République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche

Scienti…que
UNIVERSITÉ KASDI MERBAH OUARGLA
FACULTÉ DE MATHÉMATIQUES ET SCIENCES DE LA
MATIÈRE
DÉPARTEMENT DE MATHÉMATIQUES

Mémoire présenté En Vue De L’obtention Du

DIPLÔME DE MASTER
EN MATHÉMATIQUES
Option : Probabilité et Statistique
Par
Guermit Hanane
Intitulé

Les modéles vectoriels autorégressifs VAR(p)

Membres du jury
AMARA Abdelkader M. C. A UKMO Président
MEDDI Fatima M. C. B UKMO Examinateur
ARBIA Hanane M. C. B UKMO Rapporteur

2021-2022
 Résumé
Notre travaille est basée sur la modélisation vectorielle autorégressive VAR d'ordre (p). Nous
avons modélisé deux séries temporelles avec des données réelles. Nous avons appliqué les
critères du modèle d'apparence et nous l'estimons.

Mots clés: Modèles autorégressifs vectoriels, validation, le lag optimale, racine unitaire.

Abstract
Our work is based on VAR autoregressive vector modeling of order (p). We have modeled
two time series with real data. We have applied the criteria of the appearance model and we
estimate it.

Keywords: Vector autoregressive models, validation, optimal lag, unit root.

‫ملخص‬
Enregistrer la traduction
‫ طبقنا معايير‬.‫ لقد قمنا بنمذجةسلسلتين زمنيتين ل‍‍ببيانات حقيقية‬.)p(‫ برتبة‬VAR ‫يعتمد عملنا على نمذجة االنحدار الذاتي‬
.‫ال‍‍نموذج وقمنا بتقديره‬

.‫ جذر الوحدة‬،‫ التأخر األمثل‬، ‫ الصحة‬،‫ نماذج االنحدار الذاتي‬: ‫الكلمات المفتاحية‬
Table des matières

Dédicace iv

Remerciements v

Liste des tableaux vii

Table des …gures viii

Notations et abriviations ix

Introduction 1

1 Concepts de base des séries chronologiques 3

1.1 Dé…nition d’une série chronologique . . . . . . . . . . . 3
1.2 Les composantes d’une série chronologique . . . . . . . 4
1.2.1 La tendance . . . . . . . . . . . . . . . . . . . . 4
1.2.2 La composante saisonniére . . . . . . . . . . . . 4
1.2.3 La composante cyclique . . . . . . . . . . . . . 5
1.2.4 Les irrégularités . . . . . . . . . . . . . . . . . . 5
1.3 Modélisation de la série . . . . . . . . . . . . . . . . . . 6
1.3.1 Le modéle additif . . . . . . . . . . . . . . . . . 6
1.3.2 Le modéle multiplicatif . . . . . . . . . . . . . . 7
1.3.3 Le modéle mixtes . . . . . . . . . . . . . . . . . 7

i
 1.4 Choix du modéle . . . . . . . . . . . . . . . . . . . . . 8
1.5 Stationnarité . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Les processus aléatoires non stationnaires . . . . . . . . 9
1.7 Bruit Blanc . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8 Autocovariance et autocorrelation . . . . . . . . . . . . 11
1.9 Opérateurs de retard et de di¤érenciation . . . . . . . . 13

2 Les modéles Vectoriels autorégressifs 16

2.1 La représentation VAR(p) . . . . . . . . . . . . . . . . 16
2.2 Stationnarité d’un modèle VAR . . . . . . . . . . . . . 19
2.3 Estimation des paramètres . . . . . . . . . . . . . . . . 21
2.4 Détermination du nombre de retards . . . . . . . . . . 22
2.5 Prévision . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.1 Le cas d’un VAR(1) . . . . . . . . . . . . . . . . 23
2.5.2 Le cas d’un VAR(p) . . . . . . . . . . . . . . . 24
2.6 La causalité . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6.1 Causalité au sens de Granger . . . . . . . . . . 25
2.6.2 Causalité au sens de Sims . . . . . . . . . . . . 28
2.7 La cointégration . . . . . . . . . . . . . . . . . . . . . . 28

3 Application 30
3.1 Test de la stationnarité . . . . . . . . . . . . . . . . . . 31
3.1.1 Test de la racine unitaire (ADF) . . . . . . . . . 33
3.2 Stationnarisation des séries . . . . . . . . . . . . . . . . 39
3.3 Détermination de degré de retard . . . . . . . . . . . . 47
3.4 Estimation du modèle . . . . . . . . . . . . . . . . . . 48
3.5 La validation du modèle . . . . . . . . . . . . . . . . . 50
3.5.1 Test de la stationnarité du modèle . . . . . . . . 50
3.6 Tests sur les résidus . . . . . . . . . . . . . . . . . . . . 51
3.6.1 Test de la normalilté des résidus . . . . . . . . . 51
3.6.2 Autocorrélation test . . . . . . . . . . . . . . . 52
3.6.3 Test d’hétéroscédasticité . . . . . . . . . . . . . 53

ii
 3.7 La prévision . . . . . . . . . . . . . . . . . . . . . . . . 54

Conclusion 56

Bibliographie 57

iii
 Dédicace
Je dédie ce modeste travail

A mes parents qui tiennent une place immense dans mon coeur.
Med El Bachir et Fatima El Zahra

Tout ce que j’ai accompli dans ma vie, c’est grâce à votre soutien,
votre amour et vos sacri…ces votre amour et vos sacri…ces. Merci
in…niment. . .

A mes soeur Asma, Nawal, Kawther, Khalida , Nadjah, Sirine

A mon Cher frère Yasser

A mes grandes -mères et mon grand-père.

A ma belle- famille tantes et oncles

A mon …ancé Abdellbari

A mes amis Rayhana, Rima, Ilham

A tout ceux qui m’aiment, m’encouragent, m’ont aidé et qui m’aident

toujours pour continuer sur la bonne voie.

iv
Remerciements

Je remercie Allah le tout puissant de m’avoir donné le courage, la

volonté, la santé, et là Patience de mener à terme ce présent travail.

Mes plus vifs remerciements et ma profonde gratitude vont à

[Link] HANANE notre promoteur de mémoire pour sa grande
patience, pour sa disponibilité, pour ses nombreux conseils, pour ses
corrections et son appréciation au cours de l’élaboration de ce travail,
notamment quand à la portée de la problématique. Elle a toujours été
présent dans les moments où j’en avions besoin, elle je faudrait des
pour le remercier.

Mes vifs remerciement vont également aux membres du jury pour

l’intérêt qu’ils ont porté à ma recherche
en acceptant d’examiner mon travail et de l’enrichir par leurs
propositions.

v
 Je tiens à remercier, particulièrement, [Link] Gouasse chef du
Bureau de l’Administration et des Moyens au Centre National du
Registre Commerce-Ouargla
qui n’a jamais cessé de me soutenir, pour l’aide qu’il m’a procurée et
pour ses
précieux conseils.

Merci beaucoup au Centre

la complexe Statistique de la wilaya Ouargla pour le temps et l’aide
qu’ils m’ont apporté

En…n, je ne saurais terminer cette partie sans exprimer notre

gratitude à mes
parents, mes grands parents, mes frères et mes soeurs qui j’ont
toujours soutenue, encouragé et stimulée pendant mes études.

Merci à tous et à toutes.

vi
Liste des tableaux

3.1 L’évolution des Taxe sur l’activité professionnels (TAP)

selon le registre du commerce (Rm) de la wilaya de ouar-
gla au cous de la période 2003-2019 . . . . . . . . . . . 31
3.2 Le degré de retard . . . . . . . . . . . . . . . . . . . . 47
3.3 Prévision. . . . . . . . . . . . . . . . . . . . . . . . . . 54

vii
Table des …gures

1.1 Les composantes d’une série chronologique. . . . . . . . 6

3.1 La série de Taxe sur l’activité professionnels (TAP) . . 32

3.2 La série de le registre du commerce(Rm) . . . . . . . . 32
3.3 Représentation graphique de la série stationnaire (DTAP). 43
3.4 Représentation graphique de la série stationnaire (DDRM). 47
3.5 Les racines du polynôme caractéristique. . . . . . . . . 50
3.6 La prévision de TAP. . . . . . . . . . . . . . . . . . . . 54
3.7 La prévision de RM. . . . . . . . . . . . . . . . . . . . 55

viii
 Notations et abriviations

ADF Test de Dickey Fuller Augmenté

AIC Critère d’information d’Akaike.

ARIMA Autorégressif moyenne mobile intégré

ARMA Autorégressif moyenne mobile

BB Bruit blanc

BBN Bruit blanc normale

Cov Covariance

DS Di¤erence Stationary

L Opérateur retard.

MA Moyennes Mobiles (Moving Average).

FAC Fonction d’autocorrélation

MCO Moindres carrés ordinaires.

TS Trend Stationary

MAE Erreur absolue moyenne

ix
SC Critère de Schwarz

VAR vecteur autorégressif

x
Introduction

Dans l’analyse de séries temporelles multivariées, la plupart des

modèles actuels sont utilisés à des …ns de prévision, c’est-à-dire pour
estimer les valeurs futures du système étudié à partir de l’historique
des valeurs observées dans le passé, alors que les séries temporelles
sont utilisées depuis longtemps et ils ont été utilisés dans divers do-
maines, par exemple : en médecine, en économétrie en astronomie, en
météorologie et en théorie du signal.

Une série chronologique est un ensemble d’observations générées

successivement dans le temps. L’avantage de toute série chronologique
est que ses données sont disposées par rapport au temps et que les ob-
servations successives ne sont généralement pas indépendantes, c’est-
à-dire Dépendez les uns des autres.

Le but de l’analyse des séries chronologiques est de connaître les

changements qui se produisent dans le phénomène au cours d’une cer-
taine période comparer les valeurs du phénomène entre elles car il
est mesuré dans les mêmes unités et de la même manière à des dates
di¤érentes.

Les séries chronologiques comportent plusieurs modèles : AR, MA

et ARIMA (cas univarié) et les modèle VAR (cas multivarié).

1
 Dans ce travail nous présentons une famille de modèles autoré-
gressifs de vecteurs VAR(p) [2]. A…n de traiter ces modèles, nous les
appliquons à des données réelles.

Cette thèse est composée de trois chapitres. Dans le premier cha-

pitre, nous avons abordé le concept de série temporelle, ses compo-
santes, ses caractéristiques et propriétés (la stationnarité, le fonction
d’autocovariance, et les fonctions d’autocorrélation simples et par-
tielles,...).

Le deuxième chapitre traite les modèles Vectoriels autorégressifs

(VAR) d’ordre (p). Un modèle VAR(p) est une généralisation des mo-
déles AR(p) au cas multivarié. La dimension de ce processus représente
le nombre de variables étudiées qui composent ce processus vectoriel
et pour lequel on cherche à établir des relations linéaires entre les
variables.

Le troisième chapitre représente une partie d’application, nous

avons abordé la modélisation de deux séries temporelles avec des don-
nées réelles (Taxe sur l’activité professionnelle et le registrer du com-
merce) de la wilaya de Ouargla au cous de la période 2003-2019.

2
Chapitre 1

Concepts de base des séries

chronologiques

Ce chapitre a pour objectif de commencer à familiariser le lecteur

avec les principaux aspects des séries chronologiques.

1.1 Dé…nition d’une série chronologique

Une série chronologiques (série temporelle) est une suite d’obser-
vations répétées d’un même phénomène à des dates di¤érentes (par
exemple la température moyenne journalière en un lieu donné, la
consommation moyenne en électricité chaque mois, le prix du baril
de pétrole chaque jour...). [9], [11].

Les dates sont souvent équidistantes (séries mensuelles, trimes-

trielles ou annuelles).

Dé…nition 1.1 Une série chronologique Xt est un ensemble d’obser-

vations indexée par le temps t.

3
1.2 Les composantes d’une série chrono-
logique
On donne ici une présentation des trois aspects : la tendance, la
composante saisonnière, la composante cyclique et la composante ir-
régulière. On peut décrire ainsi ces composantes : [5], [8]

1.2.1 La tendance
La tendance ou trend, notée Zt , est l’évolution à long terme de la
grandeur. La tendance traduit l’aspect général de la série : croissance
de la consommation d’électricité, croissance du tra…c aérien, diminu-
tion de la population rurale,....

La tendance a plusieurs forme :

1. Tendance linéaire : Zt = a + b:t:
2. Tendance quadratique : Zt = a + b:t + c:t2 :
3. Tendance exponentiel : Zt = exp (a + b:t) :
4. Tendance logarithmipue : Zt = a + b: ln (t) :

1.2.2 La composante saisonniére

Le facteur saisonnier, noté St , se répète à intervalles de temps égaux
avec une forme à peu près constante. Il peut être dû au rythme des
saisons ou à des facteurs humains. Sa période est de 12 pour des séries
mensuelles, de 4 pour des séries trimestrielles.

Si p désigne la période du mouvement saisonnier :

St = St+p

4
 Le facteur saisonnier est donc totalement déterminé par p coe¢ -
cients saisonniers :

St ‚:::‚Sj ‚:::‚Sp

1.2.3 La composante cyclique

Une autre composante parfois étudiée de maniére spéci…que a trait
au phénoméne cyclique(Ct ). Il s’agit d’un phénoméne se répétant mais
contrairement à la saisonnalité sur des durées qui ne sont pas …xes et
généralement plus longues.

1.2.4 Les irrégularités

Cette composante, appelée aussi mouvement résiduel et notée "t ,regroupe
tout ce qui n’a pas été pris en compte par la tendance le facteur sai-
sonnier.

Elle est la résultante de ‡uctuations irrégulières et imprévisibles

dues à des facteurs perturbateurs non permanents.

5
 Fig. 1.1 –Les composantes d’une série chronologique.

1.3 Modélisation de la série

Un modéle est une image simpli…ée de la réalité qui vise à traduire
les mécanismes de fonctionnement du phénomène étudié et permet de
mieux les comprendre. Un modéle peut être meilleur qu’un autre pour
décrire la réalité. Nous présentons dans cette section une petite liste
qui sert à résumer et classi…er les di¤érents modéles envisagés dans ce
travail .

1.3.1 Le modéle additif

Nous considérons une série Xt admettant une décomposition addi-
tive
Xt = Zt + St + "t ; t = 1; :::; T:

Dans ce modéle, l’amplitude de la série reste constante au cours du

temps. Ceci se traduit graphiquement par des ‡uctuations autour de

6
la tendance Zt constantes au bruit prés.

1.3.2 Le modéle multiplicatif

Nous considérons une série Xt admettant une décomposition mu-
liplicative

Xt = Zt :St :"t ; t = 1; :::; T:

L’amplitude de la série n’est plus constante au cours du temps :
elle varie au cours du temps proportionnellement à la tendance Zt au
bruit prés.

Le modéle multiplicatif est généralement utilisé pour des données

de type économique.

1.3.3 Le modéle mixtes

Il s’agit là de modéles où addition et multiplication sont utilisées.
On peut supposer par exemple que la composante saisonniére agit de
façon multiplicative alors que les ‡uctuations irrégulières sont addi-
tives :

Xt = Zt St + "t ; t = 1; :::; T:

7
1.4 Choix du modéle
Le choix d’un modèle ou d’un autre, l’incorporation ou non d’une
composante, peuvent s’apprécier d’après le graphique de la série. [8]
Graphiquement : Constatation graphique du parallélisme ou
non des droites des minima et des maxima :
– Droites parallèles : modèle additif.
– Droites non parallèles : modèle multiplicatif.

Algébriquement :On recherche le coe¢ cient directeur de ces

deux droites par une méthode analytique (deux points).
– Coe¤cients directeurs très proches : le modèle choisi sera additif.
– Coe¤cients directeurs très di¤érents : le modèle choisi sera mul-
tiplicatif.

1.5 Stationnarité
Avant le traitement d’une série chronologique, il convient d’étudier
les caractéristiques stochastiques. Si ces caractéristiques c’est-à-dire
son espérance et sa variance se trouvent modi…ées dans le temps, la
série chronologique est considérée comme non stationnaire ; dans le
cas d’un processus stochastique invariant, la série temporelle est alors
stationnaire.[4], [9]
De manière formalisée, le processus Xt est stationnaire si :

Dé…nition 1.2 Un processus (Xt ) est stationnaire au sens fort si pour

tous t1 < t2 < < tn tel que ti = 1; :::; n si :
L
(Xt1 ; Xt2 ; :::; Xtn ) = (Xt1 +k ; Xt2 +k ; :::; Xtn +k ) 8k 2 N ; 8t1 ; :::; tn 2 Z

8
Dé…nition 1.3 (Xt )est dit faiblement stationnaire si :
1. pour tout t 2 Z; E [Xt2 ] < 1
2. Il existe 2 R;pour tout t 2 Z; E (Xt ) = , la moyenne est
constante et indépendente du temps t

3. Il existe une fontion (h) telle que pour tous t 2 Z; cov (Xt ; Xt h)
ne dépend pas de t et dans ce cas elle est notée :

X
(h) = cov (Xt ; Xt h)

1.6 Les processus aléatoires non station-

naires
La classe des processus non stationnaire est relativement vaste, il
existe di¤érents types de non stationnarité, on présente deux classes
des processus non stationnaires : les processus TS et DS . [10], [11]

Dé…nition 1.4 (Xt ) est un processus non stationnaire de type TS s’il

peut s’écrire sous la forme

Xt = f (t) + zt

où f (t) est une fonction polynômiale du temps, linéaire ou non li-

néaire et (zt ) est processus stochastique stationnaire.

Le processus (Xt ) s’écrit comme la somme d’une fonction déter-

ministe du temps et d’une composante stochastique stationnaire. Ce

9
processus ne satisfait plus la dé…nition de la stationnarité du second
ordre. On a en e¤et :

E (Xt ) = f (t) + E (zt )

Ce processus TS est non stationnaire car E (Xt ) dépend du temps.

Dé…nition 1.5 Un processus (Xt ) est dit di¤erence-stationary DS ou

stationnaire en di¤érence s’il peut s’écrire sous l’une des formes sui-
vante :
1. Xt = Xt 1 + "t :
2. Xt = Xt 1 + + "t (avec 6= 0)

La bonne manière de stationnariser une série TS consiste à estimer,

en général par les moindres carrés ordinaires (MCO), l’expression de
la tendance et à la retirer. Tandis que la stationnarisation des séries
DS se fait par passage aux di¤érences.

1.7 Bruit Blanc

Dé…nition 1.6 (Bruit blanc) Un bruit blanc est une suite de va-
riables aléatoires (("t ) ; t 2 Z) centré E ("t ) = 0 et de variance constante
2
: On note "t BB (0; 2 ) :

Remarque 1.1 Un bruit blanc est faiblement stationnaire (c’est a

dire E ("t ) et var ("t ) ne dépendent pas de t) et tel que cov ("t ; "t+h ) = 0
si h 6= 0.

10
Dé…nition 1.7 (Bruit blanc gaussien) Un processus (("t ) ; t 2 Z),
est un bruit blanc gaussien s’il s’agit d’un bruit blanc dont les variables
aléatoires sont indépendantes et identiquement distribuées de loi nor-
male N (0; 2 ). On note "t BBN (0; 2 ) :

1.8 Autocovariance et autocorrelation

Dans cette section, nous présentons les fonctions d’autocorrélation
et d’autocovariance qui sont des outils bien utiles à di¤érentes étapes
des études de séries temporelles. [1], [3], [4]

Dé…nition 1.8 La fontion de covariance( ou d’autocovariance) d’un

proucessus aléatoire (Xt ; t 2 Z), notée (:) est dé…ne par :

8t; s 2 Z; (t; s) = cov (Xt ; Xs ) = E [(Xt E (Xt )) (Xs E (Xs ))]

ou E (Xt ) = E (Xs ) = est l’espérance du processus.

Pour un processus stationnaire, on peut réecrire la fontion de co-

variance comme une fonction d’une seule variable :

8h 2 Z; (h) = cov (Xt ; Xt+h ) = ( h)

Remarque 1.2 La fonction (:) est paire.

Dé…nition 1.9 La fonction d’autocorrelation d’un proucessus station-

naire (Xt ; t 2 Z), notée (:)est dé…ne par : 8h 2 Z;

11
 cov (Xt ; Xt+h )
(h) = p
var (Xt ) var (Xt+h )
cov (Xt ; Xt+h )
=
var (Xt )
(h)
=
(0)

avec (0) est la variance du processus. Par dé…nition, on a donc

(0) = 1.

Remarque 1.3 La fonction (:)est paire ( ( h) = (h)).

L’équivalent empirique de la fonction d’autocorrélation, noté b (h),

est obtenu à partir de l’estimateur suivant pour l’autocovariance b (h)
à l’ordre h :

1X
n h
b (h) = Xt X Xt h X ; 8h = 0; :::; n 1; n 1
n t=1

La matrice d’autocorrélation du vecteur (Xt ; Xt+1 ; :::; Xt+h ) est :

12
 0 1
1 (1) (2) ::: (h 1)
B (1) 1 (1) ::: (h 2) C
B C
B (2) (1) 1 ::: (h 3) C
B C
R (h) = B
B : : : : C
C
B : : : ::: : C
B C
@ : : : : A
(h 1) (h 2) (h 3) ::: 1

Dé…nition 1.10 La fonction d’autocorrelation partielle mesure la liai-

son (linéaire) entre Xn et X1 une fois retirés les liens transitant par
les variables intermédiaires X2 ; :::; Xn 1 :

r (X1 ; Xn ) = corr (X1 ; Xn X2 ; :::; Xn 1 )

1.9 Opérateurs de retard et de di¤éren-

ciation
Ces opérateurs peuvent être utilisés a…n de transformer un pro-
cessus de moyenne non nulle en un processus moyenne de nulle. [4],
[10]

Dé…nition 1.11 (Opérateur retard) Soit L l’opérateur retard, (Xt ; t 2 Z)

une série de valeurs et k l’ordre du retard , l’opérateur qui fait passer
de Xt à Xt 1 :

LXt = Xt 1

13
on a
L2 Xt = L (LXt ) = LXt 1 = Xt 2

Alors :

Lk Xt = Xt k ; 8t 2 Z; 8k 2 N

Si Xt = c; 8t 2 Z alors :

Lk Xt = Lk c = c; 8t 2 Z

car une constante ne peut varier.

Dé…nition 1.12 (opérateur de di¤érenciation) L’opérateur de dif-

férence est dé…nit par :

Xt = Xt Xt 1

Alors :

Xt = Xt LXt 1 = (1 L) Xt

La di¤érence seconde

2
Xt = ( Xt ) = (1 L)2 Xt = 1 2L + L2 Xt = Xt 2Xt 1 +Xt 2

14
D’une façon générale :

d
Xt = d 1
Xt = (1 L)d Xt :

Propriété 1.1
1. Lc = c; l’opérateur d’une constante c est une constante.
2. L0 Xt = Xt :
3. (1 L)2 Xt 6= (1 L2 ) Xt en e¤et :

(1 L)2 Xt = 1 2L + L2 Xt = Xt 2Xt 1 +Xt 2 6= Xt Xt 2 :

4. Li (Lj Xt ) = Li Xt j = Xt i j , de même Li (Lj Xt ) = Li+j Xt =
Xt i j .
5. (Li + Lj ) Xt = Li Xt + Lj Xt = Xt i + Xt j :
6. L i Xt = Xt+i .
7. si j c j< 1: la somme in…nie (1 + cL + c2 L2 + c3 L3 + ) Xt =
Xt
(1 cL)
:
L’opérateur retard simpli…e grandement l’écriture des équations re-
latives aux séries. Il permet d’écrire une équation de récurrence comme
un polynôme de l’opérateur retard appliqué à une série.

15
Chapitre 2

Les modéles Vectoriels

autorégressifs

Un modèle Vectoriel autorégressif (VAR) d’ordre (p), dit VAR(p),

est une généralisation des modéles AR(p) au cas multivarié. La di-
mension de ce processus représente le nombre de variables étudiées
qui composent ce processus vectoriel et pour lequel on cherche à éta-
blir des relations linéaires entre les variables.

2.1 La représentation VAR(p)

Un processus vectoriel Xt de dimension n, admet une représenta-
tion VAR d’ordre p, notée V AR(p) si : [1]

Xt = A0 + A1 Xt 1 + A2 Xt 2 + + AP Xt p + "t :

De façon équivalente

16
 A (L) Xt = A0 + "t ;

où A0 de dimension n désgine un vecteur de constantes, A (L) =

P p i
i=0 Ai L , où les matrices Ai , 8i = 0; :::; p de dimension (n; n), sa-
tisfont A0 = In et Ap 6= 0; alors :
p
X
A (L) = In Ai Li = In A1 L A2 L 2 AP L P :
i=1

(c’est le polynôme matriciel de dimension (n; n))

où :
0 1 0 (i) (i) (i)
1 0 (0)
1
X1;t a11 a12
: : : a1n a1
B C B (i) (i) (i) C B (0) C
B X2;t C B a21 a22
: : : a2n C B a2 C
B C B C B C
Xt = B
: C ; Ai = B
B
: : : C B
C ; A0 = B
: C
C
B : C B : : : C B : C
B C B C B C
@ : A @ : : : A @ : A
Xn;t (i) (i) (i) (0)
an1 an2 : : : ann an

0 1
"1;t
B "2;t C
B C
B : C
"t = B
B
Cest un vecteur de bruits blancs.
C
B : C
@ : A
"n;t

17
Modèle bivarié avec représentation VAR(2) :

Xt = A0 + A1 Xt 1 + A2 Xt 2 + "t :

! !
(0) (1) (1)
X1;t a1 a11 a12 X1;t 1
() = (0) + (1) (1) +
X2;t a2 a21 a22 X2;t 1
!
(2) (2)
a11 a12 X1;t 2 "1;t
(2) (2) + :
a21 a22 X2;t 2 "2;t

Alors :
8 (0) (1) (1) (2) (2)
< X1;t = a1 + a11 X1;t 1 + a12 X2;t 1 + a11 X1;t 2 + a12 X1;t 2 + "1;t
: (0) (1) (1) (2) (2)
X2;t = a2 + a21 X1;t 1 + a22 X2;t 1 + a21 X1;t 2 + a22 X1;t 2 + "2;t
Pour :

xt 1 0:7 0:4 xt 1 0:1 0:87 xt 2

Xt = = + +
yt 5 1 0:2 yt 1 0:25 0:98 yt 2

"1;t
+ ;
"2;t

on a :
8
< xt = 1 + 0:7xt 1 + 0:4yt 1 + 0:1xt 2 + 0:87yt 2 + "1;t
:
yt = 5 + xt 1 + 0:2yt 1 + 0:25xt 2 + 0:98yt 2 + "2;t

18
2.2 Stationnarité d’un modèle VAR
On généralise la notion de stationnarité faible ou de second ordre
vue au chapitre 1 au cas vectoriel. [2]
Dé…nition 2.1 Un processus vectoriel (Xt ) de dimension n est dit
stationnaire au second ordre, ou stationnaire au sens faible, ou sta-
tionnaire d’ordre deux si :
1. 8t 2 Z; E (Xt2 ) < 1:
2. 8t 2 Z; E (Xt ) = (n;1) (indépendant de t).
3. 8 (t; h) 2 Z2 ; E (Xt+h ) (Xt )0 = (h)(n;n) (indépendant
de t).

Lorsque l’on considére un processus V AR(p), on peut démontrer

que ces conditions de stationnarité reviennent à imposer des conditions
sur les racines du déterminant du polynôme matriciel A (L).
Proposition 2.1 Un processus vectoriel (Xt ) de dimension n satisfait
une représentation V AR(p) telle que 8t 2 Z
A (L) Xt = (I A1 Xt 1 Ap Xt p ) = A0 + "t ;

est stationnaire si et seulement si les racines du determinant du po-

lynôme matriciel A (L) noteé i ; i 2 [1; n], sont toutes supérieures à
l’unité en module.
p p 1 p 2
det [A ( i )] =j In i A1 i A2 i AP 1 i Ap j= 0:

j i j< 1; 8i 2 [1; n] :

19
Exemple 2.1 On considére un processus bivarie (Yt ) admet une re-
pésentation V AR(1) tel que :

8
< y1;t = 3 + 0:2y1;t 1 + 0:7y2;t 1 + "1;t
:
y2;t = 1 + 0:3y2;t 1 + 0:4y2;t 1 + "2;t

On pose Yt (y1;t ; y2;t ) et "t ("1;t ; "2;t ) ; cette repésentation peut s’expri-
mer sous forme :
A (L) Yt = A0 + "t ;
A0 = (3; 1) et

1 0 0:2 0:7
A (L) = L
0 1 0:3 0:4
1 0:2L 0:7L
= :
0:3L 1 0:4L

On calcule det (A (L)) :

det (A (L)) = (1 0:2L) (1 0:4L) ( 0:3L 0:7L) :

det [A (L)] = 0 () 1+0:8L2 0:6L 0:21L2 = 0 () 1 0:6L 0:13L2 = 0;

20
on a donc deux racines 1 = 1:3 et 2 = 5:91 sont supérieures à
1 en module alors le processus Yt est stationnaire.

Dé…nition 2.2 (Bruit blanc vectoriel) Soit "t , un processus n di-

mensionnel qui s’écrit :

2 3
"1;t
6 "2;t 7
6 7
6 : 7
"t = 6
6
7 ; 8t 2 Z:
7
6 : 7
4 : 5
"n;t

Ce processus est appelé un bruit blanc n vectoriel faible si :

1. E ("t ) = 0; 8t 2 Z:
0
2. E "t "s = 0; 8t 6= s 2 Z:
; h=0
3. E "t "0t h =
6 0
0; h =
0
4. E "t "t = " ; 8t 2 Z:
où " est la matrice de variances-covariances constantes des n
composantes du processus "t .

2.3 Estimation des paramètres

Les paramètres du processus VAR ne peuvent être estimés que sur
des séries chronologiques stationnaires. Il existe deux méthodes d’esti-
maion des paramètres d’un modèle vectoriel autorégressif : estimation
de chaque équation d’un VAR par la méthode des moindres carrés et
estimation par la méthode du maximum de vraisemblance. [4]

21
2.4 Détermination du nombre de retards
Pour déterminer le nombre de retards optimal pour un V AR(p);
on peut utiliser plusieurs méthodes. Dans le cas de la représenta-
tion V AR, ces critères peuvent être utilisés pour déterminer l’ordre
p du modèle. La procédure de sélection de l’ordre de la représentation
consiste à estimer tous les modèles V AR pour un ordre allant de 0
à h et ( h nombre de retards maximum pour la taille de l’échantillon
considéré) pour chacun de ces modéles, on calcule les fonction AIC (p)
et SC (p) de la façon suivante :

2k 2 p
AIC (p) = ln [det j e j] + :
T
k 2 p ln (T )
SC (p) = ln [det j e j] + :
T
Avec : T est le nombre d’observation, k le nombre de variable du
systéme, p le nombre de retards, e matrice des variances covariances
des résidus du modèle. [4]

2.5 Prévision
Etant donné une série stationnaire, observée entre 1 et T , on cherche
à faire de prévision à horizon h, et donc de prévoir XT +1 ; :::; XT +h . Il
s’agit de calculer les prévisions optimales du modèle V AR estimé, à
savoir XT (h) la prévision de XT +h sachant l’ensemble d’information
disponible en T , noté : [6]

bT +h = E (XT +h =XT ; XT
X 1 ; :::; X1 ) :

22
2.5.1 Le cas d’un VAR(1)
Considérons le cas d’un modèle V AR(1) centré tel que 8t :

Xt = A0 + A1 Xt 1 + "t :
Supposons que l’on dispose d’une réalisation sur une échantillon
de T réalisation (X1 ; X2 ; :::; XT ) :

La prévision de la réalisaion à la data T + 1 du Xt est donné par :

bT +1 = E (XT +1 =XT )
X
= E (A0 + A1 XT + "T +1 =XT )
= A0 + A1 XT + E ("T +1 =XT )
= A0 + A1 XT :

À l’horizen T + 2, on a :

bT +2 = E (XT +2 =XT )
X
= E (A0 + A1 XT +1 + "T +2 =XT )
= A0 + A1 E (XT +1 =XT ) + E ("T +2 =XT )
= A0 + A1 XbT +1
= A0 + A1 (A0 + A1 XT )
= (I + A1 ) A0 + A21 XT :

23
Proposition 2.2 De même façon à un horizon h, la prévision d’un
VAR(1) est donné par :

bT +h = E (XT +h =XT )
X
= I + A1 + A21 + ::: + A1h 1
A0 + Ah1 XT :

L’erreur de prévision s’écrit sous la forme :

XT +h bT +h = XT +h
X E (XT +h =XT )
X
h 1
= Ai1 "T +h i :
i=0

Remarque 2.1 Par la dé…nition des bruits blanc, cette erreur de pré-
vision à une espérence nulle.

2.5.2 Le cas d’un VAR(p)

Le modèle s’écrit :

Xt = A1 Xt 1 + A2 Xt 2 + ::: + Ap Xt p + "t :
La prévision optimale à la date T + 1, faite à la date T est

24
 bT +1 = E (XT +1 =XT ; XT
X 1 ; :::; X1 ) :

Donc

bT +1 = A1 XT + ::: + Ap XT
X p:

De façons analogue

XT +h = A1 XT +h 1 + ::: + Ap XT +h p + "T +h :
Donc

bT +h = E (XT +h =XT ; XT
X 1 ; :::; X1 ) :

De façons réccursive

8
bT +h
< A1 X 1
bT +1 + Ah XT + ::: + Ap XT +h
+ ::: + Ah 1 X p pour h p:
bT +h =
X
: bT +h bT +h
A1 X 1 + ::: + Ap X p pour h > p:

2.6 La causalité
La causalité entre deux séries temporelles (chronologique) est gé-
néralement étudiée en termes d’amélioration de la prévision. [2], [6]

2.6.1 Causalité au sens de Granger

Dé…nition 2.3 On dit que la variable yt cause au sens de Granger la
variable xt si la prédictibilité de xt est améliorée lorsque l’information
relative à yt est incorporée dans l’analyse. Soit le modèle V AR (p) pour
lequel les variables xt et yt sont stationnaires :

25
 ! ! !
(0) (1) (1) (2) (2)
yt a1 a11 a12 yt 1 a11 a12 yt 2
= (0) + (1) (1) + (2) (2) + :::
xt a2 a21 a22 xt 1 a21 a22 xt 2
!
(p) (p)
a11 a12 yt p "1;t
+ (p) (p) + :
a21 a22 xt p "2;t

Dé…nition 2.4 xt cause zt au sens de Granger à la date t si le fait

de tenir compte des informations passées de xt améliore la prévision
de zt à tout horizon de temps h 2 N , Mathématiquement :

E (zt+h =zt ; zt 1 ; :::; z1 ) = E (zt+h =zt ; :::; z1 ; xt ; :::; x1 ) :

Selon la représentation moyenne mobile canonique, on a

X1
Xt = B0 + Bi "t i = B0 + B (L) "t , t 2 Z oú B (0) = I et L est
i=0
l’opérateur retard.

En partitionnant yt , on obtient

zt B1 B11 (L) B12 (L) "1;t

yt = = + ;t 2 Z
xt B2 B21 (L) B22 (L) "2;t

Avec

26
 B11 (L) B12 (L)
la matrice est la matrice B (L) partitionnée se-
B21 (L) B22 (L)
lon les sous-processus zt et xt où "1;t et "2;t sont les vecteurs de bruits
blancs correspondant aux sous processus zt et xt :

La variable xt ne cause pas zt au sens de Granger si et seulement

si

(1) (2) (3) (i) (1) (2) (3) (i)

B12 = B12 = B12 = ::: = B12 , A12 = A12 = A12 = ::: = A12 = 0:

(i) (i)
B12 = 0; 8i = 1; 2; ::: , A12 = 0; 8i = 1; 2; :::; p:

Alors

! ! !
(0) (1) (2)
yt a1 a11 0 yt 1 a11 0 yt 1
= (0) + (1) (1) + (2) (2) + :::
xt a2 a21 a22 xt 1 a21 a22 xt 1
!
(p)
a11 0 yt p "1t
+ + :
(p)
a21
(p)
a22 xt p "2t

La représentation M A est commode pour calculer la variance de

l’erreur de prevision. Mais pour tester la non causalité, on aura besoin
de la forme V AR (p) estimable.

27
2.6.2 Causalité au sens de Sims
Sims [2] présente une spéci…cation de test légèrement di¤érente, en
considérant que si les valeurs futures de y1;t permettent d’expliquer les
valeurs présentes de y2;t , alors y2;t est la cause y1;t :

Ceci se traduit par la représentation suivante :

p p p
(0)
X (1)
X (2)
X (2)
y1;t = a1 + a1;i y1;t i + a1;i y2;t i + bi y2;t+i + "1;t :
i=1 i=1 i=1

p p p
(0)
X (1)
X (2)
X (1)
y2;t = a2 + a2;i y1;t i + a2;i y2;t i + bi y1;t+i + "2;t :
i=1 i=1 i=1

(2)
Remarque 2.2 1. La vectoriel y1;t ne cause pas y2;t si : b1 =
(2) (2)
b2 = ::: = bp = 0:
(1) (1) (1)
2. La vectoriel y2;t ne cause pas y1;t si : b1 = b2 = ::: = bp = 0:

2.7 La cointégration
L’analyse de la cointégration permet d’identi…er clairement la re-
lation véritable entre deux variables en recherchant l’existence d’un
vecteur de cointégration. [7]
Dé…nition 2.5 On considère un processus Xt = (x1;t ; x2;t ; :::; xN;t ) de
dimension (N; 1) intégre d’ordre d . Les processus (xi;t ; t 2 Z) sont dite
cointégrées si et seulement s’il existe un vecteur = ( 1 ; 2 ; :::; N ) 2
RN est un vecteur de cointégration tel que la combinaison linéaire Xt
est stationnaire ou intégré d’ordre 0. Le vecteur correspond à un
vecteur de cointegration.

28
Dé…nition 2.6 Xt et Yt sont dites cointégrées si les deux conditions
sont véri…ées :
1. Xt et Yt deux séries intégrées de même ordre d, (Xt I (d) ; Yt I (d)) :
2. Il existe une combinaison linéaire de ces séries qui sont intégrées
d’ordre strictement inferieur à d c’est-à-dire :

Xt ! I (d)
Alors Xt + Yt I (d b) avec d 0; b 0:
Yt ! I (d)

Pour l’intégration, on note Xt I (d) : Pour la cointégration, on

note (Xt ; Yt ) CI (d; b) :

Remarque 2.3 Soit une série Xt stationnaire et une série Yt intégrée

d’ordre 1 alors (Xt + Yt ) est intégrée d’ordre 1:

29
Chapitre 3

Application

Le tableau suivant présente l’évolution des Taxe sur l’activité pro-

fessionnels (TAP) selon le registre du commerce (Rm) de la wilaya de
ouargla au cous de la période 2003-2019.

30
 sériesnAnnées 2003 2004 2005 2006
TAP 1503035107 2487970876 2900253410 3841286135
RM 15803 16988 17909 20022
sériesnAnnées 2007 2008 2009 2010
TAP 4646585742 5337426523 3693701907 8012377885
RM 20792 24268 24677 25491
sériesnAnnées 2011 2012 2013 2014
TAP 10143913363 8971307003 7879447843 8448856467
RM 27188 28395 29971 31319
sériesnAnnées 2015 2016 2017 2018
TAP 8983658681 10009054273 980770333 10315165840
RM 37443 38791 37620 36256
sériesnAnnées 2019
TAP 11715462843
RM 41816

Tab. 3.1 – L’évolution des Taxe sur l’activité professionnels (TAP)

selon le registre du commerce (Rm) de la wilaya de ouargla au cous
de la période 2003-2019

3.1 Test de la stationnarité

Nous commençons par identi…er le graphique de chacune des deux
séries.
Les …gures 1 et 2 montrent la non stationnarité des deux séries.

31
Fig. 3.1 –La série de Taxe sur l’activité professionnels (TAP)

Fig. 3.2 –La série de le registre du commerce(Rm)

32
3.1.1 Test de la racine unitaire (ADF)
1) La série Taxe sur l’activité professionnels (TAP) :

Modèle sans tendance et avec constante :

La série a une racine unitaire (p-value>0.05) et la probabilité cri-

tique a¤ectées à la constante est supérieurs à 0.05.

33
 Modèle avec tendance et avec constante :

La série a une racine unitaire (la p-value>0.05), la tendance et la

constante sont signi…cative (la probabilité critique<0.05).

34
 Modèle sans tendance et sans constante :

La série a une racine unitaire (p-value>0.05).

D’aprés ce qu’on a vu précédemment, la série (TAP) est non sta-

tionnaire.

35
2) La série le registre du commerce (Rm)

Modèle sans tendance et avec constante :

36
Modèle avec tendance et avec constante :

37
 Modèle sans tendance et sans constante :

De la même manière que nous analysons les résultats précédents

pour la premiére série, nous constatons que la série est non stationna-
rire.

Nous concluons que l’instationnarité des deux série est due au fait
qu’elle contient une racine unitaire.

38
3.2 Stationnarisation des séries
Pour enlever la racine unitaire, nous allons stationnariser la série
TAP en utilisant la première di¤érence, ce qui conduit donc à la série
dTAP :

dtap = tap tap ( 1) :

On utilise aussi le test de racine unitaire (test ADF) :

39
1)

La série ne contient pas de racine unitaire car la p-value<0.05.

40
2)

La série ne contient pas de racine unitaire (la p-value<0.05).

41
 3)

La série ne contient pas de racine unitaire (p-value<0.05). Donc la

série est stationnaire selon les trois test de Dickey Fuller.

42
 Graphique de la série stationnaire :

Fig. 3.3 –Représentation graphique de la série stationnaire (DTAP).

On remarque que la série ‡uctue autour d’une moyenne constante,

donc la série est stationnaire.

Pour la stationnarité de la deuxiéme série (rm), nous avons utilisé

la méthode des di¤érences secondes car la série reste non stationnaire
aux di¤érences premières, ce qui conduit donc à la série ddrm :

ddrm = drm drm( 1):

On utilise aussi le test de racine unitaire (test ADF).

43
1)

La série ne contient pas de racine unitaire car la p-value <0.05.

44
2)

Notre série ne contient pas de racine unitaire (la p-value <0.05).

45
 3)

La p-value<0.05, donc la série ne contient pas de racine unitaire.

D’aprés les résultats précédents, nous constatons que la série est

stationnaire.

46
 La représentation graphique de la série stationnarisée est donnée
sur la …gure ci-dessous.

Fig. 3.4 –Représentation graphique de la série stationnaire (DDRM).

3.3 Détermination de degré de retard

Lag LogL LR FPE AIC SC HQ

1 -383.2418 1.137091 5.23e+25 64.87363 65.11609 64.78387
2 -380.7999 2.848845 7.40e+25 65.13332 65.53741 64.98371
3 -373.5522 6.039797 5.41e+25 64.59203 65.15775 64.38258

Tab. 3.2 –Le degré de retard

Nous remarquons à partir des résultats donnés que le degré de

retard optimal est 1(c’est moins criterion)(Pour le dégré 3, le modèle
n’est pas valide).

47
3.4 Estimation du modèle
Comme la série a le degré de retard 1, nous estimons maintenant le
modèle par la méthode Lag Ordre Selection (OLS), qui est la méthode
la plus approuvée dans cette étude :

48
Alors notre modèle est :

Xt = A0 + A1 Xt 1 + "t :
6:28 108 0:046508 1:17 10 7
= + Xt 1 + "t :
194:6189 153284:8 0:390334

49
3.5 La validation du modèle
3.5.1 Test de la stationnarité du modèle
Pour véri…er la stationnarité du modèle, nous utilisons le test des
racines multiples, et si toutes les racines sont inférieures à une et se
trouvent à l’intérieur du cercle, le modèle est stationnaire.

Fig. 3.5 –Les racines du polynôme caractéristique.

D’aprés ce graphe, la série est stationnaire.

50
3.6 Tests sur les résidus
3.6.1 Test de la normalilté des résidus
Ce test est utilisé pour tester si les résidus sont de loi normale ou
non.

Donc les probabilités de chaque résidu sont supérieures à (la p-

value>0.05), alors le résidu suit une distribution normale.

51
3.6.2 Autocorrélation test
Danc ce test, il faut savoir si les résidus sont autocorrélés ou non.

D’aprés les résultats, nous remarquons que la p-value>0.05 de cha-

cun des deux tests, alors il n’y pas d’autocorrélation des résidus.

52
3.6.3 Test d’hétéroscédasticité
Ce test fonctionne sur la connaissance de la stabilité de l’homogé-
néité de la variance et il est considéré comme l’une des étapes les plus
importantes dans l’étude du modéle VAR :

On remarque que (la p-value>0.05) dans chacun des deux tests,

alors l’homogénéité de la variance des résidus est stable.

53
3.7 La prévision
Nous obtenons les prévisions suivantes pour 5 années :

Année /La prévision La prévision de TAP La prévision de RM

2020 1:23 1010 43247
10
2021 1:28 10 44680
10
2022 1:33 10 46104
10
2023 1:38 10 47511
10
2024 1:42 10 48901

Tab. 3.3 –Prévision.

Fig. 3.6 –La prévision de TAP.

54
Fig. 3.7 –La prévision de RM.

55
Conclusion

Dans ce mémoire, nous avons vu que le modèle VAR est un outil

de modélisation de séries multivariées lorsque les variables à l’étude
sont toutes pertinentes.

De la premiére partie du travail, on a e¤ectué une revue des prin-

cipales notions concernant les séries chronologiques.

Un avantage important dans la modélisation des séries chronolo-

giques est de prévoir les valeure futures. Dans ce cadre, nous avons vu
le modèle vectoriels autorégressifs VAR(p).

Empiriquement, l’application de ce modéle nécessite la démarche

suivante : (Le logiciel qui nous servent de pratique est : Eviews et pour
modéliser notre série, on utilise les procédures : Déterminer le lag ou
décalage optimal, Estimer le VAR et tester la validation des résultats
obtenus (tests sur les résidus)).

Nous concluons que l’estimation et la validité du modèle pour les

séries temporelles multivariées dépend de la réalisation de tous ses
calibrages.

56
Bibliographie

[1] Agung, I. G. N. (2011). Time series data analysis using EViews.

[2] Bourbonnais, R., (2015). Économétrie : Cours et exercices cor-

riges, 9 Edition, DUNOD, paris.

[3] Cryer, J. D., & Chan, K. S. (2008). Time series analysis : with
applications in R , Second Edition. New York : Springer.

[4] Enders, W., (2015). Applied econometric time series. fourth edi-
tion.

[5] Goldfarb, B., & Pardoux, C. (2011). Introduction à la méthode

statistique, 6 édition. Dunod, paris.

[6] Ha…da, M. G., & Youcef, M.( ? ?). Modèles linéaires et non li-
néaires pour des séries de taux de change et estimation non pa-
ramétrique de densité.

[7] HAMLILI, A., (2018). Test of causality between the economics

indexes in algeria (Doctoral dissertation).

57
 [8] Lagnoux, A., (2015). Renforcement Statistique Séries chronolo-
giques. Université de Toulouse Le Mirail.

[9] Prenat, M., Keribin, C., & Rossignol, R. (2010). Séries chronolo-
giques. Université Paris-Sud.

[10] Raoult, J. P., (2011). Note de lecture :«Séries temporelles avec

R-Méthodes et cas» . Statistique et Enseignement.

[11] Rubenthaler, S., (2019). Séries chronologiques (avec R)(Cours et

exercices).

58