ = ∑ εˆ t + 2∑
T − k t =2
⎜1 −
i =1 ⎝
⎟ ∑ εˆ t εˆ t −i
+ 1 ⎠ T − 1 t =i+1
/ ≅ 4⎜
⎝ 100 ⎠
⎟
* φˆ − 1 (T − 1)(κ − 1) V̂(φˆ ) σˆ 2
t (φ) = κ + / κ= 2
V̂(φˆ ) κ ŝ
t ∗2 (φ) = (T − 1)( φˆ − 1) + (T − 1) 2 κ σˆ 2 − ŝ 2
( )
Exemples sur Stata :
8
. * Test Phillips-Perron (troncature de Newey-West l=3.08; on lit z(t))
.
. pperron MC, noconstant reg
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
MC
L1. 1.023323 .028633 35.74 0.000 .9648469 1.0818
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
MC
L1. .9620224 .0477708 20.14 0.000 .8643202 1.059725
9
. pperron MC, trend reg
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
MC
L1. .8357967 .1059329 7.89 0.000 .618803 1.05279
_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
10
On rejette l’hypothèse nulle H0 si KPSS est supérieure aux valeurs
critiques données par des tables spécifiques dont voici un exemple.
T→∞ α = 1% α = 5% α = 10%
Modèle (ii) 0,739 0,463 0,347
Modèle (iii) 0,216 0,146 0,119
. ** Modèle (iii)
.
. kpss MC, auto
11