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 2
Econométrie des séries temporelles
1
 Chapitre 2 : Processus stochastiques non
stationnaires
Test de non stationnarité de Dickey-Fuller
Définition : Processus stochastique stationnaire d’ordre 2
 Soit un processus stochastique .
 
On dit que est un processus stochastique stationnaire d’ordre 2 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 )
 
2
Types de non stationnarité :

La non stationnarité d’un processus peut être due à la non réalisation

de la première condition ou de la deuxième condition de la définition.
Il existe deux types de non stationnarité :

 La non stationnarité déterministe.

 La non stationnarité stochastique.

Remarque : Avant de modéliser les processus stochastiques, il faut

d’abord vérifier s’ils sont stationnaires. Dans le cas où ils sont non
stationnaires il faut choisir la méthode de stationnarisation appropriée
selon le type de non stationnarité.
3
Définition : Processus Tend Stationnary (TS)

 
On dit qu’un processus stochastique est Trend Stationnary (TS) s’il
s’écrit sous la forme :

 𝑋 =𝑓 (𝑡 )+ 𝑍𝑡
𝑡

Où :
 
est une fonction déterministe qui dépend du temps.
est un processus stochastique stationnaire.

 
Remarque : La non stationnarité ici est de type déterministe, elle est
due à la fonction déterministe
4
Exercice :

 Soit le processus stochastique défini par

 𝑋 = 𝑓 ( 𝑡 ) +𝜀 𝑡
𝑡

où :
  𝑓 ( 𝑡 ) =1 +0,05 𝑡
  est un bruit blanc gaussien
 1) Chercher l’espérance mathématiques du processus .
 
2) Simuler et dessiner graphiquement sur Eviews une réalisation du
processus .

5
Correction :

1) On a :

 𝐸 ( 𝑋
𝑡 )= 𝐸 ( 𝑓 ( 𝑡 )+ 𝜀 𝑡 ) = 𝐸 ( 1+0,05 𝑡  +𝜀 𝑡 ) ⟺

 𝐸 ( 𝑋 𝑡 )= 𝐸 ( 1+0,05 𝑡   ) + 𝐸 ( 𝜀 𝑡 )=1+0,05 𝑡
 
L’espérance mathématique n’étant pas constante on conclut que le
processus est non stationnaire. Sa non stationnarité est de type
déterministe.

6
 2) Simulation du processus sur Eviews :
 
SMPL 1 100
GENR EPS= NRND
SMPL 1 100
GENR X = 1 0.05*@TREND(0)

Remarque :
 
a) L’instruction @TREND(N) permet de générer une fonction du type
qui s’annulle à la date .
 
b) La fonction est une droite de tendance croissante. La réalisation du
processus évolue avec des oscillations autour de cette tendance. Les
oscillations sont dues aux bruit blanc gaussien généré sur Eviews par
l’instruction NRND. 7
Propriété : Absence de persistance de chocs pour les processus
Trend Stationnary :

 Soit un processus Trend Stationnary (TS) vérifiant :

 𝑋 =𝑓 (𝑡 )+ 𝑍𝑡
𝑡

où :
 
est une fonction déterministe qui dépend du temps.
est un processus stochastique stationnaire.
 
Alors l’influence d’un choc à une date sur le processus est
transitoire. On dit qu’il y a absence de persistance de chocs ou
absence d’hystérésis.
8
Preuve :

 Soit un processus Trend Stationnary (TS) tel que:

 𝑋 =𝑓 (𝑡 )+ 𝑍𝑡
𝑡

où :
 
est une fonction déterministe qui dépend du temps.
est un processus stochastique stationnaire.
 
On suppose pour simplifier que est un processus stationnaire :

𝑍 𝑡 =𝜃 𝑍 𝑡 −1 + 𝜀 𝑡
 

 Avec , un nombre réel donné et un bruit blanc gaussien.

9
 
On suppose qu’à la date le choc et que pour tout . Nous allons
montrer que le choc de la date n’a pas d’influence sur pour des
valeurs de très grandes.
On a :
 
  +∞
𝑗 𝑗
 
𝑍 𝑡 =∑ 𝜃 𝐿 𝜀 𝑡
+∞ 𝑗=0
 
𝑗
𝑍 𝑡 =∑ 𝜃 𝜀 𝑡 − 𝑗
𝑗=0
On peut donc écrire :
  +∞
𝑗
𝑋 𝑡 = 𝑓 ( 𝑡 ) +∑ 𝜃 𝜀𝑡 − 𝑗
𝑗=0 10
  Pour une date avec on a :
  +∞
𝑗
𝑋 𝑇 +𝑘 =𝑓 ( 𝑇 +𝑘 ) + ∑ 𝜃 𝜀 𝑇 +𝑘 − 𝑗 ⟺
𝑗=0
  𝑘 −1 +∞
𝑗 𝑗
𝑋 𝑇 +𝑘 =𝑓 ( 𝑇 +𝑘 ) + ∑ 𝜃 𝜀 𝑇 +𝑘 − 𝑗 + ∑ 𝜃 𝜀 𝑇 +𝑘 − 𝑗 ⟺
𝑗=0 𝑗=𝑘
 
+∞
𝑘−1 2 𝑗
𝑋 𝑇+𝑘 =𝑓 ( 𝑇+𝑘 ) +(𝜃 𝜀𝑇+1+⋯+𝜃 𝜀𝑇+𝑘−2+𝜃𝜀𝑇+𝑘−1 +𝜀𝑇+𝑘 )+∑ 𝜃 𝜀𝑇+𝑘− 𝑗 ⟺
𝑗=𝑘
  +∞
𝑗
𝑋 𝑇 +𝑘 =𝑓 ( 𝑇 +𝑘 ) + ∑ 𝜃 𝜀 𝑇 +𝑘 − 𝑗 ⟺
𝑗=𝑘 11
   +∞
𝑘 𝑗
𝑋 𝑇 +𝑘 =𝑓 ( 𝑇 +𝑘 ) +𝜃 × ∑ 𝜃 𝜀 𝑇 +𝑘 − 𝑗
𝑗=0

 Comme , on a

 Donc pour assez grand on a :

 𝑋 ≅ 𝑓 ( 𝑇 +𝑘 )
𝑇 +𝑘

 
Plus on s’éloigne de la date , plus l’influence des chocs antérieurs à
cette date s’estompent et le processus coïncide avec la tendance.

12
 Exercice :

 Soit le processus défini par :

𝑋 𝑡 =1+0,05 𝑡 + 𝑍 𝑡
 

où :
  est un processus stochastique stationnaire défini par :
𝑍 𝑡 =0,4 𝑍 𝑡 − 1+ 𝜀 𝑡
 

  et un bruit blanc gaussien.

 
On suppose qu’à la date le choc et que pour tout .

 
Simuler et représenter graphiquement une réalisation du processus .
13
Correction :

SMPL 1 50
GENR EPSILON= NRND
SMPL 51 100
GENR EPSILON=0
SMPL 1 1
GENR Z=0
SMPL 2 100
GENR Z=0.4*Z(-1)@TREND(0)+Z

14
Définition : Processus Difference Stationnary (DS)
 
Un processus stochastique est dit Difference Stationnary (DS) d’ordre
si les processus sont non stationnaires pour et le processus est
stationnaire.
On dit alors que le processus est un processus intégré d’ordre , noté ,
où est l’ordre d’intégration.
 Définition : Opérateur différence (ou filtre) d’ordre
 L’opérateur différence (ou filtre) d’ordre 1 est l’opérateur (noté aussi )
défini par :
𝐷=∆=1− 𝐿
 

 L’opérateur différence (ou filtre) d’ordre est l’opérateur défini par :

  𝐷 𝑘 = ( 1− 𝐿  )
𝑘
15
Exercice :
 
Soit un processus stochastique .
1) Calculer .
2) Calculer pour .

Correction :

1) On a :
 𝐷 𝑋 𝑡 =( 1− 𝐿 ) 𝑋 𝑡 =𝑋 𝑡 − 𝐿 𝑋 𝑡 = 𝑋 𝑡 − 𝑋 𝑡 −1
2) On a :
  𝑘 𝑗 𝑘 𝑗
𝑘 𝑘 𝑘 ( −1 ) 𝐿 𝑗 𝑋 = 𝑘 ( −1 ) 𝑋
𝐷 𝑋 𝑡 =( 1 − 𝐿 ) 𝑋 𝑡 =∑
𝑗=0
()
𝑗
𝑡 ∑
𝑗=0 𝑗
() 𝑡− 𝑗

  𝑘 = 𝑘!
Où : () 𝑗 𝑗!( 𝑘− 𝑗) ! 16
Théorème :
 
Un processus stochastique de forme est un processus intégré d’ordre
si son polynôme autoregressif admet racines unitaires.

Exercice :
 
Soit un processus stochastique défini par :
  2
( 1− 2.5 𝐿+1.5 𝐿 ) 𝑋 𝑡 =( 1 −0.5 𝐿 ) 𝜀 𝑡
 
où est un bruit blanc gaussien.

 
Montrer que est un processus non stationnaire intégré .
17
Correction :
 Le polynôme autoregressif du processus est donné par :
 𝜙 ( 𝐿 ) =1 − 2.5 𝐿+1.5 𝐿2
Cherchons les racines de ce polynôme :
 𝜙 ( 𝑥 ) =1 − 2.5 𝑥+ 1.5 𝑥 2=0
Le discriminant est donné par :
 ∆= ( − 2.5 ) 2 − 4 ×1.5=0.25

Le polynôme admet donc deux racines réelles distinctes :

  2.5− √ 0.25 2
𝑥1 = = <1
2 3
  2.5+ √ 0.25 3
𝑥2 = = =1
2 3 18
 
Nous savons qu’un processus est stationnaire si toutes les racines de
son polynôme retard sont de modules strictement supérieurs à 1.

 
Le polynôme retard du processus a deux racines de modules
inférieures ou égales à 1. Donc le processus est non stationnaire.

 
Le polynôme retard de a une racine unitaire, donc est un processus
non stationnaire intégré d’ordre 1.

19
Définition : Marche aléatoire (Random walk)
 
Un processus stochastique est une marche aléatoire si c’est un
processus de la forme :
  𝑋 𝑡 =𝑐 + 𝑋 𝑡 −1+ 𝜀 𝑡
 où est un bruit blanc gaussien.

 Le polynôme autoregressif de est le filtre d’ordre 1 :

𝜙 ( 𝐿 ) =1− 𝐿= 𝐷
 

 
Si alors la marche aléatoire est dite pure.
Si alors la marche aléatoire est dite avec dérive.
20
Théorème :
La marche aléatoire est un processus non stationnaire intégré d’ordre 1.

Preuve :

 Le polynôme autoregressif de est donné par :

𝜙 ( 𝐿 ) =1− 𝐿= 𝐷
 

 
Il admet une racine unitaire. Donc est non stationnaire intégré d’ordre
1.

21
 Propriété : Persistance de chocs ou hystérésis pour les processus
intégrés
 Soit un processus non stationnaire intégré d’ordre .
 
Alors l’influence d’un choc à une date sur le processus est
permanente. On dit qu’il y a persistance de chocs ou hystérésis.
Exercice :
 
Soit et deux marches aléatoires définies par :
 
𝑋 𝑡 = 𝑋 𝑡 −1 +𝜀 𝑡 𝑌 𝑡 =0.05+𝑌 𝑡 −1 +𝜀 𝑡
 

 où est un bruit blanc gaussien.

 On suppose qu’à la date le choc et que pour tout .

 Simuler et représenter graphiquement une réalisation des processus et

. 22
Correction :

SMPL 1 50
GENR EPSILON= NRND
SMPL 51 1000

GENR EPSILON=0
SMPL 1 1000
GENR X=0
GENR Y=0
SMPL 2 1000
GENR X=X(-1)+EPSILON
GENR Y=0.0.5+Y(-1)+EPSILON 23
Stationnarisation d’un processus non stationnaire Trend
Stationnary :
 Pour stationnariser un processus TS, il convient de retirer la
composante déterministe en régressant la série sur la constante et les
puissances de .
Si la tendance est une droite alors on régresse la série chronologique
sur la constante et sur pour obtenir des estimations et des
coefficients et . On obtient ainsi une réalisation du processus
stationnaire :
  𝑦 𝑡 =𝑥𝑡 − 𝑎^ 0 + 𝑎^ 1 𝑡

Stationnarisation d’un processus non stationnaire Difference

Stationnary :
 Pourstationnariser un processus DS intégré d’ordre , il convient de
d’appliquer au processus le filtre d’ordre .
24
Test de Dickey-Fuller simple : Test de la racine unitaire

 
Soit un processus autoregressif d’ordre 1:
 
𝑋 𝑡 =𝜌 𝑋 𝑡 −1 +𝜀 𝑡
 où est un processus et un réel non nul.
On pose :
2
 𝑉 𝜀
( 𝑡)= 𝜎 𝜀

 Le polynôme retard a comme racine .

 Le processus est stationnaire si .

25
Le test de Dickey-Fuller simple est un test d’hypothèses qui consiste à
tester la présence de la racine unitaire (non stationnarité).
  𝐻 0 : 𝜌= 1
 𝐻 :| 𝜌|< 1
1

 Remarquons que sous l’hypothèse nulle , le processus est une marche

aléatoire pure .
 En posant le processus s’écrit :
∆ 𝑋 𝑡 =𝜙 𝑋 𝑡 − 1+ 𝜀 𝑡
 

 Où est l’opérateur différence (filtre) d’ordre 1.

Le test de Dickey-Fuller simple se ramène alors à :
  𝐻 0 : 𝜙 =0
  𝐻 1 : 𝜙 <0 26
Le test de Dickey-Fuller simple se présente sous trois formes :

 Modèle 1 : Sans contrainte et sans trend

 Modèle 2 : Avec contrainte et sans trend

 Modèle 3 : Avec contrainte et avec trend

 o est un processus (non autocorellé).

27
 
La statistique du test de Dickey-Fuller simple ne suit pas une loi
normale ni une loi de Student, elle suit une loi non standard.

Le logiciel Eviews donnent les valeurs critiques de Dickey-Fuller aux

seuils de signification de 1%, 5% et 10%.

 
Lorsque la statistique de Student est strictement supérieure à la valeur
critique (tabulée) de DF alors on ne rejette pas l’hypothèse nulle de la
racine unitaire.

28
Test de Dickey-Fuller augmenté (ADF) :

 
Dans le test de Dickey-Fuller simple on a supposé que le processus
est un processus et les erreurs sont non autocorellées.

 Le test ADF suppose aussi que est un processus :

  𝑋 𝑡 = 𝜌 𝑋 𝑡 −1 +𝜀 𝑡
 où un réel non nul et est un processus autocorellé d’ordre , c’est-à-
dire :
 𝜃0 𝜀 𝑡 +𝜃1 𝜀 𝑡 − 1+𝜃2 𝜀 𝑡 −2 +⋯+𝜃 𝑝 −1 𝜀 𝑡 − ( 𝑝 − 1)= 𝜇𝑡

 où est un processus et les sont des réels avec et .

29
 On a :
𝜀 𝑡 − 𝑗=𝜌 𝑋 𝑡 − 𝑗− 1 − 𝑋 𝑡 − 𝑗
 

Donc :
𝜃0 𝜀 𝑡 +𝜃1 𝜀 𝑡 − 1+𝜃2 𝜀 𝑡 −2 +⋯+𝜃 𝑝 −1 𝜀 𝑡 − ( 𝑝 − 1)=𝜇𝑡 ⟺
 

𝜃0 (𝜌 𝑋𝑡−1−𝑋𝑡)+𝜃1(𝜌 𝑋𝑡−2−𝑋𝑡−1)+𝜃2(𝜌 𝑋𝑡−3 −𝑋𝑡−2)+⋯+𝜃 𝑝−2( 𝜌 𝑋𝑡−(𝑝−1)−𝑋𝑡−( 𝑝−2))+𝜃 𝑝−1( 𝜌 𝑋𝑡−𝑝−𝑋𝑡−(𝑝−1))=𝜇

 

30
 Si on pose :
  𝜓 𝑗 =𝜌 𝜃 𝑗− 1 −𝜃 𝑗     :   pour   1≤ 𝑗 ≤ 𝑝 −1  
{ 𝜓 𝑝 =𝜌 𝜃 𝑝 − 1

On obtient

 
𝑝−1
𝑋𝑡 =𝜓1 𝑋𝑡−1+𝜓2 𝑋𝑡−2+⋯+𝜓 𝑝−1 𝑋𝑡−( 𝑝−1) +𝜓 𝑝 𝑋𝑡−𝑝+𝜇𝑡=∑ 𝜓 𝑗 𝑋𝑡−𝑗+𝜓 𝑝 𝑋𝑡−𝑝+𝜇𝑡
𝑗=1
 Il est clair que le processus est un processus .
31
Proposition : Représentation de Sims, Stock et Watson
 Tout processus satisfaisant une représentation :
𝑋 𝑡 =𝜓 1 𝑋 𝑡 − 1+𝜓 2 𝑋 𝑡 − 2+ ⋯+𝜓 𝑝 −1 𝑋 𝑡 − ( 𝑝 − 1) +𝜓 𝑝 𝑋 𝑡 − 𝑝 + 𝜇𝑡
 

peut être exprimé sous la forme (de Sims, Stock et Watson) :

  𝑋 𝑡 =𝛼 𝑋 𝑡 −1 +𝜉 1 ∆ 𝑋 𝑡 − 1+ ⋯+ 𝜉 𝑝 − 1 ∆ 𝑋 𝑡 − ( 𝑝 −1) + 𝜇𝑡
où :

  : Opérateur différence d’ordre 1

  :

  𝛼 =𝜓 1 +𝜓 2+ ⋯ +𝜓 𝑝
32
 En posant alors la forme de Sims du processus s’écrit :

∆ 𝑋 𝑡 = 𝜙 𝑋 𝑡 − 1+ 𝜉1 ∆ 𝑋 𝑡 −1 +⋯+ 𝜉 𝑝− 1 ∆ 𝑋 𝑡 − ( 𝑝 −1 ) + 𝜇𝑡
 

Le test de Dickey-Fuller augmenté est un test d’hypothèses :

  𝐻 0 : 𝜙 =0
  𝐻 : 𝜙 <0
1

L’idée de Dickey Fuller augmenté consiste à se ramener à une

représentation similaire à celle du test de Dickey Fuller Simple, mais
qui permet de traiter le problème de l’autocorrélation des innovations
(erreurs). 33
Résumé de la démarche du Dickey fuller augmenté :
 
Partant d’un processus de forme ) avec des résidus autocorrélés
d’ordre . La méthode consiste à se ramener à une représentation
alternative dans laquelle les innovations sont des bruits blancs (on
blanchit les résidus autocorrellés). On se ramène ainsi à un ). La
méthode utilise aussi la représentation de Sims, Stock et Watson pour
appliquer le test de racine unitaire dont la spécification est exactement
identique à celle du test de Dickey Fuller Simple.
Enfin, les distributions asymptotiques des statistiques du test ADF sont
identiques à celles du test de Dickey Fuller Simple.

34
Comme pour le test de Dickey-Fuller simple, le test ADF se présente
sous trois formes :

 Modèle 1 : Sans contrainte et sans trend

 Modèle 2 : Avec contrainte et sans trend

 Modèle 3 : Avec contrainte et avec trend

 Avec est un processus .

35
Les distributions asymptotiques des statistiques du test ADF obtenues
dans les trois modèles sont identiques à celles obtenues dans les
modèles de Dickey Fuller Simple correspondants.

Le logiciel Eviews donnent les valeurs critiques de Dickey-Fuller aux

seuils de signification de 1%, 5% et 10%.

 
Lorsque la statistique de Student est strictement supérieure à la valeur
critique (tabulée) du test ADF alors on ne rejette pas l’hypothèse nulle
de la racine unitaire.

36
 Choix du nombre de retards optimal :

 Le processus dans le test ADF satisfait une représentation :

𝑋 𝑡 =𝜓 1 𝑋 𝑡 − 1+𝜓 2 𝑋 𝑡 − 2+ ⋯+𝜓 𝑝 −1 𝑋 𝑡 − ( 𝑝 − 1) +𝜓 𝑝 𝑋 𝑡 − 𝑝 + 𝜇𝑡
 

ou la représentation de Sims, Stock et Watson

∆ 𝑋 𝑡 = 𝜙 𝑋 𝑡 − 1+ 𝜉1 ∆ 𝑋 𝑡 −1 +⋯+ 𝜉 𝑝− 1 ∆ 𝑋 𝑡 − ( 𝑝 −1 ) + 𝜇𝑡
 

 qui contient termes différenciés retardés de .

 
Une des méthode du choix optimal de est la minimisation des critères
d’information du modèle considéré.

37
Les critères d’information les plus utilisés dans les logiciels
d’économétrie sont le Critère d’Akaïke (AIK), le Critère de Schwartz
(BIC) et le critère de Hannan-Quinn (HQ).

 
Le logiciel Eviews permet la détermination automatique de en
choisissant un critère d’information parmi les trois critère (AIK),
(BIC) et (HQ).

38
Test d’autocorrelation des résidus :
 
Une fois le nombre de retards choisi on peut tester la validité de ce
choix en testant l’autocorrelation des résidus qui sont donnés par :

𝜇
 ^
𝑡 ^ 𝑋 𝑡 −1 − 𝜉^ 1 ∆ 𝑋 𝑡 − 1 − ⋯ − 𝜉^ 𝑝 −1 ∆ 𝑋 𝑡 − ( 𝑝 −1)
=∆ 𝑋 𝑡 − 𝜙

Il existe plusieurs tests d’autocorellation comme le Test de Box et

Pierce, le Test de Ljung-Box et le Test de Breusch-Godfrey.

Pour utiliser ces tests sur Eviews, il faut sélectionner Views/Residuals

Diagnostics dans la barre d’outils et choisir le test voulu.

39