Econométrie de la finance Enseignante : Dr MEHIDI
Département des sciences économiques M2 EMB 2023/2024
Travaux pratiques N°2
Exercice 1 :
La série « action » représente les cours journaliers d’une action pour une période de 438 jours.
a- Afficher le graphe de la série brute
b- Tester la stationnarité de la série action avec le test ADF
c- Stationnariser la série action
d- Afficher le graphe de la série différenciée.
Solution de l’exercice 1 :
a- Graphe de la série « action »
Figure N°1 : Graphe de la série « action »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Le graphe de la série « Action » montre qu’elle est n’est pas stationnaire.
a- Test ADF :
Etape 1 : Tester le modèle 3
Méthode 1 : Ouvrir la série → View → Unit Root Test
Méthode 2 : Quick → series statistics → Unit root test → saisir le nom de la série → OK
Figure N°2 : Test ADF pour le modèle (3)
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans la fenêtre ci-dessus vous avez :
le type du test (ADF (Augmented Dickey-Fuller) pour notre cas).
les trois modèle (modèle 3 : Trend and intercept ; modèle 2 : Intercept et modèle 1 :
None). Cocher modèle 3 : Trend and intercept
Le niveau du test (niveau, en différence première et en deuxième différence). Cocher
level
Le nombre de retard à inclure selon les critères d’Akaike et Schwarz. Cocher automatic
selection
Tableau N°1 : Estimation du modèle TS pour la série « action »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le modèle 3, on teste la significativité de la tendance (trend)
𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
Table de Dickey-Fuller pour le modèle (3)
Tc > Tt → Accepter H1
Tc < Tt → Accepter H0
Loi de Student
Probabilité < risque 5% (0.05) → accepter H1
Probabilité > risque 5% (0.05) → Accepter H0
En utilisant la table de Dickey-Fuller pour le modèle (3)
Tc = 1.72 Tt = 2.78
Tc < Tt → Accepter H0 → la tendance n’est pas significative
En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.0859.
Prob > 0.05 → on accepte H0 → la tendance n’est pas significative
→ passer à l’étape 2
Etape 2 : Tester le modèle 2 : Sans tendance, avec constante
View → Unit Root test → Cocher Intercept (modèle 2) → OK
Figure N°3: Test ADF pour le Modèle (2)
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Tableau N°2 : Estimation du modèle DS avec dérive pour la série « action »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le modèle 2, on teste la significativité de la constante (C)
𝐻0: 𝐶 = 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝐶 ≠ 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
Table de Dickey-Fuller pour le modèle (2)
Tc > Tt → Accepter H1
Tc < Tt → Accepter H0
Loi de Student
Probabilité < risque 5% (0.05) → accepter H1
Probabilité > risque 5% (0.05) → Accepter H0
En utilisant la table de Dickey-Fuller pour le modèle (2)
Tc = 1.49 Tt = 3.03
Tc < Tt → Accepter H0 → la constante n’est pas significative
Loi de Student nous donne les mêmes résultats
La probabilité de la constante est prob = 0.1366
Prob > 0.05 → on accepte H0 → la constante n’est pas significative
→ passer à l’étape 3
Etape 3 : Tester le modèle 1 : Sans tendance et sans constante
View → Unit Root test → Cocher None ((pas de tendance, ni de de constance) (modèle 1)
→ OK
Figure N°4: Test ADF pour le modèle (1)
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Tableau N°3 : Estimation du modèle DS sans dérive pour la série « action »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le modèle 1, on teste l’hypothèse nulle de non stationnarité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
Règle de décision :
Si 𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒐𝒖 𝒃𝒊𝒆𝒏 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é < 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 (𝟓%) ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
Si 𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%
𝒕 𝒐𝒖 𝒃𝒊𝒆𝒏 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é > 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 (𝟓%) ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
𝐴𝐷𝐹𝑐 = 0.999812
𝐴𝐷𝐹𝑡5% = - 1.941551
𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é = 𝟎. 𝟗𝟏𝟔𝟓 > 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒔𝒂𝒏𝒔 𝒅é𝒓𝒊𝒗𝒆 𝒏𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆.
b- Différenciation
Puisque la série est processus DS non stationnaire → On procède au filtre en différence
View → Unit Root Test → Cocher première différence, donc c’est le premier filtre (1 st
difference)
Figure N°5 : Test ADF en première différenciation
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Tableau N°4 : Résultat du premier filtre pour la série « action »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le premier filtre, on teste l’hypothèse nulle de non stationnarité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 17.79510
𝐴𝐷𝐹𝑡5% = - 1.941551
𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃 = 𝟎 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒔𝒂𝒏𝒔 𝒅é𝒓𝒊𝒗𝒆 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆.
= 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒈𝒓é𝒆 𝒅′ 𝒐𝒓𝒅𝒓𝒆𝟏, = 𝑨𝒄𝒕𝒊𝒐𝒏 ⟶ 𝑰(𝟏)
c- Créer la série différenciée (stationnarisée)
Quick → generate series → saisir : nom de la nouvelle série différenciée = d(nom de la série)
→ OK
La nouvelle série daction est créée dans l’espace de travail
d- Graphe de la série « daction »
Figure N° 6 : Graphe de la série filtrée
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Nous remarquons que la tendance à la hausse a disparu
Exercice 2 :
La série PIB représente la croissance économique d’un pays pour la période 1970-2012
a- Afficher le graphe de la série brute
b- Tester la stationnarité de la série PIB avec le test ADF
c- Stationnariser la série PIB, puis afficher son graphe.
Solution de l’exercice 2:
a- Graphe de la série PIB
Figure N°7 Graphe de la série « PIB »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
La lecture du graphe montre que la série PIB n’est pas stationnaire.
b- Test ADF
Etape 1 : Tester le modèle (3) : avec tendance et avec constante
Tableau N°5 : Estimation du modèle TS pour la série « PIB »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
En utilisant la table de Dickey-Fuller pour le modèle (3)
Tc = 0.710128 Tt = 2.79
Tc < Tt → Accepter H0 → la tendance n’est pas significative
En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.4818
Prob > 0.05 → on accepte H0 → la tendance n’est pas significative
→ passer à l’étape 2
Etape 2 : Tester le modèle 2 : avec constante et sans tendance
Tableau N°6 : Estimation du modèle DS avec dérive pour la série « PIB »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le modèle 2, on teste la significativité de la constante (C)
𝐻0: 𝐶 = 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝐶 ≠ 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
En utilisant la table de Dickey-Fuller pour le modèle (2)
Tc = 2.658132 Tt = 2.54
Tc > Tt → Accepter H1 → la constante est significative
Loi de Student nous donne les mêmes résultats
La probabilité de la constante est prob = 0.0112
Prob < 0.05 → on accepte H1 → la constante est significative
On teste maintenant l’hypothèse nulle de non stationnarité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 2.389062
𝐴𝐷𝐹𝑡5% = - 2.933158
𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%
𝒕 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒂𝒗𝒆𝒄 𝒅é𝒓𝒊𝒗𝒆 𝒏𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆.
c- Différenciation
Puisque la série PIB est un processus DS non stationnaire → On procède au filtre en différence
Tableau N° 7 : Résultats du test ADF en différence première
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le premier filtre, on teste l’hypothèse nulle de non stationnarité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 4.030509
𝐴𝐷𝐹𝑡5% = - 1.949097
𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒃 = 𝟎. 𝟎𝟎𝟎𝟐 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒂𝒗𝒆𝒄 𝒅é𝒓𝒊𝒗𝒆 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆.
= 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒈𝒓é𝒆 𝒅′ 𝒐𝒓𝒅𝒓𝒆 (𝟏), ; 𝑷𝑰𝑩 ⟶ 𝑰(𝟏)
d- graphe de la série différenciée
Figure N°8 : Graphe de la série filtrée
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Après le premier filtre, nous remarquons que la série PIB est devenue stationnaire.
Exercice 3 :
La série « CAC » représente les valeurs journalières de l’indice boursier français CAC40 pour
532 jours.
a- Afficher le graphe de la série « CAC » et son corrélogramme
b- Effectuer le test ADF
c- Stationnariser la série « CAC »
d- Appliquer le test ADF sur la série satationnarisée.
Solution de l’exercice 3 :
a- Graphe et corrélogramme de la série « CAC »
Figure N°9 : Graphe de la série « CAC »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
D’après le graphe la série « CAC » est affectée par une tendance haussière.
Figure N° 10 : Corrélogramme de la série « CAC »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Le corrélogramme de la série « CAC » montre qu’elle n’est pas stationnaire. En effet, il y a
plusieurs termes qui dépassent les bandes de l’intervalle de confiance et les probabilités
critiques de la statistique sont toutes égales à zéro.
b- Test ADF
Etape 1 : Tester le modèle 3 : Avec constante et avec tendance
Tableau N°8 : Estimation du modèle TS pour la série « CAC »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
En utilisant la table de Dickey-Fuller pour le modèle (3)
Tc = 2.994814 Tt = 2.78
Tc > Tt → Accepter H1 → la tendance est significative
En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.0029
Prob < 0.05 → on accepte H1 → la tendance est significative → La série « CAC »est un TS
On teste directement l’hypothèse nulle de non stationnarité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 3.130755
𝐴𝐷𝐹𝑡5% = - 3.418503
𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒃 = 𝟎. 𝟏𝟎𝟎𝟐 > 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝒂𝒄 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝒂𝒄 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑻𝑺 𝒏𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆.
c- Stationnarisation de la série « CAC »
Pour stationnariser un processus TS,
on fait une régression sur la tendance avec la méthode MCO (Quick → Estimate
equation → saisir : nom de la série c @trend → OK).
Ensuite on génère la série des résidus (Procs → Make residual series → nommer la
nouvelle série → OK)
La nouvelle série « Cac1 » est créée dans l’espace de travail.
Application du test ADF sur la série « CAC1 »
Tableau N° 9 : Test ADF sur la série stationnarisée
Source : Réalisé par l’auteur avec le logiciel Eviews 9
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 3.137390
𝐴𝐷𝐹𝑡5% = - 1.941434
𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒃 = 𝟎. 𝟎𝟎𝟏𝟕 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝑨𝑪 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝑨𝑪 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑻𝑺 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆.
= 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝑨𝑪 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒈𝒓é𝒆 𝒅′ 𝒐𝒓𝒅𝒓𝒆 (𝟏), ; 𝑪𝑨𝑪 ⟶ 𝑰(𝟏)
d- Graphe et corrélogramme de la série stationnarisée
Figure N° 11 : Graphe de la série « CAC1 »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Figure N°12 : Corrélogramme de la série « CAC1 »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
La lecture du corrélogramme de la série « CAC1 » montre qu’aucun terme n’est à l’extérieur
aux deux intervalles de confiance et la statistique Q a une probabilité critique supérieure à 0.05,
donc la série est stationnaire.
Exercice 4 :
Y est une série temporelle avec un nombre d’observation N= 376.
a- Afficher le graphe de la série Y
b- Appliquer le test ADF
Solution de l’exercice 4 :
a- Graphe et corrélogramme de la série Y
Figure N° 13 : Graphe de la série « y »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
b- Test ADF : Etape 1 : Tester le modèle (3)
Tableau N° 10: Estimation du modèle TS pour la série « Y »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
Dans le modèle 3, on teste la signification de la tendance (trend)
𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
En utilisant la table de Dickey-Fuller pour le modèle (3)
Tc = 0.511896 Tt = 2.78
Tc < Tt → Accepter H0 → la tendance n’est pas significative
En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.6090.
Prob > 0.05 → on accepte H0 → la tendance n’est pas significative
→ passer à l’étape 2
Etape 2 : Tester le modèle (2) : Sans tendance, avec constante
Tableau N°11 : Estimation du modèle DS avec dérive pour la série « Y »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
𝐻0: 𝐶 = 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝐶 ≠ 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Loi de Student nous donne les résultats suivants
La probabilité de la constante est prob = 0.0323
Prob < 0.05 → on accepte H1 → la constante est significative, cependant la table de Dickey-
Fuller pour le modèle (2), donne des résultats différents.
Tc = 2.148793 Tt = 2.52
Tc < Tt → Accepter H0 → la constante n’est pas significative
Dans ce cas on se réfère à la table de Dickey-Fuller donc on accepte H0 → la constante n’est
pas significative.
→ passer à l’étape 3
Etape 3 : Tester le modèle 1 : Sans tendance et sans constante
Tableau N°12 : Estimation du modèle DS sans dérive pour la série « Y »
Source : Réalisé par l’auteur avec le logiciel Eviews 9
′
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = -16.76852
𝐴𝐷𝐹𝑡5% = - 1.941680
𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é = 𝟎. 𝟎𝟎𝟎 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒀 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒀 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒔𝒂𝒏𝒔 𝒅é𝒓𝒊𝒗𝒆 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖. 𝒀 → (𝟎)
