laments d’analyse des séries temporelles fe chapitre est consacré a une présentation sommaire des tech- niques d’analyse des séries chronologiques. Ce theme, a lui seul, peut faire objet de longs développements et de nombreux ouvrages' y sont intégralement consacrés. Nous étudions en I. les carac- téristiques statistiques — en terme de stationnarité — des séries tempo- relles en présentant les différents tests (Dickey-Fuller, corrélogramme, etc.) s'y rapportant. Puis en Il, nous présentons différentes classes de modéles (AR, MA, ARMA) en étudiant leurs propriétés. Enfin, la métho- de Box et Jenkins qui systématise une démarche d’analyse des séries tem- porelles fait l'objet de la section Il. tationnarité éfinition et propriétés ‘Avant le traitement d’une série chronologique, il convient d’en étudier les carac- téristiques stochastiques. Si ces caractéristiques — c’est--dire son espérance et sa variance — se trouvent modifiées dans le temps, la série chronologique est considérée comme non stationnaire ; dans le cas d'un processus stochastique invariant, Ia série temporelle est alors stationnaire. De manitre formalisée, le processus stochastique y, est stationnaire si 1, Pour un approndissement de ce chapitre, se référer au livre de Bourbonnais R. et Terraza M., Dunod, 2010, Eléments d’analyse des séries temporelles © 239EQ) = EQim) =u Vt et Ym, la moyenne est constante et indépendante du temps ; var(),) < 00 Vt, la variance est finie et indépendante du temps ; COV(Y:,Yrve) temps. I apparait, & partir de ces propriétés, qu’un processus de bruit blanc! ¢, dans lequel les ¢, sont indépendants et de méme loi N(0,02) est stationnaire. Une série chronologique est donc stationnaire si elle est la réalisation d’un processus stationnaire. Ceci implique que la série ne comporte ni tendance, ni saisonnalité et plus généralement aucun factcur n’ évoluant avec le temps. EQ: ~ Que — 19] = Yer Ia covariance est indépendante du onctions d’autocorrélation simple et partielle La fonction d’autocorrélation (FAC) est la fonction notée p, qui mesure la cor- rélation de la série avec elle-méme décalée de k périodes, comme I'illustre le tableau 1. Sa formulation est la suivante Lo -No4-Y COV(Y, Yi. Tre py = One) 0] FO 4 avec ¥ moyenne de la série calculée sur n — k périodes, Nous pouvons en déduire que po=l et Cette formule [1] est malaisée & manier puisqu’elle exige de recalculer pour chaque terme p, les moyennes et les variances, c’est pourquoi on lui préfére la fonction d’autocorrélation d’ échantillonnage NG -VNO4-y* m 2] avec moyenne de la série calculée sur n périodes, 1. Un processus de bruit blanc est une suite de variables aléatoires de méme distribution et mutuel- ement indépendantes. Ce terme est emprunté & la physique faisant référence au spectre de la lumiére blanche. 2, Siles conditions énoncées ci-dessous sont vérifiées, on dit que la série est stationnaire de second ordre, ou encore faiblement stationnaite. Dans le cas od, aux conditions définies, s'ajoute la constante de la distribution de probabilité, on parle de série strictement stationnaire 240 @ ECONOMETRIETableau I ~ Exemple de calcul d’une fonction d’autocorrélation k 0 1 2 3 4 t y Yea Yea a 1 123 2 130 123 3 125 130 123 4 138 125 130 123 5 145, 138 125 130 123 6 142 145 138 125 130 7 141 142 145 138 125 8 146 141 142 145, 138 9 147 146 141 142 145 10 157 147 146 141 142 11 150 157 147 146 141 12 145 150 157 147 146 Moyenne y, | 140,75 | 142,36 | 143,60 | 145,67 | 146,63 Moyenne y 140,75 | 140,36 | 139,40 | 137,44 | 136,25 Variance y, 95,02 | 72,41 | 62,84 | 24,11 | 22,23 Variance y, 95,02 | 101,87 | 101,84 | 74,91 | 71,44 Pe 1 0,77 | 062 | 0,59} 0,55 Lorsque Je nombre d’ observations n est suffisamment grand, les deux for- mules [1] et [2] donnent des résultats tres proches. La fonction d’autocorrélation partielle (FAP) s’apparente 3 1a notion de cor- rélation partielle. Nous avons défini au chapitre 4 Je coefficient de corrélation partielle comme étant le calcul de Vinfluence de x, sur x, en éliminant les influences des autres variables x3, 25, ..., % Par analogie, nous pouvons définir l’autocorrélation partielle de retard k comme le coefficient de corrélation partielle entre y, et y,-r, ¢’est-A-dire comme 6tant la corrélation entre y, et y,- l'influence des autres variables décalées de k périodes (y1-1, Yi-ay «++» Je-nsi) ayant été retirée Afin d’éviter par la suite toutes ambiguités entre les deux fonctions d’auto- corrélation, nous appelons fonction d’autocorrélation simple, la fonction d’auto- corrélation. ests de « bruit blanc » et de stationnarité Nous ne pouvons identifier clairement les caractéristiques stochastiques du série chronologique que si elle est stationnaire, Cette étude de stationnarité Eléments d’analyse des séries temporelles @ 241s’effectue essentiellement & partir de I’ étude des fonctions d’autocorrélation (ou de leur représentation graphique appelée « corrélogramme »). Une série chro- nologique est stationnaire si elle ne comporte ni tendance ni saisonnalité. Nous allons done, A partir de I’étude du corrélogramme d’ une série, essayer de mon- trer de quelle maniére nous pouvons mettre en évidence ces deux composantes. Nous pouvons distinguer différents types de séries stationnaires : =A mémoire, c'est tion, le processus ; dire dont on peut modéliser, par une loi de reproduc- — identiquement et indépendamment distribuée notée i.j.d. ou appelée Bruit Blanc (« White Noise ») ; = normalement (selon une loi normale) et indépendamment distribuée notée n.d. ou appelée Bruit Blanc gaussien. 1) Analyse des fonctions d’autocorrélation Lorsque nous étudions 1a fonction d’autocorrélation d’une série chronologique, la question qui se pose est de savoir quels sont les termes p, qui sont significa- tivement différents de 0. En effet, par exemple, si aucun terme n’est significativement différent de 0, on peut en conclure que le processus étudié est sans mémoire et done qu’a ce titre il n’ est affecté ni de tendance ni de saisonnalité, Ou encore si une série men- suelle présente une valeur élevée pour p,: (corrélation entre y, et y,-12), la série étudiée est certainement affectée d’un mouvement saisonnier!, Nous verrons & partir d’exemples différents cas de figures. Le test d’hypothéses pour un terme p, est le suivant HO: p, =0 Hi: #0 Nous pouvons utiliser le test d’hypothéses d’un coefficient de corrélation, présenté au chapitre 1, fondé sur la comparaison d’un f de Student empirique et théorique. Toutefois, Quenouille? a démontré que pour un échantillon de taille importante (n > 30), le coefficient p, tend de manigre asymptotique vers une loi normale de moyenne 0 et d’écart type 1/./7. Liintervalle de confiance du coefficient p, est alors donné par n= nombre d’ observations. 1. I1s’agit méme d'un test de détection de saisonnalité. 2. Quenouille M. H., 1949. 242 © ECONOMETRIESi le coefficient calculé f, est & l’extérieur de cet intervalle de confiance, il est significativement différent de 0 au seuil a (en général a=0,05 et 1? = 1,96). La plupart des logiciels fournissent, avec le corrélogramme, 'in- tervalle de confiance, ce qui autorise une interprétation instantanéc. Nous devons souligner une limite des tests 45 %. En effet, lorsqu’une fone- tion d’autocorrélation est calculée pour un nombre important de retards, nous pouvons nous attendre & ce que quelques-uns soient, de maniére fortuite, signi- ficativement différents de 0. Sih est le nombre de retards, le nombre possible de faux rejets est alors de 0,05 x h, pour un seuil de confiance de 5 %. Dans le cas od Je corrélogramme ne laisse apparaitre aucune décroissance de ses termes (absence de « cut off»), nous pouvons en conclure que la série n’est pas stationnaire en tendance. 2) Statistiques de Box-Pierce et Ljung-Box Le test de Box-Pierce permet d’identifier les processus sans mémoire (suite de variables aléatoires indépendantes entre elles). Nous devons donc identifier cov();,J;-2) = 0 ou encore p, = 0 Vk. Un processus de bruit blanc implique que py = ps =... = py =0, soit les hypothéses HO: p=pr=...=m%=0 HI : il existe au moins un p; significativement différent de 0. Pour effectuer ce test, on recourt & la statistique Q (due 4 Box-Pierce!) qui est donnée par : h = nombre de retards, f, = autocorrélation empirique d’ordre k, n = nombre d’ observations. La statistique @ est distribuée de maniére asymptotique comme un x? (chi- deux) Ah degrés de liberté. Nous rejetons donc ’hypothase de bruit blanc, au seuil «r, si la statistique Q est supérieure au x? Iu dans la table au seuil (1 — a) et h degrés de liberté. Nous pouvons utiliser aussi une autre statistique, dont les propriétés asymp- totiques sont meilleures, dérivée de la premiére qui est le Q' de Ljung et Box’ : ne, Q' = n(n +2) > —F. qui est aussi distribuée selon un x? & h degrés de liber- tet té et dont les régles de décisions sont identiques au précédent. Ces tests sont appelés par les anglo-saxons : « portmanteau test» soit littéralement test « fourre-tout ». 1. Box GE. P. et Pierce D. A., 1970, 2. Ljung G. M. et Box GE. P, 1978, Eléments d’analyse des séries temporelles @ 2433) Tests de normalité Pour calculer des intervalles de confiance prévisionnels et aussi pour effectuer les tests de Student sur les parametres, il convient de vérifier la normalité des erreurs. Le test de Jarque et Bera (1984), fondé sur la notion de Skewness (asy- métric) et de Kurtosis (aplatissement), permet de vérifier la normalité d’une dis- tribution statistique. a) Les tests du Skewness et du Kurtosis le Soit x = — }~(x, — 3)* le moment centré d’ordre k, le coefficient de Skewness n a (B37) est égal a: p)? = 4% et le coefficient de Kurtosis : 6, = 4. wy ir Si la distribution est normale et le nombre d’ observations grand (n > 30) : a [6 N{O; a en(n ff On construit alors les statistiques 17-0 =3 ys Wr =O! vy = eM que l’on compare & 1,96 (valeur de la loi nor- male au seuil de 5 %). Si les hypothéses HO: v; = 0 (symétrie) et v, = 0 (aplatissement normal) sont vérifiées, alors v, < 1,96 et v) < 1,96 ; dans le cas contraire, l’hypothése de normalité est rejetée. b) Le test de Jarque et Bera Il s’agit d’un test qui synthétise les résultats précédents ; si #1’ et 8, obéissent Ades lois normales alors la quantité s :s =" 6, 4 bs —3)? suit un x? &deux degrés de liberté 6 Done si s > x2.,(2), on rejette I'hypothése HO de normalité des résidus au seuil a. Ces tests de normalité servent également dans le cas ot il y a hétéroscédaci- té. En effet, ’hétéroscédacité se manifeste sur le graphe de la distribution par des queues de probabilité plus épaisses (distribution leptokurtique) que les queues de la loi normale. 4) Tests d’homoscédasticité Un processus de bruit blanc doit étre homoscédastique, les tests d’hétéroscédas- ticité du chapitre 5, Section II peuvent étre utilisés. 244 @ ECONOMETRIE— Le test de Goldfeld-Quandt a pour but de comparer la somme des carrés des résidus d’ estimation aprés avoir scindé les résidus en deux sous-échan- tillons. — Un autre test consiste 4 étudier la distribution des carrés des résidus. L’analyse des termes du corrélogramme des résidus au carré permet de tes- ter existence d’une hétéroscédacité. Si certaines valeurs de la FAC (tests de Box-Pierce ou Ljung-Box) sont significativement différentes de 0, nous pouvons conclure & la présence dune hétéroscédacité. a non-stationnarité et les tests de racine unitaire a non-stationnarité : les processus TS et DS Les chroniques économiques sont rarement des réalisations de processus aléa- toires stationnaires. Pour analyser la non-stationnarité, deux types de processus sont distingués : — les processus TS (Trend Stationary) qui représentent une non-stationnarité de type déterministe! ; — les processus DS (Differency Stationary) pour les processus non station- naires aléatoires. a) Les processus TS Un processus TS s’écrit: x, = f, +e, oi f, est une fonction polynémiale du temps, linéaire ou non linéaire, et ¢, un processus stationnaire. Le processus TS le plus simple (ct le plus répandu) est représenté par une fonction polynémiale de degré 1. Le processus TS porte alors le nom de linéaire et s’ écrit x, = ay tatte, Si ¢, est un bruit blanc (gaussien ou non), les caractéristiques de ce proces- sus sont alors E[x,] = a0 + at + Ele] =a + at Vin] =0+ Vie] =o? cov[x,,x] =0 pourt # t' Ce processus TS est non stationnaire car Elx,] dépend du temps Connaissant 4 et @;, le processus x, peut étre stationnarisé en retranchant, de Ia valeur de x, en 1, la valeur estimée @ + 2,1. Dans ce type de modélisation, l’ef- 1, Par définition, un processus est aléatoire doi I’ambiguité du terme de processus déterministe. Eléments d’analyse des séries temporelles @ 245fet produit par un choc (ou par plusieurs chocs aléatoires) 4 un instant f est tran- sitoire. Le modéle étant déterministe, la chronique retrouve son mouvement de long terme qui est ici la droite de tendance. Il est possible de généraliser cet exemple & des fonctions polyndmiales de degré quelconque. b) Les processus DS Les processus DS sont des processus que I’on peut rendre stationnaires par ’uti- lisation d’un filtre aux différences : (1 — D)‘x, = B + ¢, od e, est un processus stationnaire, 6 une constante réelle, Dl’ opérateur décalage et dl’ ordre du filtre aux différences. Ces processus sont souvent représentés en utilisant le filtre aux différences pre- mitres (d = 1). Le processus est dit alors processus du premier ordre. Il s’écrit (l= D)x, =P +e, ex, =Hitfh+e Lintroduction de la constante f dans le processus DS permet de définir deux processus différents + B =0 : le processus DS est dit sans dérive. Is’écrit: x, =x +6, Comme ¢, est un bruit blanc, ce processus DS porte le nom de modéle de marche au hasard ou de marche aléatoire (Random Walk Model). Il est trés fré- quemment utilisé pour analyser I’efficience des marchés financiers. Pour étudier les caractéristiques de ce modéle, écrivons-le sous sa forme développée Mee = Mea $a SP Sn FE HE Man = Mas $a SP HM boa tea te etc. Si le premier terme de la chronique est xo, le modéle s’écrit alors = x0+ Ya iat Les caractéristiques de ce processus sont (en supposant xo certain) Elx:] = x0 Vid = t02 cov[x,,xy] = 02 x Min(t,1’) sit #1 Par exemple : cov(x4,.%2) = El(to + €1 + &2 + €3 + €4)(Xo + 1 + €2)] = Ee, x &)) + Ele: x 62) = 20? En effet tous les produits E(6, x €/) =0 sit # ¢' 246 © ECONOMETRIECe processus est non stationnaire en variance puisqu’elle dépend du temps. Cette non stationnarité est dite aléatoire ou stochastique. Pour stationnariser la marche aléatoire, il suffit d’appliquer au processus le filtre aux différences premidtes : x, =x.) + €, € (I—D)x, = 6, * B £0 : le processus porte alors le nom de processus DS avec dérive. Us'écrit: x, =x. +B +6. Comme précédemment, on peut rechercher sa forme équivalente développée : SMa t B+ er Meet = Ma $B HE SX =H +2 t+eite Keen = Mg +B FG SH HH FIP teaterte ete. Si on suppose la valeur d'origine x) connue et déterministe, on a alors X= Xo + Bt t+ > Ej On peut analyser les caractéristiques de ce processus : E[x,] = Xo + Bt Via] = to? cov[x,.xy] =o? x Min(t,t’) sit # Le processus est non stationnaire de par son espérance et sa variance. Lespérance étant de la méme forme que celle d’un processus TS, on reconnait dans ce processus une non stationnarité déterministe et aléatoire & la fois. La stationnarisation de ce processus est réalisée en utilisant le filtre aux dif- férences premiéres x =H +B +e o(1- Bx, =B +e Soit en employant la forme développée : x) = Xo + Bt+ Doe et en calculant : x,1 ta it xo + BQN + Dra ra Ona: x, =x) = (= Bx, =P +e). Dans les processus de type DS, un choc 3 un instant donné se répercute Vinfini sur les valeurs futures de la série ; effet du choc est donc permanent et va en décroissant. En résumé, pour stationnariser un processus TS, la bonne méthode est celle des moindres carrés ordinaires ; pour un processus DS, il faut employer le filtre aux différences. Le choix d’un processus DS ou TS comme structure de la chro- nique n’est done pas neutre. Eléments d’analyse des séries temporelles @ 247©) Conséquences d’une mauvaise stationnarisation du processus Pour un processus TS, la bonne méthode de stationnarisation est celle des moindres carrés ordinaires. Supposons que l'on applique au processus TS du pre- mier ordre un filtre aux différences premiéres. A priori, comme le degré du poly- nome est 1, ce filtre peut étre considéré comme correct puisqu'un filtre aux dif- férences d'ordre d élimine un polynéme de méme degré. Cependant, on démontre que l'application du filtre aux différences a créé une perturbation artificiclle. Pour un processus DS, la bonne méthode de stationnarisation est le filtre aux différences premigres. Supposons que l'on applique la méthode des moindres carrés ordinaires (régression sur le temps) sur les observations d'un échantillon du processus, les paramétres de la tendance sont estimés et par conséquent le résidu de la régression doit étre un bruit blane. Nelson et Kang montrent & par- tir de simulations, que I'élimination d'une tendance linéaire sur un processus de marche aléatoire crée artificiellement une forte autocorrélation des résidus pour les premiers retards. Sur le plan économétrique, il est done primordial d'identifier clairement le processus sous-jacent et d'employer la méthode adéquate de stationnarisation. Sinon le risque de créer des « bruits parasites » artificiels est trés élevé. Les conséquences sont également importantes sur le plan économique. Considérons, par exemple, le PIB d'un pays comme la France en valeur réelle. Si ce PIB est DS plutst que TS, il est alors nécessaire de remettre en cause la décomposition traditionnelle (tendance et cycle) et sa justification théorique Tindépendance des schémas explicatifs. Si le PIB est en effet DS, la croissance et le cycle sont liés et ne peuvent étre en conséquence étudiés de fagon séparés. Or, d'aprés les travaux de Nelson et Plosser (1982) sur des chroniques macro- économiques américaines, la variabilité constatée de la composante conjonctu- relle serait due A une structure DS. Comme jusqu’a présent, I'analyse de cette composante s'effectue a partir du résidu d'une régression entre le PIB et une ten- dance déterministe, cette analyse surestime I'amplitude du cycle et sous-estime Yimportance de la tendance. Sur ce constat, Beveridge S. et Nelson C.R. (1981) proposent une décomposition des processus selon une tendance stochastique (permanente) qui obéit 4 une marche aléatoire avec ou sans dérive et une com- posante stationnaire (transitoire). Par la suite Harvey A.C. (1988) utilise les modéles structurels 4 composantes inobservables (modéle tendance plus cycle et tendance-cycle) représentées sous forme d'un modéle espace d’états estimé par le filtre de Kalman. es tests de racine unitaire et la stratégie séquentielle de test Les tests de racine unitaire « Unit Root Test » permettent non seulement de détecter l’existence d’une non-stationnarité mais aussi de déterminer de quelle non-stationnarité il s’agit (processus TS ou DS) et donc la bonne méthode pour stationnariser la série. 248 @ ECONOMETRIEa) Tests de racines unitaires : tests de Dickey-Fuller (1979) Les tests de Dickey-Fuller (DF) permettent de mettre en évidence le caractére stationnaire ou non d’une chronique par la détermination dune tendance déter- ministe ou stochastique. Les modéles servant de base & la construction de ces tests sont au nombre de trois. Le principe des tests est simple : si I'hypothése HO: ¢, = 1 est retenue dans I’un de ces trois modéles, le processus est alors non stationnaire. Ux = dma +e Modéle autorégressif d’ordre 1 x =dima +B +e Modile autorégressif avec constante. B)x =o. +brte+e Modile autorégressif avec tendance. Si ’hypothése HO est vérifiée, la chronique x, n’est pas stationnaire quel que soit le modéle retenu. Dans le dernier modale [3], si on accepte Hl : 4; < 1 et sile coefficient b est significativement différent de 0, alors le processus est un processus TS ; on peut le rendre stationnaire en calculant les résidus par rapport & la tendance estimée par les moindres carrés ordinaires. Sous HO, les régles habituelles de l’inférence statistique ne peuvent pas étre appliquées pour tester cette hypothése, en particulier la distribution de Student du paramétre ¢, ; Dickey et Fuller ont done étudié la distribution asymptotique de lestimateur 4; sous ’hypothése HO. A l’aide de simulations de Monte-Carlo, ils ont tabulé les valeurs critiques pour des échantillons de tailles différentes. Ces tables sont des tables! analogues aux tables du t de Student. Les auteurs ont choisi de tester la valeur (¢; — 1) au lieu de $, pour des raisons purement sta- tistiques. Cela n'est pas génant pour le test. En effet, x, = ¢ix-1 + &; s'écrit aussi By Xen = GX — Ma +e Ax =i —-Deite est donc équivalent de tester comme hypothése HO : ¢; = 1 ou ¢—1=0 Les principes généraux du test sont les suivants. On estime par les moindres carrés ordinaires le paramétre ¢; noté $; pour les moddles [1], [2] ct [3]. L’estimation des coefficients et des écarts types du modéle par les moindres carrés ordinaires fournit 13, qui est analogue A la statistique de Student (rapport du coefficient sur son écart type). Si fj, > faye, alors on accep- te Phypothése HO; il existe une racine unité, le processus n’est donc pas stationnaire. Remarque : les principaux logiciels d’analyse de séries temporelles calculent automatiquement les valeurs critiques f, b) Les tests de Dickey et Fuller Augmentés Dans les moddles précédents, utilisés pour les tests de Dickey-Fuller simples, le processus ¢, est, par hypothése, un bruit blanc. Or il n’y a aucune raison pour 1. Cf. table 7 en fin d’ouvrage. Eléments d’analyse des séries temporelles @ 249que, a priori, l'erreur soit non corrélée ; on appelle tests de Dickey-Fuller Augmentés (ADF, 1981) la prise en compte de cette hypothése. Les tests ADF sont fondés, sous ’hypothése alternative |i] <1, sur lesti- mation par les MCO des trois modéles * Modéle [4] : Ax, = px — Ve Arys +e, Modéle [5] : Ax, = pxi1— YO 9) Ax-ja1 Fe + & Modéle [6] : Ax, i — DG AR bet bt +e avec & — iid. Le test se déroule de maniére similaire aux tests DF simples, seules les tables statistiques different. La valeur de p peut étre déterminée selon les critéres de Akaike ou de Schwarz, ou encore, en partant d'une valeur suffisamment impor- tante de p, on estime un modile & p— 1 retards, puis & p — 2 retards, jusqu’A ce que le coefficient du p*™* retard soit significatif. c) Le test de Phillips et Perron (1988) Ce test est construit sur une correction non paramétrique des statistiques de Dickey-Fuller pour prendre en compte des erreurs hétéroscédastiques. Il se déroule en quatre étapes : 1) Estimation par les moindres carrés ordinaires des trois modéles de base des tests de Dickey-Fuller et calcul des statistiques associées, soit e, le résidu estimé. ela 2) Estimation de la variance dite de court terme 3? = — oe? n 3) Estimation d'un facteur correctif s? (appelé variance de long terme) établi a partir de la structure des covariances des résidus des modéles précédemment estimés de telle sorte que les transformations réalisées conduisent 4 des distri- butions identiques & celles du Dickey-Fuller standard 1 > u 1< ive ry (--4); Veen Pour estimer cette variance de long terme, il est nécessaire de définir un nombre de retards / (troncature de Newey-West) estimé en fonction du nombre d'observations n, 1 © 4(n/100)*", 1G, 4) Calcul de la statistique de PP : 15, = VE x #2 55, 1 nk avec k= = (qui est égal 4 1 — de maniére asymptotique - si e, est un bruit blanc). Cette statistique est & comparer aux valeurs critiques de la table de MacKinnon, 250 @ ECONOMETRIEd) Stratégie de tests Nous constatons que pour réaliser un test de racine unitaire, le résultat n'est pas identique selon l'utilisation de l'un des trois modéles comme processus généra- teur de la chronique de départ. Les conclusions auxquelles on parvient sont donc différentes et peuvent entrainer des transformations erronées. C’est la raison pour laquelle Dickey et Fuller, et & leur suite d'autres auteurs, ont élaboré des straté- gies de tests!. Nous présentons un exemple simplifié (schéma 1) d’une stratégie de tests. Les valeurs critiques des 1; et r; permettant de tester la nullité des coeffi- cients c et b des modéles [2] et [3] sont données en fin d’ouvrage (table 7). e) Le test KPSS (1992) Kwiatkowski ef al. (1992) propose d’utiliser un test du multiplicateur de Lagrange (LM) fondé sur I’hypothése nulle de stationnarité. Aprés estimation des modéles [2] ou [3], on calcule la somme partielle des résidus : 5, = > e; et on estime la variance de long terme (s?) comme pour le test de Phillips et Perron. Estimation du mode [3] act begs ba, Te =0 TetGi=1 oui Processus TS 19) 1<1 | [ Processus Heeb Porat as Extimation du mode [2 neeh Omaha ‘Teste Tepi= 1 Processus DS | | Processus stationnaire Estimation du modete 1] = Oot Tet $= 1 Processus DS | | Processus stationnaice Schéma 1 ~ Stratégie simplifiée des tests de racine unitaire 1. Cf Bourbonnais R. et Terraza M. Chapittre 5, 2010. Eléments d’analyse des séries temporelles @ 251oe La statistique est alors LM = = On rejette Phypothise de stationna- so Tité si cette statistique est supérieure aux valeurs critiques Iues dans une table élaborée par les auteurs. ILest & noter que les logiciels RATS et Eviews permettent directement 'uti- lisation de ces tests. Exercice n° 1 ub, fichier C9EX1 Exemple d’application des tests de racine unitaire au CAC40 On demande ’appliquer les tests de non-stationnarité & Vindice CAC4O (indice représentatif de I’évolution des cours de bourse) sur une période de 1160 jours. Solution Nous allons étudier le CAC40 sur 1 160 observations quotidiennes. Le graphique 1 illustre 1évolution de lindice CACAO, Les fonction d’autocorrélation simple et partielle, pour h = 15 retards, sont obtenues directement par une fonction = Sample. 11180 Included observations: 1160 Autccorralsion PartalConelaton —«AC~==«~PAC.—GAStat_ Prob 0.988 13366 0000 Doss 22457 0000 0.620 015 0.055 0.024 0.008 7 0035 0.005 9.85 -0030 oav4 0018 9.62 0008 t 13 0850 0.040 14 a8se 0.003, 18 9nd? 9.000 14893 60002200) CAC Graphique 1 - Evolution de Vindice boursier CAC40 Eviews fournit les résultats des fonctions d’autocorrélation simple (colonne AC) et par- liclle (colonne PAC), avec les corrélogrammes respectifs. Les bores de Vintervalle de confiance sont stylisées par des traits pointillés horizontaux ; chaque terme qui sort de cet intervalle est donc significativement différent de 0 au seuil de 5 %. Nous nous apercevons gue tous les termes du corrélogramme simple sont extérieurs & l'intervalle de confiance. Le processus n'est pas un bruit blanc (il semble méme caractéristique d'un processus non sta- tionnaire). La statistique Q de Ljung-Box (la seule calculée par Eviews) confirme ce fait Q-Stat = 14483 (au retard k = 15)> 7295.5 = 25, on refuse Vhypothése de nullité des coef ficients (la probabilité critique de ce test est indiquée a. = 0,000 < 0,05, donc on refu- se HO). Le processus CAC4O n'est pas un bruit blanc, A partir des tests de Dickey-Fuller nous allons examiner si le processus est non stationnaire. Le test de Dickey-Fuller simple consiste a estimer! les trois modéles : [1] : CAC, — CAC); = DCAG, = ($: = 1) CAC, [2]: CAC, - CAC, 1 = DCAC, = (1 = 1) CAG, -1 +6 [3] : CAC, — CAC,_; = DCAC, = ($, — 1) CAG, Fe + bt estimation par les MCO des paramétres du modéle [3] donne DCAC, = —0,008447 CAC, + 14,94 + 0,0021031 (2,053) 0) (11) n= 1159 —() =1 empirique. Le coefficient de la droite de tendance n'est pas significativement différent de 0 1,11), on_rejette Vhypothése d’un processus TS et tj, = —2,053 > tae 3,41 (ou n(Gi — 1) = 1159 x —0,008447 = —9,79 > —21,8); on accepte I'hypo- thse HO (valeurs critiques au seuil de 5 %) ; le processus n'est pas stationnaire. estimation par les MCO des paramétres du modéle [2] donne DCAC, = —0,00709 CAC,_; + 13,63 1,805) (1,85) n= 1159 -() =F empirique. 1. Ces tests trés britvement présentés ici doivent faire l'objet d’ une stratégie afin de tester les cas des hypothéses jointes. Cf. Bourbonnais R. et Terraza M., 2010. Eléments d’analyse des séries temporelles @ 253Le terme constant n’est pas significativement différent de 0 (¢* = 1,85), on rejette Phypothése d'un processus DS avec dérive et 5, = —1,805 > fame = —2,86 ; on accepte 'hypothése HO ; le processus n’est pas stationnaire Enfin I'estimation par les MCO des paramétres du modéle (1] donne DCAC, = 0,000174 CAC, (0,536) n= 1159—() =¢ empirique. tg, = 0,536 > fuwie = —1,95, on accepte I'hypothése HO ; le processus n'est pas stationnaire. Le test DFA (avec quatre retards) conduit & des résultats similaires Hypothese HO : CAC posséde une racine unitaire Nombre de retards (minimum du critére de Akaike) = 4 “Test de Dickey-Fuller Augmenté 1 Statistique Probabilité critique Modele [4] 0.46 O81 Modble (5] 2,08 0.27 Modile [6] 2.28 0.44 Les probabilités critiques sont toutes supérieures & 0,05, nous ne rejetons pas I’hy- pothése HO ; nous pouvons donc conclure que le processus CACAO posséde une racine unitaire et n'est donc pas stationnaire. Nous procédons ensuite au test de Phillips-Perron avec une troncature | = 6. Hypothése HO : CAC posséde une racine unitaire ‘Troncature |= 6 Test de Phillips-Perron. {Statistique ajusté __Probabilité critique Modele [1] 0,50 0,82 ‘Modele [2] =1,94 0.31 Modtle (31 2.20 08 Les probabilités critiques sont toutes supérieures & 0,05, nous ne rejetons pas I'hy- pothése HO ; le processus CAC40 posséde une racine unitaire. Enfin, nous procédons aux tests KPSS. Hypothése HO : CAC ne posséde pas une racine unitaire Troneature / = 6 Test de Kwiatkowski-Phillips-Schmidt-Shin LM Statistique Valeur critique & Modéle (2) 2.58 0.46 Modtle [3] 131 0.14 La statistique LM est supérieure & la valeur critique (pour un seuil de $%) pour les deux spécifications, nous rejetons I’hypothése HO, le processus CAC40 posséde done une racine unitaire. Tous les résultats sont convergents, nous pouvons donc conclure que le processus CACAO n'est pas stationnaire. S’agit-il d'un processus de marche au hasard sans dérive ? Nous allons le vérifier en calculant le corélogramme de la série filtrée par les différences premiéres ceci afin de stationnariser le processus DCAC, = CAC, - CAC, , 254 @ ECONOMETRIECorrelogram of DCAC Sample: 1 1180 Included observations: 1189 Autocorrelation Partial Corelation AC PAC Stat i Hl 1 1 0.062 0.062 4.4825 1 i \ 2-0.010 -0014 45772 « " 3 -0.039 -0.038 6.3597 1 1 4 0.059 0.084 10.409 i o 50.015 -0024 19.665 t i 6 -0.020 pote 11.145, i i 70.017 0010 11.483 i t} 8 -0.008 0.012 11.572 0 a 8 0.044 0.046 138 4 4 10 0021 0016 14.247 ' 11 0018 0016 14712 » 12 0.040 0.043 19558 i | i 13-0008 -0018 18.634 q 14 0.051 -0.049 19.652 ‘ 48-0008 0.001 19741 La statistique Q a une probabilité critique de 0,182 (pour k = 15) largement supé- rieure & 0,05 ; nous acceptons I'hypothése HO de nullité des coefficients du corrélogram- me. Le corrélogramme de la série CAC40 filtrée par les différences premiéres est carac- (Gristique d’un bruit blanc. La série CAC40 est donc bien un processus DS sans dérive. S'agit-il d’un bruit blanc gaussien ? Lyhistogramme de la distribution et les valeurs empiriques des Skewness, Kurtosis et de la statistique de Jarque-Bera sont donnés par 300 Series: DCAC Sample 2 1160 250 Observations 1159 200. Mean 0.417204 Median 6.000000 es Maximum 102,700 180 Misimum 1827700 Std. Dev. 20.64858 100 Skewness -0.307497 Kurtosis 6.836446 50 Jarque-Bera 741.2931 Probability 0.000000 o “120” 80 Les tests sont effectués & partir des valeurs lat 0] _ |-0,39-0) Vi Vine = 5,42 > 1,96 Eléments d’analyse des séries temporelles @ 255et v = 26,61 > 1,96 V11s9 Nous rejetons -hypothése de normalité en ce qui concerne la symétrie et I'aplatissement de la distribution, ce qui est confirmé par la statistique de Jarque-Bera JB =741,3 > x¢o5(2) = 5,99. Le processus CACAO en différences est done un bruit blanc non gaussien es modéles ARIMA Nous allons présenter une famille de processus aléatoires qui sont censés recou- vrir une gamme trés large d’évolution possible de séries chronologiques : les processus autorégressifs et les processus de moyenne mobile. ypologie des modéles AR, MA et ARMA 1) Modéle AR (Auto Régressif) a) Formulation Dans le processus autorégressif d’ ordre p, I’observation présente y, est générée par une moyenne pondérée des observations passées jusqu’a la p-iéme période sous la forme suivante : AR): y= Oy be, ARQ): y= O11 + Oda +6 AR(p) 5 yi, = O1Yi-a + Ya HF OpVinp +E (4) 0’ 0;,0,,...,8, sont des parametres a estimer positifs ou négatifs, , est un aléa gaussien, Nous pouvons ajouter a ce processus une constante qui ne modifie en rien les propriétés stochastiques. L’équation [4] peut aussi s’écrire & I’aide de I’ opéra- teur décalage D (1-@,D—6,D? -...-6,D")y, b) Caractéristiques des corrélogrammes Iest démontré que le corrélogramme simple d’un processus AR(p) est caracté- risé par une décroissance géométrique de ses termes de type Pp = Le corrélogramme partiel a ses seuls p premiers termes différents de 0. 256 @ ECONOMETRIE2) Modéle MA (Moving Average : Moyenne Mobile) a) Formulation Dans le processus de moyenne mobile d’ordre q, chaque observation y, est géné- rée par une moyenne pondérée d’ aléas jusqu’a la q-itme période. MAI): y, = 6: — O61 MA(2) : yp = &) — 181-1 — O28) MA(q) = yr = £1 — i624 — e609 — = ying [5] ob o4,04,..- 0 Sont des paramétres pouvant étre positifs ou négatifs et ¢, est un aléa gaussien. L’équation [5] peut aussi s’écrire : (l= a,D —a,D*— Die, = yy Dans ce processus, tout comme dans le modéle auto-régressif AR, les aléas sont supposés tre engendrés par un processus de type bruit blanc. Nous pou- vons interpréter le modéle MA comme étant représentatif d’une série chronolo- gique fluctuant autour de sa moyenne de maniére aléatoire, d’ot le terme de moyenne mobile car celle-ci, en lissant la série, gomme le bruit créé par I’aléa, Test A noter qu’il y a équivalence entre un processus MA(1) et un processus AR d’ordre p infini : MA(I) = AR(oo). b) Caractéristiques des corrélogrammes Le corrélogramme simple d’un processus MA(q) est de la forme générale Ye eet. P= pour k =0,1,....g et p =0 pourk > q, Cest-d-dire que seuls les premiers termes du corrélogramme simple sont significativement différents de 0. Le corrélogramme partiel est caractérisé par une décroissance géométrique des retards. 3) Modéle ARMA (mélange de processus AR et MA) a) Formulation Les modéles ARMA sont done représentatifs d’un processus généré par une combinaison des valeurs passées et des erreurs passées. Ils sont définis par Véquatior Eléments d’analyse des séries temporelles @ 257ARMA(p,q) : (1— 6,D — 6,D? —...— 6,D")y, = = (1-a,D—a,D* -...-a,D%)e, Nous avons : ARMA(1,0) = AR(1); ARMA(, 1) = MA(1). Dans le cas d'un processus ARMA(p, q) avec constante Ye = MAK 1 FOX 2 Ho + OpXtap + Er — ME OnE pg Ton Og Erg M (1-8, -@ — Lespérance du processus est donnée! par E(x,) 3) Done connaissant I’espérance du processus (Eviews calcule directement I’ pérance du processus), la constante du processus ARMA est déterminée par = E(u) x (1-6) —... — 8) b) Caractéristiques des corrélogrammes Les corrélogrammes simples et partiels sont, par voie de conséquence, un mélange des deux corrélogrammes des processus AR et MA purs. Il s'avére ainsi plus délicat d’identifier ces processus & partir de I’étude des fonctions d’autocorrélation empiriques. Le tableau 2 synthétise les caractéristiques, en termes de corrélogrammes, des processus AR, MA ct ARMA. Tableau 2 ~ Résumé des propriétés des fonctions d’autocorrélation simple et partielle Processus | Fonction autocorrélation simple | Fonction autocorrélation partielle AR) Décroissance exponeatielle(@, >0) ou | Pic signticaif pour le premier retard: sinusoidale amore (0, <0) Positif si&, > 0 et négatif si 8, <0, les autres coefficients nuls pour des retards > 1 ARQ) Décroissance exponeatelle ou sinusoi- | Pics signticatifs pour le premier et dale selon les signes de 0, et 0, second retards, les autres coefficients sont nls pour des retards > 2 ARQ) Décroissance exponentielle evou sina- | Pics signifcatfs pour les p premiers soidale retards, les autres coefficients sont nuls pour des retards > p 1, Il suffit de remplacer chaque terme E(x;) = E(e—1) = est stationnaire, E (x12) = = Bip) cat la sérieProcessus | Fonction autocorrélation simple | Fonction autocorrélation partielle MAG) Pic significatif pour le premier retard: | Décroissance exponeatielle (e, > 0) ou posit si cr, 0. | sinusoidale amortie (a, < 0) Les autres coefficients sont muls pour des retards > 1 MAQ) Pics significaifs pou le premier et | Décroissance exponeatielle ou sinusoida- second retard, Les autres coefficients | Ie selon les signes de ar, et sont nuls pour des retards > 2 MAG) Pics signifcatifs pou les g premiers | Décroissance exponentielle eVou sinusoi- retards, Les autres coefficients nuls pout dale des retards > q ARMA(I,1) | Décroissance géométrique & partir du | Décroissance exponentille (r, > 0) ou premier retard, le signe est déterminé | sinusoidale amortie (cr, <0) para, ARMAQ?, @) | Décroissance exponentille ou sinusoi- | Décroissance exponentelle ov sinusoida- dale amortie tonquée apzés (q~p) | le amorti tronquée aprés p— q retards, retards 4) Conditions d'utilisation Les modéles AR, MA, ARMA ne sont représentatifs que de chroniques ~ stationnaires en tendance ; ~ corrigées des variations saisonnitres. extension aux processus ARIMA et SARIMA Les tests de Dickey-Fuller et Dickey-Fuller Augmenté envisagés précédemment permettent de déterminer si la série est stationnaire et dans le cas d'une non- stationnarité de quel type il s’agit : TS ct DS. Si la série étudiée est de type TS, il convient de la stationnariser par régres- sion sur le temps et le résidu d’ estimation est alors étudié selon la méthodologie de Box-Jenkins, Ceci permet de déterminer les ordres p et q des parties AR et MA du résidu. Le mod@le est toujours dans ce cas un ARMA(p, 4). Si la série étudiée est de type DS, il convient de la stationnariser par passa- ge aux différences sclon l’ordre d’intégration [ = d (c’est--dire le nombre de fois qu’il faut différencier la série pour la rendre stationnaire). La série diffé- renciée est alors étudiée selon la méthodologie de Box-Jenkins qui permet de déterminer les ordres p et q des parties AR et MA. On note ce type de modéle ARIMA(p, d,q) Les modéles SARIMA permettent d’intégrer un ordre de différenciation lié a une saisonnalité généralisée par Ja transformation : (1 — D’)y, = y, — yi, 0 5 correspond & la périodicité des données (s = 4 pour une série trimestrielle, s = 12 pour une série mensuelle). Eléments d’analyse des séries temporelles @ 259Exercice n° 2 Génération de processus ARMA et analyse des corrélogrammes On demande de générer sur 200 observations, de manitre artificielle, les processus suivants et den étudier les corrélogrammes. 1) MA(): y, = 24+ (1 4+0,8 D)e, 2) ARC): (1 -0,9 Dy, = 2 + & 3)MAQ): y, = 2+ (1 40,6 D —0,3 D)e, 4) AR(2): (1 -0,9D +0,7 D*)y, =2 + & 5) ARMA(1, 1) : (1 — 0,9 D)y, = 2+ (1 +0,8 D)e, avec &, > N(O; 1). Solution Le programme Eviews (L£,C9EX2,PRG) permettant de générer les processus est dis- ponible en téléchargement. a méthode de Box et Jenkins La partie autorégressive d’un processus, notée AR, est constituée par une com- binaison linéaire finie des valeurs passées du processus. La partie moyenne mobile, notée MA, est constituée d’une combinaison linéaire finie en t des valeurs passées d’un bruit blanc, Wold (1954) montre que les modéles ARMA permettent de représenter la plupart des processus stationnaires. L’ approche de Box et Jenkins (1976) consiste en une méthodologie d’ étude systématique des séries chronologiques a partir de leurs caractéristiques afin de déterminer, dans Ia famille des modéles ARIMA, le plus adapté a représenter le phénoméne étu- dig. Trois étapes principales sont définies. echerche de la représentation adéquate : Videntification! La phase d’identification est la plus importante et la plus difficile : elle consiste 4 déterminer le modéle adéquat dans 1a famille des modéles ARIMA. Elle est 1. Attention : il ne faut pas confondre l'emploi de ce terme avec son utilisation dans le cadre des modeles a équations simultanées. 260 ¢ ECONOMETRIEfondée sur I’étude des corrélogrammes simple et partiel. Nous pouvons essayer d’édicter quelques régles simples facilitant la recherche des paramétres p, d, q du modéle ARIMA. 1) Désaisonnalisation Dans le cas d’une série affectée d’un mouvement saisonnier, il convient de la reti- rer préalablement & tout traitement statistique. Cette saisonnalité est ajoutée 3 la série prévue & la fin du traitement afin d’ obtenir une prévision en terme brut. 2) Recherche de la stationnarité en terme de tendance Si Pétude du corrélogramme simple et les tests statistiques sy rapportant (statis- tique Q) présagent d’une série affectée d’une tendance, il convient d’en étudier les caractéristiques selon les tests de Dickey-Fuller. La méthode d’élimination de la tendance est fonction du processus DS ou TS sous-jacent & la chronique étudiée. Apres stationnarisation, nous pouvons identifier les valeurs des paramétres p,q du modéle ARMA. * Si le corrélogramme simple n’a que ses q premiers termes (q = 3 maximum) différents de 0 et que les termes du corrélogramme partie! diminuent lente- ment, nous pouvons pronostiquer un MA(q) + Si le corrélogramme partiel n’a que ses p premiers termes (p = 3 maximum) différents de 0 et que les termes du corrélogramme simple diminuent lente- ment, cela caractérise un AR(p). + Si les fonctions d’autocorrélation simple et partiel ne paraissent pas tronquées, i s’agit alors d’un processus de type ARMA, dont les paramétres dépendent de la forme particuliére des corrélogrammes. stimation des paramétres Les méthodes d’estimation différent selon le type de processus diagnostiqué. Dans le cas d’un modéle AR(p), nous pouvons appliquer une méthode des moindres carrés (cf. chapitre 7) ou bien nous pouvons utiliser les relations exis- tantes entre les autocorrélations et les coefficients du modéle (€quations de Yule- Walker). L’estimation des paramétres d’un modéle MA(q) s’avére plus complexe. Box et Jenkins suggérent d’utiliser une procédure itérative de type balayage que nous pouvons illustrer de la maniére suivante. Supposons le processus (1 = @,D -6,D*)y, = (1 - aD — @2D*)e, que nous pouvons écrire : Eléments d’analyse des séries temporelles @ 2611 2 »= Topprap Ub -mP ade N $v, = ——_____ ous posons = -—a aE il vient alors : Vy — OV — OVs_2 = & [6] Ce qui nous donne y My U.1 — O2Y-g OY, = Ye FO Y1 OY a Nous pouvons alors initialiser la procédure de balayage en partant de deux intervalles de valeurs plausibles pour (@,;@) et d’un pas d’incrémentation. Puis, pour chaque couple de valeurs @;; @), nous posons : = 0 et 7, = 0, et nous calculons les valeurs estimées de 9, 4 partir de la relation [7] : Aprés calcul de toutes les valeurs de 7, nous estimons les paramétres 8, et 6, par la méthode des moindres carrés appliquée 4 l’équation [6] Y= OY + Oren +E 8] Nous retenons les valeurs 6,, 8, et @, & qui rendent minimum la somme des carrés des résidus issue de la régression de I’équation [8] Cette méthode d’estimation n’est valide que si le nombre de paramatres estimer n'est pas trop important. Nous pouvons mentionner des méthodes d’estimation fondées sur une maxi- misation de fonctions de vraisemblance recourant alors 4 des procédures itéra- tives de régression non linéaire, telles que celles envisagées au chapitre 6. ests d’adéquation du modéle et prévision Les paramétres du modéle étant estimés (on vérifie la convergence de la procé- dure itérative d’ estimation), nous examinons les résultats d’ estimation. * Les coefficients du modéle doivent étre significativement différents de 0 (Ie test du f de Student s’applique de maniére classique). Si un coefficient n’est pas significativement différent de 0, il convient d’envisager une nouvelle spécili- cation éliminant I’ ordre du mod@le AR ou MA non valide, + L’analyse des résidus : siles résidus obéissent a un bruit blane, il ne doit pas exister d’autocorrélation dans la série et les résidus doivent étre homoscédas- tiques. Les tests suivants peuvent étre utilisés,— le test de Durbin Watson, bien qu’il ne permette de détecter que des auto- corrélations d’ ordre 1 ; — les tests de Box et Pierce et de Ljung et Box (cf: I, C de ce chapitre) qui permettent de tester l'ensemble des termes de la fonction d’autocorréla- tion, Si le résidu est & mémoire, cela signifie que la spécification du modé- le est incomplate et qu'il convient d’ajouter au moins un ordre au proces- sus ; — le test ARCH d’hétéroscédasticité (cf. chapitre 5, 11, D) effectué a partir de la fonction d’autocorrélation du résidu au carré, La phase de validation du modéle est trés importante et nécessite le plus sou- vent un retour a la phase d’ identification Lorsque le modéle est validé, la prévision peut alors étre calculée & un hori- zon de quelques périodes, limitées car la variance de l’erreur de prévision croit trds vite avec horizon, Nous pouvons résumer les différentes étapes de la méthodologie de Box et Jenkins & partir du schéma 2. —___ | a ee or | cee Schéma 2 — Les étapes de la méthodologie de Box et Jenkins Eléments d’analyse des séries temporelles @ 263