Université Mohammed V- Rabat ‫جامعـة محمد الخامس ـ الرباط‬

Faculté des Sciences Juridiques, ‫كلية العلوم القانونية واالقتصادية‬

Economiques et Sociales - Agdal ‫واالجتماعية ـ أكدال‬

Master Sciences de Gestion

Semestre 2
Professeur : Benbachir Saâd
Année : 2020-2021

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, ...

Les données sont généralement fournies sous forme de tableaux et

peuvent être représentées graphiquement sous forme de nuages de
points reliés par une droite.
 𝑥 𝑁 ∎ 
𝑥
  𝑁−1  ∎
1
  𝑥3  ∎
3
  𝑥2  ∎
N
 𝑥1  ∎

 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 :

  ,

 2) La variance du processus est définie par :

  ,

 L’écart type du processus est défini 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 .

  On dit que le bruit blanc est Gaussien ou Normal si .

Il est clair qu’un bruit blanc est indépendant et identiquement distribué
(i.i.d) car :
 

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.

La 2ème ligne génère un échantillon d’une série notée Epsilon grâce à

la fonction NRND.

 
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

  L’opérateur est l’opérateur avance de 2 rangs.

 𝐿−2 . 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

On peut montrer que :

   

 où
19
Déduisons l’espérance et la variance :
On a

𝐸 ( 𝑋𝑡 )= 𝐸 [ 𝜇+𝜓 ( 𝐿) .𝜀𝑡 ] = 𝜇+𝐸 [ 𝜓 ( 𝐿 ). 𝜀𝑡 ]= 𝜇+𝜓 ( 𝐿) .𝐸 ( 𝜀𝑡 )= 𝜇+𝜓 ( 𝐿) .0=𝜇

 

Tout processus stochastique stationnaire est donc une combinaison

linéaire infinie de bruits blancs. Les bruits blancs sont appelés parfois
chocs ou innovations. 20
Définition : Moyenne Mobile (Moving Average)
 Soit un processus stochastique .
 
On dit que le processus admet une représentation Moyenne Mobile
(Moving Average) d’ordre , notée , s’il existe un polynôme retard
d’ordre avec et (polynôme ) et un bruit blanc tel que :

  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 :

où est un bruit blanc .

1) Montrer que est un processus Moyenne Mobile.
2) Ecrire un programme sur Eviews qui simule le processus en
générant un échantillon de taille 100.

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)

 Laboucle commence par  : où on calcule

X(3)=2+Epsilon(3)-0.5*Epsilon(2)+2*Epsilon(1)
Ensuite, le compteur est incrémenté en passant à  : où on calcule
X(4)=2+Epsilon(4)-0.5*Epsilon(3)+2*Epsilon(2)
Et ainsi de suite jusqu’au terme X(100).
25
Définition : Processus stochastique Autorégressif
 Soit un processus stochastique .
 
On dit que le processus admet une représentation autorégressive
d’ordre , notée , s’il existe un polynôme retard d’ordre avec et
(polynôme ), un bruit blanc et une constante tel que :

  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 :

où est un bruit blanc .

1) Montrer que est un processus ARMA.
2) Ecrire un programme sur Eviews qui simule le processus en
générant un échantillon de taille 100.
Solution :
1) On a :
𝑋 𝑡 =2 −0,5 𝑋 𝑡 −1 +0,2 𝑋 𝑡 −3 + 𝜀 𝑡 −0,5 𝜀 𝑡 −1 ⟺
 

𝑋 𝑡 +0,5 𝑋 𝑡 −1 −0,2 𝑋 𝑡 − 3=2+ 𝜀 𝑡 −0,5 𝜀 𝑡 −1 ⟺

 
34
 3
 𝑋
𝑡 +0,5 𝐿𝑋 𝑡 − 0,2 𝐿 𝑋 𝑡 =2+ 𝜀 𝑡 − 0,5 𝐿 𝜀 𝑡 ⟺
 ( 1+0,5 3
𝐿− 0,2 𝐿 ) 𝑋 𝑡 = 2+ (1 −0,5 𝐿 ) 𝜀 𝑡

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 premières lignes 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).
36
 
 Les deux lignes :
SMPL 1 3
GENR X=0
permettent d’initialiser à zéro les trois premières valeurs de la série  :

 
 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 :

1) Quel est le type de représentations des trois processus ?

2) Etudier la stationnarité des processus , et .
3) Simuler sur Eviews les processus , et .
38
Solution :
 1) Etudions les processus , et :
 Processus :
𝑋 𝑡 =5 𝑋 𝑡 −1 − 4 𝑋 𝑡 −2 +𝜀 𝑡 ⟺ 𝑋 𝑡 −5 𝑋 𝑡 − 1+ 4 𝑋 𝑡 −2=𝜀 𝑡
 

 ⟺ 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

 On déduit que est un processus

On a aussi :
  𝐸 ( 𝑋 𝑡 )= 0 , 1 40
  Processus :
 𝑍 𝑡 =− 0,2+1,2 𝑍 𝑡 −2 +𝜀 𝑡 − 0,5 𝜀 𝑡 −1+ 2 𝜀 𝑡 −3 ⟺
𝑡 −2 =− 0,2+ 𝜀 𝑡 − 0,5 𝜀 𝑡 −1 +2 𝜀 𝑡 − 3 ⟺
 𝑍 − 1,2 𝑍
𝑡
2 3
 𝑍
𝑡 − 1,2 𝐿 𝑍 𝑡 =− 0,2+ 𝜀 𝑡 − 0,5 𝐿 𝜀 𝑡 +2 𝐿 𝜀𝑡 ⟺
 ( 1 − 2 3
1,2 𝐿 ) 𝑍 𝑡 =− 0,2 + ( 1 − 0,5 𝐿+ 2 𝐿 ) 𝜀 𝑡
Si on pose :
  et
On obtient :
 𝜙 ( 𝐿 ) . 𝑍 =−0,2+𝜓 ( 𝐿 ) . 𝜀 𝑡
𝑡

 On déduit que est un processus

On a aussi :
  − 0,2 0,2
𝐸 ( 𝑍 𝑡 )= 𝜇 = =− =− 1
1 +𝜙1 +𝜙2 1 − 1,2 41
 2) Etudions la stationnarité des processus , et :
 Processus :
 On a vu que le processus est un processus qui s’écrit :
  ( 1 − 5 𝐿+ 4 𝐿2 ) 𝑋 𝑡 =𝜀 𝑡
 Cherchons les racines du polynôme autorégressif :

  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 .

Il est clair que :

2
𝜙 ( 𝐿 ) =1− 1,2 𝐿 = ( 1− √ 1,2 𝐿 ) ( 1+ √ 1,2 𝐿 )
 

 Donc il y a deux racines  et de modules .

 Lesmodules des deux racines étant inférieurs à 1 on déduit que le

processus n’est pas stationnaire.

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