Académique Documents
Professionnel Documents
Culture Documents
Chapitre 1
Chapitre 1
Chapitre 1 Eviews
Econométrie des séries temporelles
1
Introduction
En statistique descriptive, on s’intéresse à des séries d’observations ,
où les sont des nombres réels. Lorsque la série est indexée par le
temps on dit que c’est une série chronologique. On pourrait alors
calculer la moyenne, la médiane, la variance, l’écart-type, ...
1 2 3 ⋯ 𝑁
−1 𝑁 2
Exemples de séries chronologiques :
La série chronologique annuelle du PIB courant du Maroc entre 1960
et 2015 :
3
La série chronologique annuelle du taux de croissance du PIB du
Maroc entre 1960 et 2015 :
4
La série chronologique mensuelle de l’indice MASI entre 01/06/2019
et 01/06/2020 :
5
Objectif du cours :
Nous disposons dans la pratique d’une série chronologique obtenue à
partir d’observations , entre la date 1 et la date T. L’objectif est de
déterminer une suite de variables aléatoires , pour lesquelles les
observations , seraient des réalisations particulières. La suite s’appelle
série temporelle ou processus stochastique générateur (Data
Generating Process) de la série chronologique Cette formalisation
mathématique (modélisation) permettrait par exemple de faire des
prévisions dans le futur aux dates .
Dans ce cours on travaille avec des temps discret, c’est-à-dire .
6
Définition : Série temporelle ou processus stochastique
Une série temporelle ou processus stochastique est une suite de
variables aléatoires indexées par le temps.
Le processus est appelé un processus générateur de données (Data
Generating Process).
𝑋 −2 𝑋 −1 𝑋 0
7
Définitions :
Soit un processus stochastique .
1) L’espérance mathématique du processus est définie par :
,
,
,
8
3) La fonction d’auto-covariance du processus est définie par : ,
[
𝛾 𝑡 ( h )=𝐶𝑜𝑣 ( 𝑋 𝑡 , 𝑋 𝑡 +h ) =𝐸 ( 𝑋 𝑡 − 𝐸 ( 𝑋 𝑡 ) )( 𝑋 𝑡 +h − 𝐸 ( 𝑋 𝑡 +h ) )
]
h
𝑡
La fonction d’auto-covariance généralise la variance :
2
[ ]
𝛾 𝑡 ( 0 )=𝐶𝑜𝑣 ( 𝑋 𝑡 , 𝑋 𝑡 )= 𝐸 ( 𝑋 𝑡 − 𝐸 ( 𝑋 𝑡 )) =𝑉𝑎𝑟 ( 𝑋 𝑡 )
9
Définition : Processus stochastique stationnaire d’ordre 2
Soit un processus stochastique .
On dit que est un processus stochastique stationnaire d’ordre deux ou
stationnaire au sens faible si :
1) L’espérance mathématique est indépendante du temps :
,
2) La fonction d’auto-covariance est indépendante du temps :
𝛾 ( h ) =𝐶𝑜𝑣 ( 𝑋 𝑡 , 𝑋 𝑡 +h )=𝐶𝑜𝑣 ( 𝑋 𝑡 − h , 𝑋 𝑡 )
h >0
𝑡
Il est clair que : 10
Définition : Bruit blanc (White noise)
Soit un processus stochastique .
On dit que le processus est un bruit blanc s’il est stationnaire et si :
1)
2)
où .
pour tout 11
Simulation d’un bruit blanc gaussien sur Eviews :
La fonction NRND (Normal Random) du logiciel Eviews permet de
simuler un bruit blanc . Cela signifie que l’appel de cette fonction
NRND dans un programme Eviews nous permet de générer
aléatoirement un échantillon d’observations ou de réalisations à partir
d’une population normale.
Exemple : Programme de simulation d’un bruit blanc gaussien sur
Eviews
SMPL 1 100
GENR Epsilon=NRND
12
La 1ère ligne de ce programme définit la taille 100 de l’échantillon qui
va être généré.
Autrement dit, ce programme va choisir aléatoirement 100 nombres
d’une population et les sauvegarder dans le tableau epsilon(1),
epsilon(2), …, epsilon(100).
13
Définition : Opérateur retard
Soit un processus stochastique .
L’opérateur retard, noté , est l’opérateur défini par :
𝐿 . 𝑋 𝑡= 𝑋 𝑡 −1
𝑋
𝑡−1
Propriétés de l’opérateur retard : , ,
alors
14
Exemple :
L’opérateur est l’opérateur retard de 2 rangs.
𝐿2 . 𝑋 = 𝑋 𝑡 −2
𝑡
𝑋
𝑡−2
Retard Avance
15
Définition : Polynôme retard
Un polynôme retard en d’ordre est un opérateur défini par :
𝑞
0 1 2 𝑞 𝑗
𝜓 ( 𝐿 )=𝜓 0 𝐿 +𝜓 1 𝐿 +𝜓 2 𝐿 + …+𝜓 𝑞 𝐿 =∑ 𝜓 𝑗 𝐿
𝑗= 0
où , , …, sont des nombres réels.
En général on choisit et on note
Si applique le polynôme retard au processus on obtient :
16
Exemple :
Soit le polynôme retard d’ordre 3 défini par :
On a :
2 3
𝜓 ( 𝐿 ) . 𝑋 𝑡 =( 1+3 𝐿 +2 𝐿 − 4 𝐿 ) . 𝑋 𝑡
2 3
¿ 𝑋 𝑡 +3 𝐿 𝑋 𝑡 +2 𝐿 𝑋 𝑡 − 4 𝐿 𝑋 𝑡
𝜓 ( 𝐿 ) . 𝑋 𝑡 =𝑋 𝑡 +3 𝑋 𝑡 −1 +2 𝑋 𝑡 −2 − 4 𝑋 𝑡 −3
17
Définition : Polynôme retard d’ordre infini
Un polynôme retard en d’ordre infini est un opérateur défini par :
+∞
0 1 2 𝑗
𝜓 ( 𝐿 )=𝜓 0 𝐿 +𝜓 1 𝐿 +𝜓 2 𝐿 +…=∑ 𝜓 𝑗 𝐿
𝑗=0
où les sont des nombres réels.
On a :
+∞
𝜓 ( 𝐿 ) . 𝑋 𝑡 =𝜓 0 𝑋 𝑡 +𝜓 1 𝑋 𝑡 −1 +𝜓 2 𝑋 𝑡 −2 +…=∑ 𝜓 𝑗 𝑋 𝑡 − 𝑗
𝑗 =0
18
Théorème : Décomposition de Wold
Soit un processus stochastique stationnaire . Alors il existe un
polynôme retard d’ordre infini et un bruit blanc tel que :
+∞ +∞
𝑗
𝑋 𝑡 =𝜇+𝜓 ( 𝐿 ) . 𝜀 𝑡 =𝜇 +∑ 𝜓 𝑗 𝐿 . 𝜀 𝑡=𝜇+ ∑ 𝜓 𝑗 𝜀 𝑡 − 𝑗
𝑗= 0 𝑗=0
où
19
Déduisons l’espérance et la variance :
On a
𝑞 𝑞
𝑗
𝑋 𝑡 =𝜇+𝜓 ( 𝐿 ) . 𝜀 𝑡 =𝜇 +∑ 𝜓 𝑗 𝐿 . 𝜀 𝑡=𝜇+ ∑ 𝜓 𝑗 𝜀 𝑡 − 𝑗
𝑗= 0 𝑗=0
avec : ,
,
21
Résultat important :
Tout processus stochastique est un processus stationnaire.
Exercice :
Soit le processus stochastique défini par :
22
Solution :
1) On a:
0 1 2 0 1 2
𝑋𝑡=2+𝜀𝑡 −0,5 𝜀𝑡−1+2𝜀𝑡−2=2+𝐿 .𝜀𝑡 −0,5 𝐿 .𝜀𝑡+2𝐿 .𝜀𝑡=2+( 𝐿 −0,5 𝐿 +2𝐿 ) . 𝜀𝑡
On pose :
𝜓 ( 𝐿 ) = 𝐿0 − 0,5 𝐿1 + 2 𝐿 𝑗
Donc :
𝑋 𝑡 =2 + 𝜓 ( 𝐿 ) . 𝜀 𝑡
Comme le polynôme retard est d’ordre 2, il est clair que le processus
est un processus .
23
2) Simulation du processus sur Eviews :
𝑋 𝑡 =2 + 𝜀 𝑡 − 0,5 𝜀 𝑡 −1 +2 𝜀 𝑡 − 2
SMPL 1 100
GENR Epsilon = NRND (ou SERIES Epsilon = NRND)
SMPL 3 100
GENR X = 2 Epsilon 0.5*Epsilon(1) + 2*Epsilon(-2)
Explication :
Les deux premières lignes du programme permettent de générer
aléatoirement un échantillon de taille 100 à partir d’un bruit blanc
grâce à la commande NRND.
24
On obtient ainsi 100 nombres réels sauvegardés dans le tableau
Epsilon : Epsilon(1), Epsilon(2),…, Epsilon(100).
Les deux dernières lignes du programme permettent de générer un
échantillon de taille 98. Ces deux lignes exécutent la boucle :
Pour Faire :
= 2+Epsilon(t)-0.5*Epsilon(t-1)+2*Epsilon(t-2)
𝑝 𝑝
𝑗
𝜙 ( 𝐿 ) . 𝑋 𝑡 =∑ 𝜙 𝑗 𝐿 . 𝑋 𝑡 =∑ 𝜙 𝑗 . 𝑋 𝑡 − 𝑗 =𝑐+ 𝜀 𝑡
𝑗 =0 𝑗=0
𝑋 𝑡 +𝜙 1 𝑋 𝑡 −1 + 𝜙1 𝑋 𝑡 −1 +… . +𝜙 𝑝 𝑋 𝑡 − 𝑝=𝑐+ 𝜀 𝑡
𝑋 ¿ − 𝜙 𝑋
𝑡 1 𝑡 −1 −𝜙 1 𝑋 𝑡 −1 − … − 𝜙 𝑝 𝑋 𝑡 − 𝑝+ 𝑐+ 𝜀 𝑡
𝑐
avec : 𝐸 ( 𝑋 𝑡 )=
1 +𝜙1 +𝜙2 +…+ 𝜙 𝑝 26
Preuve de la formule de l’espérance mathématique :
On a
𝑝
𝑗
𝐸 [ 𝜙 ( 𝐿 ) . 𝑋 𝑡 ] =𝑐+ 𝐸 ( 𝜀 𝑡 ) ⟺ ∑ 𝜙 𝑗 𝐿 . 𝐸 ( 𝑋 𝑡 ) =𝑐 ⟺
𝑗=0
𝑝
𝑗 𝑐
𝐸 ( 𝑋 𝑡 ) . ∑ 𝜙 𝑗 𝐿 . 1=𝑐⟺ 𝐸 ( 𝑋 𝑡 )=
1+𝜙1 +𝜙2 +…+ 𝜙 𝑝
𝑗=0
Remarque :
Pour un processus , l’espérance mathématique est indépendante du
temps. La variance et la fonction d’autocovariance ne sont pas en
général indépendant du temps et par conséquent un processus n’est
pas en général stationnaire. 27
Exercice :
Soit le processus stochastique défini par :
𝑋 𝑡 =0,2 𝑋 𝑡 − 1+ 0,4 𝑋 𝑡 − 2+ 𝑋 𝑡 − 3 + 𝜀 𝑡
où est un bruit blanc .
1) Montrer que est un processus autorégressif.
2) Ecrire un programme sur Eviews qui simule le processus en
générant un échantillon de taille 100.
28
Solution :
1) On a :
𝑋 𝑡 =0,2 𝑋 𝑡 − 1+0 ,4 𝑋 𝑡 − 2+ 𝑋 𝑡 −3 +𝜀 𝑡
⟺ 𝑋 𝑡 − 0 , 2 𝑋 𝑡 −1 −0 , 4 𝑋 𝑡 −2 − 𝑋 𝑡 −3=𝜀 𝑡
2 3
⟺ 𝑋 𝑡 − 0 , 2 𝐿 . 𝑋 𝑡 −0 , 4 𝐿 𝑋 𝑡 − 𝐿 𝑋 𝑡 =𝜀 𝑡
2 3
⟺ 1 −0 , 2 𝐿− 0 , 4 𝐿 − 𝐿 ) . 𝑋 𝑡=𝜀 𝑡
(
Si on pose :
𝜙 ( 𝐿 ) =1− 0 , 2 𝐿 −0 , 4 𝐿2 − 𝐿 3
On obtient :
𝜙 ( 𝐿 ) . 𝑋 𝑡 =𝜀 𝑡
29
On déduit que est un processus
Comme la constante est nulle on déduit :
𝑐
𝐸 ( 𝑋 𝑡 )= =0
1+𝜙1 +𝜙2 +𝜙 3
2) Simulation du processus sous Eviews :
𝑋 𝑡 =0,2 𝑋 𝑡 − 1+ 0,4 𝑋 𝑡 − 2+ 𝑋 𝑡 − 3 + 𝜀 𝑡
SMPL 1 100
GENR Epsilon=NRND
SMPL 1 3
GENR X=0
SMPL 4 100
GENR X=0.2*X(-1)+ 0.4*X(-2)+ X(-3)+Epsilon 30
Explication :
Les deux premières lignes du programme permettent de générer
aléatoirement un échantillon de taille 100 à partir d’un bruit blanc
grâce à la commande NRND. On a ainsi 100 nombres réels
sauvegardés dans le tableau Epsilon : Epsilon(1), Epsilon(2),…,
Epsilon(100).
Les deux lignes :
SMPL 1 3
GENR X=0
permettent d’initialiser à zéro les trois premières valeurs de la série :
31
Les deux dernières lignes du programme :
SMPL 4 100
GENR X=0.2*X(-1)+ 0.4*X(-2)+ X(-3)+Epsilon
permettent de générer un échantillon de taille 97. Ces deux lignes
exécutent la boucle :
Pour Faire :
X(t)= 0.2*X(t-1)+ 0.4*X(t-2)+ X(t-3)+Epsilon(t)
Par exemple pour on calcule :
X(4)= 0.2*X(3)+ 0.4*X(2)+ X(1)+Epsilon(1)= Epsilon(1)
32
Définition : Processus stochastique ARMA
Soit un processus stochastique . On dit que le processus admet une
représentation Autorégressive et Moyenne Mobile d’ordres et notée ,
s’il existe un polynôme retard d’ordre avec et (polynôme ), un
polynôme retard d’ordre avec (polynôme ) et , un bruit blanc et une
constante tel que :
𝜙 ( 𝐿 ) . 𝑋 𝑡 =𝑐+ 𝜓 ( 𝐿 ) . 𝜀 𝑡
𝑐
avec : 𝐸 ( 𝑋 𝑡 )=
1+𝜙1 +𝜙2 +…+ 𝜙 𝑝
33
Exercice :
Soit le processus stochastique défini par :
On pose :
et
Donc :
𝜙 ( 𝐿 ) . 𝑋 𝑡 =2 + 𝜓 ( 𝐿 ) . 𝜀 𝑡
On déduit que est un processus
On a aussi :
2 2 2
𝐸 ( 𝑋 𝑡 )= = = =1,54
1+𝜙1 +𝜙2 +𝜙 3 1+0,5 − 0,2 1,3 35
2) Simulation du processus sous Eviews :
𝑋 𝑡 =2 − 0 , 5 𝑋 𝑡 − 1+ 0 ,2 𝑋 𝑡 −3 +𝜀 𝑡 − 0 ,5 𝜀 𝑡 −1
SMPL 1 100
GENR Epsilon=NRND
SMPL 1 3
GENR X=0
SMPL 4 100
GENR X=2-0.5*X(-1)+ 0.2*X(-3)+ Epsilon-0.5* Epsilon(-1)
Explication :
Les deux dernières lignes du programme :
SMPL 4 100
GENR X=2-0.5*X(-1)+ 0.2*X(-3)+ Epsilon-0.5* Epsilon(-1)
permettent de générer un échantillon de taille 97. Ces deux lignes
exécutent la boucle :
Pour Faire :
X(t)=2-0.5*X(t-1)+ 0.2*X(t-3)+ Epsilon(t)-0.5* Epsilon(t-1) 37
Conditions de stationnarité des processus , et :
Un processus est toujours stationnaire.
Un processus est stationnaire si toutes les racines de son polynôme
retard sont de modules strictement supérieurs à 1.
Un processus est stationnaire si toutes les racines de son polynôme
retard sont de modules strictement supérieurs à 1.
Exercice :
Soient les processus stochastiques , et définis par :
⟺ 𝑋 𝑡 − 5 𝐿𝑋 𝑡 +4 𝐿2 𝑋 𝑡 =𝜀 𝑡 ⟺ ( 1− 5 𝐿+ 4 𝐿2 ) 𝑋 𝑡 =𝜀 𝑡
Si on pose :
On obtient :
𝜙 ( 𝐿 ) . 𝑋 𝑡 =𝜀 𝑡
On déduit que est un processus
Comme la constante est nulle on a :
𝑐
𝐸 ( 𝑋𝑡 )= 1 + 𝜙 + 𝜙 = 0
39
1 2
Processus :
𝑌 𝑡 =0 , 1+𝜀 𝑡 − 0 ,1 𝜀 𝑡 −1 +2 𝜀 𝑡 − 2 − 𝜀 𝑡 − 3 ⟺
2 3
𝑌
𝑡 =0 , 1 +𝜀 𝑡 − 0 , 1 𝐿 𝜀 𝑡 + 2 𝐿 𝜀 𝑡 − 𝐿 𝜀𝑡 ⟺
𝑌 2 3
𝑡 =0 , 1 + ( 1 − 0 , 1 𝐿 +2 𝐿 − 𝐿 ) 𝜀𝑡
Si on pose :
𝜓 ( 𝐿 )=1 −0 , 1 𝐿+ 2 𝐿2 − 𝐿3
On obtient :
𝑌 =0 , 1+𝜓 ( 𝐿 ) . 𝜀 𝑡
𝑡
𝜙 ( 𝑥 ) = 4 𝑥2 − 5 𝑥 + 1 =0
Le discriminant est égal à et les deux racines réelles sont :
5−3 1 5 +3
𝑥1 = = 𝑥2 = =1
8 4 8
La première racine du polynôme a une valeur absolue égale à 0,25
qui est inférieure à 1 et la deuxième racine a une valeur absolue égale
à 1. Par conséquent, le processus n’est pas stationnaire. 42
Processus :
On a vu que le un processus est Donc il stationnaire.
Processus :
On a vu est un processus . Cherchons les racines du polynôme retard
autorégressif .
43
3) Simulation sur Eviews des trois processus , et :
Processus :
𝑋 𝑡 =5 𝑋 𝑡 −1 −4 𝑋 𝑡 −2 +𝜀𝑡
SMPL 1 100
GENR Epsilon=NRND
SMPL 1 3
GENR X=0
SMPL 4 100
GENR X=5*X(-1)-4*X(-2)+Epsilon
Processus :
𝑌 𝑡 =0,1 + 𝜀 𝑡 − 0,1 𝜀 𝑡 − 1+ 2 𝜀 𝑡 −2 − 𝜀 𝑡 −3
SMPL 1 100
GENR Epsilon=NRND
SMPL 4 100
GENR Y=0.1+Epsilon-0.1*Epsilon(-1)+2*Epsilon(-2)-Epsilon(-3) 44
Processus :
𝑍 𝑡 =− 0 , 2+1 , 2 𝑍 𝑡 −2+ 𝜀 𝑡 − 0 ,5 𝜀 𝑡 −1 +2 𝜀 𝑡 − 3
SMPL 1 100
GENR Epsilon=NRND
SMPL 1 3
GENR Z=0
SMPL 4 100
GENR Z=-0.2+1.2*Z(-2)+Epsilon-0.5*Epsilon(-1)+2*Epsilon(-3)
45