Analyse des Séries Temporelles

Stationnarité des Séries Temporelles

EL HAMMA Imad

Master : MBFI
FSJES-Salé

April 18, 2024

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 1 / 81
 Concepts Clés / Objectifs

Processus stochastique : Ensemble des variables aléatoires indexées

dans le temps.
Processus stationnaire : Propriétés statistiques constantes dans le
temps.
Processus purement aléatoire : Aucune dépendance prévisible entre
les observations.
Variables intégrées : Séries qui deviennent stationnaires après
différenciation.
Modèles à marche aléatoire : Séries où chaque valeur est un pas
aléatoire par rapport à la précédente.
Test de racine unitaire : Méthode statistique pour tester la présence
de non-stationnarité.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 2 / 81
 Introduction aux Séries Temporelles

Une série temporelle est une réalisation d’un processus stochastique où
chaque donnée est une variable aléatoire. La stationnarité est essentielle
pour l’analyse et l’inférence statistique car elle assure que les propriétés du
processus ne changent pas dans le temps.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 3 / 81
 Introduction aux Séries Temporelles et Processus
Stochastiques
Contexte:
En finance, marketing, et macroéconomie, les données sont
fréquemment analysées comme des séries temporelles.
Une série temporelle est un ensemble d’observations sur un même
phénomène à différents moments.
Nature des données temporelles:
Chaque observation est la réalisation d’une variable aléatoire.
Répéter l’expérience donnerait des réalisations différentes.
L’ensemble de ces réalisations forme un processus stochastique.
Classification des Processus Stochastiques:
Processus stationnaires : L’espérance et la variance sont constantes,
et les covariances dépendent uniquement de l’écart temporel.
Processus non stationnaires : Ne respectent pas ces conditions. Ils
peuvent être déterministes ou stochastiques (processus intégrés, à
racine unitaire).
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 4 / 81
 L’Importance de la Stationnarité
Pourquoi est-ce important ?
La théorie statistique classique en économétrie suppose que les
données sont stationnaires.
Les techniques d’inférence statistique standard dépendent de cette
hypothèse.
Défis posés par les données économiques :
De nombreuses séries économiques, comme le PIB, la consommation
et le niveau des prix, montrent des tendances et ne sont pas
stationnaires.
Ces caractéristiques empêchent leur analyse directe avec des
méthodes statistiques traditionnelles.
Rendre les séries stationnaires :
Souvent, la stationnarité peut être obtenue par différenciation ou
d’autres transformations simples.
Ces techniques permettent de stabiliser la moyenne et la variance des
séries au fil du temps.
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 5 / 81
 Implications de la Non-Stationnarité et Autocovariance

Implications de la Non-Stationnarité en Régression MCO:

Utilisation de variables non stationnaires → R-ajusté élevé, DW faible.
Indique une forte autocorrélation, souvent due à des variables omises
ou à une mauvaise spécification du modèle.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 6 / 81
 Définition de la Stationnarité

Définition
Une série temporelle est dite stationnaire si ses propriétés statistiques, telles que la
moyenne, la variance et l’autocorrélation, restent constantes dans le temps.

Types de Stationnarité
Stationnarité stricte : Tous les moments de toutes les ordres (moyenne, variance,
skewness, kurtosis, etc.) restent invariants dans le temps.
Stationnarité faible (du second ordre) : oyenne et variance constantes avec une
fonction d’autocorrélation qui dépend uniquement du décalage temporel, et non du
temps spécifique t.

Importance en modélisation
De nombreux modèles statistiques et méthodes d’inférence sont basés sur l’hypothèse de
stationnarité. Si une série est non-stationnaire, elle peut nécessiter une transformation,
comme la différenciation, pour devenir stationnaire avant qu’une analyse ou une
prévision puisse être réalisée de manière fiable.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 7 / 81
 Stationnarité au Second Ordre : Formalisation

Un processus stochastique {Yt } est dit stationnaire au second ordre si,

pour tout temps t et décalage τ , les conditions suivantes sont remplies :
E [Yt ] = µ est constant (indépendant de t)
Var (Yt ) = E [(Yt − µ)2 ] = σ 2 est constant (indépendant de t)
Cov (Yt , Yt+τ ) = E [(Yt − µ)(Yt+τ − µ)] dépend uniquement de τ et
non des temps spécifiques t ou t + τ

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 8 / 81
 Stationnarité

Si yt est une série temporelle stationnaire, alors pour tout s, la distribution

de (yt , . . . , yt+s ) ne dépend pas de t.
Une série stationnaire est :
à peu près horizontale
à variance constante
et aucun pattern prévisible à long terme

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 9 / 81
 Non-stationnarité dans la moyenne

Identification des séries non-stationnaires :

Méthode graphique
Interprétation visuelle de la série temporelle
Interprétation visuelle à l’aide de l’Autocorrélation (ACF)
Interprétation visuelle à l’aide de l’Autocorrélation Partielle (PACF)
Approche analytique
Calcul des caractéristiques statistiques : moyenne, variance, covariance
Tests statistiques
Test de Dickey-Fuller augmenté (ADF) pour tester la présence d’une
racine unitaire
Test KPSS pour tester la stationnarité autour d’une tendance
Test de Phillips-Perron (PP) comme alternative à l’ADF

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 10 / 81
 Détection de la non-stationnarité :
Interprétation visuelle de la série temporelle

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 11 / 81
 Introduction à la Détection de la Non-Stationnarité

La détection de la non-stationnarité est cruciale car elle permet

d’identifier les séries temporelles qui nécessitent des transformations
ou des modélisations spécifiques pour une analyse précise.
La méthode graphique, facile à appliquer et visuellement intuitive, est
l’une des premières étapes pour évaluer la stationnarité d’une série.
Elle s’appuie sur l’observation de graphiques tels que le tracé de la
série temporelle et l’autocorrélogramme.
Interprétation visuelle : Recherchez des tendances à la hausse ou à
la baisse, des saisons répétitives, ou des changements dans la variance
(par exemple, des périodes de forte volatilité suivies de périodes plus
stables).

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 12 / 81
 Exemple : Nombre de grèves aux Etats-Unis de 1951 à
1980

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 13 / 81
 Exemple : Production mensuelle d’électricité australienne:
Jan 1956 - Aug 1995

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 14 / 81
 Exemple : Différence Dow-Jones sur 251 jours de bourse
se terminant le 26 août 1994

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 15 / 81
 Exemple : Dow-Jones sur 251 jours de bourse se terminant
le 26 août 1994

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 16 / 81
 Détection de la non-stationnarité :
Autocorrélation (ACF) et Autocorrélation Partielle (PACF)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 17 / 81
 Fonction d’autocovariance

Fonction d’Autocovariance :
Mesure la dépendance linéaire entre deux valeurs d’une série
temporelle à différents temps.

Formulation
La fonction d’autocovariance pour un délai h est donnée par :

γh = γ(h) = cov (Yt , Yt−h ) = E [(Yt − E [Yt ])(Yt−h − E [Yt−h ])]

Pour un processus stationnaire, on a les propriétés suivantes :

γt = var (Yt ) = σY2 ≥ 0

γ(h) = γ(−h)
|γk | ≤ γ0

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 18 / 81
 Formulation

Explication
La fonction d’autocovariance pour un délai h, notée γh ou simplement
γ(h), mesure la covariance entre deux observations du processus séparées
par un délai h. Elle est définie comme la covariance entre Yt et Yt−h , où
Yt est la variable aléatoire à l’instant t.
Pour un processus stationnaire, la fonction d’autocovariance présente
plusieurs propriétés importantes :
γt = var(Yt ) = σY2 ≥ 0, ce qui signifie que la variance est constante
et égale à σY2 pour tout t.
Symétrie par rapport à zéro : γ(h) = γ(−h). Cela signifie que la
fonction d’autocovariance est symétrique par rapport à l’origine.
Inégalité de la décroissance : |γk | ≤ γ0 pour tout k. Cela signifie que
les autocovariances décroissent en valeur absolue à mesure que le
délai k augmente.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 19 / 81
 Fonction d’Autocorrélation (ACF)
Fonction d’Autocorrélation (ACF):
Mesure la corrélation relative entre deux valeurs d’une série
temporelle à différents temps.
Formulation
La fonction d’autocorrélation pour un délai h est donnée par :

γh cov (Yt , Yt−h )

ρh = =
γ0 var (Yt )

où γh est l’autocovariance au délai h et γ0 est la variance de Yt .

Pour un processus stationnaire, on a les propriétés suivantes :

ρ0 = 1

ρ(h) = ρ(−h)
|ρh | ≤ 1
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 20 / 81
 Comportement de l’ACF selon la Stationnarité
Observations Clés sur l’ACF:
Données Stationnaires:
L’ACF tombe à zéro rapidement.
Cela indique une perte rapide de corrélation à mesure que l’intervalle
de temps augmente.
Données Non Stationnaires:
L’ACF diminue lentement.
Pour les données non stationnaires, la valeur de ρ1 (l’autocorrélation au
premier décalage) est souvent grande.
Cela peut indiquer la présence de tendances ou de cycles persistants.

Importance
Ces caractéristiques de l’ACF aident à diagnostiquer la nature stationnaire
ou non stationnaire des séries temporelles. Une compréhension précise de
ces comportements est cruciale pour la modélisation appropriée des séries
temporelles.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 21 / 81
 Exemple Numérique: Calcul de l’ACF

Données Fictives
Considérons la série temporelle suivante:

Y = {3, 5, 8, 12, 9}

Calcul de la Moyenne
3 + 5 + 8 + 12 + 9
µ= = 7.4
5
Commentaire: La moyenne est le premier calcul nécessaire pour standardiser les données
autour de leur centre.

Calcul de la Variance
(−4.4)2 + (−2.4)2 + (0.6)2 + (4.6)2 + (1.6)2
σ2 = = 9.84
5
Commentaire: La variance mesure la dispersion des valeurs de la série autour de la
moyenne.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 22 / 81
 Exemple Numérique: Calcul de l’ACF (suite)

Calcul de l’Autocorrélation pour h = 1

(−4.4)(−2.4) + (−2.4)(0.6) + (0.6)(4.6) + (4.6)(1.6)
Cov(Yt , Yt+1 ) = = 4.81
4
4.81
ACF1 = ≈ 0.489
9.84
Conclusion: À h = 1, l’ACF montre une corrélation positive modérée, indiquant une
certaine dépendance linéaire entre les observations consécutives.

Calcul de l’Autocorrélation pour h = 2

(−4.4)(0.6) + (−2.4)(4.6) + (0.6)(1.6)
Cov(Yt , Yt+2 ) = = −4.24
3
−4.24
ACF2 = ≈ −0.431
9.84
Conclusion: À h = 2, l’ACF montre une corrélation négative significative, suggérant que
des valeurs alternées dans la série sont négativement corrélées.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 23 / 81
 Exemple Numérique: Calcul de l’ACF (suite)

Conclusion sur la Stationnarité

Si l’ACF tombe rapidement vers zéro, cela suggère une stationnarité.
Ici, l’ACF pour h = 1 est modérément élevée, et pour h = 2, elle
devient négative, indiquant une décroissance significative.
Cette tendance de l’ACF suggère que la série pourrait être
stationnaire, mais des tests supplémentaires comme le test ADF
pourraient être nécessaires pour une conclusion définitive.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 24 / 81
 Exercice 2

Yt est un processus MA(1) tel que: Yt = Zt + θZt−2

Avec Zt est variable indépendante et identiquement distribuée avec
E(Zt )=0 et V(Zt )=σ 2
1 Déterminer la fonction d’autocovariance et la fonction
d’autocorrélation.
Y1 +Y2 +Y3 +Y4
2 Déterminer la variance de la moyenne suivante : 4

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 25 / 81
 Détection de la
Non-Stationnarité
Correlogramme:
Autocorrélation (ACF) et Autocorrélation Partielle (PACF)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 26 / 81
 Exemple : Nombre de grèves aux Etats-Unis de 1951 à
1980

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 27 / 81
 Exemple : Nombre de grèves aux Etats-Unis de 1951 à
1980 (ACF)

Interprétation
La décrue nnon rapide des barres dans le graphique de l’ACF suggère une non
stationnarité, confirmant l’existance de dépendance à long terme.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 28 / 81
 Exemple : Production mensuelle d’électricité australienne:
Jan 1956 - Aug 1995

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 29 / 81
 Exemple : Production mensuelle d’électricité australienne:
Jan 1956 - Aug 1995 (ACF)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 30 / 81
 Exemple : Dow-Jones sur 251 jours de bourse se terminant
le 26 août 1994

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 31 / 81
 Exemple : Dow-Jones sur 251 jours de bourse se terminant
le 26 août 1994

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 32 / 81
 Exemple : Différence Dow-Jones sur 251 jours de bourse
se terminant le 26 août 1994

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 33 / 81
 Fonction d’Autocorrélation Partielle (PACF)
Fonction d’Autocorrélation Partielle (PACF):
Mesure la corrélation entre deux valeurs d’une série temporelle à
différents temps, après avoir éliminé l’influence des autres valeurs
intermédiaires.
Cruciale pour identifier l’ordre d’un modèle autorégressif (AR) dans
les modèles ARIMA.
Formulation
La fonction d’autocorrélation partielle pour un délai h est donnée par :

αh = PACF(h) = cor(Yt , Yt−h |Yt−1 , . . . , Yt−h+1 )

Interprétation
Un pic significatif dans le PACF au lag h indique un terme AR de l’ordre h
dans le modèle. La PACF se coupe après le dernier terme significatif pour
un processus AR.
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 34 / 81
 Exemple Numérique: Calcul de la PACF

Simulation et Calcul
Supposons que la série temporelle est déjà définie:

Y = {3, 5, 8, 12, 9}

Utilisation d’un outil statistique pour calculer la PACF

Visualisation de la PACF
Le correlogramme partielle montre clairement jusqu’à quel délai les données sont
significativement corrélées, après quoi les autocorrélations partielles tombent à zéro ou
deviennent insignifiantes.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 35 / 81
 Comportement de la PACF selon la Stationnarité

Observations Clés sur la PACF

Données Stationnaires:
La PACF montre un ou plusieurs pics nets avant de tomber rapidement
vers zéro.
Données Non Stationnaires:
La PACF peut montrer des décroissances lentes ou des pics persistants
au-delà de lags attendus pour un modèle AR.

Importance
La PACF aide à confirmer la structure AR des séries temporelles, facilitant
ainsi une modélisation précise et efficace.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 36 / 81
 Calcul de l’ACF avec R

Code R pour l’ACF

# Simulation d’une série temporelle stationnaire
set.seed(123)
stationary_ts <- arima.sim(model=list(ar=c(0.6)), n=100)

# Calcul de l’ACF
acf(stationary_ts, main="ACF pour une série stationnaire")

Interprétation
La décrue rapide des barres dans le graphique de l’ACF suggère une
stationnarité, confirmant l’absence de dépendance à long terme.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 37 / 81
 Application à une Série Non Stationnaire

Code R pour une série non stationnaire

# Simulation d’une série non stationnaire
set.seed(123)
non_stationary_ts <- cumsum(rnorm(100))

# Calcul de l’ACF
acf(non_stationary_ts, main="ACF pour une série non stationnai

Interprétation
L’ACF diminue lentement, indiquant la présence de racines unitaires ou de
tendances, typique des séries non stationnaires.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 38 / 81
 Simulation et Visualisation en R

Code R pour la Simulation et la Visualisation

# Définir le germe pour la reproductibilité
set.seed(123)

# Simuler une série temporelle avec un modèle AR(1)

ts_data <- arima.sim(n = 100, model = list(ar = 0.5))

# Sauvegarder le graphique ACF

png("acf_plot.png", width = 800, height = 600)
acf(ts_data, main = "Correlogramme ACF", lag.max = 30)
dev.off() # Fermer le périphérique graphique pour ACF

# Sauvegarder le graphique PACF

png("pacf_plot.png", width = 800, height = 600)
pacf(ts_data, main = "Correlogramme PACF", lag.max = 30)
dev.off() # Fermer le périphérique graphique pour PACF

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 39 / 81
 Détection de la non-stationnarité :
Approche analytique
Calcul des caractéristiques statistiques : moyenne, variance,
covariance

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 40 / 81
 Rappel

Une série {Yt } est dit stationnaire au second ordre si, pour tout temps t
et décalage τ , les conditions suivantes sont remplies :
La moyenne : E [Yt ] = µ est constant (indépendant de t)
La variance : Var (Yt ) = E [(Yt − µ)2 ] = σ 2 est constant
(indépendant de t)
La covariance : Cov (Yt , Yt+τ ) = E [(Yt − µ)(Yt+τ − µ)] dépend
uniquement de τ et non des temps spécifiques t ou t + τ

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 41 / 81
 Exercice 1

Lequel des processus suivants est stationnaire au second degré ?

1 Yt = a + bZt + cZt−2
2 Yt = a + bZ0
3 Yt = Z0 × cos(ct)
4 Yt = Zt Zt−1
Avec Zt est variable indépendante et identiquement distribuée avec
E(Zt )=0 et V(Zt )=σ 2

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 42 / 81
 Correction

Yt = a + bZt + cZt−2 Avec Zt est variable indépendante et identiquement

distribuée avec E(Zt )=0 et V(Zt )=σ 2

E [Yt ] = E [a + bZt + cZt−2 ] = a + bE [Zt ] + cE [Zt−2 ] = a

avec E [Zt ] = 0.

V(Yt ) = E [(bZt + cZt−2 )2 ] = E [b 2 Zt2 + 2bcZt Zt−2 + c 2 Zt−2

2
]

avec Zt et Zt−2 sont independent et E [Zt Zt−2 ] = 0:

V(Yt ) = b 2 E [Zt2 ] + c 2 E [Zt−2

2
] = b2 σ2 + c 2 σ2

ainsi:
V(Yt ) = (b 2 + c 2 )σ 2

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 43 / 81
 Correction (suite)

Cov(Yt , Yt+h ) = E [(Yt − E (Yt ))(Yt+h − E (Yt+h ))]

Cov(Yt , Yt+h ) = E [(bZt + cZt−2 )(bZt+h + cZt+h−2 )]
En développant ce produit, nous trouvons :

Cov(Yt , Yt+h ) = b 2 E [Zt Zt+h ] + bcE [Zt Zt+h−2 ]

+ bcE[Zt−2 Zt+h ] + c 2 E [Zt−2 Zt+h−2 ]

En utilisant l’indépendance des variables Zt , les termes croisés où les
indices ne sont pas égaux seront nuls, sauf si h = 0 ou h = ±2. Par
conséquent :

2 2 2
(b + c )σ si h = 0

Cov(Yt , Yt+h ) = bcσ 2 si h = ±2

0 sinon


EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 44 / 81
 Correction (suite)

L’espérance et la variance de Yt ainsi la covariance Cov(Yt , Yt+h ) ne

dépendent pas du temps t, ce qui indique que {Yt } est stationnaire au
second degré.
De plus, si Yt est une combinaison linéaire de variables normales, {Yt } est
également multivariée normale. La stationnarité au second degré (faible)
combinée à la normalité implique la stationnarité forte.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 45 / 81
 Exercice 2

Yt est un processus MA(1) tel que: Yt = Zt + θZt−2

Avec Zt est variable indépendante et identiquement distribuée avec
E(Zt )=0 et V(Zt )=σ 2
1 Déterminer la fonction d’autocovariance et la fonction
d’autocorrélation.
Y1 +Y2 +Y3 +Y4
2 Déterminer la variance de la moyenne suivante : 4

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 46 / 81
 Détection de la non-stationnarité :
Tests statistiques
Test de racine unitaire

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 47 / 81
 Un modèle autorégressif (AR)
Définition :
Un modèle autorégressif (AR) est un modèle de régression pour les
séries temporelles où la variable d’intérêt est expliquée par ses propres
valeurs décalées.
Il capture la dépendance entre une observation et un nombre
arbitraire de ses valeurs antérieures.
Modèle AR(p) :
On définit un bruit blanc {εt } où εt ∼ N(0, σ 2 ).
Le modèle autorégressif d’ordre p est donné par l’équation :

Yt = µ + θ1 Yt−1 + θ2 Yt−2 + · · · + θp Yt−p + εt ∀t ∈ Z

Note :
µ est la constante du modèle.
θ1 , θ2 , . . . , θp sont les paramètres du modèle correspondant à
l’influence des p valeurs passées.
εt est le terme d’erreur à l’instant t, représentant le bruit blanc.
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 48 / 81
 Concept de Différenciation

Différencier une série temporelle aide à stabiliser la moyenne, ce qui

est crucial pour atteindre la stationnarité.
La série différenciée représente le changement entre chaque
observation consécutive de la série originale.

Y ′ = ∆Yt = Yt − Yt−1
Lorsque la série Yt devient stationnaire après une différentiation, on
parle alors d’une série intégrée.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 49 / 81
 Différenciation du Second Ordre

La différenciation du second ordre est utilisée lorsque la première

différenciation ne suffit pas à rendre la série stationnaire.
Elle implique de différencier la série différenciée une fois de plus:

Y ′′ = ∆2 Yt = ∆(∆Yt ) = (Yt − Yt−1 ) − (Yt−1 − Yt−2 )

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 50 / 81
 Différenciation Saisonnière

La différenciation saisonnière est utilisée pour éliminer les variations

saisonnières dans les séries qui présentent une saisonnalité.
Elle se réalise en différenciant la série à un intervalle saisonnier:

∆s Yt = Yt − Yt−s

Où s est la périodicité de la saison.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 51 / 81
 Processus TS et DS

TS (Stationnaire au sens large) : Processus où la moyenne et la

variance ne dépendent pas du temps.
DS (Différence Stationnaire) : Processus qui devient stationnaire
après certaines différenciations.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 52 / 81
 Pure Marche Aléatoire et Marche Aléatoire avec Dérive

Pure Marche Aléatoire: Modèle simple où chaque valeur est

simplement la valeur précédente plus un bruit aléatoire:

Yt = Yt−1 + ϵt

Marche Aléatoire avec Dérive: Ajoute un terme de dérive constant

au modèle de marche aléatoire:

Yt = δ + Yt−1 + ϵt

Où δ est la dérive.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 53 / 81
 Introduction aux Tests de Racine Unitaire

Les tests de racine unitaire sont utilisés pour déterminer si une série
temporelle possède une racine unitaire, indiquant une
non-stationnarité.
Une série avec une racine unitaire est typiquement caractérisée par
une variance croissante et une moyenne non constante au fil du temps.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 54 / 81
 Pourquoi les Tests de Racine Unitaire sont Importants ?

Identifier la non-stationnarité est crucial pour le choix correct des

modèles prédictifs en séries temporelles.
Un modèle inapproprié pour une série non stationnaire peut conduire
à des conclusions erronées et des prévisions peu fiables.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 55 / 81
 Tests de Racine Unitaire Communs

Test de Dickey-Fuller Augmenté (ADF): Teste l’hypothèse nulle

qu’une série possède une racine unitaire.
Test Phillips-Perron (PP): Variation du test ADF qui est plus
robuste aux structures de dépendance et de variance hétérogène dans
les données de séries temporelles.
Test KPSS (Kwiatkowski-Phillips-Schmidt-Shin): Teste
l’hypothèse nulle de stationnarité autour d’une tendance déterministe.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 56 / 81
 Exemple Pratique: Application du Test ADF

Scenario
Supposons que nous avons une série temporelle des prix du marché et nous
voulons tester si elle est stationnaire ou non.

Application du Test ADF

Le test est réalisé en ajustant un modèle AR aux données et en
évaluant la signification du retard le plus élevé.
Le résultat du test ADF indiquera si nous rejetons ou non l’hypothèse
nulle de la présence d’une racine unitaire.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 57 / 81
 Interprétation des Résultats et Implications

Interprétation
Si le test rejette l’hypothèse nulle, la série est considérée comme
stationnaire. Sinon, des différenciations supplémentaires peuvent être
nécessaires.

Implications pour la Modélisation

La détection de non-stationnarité aide à choisir entre intégrer, différencier
ou transformer les données avant la modélisation.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 58 / 81
 Origine de la Racine Unitaire: Le Modèle de Marche
Aléatoire
Définition d’un Processus de Marche Aléatoire
Un processus de marche aléatoire peut être décrit par l’équation suivante:

Yt = Yt−1 + ϵt

où ϵt est un terme d’erreur, souvent supposé i.i.d. avec une moyenne zéro et une
variance constante.

Implication d’une Racine Unitaire

En réarrangeant l’équation, nous obtenons:

(1 − L)Yt = ϵt

où L est l’opérateur de retard (Lag operator) tel que LYt = Yt−1 . L’équation
caractéristique associée est:
1−λ=0
où λ est la valeur de L. La solution de cette équation est λ = 1, indiquant une racine
unitaire.
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 59 / 81
 Conséquences de la Présence d’une Racine Unitaire

Conséquences d’une Racine Unitaire

La présence d’une racine unitaire dans un processus implique que la série est
non-stationnaire :
La série présente une dépendance de longue durée aux valeurs passées.
Les chocs (perturbations) ont un effet permanent, causant une variation dans la
série qui persiste indéfiniment.

Importance des Tests de Racine Unitaire

Identifier la présence d’une racine unitaire est crucial pour choisir les techniques
appropriées de modélisation et de prévision.
Des tests comme le Dickey-Fuller Augmenté (ADF) sont utilisés pour tester la
présence de racines unitaires dans les données de séries temporelles.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 60 / 81
 Test Dickey-Fuller Augmenté (ADF)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 61 / 81
 Introduction aux Tests de Dickey-Fuller Augmentés

Les tests ADF sont une extension du test de Dickey-Fuller pour les
séries temporelles qui peuvent présenter une autocorrélation1 .
Ils permettent de déterminer si une série possède une racine unitaire,
ce qui est un indicateur de non-stationnarité.

1
L’autocorrélation est une mesure statistique qui exprime le degré de corrélation
entre les valeurs d’une même série temporelle pour différents décalages temporels.
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 62 / 81
 Le Modèle Autorégressif d’Ordre p

Avant d’appliquer les tests ADF, il est important de comprendre le

modèle autorégressif qui sous-tend la série temporelle étudiée.
Les tests ADF sont basés sur un modèle autorégressif où l’on teste la
signification du coefficient lié au terme Yt−1 .
Un modèle autorégressif d’ordre p (AR(p)) peut être exprimé comme
suit :
Yt = α1 Yt−1 + α2 Yt−2 + · · · + αp Yt−p + ϵt

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 63 / 81
 Transition vers les Hypothèses ADF

Du Modèle AR(p) au Test ADF

Après avoir identifié la structure autorégressive d’une série temporelle,
nous utilisons le test ADF pour tester la présence d’une racine unitaire. Ce
test évalue si les corrélations dans les données sont le résultat de la
non-stationnarité plutôt que de véritables relations autorégressives.

Importance du Test ADF

En évaluant la signification du terme de retard dans le modèle AR(p), le
test ADF nous aide à distinguer entre la stationnarité et la persistance dans
les séries temporelles. C’est une étape clé pour assurer que les modèles de
prévision que nous construisons sont basés sur des relations stables.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 64 / 81
 Persistance dans les Séries Temporelles

Qu’est-ce que la Persistance?

La persistance fait référence à la tendance d’une série temporelle à être
influencée par ses valeurs passées sur le long terme. Les chocs subis par la
série ont des effets durables.

Racine Unitaire et Persistance

Une série avec racine unitaire est un exemple classique de persistance, où
les effets des chocs ne s’estompent pas et peuvent dériver indéfiniment de
la tendance.

Persistance en Économie et Finance

En économie, la persistance peut indiquer des phénomènes tels que
l’ajustement lent des prix ou des attentes, et peut être interprétée comme
un indicateur d’efficience ou d’inertie sur les marchés financiers.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 65 / 81
 Hypothèses des Tests ADF
Modèle sans constante ni tendance:
p−1
X
∆Yt = πYt−1 + ϕj ∆Yt−j + ϵt
j=1

Modèle avec constante:

p−1
X
∆Yt = c + πYt−1 + ϕj ∆Yt−j + ϵt
j=1

Modèle avec constante et tendance:

p−1
X
∆Yt = c + βt + πYt−1 + ϕj ∆Yt−j + ϵt
j=1

Note
L’hypothèse nulle dans chaque cas est que π = 0, ce qui indique la
présence d’une racine unitaire.
EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 66 / 81
 Choix du Modèle ADF

On commence par le modèle le plus général (avec constante et

tendance) et on teste la racine unitaire.
Si l’hypothèse nulle est rejetée, le modèle est suffisant; sinon, on teste
un modèle moins général.
Il est important de choisir le ”bon” modèle pour éviter des erreurs de
diagnostic sur la stationnarité.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 67 / 81
 Stratégie de Test ADF

Appliquer le test ADF en utilisant les seuils appropriés pour le modèle

choisi.
Si nécessaire, effectuer des tests supplémentaires pour confirmer que
le modèle est correct.
Utiliser des critères d’information comme le AIC ou le BIC pour
déterminer l’ordre p du modèle autorégressif.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 68 / 81
 Interprétation des Résultats ADF

Racine Unitaire
Si on ne peut pas rejeter l’hypothèse nulle, la série est considérée comme
ayant une racine unitaire, donc non-stationnaire.

Pas de Racine Unitaire

Si l’hypothèse nulle est rejetée, la série est considérée comme stationnaire,
et aucun processus de différenciation n’est nécessaire.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 69 / 81
 Conclusion

La compréhension des tests ADF est essentielle pour l’analyse

correcte des séries temporelles.
Ces tests sont un préalable à la modélisation appropriée et à la
prévision des séries temporelles en finance et en économie.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 70 / 81
 Application du Test Dickey-Fuller
Augmenté (ADF) sur des données réelles

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 71 / 81
 Préparation des Données

# Charger les bibliothèques nécessaires

library(readxl)
library(tseries)

# Lire les données depuis un fichier Excel

data <- read_excel("chemin/vers/votre/fichier/CAC40B.XLS")

# Convertir la colonne "CAC" en série temporelle

CAC40B <- ts(data$CAC)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 72 / 81
 Visualisation de la Série Temporelle et Fonctions
d’Autocorrélation

# Tracer la série temporelle

plot(CAC40B, type = "l", col = "blue", main = "CAC40 Prix",
xlab = "Temps", ylab = "Prix")

# Afficher l’autocorrélation (AC)

acf(CAC40B, main = "Fonction d’Autocorrélation pour CAC40")

# Afficher l’autocorrélation partielle (PAC)

pacf(CAC40B, main = "Fonction d’Autocorrélation Partielle
pour CAC40")

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 73 / 81
 Visualisation de la Série Temporelle et Fonctions
d’Autocorrélation

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 74 / 81
 Visualisation de la Série Temporelle et Fonctions
d’Autocorrélation

Figure: À gauche: Fonction d’Autocorrélation (AC). À droite: Fonction

d’Autocorrélation Partielle (PAC)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 75 / 81
 Application du Test ADF sur Différents Modèles

# Modèle avec constante et tendance

adf_test_trend <- ur.df(CAC40B, type = "trend", lags = k, selectlags = "AIC
summary(adf_test_trend)

# Modèle avec constante uniquement

adf_test_drift <- ur.df(CAC40B, type = "drift", lags = k, selectlags = "AIC
summary(adf_test_drift)

# Modèle sans constante ni tendance

adf_test_none <- ur.df(CAC40B, type = "none", lags = k, selectlags = "AIC")
summary(adf_test_none)

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 76 / 81
 Test ADF : Modèle avec constante et tendance

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 77 / 81
 Test ADF : Modèle avec constante uniquement

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 78 / 81
 Test ADF : Modèle sans constante ni tendance :

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 79 / 81
 Sélection du Modèle pour le Test ADF

Critères de Sélection du Modèle

Avant de réaliser le test ADF, il est crucial de choisir le modèle adapté basé sur les
caractéristiques de la série temporelle :
Avec tendance et constante : Choisissez ce modèle si la série montre une
tendance claire et une variation autour d’une moyenne qui elle-même évolue avec
le temps.
Avec constante uniquement : Utilisez ce modèle si la série fluctue autour d’une
moyenne stable sans présenter de tendance évolutive.
Sans constante ni tendance : Optez pour ce modèle si la série semble osciller
autour de zéro sans moyenne stable ni tendance.

Test Progressif
Commencez par le modèle le plus complet (avec tendance et constante). Si l’hypothèse
nulle du test ADF est rejetée, il n’est pas nécessaire de simplifier le modèle. Sinon,
testez des modèles plus simples progressivement.

EL HAMMA Imad (Master : MBFI FSJES-Salé) Analyse des Séries Temporelles April 18, 2024 80 / 81
 Règle de Décision pour les Tests ADF
Interprétation des Résultats
La valeur de la statistique du test (par exemple, -2.2266 pour le modèle avec tendance)
est comparée aux valeurs critiques pour des niveaux de signification donnés (1%, 5%,
10%). Si la valeur du test est inférieure à la valeur critique à un niveau donné, on rejette
l’hypothèse nulle de présence d’une racine unitaire.

Exemples de Règle de Décision

Modèle avec tendance: Si la valeur de la statistique de test est plus négative que
-3.41 (valeur critique à 5%), alors on rejette l’hypothèse nulle de racine unitaire,
indiquant que la série est stationnaire avec une tendance.
Modèle avec constante uniquement: Si la valeur de la statistique de test est
plus négative que -2.86 (valeur critique à 5%), on rejette l’hypothèse nulle,
indiquant que la série est stationnaire autour d’une moyenne.
Modèle sans constante ni tendance: Si la valeur de la statistique de test est plus
négative que -1.95 (valeur critique à 5%), on rejette l’hypothèse nulle, indiquant
que la série est stationnaire.

Conclusion
EL HAMMA Imad (Master
La sélection : MBFI FSJES-Salé)
du modèle approprié Analyse des Séries Temporelles
et l’interprétation des résultats sontApril 18, 2024 pour
cruciales 81 / 81