« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

ANALYSE CONJONCTURELLE ET
ANALYSE STATISTIQUE DES
FLUCTUATIONS

1
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

2
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

AVANT-PROPOS
L’analyse conjoncturelle constitue une discipline et une pratique du statisticien-économiste,
dont les objectifs se situent à trois niveaux distincts et complémentaires :
• diagnostic de l’état présent de l’économie ;
• analyse des facteurs explicatifs des fluctuations de l’économie ;
• prévision de l’économie à un horizon relativement court, et ceci tant à un niveau agrégé
que sectoriel.

Les travaux et méthodes développés par le conjoncturiste et le prévisionniste doivent donc

être resitués par rapport à chacun des trois niveaux d’analyse suivants :
• le diagnostic de l’état présent de l’économie, qui conduit à la publication régulière de
tableaux de bord de l’économie. La confection et l’élaboration de ces tableaux de bord
reposent sur la description de l’économie et de ses évolutions infra-annuelles, et donc en
amont sur une bonne connaissance du système statistique. Il est usuel, notamment en
référence à la pratique développée au sein de l’administration économique française, de
distinguer deux types d’information conjoncturelle : d’une part, l’information quantitative
et objective (indices conjoncturels, comptes trimestriels) ; d’autre part, l’information
qualitative et subjective ( les enquêtes de conjoncture) ;
• l’analyse statistique des fluctuations repose sur la connaissance des séries temporelles et
de leur traitement, notamment pour dégager des composantes cycliques et tendancielles de
l’économie, quantifier l’importance respective des chocs de court et long terme, ou encore
analyser la volatilité de certains indices ou agrégats tels que les prix, le taux de change et
les taux d’intérêt ;
• la prévision économique à court terme nécessite de mobiliser des outils nombreux et
variés. Ainsi, la place qu’occupent les modèles macro-économiques doit d’abord être
précisée, notamment par rapport à l’horizon de la prévision. Puis, les objectifs de la
modélisation macro-économique ayant été précisés, les différents types de modélisation
possibles sont présentés et discutés : modélisation Tableau Entrée-Sortie (TES),
modélisation macroéconométrique structurelle et modèles Vectoriels AutoRégressifs
(VAR).

Ces trois dimensions de l’analyse conjoncturelle et de la prévision macroéconomique sont

successivement développées dans les trois documents qui suivent :
• Analyse conjoncturelle et description de l’économie ;
• Analyse conjoncturelle et analyse statistique des fluctuations ;
• Analyse conjoncturelle et prévision économique.

3
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Analyse conjoncturelle et analyse statistique des fluctuations________________________ 1

Avant-propos_______________________________________________________________ 3
Chapitre 1 : Mesures empiriques du cycle et faits stylisés ___________________________ 6
I/ Le cycle économique __________________________________________________________ 6
I.1/ Cycles classiques et cycles de croissance ________________________________________________ 6
I.2/ La recherche de faits stylisés _________________________________________________________ 8
I.3/ Le cycle et la politique budgétaire ____________________________________________________ 12
II/ Les mesures empiriques du cycle à partir de moyennes mobiles _____________________ 14
II.1/ Quelques notations et définitions ____________________________________________________ 14
II.2/ Les moyennes mobiles arithmétiques _________________________________________________ 14
II.3/ La méthode de la tendance par les moyennes de phase ____________________________________ 16
II.4/ Le filtre de Hodrick-Prescott ________________________________________________________ 20
III/ Le filtre passe-bande________________________________________________________ 26
III.1/ La méthodologie du filtre passe-bande idéal ___________________________________________ 26
III.2/ Approximation finie du filtre passe-bande idéal ________________________________________ 27
Bibliographie _________________________________________________________________ 31
Annexe 1 : Exercices corrigés ____________________________________________________ 33
Chapitre 2 : Les modélisations univariées des fluctuations _________________________ 37
I/ Stationnarité en différence ou autour d'une tendance déterministe ? _________________ 37
I.1 / Les modèles de marche aléatoire _____________________________________________________ 37
I.2/ Les tests de Dickey et Fuller augmentés________________________________________________ 38
I.3/ Quelles alternatives à l’hypothèse de racine unitaire ? _____________________________________ 39
II/ La composante permanente de Beveridge et Nelson _______________________________ 41
II.1/ La décomposition de Beveridge et Nelson _____________________________________________ 41
II.2/ Exemple : le pib français ___________________________________________________________ 43
III/ Les mesures de persistance___________________________________________________ 44
IV/ Racines unitaires et ruptures déterministes _____________________________________ 47
IV.a/ Le modèle additive outlier _________________________________________________________ 47
IV.b/ Le modèle innovative outlier _______________________________________________________ 47
IV.c/ Une analyse séquentielle __________________________________________________________ 48
IV.d/ Une approche “encompassing” _____________________________________________________ 48
V/ Les modèles à composantes inobservables ou modèles de Harvey ____________________ 49
V.1/ Les différents modèles de la tendance_________________________________________________ 49
V.2/ La modélisation de la composante cyclique ____________________________________________ 50
VI/ La modélisation du cycle par Stock et Watson___________________________________ 51
Bibliographie _________________________________________________________________ 52
Annexe 1 : Exercices corrigés ____________________________________________________ 54
Annexe 2 : Equivalence de différentes mesures de la persistance _______________________ 56
Annexe 3 : Tabulation de Dickey-Fuller (1981) _____________________________________ 58
Annexe 4 : Le modèle de Stock et Watson__________________________________________ 59
Chapitre 3 : Les modélisations multivariées des fluctuations _______________________ 60
I/ Les modèles VAR et la description de l’économie__________________________________ 60
I.1/ L'apport des modèles VAR à l’analyse des fluctuations____________________________________ 61
I.2/ Innovations et études des chocs ______________________________________________________ 62

4
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

II/ Les modèles VAR et la théorie économique ______________________________________ 66

II.1/ Le problème général de l'identification ________________________________________________ 67
II.2/ Application à l’interprétation des fluctuations macroéconomiques___________________________ 68
II.3/ Contraintes structurelles sur le long terme _____________________________________________ 69
II.4/ Les modèles à tendance commune ___________________________________________________ 71
Bibliographie _________________________________________________________________ 74
Chapitre 4 : Ce qu’un conjoncturiste doit connaître en séries temporelles_____________ 75
I/ Les moyennes mobiles ________________________________________________________ 75
II/ Analyse spectrale univariée ___________________________________________________ 77
III/ Analyse spectrale multivariée ________________________________________________ 80
IV/ Application de l'analyse spectrale _____________________________________________ 82
V /Rappels sur les modèles ARIMA_______________________________________________ 85
Bibliographie _________________________________________________________________ 87

5
 « Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

CHAPITRE 1 : MESURES EMPIRIQUES DU CYCLE ET FAITS STYLISES

I/ Le cycle économique

I.1/ Cycles classiques et cycles de croissance

Qu'est-ce qu'un cycle économique ? A cette question, la réponse apportée par Burns et
Mitchell (1946) constitue aujourd'hui encore la principale référence1. Trois éléments
permettent ainsi de définir un cycle économique, ou encore cycle des affaires, selon ces deux
économistes :
• un cycle correspond à des fluctuations, dont l’origine s’explique par le fonctionnement
décentralisé des économies de marché ;
• un cycle concerne l'ensemble des activités de production et sa dimension est
fondamentalement macroéconomique ;
• un cycle est caractérisé par une succession d'expansions (booms) et de récessions
(slumps). Cette alternance de pics et de creux n’est pas définie par une périodicité
régulière. La durée d’un cycle, et de ses phases ascendante et descendante, peuvent varier
considérablement, de six à trente deux trimestres selon Burns et Mitchell : les points de
retournement qui y sont associés ne constituent donc pas une chronique régulière. Ainsi
défini, le cycle économique constitue avant tout une récurrence de phases d’expansion et
de contraction.

Figure 1 : Prix du Café

250

200
Cents EU la livre

150

100

50

0
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998

CAFE

1 "Business cycles are a type of fluctuation found in the aggregate economic activity of nations that organize
their work mainly in business enterprises : a cycle consists of expansions occuring at about the same time in
many economic activities, followed by similar general recessions, contractions and revivals which merge into the
expansion of the next cycle : this sequence of changes is recurrent but not periodic; in duration business cycles
vary from more than one year to ten or twelve years; they are not divisible into shorter cycles of similar caracter
with amplitudes approximing their ones" (Burns et Mitchel 1946).

6
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

A partir de cette définition générale, deux approches peuvent être retenues pour identifier le
cycle :
• Dans la première, dite du « cycle classique », les pics et les creux sont analysés à partir du
niveau de la série initiale en niveau. Un pic d’un agrégat y t est alors défini comme
l’observation de la date t qui vérifie : y t > y + pour k= 1,...,K . De façon symétrique, un
t k
−

creux est défini comme l’observation de la date t qui vérifie : y t < y + pour
t k
−

k=1 ,…,K. La plage K est généralement fixée à cinq pour des données mensuelles et à
deux pour des données trimestrielles. Cette approche des cycles est dite classique car elle
l’alternance des pics et des creux définit des phases au cours desquels l’agrégat diminue
ou augmente (cf. figure 1). C’est cette méthode que le NBER emploie pour dater les
cycles économiques aux Etats-Unis2.
• L’approche classique est inadaptée lorsque la série ne connaît pas de baisse ou de hausse
significative mais seulement des périodes de ralentissement suivies de périodes
d’accélération (cf. figure 2). Les cycles portent alors sur des « cycles de croissance » et
doivent être analysés sur la composante cyclique de l’agrégat initial. Pour cela, on
suppose qu'une série peut être décomposée en trois composantes :
y t = t t + ct + i t
tendance cycle irregulier

La composante cyclique ct est obtenue par filtrage. Les méthodes les plus usuelles
consistent à appliquer des moyennes mobiles, des lissages exponentiels, le filtre dit de
Hodrick et Prescott ou encore un filtre de type passe bande3. La datation des pics et des
creux est alors établie en une seconde étape à partir de la composante cyclique extraite.

2 Cf. le site internet www.nber.org

3 Pass band en anglais.

7
 « Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 2 : Prix à la consommation en France

450

400

350

300
Base 100 1970

250

200

150

100

50

0
1

#N 3

?
Q

M
63

63

64

65

66

66

67

68

69

69

70

71

72

72

73

74

75

75

76

77

78

78

79

80

81

81

82

83

84

84

85

O
P31V0T6

I.2/ La recherche de faits stylisés

Les études empiriques sur les fluctuations macroéconomiques portent d’abord sur la mise en
évidence des régularités dans l’évolution et la dynamique des principaux agrégats
macroéconomiques, ou encore faits stylisés. Cette recherche de faits stylisés constitue en fait
un préalable à :
• la vérification empirique des modèles théoriques. Par exemple, la connaissance de la
dynamique de l’inflation et de l’activité permet de distinguer l’importance relative des chocs
d’offre et de demande, et donc d’apprécier la pertinence des modèles théoriques ;
• l’établissement d’un diagnostic conjoncturel. Par exemple, des mesures telles que
l’amplitude et la durée moyennes des cycles permettent d’enrichir le diagnostic sur l’état
présent de l’économie ;
• la modélisation macroéconomique appliquée. L’impact des déséquilibres sur la
dynamique macroéconomique peut être intégrée dans la modélisation du comportement des
agents. Par exemple, la reprise de l’investissement précède-t-elle celle de la demande, comme
on peut le déduire d’une modélisation théorique de type accélérateur de l’investissement ?
• la prévision. L’étude des indicateurs avancés de l’économie s’appuie généralement sur
les principaux faits stylisés mis évidence. Par exemple, la pentification de la courbe des taux
devance-t-elle le ralentissement économique ?
Pour établir ces faits stylisés, il est usuel d’établir en une première étape une chronique des
pics et des creux de l’économie, puis en une seconde étape de caractériser ces fluctuations.
Différentes mesures peuvent être retenues4 :

4 La chronique des pics et des creux est établie sur l’agrégat en niveau si on retient une approche « cycle
classique », sur la composante cyclique si l’on retient une approche « cycle de croissance ».

8
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

I.2.a/ Quelques mesures statistiques pour caractériser les fluctuations

Pour étudier les fluctuations caractéristiques d’un agrégat macroéconomique, les mesures
statistiques les plus fréquemment utilisées sont les suivantes :
• La durée du cycle, des phases ascendantes (creux-pic) et des phases descendantes (pic-
creux);
• L’amplitude moyenne par mois des différentes phases5 ;
• L’amplitude maximale des phases ascendante et descendante ;
• La skewness. Elle constitue une mesure d’asymétrie du cycle et est définie par :
(µ 3 )2
, où µ i = E (x − Ex )
i
(µ 2 )3

Sous l’hypothèse d’une distribution symétrique, la skewness vaut zéro. Une variable dont
la skewness est négative (respectivement positive) prend souvent (respectivement moins
souvent) des valeurs inférieures à la moyenne.
• La kurtosis. Elle constitue une mesure de concentration de la distribution autour de sa
moyenne et est définie par :
µ4
, où µ i = E (x − Ex )
i
(µ 2 ) 2

Pour une loi normale, la kurtosis vaut trois. Une kurtosis supérieure à trois caractérise une
distribution de type leptokurtique (« pointue »), une kurtosis inférieure à trois une
distribution platkurtique (« plate »).

Les caractéristiques de durée et d’amplitude varient d'un cycle à l'autre. L’amplitude et les
durées médianes constituent alors des indicateurs pertinents pour caractériser le cycle
économique général et resituer les caractéristiques idiosyncratiques d’un cycle en particulier.
Les études appliquées sont nombreuses et, parmi les thèmes qui ont été analysés récemment,
on peut citer les fluctuations des matières premières (Cashin, Mc Dermott et Scott 1999) et
les fluctuations de l’économie australienne (Cashin et Ouliaris 2001), etc.

5 L’amplitude est généralement mesurée en pourcentage du niveau tendanciel de l’agrégat étudié.

9
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Tableau 1 : Le cycle de la production industrielle au Maroc (période 1980-2000)

Cycle Phase d'expansion Phase de contraction
N° Cycle Datation Durée en Amplitude Kurtosis Skewness Durée Amplitude Amplitude Ecart pic- Durée en Amplitude Amplitude Ecart pic-
trimestres moyenne moyenne maximale creux trimestres moyenne maximale creux
Creux Pic Creux
Cycle 1 80 T4 82 T2 83 T4 12 -0,02 -0,46 -0,14 6 -0,02 -0,20 0,34 6 0,00 0,14 0,24
Cycle 2 83 T4 85 T3 86 T1 9 -0,01 -0,75 -0,79 7 0,00 -0,10 0,16 2 -0,01 -0,10 0,15
Cycle 3 86 T1 86 T3 87 T3 6 -0,06 3,73 1,84 2 -0,02 -0,10 0,18 4 -0,05 -0,12 0,20
Cycle 4 87 T3 88 T2 89 T2 7 -0,02 0,57 -1,03 3 -0,01 -0,12 0,21 4 -0,01 -0,21 0,30
Cycle 5 89 T2 90 T2 91 T1 7 -0,01 -0,08 -0,48 4 -0,02 -0,21 0,34 3 0,03 0,14 0,23
Cycle 6 91 T1 92 T1 93 T4 11 0,03 -0,96 0,08 4 0,07 0,21 0,30 7 0,03 0,21 0,35
Cycle 7 93 T4 94 T2 96 T1 9 -0,05 -0,81 -0,46 2 -0,05 -0,14 0,17 7 -0,04 -0,16 0,19
Cycle 8 96 T1 96 T3 97 T4 7 -0,03 2,34 -1,67 2 -0,05 -0,16 0,18 5 -0,01 -0,09 0,11
Cycle 9 97 T4 98 T4 99 T3 7 0,01 -0,29 -0,38 4 0,00 0,09 0,17 3 0,04 0,09 0,13
Médiane 7 -0,02 4 -0,02 -0,12 4 -0,01 -0,09
Ecart-Type 2,06 0,03 1,79 0,04 0,14 1,81 0,03 0,15
Source : Koumtingue F., « Faits stylisés sur la croissance au Maroc », ENSEA

10
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

I.2.b/ Les caractéristiques multivariées des fluctuations

La dynamique macroéconomique est étudiée en référence au cycle d’un agrégat, dit cycle de
référence6. L’analyse porte alors sur le caractère avancé, synchrone ou retardé des autres
agrégats macroéconomiques par rapport à ce cycle de référence. Fréquente pour les pays
industriels, ce type d’analyse reste embryonnaire dans les pays en développement. On peut
noter toutefois quelques études récentes, notamment Agénor, Mc Dermott et Prasad (1998)7.
Les principaux résultats que ces auteurs ont pu établir sont les suivants :
• Les fluctuations économiques de la majorité des pays sont procycliques avec l’activité des
principaux pays industriels. Cette influence est toutefois faible ;
• Les dépenses publiques sont contracycliques (Chili, Corée, Mexique et Philippines) ;
• Les recettes publiques sont contracycliques (Colombie, Corée, Philippines et Uruguay) ;
• L’évolution des prix est contracyclique, ce qui souligne l’importance des chocs d’offre ;
• La monnaie, et aussi les agrégats de crédit intérieur, sont procycliques ;
• La vitesse de circulation de la monnaie est contracyclique ;
• Les termes de l’échange sont procycliques.

Dans la suite, on note y tc la composante cyclique de l’agrégat de référence y t , le plus

souvent la production industrielle, et xtc la composante cyclique de l’agrégat xt . Cet agrégat
sera dit :
• procyclique si ρ (xtc , y tc ) > 0
• acyclique si ρ (xtc , y tc ) = 0
• contracyclique si ρ (xtc , y tc ) < 0

Les notions d’indicateurs avancés, synchrones et coïncidents du cycle de référence sont

également définies comme suit :
• xt indicateur avancé de j périodes ⇔ j est tel que Max ρ (xtc− j , y tc )
• xt indicateur synchrone de j périodes ⇔ j=0 est tel que Max ρ (xtc− j , y tc )
• xt indicateur retardé de j est tel que Max ρ (xtc+ j , y tc )

Dermott et Scott (2000) ont également défini une mesure, dite mesure de concordance. Cette
mesure est en fait définie comme la probabilité que deux agrégats connaissent une même
évolution. Parce qu’elle porte sur le taux de croissance des agrégats, cette mesure est plutôt
retenue dans l’étude des cycles classiques. A partir des notation suivantes :
S ty = 1 si l’agrégat y t augmente, 0 sinon
S tx = 1 si l’agrégat xt augmente, 0 sinon
la mesure de concordance C y , x entre les agrégats y t et xt est donc définie :
S ty S tx + (1 − S ty )(1 − S tx )
C y,x = C x, y =
T
Plus cette mesure est élevée, plus les agrégats y t et xt sont concordants.

6 Dans le cas des pays industriels, le cycle de référence est le plus souvent établi à partir de l’indice de la
production industrielle.
7 Il s’agit du Chili, de la Colombie, de l’Inde, de la Coré, de la Malaisie, du Mexique, du Maroc, du Nigéria, des
Philippines, de la Tunisie, de la Turquie et de l’Uruguay.

11
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

I.3/ Le cycle et la politique budgétaire

I.3.a/ Composantes conjoncturelle et discrétionnaire, pourquoi ?

Le solde budgétaire de l’Etat est sensible à l’environnement économique. Ainsi, les recettes
fiscales dépendent non seulement des taux en vigueur mais aussi du niveau de l’activité qui
détermine l’assiette imposable des agents économiques (revenu des ménages et bénéfice des
entreprises). Des fluctuations transitoires de l’économie de son sentier de croissance
conduisent à des variations temporaires des recettes et des dépenses : un niveau élevé des
recettes peut s’expliquer par le niveau soutenu de l’activité et contribuer à masquer des
déficits structurels. Pour juger de l’orientation de la politique budgétaire, il apparaît donc
nécessaire de distinguer la composante qui relève de l’environnement économique et celle qui
s’explique par la politique économique de l’Etat (niveau de la fiscalité, etc). La première
composante du déficit budgétaire est appelée composante conjoncturelle et la seconde
composante structurelle, ou encore discrétionnaire. Cette dernière est donc définie par le
déficit qui devrait être observé, compte tenu de la politique en vigueur, si le produit intérieur
brut se maintenait à son niveau normal.

Figure 2 : Déficits effectifs et structurels au Danemark

4,0

3,0

2,0

1,0
en % du PIB

0,0
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

-1,0

-2,0

-3,0

-4,0

déficit structurel déficit budgétaire

Source : OCDE, données historiques jusqu’en 2000 ;prévisions pour la période

2001-2003

12
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Cette décomposition du solde en une composante structurelle et une composante

conjoncturelle permet d’abord de juger de l’orientation fondamentale de la politique
budgétaire :
• D’abord, le diagnostic selon qu’il porte sur le solde structurel ou le solde effectif.
Dans le cas du Danemark (cf. figure 3), le déficit apparent des années 1990-1996
masque en fait une position structurelle favorable.
• Ensuite, la composante structurelle peut constituer un indicateur avancé des déficits
futurs. Les excédents structurels des années 1990 à 1996 précèdent les excédents
effectifs apparus à partir de 1997 à la faveur d’une conjoncture plus favorable.

Le déficit discrétionnaire constitue ainsi un indicateur budgétaire pertinent pour assurer une
discipline budgétaire de moyen terme, corrigé des effets du cycle.

I.3.b/ Composantes conjoncturelle et discrétionnaire, comment ?

Les méthodes de décomposition du déficit budgétaire procèdent généralement en deux

étapes (Cf. Chouraqui , Hagemman. and Sartor 1990) :
Première étape : évaluation du PIB potentiel y t* et de l’écart conjoncturel
gap t = (y t* − y t ) y t
Deuxième étape : évaluation des recettes et dépenses structurelles
Les recettes structurelles sont évaluées par grande catégorie d’impôts I i*,t . L’élasticité des
impôts au PIB est appliquée à l’écart conjoncturel pour obtenir les recettes structurelles I i ,t .
I i*,t = I i ,t (1 + ε i gap t )
L’influence de la conjoncture sur les dépenses est également étudiée pour les dépenses de
transferts, notamment l’indemnisation du chômage Dt :
Dt* = Dt Nairu t tchot

I.3.c/ Composantes conjoncturelle et discrétionnaire, les limites

L’élasticité des impôts par rapport est supposée constante. Cependant, les réformes fiscales
peuvent toutefois modifier les élasticités et perdent de leur pertinence pour les études
prospectives.

Parmi les dépenses qui font l’objet d’une décomposition, seules figurent les dépenses de
transfert, notamment les indemnités chômage. Sont absentes les dépenses d’intérêt au titre de
la dette publique. Celles-ci peuvent connaître des fluctuations temporaires parallèle à celles
des taux d’intérêt.

En tant qu’indicateur de l’orientation de la politique budgétaire à moyen terme, la composante

structurelle du déficit budgétaire doit être utilisée avec précaution. En effet, dans la mesure où
dans les approches présentées ci-dessus les dépenses structurelles apparaissent résiduelles, ces
éléments ne sont pas pris en compte. L’évolution de certaines dépenses publiques
s’expliquent par des déterminants démographiques : dans les pays industriels, vieillissement
de la population et dépenses de retraite.

13
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Enfin, dans des pays où des règles institutionnelles contraignent les autorités publiques à
l’équilibre budgétaire, les variations de déficit structurel compensent celles du déficit
conjoncturel. Doit-on pour autant en conclure que la politique budgétaire est pro-cyclique ou
que le jeu des stabilisateurs automatiques est nul (cf. Hagemann 1999) ?

II/ Les mesures empiriques du cycle à partir de moyennes mobiles

L’application de moyennes mobiles constitue une première méthode simple d’extraction de la

composante cyclique. L’analyse de leurs propriétés permet d’expliciter leurs principales
limites, notamment l’hypothèse sous-jacente d’une durée fixe du cycle. Aussi, quelques
rappels sur la modélisation de séries exactement périodiques constituent un préalable
nécessaires à l’étude des moyennes arithmétiques.

II.1/ Quelques notations et définitions

Un cycle peut être écrit par sa représentation trigonométrique d'un cycle ct :

ct = R cos(ωt + θ )
Ici, le cycle varie entre la valeur maximale R et la valeur minimale -R. La périodicité du cycle
2π
est et la fréquence ω représente le nombre de cycle pendant une période 2π 8. Une telle
ω
représentation suppose un cycle symétrique ( c π = − ct )9.
t−
ω
II.2/ Les moyennes mobiles arithmétiques

Pour filtrer le cycle d'une série, on peut d'abord penser à appliquer une moyenne mobile
arithmétique d'ordre 2m+1 : celle-ci permet en effet de conserver les tendances déterministes,
réduit au minimum la composante irrégulière et annule les composantes périodiques de
période 2m+110,11. Cependant, les cycles économiques que l'on souhaite modéliser peuvent
1 m −1
également être de période paire. La moyenne mobile ∑ yt −i permet également de filtrer
2m i =− m
les cycles de période paire 2m. Cependant, elle n'est pas centrée. On retient donc la moyenne
mobile suivante pour annuler les cycles d'une série et dégager une tendance :

 β
(
8L'écriture c = R cos ωt + θ ) est équivalente à c t = α cos(ωt ) + β sin(ωt ) avec R = α + β
2 2
et θ = arctan −

.
α
t

  π 
π = R cos ω  t −  + α  = c t .
9On a en effet : c
t−
ω
  
ω 
10Dans la première étape de la méthode PAT (cf. infra), c'est cette moyenne mobile qui est retenue.
11 Par exemple, Monique Fouet (1993) retient une moyenne mobile de vingt et un trimestres.

14
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

1  1 m −1 1 m 
M (yt ) =  ∑ y t −i + ∑ y t −i 
2  2m i = − m 2m i = − m +1 
1 1 1 
=  y t − m + y t − m +1 + ... + y t + m −1 + y t + m 
2m  2 2 
M ( y t ) représente la moyenne (ou la tendance) et l’écart cyclique est donc calculé comme le
yt
rapport .
M ( yt )
Cette approche par les moyennes mobiles de type arithmétique rencontre des limites
certaines :
• elle suppose connue la durée du cycle ;
• appliquée à une série non cyclique, elle peut engendrer une cyclicité fictive (effet de
Slutsky-Yule, cf. chapitre 4) ;
• la composante cyclique et la tendance extraites à partir d'une moyenne
mobile arithmétiques sont tronquées aux extrémités. Par exemple, l’application d’une
moyenne mobile d’ordre 2m+1 conduit à éliminer m points au début et à la fin de la série
initiale.
Si les deux premières limites peuvent apparaître théoriques, la troisième a des conséquences
pratiques non négligeables : l’observation du cycle ou de la tendance n’est pas possible sur la
période récente, celle qui justement intéresse le plus le prévisionniste ! Leur évaluation sur la
période récente n'est en fait possible que si l'on dispose déjà d'une prévision de la série brute
sur m périodes futures. C'est en fait cette prévision qui va déterminer la décomposition de la
série entre tendance et cycle pour les m dernières observations connues (cf. figure 3). Par
exemple, un conjoncturiste cherche à évaluer l'ampleur du cycle alors que l'économie sort de
récession. Pour cela, il doit extrapoler les derniers points connus du PIB et peut, dans un
scénario optimiste, retenir des prévisions marquant un retour progressif au rythme tendanciel
antérieur de l'économie (cf. figure 3, tendance Ta). Toutefois, si la croissance potentielle de
l'économie s'est au contraire infléchie au cours du dernier cycle, cette prévision conduit à
surévaluer la composante cyclique : la tendance réalisée est Tb, contre la tendance prévue Ta
(cf. figure 3). L’écart conjoncturel est ainsi surévalué parce que la tendance a été sous-
évaluée. Le conjoncturiste diagnostique à tort une économie devenue plus cyclique :
l'amplification apparente des phases du cycle est alors la conséquence d'un fléchissement de la
tendance mal pris en compte dans les prévisions.

15
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 3 : Prévision et amplitude du cycle

Prévision

Ta
Réalisation

Tb

Dernière observation connue

II.3/ La méthode de la tendance par les moyennes de phase

La méthode de calcul de la tendance par les moyennes de phase (Phase Average Trend en
anglais, ou encore PAT) suppose que les mouvements cycliques influencent la tendance et
que la tendance affecte également le cycle. La tendance est alors modélisée par une fonction
en escalier, constante sur chaque période du cycle. Les cycles sont eux-mêmes déterminés par
une analyse empirique des points hauts et bas. Plus précisément, la méthode peut être
décomposée en quatre étapes :
• première étape : première évaluation et extrapolation de la tendance par calcul de l'écart à
la tendance ;
• deuxième étape : correction pour points extrêmes de l'écart à la tendance ;
• troisième étape : identification des points de retournement ;
• quatrième étape : nouvelle évaluation de la tendance (Phase Average Trend).

On appelle y t la série initiale. Cette série est déjà corrigée des variations saisonnières. Elle
doit également être extrapolée en début et fin de période pour que la tendance puisse être
calculée12.

12On retient en début de période le coefficient multiplicateur (mensualisé) correspondant au rapport de la

moyenne de y t sur les soixante quinze premiers mois à la moyenne de y t sur les soixante quinze premiers mois
commençant deux ans plus tard. En fin de période, on retient le coefficient multiplicateur (mensualisé)
correspondant au rapport de la moyenne de y t sur les soixante quinze premiers mois à la moyenne de y t sur
les soixante quinze premiers mois comnençant deux ans plus tôt.

16
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Au cours de la première étape, une moyenne mobile arithmétique de 75 mois est appliquée
afin d'obtenir une première évaluation de la tendance de long terme. A la première étape, il y
a présomption d'un cycle d'une durée de six ans et trois mois. On note c1t l'écart entre la série
y t et la moyenne mobile MA75( y t ) , première évaluation de la composante cyclique :
c1nt = y t − MA75( y t )
Cette première évaluation de la composante cyclique intègre également la composante
irrégulière.

La deuxième étape consiste à corriger la série c1t des points extrêmes. Afin d'éliminer
d'éventuels points extrêmes, on applique à la série c1t la moyenne mobile de Spencer,
composée de moyennes mobiles arithmétiques d'ordre 4 et 5. La série ainsi obtenue, notée
SP(c1,t ) , a permis de lisser une première fois la composante irrégulière et peut être assimilée
à une première évaluation de la composante cyclique. On peut donc calculer à ce stade un
indicateur de régularité, dit MCD13. Cet indicateur est le premier entier n pour lequel la valeur
moyenne de la valeur absolue des taux de croissance des composantes cycliques sur n mois
1 SP(c1,t )
(= ∑ − 1 ) est plus élevée que la moyenne de la valeur absolue des taux de
T SP(c1,t − n )
croissance de la composante irrégulière. L'irrégulier est défini par c1,t − SP(c1,t ) 14.
On peut ainsi corriger la série c1,t de l'irrégulier par la règle suivante : la valeur c1,t est
remplacée par la moyenne mobile SP(c1t ) si la valeur absolue de l'irrégulier apparaît
supérieure à sa moyenne d'un multiple de son écart type15 :
c1c,t = c1,t si ( ) (
c1,t − SP(c1,t ) > moy c1,t − SP(c1,t ) + ασ c1,t − SP(c1,t ) . )
On obtient ainsi la série c1,c t , qui constitue également une évaluation de la composante
cyclique corrigée des points extrêmes.

La troisième étape permet de sélectionner une chronique des points de retournement. Pour
obtenir une évaluation des points de retournement qui ne soit pas trop sensible à la méthode
de décomposition tendance-cycle, on retient cinq évaluations de la composante cyclique : la
moyenne arithmétique de c1,c t sur douze mois, notée MA12(c1c,t ) , la moyenne de Spencer de la
série corrigée des points extrêmes, notée SP(c1c,t ) , la moyenne arithmétique d'ordre MCD
appliquée à la série c1,t , notée MAMCD(c1,t ) et la série c1,t elle-même :
• détection des points de retournement potentiels à partir de MA12(c1,t ) .Le pic
(respectivement le creux) constitue le point haut (respectivement bas) sur un intervalle de
plus ou moins cinq mois. On parle de Potential Turning Points (PTP) ;
• détection des points de retournement correspondants (Corresponding Turning Points, ou
CTP) sur la courbe de la série SP(c1c,t ) . On retient alors comme pic (respectivement
creux) le point extrême sur un intervalle de plus ou moins cinq mois autour du pic
(respectivement) de la chronique des PTP. On élimine a priori les points de retournement
créant des cycles de moins de quinze mois ;

13De l’anglais Month Cycle Dominance.

14Cetindicateur est borné par 6 en pratique.
15L'OCDE retient un multiple de 3,.5.

17
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

• itération à partir de la chronique des CTP sur la série MAMCD(c1,t ) , ce qui permet
d'identifier de nouveaux points de retournement correspondants (notés CTP') ;
• itération à partir de la chronique des CTP' sur la série c1c,t des écarts à la tendance. On
retient alors comme pic (respectivement creux) le point extrême sur un intervalle de plus
ou moins max(MCD,4) mois autour du pic (respectivement) de la chronique des CTP'16.
On élimine les points de retournement créant des phases inférieures à cinq mois ou des
cycles inférieurs à quinze mois. Les points de retournement provisoires (Tentative
Turning Points, notés TTP) sont ainsi évalués.

La quatrième étape consiste à évaluer la tendance à partir des TTP par la méthode des
moyennes de phase. Pour obtenir une tendance relativement souple, l'OCDE calcule la
tendance phase après phase (cf. figure 2) :
• la composante irrégulière de la série est éliminée en calculant pour chaque phase la valeur
moyenne de la série initiale, que l'on notera PA par la suite ;
• la valeur de moyenne de phase (alternance de creux et pic sur la figure 1) a alors deux
composantes : la composante cyclique et la tendance. On applique donc une moyenne
mobile d'ordre trois aux valeurs moyennes de phase pour approximer la tendance. On
obtient ainsi le triplet, dont la valeur est assignée à la date médiane des trois phases
consécutives17 (cf. points A et B sur la figure 2). La période séparant deux dates
médianes est appelée segment. On note un segment [mi , mi +1 ] (cf. mp1 et mp2 sur la
figure 2) ;
• on calcule alors la pente moyenne des triplets sur chaque segment, ce qui constitue une
deuxième estimation de la tendance, beaucoup plus souple. Le taux de croissance de la
tendance est donc constant sur chaque segment : Tt = y i pour t ∈[mi , mi +1 ] ;
• enfin, le niveau de la tendance estimée précédemment est ajusté de façon à trouver le
niveau moyen de la série initiale y t sur chaque segment :

∑ (y )
mi + 1
t ∈[mi , mi +1 ] ;
1
Tt = y +
i
− yi pour
mi +1 − mi
t
mi

• le triplet ne peut être calculé en fin de période. Il est donc extrapolé par régression linéaire
sur l'intervalle dernier triplet - fin de série ;
• une moyenne mobile d'ordre douze est appliquée au niveau de la tendance, afin de lisser
les

16Onélimine les points de retournement intervenant au cours des six mois initiaux ou terminaux.
17Midpoints en anglais.

18
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 4 : La méthode de la tendance par la moyenne des phases

tendance sur le segment mp1,mp2

moyenne de phase
. B
A.
moyenne de phase

c p mp1 c mp2 p c
segment 1

L'apport de la méthode PAT est de permettre l'identification de cycles de durée variable,

éventuellement asymétriques. Cette méthode par rapport à de simples moyennes mobiles
permet de prendre en compte des cycles de durée variable. Elle permet aussi sur le passé de
prendre en compte des points d'inflexion de la tendance plus rapidement. Les caractéristiques
des cycles (durée du cycle, amplitude) apparaissent alors plus fiables. Cette méthode permet
donc de repérer des faits stylisés, qui pourront être modélisés en une seconde étape. Les
résultats obtenus pour les cycles de la production industrielle en France et aux Etats-Unis sont
présentés dans les tableaux 1 et 2. Les cycles sont en général d'une durée variable. En
particulier, le dernier cycle de la production industrielle apparaît relativement long en France,
plus de dix ans. L'asymétrie du cycle, avec des phases descendantes plus brèves, est
prononcée aux Etats-Unis.

La méthode PAT rencontre cependant certaines limites. D'abord, elle tend à dégager un
nombre important de points de retournement, ce qui a conduit en pratique l'OCDE à
distinguer des cycles mineurs et majeurs. Enfin, les points terminaux sont susceptibles de
révision importante car leur évaluation repose sur des extrapolations ad hoc.

19
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Tableau 2 : Chronique des cycles de la production industrielle en France

Creux/pic Dates Phase Phase
ascendante descendante
C1/S1 -/63M3 - -
C2/S2 64M1/65M1 10 12
C3/S3 66M7/67M10 18 15
C4/S4 68M11/71M5 13 30
C5/S5 74M8/75M5 39 9
C6/S6 76M9/77M12 16 15
C7/S7 79M7/85M1 19 66
C8/S8 90M7/- 66 -
Durée moyenne - 25,9- 24,5
Source : Artis M.J, Bladen-Hovelle R.C, Zang W : "Les points de retournement du cycle
conjoncturel international" Revue de l'OCDE N°24, 1995/I

Tableau 3 : Chronique des cycles de la production industrielle aux Etats-Unis

Creux/pic Dates Phase Phase
ascendante descendante
C1/S1 61M12/62M12 - 12
C2/S2 63M5/64M10 5 17
C3/S3 66M10/67M7 24 9
C4/S4 69M3/70M11 20 20
C5/S5 73M10/75M3 35 17
C6/S6 79M3/80M7 48 16
C7/S7 81M7/82M12 12 17
C8/S8 84M7/86M6 19 23
C9/S9 89M3/91M4 33 25
Durée moyenne - 24,5 17,3
Source : Artis M.J, Bladen-Hovelle R.C, Zang W : "Les points de retournement du cycle
conjoncturel international" Revue de l'OCDE N°24, 1995/I

II.4/ Le filtre de Hodrick-Prescott

II.4.a/ Le principe du filtre de Hodrick-Prescott

Hodrick-Prescott ont proposé de décomposer une série y t en composante cyclique et

tendance par le programme de minimisation suivant :
T T −1
min ∑ ( yi − τ i ) 2 + λ ∑ (∆τ i +1 − ∆τ i )
2

τ
i =1 i =2
Dans ce programme, τ t est la tendance de la série et λ un paramètre ad hoc, qui sera
expliqué par la suite. Le filtre de Hodrick-Prescott revient donc à minimiser une pondération
de la somme des carrés de la composante cyclique et de la somme des carrés des accélérations
de la tendance. Le premier terme correspond en fait à la variance de la composante cyclique et
à une mesure de la souplesse de la tendance. Le coefficient λ mesure l'importance relative
que l'on accorde à la souplesse de la tendance par rapport à l'ampleur des cycles. Plus le
coefficient λ est faible, plus la tendance sera souple. Plus le coefficient λ est élevé, moins la
tendance sera souple. Deux cas extrêmes peuvent être distingués :

20
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

• si le coefficient λ est infiniment grand, la tendance est une fonction affine du temps :
∆τ i = ∆τ i −1 ⇒ τ i = a + bi .
• si le coefficient λ est nul, la tendance est identifiée à la série initiale ( yi = τ i ).

Depuis les premiers travaux de Hodrick-Prescott, on retient souvent la valeur 1600pour le

paramètre λ sur des données trimestrielles. Dans ce cas, un écart cyclique de 5% est
équivalent à une variation du taux de croissance tendancielle de 1/8 % (Danthine et Girardin
1989)18. La valeur de 14400 est fréquemment retenue pour des données mensuelles, de 400
pour des données semestrielles, de 100 pour des données annuelles (cf. Economie et
prévision N°298/ 1996-8).

Le programme de minimisation peut s'écrire sous forme matricielle :

min( y − τ ) ( y − τ ) + λτ ' M ' Mτ
'
τ

1 − 2 1 
avec M =   . . . 
(T − 2 ,T ) 
 1 − 2 1
Les conditions de premier ordre donnent donc :
−2( y − τ ) + 2λM ' Mτ = 0 τ = ( I T + λM ' M ) y
−1
soit :

Source : INSEE comptes trimestriels, nos calculs

En fait, dans le filtre proposé par Hodrick-Prescott, la tendance s'exprime donc comme une
moyenne mobile des observations :
T
τ t = ∑ a it y i t = 1,..., T
t =1

Les coefficients de pondération ait dépendent de l'observation pour laquelle la tendance est
filtrée. De plus, la technique de Hodrick-Prescott permet donc d’obtenir une décomposition
entre tendance et cycle même pour les points extrêmes, initiaux ou terminaux. Pour ces points
terminaux, le filtre de Hodrick-Prescott enregistre deux limites, à savoir l’absence de symétrie
de la moyenne mobile associée et les révisions ultérieures importantes.

18On raisonne implicitement sur le logarithme de y t .

21
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 5 : Symétrie du filtre de HP en milieu d’échantillon

Source : INSEE comptes trimestriels, nos calculs

L'absence de symétrie du filtre de Hodrick-Prescott peut être illustrée à partir l'exemple

{ }
précédent. Nous avons représenté les coefficients a it i =1,...,T pour une observation de milieu
de période (t=60; cf. figure 5) et un point terminal (t=T; cf. figure 6). La symétrie des
coefficients est approximativement assurée pour les points centraux. Pour les observations de
fin de période, la moyenne mobile associée au filtre de Hodrick-Prescott porte sur les
observations arrière et est fortement asymétrique.

22
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 6 : Symétrie du filtre de HP : point terminal

Source : INSEE comptes trimestriels, nos calculs

Les tendances filtrées pour les points terminaux sont susceptibles de révisions importantes. A
des fins d'illustration, on peut comparer les évaluations de la tendance et du cycle du PIB
français à la date j filtrée par la technique de Hodrick-Prescott à cette même date avec les
évaluations obtenues sur l'ensemble de la période (cf. figure 7). Les révisions apparaissent
non négligeables. Rétrospectivement, la composante conjoncturelle de la récession de 1981
apparaît moins importante, au profit d'un ralentissement tendanciel plus prononcé. Le
diagnostic rétrospectif sur la phase du cycle peut même inverser les premières évaluations.
Ainsi, analysé sur l'ensemble de la période, le premier trimestre de 1987 apparaît comme un
point bas d'un cycle. Toutefois, évaluée au début de 1987, la composante conjoncturelle
apparaissait positive. En fait, appliquée aux points terminaux, la technique de Hodrick-
Prescott n'intègre pas d'éventuelles flexions de la tendance.

23
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 7 : Les révisions de la composante cyclique du PIB français estimée par le filtre
Hodrick-Prescott (période 1970-1997)

Source : INSEE comptes trimestriels, nos calculs

II.4.b/ Analyse spectrale du filtre de Hodrick-Prescott

On peut appliquer certains résultats d’analyse spectrale à l'analyse du filtre de Hodrick-

Prescott. Pour des points non terminaux, l’élément de la iième ligne et la jième colonne de la
matrice M’M donne suit :
 . 
 . 
 
... 1 − 4 6 - 4 1... 
ligne i  . 
 
 . 
colonne j
Les conditions de premier ordre permettent donc d’obtenir :
[
y t = λL−2 − 4λL−1 + (1 + 6λ ) − 4λL + λL2 τ ∗ ]
d’où :
y t = hHP (L )y t
1
τt =
λ (1 − L ) (1 − L−1 ) + 1
2 2

24
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

La fonction de transfert est donc donnée par hHP (e −iω ) =

1
et celle de gain
λ (1 − e − iw
) (1 − e iw ) 2 + 1
2

par R(ω ) =
1
.
4λ (1 − cos(ω )) 2 + 1

Figure 8 : Interprétation du paramètre λ dans le filtre de Hodrick-Prescott

1,00

0,90

0,80

0,70

0,60
gain

0,50

0,40

0,30

0,20

0,10

0,00
01

03

05

07

09

11

13

15

17

19

21

23

25

27

29

31

33

35

37

39

41

43

45

47

49
0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,

0,
en fraction de PI radians

L-400 L-1600 L-3200 L-10000

Nous avons représenté la fonction de gain du filtre Hodrick-Prescott pour différentes valeurs
de λ (cf. figure 8) :
• La fonction de gain prend exactement la valeur un pour la fréquence nulle, quelle que
soit la valeur du paramètre λ, et prend des valeurs proches de l'unité pour les basses
fréquences non nulles. Le filtre de Hodrick-Prescott conserve donc bien les
mouvements de longue période. Il permet également de retenir en partie dans la
tendance filtrée les fluctuations correspondant à une périodicité de moyen terme
(fréquence faible non nulle).
• Pour les hautes fréquences, le gain du filtre tend vers zéro. Le filtre élimine bien les
fluctuations de très court terme. Toutefois, entre les basses et les hautes fréquences, la
fonction de gain est à valeur non nulle et décroît continûment. Une partie des
fluctuations cycliques est donc intégrée dans la tendance filtrée. Plus le paramètre λ
est faible, plus la fonction de transfert est décalée à droite (cf. figure 8) et plus les
fluctuations de court et moyen terme sont filtrées avec la tendance. Dans le cas limite
où λ=0, on retrouve l’identité de la tendance filtrée avec la série initiale.
• Si l’on retient la définition proposée par Burns et Mitchell (1946), la tendance est
associée aux mouvements de période supérieure à huit ans. La fréquence limite qui
permet de délimiter entre tendance et cycle est donc de 0,1250 (=1/8) pour des
données annuelles, 0,0312 (=1/32) pour des données trimestrielles et 0,0104 (=1/96)

25
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

pour des données mensuelles19. Le paramètre λ doit donc être choisi par rapport à ces
bornes supérieures. D’où un paramètre λ d’autant plus élevé que la périodicité des
séries étudiées est courte : 14400 pour des données mensuelles, 1600 pour des données
trimestrielles, 100 pour des données annuelles.

III/ Le filtre passe-bande20

Une des principales limites des méthodes d’extraction de la composante cyclique présentées
jusqu’ici porte sur les hypothèses implicites quant à la durée du cycle : fixe et déterminée
dans le cas des moyennes mobiles arithmétiques, variable mais sans périodicité minimale
dans le cas du filtre Hodrick-Prescott21. Parce que le cycle a été défini à l’origine par Burns
et Mitchel (1946) comme l’observation empirique d’une récurrence de phases d’expansion et
de contraction et que sa durée fluctue entre un an et demi et huit ans, le recours aux moyennes
mobiles de type arithmétique ou Hodrick-Prescott apparaît sans fondements théoriques
suffisants. Aussi, Baxter et King (1995) ont proposé une méthodologie qui permet d’extraire
avec exactitude une composante cyclique non régulière, dont la périodicité soit comprise entre
une durée minimale et une durée maximale.

III.1/ La méthodologie du filtre passe-bande idéal

Pour établir ce filtre, Baxter et King recourent à l’analyse spectrale. L’analyse est donc menée
dans le domaine des fréquences et non plus celui des périodes. A la durée minimale du cycle
correspond une fréquence maximale ω ; à la durée maximale du filtre correspond également
une fréquence minimale ω . Pour répondre exactement à la définition du cycle posée par
Burns et Mitchell, la composante cyclique est donc obtenue application d’une moyenne
mobile, de façon à conserver les fluctuations correspondant aux fréquences comprises entre
ω et ω . On note y1,t la série initiale et y 2,t la composante cyclique extraite par filtrage :
∞
y 2 ,t = ∑h
j = −∞
j y1,t − j

Un résultat important d’analyse spectrale établit que la variance de y 2,t se décompose par
rapport aux fréquences comme suit (cf. chapitre 4) :

π 2

v ( y 2 ,t ) = ∫ h(e ) S (ω )dω S1 (ω ) est la densité spectrale de la série y1,t

− iω
1 où
−π
La fonction de transfert associé à la moyenne mobile recherchée est donc définie par :
h(e − iω ) = 1 si ω ∈ ω , ω [ ]
h(e − iω
)= 0 sinon

19 Les fréquences sont exprimées ici en fraction de pi.

20 Pass band en anglais.
21 La composante cyclique extraite par le filtre de Hodrick-Prescott contient ainsi la composante irrégulière.

26
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Exercice 1.1
∞
Montrer que la moyenne mobile associée à cette fonction de transfert vérifie ∑h
j = −∞
j = 0.

Le filtre idéal ainsi défini par Baxter et King peut être calculé en deux étapes :
• étape 1 : calcul général d’une moyenne mobile filtrant les fréquences inférieures à un
sui critique ω * ;
• étape 2 : calcul du filtre passe bande idéal comme la différence entre deux filtres

Dans la première étape, on recherche la moyenne mobile correspondant à un filtre élémentaire

qui élimine les fluctuations s’expliquant par les fréquences inférieures à un seuil ω * (en
valeur absolue). On a donc :
h(e − iω ) = 1 si − ω * ≤ ω ≤ ω *
h(e − iω ) = 0 sinon
Or, d’après le résultat concernant la transformée inverse de Fourier (cf. chapitre 4), on a :
h(e −iω )e iωj dω
1 π
hj =
2π ∫− π
pour j = 0,..., ∞
soit ici :
h(e −iω )e iωj dω
1 ω*
2π ∫−ω *
hj =
d’où le résultat :
ω* sin (ω * j )
h0 = et hj = pour j = 1,..., ∞
π πj

Dans la seconde étape, le filtre passe-bande idéal est établi simplement comme la différence
entre un filtre des hautes fréquences ω et un filtre des basses fréquences ω 22. Finalement, on
obtient la moyenne mobile infinie h BP suivante :

 BP ω −ω
h0 = π


( )
h BP = sin jω − sin ( jω )
 j jπ

III.2/ Approximation finie du filtre passe-bande idéal

La mise en oeuvre pratique du filtre proposé par Baxter et King nécessite cependant de passer
à une moyenne mobile finie. Baxter et King proposent d'approximer chacun des filtres de
basses fréquences par un filtre tronqué qui minimise la perte de la variance causée par le
passage du filtre idéal au filtre tronqué. La moyenne mobile d'ordre 2K+1 résulte de la
résolution du programme suivant :
π 2
Min ∫ R(ω ) − R K (ω ) dω sous la contrainte R K (0 ) = 1
−π

où RK (ω ) est la fonction de gain du filtre approximatif.

22 En anglais, respectivement, high pass filter et low pass filter.

27
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

La fonction de perte mesure la perte totale causée par le passage du filtre idéal au filtre fini.
La contrainte R K (0 ) = 1 est nécessaire pour que la composante de fréquence nulle (constante)
soit entièrement conservée. Les coefficients de ce filtre fini ne diffèrent de ceux du filtre idéal
qu'à une constante près23. Les coefficients du filtre tronqué hK s'écrivent, dans le cas du filtre
de basses fréquences ω :

 K 
1 − ∑ h ωj 
 
ω  j =− K 
h j ,K = h j + θ pour j=0,1,…,K avec θ =
ω
2K + 1
h j ,K = 0
ω
pour j >K

Les coefficients du filtre passe-bande s'écrivent alors :

hKBP = hKω − hKω

Exercice 1.2
Calculer les coefficients du filtre bande passe fini :
• Pour une série annuelle, afin d’extraire la composante cyclique définie par des
fluctuations de périodicité comprise entre deux et huit ans avec comme troncature
K=3 ;
• Pour une série trimestrielle, afin d’extraire la composante cyclique définie par des
fluctuations de périodicité comprise entre six et trente deux trimestres avec comme
troncature K=12 ;
• Pour une série mensuelle, afin d’extraire la composante cyclique définie par des
fluctuations de périodicité comprise entre dix-huit et quatre-vingt seize mois avec
comme troncature K= 37.

Exercice 1.3
m
Démontrer ici que les moyennes mobiles symétriques telles que ∑h
j=−m
j = 0 filtre les tendances

déterministes quadratiques et les tendances stochastiques au plus I(2).

23 Cette constante est nécessaire pour assurer que la somme des coefficients est bien nulle.

28
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

29
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Les principales propriétés des moyennes mobiles étudiées sont les suivantes (cf. tableau 4) :
• Les moyennes arithmétiques et le filtre Hodrick-Prescott supposent implicitement une
durée connue des cycles. Par construction, le filtre passe bande de Baxter et King est
le plus proche de la définition initiale du cycle.
• Un filtre qui permet d’extraire la tendance ou la composante sur la fin de période est
un cycle asymétrique, caractérisé par un effet de phase et de gain. Le filtre Hodrick-
Prescott est un tel filtre.
• Toutes les moyennes mobiles sont susceptibles de créer des fluctuations cycliques.
Pour cette raison, les modélisations stochastiques des fluctuations ont été développées.

Tableau 4 : Comparaison des propriétés des différentes moyennes mobiles

Moyennes arithmétiques Filtre Hodrick-Prescott Filtre Passe bande
Composante cyclique Sa durée est supposée Elle intègre : • Elle intègre les
connue a priori et fixe • l’irrégulier; fluctuations de
• des mouvements périodicité variable.
de longue période si le Seules les bornes
coefficient λ est élevé inférieures et supérieure
sont supposées connues.
• L’irrégulier est
éliminé.

Effet Slutsky-Yule Oui Oui Oui

Elimination des points Oui Non Oui
terminaux
Effet de phase Non Oui, pour les points Non
terminaux
Effet de gain Non Oui, pour les points Non
terminaux

30
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Bibliographie

Agenor P.R, Mc Dermott et E. Prasad (1998) : « Macroeconomic fluctuations in developing

Countries : Some Stylized Facts ».

Artis MJ, Bladen-Hovelle R.C et Zang W (1995) : « Les points de retournement du cycle
conjoncturel international » Revue économique de l'OCDE, N°24 1995/I.

Allard P (1994) : « Un repérage des cycles du PIB en France depuis l'après guerre ».
Economie et Prévision N°112.

Baxter M. et King R.G (1995) : « The phase average trend : a new way of measuring
economic growth » in Proceedings of the Business and Economic Statistics Section.

Boschan C et Ebanks W.W (1978) : « Measuring business cycles approximate band-pass

filters for economic time series » NBER Working paper n°5022

Burns A.F et Mitchell W.C (1946) : « Measuring Business Cycles » NBER Studies in
Business Cycles N°2.

Cashin P., Mc Dermott C.J et A. Scott (1999) : « Booms and slumps in World Commodity
Prices ». IMF Working Paper WP/99/155.

Cashin P. et OuliarisS. (1999) : « Key features of Australian cycles». IMF Working Paper
WP/99/155. IMF Working Paper WP/01/171.

Chouraqui J.C, Hagemman R. and Sartor N. (1990) : « Indicators of fiscal policy : a re-
examination » OCDE WP n°78, Department of economics and statistics.

De Masi P.R (1997) : « IMF estimates of potential output : theory and pratice » IMF Working
Paper 99/95

Danthine J.P et Girardin M. (1989) : « Business cycles in Switzerland » European Economic

Review, V33, N°1 Janvier.

Fayolle J (1993) : « Décrire le cycle économique » Revue de l'OFCE N°45 juin 1993.

Fouet M. (1993) : « Les cycles : Eléments de comparaison internationale ». Revue de l'OFCE

N°45 Juin 1993.

Fournier J.Y (2000) : « L’approximation du filtre passe-bande prposée par Christiano et

Fitzgerald » Document de travail INSEE, direction des Etudes et Synthèses Econmiques,
G2000/03, Mai 2000

Hagemman R. (1999) : « The structural budget balance. The IMF’s methodology » IMF
Working Paper 99/95

King R.G et Rebelo S.T (1993) : « HP filtering and business cycles » Journal of Economic
Dynamics and Control 207-231

31
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Mc Dermot J.M et Scott A. (2000) : « Concordance in business cycles » IMF Working

Paper/00/37.

Nilsson R. (1987) : « Les indicateurs avancés de l'OCDE » Revue économique de l'OCDE

OCDE (1987) : « OECD leading indicators and business cycles in member countries 1960-
85 » Source and Methods N°39 Janvier 1987.

Razzak W (1997) : « The Hodrick-Prescott technique : a smoother versus a filter. An

application to New Zealand GDP » Economic Letters 57 163-168.

32
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Annexe 1 : Exercices corrigés

Exercice 1

Par construction, la fonction de transfert est symétrique : h(e iω ) = h(e − iω )

Or, on a (cf. chapitre IV, partie 4) :
π
h(e −iω )e iωj dω
1
2π −∫π
hj =

D’où :
π −π
h(e )e dω = − h(e iω )e iωj dω = h j
1 1
2π −∫π 2π π∫
− iω − iωj
h− j =

De plus, on a :
h(0) = 0
D’où :
∞

∑h
i = −∞
j =0

Exercice 2

Filtre BP3(2,8)
ω = 3,1416
ω = 0,7854
 K 
1 − ∑ h ωj 
 
θ=  =0
j =− K

2K + 1

 K 
1 − ∑ h ωj 
 
θ=  j =− K  = −0,0241
2K + 1

j Basse fréquence Haute fréquence Coefficients

ω ω
h j h j ,K h ω
h ω hKBP = hKω − hKω
j j ,K
0 1,0000 1,0000 0,2500 0,2259 0,7741
1 0,0000 0,0000 0,2251 0,2010 -0,2010
2 0,0000 0,0000 0,1592 0,1351 -0,1351
3 0,0000 0,0000 0,0750 0,0510 -0,0510

Filtre BP12(6,32)
ω = 1,0472
ω = 0,1963

33
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

 K 
1 − ∑ h ωj 
 
θ=  = 0,0018
j =− K

2K + 1

 K 
1 − ∑ h ωj 
 
θ=  = −0,0050
j =− K

2K + 1

j Basse fréquence Haute fréquence Coefficients

ω ω
h j h j ,K h ω
h ω hKBP = hKω − hKω
j j ,K
0 0,3333 0,3351 0,0625 0,0575 0,2777
1 0,2757 0,2775 0,0621 0,0571 0,2204
2 0,1378 0,1396 0,0609 0,0559 0,0838
3 0,0000 0,0018 0,0589 0,0539 -0,0521
4 -0,0689 -0,0671 0,0563 0,0513 -0,1184
5 -0,0551 -0,0533 0,0529 0,0479 -0,1012
6 0,0000 0,0018 0,0490 0,0440 -0,0422
7 0,0394 0,0412 0,0446 0,0396 0,0016
8 0,0345 0,0363 0,0398 0,0348 0,0015
9 0,0000 0,0018 0,0347 0,0297 -0,0279
10 -0,0276 -0,0258 0,0294 0,0244 -0,0501
11 -0,0251 -0,0232 0,0241 0,0190 -0,0423
12 0,0000 0,0018 0,0188 0,0137 -0,0119

Filtre BP12(18,96)

ω = 0,3491
ω = 0,0654
 K 
1 − ∑ h ωj 
 
θ=  = 0,0006
j =− K

2K + 1

 K 
1 − ∑ h ωj 
 
θ=  j =− K  = −0,0017
2K + 1

34
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

j Basse fréquence Haute fréquence Coefficients

ω ω
h j h j ,K h ω
h ω hKBP = hKω − hKω
j j ,K
0 0,1111 0,1117 0,0208 0,0192 0,0925
1 0,1089 0,1095 0,0208 0,0192 0,0903
2 0,1023 0,1029 0,0208 0,0191 0,0838
3 0,0919 0,0925 0,0207 0,0190 0,0734
4 0,0784 0,0790 0,0206 0,0189 0,0600
5 0,0627 0,0633 0,0205 0,0188 0,0445
6 0,0459 0,0465 0,0203 0,0186 0,0279
7 0,0292 0,0298 0,0201 0,0184 0,0114
8 0,0136 0,0142 0,0199 0,0182 -0,0040
9 0,0000 0,0006 0,0196 0,0180 -0,0174
10 -0,0109 -0,0103 0,0194 0,0177 -0,0280
11 -0,0186 -0,0180 0,0191 0,0174 -0,0354
12 -0,0230 -0,0224 0,0188 0,0171 -0,0395
13 -0,0241 -0,0235 0,0184 0,0167 -0,0403
14 -0,0224 -0,0218 0,0180 0,0164 -0,0382
15 -0,0184 -0,0178 0,0176 0,0160 -0,0338
16 -0,0128 -0,0122 0,0172 0,0156 -0,0278
17 -0,0064 -0,0058 0,0168 0,0151 -0,0209
18 0,0000 0,0006 0,0163 0,0147 -0,0141
19 0,0057 0,0063 0,0159 0,0142 -0,0079
20 0,0102 0,0108 0,0154 0,0137 -0,0029
21 0,0131 0,0137 0,0149 0,0132 0,0005
22 0,0142 0,0148 0,0143 0,0127 0,0022
23 0,0136 0,0142 0,0138 0,0121 0,0021
24 0,0115 0,0121 0,0133 0,0116 0,0005
25 0,0082 0,0088 0,0127 0,0110 -0,0023
26 0,0042 0,0048 0,0121 0,0105 -0,0057
27 0,0000 0,0006 0,0116 0,0099 -0,0093
28 -0,0039 -0,0033 0,0110 0,0093 -0,0126
29 -0,0071 -0,0065 0,0104 0,0087 -0,0152
30 -0,0092 -0,0086 0,0098 0,0081 -0,0167
31 -0,0101 -0,0095 0,0092 0,0075 -0,0171
32 -0,0098 -0,0092 0,0086 0,0069 -0,0162
33 -0,0084 -0,0078 0,0080 0,0064 -0,0141
34 -0,0060 -0,0054 0,0074 0,0058 -0,0112
35 -0,0031 -0,0025 0,0068 0,0052 -0,0077
36 0,0000 0,0006 0,0063 0,0046 -0,0040
37 0,0029 0,0035 0,0057 0,0040 -0,0005

35
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Exercice 3

Pour la démonstration du filtrage des tendances déterministes au plus quadratiques, se

reporter à la preuve de la propriété 7 du chapitre 4. Concernant le filtrage des tendances
stochastiques au plus I(2), on a :

∑ hi Li = h0 + ∑ hi (Li + L−i ) = ∑ hi (Li + L−i − 2)

m m m
H (L ) =
i=−m i =1 i =1
or :
Li + L− i − 2 = −(1 − Li )(1 − L− i )
et de plus :
(1 − Li ) = (1 − L )(1 + L + ... + Li −1 ) et (1 − L ) = (1 − L )(1 + L
−i −1 −1
+ . + L− i +1 )
d’où :
H (L ) = L(1 − L ) Θ(L ) Θ(L ) polynôme avec m-1 termes avant et retard
2
avec

36
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

CHAPITRE 2 : LES MODELISATIONS UNIVARIEES DES FLUCTUATIONS

Suite aux développements des années quatre-vingts en séries temporelles, il est aujourd'hui
usuel de considérer que les principaux agrégats macroéconomiques ne peuvent plus être
représentés comme des séries stationnaires autour d'une tendance déterministe (Nelson et
Plosser 1982). Il apparaît nécessaire de prendre en compte leur degré de stationnarité et
d'étudier la permanence des chocs stochastiques. L'analyse de Beveridge et Nelson (1981)
permet alors de décomposer une série intégrée en une composante permanente et une
composante transitoire. Cette décomposition conduit à des mesures de persistance, qui
permettent d’apprécier l'importance d'une racine unitaire. La persistance associée à une racine
unitaire peut d’ailleurs correspondre à un choc exceptionnel, tel une rupture sur la moyenne
(Perron 1989). Aussi, d'autres modélisations du processus générateur des données ont été
développées. Ces modélisations supposent en général plusieurs chocs (cf. modèle à
composantes inobservables de Harvey ou modèle de Stock et Watson)24.

I/ Stationnarité en différence ou autour d'une tendance déterministe ?

Comment représenter les fluctuations économiques ? Jusqu’au début des années quatre-
vingts, les économistes assimilaient souvent la tendance à une tendance déterministe. Les
fluctuations cycliques pouvaient alors être mesurées comme le résidu de la régression par
rapport à la tendance déterministe. Cette méthodologie a été mise à mal par les
développements récents en séries temporelles. Dans leur étude, Nelson et Plosser (1982) ont
ainsi mis en avant que les principaux agrégats macroéconomiques étaient plus correctement
représentés comme un processus stationnaire en différence que comme un processus
stationnaire autour d'une tendance déterministe. Nous présentons donc ici les tests de racine
unitaire les plus usuels.

I.1 / Les modèles de marche aléatoire

M1 : marche aléatoire

Soit par définition H0 : y t = y t −1 + ε t avec Eε t = 0 et Eε t2 = σ ε2

Dickey et Fuller ont tabulé l'hypothèse H0 : ρ = 1 dans le modèle
y t = ρy t −1 + ε t avec Eε t = 0 et Eε t = σ ε . Sous l'hypothèse alternative ( ρ ≠ 1) , on a alors :
2 2

σ ε2
Ey t = 0 et Vy t = .
1− ρ2
M2 : marche aléatoire avec dérive

Soit par définition H0 : y t = a + y t −1 + ε t avec Eε t = 0 et Eε 2t = σ ε2

24On parle en anglais de Data Generating Process. On retiendra donc par la suite l’expression de Data
Generating Process (DGP).

37
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Dickey et Fuller ont tabulé l'hypothèse H0 : ρ = 1 dans le modèle

y t = a + ρy t −1 + ε t avec Eε t = 0 et Eε t = σ ε . Sous l'hypothèse alternative ( ρ ≠ 1) , on a
2 2

a σ ε2
alors : Ey t = et Vy t = .
1− ρ 1− ρ2
M3 : marche aléatoire avec dérive et tendance déterministe

Soit par définition H0 : y t = a + bt + y t −1 + ε t avec Eε t = 0 et Eε t2 = σ ε2

Dickey et Fuller ont tabulé l'hypothèse H0 : ρ = 1 dans le modèle
y t = a + bt + ρy t −1 + ε t avec Eε t = 0 et Eε t2 = σ ε2 . Sous l'hypothèse alternative ( ρ ≠ 1) , on a
a σ 2ε
alors : E ( y t − bt ) = et V( y t − bt ) = .
1− ρ 1− ρ2
I.2/ Les tests de Dickey et Fuller augmentés

Pour tester l’hypothèse de racine unitaire, des hypothèses plus générales, de type ARMA(p,q),
pourraient être envisagées afin de décrire la dynamique de l'innovation ε t . Ces tests
généralisés n’existent pas actuellement. Toutefois, dans le cadre des tests ADF (Augmented
Dickey Fuller), sont envisagées des innovations de type autorégressive : y t = Φ( L) −1 ε t .
L'hypothèse de racine unitaire H0 correspond alors à Φ(1) = 0 .

Pour un polynôme retard Φ( L), on a :

p
Φ( L) = ∑ Φ i , Φ( L) − Φ (1) = (1 − L)Φ * ( L)
i =0
avec pour j = 1,...,p-1
p
Φ *j = − ∑ Φ i et Φ * (0) = 1 − Φ(1)
i = j +1

On a donc :
{
Φ( L) y t = Φ(1) + (1 − L) Φ * ( L) y t }
D'où :
p −1
Φ(1) y t + (1 − L)(1 − Φ(1)) y t = ε t + ∑ Φ *i (1 − L) y t −i
i =1
Soit :
p −1
(1 − L) y t = − Φ(1) y t −1 + ∑ Φ *i (1 − L) y t −i + ε t
i =1

38
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Tableau 1 : Statistiques de Dickey et Fuller sur quelques agrégats macroéconomiques (p=4)

M1 M2 M3 (α , β ) = (1,0) (α , β , µ ) = (1,0, µ )
Base 70
PIB 3,19 -1,84 -0,35 10,39 1,67
Consommations 3,04 -0,39 -1,91 7,04 1,85
FBCF des SQS-EI 2,01 -1,29 -2,07 3,62* 2,36*
Variations de stocks -1,94 -4,69* -4,90* 11,01* 12,02*
Base 80
PIB 3,30 -0,55 -3,11 6,60 4,87
Consommations 3,50 -1,54 -1,89 10,56 2,78
FBCF des SQS-EI 0,96 -1,24 -2,07 1,45* 2,17*
Variations de stocks -3,11* -3,82* -4,27* 7,36* 9,14*
Source : INSEE : Comptes trimestriels ; nos calculs. Un astérisque * indique une statistique significative au seuil
de 5%. Pour T=100 observations, les valeurs critiques sont de -1,95 dans H1, -2,89 dans H2, -3,45 dans H3, 4,71
dans (α , β ) = (1,0) et 6,49 dans (α , β , µ ) = (1,0, µ ) .

I.3/ Quelles alternatives à l’hypothèse de racine unitaire ?

Les tests de Dickey et Fuller ne sont pas symétriques dans la formulation des hypothèses nulle
et alternative : le modèle sous l’hypothèse de stationnarité ne retient pas la tendance
déterministe présente sous l’hypothèse nulle. Examinons ce point en détail pour chacun des
modèles M1, M2 et M3.

M1 : marche aléatoire

On a H0 : y t = y t −1 + ε t avec Eε t = 0 et Eε 2t = σ ε2
t
Sous l'hypothèse nulle, on a : y t = y 0 + ∑ ε i donc Ey t = y 0 et Vy t = tσ ε2 . L'hypothèse
i =1
alternative naturelle serait donc le processus :
y t = a + ρy t − 1 + ε t
L’alternative « naturelle »à l’hypothèse nulle est ainsi caractérisée par une moyenne non
nulle, comme sous l’hypothèse H0. Cependant, dans le test de Dickey-Fuller, le processus
sous l’hypothèse alternative est d’espérance nulle.

M2 : marche aléatoire avec dérive

On a H0 : y t = a + y t −1 + ε t avec Eε t = 0 et Eε 2t = σ ε2 . Sous l'hypothèse nulle, on a :
t
y t = y 0 + at + ∑ ε i donc Ey t = y 0 + at et Vy t = tσ 2ε . L'hypothèse alternative naturelle serait
i =1
donc le processus :
y t = at + b + ρy t −1 + ε t
L’alternative «naturelle» à l’hypothèse nulle est ainsi caractérisée par une tendance
déterministe, comme sous l'hypothèse H0. Cependant, dans le test de Dickey-Fuller, le
processus sous l’hypothèse alternative est stationnaire autour d’une moyenne, ce qui est
évidemment moins vraisemblable (cf. figure 1).

39
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 1 : Modèle de marche aléatoire avec dérive et son alternative

Marche aléatoire avec dérive ou

stationnarité autour d’une tendance
déterministe

Stationnarité autour d’une moyenne

M3 : marche aléatoire avec dérive et tendance déterministe

On a H0 : y t = a + bt + y t −1 + ε t avec Eε t = 0 et Eε 2t = σ ε2
t (t + 1) t
Sous l'hypothèse nulle, on a : y t = y 0 + at + b + ∑ ε i . L'hypothèse alternative
2 i =1
naturelle serait donc :
y t = c + at + bt 2 + ρy t −1 + ε t
L’alternative « naturelle » à l’hypothèse nulle est ainsi caractérisée par une tendance
quadratique, comme sous l’hypothèse nulle. Cependant, dans le test de Dickey-Fuller, le
processus sous l’hypothèse alternative ne contient qu’une tendance déterministe.

Dans le cas de l’hypothèse nulle de marche aléatoire avec, l’alternative de stationnarité autour
d’une espérance θ 0 peut être formulée à partir du surmodèle suivant :
A( L)(1 − ρL)( y t − θ 0 ) = ε t
La reparamétrisation de Fuller permet d'écrire :
{ }
Φ( L)( y t − θ 0 ) = Φ(1) + (1 − L)Φ * ( L) ( y t − θ 0 )
soit
p −1
(1 − L) y t = − Φ(1) y t −1 + θ 0 Φ(1) − ∑ Φ *i (1 − L) Li y t + ε t
i =1
Le test de racine unitaire H0 : Φ(1) = 0 correspond à l'hypothèse nulle (α , µ ) = (1,0) dans :

40
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

p −1
(1 - L) y t = µ + αy t −1 + ∑ φ i* (1 − L) y t −i + ε t .
i =1
Exercice 2.1 : Proposer un test joint de racine unitaire dont l'alternative est la stationnarité
autour d'une tendance déterministe.

Dickey et Fuller (1981) ont tabulé le test du rapport de vraisemblance pour les différents
modèles (cf. annexe 3).

Exercice 2.2 : Marche aléatoire et durée d'un cycle. On suppose que la série y t suit une
marche aléatoire avec dérive :
y t = a + y t −1 + ε t avec ε t → N (o, σ ε2 )
Calculer la probabilité d'une récession si celle-ci est suivie par l'événement
{∆y t < 0, ∆yt +1 < 0, ∆y t + 2>0 } . En déduire la durée moyenne d'un cycle, défini par l'intervalle
reliant deux récessions.

II/ La composante permanente de Beveridge et Nelson

II.1/ La décomposition de Beveridge et Nelson

Soit y t une série stationnaire en différence :

∞
(1 − L) y t = B ( L)ε t = ∑bi ε t −i avec b0 = 1
i =0
On cherche à décomposer y t en une composante stationnaire et une composante de long
terme, correspondant à la composante stochastique permanente. La prévision à la date t de
(1 − L )yt + j est donnée par :
∞ ∞

t E (1 − L ) y t + j = t E ∑ bi ε t + j − i = ∑ bi ε t + j − i
i =0 i= j

On en déduit la prévision y t + k à la date :

k

t Ey t + k = y t + ∑j =1
t E (1 − L) y t + j

k ∞
= y t + ∑∑ bi ε t + j −i
j =1 i = j

 k   k +1 
= y t +  ∑ bi ε t +  ∑ bi ε t −1 + ...
 i =1   i=2 
impact de ε t impact de ε t -1
entre t +1 et t + k entre t +1 et t + k
(i = j) (i = j+1)

La composante permanente de y t , notée ŷt , est définie par la prévision de y t à horizon infini
à partir des innovations passées :
 ∞   ∞ 
ŷ t = lim t E t + k y t + k = y t +  ∑ bi ε t +  ∑ b j ε t −1 + ...
k →∞
 i =1   j =2 
La composante transitoire est alors définie par la différence entre y t et y∃t .

41
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Proposition 1 : La composante permanente de y t suit une marche aléatoire. Plus

précisément, on a :
yˆ t = yˆ t −1 + B(1)ε t .

preuve
∞ ∞ ∞ ∞ ∞
yˆ t − yˆ t −1 = y t − yt −1 + (∑ bi )ε t + (∑ bi )ε t −1 + (∑ bi )ε t − 2 + ... −(∑ bi )ε t −(∑ bi )ε t −1 − ...
i =1 i=2 i =3 i =1 i =1
∞ ∞
= ∑ b i ε t −i + (∑ bi )ε t − b1ε t −1 − b2 ε t − 2 − ...
i=0 i =1

= B(1)ε t

Proposition 2 : Si B(1) est nul, alors la série y t est stationnaire.

On peut également retrouver simplement la décomposition de Beveridge et Nelson à partir de

l'opérateur retard. Avec les notations habituelles, on a :
{
(1 − L) y t = B( L)ε t = B(1) + (1 − L) B * ( L) ε t }
D'où vient la décomposition :
t t
y t = y 0 + ∑ (1 − L) yi = y 0 + B * ( L)(ε t − ε 0 ) + B(1) ∑ ε i
i =1 i =1
t
Si y 0 = ε 0 = 0, y∃t = B(1) ∑ ε i et (1 − L) y∃t = B(1)ε t
i =1

Exercice 2.3 : Ecrire la décomposition de Beveridge et Nelson pour un processus avec dérive
: (1 − L) y t = µ + B( L)ε t

Exercice 2.4 : Ecrire la décomposition de Beveridge et Nelson pour un processus avec

changement de moyenne à la date Tb : (1 − L) y t = µ + γ (t > Tb ) + B( L)ε t

42
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

II.2/ Exemple : le pib français

A titre d’application, nous avons estimé un modèle ARIMA du PIB français (en logarithme)
de 1970 à 1997 et sur données trimestrielles. Nous avons retenu un modèle avec dérive25 (cf.
tableau 2). On constate alors que B(1) > 1 . Dans ce cas :
• L'impact d'un choc ε t serait alors plus important sur la variation de tendance que
sur celle de la série (cf. figure 1).
• La corrélation contemporaine des variations de la tendance et de la composante
cyclique est négative :
∞
( (1 − L)ct = (1 − B(1))ε t + ∑ ε t −i
i =1

Figure 2 : Suréaction possible de la composante permanente

25 Le modèle ARIMA estimé sur le logarithme du PIB est :

(1 − L) y t =.21(1 − L) y t −1 +.18(1 − L) yt −2 +.0027 + ε t
σ ε2 = 7,69 10 −6
AIC = −971,0
Q(12) = 10,0 p =.436
On a donc : B (1) = 1 (1 − .21 − .18)

43
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

III/ Les mesures de persistance

Cochrane (1988) a défini une mesure de persistance, afin de mesurer l'importance des racines
unitaires. Pour un processus sans dérive, cette mesure est définie par :
E ( y t + k − yt ) 2
σk =
2

k
Une explication heuristique de cette mesure est la suivante :
• Pour une série y t qui suit une marche aléatoire26, la limite σ 2k pour k → ∞ est
exactement la variance de l'innovation. En effet, si on a :
y t = y t −1 + ε t , alors σ k = var((1 − L ) y t = kσ ε et :
2 k 2

σ k2
lim = σ ε2 .
k →∞ k

• Pour une série stationnaire autour d'une tendance y t = bt + ε t , on a :

(1 - Lk ) y t = bk + ε t − ε t − k et var (( 1 - Lk ) yt ) = 2σ ε2 et :
σ k2
lim =0
k →∞ k

Propriété 3 (cf. annexe 2)

Pour un processus stationnaire y t en différence c'est-à-dire tel que (1 − L) y t = B( L)ε t , si γ i
est l'autocovariance d’ordre i du processus (1 − L) y t , alors la variance de la différence de la
)
composante de long terme de Beveridge et Nelson y t constitue la mesure fondamentale de la
persistance. On a les équivalences suivantes :
(a ) V (1 − L) yˆ t = B(1) 2 σ ε2
∞
(b) V (1 − L) yˆ t = γ 0 + 2∑ γ i
i =1

(c) V (1 − L) yˆ t = lim σ 2
k
k →∞

(d ) V (1 − L) yˆ t = lim t −1 Ey t2
t →∞

(e) V(1 - L) yˆ t = f (1− L ) yt (0)

Propriété 4 : Quelle que soit la décomposition de la série en une composante permanente de

type aléatoire et en une composante transitoire stationnaire, la persistance de la composante
permanente est égale à la densité spectrale de la variation de y t en zéro :
décomposition : y t = z t + ct 
 
composante permanente z t = µ + z t −1 + η t  ⇒ V (1 - L) z = f
(1− L ) yt (0)
composante transitoire ct = A( L)∂ t  t

 
 E (η t ∂ t ) quelconque 

26 En fait, ce résultat est valide que la marche aléatoire soit avec ou sans dérive.

44
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

En pratique, la mesure de la persistance peut être calculée à partir d'une modélisation ARIMA
ou encore de la mesure de Cochrane σ 2 , estimée par les moments correspondants de
k
l'échantillon, corrigés des degrés de liberté (Campbell et Mankiw 1987, Cochrane 1988) :
 T  k ( y − y1 )  2 
σ =2 T  1
∑ y − y − − t 
k T − k + 1  k (T − k ) j j k  
 j = k  T 

A des fins de comparaison entre différentes variables, la mesure de la persistance peut être
normalisée par la variance de la différence du processus.

Figure 3 : Autocoréllogramme de l'inflation allemande (en niveau et en différence).

45
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Modèle 1 : M1 Modèle 2 : M2
(1 − L) y t = (1−.7483 L)(1+.4205 L4 )ε t (1 − L) y t = (1−.75875 L)(1+.4681L4 −.1936 L12 )ε t
σ ε2 =.2295 σ 2ε =.2217
AIC = 13311. AIC = 13143.
Q(6) = 2.91 p =.573 Q(6) = 352
. p =.318
Q(12) = 7.91 p =.637 Q(12) = 5.01 p =.833
Source : nos calculs

Figure 4 : Mesure de Cochrane de l'inflation allemande

Tableau 2 : La persistance de l'inflation en Allemagne (1972:1-1996:4)

Arima σ 2k
M1 M2 k=30 k=50
B(1) σ ε (x100)
2 2 2,93 2,10 3,65 3,61
B(1) 2 6,96 4,78 8,18 8,08
∞
(en%)
(∑ bi2 )
i =0
Source : nos calculs

46
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

IV/ Racines unitaires et ruptures déterministes

IV.a/ Le modèle additive outlier

Perron (1989, 1990) a développé un cadre statistique pour tester l’hypothèse de racine unitaire
contre l’hypothèse de stationnarité avec rupture dans la moyenne ou la tendance déterministe.
Sous l’hypothèse nulle de racine unitaire, le processus y t est donné par :
t
y t = y t −1 + ε t ⇔ y t = y 0 + ∑ ε i pour t = 1,...., T
i =1

Les aléas ε t ont tous un impact permanent sur le niveau du processus y t . Cependant, seuls
certains chocs ponctuels peuvent avoir un effet permanent. L’hypothèse nulle de racine
unitaire est ainsi modifiée de façon à prendre en compte la possibilté d’un choc ponctuel et
déterministe à une date TB (supposée connue) :
t
y t = y t −1 + γI (t = TB + 1) + ε t ⇔ y t = y 0 + γI(t >= TB + 1) + ∑ ε i pour t = 1,...., T
i =1
L’hypothèse alternative est alors celle d’un processus stationnaire autour de sa moyenne avec
une rupture permanente sur la moyenne à partir de la date TB . Perron (1989, 1990) a ainsi
développé un cadre statistique pour tester l’hypothèse de racine unitaire contre l’hypothèse de
stationnarité avec rupture dans la moyenne ou la tendance déterministe. Ce test procède en
deux étapes :
• Calcul des résidus {~ y t }1 à partir de la régression de la séquence {y t }1 sur une
T T

constante et la variable muette I ( t > = TB + 1 ) ;

• Test de racine unitaire sur les résidus {~ y t }1 . Soit α∃ l’estimateur de α par les moindres
T

carrés dans la régression suivante (cf. Perron et Vogelsang, 199227) :

~
y t = γI ( t = TB + 1) + α~
y t −1 + e~t
Les distributions asymptotiques de T (αˆ − 1) et tαˆ =1 sous l’hypothèse nulle de racine unitaire
TB
peuvent être tabulées pour les valeurs données des paramètres (= λ ) et T . Ces
T
distributions sont les mêmes pour 1- λ et λ .

IV.b/ Le modèle innovative outlier

Dans le précédent modèle « additive outlier », le changement de moyenne après la date TB est
instantanné. Un autre test a été proposé pour prendre en considération l’hypothèse nulle de
racine unitaire avec un changement progressif dans la moyenne. Pour cela, une dynamique
autorégressive est retenue pour l’aléa ε t , c’est-à-dire :
p -1
ε t = A( L) −1 vt avec vt iid (0, σ v2 ) et A(L )=∑ ai Li avec la condition A( 0 )=1
i =1
De plus, le changement dans la constante n’est pas instantanné et est supposé suivre la même
dynamique que l’aléa ε t . Alors :

27En fait, les premières tabulations asymptotiques pour le modèle additive outlier (Perron, 1990) ont été corrigé
plus tard (Perron et Vogelsang, 1992).

47
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

[ ]
p −1
y t = y t −1 + A(L ) γI (t =TB +1) + vt ⇔ y t = yt −1 + ∑ ai (1 − L )y t −i +γI (t =TB +1) + vt
−1

i =1

Dans ce modèle, le changement instantané dans la moyenne est donné par le coefficient γ
tandis que l’influence de long terme est mesuré par γA(1) −1 . Une alternative intéressante et
naturelle est la stationnarité de la série avec un changement dans la moyenne après la date TB :
p −1
y t = αy t −1 + c + ∑ a i (1 − L) y t −i + dI (t >= TB + 1) + vt avec α π 1
i =1
Ainsi, l’hypothèse nulle de racine unitaire peut être testée dans la régression suivante :
p −1
y t = αy t −1 + c + ∑ a i (1 − L) y t −i + γI ( t = TB + 1) + dI (t >= TB + 1) + vt
i =1
Le test procède en plusieurs deux étapes :
• On teste d’abord la présence d’une racine unitaire : α=1 Les distributions
asymptotiques des statistiques T ( α∃ − 1) and t α∃=1 sont les mêmes que dans le modèle
« additive outlier » ;
• Si l’hypothèse α=1 est rejetée, on peut alors tester l’hypothèse nulle d’absence de
rupture permanente sur la moyenne : d = 0 .

IV.c/ Une analyse séquentielle

Dans les précédents tests, la date de rupture est supposée connue a priori. Les conséquences
d’un choix erroné sur cette date de rupture ont été étudiées. Asymptotiquement, les
statistiques proposées par Perron convergent vers leur distribution (Montanes 1997).
Cependant, à échantillon fini, certaines distorsions peuvent apparaître, notamment si la date
de rupture a été imposée avant la date véritable (Hecq et Urbain 1993). Ainsi, une approche
récursive est ncécessaire pour déterminer la choix de la date de rupture (Perron et Vogelsang
1992, Zivot et Andrews 1992). La statistique d’intérêt est alors la statistique t minimale sur
tous les points de rupture possibles :

inf tα (i, TB , p ) avec i=AO (additive outlier), IO (innvationnal outlier)

TB
Le choix de la dynamique et du paramètre p peuvent être établi selon deux procédures. Dans
la première approche, le paramètre p est choisi de telle sorte que le coefficient portant sur la
dernière différence première soit significatif. Dans la seconde approche, un test sur la
significativité jointe de l’ensemble des différences premières retardées est appliqué (F de
Fisher)28. Les statistiques de test sont asympotiquement les mêmes pour les modèles
« additive » et « innovationnal ».

IV.d/ Une approche “encompassing”

L’équation peut être comprise comme une approche « encompassing » d’un modèle TS
(Trend Stationary) avec rupture ( y t = αy t −1 + b + ωI ( t > = TB + 1 ) + et ) par un modèle DS
(Difference Stationary) avec rupture ( y t = y t −1 + aI ( t = TB + 1 ) + et ). Ces deux modèles sont
englobés dans l’écriture suivante :

28L’approche qui consiste à choisir le retard en minimisant la statistqiue de student sur Erreur ! Signet non
défini. coefficient ( Perron et Vogelsang, 1992).

48
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

p −1
(1 − ρL )(1 − ∑ ai Li )( y t − µ − ωI ( t > = TB + 1 ) ) = vt
i =1
La repéramétrisation de Fuller est donnée par l’équation :
p −1 p −1
(1 − L) y t = c + dI ( t >= TB + 1) + (α − 1) y t −1 + ∑ α i (1 − L) y t −i + ∑ γ i I (t − j = TB + 1) + vt
i =1 i =0
p -1 p -1 p -1
avec c = µ (1 - ρ )(1 - ∑ α i ), d = ω (1 - ρ )(1 - ∑ α i ) et α − 1 = −(1 - ρ )(1 - ∑ α i )
i =1 i =1 i =1
Ainsi, l’hypothèse du test du modèle DS contre TS est donnée par :
(α,c,d)=(1,0,0)
Enlever les termes I (t − j = TB + 1) n’a pas d’effet sur la distribution asymptotique. Ainsi, le test
peut être appliqué sur l’équation :
p −1
(1 − L) y t = c + dI (t >= TB + 1) + (α − 1) y t −1 + ∑ α i (1 − L) y t −i + vt
i =1
Si l’hypothèse DS est rejetée, alors il existe une forte présomption que le modèle TS est
valide. En effet, l’hypothèse DS peut être rejetée parce que α < 1 ou c ≠ 0 ou d ≠ 0

V/ Les modèles à composantes inobservables ou modèles de Harvey

V.1/ Les différents modèles de la tendance

Marche aléatoire plus bruit blanc

La série y t est constituée de la somme d'une marche aléatoire µ t et d'un bruit blanc ε t :
y t = µ t −1 + ε t avec Eε t = 0 et Eε t2 = σ ε2
La marche aléatoire µ t est donnée par :
µ t = µ t −1 + η t avec Eη t = 0 et Eη t2 = σ η2
Ce modèle englobe deux cas extrêmes :
• le modèle d'une série stationnaire autour de sa moyenne correspond à la nullité de la
variance de l'innovation η t de la marche aléatoire : y t = µ + ε t .
• le modèle d'une marche aléatoire correspond au cas d'une innovation ε t de variance
nulle : y t = y t −1 + η t .

Modèle à croissance linéaire stochastique29

Ce modèle, dû initialement à Harrison et Stevens (1976), suppose que le niveau mais aussi la
pente de la série peuvent être décrits par une marche aléatoire. On a donc : y t = µ t + ε t . La
tendance locale stochastique µ t est donnée par :
µ t = µ t −1 + β t −1 + η t
avec Eη t = Eξ t = 0 , Eη 2t = σ η2 et Eξ 2t = σ ξ2
β t = β t −1 + ξ t
Le modèle d'une série stationnaire autour de sa tendance correspond à des variances nulles
pour les innovations sur la pente et le niveau :
• si σ η2 = σ ξ2 = 0 , alors y t = µ + βt + ε t .30 Dans le cas où la variance de l'innovation sur la
pente est nulle, la série y t est stationnaire par différence. Si de plus le coefficient β est
nul, alors on obtient un modèle stationnaire autour de sa tendance.

29Certains auteurs le présentent sous le nom de modèle à tendance locale stochastique (local linear trend).

49
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

• dans le cas où seule la variance de l'innovation sur le niveau est nulle, la série y t est dite à
tendance doublement intégrée ("slowly moving smooth trend").
On peut écrire le modèle de croissance stochastique linéaire sous la forme d'un modèle espace
d'états (cf. Gourieroux et Montfort 1990) :
µ t +1  1 1 µ t  η t 
équation de transition : β  = 0 1 β  + ξ 
 t +1     t   t 
µ t 
équation de mesure : y t = [1 0]  + ε t
β t 
V.2/ La modélisation de la composante cyclique

Différentes modélisations de la composante cyclique sont possibles. Par exemple, Clark

(1987) modélise la composante cyclique par un modèle arma. En pratique, la composante
cyclique est le plus souvent estimée par un modèle autorégressif, soit Φ( L)Ct = ε t . On a
alors la décomposition suivante :
y t = µ t + Ct

Tableau 3 : Modélisation du PIB (en logarithme) des Etats-Unis (1947.1-1985:4)

σ η2 σ ζ2 σ ε2 Φ1 Φ2 -2Log
Tendance linéaire 0,0001 0,0064 0,0074 1,53 -0,59 1256,8
stochastique
Marche aléatoire 0 0,0066 0,0072 1,55 -0,60 1256,3
avec dérive
Tendance 0,0001 0 0,0102 1,34 -0,39 1254,6
doublement
intégrée
Source : P.K Clark "The Cyclical component of economic activity" The Quarterly Journal of Economics
November 1987

D'autres modélisations explicitent le cycle par l'amplitude, la phase et la fréquence

correspondantes. Cette approche, retenue notamment par Harvey (1989), est présentée
maintenant. Un cycle ψ t est caractérisé par sa fréquence λ, son amplitude A et sa phase θ.
Formellement,
ψ t = A cos(λt − θ ) . De façon équivalente, on déduit : ψ t = α cos λt + β sin λt 31
En posant ψ *t = β cos λt − α sin λt , on obtient l'équation de récurrence suivante :
ψ t  cos λ sin λ  ψ t −1 
 * =   * 
ψ t  − sin λ cos λ  ψ t −1 
Afin de décrire des cycles "réalistes", on introduit des aléas et un facteur d'amortisserment :
ψ t  cos λ sin λ  ψ t −1  v t 
 *  = ρ  *  +  * 
ψ t  − sin λ cos λ  ψ t −1  v t 

Exercice 2.5 : Ecrire sous la forme d’un modèle espace état le modèle de croissance linéaire
stochastique avec une composante cyclique modélisée selon l'approche de Harvey.

30En fait, µ = µ 0 .
31 A = 2 2
α +β , α = A cos θ , β = -Asinθ

50
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

VI/ La modélisation du cycle par Stock et Watson

Stock et Watson (1988) ont proposé un modèle de décomposition de n séries en une

composante commune ∆Ct et une composante idiosyncratique uit . Ce modèle repose sur
deux hypothèses fortes :
• il n'existe qu'une seule composante commune entre les séries ;
• les séries peuvent être intégrées (l'étude porte alors sur les séries différenciées) mais ne
sont pas cointégrées. La composante commune pourra alors être identifiée à un cycle
commun.
Si on note x t les séries initiales, ∆Ct leur composante commune non observée, ut le vecteur
des composantes idiosyncratiques, et si on suppose les séries intégrées, le modèle s'écrit :
∆x t = β + γ∆Ct + ut

Φ( L) ∆Ct = ∂ + η t
 D( L ) u = ε
 t t


 Eu u ' = Q
 t t
 p
avec  Eη t ι t = σ et Φ( L) = ∑ Φ i Li
' 2

 i =0
 k

 D( L) = ∑ Di L
i

 i =0

A titre d'exemple, nous avons appliqué ce modèle au PIB, à la consommation et au revenu

disponible brut des ménages (exprimé en taux de croissance). La composante commune de
ces trois agrégats macro-économiques, qui correspondent chacun à une approche du PIB
(respectivement, la production, la dépense et les revenus), peut éventuellement enrichir la
description de l'état du cycle économique.

Tableau 4 : Indicateur coïncident de l'activité en France

Paramètres PIB Consommation Revenu
γ 0,412 0,437 0,381
(0,049) (0,0534) (0,0570)
β 0,6107 0,6510 00,5872
(0,0762) (0,0723) (0,0752)
D1i 0,1314 -0,5688 -0,1696
(0,1132) (0,0966) (0,0789)
D1i 0,0385 -0,3486 -0,0320
(0,0944) (0,0893) (0,0789)
σ ui
2 0,2141 0,2603 0,2603
(0,0372) (0,0448) (0,0448)
Source : INSEE : Comptes trimestriels ; nos calculs.

La composante commune a été modélisée à travers un modèle ARMA(1,2) :

∆C t = 0,6697 ∆C t −1 + η t − 0,5168η t −1 + 0,3027η t − 2
( 0 ,114 ) ( 0 ,140° ) ( 0 ,153 )

51
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Bibliographie

Banerjee, A , Lumsdaine R.L et Stock J.H (1992) : « Recursive et sequential tests of the unit
root et trend break hypothesis : theory et international evidence » Journal of Businness et
Economic Statistics 10, 271-287

Beveridge, S and Nelson, C.R (1981) : « A new approach to decomposition of economice time
series into permanent and transitory components with particular attention to measuerement of
the "Business Cycle » Journal of Monetary Economics 7, 151-174

Campbell, J.Y and Mankiw,N.G (1987) : « Are output fluctuations transitory ? » Quarterly
Journal of Economics, 23: 319-33

Christiano L.J (1992) : « Searching for a break in GNP » Journal of Business and Economic
Statistics 10, 237-250

Clark, P.K (1987) : « The cyclical component of U.S economic activity » The Quarterly
Journal of Economics

Cochrane, J.H (1988) : « How big is the random walk in GNP » Journal of Political
Economy,96: 893-920

Cuddington, J.T and Winters, L.A (1987) : « The Beveridge-Nelson decomposition of

economic time series » Journal of Monetary Economics 19, 125-127

Christiano L.J (1992) : « Searching for a break in GNP » Journal of Business and Economic
Statistics 10, 237-250

Dickey, D.A and Fuller, W.A (1981) : « Likelihood ratio statistics for autoregressive time
series with a unit root » Econometrica, Vol 49, N° 4 July

Doz C, Rabault, G and Sobczack, N (1995) : « Decomposition tendance-cycle estimations par

des méthodes statistiques univariées » Economie et Prévision N°120, 73-93

Hamilton J.D (1989) : « A new approach to the economics analysis of non stationnary time
series and the busisness cycle » Econometrica V57,n°2 March.

Harvey, A.C (1985) : « Trends and cycles in Macroeconomic time series » July, Vol 3, N°3

Harvey, A.C (1989) : « Forecasting structural time series models and the Kalman filter »
Cambridge University Press

Hatanaka, M. (1995) : « Time series based econometrics » Oxford University Press.

Mizon G.E, Richard J.F (1986) : « The encompassing principle and its application to testing
non-nested hypothesis » Econometrica Vol 54, N°3

Nelson C.R, Plosser C.I (1982) : « Trends and random walks in macroeconomic time series »
Journal of Monetary Economics 10

52
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Perron P (1989) : « The great crash, the oil price shock and the unit root hypothesis »
Econometrica 57 (1989), 1361-1401

Perron P (1990) : « Testing for a unit root in a time series with a changing mean » Journal of
Businness and Economic Statistics 8, 153-162

Perron P and Vogelsang T.J (1992) : « Nonstationarity et level shift with an application to
Purchasing Power Parity » Journal of Business and Economic Statistics 10 (1992

Perron P and Vogelsang T.J (1993) : « The great crash, the oil price shock and the unit root
hypothesis: Erratum » Econometrica 61, 248-249

Perron P (1997) : « Further evidence on breaking trend functions in macroeconomic

variables » Journal of Econometrics 80 355-385

Perron P. et Vogelsang P (1998) : « Additional tests for a unit root allowing for a break in the
trend function at an unknow time ». International Economic Review in press

Rabault G (1993) : « Une application du modèle de Hamilton à l'estimation des cycles

économiques » Annales d'économie et de statistique N°30 avril/juin 1993.

Schwert, G.W (1987) : « Effects of model specification on tests for unit roots in
macroeconomic data » Journal of Monetary Economics N°20 73-103

Vogelsang T.J (1997) : « Wald-Type tests for detecting breaks in the trend function of a
dynamic time series » Econometric theory 13, 818-849

Vogelsang T.J (1998) : « Trend function hypothesis testing in the presence of serial
correlation » Econometrica 66, N°1, 123-148

Zivot E and Andrews D.W.K (1992) : « Further evidence on the great crash, the oil price shock
and the unit-root hypothesis » Journal of Business and Economic Statistics 10, 251-270

53
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Annexe 1 : Exercices corrigés

Exercice 2.1

On pose Φ( L) = A( L)(1 − ρL) . L'hypothèse nulle de racine unitaire correspond ρ = 1.

L’hypothèse nulle est celle de marche aléatoire avec dérive. L’hypothèse alternative de
stationnarité « naturelle » est celle de stationnarité autour d’une tendance, le modèle retenu est
donné par :
(1 − L)( y t − θ 0 − θ 1t ) = A( L) −1 ε t , soit H 0 : y t = y t −1 + θ 1 + A( L) −1 ε t .
Sous l'hypothèse alternative ρ ≠ 1, on obtient un modèle stationnaire autour d'une tendance
déterministe :
(1 − ρL)( y t − θ 0 − θ 1t ) = A( L) −1 ε t
soit :
y t = ρy t −1 + [(1 − ρ )θ 0 + ρθ 1 ] + (1 − ρ )θ 1t + A( L) −1 ε t

La reparamétrisation de Fuller permet d'écrire le sur-modèle :

Φ( L)( yt − θ 0 − θ 1t ) = {Φ (1) + (1 − L)Φ * ( L)}( yt − θ 0 − θ 11t )
soit :
p −1
(1 − L) y t = − Φ(1) y t −1 + θ 0 Φ(1) + θ 1Φ (1) + θ 1Φ(1)t + ∑ Φ *i (1 − L) Li y + ε t
*

i =1
Le test de racine unitaire H0 : Φ(1) = 0 correspond donc à l'hypothèse nulle
(α , β , µ ) = (1,0, µ ) dans :
p −1
(1 - L) y t = µ + αy t −1 + βt + ∑ φ *i (1 − L) yt −i + ε t .
i =1

Exercice 2.2 : Marche aléatoire et durée d'un cycle

Comme les aléas sont indépendants, on a :
ε a 
proba(∆y t < 0, ∆y t +1 < 0, ∆y t + 2> 0 ) = Φ 2 (1 − Φ)
avec Φ = prob t < − 
σ ε σε 
La probabilité d'une récession est d'autant plus faible que la dérive est importante par rapport
à l'innovation. La probabilité d'un cycle de 3k trimestres est p(1 − p) . L'espérance de la
k

''
∞  ∞ k
 k
3
durée d'un cycle est donc ∑ 3kp(1 − p) = 3 p ∑ (1 − p)  = 2 . Dans la
i =1  i =0  Φ (1 − Φ)
représentation marche aléatoire d'une série, la durée d'un cycle dépend de la dérive et de
l'importance des innovations.

Exercice 2.3

 ∞
 ∞

t E (1 − L ) y =
t+ j t 
E

µ + ∑
i =0
b ε
i t + j −i 

= µ + ∑
i =k
bi ε t + j −i

On en déduit la prévision y t + k à la date :

54
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

t Ey t + k = y t + ∑j =1
t E (1 − L) y t + j

= y t + ∑∑ {bi ε t + j −i + µ }
k ∞

j =1 i = j

 k   k +1 
= y t + kµ +  ∑ bi ε t +  ∑ bi ε t −1 + ...
 i =1   i =2 
impact de ε t impact de ε t -1
entre t +1 et t + k entre t +1 et t + k

La composante permanente déterministe ŷ t est donnée par :

 k   k +1 
yˆ t = y t +  ∑ bi ε t +  ∑ bi ε t −1 + ...
 i =1   i =2 
impact de ε t impact de ε t -1
entre t +1 et t + k entre t +1 et t + k

Cette composante permanente stochastique suit une marche aléatoire avec dérive :

(1 − L )yˆ t = (1 − L )yt +  ∑ bi ε t − b1ε t −1 − ... − bi ε t −i

k

 i =1 
impact de ε t
entre t +1 et t + k

 ∞ 
= µ +  ∑ bi ε t = µ + B(11)ε t
 i=0 

Exercice 2.4
(1 − L) y t = µ + γ (t > TB + 1) + B( L)et avec B(0) = 1 and B(1) fini
B (L) - B(1)
On pose B * ( L) =
1− L
On a alors :
(1 − L) y t = µ + γ (t > TB ) + {(1 − L) B * ( L) + B(1)}et
Donc :
k k
y t + k = y t + g ∑ (t + i > TB ) + µk + B( L)et + k − B( L)et + B(1)∑ et + i
i =1 i =1

La composante permanente ty t est définie comme l' espérance à l' horizon infini corrigée de sa
composante déterministe :
k
ty t = lim E y t + k − γ ∑ (t + i > TB ) − µk = y t + B(1)et
k → ∞ t i =1

Le taux de croissance de la composante permanente est donné par :

(1 - L)ty t = γ (t > TB ) + µ + B(1)et

(1 − L)cyt = (1 − L)( y t − ty t )

55
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Annexe 2 : Equivalence de différentes mesures de la persistance

Démonstration de la propriété 3

(a) D'après la décomposition de Beveridge-Nelson, on a (1 − L) y∃t = B(1)ε t . On a donc :

V ((1 − L) y∃) = B(1) 2 σ 2ε

(b)
2
 ∞  ∞ ∞ ∞
B(1) =  ∑ bi  = ∑ bi2 + 2∑ b j b j +1 + 2∑ b j b j + 2 +...
2

 i =0  i =0 j =0 j =0

⇒ σ ε2 B(1) 2 = γ 0 + 2γ 1 + 2γ 2 + ...
(c)
σ k2 = k −1 V ( y t + k − y t )
t

 k 
= k −1 V  ∑ (1 − L) y t + i 
t
 i =1 
 k k 
= k −1 ∑∑ E ((1 − L) y t + i )((1 − L) y t + j )
 i =1 j =1 

Le développement de ce dernier terme peut être compris comme la somme des coefficients de
la matrice dont le terme de la ième ligne et de la jème colonne est le suivant :
 
 
 
 (1 − L )y t + i (1 − L )y t + j 
 
 
 
• La somme des termes de la diagonale (i = j ) donne : kγ 0
• La somme des termes des iièmes lignes au dessus et en dessous de la diagonale donne (pour
i = 1,..., k − 1 : (k − i )γ i
D’où :
k 2 k −1

σ k2 = k −1 ∑ γ 0 + 2∑ (k − i )γ i 
 i =1 i =1 
d' où
k −1
lim σ k2 = γ 0 + 2∑ γ i
k →∞
i =1
(d)

56
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

t −1
y t = ∑ (1 − L) Li y t + y 0
i =0
t −1 t − 2 t −1
On suppose y 0 fixe. Donc Ey t2 = ∑ γ 0 + 2 ∑ ∑γ i
i =0 i =1 j = i +1
∞
lim t −1 Ey t2 = γ 0 + 2∑ γ i
t →∞
i =1

(e)
f (1− L ) yt (ω ) = f B ( L °ε t (ω ) = B(e − iω ) B(e iω ) σ ε2
Donc, pour ω = 0 :
f (1− L ) yt (0) = f B ( L )ε t (0) = B(e − i 0 ) B(e i 0 ) σ ε2 = B(1) σ ε2
2

57
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Annexe 3 : Tabulation de Dickey-Fuller (1981)

Distribution empirique du rapport de vraisemblance dans le test :

p −1
(α , µ ) = (1,0) pour le modèle (1 - L) y t = µ + αy t −1 + ∑ φ i* (1 − L) y t −i + ε t
i =1

N 0,01 0,025 0,05 0,10 0,90 0,95 0 ,975 0,99

25 0,29 0,38 0,49 0,65 4,12 5,18 6,30 7,88
50 0,29 0,39 0,50 0,66 3,94 4,86 5,80 7,06
100 0,29 0,39 0,51 0,67 3,86 4,71 5,57 6,70
250 0,30 0,39 0,51 0,67 3,81 4,63 5,45 6,52
500 0,30 0,39 0,51 0,67 3,79 4,61 5,41 6,47
0,30 0,39 0,51 0,67 3,78 4,59 5,38 6,43

Distribution empirique du rapport de vraisemblance dans le test :

p −1
(α , β , µ ) = (1,0, µ ) pour le modèle (1 - L) y t = µ + αy t −1 + βt + ∑ φ *i (1 − L) yt −i + ε t
i =1

N 0,01 0,025 0,05 0,10 0,90 0,95 0 ,975 0,99

25 0,74 0,90 1,08 1,33 5,91 7,24 8,65 10,61
50 0,76 0,93 1,11 1,37 5,61 6,73 7,81 9,31
100 0,76 0,94 1,12 1,38 5,47 6,49 7,44 8,73
250 0,76 0,94 1,13 1,39 5,39 6,34 7,25 8,43
500 0,76 0,94 1,13 1,39 5,36 6,30 7,20 8,34
0,77 0,94 1,13 1,39 5,34 6,25 7,16 8,27

58
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Annexe 4 : Le modèle de Stock et Watson

Le modèle de Stock et Watson peut être écrit sous la forme d'un modèle espace d'états. En
supposant des séries intégrées et non cointégrées, le vecteur état Z t , non observable, peut
s'écrire :
∆Ct 
∆C 
 t −1 
... 
 
 ∆Ct − p 
Zt = u 
( p + nk +1,1)
 t 
... 
u 
 t −k 
Ct −1 

En définissant les matrices suivantes :

Φ
* Φ 1 . Φ 2 . Φ p 
= ... ]
 , D = 1
*  D . D2 .
...
Dk ] 
[ ] [
 , Z c = 1 01, p −1 , Z u = I n 0 n ,n ( k −1) ]
( p, p)  I p − 1 0  ( nk , nk )  I n ( k − 1) 0 n ( k −1), n 
on obtient l'équation de transition suivante :
 Φ * O p ,nk O p ,1 
   ∂ 
Z t = Onk , p D * Onk ,1  Z t −1 + 
O p + nk ,1 
 Zc O1,nk 1 

L'équation de mesure s'écrit quant à elle :
∆X t = β + [γZ c Z u 0]Z t

59
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

CHAPITRE 3 : LES MODELISATIONS MULTIVARIEES DES FLUCTUATIONS

L'application en macroéconomie des modèles Vectoriels AutoRégressifs, VAR, a connu un

développement rapide ces dernières années. Ce succès s’explique par plusieurs raisons :
• D’abord, ces modèles peuvent être utilisés pour caractériser les fluctuations économiques.
Dans la tradition de Beveridge et Nelson, la composante permanente est assimilée à la
prévision à un horizon infini et la composante transitoire est obtenue par différence. Les
propriétés statistiques des composantes transitoires, leurs corrélations avancées,
contemporaines et retardées notamment, permettent alors d'établir des faits stylisés, qui
peuvent être confrontés aux conclusions de modèles théoriques.
• Le deuxième intérêt des modèles VAR est l'étude des multiplicateurs associés à un choc
sur les innovations du processus. Ces multiplicateurs peuvent être analysés à partir des
coefficients de la forme moyenne mobile infinie, si les innovations ont été préalablement
orthogonalisées à partir d'une décomposition de type Cholesky de leur covariance. De
plus, l'erreur quadratique de prévision peut alors être décomposée par rapport à chacune
des innovations.
Cependant, ces innovations orthogonalisées ne peuvent être interprétées qu’avec précaution.
Aussi, l’analyse des modèles VAR s'est-elle également orientée vers l'identification de chocs
structurels, tels que l'on peut les comprendre à partir de la théorie économique. Il s'agit alors
d'identifier des modèles VAR structurels, ou SVAR, à partir de modèles que l'on sait estimer,
les modèles VAR canoniques, et de restrictions qui sont suggérées par la théorie économique.
Ces contraintes peuvent porter sur le court terme ou le long terme. Les modèles SVAR ont été
développés récemment pour chercher à rendre compte de l'importance des chocs de demande
et d'offre notamment, ou encore pour proposer des mesures de l'inflation sous-jacente.
Cependant, ils peuvent être critiqués dans la mesure où ils imposent souvent des propriétés a
priori. Par exemple, les modèles structurels identifiés à partir de l'hypothèse de neutralité des
chocs de demande sur l'activité à long terme apportent relativement peu aux débats
macroéconomiques contemporains. Ils imposent en effet une interprétation traditionnelle des
fluctuations économiques, les chocs de demande étant supposés ne pas avoir d’impact à long
terme. Au contraire, les modèles à tendances communes (King, Plosser, Stock et Watson
1991) identifient d’abord les tendances stochastiques de long terme puis mettent en évidence
leur impact sur les fluctuations transitoires.

I/ Les modèles VAR et la description de l’économie

Les approches univariées présentées dans les deux précédents chapitres se révèlent souvent
insuffisantes pour établir des faits stylisés significatifs et robustes. En effet, l'étude des
corrélations avancées, contemporaines et retardées entre composantes cycliques peut s'avérer
trompeuse. Par exemple, la procyclicité des prix et des salaires dépend de la nature des chocs :
un choc technologique d'offre conduit à une baisse des prix et une hausse de l'activité (soit
une corrélation négative entre inflation et croissance) ; au contraire, un choc de demande
induit une hausse des prix et de l'activité (soit une corrélation positive entre inflation et
croissance). Bardsen, Fisher et Nymoen (1995) ont ainsi mis en évidence l'instabilité des
corrélations entre composantes cycliques filtrées par des méthodes univariées. Pour prendre
en compte les différents aléas possibles, une approche multivariée est nécessaire.

60
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

I.1/ L'apport des modèles VAR à l’analyse des fluctuations

Sims (1980) a été l’un des premiers macroéconomètres à critiquer l'application de modèles à
équations simultanées. Ces derniers ne reposent que souvent sur des hypothèses fortes et peu
réalistes que la théorie économique ne permet pas de justifier : sur la dynamique, sur les
anticipations ou encore sur les restrictions a priori sur l’endogénéité des variables. Il a donc
proposé l'application des modèles vectoriels autorégressifs, qui constituent en fait les formes
réduites les plus générales que l'économètre sache estimer.

Soit le processus multivarié de taille (n,1), noté y t = (y i ,t ). On suppose que y t suit un

processus autorégressif d’ordre p, soit :

y t = A1 y t −1 + ... + A p y t − p + ε t avec Eε t = 0 et Eε t ε t' = Ω
(n ,1) ( n ,n )

Un modèle VAR contient n 2 p paramètres à estimer à partir de nT données. Pour pouvoir

estimer un tel modèle, on doit donc avoir un nombre d’observations T tel :
T > np
Pour fixer les idées, un modèle VAR annuel avec six variables (n=6) et deux retards (p=2)
nécessite une base de données renseignées sur au moins treize ans. L’ajout d’un retard, ou
d’une variable, supplémentaire rend la marge encore plus étroite. Du fait de ces contraintes
sur les degrés de liberté, il est exclu de modéliser dans le cadre d’un VAR un nombre de
variables aussi important que dans les gros modèles macrostructurels. Au contraire, une étape
essentielle de la modélisation VAR est de sélectionner a priori les variables importantes.

Un modèle VAR d'ordre p peut toujours être réécrit sous la forme d'un modèle VAR d'ordre 1,
comme suit :
X t = BX t −1 + η t

 yt  ε t 
   A1 ... A p −1 A p   
 y t −1  I ... On , n  On ,1 

avec X t = ...  ,B =   et η = ... 
n ,n

   On , n ... On ,n On,1  t
 
 yt − p+ 2    On ,1 
  On ,n ... I n On ,1  O 
 t − p +1 
y  n ,1 

A partir du modèle VAR estimé, on peut donc prévoir les variables y t à l'horizon k à partir
des n premières lignes de :
t X t +k = B X t
ˆ k

Différentes mesures peuvent alors être proposées pour décrire certains faits stylisés des
fluctuations économiques (cf. Rotemberg et Woodford 1996, Ravn 1997) :
• l'écart-type des anticipations pour différents horizons. Il permet de mesurer l'incertitude.
On peut également calculer une mesure du type R2 en rapportant la variance expliquée
pour un horizon donné à la variance totale. On constate alors si la part de l'incertitude croît
fortement ou non avec l'horizon.

61
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

• les comouvements entre les anticipations de deux variables sont étudiées à partir des
corrélations croisées ou encore de régressions. Dans ce dernier cas, si le logarithme des
variables est initialement retenu, on obtient alors les élasticités d'une variation anticipée
par rapport à une autre variation anticipée32.

Cependant, en macroéconomie, les variables étudiées sont souvent intégrées d'ordre un. Le
modèle VAR est alors spécifié en différence, ce qui conduit à écrire33 :
(1 − L) X t = B(1 − L) X t −1 + η t
On a donc la prévision de X t à la date t pour l’horizon t+k :
k k
X t + k = X t + ∑ (1 − L )X t + j ⇒ t X t + k = X t + ∑ (1 − L )t X t + j
j =1 j =1

Soit :

k  k 
X t + k = X t + ∑ B j X t =  ∑ B j  X t
t
j =1  j =0 
On peut alors retrouver la composante permanente, telle que définie par Beveridge et Nelson
dans le caLs univarié, par 22la limite t X t + k lorsque l'horizon k tend vers l'infini, soit :

lim t X t + k = (I − B ) X t
−1
k →∞

I.2/ Innovations et études des chocs

I.2.a/ Approche à partir de la forme autorégressive

On part du modèle VAR présenté sous la forme autorégressive :

y t = A1 y t −1 + ... + A p y t − p + ε t avec Eε t = 0 et Eε t ε t' = Ω

(n ,1) ( n ,n )

On cherche à étudier l’impact des n 2 premières variables sur les n1 premières variables, avec
n1 + n 2 = n . Le problème consiste à prendre correctement en compte les corrélations
contemporaines des différentes variables, résumées dans la matrice de covariance Ω . Pour
cela, on peut réécrire le modèle VAR sous la forme :
Φ(L )y t = ε t
avec les notations suivantes :

 y t1   ε t1  p
 Ω11 Ω12   Φ (L ) Φ 12 (L )
y t =  2  , ε t =  2  , Φ(L ) = I n − ∑ Ai Li , Ω =   et Φ(L ) =  11 
y 
 t 
ε 
 t  i =1  Ω 21 Ω 22  Φ 21 (L ) Φ 22 (L )

32 Dans les études citées, on obtient généralement une élasticité entre les variations anticipées de la
consommation par rapport à celles de l'activité nettement inférieure à l'unité, ce qui semble contradictoire par
rapport à la théorie du revenu permanent.

33Dans le cas où les variables peuvent également être stationnarisées par cointégration, le passage du VAR
d'ordre p au VAR d'ordre un nécessite la prise en compte des relations de cointégration dans le vecteur X t (cf.
Rotemberg et Woodford 1997 pour un exemple).

62
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Par définition du modèle VAR, les seules variables contemporaines d’une équation sont les
variables endogènes. On a donc :
• Φ 11 (0) = I n1 et Φ 12 (0 ) = I n2
• Φ 12 (0 ) = On1 ,n2 et Φ 21 (0 ) = On2 ,n1
De plus, comme les corrélations contemporaines sont prises en compte dans la matrice de
covariance, on a : Ω12 ≠ On1n2 . Un choc sur les innovations ε t2 ne peut être envisagé
indépendamment des mouvements conjoints des innovations ε t1 . On cherche donc à
construire des innovations η t1 indépendantes des innovations ε t2 . Pour cela, on définit η t1
comme le résidu de la régression de ε t1 sur ε t2 , soit :
−1 2
ε t1 = Ω12 Ω 22 ε t + η t1
On a donc :
η t1   I n1 Ω12 Ω −221  ε t1 
 =  
 ε 2   On , n I  ε 2 
 t   2 1 n 2  t 

D’où :

 Φ 11

+
(L ) Φ 12
+
(L ) y t   I n1
1
  
Ω12 Ω −221  Φ 11 (L ) Φ 12 (L ) y t1  η t1 
   =  
 Φ (L ) Φ (L ) y 2  =  O I n2  Φ 21 (L ) Φ 22 (L ) y t2   ε t2 
 21 22  t   n2 ,n1

Sous cette forme, un choc sur les innovations ε t2 n’a pas de conséquences sur les innovations
η t1 . On dit que le modèle VAR a été écrit sous forme bloc récursive. En effet, on a :
+
Φ 12 (0) = −Ω12 Ω −221
Dans chacune des équations y t1 , les variables contemporaines y t2 apparaissent.

I.2.b/ Approche à partir de la forme moyenne mobile infinie

On cherche à comprendre la dynamique du modèle VAR canonique que nous avons présenté
dans la section précédente. Pour cela, le modèle peut être écrit sous sa forme moyenne mobile
infinie (Hamilton 1994) :
∞
y t = ∑ψ k ε t − k avec Ψ0 = I n et Eε t ε 't = Ω
k =0
La matrice Ω est généralement non diagonale c’est-à-dire que les innovations sont corrélées
entre elles à une même date t. On a :
∂y  ∂y ∂y t + k 
ψ k = t +'k =  t + k ... 
∂ε t  ∂ε 1,t ∂ε n,t 

En fait, l'innovation ε i,t a un impact sur y j,t+k :

• direct via la matrice Ψk . Le coefficient correspondant à l'intersection de la jème ligne et
de la ième colonne de la matrice Ψk , noté par la suite Ψkji , mesure l'impact de
l'innovation de la ième équation, ou de la ième variable endogène, à la date t sur la jème
variable à la date k périodes plus tard. On a :

63
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

∂y j ,t + k
Ψkji =
∂ε i ,t
La fonction de réponse pour la variable j est donnée par la matrice de taille (1,n)34 :
 ∂y j ,t + k 
 ' 
 ∂ε t  k =1,...,∞
• indirect via l'impact contemporain de ε i,t sur les autres innovations et donc sur les autres
variables, puis le retour de ces dernières sur y j ,t + k . Cet impact indirect existe du fait des
corrélations contemporaines entre les innovations.

Pour étudier l'impact d'une information nouvelle à la date t sur la prévision d'une variable
y j ,t + k en tenant compte de ces corrélations contemporaines, on adopte une approche
récursive. On étudie :
• d'abord l’impact d’une information nouvelle sur la première variable y1,t pour les
prévisions à horizon k des autres variables y j ,t qui peuvent être réalisées à partir de la
variable y1,t et du passé de l’ensemble des variables y t −1 , soit :
∂Ey j ,t + k / y1,t , y t −1
∂y1,t
• puis les révisions supplémentaires de la prévision consécutive à une information
supplémentaire sur la deuxième variable y 2,t , soit :
∂Ey j ,t + k / y1,t , y 2 ,t , y t −1
∂y 2 ,t

Pour calculer ces multiplicateurs, on cherche à construire des résidus ut non corrélés entre
eux à un même instant t. Comme la matrice Ω de covariance des innovations canoniques est
symétrique définie positive, il existe une unique matrice A triangulaire inférieure de diagonale
unitaire et une unique matrice D diagonale positive telle que :
Ω = ADA'
Si on pose ut = A −1ε t , on obtient des innovations non corrélées entre elles :
Eut ut' = D
Par construction de ut , on a :
j −1
pour j=2,…,n u j ,t = ε j ,t − ∑ a ji u i ,t
i =1
et
pour j=1 u1,t = ε 1,t .
Du fait de l’absence de corrélation contemporaine entre les différentes innovations du
processus ut , u j ,t peut être interprété comme le résidu de la régression de ε j ,t sur
(u 1,t )
,..., u j −1,t . Il représente donc l'information nouvelle contenue dans ε j ,t au delà de celle
( )
déjà contenue dans u1,t ,..., u j −1,t . De plus, on a :

34 En anglais, impulse response function.

64
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Eε j ,t / u1,t = a j1u1,t pour j=1,...,n

Comme u1,t = ε 1,t on a aussi :
Eε j ,t / ε 1,t = a j1ε 1,t
Une nouvelle information sur ε 1,t conduit à réviser la prévision de ε j ,t d'un montant a j1 :
∂Eε j ,t / ε 1,t
= a j1
∂ε 1,t
Comme ε j ,t est le résidu de la régression de y j ,t sur le passé du processus y t , noté y t −1 et
que ε 1,t est le résidu de la régression de y1,t sur y t −1 :
∂Ey j ,t / y1,t , yt −1 ∂Eε j ,t / ε 1,t
= = a j1
∂y1,t ∂ε 1,t

De plus :
∞ n
∂E ∑∑ψ hji ε i ,t / ε 1,t
∂Ey j ,t + k / y1,t , y t −1 n
= h = 0 i =1
= ∑ψ kji a i1
∂y1,t ∂ε 1,t i =1

Vectoriellement, cette relation s'écrit :

∂Ey t + k / y1,t , y t −1
= ψ k a1 avec a1' = [a11 ... a n1 ]
∂y1,t

De même, on peut établir que :

∂Ey j ,t / y1,t , y 2,t , y t −1 ∂Eε j ,t / ε 1,t , ε 2,t
= = a j2
∂y 2 , t ∂ε 2,t
D'où :
∂Ey t + k / y1,t , y 2,t , y t −1
= ψ k a2
∂y 2 , t
De façon générale, on obtient :
∂Ey t + k / y1,t , y 2,t ,..., y j ,t , y t −1
=ψ kaj
∂y j , t
{ψ a }
k j k =1,...,∞
est appelée la fonction de réponse orthogonalisée.

Cependant, il convient de noter que les résultats obtenus sont sensibles à l'ordonnancement
initial des variables, notamment car l'interprétation des résidus orthogonalisés n'est plus la
même. On préconise donc habituellement d'ordonner les séries de la plus "exogène" à la plus
"endogène".

A partir de la forme MA infinie du modèle VAR, on peut calculer l'erreur quadratique de

prévision. L’erreur de prévision à l’horizon s est définie par :
s −1
y t + s − t y t + s = ∑ψ h ε t + s − h
h =0
d’où

65
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

MSE ( t y t + s ) = ∑ψ h E (ε t + s − h ε t' + s − h )ψ h' = ∑ψ h Ωψ h'

s −1 s −1

h =0 h =0
On peut développer cette décomposition sur les résidus orthogonalisés ut . Comme on a
n
Aut = ε t , on obtient Ω = ADA' = ∑ var(uit )a i ai' et donc :
i =1

{ }
n
MSE ( t y t + s ) = ∑ var(u it ) a i a i' + .. + ai ai' + ... + ψ s −1 a n a n' ψ s −1
'

i =1

Lorsque les résidus du modèles VAR sont orthogonaux, on peut donc calculer la contribution
de chaque variable dans l'erreur quadratique de prévision, pour un horizon s donné.

I.2.d/ Une application : revenu permanent et persistance du PIB

La théorie friedmanienne du revenu permanent stipule que la consommation n'évolue que

suite à des chocs permanent du revenu, ici le PIB. Si cette théorie est vraie, les chocs
assimilés à la consommation devraient avoir un impact important à long terme sur le revenu.
Cochrane a étudié cette question dans le cadre du modèle bivarié (consommation, PIB). Le
modèle VAR est orthogonalisé en retenant la consommation comme première variable. Les
chocs sur le revenu représente alors la part de l'innovation canonique du revenu qui n'est pas
contenue dans l'innovation de la consommation. La première innovation "structurelle" devrait
donc avoir un impact important sur le revenu alors que la deuxième innovation "structurelle"
devrait donc avoir un impact moins important.

A partir des résultats obtenus par Cochrane (1994), il apparaît que les chocs sur l'innovation
structurelle de la consommation ont bien un effet persistant important sur la consommation,
au contraire de l'innovation sur le revenu. Peut-on pour autant en conclure, avec Cochrane,
que la persistance du PIB est faible? Ce diagnostic est en fait fondé sur la faible persistance de
la seconde innovation, qui représente l'information supplémentaire contenue dans l'innovation
canonique du revenu. Il peut donc être sensible à l'ordonnancement retenu, d'autant plus que
le PIB peut être compris comme plus exogène que la consommation35.

II/ Les modèles VAR et la théorie économique

Pour étudier les liens entre les modèles VAR et les modèles à équations simultanées, deux
approches sont possibles. La première méthodologie utilise le modèle VAR comme cadre
initial pour tester des restrictions devant conduire à des équations structurelles. Au contraire,
dans la seconde approche, certaines contraintes sont imposées à priori pour identifier le
modèle linéaire structurel à partir du VAR estimé. Les contraintes, qui sont ici imposées,
correspondent pour partie à la théorie économique. C'est cette approche, les VAR structurels
ou SVAR, qui est présentée ici.

35 De plus, l'estimation de Cochrane a mis en avant l'existence d'une relation de cointégration entre les deux
variables et donc d'une tendance commune (cf. section II.4). Il s'agirait donc d'étudier la persistance de cette
tendance commune, qui correspond à la croissance du revenu permanent et de la consommation si la théorie
friedmanienne de la consommation est vraie.

66
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

II.1/ Le problème général de l'identification

On retient le modèle VAR d'ordre p suivant :

y t = A1 y t −1 + ... + A p y t − p + ε t
(n ,1) ( n ,n )

avec :
ε t sont les innovations canoniques
Eε t ε t' = Ω

Dans le cadre de ce modèle VAR, les liens contemporains entre les différentes variables sont
résumés par la matrice de covariance contemporaine des résidus Ω . Un des principaux
objectifs de la modélisation structurelle est d'expliciter les liens contemporains entre les
variables. Formellement, le modèle SVAR s'écrit :
y t = B0 y t + B1 y t −1 + .... + B p y t − p + u t
avec :
u t les innovations structurelles
Eut ut' = ∑
On suppose que les innovations canoniques ε t du modèle VAR, la forme réduite, s'expriment
donc comme une combinaison linéaire des innovations structurelles :
ε t = Put où P est une matrice de taille (n,n)
L'identification du modèle structurel à partir du modèle réduit est donc acquise dès que la
matrice P est connue car :
 B0 = I − P −1
 −1
 Bi = P Ai pour i = 1,..., p
 −1
u t = P ε t
L'identification à partir de la forme réduite de la matrice P, qui comporte n 2 paramètres,
nécessite donc n 2 contraintes. Il est commun aux différentes approches structurelles de la
modélisation VAR de supposer que :
n(n − 1)
• les chocs structurels ne sont pas corrélés entre eux, soient contraintes ;
2
• la variance des chocs structurels est unitaire. Il s'agit ici de n contraintes techniques de
normalisation.
n(n − 1)
A ce stade, il reste donc à spécifier contraintes pour identifier la matrice P. C'est à ce
2
niveau que les approches structurelles peuvent différer entre elles. Comme on a
Ω = EPu t u t' P ' = PP' , on peut identifier la matrice P à la décomposition unique de Cholesky
de la matrice de covariance de la forme réduite (cf. section I.2). Les deux premiers types de
contraintes sont alors vérifiées car Eu t u t' = P −1Ω( P −1 )' = I . D'autres auteurs préfèrent recourir
à la théorie économique pour imposer les contraintes supplémentaires, notamment sur les
liens contemporains.

67
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

II.2/ Application à l’interprétation des fluctuations macroéconomiques

Blanchard (1989) a, parmi les premiers, utilisé une approche VAR structurelle pour analyser
les fluctuations économiques. Son identification des chocs structurels repose en fait sur des
hypothèses techniques mais aussi économiques. Son modèle de l'économie américaine est
composé de cinq variables : le PIB, le taux de chômage, l'indice des prix, le taux de salaire et
la masse monétaire. A l'exception du taux de chômage supposé stationnaire, toutes les autres
variables sont différenciées. Les chocs structurels sont les suivants : un choc de demande
( ed ), un choc de progrès technique ( eΘ ), un choc de prix ( e p ), un choc salarial ( ew ) et un
choc monétaire ( em ). L'identification du modèle structurel de l'économie suppose donc de
poser vingt cinq restrictions :
• la première hypothèse usuelle d'absence de corrélation des chocs structurels permet donc
d'établir dix premières contraintes.
• L'innovation structurelle correspondant à chaque équation est affectée d'un coefficient
unitaire. Ces cinq contraintes sont une hypothèse de normalisation, équivalente à imposer
une variance unitaire sur les innovations structurelles.
• Les autres contraintes portent en fait sur les liens contemporains, c'est-à-dire la matrice
I − B0 . Ces contraintes sur la matrice I − B0 sont des contraintes d'exclusion : trois pour
la première équation (car le taux de chômage u est indirectement présent via les chocs
d'offre eΘ ), trois pour la deuxième, une pour la troisième (de même, le taux de chômage u
est indirectement présent via les chocs d'offre eΘ ), une pour la quatrième (ici c'est le PIB y
qui est indirectement présent via les chocs d'offre). Soit un total de huit contraintes
d'exclusion.

En négligeant les termes autorégressifs, ces différentes contraintes conduisent à écrire le

modèle structurel sous la forme suivante :
 y =...+ p12 eΘ + ed

u = B0 ,21 y +...+ eΘ

 p = B0,34 w + B0,31 y +...+ p32 eΘ + e p
w = B p + B u +...+ p e + e
 0 , 43 0 , 42 42 Θ w

m = B0,51 y + B0 ,52 u + B0,53 p + B0,54 w+...+ em

Il manque alors encore deux contraintes. Ces contraintes sont alors imposées sur :
• l'importance des chocs d'offre dans le PIB (coefficient p12 ). Compte tenu de l'importance
des discussions sur la place des chocs d'offre dans les fluctuations conjoncturelles,
plusieurs identifications du modèle VAR structurel sont présentées, par balayage sur les
valeurs de ce paramètre.
• l'indexation à court terme des salaires sur les prix est généralement admise comme faible :
B0 ,34 = 01
.
Il est donc intéressant de présenter les contributions des chocs structurels ainsi identifiés à la
variance du PIB par exemple.

68
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Tableau 1 : Contributions des innovations à la variance

En % ed eΘ ep ew em
1 trimestre 0.92 0,07 0,00 0,00 0,00
4 trimestres 0,85 0,04 0,01 0,00 0,09
8 trimestres 0,62 0,10 0,09 0,00 0,09
20 trimestres 0,32 0,46 0,13 0,03 0,05
28 trimestres 0,26 0,53 0,11 0,03 0,05
Source : Blanchard (1989) "A traditional interpretation of macroeconomic fluctuations"
American Economic Review Vol 79 N°5

II.3/ Contraintes structurelles sur le long terme

II.3.a/ Principes généraux

Blanchard et Quah (1989) ont également proposé d'identifier un modèle structurel par des
contraintes de long terme. Pour cela, l'identification du modèle structurel s'appuie sur la forme
MA du modèle VAR. Le vecteur des n variables y t est supposé intégré d'ordre 1
implicitement, car pour des séries stationnaires les contraintes de long terme seraient sans
pertinence. La décomposition de Wold permet d'écrire :
(1 − L) y t = C (L )ε t avec C0 = I n et Eε t ε t' = Ω
Le modèle structurel sous sa forme moyenne mobile infinie s'écrit :
(1 − L) y t = E (L )u t avec Eu t u t' = I n , matrice diagonale
La matrice E (1) est la matrice d’impact à long terme des chocs structurels.
On a donc :
ε t = E0 u t
L'identification du modèle structurel revient donc à connaître la matrice des liens
contemporains E 0 , soit à établir n 2 contraintes :
• D’abord, les innovations structurelles sont par hypothèse non corrélées et leur variance est
normalisée à l'unité. Les contraintes sur la matrice de covariance des innovations
n(n + 1)
structurelles permet donc d'établir contraintes.
2
n(n − 1)
• Les contraintes restantes, au nombre de sont établies à partir des contraintes de
2
long terme. Ces contraintes de long terme portent sur le multiplicateur dynamique de long
terme, la matrice E(1) . On suppose donc que certains coefficients de cette matrice sont
nuls. Dans le cas où ces contraintes de long terme conduisent à supposer que la matrice
E(1) est bloc diagonale inférieure, le problème est simplifié. En effet, on a :
C (1)ε t = E (1)ut ⇒ C (1)ΩC (1)' = E (1) E (1)'
La matrice E(1) est donc la décomposition de Cholesky, unique, de la matrice C (1)ΩC (1)' .
Cette dernière peut être estimée à partir du modèle VAR réduit. La matrice des liens
contemporains peut alors être établie comme suit :
C (1)ε t = E (1)ut  −1
 ⇒ E 0 = C (1) E (1)
ε t = E 0 ut 
Le modèle structurel est alors identifié.

69
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

L'approche présentée ci-dessus a été initialisée par Blanchard et Quah pour identifier les
chocs d'offre et de demande dans le système bivarié (pib, taux de chômage). Le choc de
demande est supposé n'avoir aucun impact à long terme sur l'activité et le chômage, le choc
d'offre n'a un impact à long terme que sur le PIB36. Compte tenu de ces hypothèses, on peut
se demander si ce modèle bivarié n'est pas une décomposition implicite du PIB en tendance et
cycle. Les fluctuations du PIB américain associées aux chocs de demande ont un profil voisin
de sa composante cyclique, telle qu'elle peut être évaluée par des procédures statistiques
univariées.

II.3.b/ Une mesure de l'inflation sous-jacente

L’inflation sous-jacente est définie comme la composante qui correspond aux mouvements de
long terme de l’économie. Pour l’identifier dans le cadre d’un modèle SVAR bivarié
(inflation, PIB), on considère que seuls les chocs d'offre influencent l'activité à long terme.
Formellement, on a :
(1 − L) y y  uts 
  = E ( L )  d
(1 − L) pt  ut 
avec, outre les contraintes sur la covariance des innovations structurelles, la contrainte de long
terme : E12 (1) = 0 .
Une difficulté d'interprétation apparaît cependant dans cette évaluation de l'inflation sous-
jacente :
• Soit E 22 (1) ≠ 0 . Alors le choc de demande a un impact non transitoire sur l'inflation. Ce
résultat apparaît difficile à interpréter économiquement : ce choc influence a alors
durablement l'activité via les effets d'encaisses réelles sur la consommation, les pertes de
compétitivité. On aurait alors E12 (1) ≠ 0 .
• Soit E 22 (1) = 0 . Alors, la matrice des multiplicateurs dynamiques n'est pas de plein rang.
Il existe donc une relation de cointégration entre l'inflation et le PIB, ce qui doit être
préalablement testé économétriquement.

II.3.c/ Analyse des fluctuations macroéconomiques dans un petit pays

Hoffmaister, Roldas et Wickham (1997) ont appliqué une modélisation VAR structurelle à
des pays d’Afrique sub-saharienne. Cinq variables sont retenues pour décrire l’économie de
ces pays : le taux d’intérêt mondial37, les termes de l’échange, le PIB, les prix et le taux de
change réel. Les contraintes de normalisation et d’indépendance des innovations structurelles
sont ici au nombre de quinze et la théorie économique doit alors permettre de poser les dix
contraintes restantes :
• L’hypothèse de petit pays permet de supposer l’absence d’impact à long terme des
taux d’intérêt mondial et des termes de l’échange sur le PIB, les prix et le taux de
change réel (soit six contraintes) ;

36A long terme, aucun choc structurel n'influence le taux de chômage, qui est donc supposé stationnaire.
37 Le taux d’intérêt réel est défini comme le taux Libor sur un dépôt à six mois aux Etats-Unis et les prix sont les
prix à la consommation. Le taux de change réel, rapport du prix des biens non échangeables au prix des biens
échangeables, est mesuré par le ratio prix à la consommation sur le produit de la parité et des prix à la production
aux Etats-Unis. Les données utilisées sont issues des International Financial Statistics du FMI.

70
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

• Le choc structurel de l’équation de prix est interprété comme un choc nominal et n’a
pas d’influence à long terme sur les variables réelles, le PIB et aussi le taux de change
réel (soit deux contraintes) ;
• Le choc structurel de l’équation de taux de change réel est interprété comme un choc
de politique budgétaire : l’augmentation des dépenses publiques porte principalement
sur les biens non échangeables et conduit à une augmentation du prix des biens non
échangeables. Si la politique budgétaire détermine bien la composition de la demande
à court terme, elle reste sans effet sur le PIB à long terme (soit une contrainte
supplémentaire) ;
• enfin, le taux d’intérêt mondial est supposé sans impact à long terme sur les termes de
l’échange (soit la dixième contrainte).

II.4/ Les modèles à tendance commune

Les modèles à tendances communes, tels qu'ils sont issus des travaux de King, Plosser, Stock
et Watson (1991), ont permis de mettre en évidence l'impact des tendances stochastiques sur
les fluctuations transitoires38. Cette méthodologie apparaît de plus moins arbitraire que les
modèles SVAR présentés ci-dessus car les contraintes sont en fait imposées à partir d'une
étude économétrique du long terme (en fait de la cointégration).

On reprend le cadre d'analyse précédent. La décomposition de Wold permet d'écrire le modèle

réduit sous sa forme moyenne mobile infinie :
(1 − L) x t = µ + C( L)ε t avec C0 = I n et Eε t ε 't = Ω
Le modèle structurel sous sa forme moyenne mobile infinie s'écrit :
(1 − L) x t = µ + E ( L)ut avec Eut ut' = Σ u
Dans le modèle structurel, les liens contemporains sont résumés par la matrice de covariance
mais aussi la matrice E 0 .

II.4.a/ Composantes stochastiques et cointégration

On peut décomposer la matrice C ( L) comme suit :

∞
C ( L) − C (1) = (1 − L)C * ( L) avec Ci* = − ∑ C j
j = i +1

On a alors :
{
(1 − L) x t = µ + C(1) + (1 − L)C * ( L) ε t }
On en déduit que :
t
x t = x 0 + µt + C * ( L)(η t − η 0 ) + C (1)∑ ε i
i =1
La matrice C(1) représente l'impact des innovations à long terme. Si C(1) est non nulle, les
variables x t contiennent des tendances stochastiques communes. Comment stationnariser ces
variables? Si le rang de la matrice C(1) est k, l'espace vectoriel constitué des vecteurs b tels
que b ' C (1) = 0 est de dimension n-k. De plus, les relations b' x t sont stationnaires. On parle
de relation de cointégration (ici au nombre de n-k). Soit H une matrice orthogonale, que l'on
peut décomposer comme suit :

38 Pour une application sur données françaises, on peut se référer à BEC et Hairault (1993).

71
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

H = ( H1 , H 2 ) telle que C (1) H 2 = 0 , c'est-à-dire que H2 est une base orthogonale de

( n ,n − k ) ( n , k )

l'espace vectoriel engendré par les vecteurs de cointégration. On a donc :

{ }
C(1)ε i = C(1) H1 H1' + H 2 H 2' ε i = C(1)H1 H1' ε i
( n,k ) ( k ,n )

Les k vecteurs H ε i constitue en fait les composantes permanentes, qui apparaissent comme
'
1

des combinaisons des innovations canoniques. Les composantes permanentes sont par
construction orthogonales aux relations de cointégration. De plus, leur matrice d'impact à long
terme de ces composantes permanentes est donnée par C(1)H1 .

II.4.b/ L'identification des composantes permanentes

King, Plosser, Stock et Watson (1991) ont cherché à expliciter ces composantes permanentes
dans le cadre du modèle structurel. Cette identification des composantes repose en fait sur
l'analyse économétrique des vecteurs de cointégration et leur interprétation économique.
L'identification du modèle structurel apparaît alors moins arbitraire que dans les précédents
exemples puisqu'elle repose sur une analyse préalable du long terme. La théorie
économétrique permet en effet de tester le nombre de relations de cointégration, par exemple
n-k. On a donc k innovations structurelles permanentes, notées ut1 . Par définition, la matrice
H1 de la décomposition précédente est ici constituée des vecteurs (1,0,...,0)' ,...(0,1,0,...,0)',...
. La matrice d'impact de long des innovations structurelles est alors de la forme :
Γ(1) =  A O  u1
( n ,k ) ( n ,n − k )  t
La matrice A correspond donc à l'impact des k composantes permanentes, notées ut1 ; la
matrice O à celui des n-k composantes transitoires, notées ut2 .

Considérons les deux exemples étudiés par les auteurs :

• premier exemple : PIB, consommation et investissement soit x t = [ y t ct i t ] . L'analyse

'

économétrique conduit au diagnostic de deux relations de cointégration, correspond à la

stabilité des ratios consommation sur PIB et investissement sur PIB. Il existe donc une
composante permanente structurelle, qui peut être interprétée comme la croissance
tendancielle de l'activité. La matrice A est alors le vecteur unité.

• deuxième exemple : PIB, consommation, investissement, encaisses réelles, taux d'intérêt

[ (m − p)t ]
'
nominal de long terme et inflation soit x t = y t ct it Rt ∆pt . Trois
relations de cointégration sont estimées :
c − y − Φ 1 ( R − ∆p)

i − y + Φ 2 ( R − ∆p)
(m − p) − β y + β R
 y R

Les deux premières relations de cointégration correspondent à la stabilité de long terme des
ratios consommation et investissement sur PIB. Ces deux relations sont corrigées de l'impact
du taux d'intérêt réel, positif sur la consommation et négatif sur l'investissement39. La
troisième relation caractérise la demande de monnaie.
39Ces résultats sont conformes avec les conclusions de la théorie de la croissance.

72
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

La matrice A s'écrit alors :

1 0 0 
1 0 Φ1 
  1 
~ 1 0 - Φ 2  
A = AΠ =   π 21 1

β y − β R − β R  π π 
1   31
1
0 1 32

 
0 1 0 
Les hypothèses d'indépendance des innovations structurelles permanentes et la normalisation
~
de leur variance à l'unité définissent la matrice Π . La matrice A est par construction
orthogonale aux relations de cointégration identifiées. Les multiplicateurs de long terme
permettent alors d'interpréter les composantes permanentes :
• la première composante permanente a un impact (de long terme) unitaire sur les variables
réelles. Elle induit une hausse de β y de la demande de monnaie et est neutre sur les
variables nominales, le taux d'intérêt de long terme et l'inflation. Cette première
composante peut être assimilée à la croissance.
• la deuxième composante permanente a un impact nul sur les variables réelles. Son impact
sur le taux d'intérêt nominal est unitaire, c'est-à-dire que son impact sur le taux réel est
nul. Son impact sur l'inflation est unitaire. Cette deuxième composante permanente peut
être assimilée à l'inflation sous-jacente, qui serait alors définie par sa neutralité de long
terme sur les variables réelles mais aussi le taux d'intérêt réel.
• la troisième composante permanente influence la consommation et l'investissement ainsi
que la demande de monnaie. Son impact sur l'inflation est nul et son impact sur les taux
nominaux est unitaire. Elle peut donc être assimilée au taux d'intérêt réel.

Comme ces composantes permanentes sont orthogonales entre elles, leur contribution à
l'erreur quadratique de prévision pour chacune des variables et différents horizons peut être
calculée. Pour les variables réelles, la contribution du choc d'activité est importante pour un
horizon relativement court (2 ans). Cependant, à cet horizon, elle reste dominée par la
composante permanente assimilée au taux d'intérêt réel.

73
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Bibliographie

Bardsen G, Fisher P.G et Nymoen R. (1995) : « Business cycles : real facts or Fallacies ? »
Arbeidsnotat, Norges Bank Research Department January 2

Bec F et Hairaut J.O (1993) : « Une étude empirique des sources des fluctuations
économiques dans le cadre d'un modèle à tendances communes » Annales d'économie et de
statistique n°30 avril/juin

Blanchard O.J et Quah D (1989) : « The dynamic effects of aggregate demand and supply
disturbances » American Economic Review Vol 79 N°4

Blanchard O.J (1989) : « A traditional interpretation of macroeconomic fluctuations »

American Economic Review Vol 79 N°5

Bruneau C et De Bandt O (1998) : « La modélisation VAR structurelle : application à la

politique monétaire en France » NER # 52 Banque de France

Cochrane J.H (1994) : « Permanent and transitory components of GNP and stock prices » The
Quarterly Journal of Economics February

Cochrane J.H (1998) : « What do the Vars mean? Measuring the output effects of monetary
policy » Journal of Monetary Economics 41, 277-300

Hamilton J.D (1994) : « Times series analysis » Princeton N.J

Hoffmaister A.W, Roldas J.E et Wickham P. (1997) : « Macroeconomic fluctuations in sub-

saharan countries » FMI, Working Paper 97/82

King R.G, Plosser C.I, Stock J.H et Watson M.W (1991) : « Stochastic trends and Economic
Fluctuations » American Economic Review Vol 81 N°4

Ravn M.O (1997) : « Permanent and transitory shocks and the UK business cycle » Journal of
Applied Econometrics, Vol 12, 27-48

Rotemberg J.J et Woodford M (1996) : « Real business-cycle models and the forecastable
movements in output, hours and consumption » American Economic Review Vol 86 N°1

Sims C. (1980) : « Macroeconomics and reality » Econometrica 48, 1-48

74
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

CHAPITRE 4 : CE QU’UN CONJONCTURISTE DOIT CONNAITRE EN SERIES TEMPORELLES

I/ Les moyennes mobiles

Définition 1 : Une moyenne mobile est une application combinaison linéaire finie de
l'opérateur retard :
m2 i

M = ∑θ i L
i = − m1
Les moyennes mobiles possèdent différentes propriétés qui sont utilisées pour dégager les
composantes tendancielles, saisonnières et irrégulières d’une série.

Définition 2 : Une moyenne mobile est centrée si m1 = m2

Définition 3 : Une moyenne mobile est symétrique si et seulement si elle est centrée et si
θ i = θ −i .

∑
i =m 2
Propriété 1 : Une moyenne mobile conserve les constantes si et seulement si i = − m1
θi = 1.

Propriété 2 : Une moyenne mobile symétrique conservant les constantes conserve également
les polynômes de degré 1.

Propriété 3 : Le rapport de réduction de la variance d'un bruit blanc par une moyenne mobile
est donné par la somme des carrés des coefficients.

Preuve
Soit u t avec Eu t = 0 et Vu t = σ 2 . On note u t* la variable obtenue par application de la
moyenne mobile à u t :
m2
u t* = ∑θ u
i = − m1
i t −i

m2
On a alors : Vu t* = σ 2 ∑θ
j = − m1
i
2

m2
Le rapport de réduction de la variance est donc ∑θ
j = − m1
i
2

Propriété 4 (effet de Slutsky-Yule) : Une variable transformée par une moyenne mobile
d'ordre m1 + m2 est autocorrélée pour des périodes inférieures à m1 + m2 . En effet, on a :

[ ]
m2 m2 m2
Cov(u t* , u t*+ h ) = ∑ ∑θ iθ j E u t −i , ut +h− j = σ 2
i = − m1 j = − m1
∑θ θ
i = h − m1
i h −i si h ≤ m1 + m2

Définition 4 : Les moyennes mobiles arithmétiques sont les moyennes mobiles symétriques
conservant la constante et qui réduisent au maximum la variance de la composante irrégulière.
Elles sont solution du problème :
i= m m
Min ∑θ i2 s.c ∑θ i =1
i = -m i = -m

75
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

ce qui conduit à :
1
θi =
2m + 1

1
Propriété 5 : La réduction de la variance obtenue par une moyenne arithmétique est .
2m + 1
Propriété 6 : Une moyenne mobile arithmétique d’ordre 2m+1 annule une série de moyenne
nulle et périodique de période 2m+1
m
Propriété 7 : Une moyenne mobile symétrique qui vérifie ∑θ
i =− m
i = 0 élimine les tendances

déterministes quadratiques.
Preuve
Soit une tendance déterministe quadratique : y t = γ 0 + γ 1t + γ 2 t 2
On obtient :
m m m
Myt = ∑θ y = γ 0 + γ 1 ∑ θ i (t − i ) + γ 2 ∑θ (t − i )
2
i t −i i
i =− m i =− m i =− m
Soit :
 m m m
  m m
  m 
Myt = γ 0 ∑ θ i − γ 1 ∑ iθ i + γ 2 ∑ i 2ϑi  + γ 1 ∑ θ i − 2γ 2 ∑ iθ i t + γ 2 ∑ θ i t 2
 i =− m i =− m i =− m   i=−m i =− m   i=−m 
Or, par hypothèse d’une moyenne mobile symétrique :
m

∑
i =− m
θ i = 0 m m

 ⇒ ∑ iθ i = ∑ i (θ i − θ −i ) = 0
θ i = θ −i 
i=− m i =1

d’où :
m
Myt = γ 2 ∑i θ
i =− m
2
i

Propriété 8 : Composée de moyennes mobiles arithmétiques

Pour annuler la périodicité d'une fonction paire de période 2m, on a recours à une moyenne de
deux moyennes arithmétiques :
X 1*,t =
1
[X t − m + ... + X t + m−1 ] et X 2*,t = 1 [X t −m +1 + ... + X t + m ]
2m 2m
On a donc :
1 1 1 
Xt =  X t − m + X t − m +1 + ... + X t + m −1 + X t + m 
2m  2 2 
Cette moyenne mobile est symétrique (et centrée en t), annule les séries périodiques de
période 2m dont la somme des coefficients saisonniers est nulle et conserve les polynômes de
degré 1 (cf. Gourieroux-Montfort 1989).

Définition 5 : Une moyenne mobile de Henderson d'ordre 2m+1 conserve les polynômes
d'ordre 2 et permet de filtrer une série de façon "la plus lisse possible"40. Elle correspond au
programme :

40Une mesure du caractère de la souplesse d'une courbe est donnée par les différences troisièmes des
coefficients.

76
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

m m m
M in ∑ ∆3 θ i ∑ θi = 1 ; ∑ iθ i = 0 ; ∑i
2
s.c 2
θi = 0
θ
i i =− m i =− m i =− m
ce qui donne comme coefficient θ i :

315 ( n − 1) 2 − i 2 n 2 − i 2 ( n + 1) 2 − i 2 3n 2 − 16 − 11i 2
θi =
8 n ( n 2 − 1)( 4 n 2 − 9 )( 4 n 2 − 25)

II/ Analyse spectrale univariée

L'analyse spectrale permet de représenter une série temporelle dans le domaine des
fréquences. Le théorème de représentation spectrale établit la décomposition d’un processus
y t en une somme pondérée des fonctions trigonométriques cos(ωt ) 41 et sin(ωt ) sur
l'intervalle [0, π ] :
π π
y t = µ + ∫ A(ω )cos(ωt )dω + ∫ B(ω )sin (ωt )dω
0 0

Deux descriptions du cycle sont alors possibles. On peut d'abord décrire le cycle par sa durée.
Si celle-ci est constante, on peut, de façon équivalente, énoncer le nombre de cycles pour une
période donnée : il s'agit alors de la fréquence du cycle. On note γ j autocovariance d'ordre j
du processus y t .

Définition 6 : la fonction génératrice d'autocovariance42 g y est définie par :

∞
g y ( z) = ∑γ
j = −∞
j zj où z est un complexe

Définition 7 : la densité spectrale43 S y est définie par la fonction génératrice d'autocovariance

considérée en z = e −iω . Soit :
S y (ω ) =
1
2π
g y e − iω ( )
On a donc :
1 ∞
1  ∞ 
S y (ω ) =
2π
∑γ j e − iωj
= γ 0 + 2 ∑ γ j cos(ωj )
2π 
j =−∞ j =1 

{ }
∞
Si la suite γ j est absolument sommable, la densité spectrale existe44. De plus, elle est à
j =−∞

valeurs réelles, périodique de période 2π et paire45. Elle est donc entièrement définie à partir
des valeurs prises sur l'intervalle [0, π ] .

2π
41La fonction cos(ωt ) est périodique de période . La fréquence correspondant à cette périodicité, c'est-à-dire
ω
le nombre de cycles sur une durée de 2π , est ω .
42Autocovariance generating function en anglais.
43Power spectrum en anglais.
44Pour une série non stationnaire de variance infinie, la densité spectrale n'existe donc pas. On parle alors de
pseudo-spectre.
45 Aussi Gourieroux et Montfort (1990) définissent-ils la densité spectrale par :

77
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Propriété 9 : si le processus y t est un bruit blanc de variance σ 2y , alors la densité spectrale

σ 2y
est une fonction constante de valeur .
2π

Définition 8 : le périodogramme46 S∃y (ω ) du processus y t ( t = 1,..., T ) est défini par

l'estimation de la densité spectrale et des T-1 autocovariances empiriques γˆ j 47:

T −1  ∞ 
Sˆ y (ω ) = γˆ j cos(ωj )
1
2π
∑ γˆ j e − iωj
= γ
 0
ˆ + 2 ∑
j = −T +1  j =1 

Propriété 10 : si le processus y t est défini par y t = µ + Φ( L)ε t avec ε t bruit blanc de

 g y (z ) = σ ε2 Φ( z ) Φ( z −1 )

variance σ , alors on a :
2
ε 
S y (ω ) = σ ε Φ(e ) Φ(e ) = σ ε Φ(e )
2 iω − iω 2 iω 2

Propriété 11 : si le processus yt est défini par le processus ARMA(p,q)

Φ(L )y t = µ + Θ(L )ε t , on a :
Θ(e iω )Θ(e − iω )
S y (ω ) = σ ε2
Φ(e iω ) Φ(e − iω )

Propriété 12 : injectivité de la densité spectrale

A une densité spectrale, on peut associer une séquence unique d'autocovariance génératrice.
L'autocovariance d'ordre j correspondant peut être calculée à partir de la densité spectrale :
π

∫ S (ω )e
i ωj
y dω = γ j
−π

En particulier, pour j = 0 , l'intégrale de la densité spectrale est égale à la variance de la série

y t . On peut alors décomposer une série stationnaire dans le domaine des fréquences à partir
du théorème qui suit.

Théorème 1 : Représentation de Cramer (échantillon fini)48

Soit y t une série. On définit les fréquences fondamentales par ω k = 2πk / T pour k=1,...m
m
T 
y t = y + ∑ {Ak cos ω k (t − 1) + Bk sin ω k (t − 1)} pour t = 1,..., T et m =  
k =1 2

()
Sy ω =
1
gy e ( iω ).
2π
46Sample spectrum en anglais.
( )( y t − j − y − j )
−1 T
47 γ∃ ∑
j = T yt − y
t = j +1

78
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

(suite, représentation de Cramer)

A + iB
La transformée (discrète) de Fourier est la suite des nombres complexes e k k . Les
coefficients Ak et Bk sont appelés les coefficients de Fourier. On a :
T T
2∑ y t cos ω k (t − 1) 2∑ yt sin ω k (t − 1)
Ak = t =1
et Bk = t =1

T T
Si le nombre d'observations T est pair, on a les mêmes résultats avec :
T

∑
(−1) t y t
Am = t =1
et Bm = 0
T

Les vecteurs A et B des coefficients de la transformée de Fourier peuvent être écrits

simplement sous forme matricielle. Pour cela, on note J = (..., t − 1,...) , ω = (ω k ) et
(1,T ) (m,1)
C = ω ⊗ J . On a alors :
( m ,T )

A=
2
(cos(C ))Y ' et B = 2 (sin(C))Y ' .
T T
La variance de y t et le périodogramme sont reliés aux coefficients de la transformée de
Fourier par :
1 m
V ( y t ) = ∑ Ak2 + Bk2 et
2 k =1
{ T
8π
}
Ak2 + Bk2 = S∃y (ω k ) ( )
Théorème 2 : Décomposition d'une série périodique

Si y t est une suite périodique de période l (paire), alors on a pour t = 1,..., T

l / 2 −1
yt = y + ∑ [A
k =1
k cos(2πkt / l ) + Bk sin(2πkt / l )] + Al / 2 (−1) t

avec :
l l
2∑ y t cos ω k t 2∑ y t sin ω k t
Ak = t =1
et Bk = t =1
pour k=1,..., l/2-1
T T
l

∑ (−1) t
yt
Al / 2 = t =1

Par exemple, une série mensuelle y t qui connaît des mouvements saisonniers (constants) peut
s'écrire :
5
y t = A0 + ∑ [Ak cos(πkt / 6) + Bk sin( jkt / 6)] + B 6 cos(πt )
k =1

48Nous ne présentons pas ici le théorème de représentation spectrale qui établit la décomposition de la série sur
l'intervalle [0, π ] et non pour les seules fréquences fondamentales (cf. p59).

79
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Les mouvements saisonniers éventuels peuvent donc être observés par des pics de la densité
spectrale aux fréquences Π k /6 ( pour j=1, ..., 6).

Tableau 1 : Fréquences caractéristiques de mouvements saisonniers.

k mensuelle trimestrielle
1 0,523 1,571
2 1,047 3,142
3 1,571
4 2,093
5 2,617
6 3,146

III/ Analyse spectrale multivariée

On note Yt (n,1) un processus multivarié, de matrice Γ j d'autocovariance d'ordre j.

( n,n )

Rappelons que dans le cas multivarié on a Γ j' = Γ− j .

Définition 9 : la fonction génératrice d'autocovariance gY du processus Yt est définie par :

∞
gY ( z) = ∑Γ z
j = −∞
j
j
où z est un vecteur complexe de taille (n,1)

Propriété 13 : la fonction génératrice d'autocovariance de la somme de deux processus non

corrélés est égale à la somme des fonctions génératrices d'autocovariance des deux processus.

Propriété 14 : si H est une matrice déterministe de taille (r,n), alors on a :

g HY (z ) = HgY (z ) H '
∞
Propriété 15 : si xt = H (L )y t avec H (L ) = ∑H L i
i
et H i matrice déterministe de taille
i = −∞
(r,n), alors on a :
[
g X (z ) = [H (z )]GY (z ) H (z −1 ) ' ]
Propriété 16 : si X t = H ( L) y t + ut et que ut non corrélé avec le processus Yt , on a :
( )
g X (z ) = H (z )gY (z )H z −1 + g u (z )
'

Définition 10 : la densité spectrale SY est définie par la fonction génératrice d'autocovariance

en z = e −iω . Soit :
SY (ω ) =
2π
1
gY e − iω ( )
On a donc :
1 ∞ 1  ∞ ∞ 
SY (ω ) = ∑
2π j =−∞
Γ j e − iωj =
2π 
'
( )
Γ0 + ∑ Γ j + Γ j cos(ωj ) + i ∑ Γ j − Γ j sin(ωj )
'
( )
j =1 j =1 
Propriété 17 (injectivité de la densité spectrale) : l'autocovariance d'ordre j du processus
multivarié Yt peut être calculée à partir de la densité spectrale :

80
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

∫ S (ω )e
i ωj
Y dω = Γ j
−ρ

 y1,t 
Considérons maintenant le cas d'un processus Yt bivarié (n=2) : Yt =   . La densité
 y 2 ,t 
spectrale S Y du processus Yt peut s’écrire :
S1 (ω ) S1,2 (ω ) 
SY (ω ) =  
S 2 ,1 (ω ) S 2 (ω )
avec :
 ∞

S 2 ,1 (ω ) = ∑ γ [cos(ωj ) − i sin(ωj )]
1 j

2π
2 ,1
 j = −∞

et
 ∞
S1, 2 (ω ) = ∑ γ [cos(ωj ) − i sin(ωj )]
1 j

 2π
1, 2
j = −∞

S 2 ,1 (ω ) est le spectre croisé de y1,t vers y 2,t . Il s'agit d'un nombre complexe. On définit
alors le cospectre c2 ,1 (ω ) et la quadrature du spectre (quadrature spectrum) q 2 ,1 (ω ) :
 1 ∞ j
 1,2
c (ω ) = ∑ γ 2,1 cos(ωj)
2π j =−∞

 ∞
q (ω ) = 1
 1,2 ∑
2π j =−∞
γ 2j ,1 sin(ωj )

On a donc la relation : S 2 ,1 (ω ) = c2 ,1 (ω ) + iq 2 ,1 (ω )

Propriété 18 : le cospectre c2 ,1 (ω ) est une fonction paire et périodique de période 2π . Il est

donc défini sur l'intervalle [0, π ] . De plus, c2 ,1 (ω ) = c1,2 (ω ) .

Propriété 19 : la quadrature du spectre q 2 ,1 (ω ) est une fonction impaire, périodique de

période 2π . Elle est donc définie sur l'intervalle [0, π ] . De plus, q 2 ,1 (ω ) = −q1,2 (ω )

π π π
Propriété 20 : on a ∫ S (ω )dω = ∫ c (ω )dω = γ
−π
2 ,1
−π
2 ,1 2 ,1 et ∫ q (ω )dω = 0
−ϑ
2 ,1

Définition 21 : la cohérence h2 ,1 (ω ) entre les deux variables y1,t et y 2,t est définie par :

[c (ω )] + [q (ω )]
2 2

h2 ,1 (ω ) = 2 ,1 2 ,1

S 2 (ω )S1 (ω )
La cohérence mesure la corrélation des deux variables y1,t et y 2,t à une même fréquence ω .
On peut montrer que :
0 ≤ h2,1 (ω ≤ 1)

81
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

IV/ Application de l'analyse spectrale

On cherche à analyser la série y 2,t obtenue par application d'un filtre linéaire h( L) à la série
initiale y1,t :
∞
y 2 ,t = h(L )y1,t = ∑h j y1,t − j
j = −∞
∞
La fonction h : ω → h e ( ) = ∑h e
− iω
j
− iωj
est appelée la fonction de transfert. On peut établir
j =−∞

par un calcul simple le résultat suivant (dit de la transformée inverse de Fourier) :

π
h(e −iω )e iωj dω
1
hj = ∫
2π −π

L'application de l'analyse spectrale multivariée permet d'étudier plus précisément cette

 y1,t   y1,t 
fonction de transfert. On pose d'abord : X t =   et Yt =   . En calculant la densité
0   y 2 ,t 
spectrale SY de Yt à partir de celle de X t , on obtient alors la relation suivante :
 S1 (ω ) S1, 2 (ω )  S1 (ω ) S 1 (ω )h(e iω ) 
S Y (ω ) =  =
  − iω iω 
 S 2,1 (ω ) S 2 (ω )  h(e )S 1 (ω ) h(e )S1 (ω ) h(e )
− iω

d'où les relations :

S 2,1 (ω ) = h(e − iω )S1 (ω ) et S 2 (ω ) = h(e −iω ) S1 (ω )
2

La valeur de la fonction de transfert en ω s'exprime à partir du spectre croisé de y1,t vers y 2,t
et de la densité spectrale du processus y1,t . Elle est un nombre complexe qui s’écrit sous
forme polaire :
( )
h e − iω = R(ω )e iθ (ω )
• le module R(ω ) est fonction du cospectre et De la quadrature du spectre :
c2 ,1 (ω ) + q 2 ,1 (ω )
2 2

( )=
he − iω

S1 (ω )
Ce module R(ω ) définit la fonction de gain car il indique l'accroissement de l'amplitude de la
série initiale à la fréquence ω .
• θ (ω ) indique le déplacement temporel à la fréquence ω consécutif à l'application du filtre
linéaire. On parle de phase.

Pour illustrer le concept de phase, nous avons filtré une série de type sinusoïdale par un filtre
asymétrique, qui accorde davantage d'importance aux observations avant. La série filtrée
apparaît alors en avance sur la série initiale (cf. figure 1). Ensuite, pour illustrer le concept de
gain, nous avons filtré cette même série à partir d'un filtre symétrique mais dont la somme des
coefficients est supérieure à l'unité. On constate alors (cf. figure 2) un accroissement de
l'amplitude de la série initiale. Les concepts de phase et de gain vont donc nous permettre
d'établir deux propriétés importantes des filtres linéaires.

82
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Propriété 22 : un filtre symétrique n'induit pas d'effet de phase.

En effet, pour un filtre symétrique, on a hi = h− i . La fonction de transfert est donc à valeur
réelle et la phase θ (ω ) est nulle49.

Propriété 23 : un filtre symétrique a un gain unitaire à la fréquence nulle si et seulement si

∞

∑h
i =−∞
i = 1.

On retrouve ici la propriété établie lors l'étude des propriétés des moyennes mobiles : une
moyenne mobile symétrique et conservant les constantes conserve également les tendances
déterministes.

49 Dans le cas des moyennes mobiles symétriques, on parle donc indifféremment des fonctions de transfert ou
de gain.

83
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 1 : Filtre linéaire et effets de phase

Figure 2 : Filtre linéaire et gains

84
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Figure 3 : Gains d'un filtrage

V /Rappels sur les modèles ARIMA

Soit y t un processus stochastique univarié. On appelle autocovariance la fonction définie par

γ ( h)
γ (h) = Ey t y t − h . L'autocorrélation d'ordre h est alors définie par : ρ (h) = . Les couples
γ (0)
(h, γ (h)) définissent l'autocorrélogramme.

La corrélation partielle entre deux variables Y1 et Y2 relativement aux variables

Z = ( Z1 ,..., Z p ) est défini comme la corrélation entre les deux variables Y1 et Y2 dont les
variables Z ne peuvent pas rendre compte. On peut établir que le coefficient de corrélation
partielle est égal au coefficient de Y2 dans la régression Y1 = βZ + aY2 . L'autocorrélation
partielle à l'ordre h est défini par l'autocorrélation partielle entre Yt et Yt − h relativement à
Z = (Yt −1 ,..., Yt − h +1 ) . Le coefficient d'autocorrélation partielle τ (h) peut être obtenu dans la
régression suivante :
h −1
Yt = ∑ α i Yt −i + τ (h)Yt − h
i =1

Propriété 24
L'autocorrélation partielle d'un processus autorégressif d'ordre p50 est nulle pour h>p

50Un processus autorégressif d'ordre p sera noté AR(p) par la suite

85
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

preuve :
p −1
Yt = ∑ α i Yt −i + τ ( p)Yt − p +...+0Yt − h
i =1

Propriété 25
L'autocorrélation d'un processus MA(q) est nulle pour h>q

preuve
Si h<q
y t = et + q1 et −1 + ... + q h et − h + ... + q q et − q
y t − h = et − h + q1 et − h −1 + ... + q q et − h − q
D'où
q −h
Ey t y t − h = σ 2
ε ∑θ i
i =0
i i +h

Exemple d'un processus autorégressif d'ordre un (AR(1))

y t = ρy t −1 + ε t avec Eε t = 0 et Eε 2t = σ ε2
Ey t y t − h = ρEyt −1 y t − h −1
Soit γ (h) = ρ h γ (0)
ρ ( h) = ρ h

86
« Analyse conjoncturelle et analyse statistique des fluctuations », Document de travail, Nicolas PONTY

Bibliographie

Grun-Rehomme M. et Ladiray D. (1996) : « Lissage des moyennes mobiles. Le problème des

extrémités de séries » Document de travail INSEE, Direction des Etudes et Synthèses
économiques, G9404

Hamilton J.D (1994) : « Times series analysis » Princeton N.J

Harvey, A.C (1989) : « Forecasting structural time series models and the Kalman filter »
Cambridge University Press

Hatanaka, M. (1995) : « Time series based econometrics » Oxford University Press.

87