1

Chapitre 3
Introduction aux tests de racine unitaire
Ahmed BENSALMA
Pôle Universitaire de Koléa, Tipaza, Algérie
École Nationale Supérieure de Statistique et d’Économie Appliquée

Ce cours est destiné aux étudiants de 2ème année Master, option statistique appliquée

3.1. Introduction
On admettait, avant (1982), que la croissance et les ‡uctuations en niveau des séries ma-
croéconomique pouvaient s’expliquer en décomposant, dans les travaux empiriques, les prin-
cipales séries en une composante tendancielle (fonctions polynomiale et/ou trigonométrique
du temps, ajustées par des techniques de régression) et une composante stationnaire I(0).
Une autre approche, initié par Nelson et Plosser en 1982, souligne que les ‡uctuations en
niveau sont mieux expliqué par des modèles à racine unitaire I(1). En d’autres termes les
changements sont "stochastiques" plutôt que "déterministe". Après le travail de Box et Jen-
kins (1970), une stratégie généralement admise par les praticiens, pour identi…er les modèles
univariés ARIM A(p; d; q) d’un processus non stationnaire yt est d’abord de le di¤érenciée d
(d 2 N) fois pour le rendre stationnaire. Lorsque yt a une représentation autoregréssive

p (L)yt = "t

les praticiens utilisent couramment les résultats de Dickey et Fuller (1979) pour tester la
présence de racine unitaire dans le polynôme
p
p (L) =1 1L pL

ce qui implique la factorisation suivante du polynôme

0
p (L) = (1 L) p 1 (L)
0
où p 1 (L) est un polynôme d’ordre p 1 en L. A partir des travaux de Nelson et Plos-
ser (1982), le débat c’est centré autour de la question de savoir si une série chronologique
économique ou autre possède une tendance déterministe ou une tendance stochastique, i.e.
si la série est bien décrite par un processus I(0) ou I(1). L’élaboration d’une méthodolo-
gie d’identi…cation des racines unitaires a été développée par Wayne Fuller (1976) et David
Dickey et Wayne Fuller (1979; 1981). Ce premier cours expose cette méthodologie.
3.2. Processus TS contre processus DS
On abordera, dans ce qui suit, deux formes simple de non stationnarité. La première, ap-
pelée non-stationnarité de type TS et la seconde non-stationnarité de type DS. Quand une
série n’est pas stationnaire, on a recours à un ensemble de transformation pour la rendre
stationnaire et ainsi appliquée la méthodologie de Box et Jenkins.
3.2.1. Les processus stationnaires autour d’une tendance déterministe (TS)
Soit un processus yt dé…ni comme suit

yt = c + t + xt
 2

où xt est un processus ARM A(p; q) stationnaire

2
p (L)xt = q (L)zt , avec zt BB(0; z)

Pour rendre stationnaire le processus yt , on estime d’abord par la méthode des moindres
carrés ordinaires les paramètres (c) et ( ). Ensuite on déduit le processus xt en retranchant
c + bt,
de yt la droite b
xt = yt b c + bt
3.2.2. Les processus non-stationnaires de type DS
Soit un processus yt dé…ni comme suit

(1 L)d yt = xt (3:1)

où xt est un processus ARM A(p; q) stationnaire

2
p (L)xt = q (L)zt , avec zt BB(0; z ): (3:2)

Si à la place de xt dans (3:2), on a (1 L)d yt , alors yt est un processus ARIM A(p; d; q).
L’équation correspondante est

p (L)(1 L)d yt = q (L)zt , avec zt BB(0; 2

z ): (3:3)

Noter qu’un processus ARM A(p; q) est aussi un processus ARIM A(p; 0; q). Si (d) est supé-
rieur ou égale à 1, alors yt n’est pas stationnaire. Pour obtenir un processus stationnaire, yt
doit être di¤érencié (d) fois. Dans l’équation (3:3) si d est un entier (d 0), alors (1 L)d
peut être réécrit comme
Xd
d
d
(1 L) = ( 1)k Lk
k
k=0

avec des coe¢ cients binomiaux

d (d + 1) d!
= =
k (k + 1) (d k + 1) k!(d k)!

3.2.3. Les tests de racine unitaire comme moyen d’identi…cation

Il est fondamental d’identi…er si les séries macroéconomiques sont engendrées par des pro-
cessus qui possèdent une tendance déterministe ou stochastique. Les tests de racine unitaire
fournissent une réponse appropriée à l’identi…cation de la nature de la tendance. À l’origine,
ce sont Dickey (1975), Fuller (1976) et Dickey et Fuller (1979; 1981) qui ont formalisé des
procédures de tests. Ces tests permettent d’identi…er si les processus engendrant les séries
sont stationnaires, stationnaires en écarts à une tendance (T S) ou encore stationnaires en
di¤érence (DS).
3.2.4. Processus non stationnaires
À l’inverse d’un processus stationnaire, un processus non stationnaire se caractérise par une
espérance, une variance et des covariances qui varient avec le temps. En général, deux classes
de processus sont distinguées.
Le processus stationnaire autour d’une tendance (processus TS)
 3

yt = c + bt + "t
où "t est un bruit blanc, avec

E (yt ) = c + bt
V (yt ) = "2
Cov (yt ; ys ) = 0 pour t 6= s

On s’aperçoit que ce processus n’est pas stationnaire puisque son espérance dépend du temps.
Pour le rendre stationnaire, il est nécessaire de raisonner en écart par rapport à la tendance
déterministe (yt bt).
Le processus stationnaire en di¤érence (processus DS)

yt = c + yt 1 + "t
où "t est un bruit blanc. Par récurrence, on obtient :
X
t
yt = y0 + tc + "j
j=1

avec

E (yt ) = y0 + tc
V (yt ) = t "2
Cov (yt ; ys ) = "2 min(t; s), pour t 6= s

Ce processus n’est pas stationnaire puisque son espérance, sa variance et ses covariances
dépendent du temps. Pour le rendre stationnaire, il est nécessaire de prendre les di¤érences
premières de la série (yt yt 1 ).
La di¤érence essentielle entre les processus TS et DS se situe au niveau des perturbations et
de leur impact. Pour le processus DS, les perturbations "t représentent une accumulation de
chocs aléatoires, ce qui traduit une non stationnarité de nature stochastique.
3.3. Tests de Racine unitaire dans les modeles AR(1)
3.3.1. Marche aléatoire sans dérive
Considérer le modèle

yt = yt 1 + "t , t = 1; 2; n (3:4)
2
y0 = 0, ("t , t = 1; 2; n) i:i:d(0; ")

On veut tester l’hypothèse

H0 : =1
Soit b l’estimateur des moindres carrés (MCO) obtenu à partir de (3:4). Contrairement au
cas j j < 1, la distribution asymptotique de b n’est pas normale. Plus précisément, on peut
montrer que (voir Hamilton 1994 page 476)
p p
p lim n b 1 !0
T !1
 4

Cependant, les distributions asymptotiques de n b 1 et t 1 ne suivent pas des lois

normales
PT !
2
y y L 1=2 [W (1) 1]
n b 1 = n Pt=2
t t 1
T 2
1 ! R 1
t=2 yt 1 0
W (r)2 dr
b 1 L 1=2 [W (1)
2
1]
t 1= ! h R1 i
PT 2 1=2 1=2
s t=2 yt 1 0
W (r)2 dr

où
X
T
2
2
s = yt byt 1
t=2

.24 .5

.20
.4

.16
.3
.12
.2
.08

.1
.04

.00 .0
-24 -20 -16 -12 -8 -4 0 4 -4 -3 -2 -1 0 1 2 3

L 1=2[W (1)2 1] L 1=2[W (1)2 1]

n b 1 ! R1
2
t 1 ! R1 1=2
0 W (r) dr [ 0 W (r)2 dr]

En pratique, l’hypothèse H0 : = 1 est testée contre l’hypothèse alternative ( < 1) par

conséquent, on considère une région critique unilatérale à gauche de la forme n( b 1) < c1 ( )
et t =1 < c2 ( ) où est le niveau du test.

n( b 1) < c1 ( ) t =1 < c2 ( )

Dans le cas où les "t suivent une loi normale, les valeurs critiques exactes pour n b 1
et t 1 ont été données par Fuller (1976, pp. 373 and 375) : première partie de table B.5
pour n b 1 et première partie pour la table B.6 pour t 1 .
Remarque : W ( ) est le mouvement Brownien Standard qui sera dé…ni au chapitre 2. L’ex-
pression de la distribution limite en fonction du mouvement Brownien Standard est don-
née pour voir la di¤érence entre les expressions mathématiques des lois standards, que vous
connaissez déjà, avec celles non standard. A ce stade vous n’avez pas besoin de comprendre
d’où viennent les expressions des lois limites en fonction de W(.). Ce qu’il faut comprendre
c’est que les valeurs critiques des lois standards ne peuvent pas être utilisées.
3.3.2. Marche aléatoire avec dérive pour les modèles AR(1)
 5

yt = c + yt 1 + "t , t = 1; 2; n (3:5)
2
y0 = 0, ("t , t = 1; 2; n) i:i:d(0; ")

On veut tester l’hypothèse

H0 : =1
Soit b l’estimateur des moindres carrés de basé sur l’équation (3:5) et t 1 la statistique
t associée à l’hypothèse H0 , on peut utiliser soit n b 1 ou t 1 . Pour le cas où "t
N (0; "2 ), les valeurs critiques sont données par Fuller (1976, pp.371 and 373) : table B.5
pour n b 1 et table B.6 pour t 1 . Le rejet de l’hypothèse nulle H0 se fait lorsque la
valeur calculée de la statistique n b 1 ou t 1 est inférieure à une valeur critique (au
seuil ) donnée par la table B5 ou la table B6.
Dans (1.2), on peut aussi tester l’hypothèse

H01 : = 1 et c = 0

Ceci peut se faire par le calcul de la statistique F usuelle (F01 ) pour H01 . Le rejet de
l’hypothèse nulle H01 se fait lorsque la valeur calculée de la statistique
(SCR2;contraint SCR2 ) =2
F01 =
SCR2 = (n 2)

est supérieur à une valeur critique (au seuil ) donnée par la table 3. Les distributions
limites de n b 1 , t 1 et F01 sont des lois non standard. Les deux résultats ci-dessous
seront démontrés au chapitre 4.
2
R
1=2 [W (1) 1] W (1) W (r)dr
n b 1 ! R1 R 2
2
W (r) dr W (r)dr
0
R
1=2 [W (1)2 1] W (1) W (r)dr
t 1 ! hR R i
1 2 2 1=2
0
W (r) dr W (r)dr

3.3.3. Marche aléatoire avec tendance pour les modèles AR(1)

yt = c + bt + yt 1 + "t , t = 1; 2; n (3:6)
y0 = 0, ("t , t = 1; 2; n) i:i:d(0; "2 )

On veut tester les hypothèses

H0 : =1
H02 : = 1, b = 0 et c = 0
H03 : = 1, b = 0

Soit b l’estimateur des moindres carrés de basé sur l’équation (3:6) et t 1 la statistique
t associée à l’hypothèse H0 , on peut utiliser soit n b 1 ou t 1 . Pour le cas où "t
 6

N (0; "2 ), les valeurs critiques sont données par Fuller (1976, pp.371 and 373) : table B.5
pour n b 1 et table B.6 pour t 1 . Pour tester les hypothèses H02 et H03 , on utilise les
statistiques de Fisher (voir remarque ci-dessous)

(SCR3;contraint SCR3 ) =3
F02 =
SCR3 = (n 3)
et
(SCR3;contraint SCR3 ) =2
F03 =
SCR3 = (n 3)
Le rejet de l’hypothèse nulle H02 se fait lorsque la valeur calculée de la statistique F02 est
supérieure à une valeur critique (au seuil ) donnée par la table 6.
Le rejet de l’hypothèse nulle H03 se fait lorsque la valeur calculée de la statistique F03 est
supérieure à une valeur critique (au seuil ) donnée par la table 7.
Remarque : Les statistiques de tests F02 et F03 se calculent comme la statistique de Ficher
dans le cas stationnaire, mais leurs distributions n’ont rien à voir avec la loi de Fisher. Il
faut distinguer entre le nom de la statistique "statistique de Fisher" et "loi de Fisher". Même
b
remarque concernant la statistique de student t 1 = PT 21 1=2 : Cette statistique garde
s( t=2 yt 1 )
le nom de statistique de student dans le cas stationnaire et non stationnaire. Par contre sa
loi dans le cas stationnaire est la loi de student (ou la loi normale) qui est loi standard et
dans le cas non stationnaire (modèle 1.1 avec = 1) sa loi n’a rien à voir avec la loi de
student.
Résumé : Voici tous les tests qu’on peut mener sur les di¤érents modèles
8
>
> Modèle [3] xt = c + bt + xt 1 + "t
>
> H0 : = 1 Table B5 ou B6 (Troisième partie)
>
>
>
>
>
> H03 : (c; b; ) = (c; 0; 1) Table 7
>
>
>
> H 03 : (c; b; ) = (0; 0; 1) Table 6
>
>
>
> H0 : b = 0 Table 4
>
>
>
> H 0 : c = 0 Table 5
<
>
> xt = c + xt 1 + "t
>
> Modèle [2]
>
> H0 : = 1 Table B5 ou B6 (2ième partie)
>
>
>
> H01 : (c; ) = (0; 1) Table 3
>
>
>
> H0 : c = 0 Table 2
>
>
>
>
>
>
>
> xt = xt 1 + "t
: Modèle [1]
H0 : = 1 Table B5 ou B6 (1 er partie)

3.3.4. Quelques tables statistiques utilisées pour les di¤érents tests

7
8
9
 10

3.4. Test de Dickey-Fuller augmenté et test de Phillips-Perron

3.4.1. motivation
Dans section 1 (voir marche aléatoire sans dérive), on a vu comment distinguer entre un
processus ARM A(0; 0) et un processus ARIM A(0; 1; 0) en utilisant le test de Dickey-Fuller
standard basé sur l’estimation du modèle de régression

yt = yt 1 + "t , t = 1; ;n (3:7)

ou le modèle équivalent
yt = yt 1 + "t , t = 1; ;n (3:8)
où = 1 et f"t , t = 1; ; ng est la série résiduelle. Le test de la présence ou absence
d’une racine unitaire revient à tester l’hypothèse nulle

H0 : = 1, (ou = 0)

En pratique, l’hypothèse H0 : = 1 est testé contre l’hypothèse alternative ( < 1) par

conséquent, on considère une région critique unilatérale à gauche de la forme n( b 1) < c1 ( )
et t =1 < c2 ( ) où est le niveau du test.

n( b 1) < c1 ( ) t 1 < c2 ( )

Dans le cas où les "t suivent une loi normale, les valeurs critiques exactes pour n b 1 et
t b 1 ont été données par Fuller (1976, pp. 373 and 375) : première partie de table B.5 pour
n b 1 et première partie pour la table B.6 pour t 1 (voir section 1).
Supposons maintenant que notre processus est un processus ARM A(p; q) ou ARM A(p; 1; q)
avec p 6= 0 et/ou q 6= 0. La question à laquelle on va tenter de répondre est la suivante :
"Le test de Dickey-Fuller standard basé sur l’estimation du modèle (3.7) ou (3.8) peut-il
nous permettre de distinguer entre un processus ARM A(p; q) ou ARM A(p; 1; q) avec p 6= 0
et/ou q 6= 0 ?
Remarque importante : La réponse qu’on va apporter à cette question est basé sur la
simulation. Nous savons très bien que vous n’avez jamais fait de cours de simulation (ici, je
m’adresse à mes étudiants de 2ème année master). Nous utilisons la simulation pour illustrer
le cours (expliquer des concepts statistiques autrement que par des formules mathématiques
et des concepts statistiques qui peuvent être mal compris.
Le programme de simulation sur le logiciel EVIEWS, consiste à simuler 1000 échantillons
de taille 1000 d’un processus ARM A(p; q) ou ARM A(p; 1; q) avec p 6= 0 et/ou q 6= 0. Pour
chaque échantillon simulé on estime le modèle (3.8) et on calcule les deux statistiques de test :
1000 b 1 = 1000b et t b. Après l’exécution du programme on aura à notre disposition
1000 valeurs de 1000b et 1000 valeurs de t b,
 11

1000b1 ; 1000b2 ; ; 1000b1000

t b1 ; t b2 ; ; t b1000
Pour i = 1 à 1000, on véri…e si 1000bi 8:1 et si t bi 1:95. C’est-à-dire on véri…e si
H0 : = 0 est rejetée. Les valeurs ( 8:1) et ( 1:95) sont les valeurs critiques au seuil = 5%.
Dans le programme deux vecteurs de taille 1000 nommés "Indcoef" et "Indtstat" sont créés
pour stocker les résultats sous forme de 1 (si H0 est rejetée) ou 0 (si H0 est acceptée). La
somme des "un" multipliée par 100 puis divisé par 1000 représente le pourcentage de rejet
de H0 .
Le processus qu’on va simuler est un ARIM A(0; 1; )

yt = yt 1 + "t + " t 1

, avec 2 f 0:5; 0:4; 0:3; 0:2; 0:1; 0; 0:1; 0:2; 0:3; 0:4, 0:5g
Programme de simulation
create u 1001
for !i=1 to 1000
genr u !i=nrnd’ "(ut N (0; 1))"
series x !i=0
smpl 2 1000
genr x !i=x !i(-1)+u !i-0.5*u !i(-1)’ "(yt = yt 1 + ut + ut 1 )"
equation [Link] d(x !i) x !i(-1)’ "(Estimation du modèle yt = yt 1 +"t , t = 1; ; n)"
scalar t !i=eq.@tstat(1)’ "(calcul de t b)"
scalar c !i=eq.@coef(1)’ "(calcul de b)"
smpl 1 1000
next
series Indtstat=0
for !i=1 to 1000
if t !i<=-1.95 then indtstat( !i)=1 "(véri…er si t bi 1:95)"
else indtstat( !i)=0
endif
next
series indcoef=0
for !i=1 to 1000
if 1000*c !i<=-8.1 then indcoef( !i)=1 "(véri…er si 1000bi 8:1)"
else indcoef( !i)=0
endif
next
scalar PercentageRejectionNcoef=(@sum(indcoef)*100)/1000 "(pourcentage de re-
jet de H0)"
scalar PercentageRejectionTstat=(@sum(indstat)*100)/1000 "(pourcentage de re-
jet de H0)"
show PercentageRejectionNcoef
show PercentageRejectionTstat
Fin du programme
 12

Le tableau suivant résume les résultats obtenus.

Tableau 1
Vrai processus : yt = yt 1 + ut + ut 1
Modèle estimé yt = yt 1 + "t
Pourcentage de rejet avec nb Pourcentage de rejet avec t b
-0.5 48:2 46:9
-0.4 31:1 30:5
-0.3 23:9 23:7
-0.2 15:6 15:2
-0.1 8:6 8:6
0 4.8 4.7
0.1 3.1 2.9
0.2 1.5 1.5
0.3 1.1 1.1
0.4 0.5 0.4
0.5 0.4 0.4

On note le pourcentage de rejet par 0 , le pourcentage de rejet nominal (théorique) 5% est

noté par . Les résultats obtenus indiquent que
8 0
< > Si < 0
0
Si = 0
: 0
< Si > 0

– Dans le premier cas, lorsque < 0, les performances du test de Dickey-Fuller standard
deviennent mauvaises en terme de niveau puisque malgré la présence d’une racine
unitaire la probabilité de rejeter H0 : = 1 est supérieur au niveau nominal du test.
La détérioration du test est d’autant plus importante que la valeur de j j est grande.
– Dans le second cas, lorsque = 0, les performances du test de Dickey-Fuller standard en
terme de niveau sont bonnes puisque, en présence d’une racine unitaire, la probabilité
de rejeter H0 : = 1 est approximativement égale au niveau nominal du test.
– Dans le troisième cas, lorsque > 0, les performances du test de Dickey-Fuller standard
en terme de niveau sont encore meilleur que dans le second cas car, en présence d’une
racine unitaire, la probabilité de rejeter H0 : = 1 est inférieur au niveau nominal
du test.
Conlusion : Pour un processus ARMA(0,1,1) l’application du test de Dickey-Fuller stan-
dard peut améliorer ou détériorer les performances du test selon la valeur et le signe du
paramètre de la partie moyenne mobile. Dans la pratique, en présence d’un échantillon de
données réelles, le vrai processus générateur des données (en supposant bien sûr qu’il s’agisse
d’un ARIMA(p,1,q)) est inconnu. On ignore le nombre de paramètres autorégressifs (p) et le
nombre de paramètres moyennes mobiles (q). Comme dans le cas qu’on vient d’étudier par
simulation, selon les valeurs et le signe des paramètres (p+q) l’application du test standard
de Dickey-Fuller peut nous conduire au cas où ( 0 > ) ou le cas ( 0 < ). La particularité
de l’estimation du modèle standard (3.8) sur la base d’un échantillon issu d’un processus
ARIMA(p,1,q) avec p 6= 0 et/ou q 6= 0, est que les résidus f"t ; t = 1; ; ng sont autocorré-
lées.
Dans le cadre général d’un processus ARIM A(p; 1; q) avec p 6= 0 et/ou q 6= 0, on vient
de voir que l’utilisation des tables statistiques de Dickey-Fuller construites sur la base des
 13

distributions limites
L 0:5[W 2 (1) 1] b L 0:5[W 2 (1) 1]
nb ! R1
2
et t b = b
! R1 0:5 ; (3:9)
0 W (r)dr ( 0 W 2 (r)dr)

ne conviennent pas, pour tester l’hypothèse nulle de présence d’une racine unitaire sur la
base du modèle de régression (3:7) ou (3:8). La raison est que si le modèle de régression (3:8)
est estimé sur la base d’un échantillon issu d’un processus ARIM A(p; 1; q) quelconque alors
les distributions limite des deux statistiques de test ne correspondent plus à celles données
en (3:9). Les distributions limites deviennent,

L 1 [ 2 2
1 W (1)
2
"] L 1 [ 1
2 W 2 (1)
"]
2
nb ! 2 2
R1
2
et t b ! 2 R1 0:5 (3:10)
1 0 W (r)dr " ( 1 0 W (r)dr )
2 2

où P1
2 2 2
– " = u j=0 j (variance de court terme),
2
P1 2
– 1 = u2 j=0 j (variance de long terme),
– Les j représentent
P1les coe¢ cients de l’écriture moyenne mobile de yt : yt =
1
(L) (L)ut = j=0 j ut j .

Schema explicatif 1

3.4.2. Test de Dickey-Fuller augmenté

La solution du problème doit consister à trouver un autre modèle qui s’adapte à toutes les
situations possibles (c’est-à-dire quels que soient les valeurs, les signes des paramètres (p+q),
en évitant de tomber dans le cas ou ( 0 > ). Il existe dans la littérature de l’économétrie
 14

des séries temporelles deux solutions. Une première solution a d’abord été proposée par
Dickey et Fuller (1981). Dickey et Fuller (1981) ont proposé d’utiliser pour un processus
ARIM A(p; 1; 0) le modèle de régression suivant
p
X
yt = yt 1 + j yt j + "t (3:11)
j=1

Cette solution est viable si p est connu et q = 0, mais elle ne l’est pas pour un modèle
ARIM A quelconque. De plus, si q 6= 0, alors yt possède une représentation autorégressive
in…nie
X
1
yt = j y t j + "t
j=1

Pour contourner cette di¢ culté Said et Dickey (1984) ont proposé d’utiliser le modèle de
régression suivant,
kX
max

yt = yt 1 + j y t j + "t (3:12)
j=1

Le test basé sur ce dernier modèle est connu sous le nom du test de Dickey-Fuller augmenté
d’ordre (kmax ). Les statistiques de test et leurs distributions sont

nb L 0:5[W 2 (1) 1] b L 0:5[W 2 (1) 1]

1
P ! R1
2
et b
= tb ! R1 0:5
j
0 W (r)dr ( 0 W 2 (r)dr)
1. kmax est fonction de la taille d’échantillon n.
Pour implémenter le test de Dickey et Fuller augmenté, une règle empirique utile pour
déterminer kmax , suggérée par Schwert (1989),est donnée par

n 1=4
kmax = 12 (3:13)
100

où [x] désigne la partie entière de x. Ce choix permet à kmax de croitre avec la taille de
l’échantillon.
Attention : Si vous utilisez cette règle pour un échantillon de taille 1000 engendré par un
processus ARIMA(2,1,0) alors vous aurez kmax = 21. Pour un échantillon de taille quel-
conque issue d’un processus ARIMA(2,1,0) le kmax doit être égale à 2. La règle (3.13) nous
renseigne sur l’ensemble des valeurs possibles de l’ordre k. C’est-à-dire, une fois la valeur
kmax calculée, on doit chercher la valeur de k dans l’ensemble f0; 1; 2; ; k; ; kmax g.
2. La règle du choix de k est basée sur les critères d’information
Cette règle consiste à choisir k de façon à minimiser une fonction objective qui est de la
forme :
Cn
ICk = log bk2 + (k + nr + 1) (3:14)
n kmax
avec bk2 la variance des résidus et (nr) le nombre de régresseurs. Les critères d’information
les plus fréquemment utilisés sont le critère d’information de Akaike [1969] (AIC) qui …xe Cn
à 2, le critère d’information de Shwarz [1978] (BIC) qui …xe Cn à log(n kmax ) et le critère
d’information de Hannan et Quinn [1979] (HQ) qui …xe Cn à 2n log logn n où b > 2 est une
constante.
3. La règle séquentielle de choix de k
 15

Hall [1994] discute deux règles séquentielles. La première consiste à commencer avec un
nombre de retards assez élevé kmax et d’éliminer les derniers retards non signi…catifs un par
un jusqu’à l’obtention d’un k signi…catif. La deuxième consiste à commencer avec un petit
nombre de retards et de l’augmenter successivement jusqu’à l’obtention d’un retard non
signi…catif.
4. Remarque importante :
Les valeurs critiques du test ADF sont simulées sous hypothèse d’absence d’autocorrélation
des résidus. Pour utiliser ces valeurs critiques, il faut que les résidus ne soient pas corrélés. k
est donc le nombre de retards su¢ sant pour éliminer l’autocorrélation des résidus. En d’autres
termes, k est le plus petit nombre de retards qui élimine l’autocorrélation des résidus. Le
schéma suivant la solution proposée par Said et Dickey (1984).

Shéma explicatif 2 (Résumé)

 16

3.4.3. Application : Suite de l’exemple de simulation précédent

On simule un échantillon de taille 1000 du processus ARIM A(0; 1; )

yt = yt 1 + "t + " t 1 ;

avec 2 f 0:5; 0:4; 0:3; 0:2; 0:1; 0; 0:1; 0:2; 0:3; 0:4, 0:5g. P Le modèle qu’on va utili-
ser pour tester l’hypothèse H0 : = 0 est le modèle yt = yt 1 + kj=1 max =21
j yt j + "t . La
valeur kmax = 21 a été calculée en utilisant la règle (3:13). Les résultats sont donnés par le
tableau 2 ci-dessous
Tableau 2
Vrai processus : yt = yt 1 + ut + ut 1
P max =21
Modèle estimé yt = yt 1 + kj=1 j y t j + "t
Pourcentage de rejet avec nb Pourcentage de rejet avec t b
-0.5 6 4.9
-0.4 6 4.7
-0.3 6.2 4.7
-0.2 6.5 4.7
-0.1 6.3 4.7
0 6.4 5
0.1 6.5 4.9
0.2 6.5 4.7
0.3 6.4 4.8
0.4 6.4 4.8
0.5 6.4 5

Les résultats du tableau 2, indiquent que l’utilisation d’un modèle autoregréssif augmenté
(3:12) ramène le pourcentage de rejet de H0 lorsqu’elle est vraie à proportion acceptable (qui
avoisine le taux de rejet nominal = 5%), en particulier pour la statistique t b.
3.4.3. Test de Phillips-Perron
Phillips-Perron (1987) proposent une autre solution au problème des autocorrélation des
erreurs lorsque l’échantillon provient d’un processus ARIM A(p; 1; q). Dans leurs solution,
ils ne préconisent pas de changer le modèle de régression standard (3:8) mais de modi…er les
statistiques de test nb et t b de telle sorte que les distributions limite des nouvelles statistiques
convergent vers les mêmes lois que dans le test de Dickey-Fuller standard, voici comment il
procèdent. Si le modèle de régression (1.2) est estimé sur la base d’un échantillon issu d’un
processus ARIM A(p; 1; q) quelconque alors les distributions limite des deux statistiques de
test sont données par

L 1 [ 2 2
1 W (1) ]
2
" L 1 [ 1
2 W 2 (1)
"]
2
nb ! 2 2
R1
2
et t b ! 2 R1 0:5
1 0 W (r)dr " ( 1 0 W (r)dr )
2 2

où P1
2 2 2
– " = u j=0 j (variance de court terme),
2
P1 2
– 1 = u2 j=0 j (variance de long terme),
– Les j représentent
P les coe¢ cients de l’écriture moyenne mobile de yt : yt =
(L) 1 (L)ut = 1 j=0 j ut j .
 17

On va expliquer l’idée de Phillips-Perron (1987) pour une seule statistique, le même raison-
nement peut être fait pour l’autre statistique.
0:5[W 2 (1) 1]
Comment modi…er la statistique nb pour que la nouvelle statistique converge vers R 1 W 2 (r)dr
0
1 [ 2 2
1 W (1) ]
2
"
au lieu de 2 2
R1
2
?
1 0 W (r)dr
2 2 2 2 2
D’abord on retranche 1 et on ajoute 1 dans [ 1 W (1) " ], on obtient ainsi,

2 2 2 2 2 2 2 2
0:5 [ 1 W (1) "] 0:5 [ 1 W (1) 1+ 1 "]
R1 = R1
2 2 2 2
1 0 W (r)dr 1 0 W (r)dr
2 2 2 2
0:5 [ 1 (W (1) 1) + 1 "]
= R1
2 2
1 0 W (r)dr
2 2 2
0:5 [W (1) 1] 0:5 [ 1 "]
= R1 + R1 :
W 2 (r)dr 2 2
1 0 W (r)dr
| 0 {z }
Distribution de Dicky-Fuller

La première partie de cette dernière décomposition n’est rien d’autre que la distribution
standard de Dickey-Fuller. L’idée de Phillips-Perron consiste à estimer la deuxième partie
2 2
0:5 [ 1 "]
R1
2 2
1 0 W (r)dr

et d’utiliser la nouvelle statistique

!
2 2
0:5 [ 1 "]
Z = nb l’estimateur de R1
2 2
1 0 W (r)dr

0:5[ 1
2
"]
2
Ils proposent d’estimer 2
R1
2
comme suit :
1 0 W (r)dr
2
– La variance de court terme, ", est estimée par

1X 2
n
b"2 = "b :
n t=1 t
2
– La variance de long terme, 1, est estimée par :

1X 2 X 1 X
n l n
2 i
b1 = "bt + 2 1 "bt "bt i
n t=1 i=1
l+1 n t=i+1

i
l est le nombre de retards, 1 l+1 est appelé noyau de Bartlett. Cet estimateur
est appelé estimateur de Newey-West. Le choix de (l) se fait par l’une des deux mé-
thodes de sélections proposée par EVIEWS (Selection automatique par la méthode
de Newey-West ou la méthode d’endrews). Vous pouvez aussi le choisir vous-même,
arbitrairement. R Pn 2
2 1 2 1
– Finalement, 1 0
W (r)dr est estimé par n 2 t=1 yt 1 .
Avec ces estimateur, la statistique modi…ée de Phillips-Perron, notée par Z est :
2
0:5 [b1 b"2 ]
Z = nb 1
P n (3:15)
n2 t=1 yt2 1
 18

Concernant la statistique t b;elle converge vers la distribution

2 2 2
L 1 [ 1 W (1) "]
tb ! R1 0:5
2 2
" 1 0
W 2 (r)dr
2 2 2 2 2
L 1[ 1 W (1) 1 + 1 "]
tb ! R1 0:5
2 2
" 1 0
W 2 (r)dr
2 2 2 2 2
L 1 [ 1 W (1) 1] 1 [ 1 "]
tb ! R1 0:5 + R1 0:5
2 2 2
" 1 0
W 2 (r)dr "
2
1 0
W 2 (r)dr
2 2 2
L 1 1 [W (1) 1] 1 [ 1 "]
tb ! R1 0:5 + R1 0:5 :
2 " 2 (r)dr 2 2
0
W " 1 0
W 2 (r)dr
| {z }
Distribution de Dickey-Fuller

Ce qui donne, …nalement, comme statistique modi…ée de Phillips-Perron

2
b" 0:5 (b1 b"2 ) 2
L 0:5 (W (1) 1)
Zt = tb Pn 0:5 ! R 0:5 (3:16)
b1 b1 1 2 1
n2 t=1 yt 1 W 2 (r)dr
0

3.4.3. Application : Suite de l’exemple de simulation précédent

Pour examiner les performances du test PP en terme de niveau, on simule un échantillon
de taille 1000 du processus ARIM A(0; 1; )

yt = yt 1 + "t + "t 1 ;

avec 2 f 0:5; 0:4; 0:3; 0:2; 0:1; 0; 0:1; 0:2; 0:3; 0:4, 0:5g. Le modèle qu’on va utili-
ser pour tester l’hypothèse H0 : = 0 est le modèle yt = yt 1 + "t , et la statistique du
test est celle de Phillips-Perron (PP)

Tableau 3
Vrai processus : yt = yt 1 + ut + ut 1
Modèle estimé yt = yt 1 + "t
Pourcentage de rejet avec t b modi…ée Zt de PP
-0.5 19:5
-0.4 13
-0.3 9:5
-0.2 6:6
-0.1 5:7
0 5.2
0.1 4.9
0.2 4.8
0.3 4.5
0.4 4.6
0.5 4.5

Si on compare les performances en terme de niveau, du test de Phillips-Perron (test PP) et

celui de Dickey-Fuller augmenté (test ADF), on voit que le test ADF l’emporte sur le test
PP (je vous laisse examinez les résultats pour comprendre pourquoi).
 19

Remarque : La comparaison des tests PP et ADF n’a pas été faite en terme de puissance.
Une stratégie de Tests
On vient de voir comment le problème des autocorrélation des erreurs à été contourné
dans le cadre du modèle sans constante ni tendance (3:4). Les mêmes solutions peuvent être
préconisées pour le modèle avec constante (3:5) et le modèle avec constante et tendance
(3:6). Néanmoins, en supposant qu’un processus stochastique est engendré par l’un de ces
trois modèles (on igniorant lequel), en testant l’hypothèse nulle H0 : = 1 on ne peut
pas a¢ rmer l’existence d’une racine unitaire sur la base d’un seul modèle. On ne peut pas
non plus distinguer un processus T S et DS sur la base d’un seul modèle. Pour "espérer"
arriver à une conclusion correcte il faut utiliser la stratégie de tests de Dickey-Fuller qui
combine le test d’hypothèse nulle simple H0 : = 1 et les tests d’hypothèse jointes H01 ,
H02 et H03 . La stratégie de tests de Dickey Fuller permettant de tester la non stationnarité
conditionnellement à la spéci…cation du modèle utilisé est décrite par le diagramme suivant,
20
 21

Programme eviews pour la mise en ouevre de la Stratégie de Tests de Dickey

Fuller simple (k=0)
genr x=lmoneystock
Genr tend=@trend(1)
’— — — — — — — — — — — — — — — — —
’Estimation du modèle 3
’— — — — — — — — — — — — — — — — —
genr dx=x-x(-1)
equation [Link] d(x) c tend x(-1)
’— — — — — — — — — — — — — — — — —
’Calcul de F03
’— — — — — — — — — — — — — — — — —
scalar scr3=@ssr
scalar ddl3=@regobs-@ncoef
’— — — — — — — — — — — — — — — — —
’Estimation du modèle 3 avec deux contraintes
’— — — — — — — — — — — — — — — — —
equation [Link] d(x) c
scalar scr3c2=@ssr
scalar F03=((scr3c2-scr3)/2)/(scr3/ddl3)
’— — — — — — — — — — — — — — — — —
’Calcul de F02
’— — — — — — — — — — — — — — — — —
scalar scr3c3=@sumsq(dx)
scalar F02=((scr3c3-scr3)/3)/(scr3/ddl3)
’— — — — — — — — — — — — — — — — —
equation [Link] d(x) c tend
’— — — — — — — — — — — — — — — — —
’Estimation du modèle 2
’— — — — — — — — — — — — — — — — —
equation [Link] d(x) c x(-1)
’— — — — — — — — — — — — — — — — —
’Calcul de F01
’— — — — — — — — — — — — — — — — —
scalar scr2=@ssr
scalar ddl2=@regobs-@ncoef
scalar scr2c2=@sumsq(dx)
scalar F01=((scr2c2-scr2)/2)/(scr2/ddl2)
’— — — — — — — — — — — — — — — — —
’Estmation du modèle 1
’— — — — — — — — — — — — — — — — —
equation [Link] d(x) x(-1)
’Fin du programme
________________________________

3.5. Exemples d’application de la stratégie de test de Dickey-Fuller et de la

méthodologie de Box et Jenkins
 22

Tous les exemples traités ont été réalisés sur les données de Nelson et Plosser (1982) (voir
la …n du document)
3.5.1. Exemple 1 : Série "log(nomgnp)
Les prévisions peuvent être calculées pour les modèles validés ARIM A(p; 1; q) en utilisant le
même principe développé pour les modèles ARM A(p; q). A titre d’illustration, nous consi-
dérons la série "log(nomgnp)". Nous rappelons d’abord les résultats de l’application de la
stratégie de tests deDickey-Fuller sur cette série.
1. Analyse de la série "log(NOMGNP)"

Test de Dickey-Fuller simple (DF ADF (0))

Hypothèse nulle Valeurs calculée de la Stat. Valeurs tabulées Décisions
H0 : = 1, (M3) 1:16 3:45 H0 acceptée
H03 : ( ; ; c) = (1; 0; c), (M3) F 3 = 1:699 6:49 H03 acceptée
H0 : = 1, (Modèle (2)) F 1 = 1:159 2:89 H0 acceptée
H0 : ( ; c) = (1; 0), (M2) 21:59 4:71 H0 rejetée
Conclusion : (log(N OM GN Pt )) I(1)+constante
Test de Dickey-Fuller augmenté (ADF (1))
Hypothèse nulle Valeurs calculée de la Stat. Valeurs tabulées Décisions
H0 : = 1, (M3) 2:075870 3:45 H0 acceptée
H03 : ( ; ; c) = (1; 0; c), (M3) F 3 = 2:558338 6:49 H03 acceptée
H0 : = 1, (Modèle (2)) 0:445984 2:89 H0 acceptée
H0 : ( ; c) = (1; 0), (M2) F 1 = 34:89 4:71 H0 rejetée
Conclusion : (log(N OM GN Pt )) I(1)+constante

La série log(nomgnp) est un processus DS pour la rendre stationnaire il convient de la

di¤érenciée. Soit xt la nouvelle variable stationnaire obtenue en di¤érenciant log(nomgnp),

xt = log(nomgnpt ) log(nomgnpt 1 )

Le graphe ci-dessous représente le corrélogramme de la série xt

Parmi les modèles ARM A(p; q) qui peuvent décrire la dynamique du processus xt nous
avons retenu le modèle ARM A(1; 0) avec constante. L’estimation de ce modèle sur la base
 23

d’échantillon disponible est donné par le tableau suivant :

d(log(nomgnpt )) = 0:063747
| {z } + 0:445128
| {z } d(log(nomgnpt )) + "bt
tc = 3:249 t = 6:2933
val:tab = 1:96 val:tab = 1:96
Le tableau des estimations ci-dessus indique que le coe¢ cient estimé satisfait la condition
de stationnarité, il indique aussi que les hypothèses

H0 : c = 0 et H0 : =0

sont rejetées.H0 : c = 0: Le corrélogramme de la série résiduelle du modèle estimé indique

aussi que l’hypothèse nulle

H0 : (1) = (2) = = (20) = 0

est acceptée. Par conséquent le modèle est validé (adéquat).

Nous allons, maintenant, faire des prévisions avec ce modèle. Tout d’abord, nous rapellons
les trois dernières observations de la série d(log(nomgnp), log(nomgnp) et la série résiduelle.

d(log(nomgnp) 0.053591 0.059944 0.074897

log(nomgnp) 0.074897 15.37521 15.45011
"bt -0.011838 0.000718 0.012843

Si on pose yt = log(nomgnp), le modèle "ARM A(1; 0) + constante" estimé s’écrira comme

suit
(1 L)yt = c + (1 L)yt 1 + "t (1.1)
 24

Le modèle est équivalent à

yt = c + (1 + )yt 1 yt 2 + "t (1.2)

Estimation ponctuelles de y1989 ; y1990 et y1991 : Du modèle (2) on peut déduire que

yb1988 (1) = E(y1989 =I1988 )

=bc + (1 + b)y1988by1987 + 0
= 0:063747 + (1 + 0:445128) (15:4501) (0:445128) (15:3752)
= 15:547

yb1988 (2) = E(y1990 =I1988 )

=bc + (1 + b)y1989by1988 + 0
= 0:063747 + (1 + 0:445128) (15:547) (0:445128) (15:45011)
= 15:654

yb1988 (3) = E(y1991 =I1988 )

=bc + (1 + b)y1990by1989 + 0
= 0:063747 + (1 + 0:445128) (15:654) (0:445128) (15:547)
= 15:765

Calcul des erreurs de prévisions e1988 (1); e1988 (2) et e1988 (3) et de leur variances (1er méthode).
On pose T = 1988

eT (1) = yT +1 ybT (1)

= [(1 + ) yT yT 1 + "T +1 ] [(1 + ) yT yT 1]
= "T +1
V ar(eT (1)) = "2

eT (2) = yT +2 ybT (2)

= [(1 + ) yT +1 yT + "T +2 ] [(1 + ) ybT (1) yT ]
= (1 + ) eT (1) + "T +2
= (1 + ) "T +1 + "T +2
V ar(eT (2)) = ((1 + )2 + 1) 2
"

eT (3) = yT +3 ybT (3)

= [(1 + ) yT +2 yT +1 + "T +3 ] [(1 + ) ybT (2) ybT (1)]
= (1 + ) eT (2) eT (1) + "T +3
= (1 + )2 "T +1 + (1 + ) "T +2 "T +1 + "T +3
4
V ar(eT (3)) = ((1 + ) 2 (1 + ) + (1 + )2 +
2 2
+ 1) 2
"
 25

On a b"2 = 0:006057 et b = 0:445128, par conséquent on a

Vd
ar(eT (1)) = 0:006057
Vd
ar(eT (2)) = 1:870 6 10 2

Vd
ar(eT (3)) = 3:506 2 10 2

Calcul des erreurs de prévisions e1988 (1); e1988 (2) et e1988 (3) et de leur variances (2ieme méthode).
L’obtention des intervalles de prévision nécessite de mettre le modèle sous forme M A(1),
sans se soucier de ce que les séries employées divergent. La séquence f 0 ; 1 ; 2; g est de-
terminée par l’identité
2 j
0 + 1L + 2L + + jL + 1 (1 + )L + L2 = 1

Par identi…cation des coe¢ cients de puissances identiques de (L) des deux cotés de l’équation,
on obtient les résultats suivants :

1 = (1 + );
2 = (1 + )2 ;

d’ou, en utilisant le résultat suivant (voir polycopié méthodologie de Box et Jenkins)

Vd
ar(eT (h)) = 2
" (1 + 2
1 + + 2
h 1)

on obtient,

Vd
ar(eT (1)) = 2
"

Vd
ar(eT (2)) = 2
" (1 + 2
1) = 2
" (1 + (1 + )2 )
2
Vd
ar(eT (3)) = 2
" (1 + 2
1 + 2
2) = 2
" (1 + (1 + )2 + (1 + )2 )

Les intervalles de prévisions de 95% pour h = 1; 2; 3

yb1988 (1) 1:96 [b(e1988 (1))]

hp i
15:547 1:96 0:006057
15:547 0:152 54

yb1988 (2) 1:96 [b(e1988 (2))]

hp i
15:654 1:96 1:870 6 10 2

15:654 0:268 07

yb1988 (3) 1:96 [b(e1988 (3))]

hp i
15:765 1:96 3:506 2 10 2
15:765 0:36701

3.5.2. Exemple 2 : Série "Log(CPI)

Test de racine unitaire (test de Dickey-Fuller)
 26

Test de Dickey-Fuller simple (DF ADF (0))

Hypothèse nulle Valeurs calculée de la Stat. Valeurs tabulées Décisions
H0 : = 1, (M3) 0:500862 3:45 H0 acceptée
H03 : ( ; ; c) = (1; 0; c), (M3) F 3 = 5:680464 6:49 H03 acceptée
H0 : = 1, (Modèle (2)) 3:086649 2:89 H0 acceptée
H0 : ( ; c) = (1; 0), (M2) F 1 = 13:2620 4:71 H0 rejetée
Conclusion : (log(CP It )) I(1)+constante
Test de Dickey-Fuller augmenté (ADF (2))
Hypothèse nulle Valeurs calculée de la Stat. Valeurs tabulées Décisions
H0 : = 1, (M3) 0:584374 3:45 H0 acceptée
H03 : ( ; ; c) = (1; 0; c), (M3) F 3 = 3:335849 6:49 H03 acceptée
H0 : = 1, (Modèle (2)) 1:754898 2:89 H0 acceptée
H0 : ( ; c) = (1; 0), (M2) F 1 = 65:33 4:71 H0 rejetée
Conclusion : (log(CP It )) I(1)+constante

La série log(lcpi) est un processus DS pour la rendre stationnaire il convient de la di¤érenciée.

Soit xt la nouvelle variable stationnaire obtenue en di¤érenciant log(lcpi),

xt = log(lcpit ) log(lcpit 1 )

Le graphe ci-dessous représente le corrélogramme de la série xt

Parmi les modèles ARM A(p; q) qui peuvent décrire la dynamique du processus xt nous
avons retenu le modèle ARM A(1; 1) avec constante. L’estimation de ce modèle sur la base
 27

d’échantillon disponible est donné par le tableau suivant :

d(log(cpit )) = |0:44166
{z } d(log(cpit )) + "bt + |0:4449
{z } "bt 1

t = 4:606 t = 3:408
val:tab = 1:96 val:tab = 1:96
Le tableau des estimations ci-dessus indique que le coe¢ cient estimé satisfait la condition
de stationnarité, il indique aussi que les hypothèses

H0 : = 0 et H0 : =0

sont rejetées. H0 : c = 0: Le corrélogramme de la série résiduelle du modèle estimé indique

aussi que l’hypothèse nulle

H0 : (1) = (2) = = (20) = 0

est acceptée. Par conséquent le modèle est validé (adéquat).

Nous allons, maintenant, faire des prévisions avec ce modèle. Tout d’abord, nous rappelons
les trois dernières observations de la série d(log(nomgnp), log(lcpi) et la série résiduelle.
 28

t lcpi residus
1984 5; 740791 0; 027954
1985 5:775783 0:004944
1986 5:794200 0:001639
1987 5:830046 0:027444
1988 5:870586 0:013394
Si on pose yt = log(cpi), le modèle "ARM A(1; 1)" estimé s’écrira comme suit
(1 L)yt = (1 L)yt 1 + "t + " t 1 (2.1)
Le modèle est équivalent à
yt = (1 + )yt 1 yt 2 + "t + " t 1 (2.2)
Estimation ponctuelles de y1989 ; y1990 et y1991 : Du modèle (2) on peut déduire que
yb1988 (1) = E(y1989 =I1988 )
= (1 + b)y1988 by1987 + 0 + "b1988
= (1 + 0:44166) (5:870586) (0:44166) (5:830046) + 0 + (0:4449) (0:013394)
= 5:8944

yb1988 (2) = E(y1990 =I1988 )

= (1 + b)b
y1988 (1)by1988 + 0 + 0
= (1 + 0:44166) (5:8944) (0:44166) (5:870586)
= 5:9049

yb1988 (3) = E(y1991 =I1988 )

= (1 + b)b
y1988 (2)byb1988 (1) + 0 + 0
= (1 + 0:44166) (5:9049) (0:44166) (5:8944)
= 5:9095
Calcul des erreurs de prévisions e1988 (1); e1988 (2) et e1988 (3) et de leur variances (1er méthode).
On pose T = 1988
eT (1) = yT +1 ybT (1)
= [(1 + ) yT yT 1 + "T +1 + "T ] [(1 + ) yT yT 1 + "T ]
= "T +1
V ar(eT (1)) = "2

eT (2) = yT +2 ybT (2)

= [(1 + ) yT +1 yT + "T +2 + "T +1 ] [(1 + ) ybT (1) yT ]
= (1 + ) eT (1) + "T +2 + "T +1
= (1 + + ) "T +1 + "T +2
V ar(eT (2)) = ((1 + + )2 + 1) 2
"
 29

eT (3) = yT +3 ybT (3)

= [(1 + ) yT +2 yT +1 + "T +3 + "T +2 ] [(1 + ) ybT (2) ybT (1)]
= (1 + ) eT (2) eT (1) + "T +3 + "T +2
= [(1 + ) (1 + + ) ] "T +1 + (1 + + ) "T +2 + "T +3
V ar(eT (3)) = ((1 + ) (1 + + ) )2 + (1 + + )2 + 1 2
"

((1 + ) (1 + + ) )2 + (1 + + )2 + 1 "2
Calcul des erreurs de prévisions e1988 (1); e1988 (2) et e1988 (3) et de leur variances (2ieme méthode).
L’obtention des intervalles de prévision nécessite de mettre le modèle sous forme M A(1),
sans se soucier de ce que les séries employées divergent. La séquence f 0 ; 1 ; 2; g est de-
terminée par l’identité
2 j
0 + 1L + 2L + + jL + 1 (1 + )L + L2 = 1 + L

Par identi…cation des coe¢ cients de puissances identiques de (L) des deux cotés de l’équation,
on obtient les résultats suivants :

1 = (1 + + ) = (1 + 0:44166 + 0:4449)
= 1:8866

2 = (1 + ) (1 + + )
= 2:2781

On sait que q
2 2 2
b(eT (h)) = " 1+ 1 + 2 + + h 1;

d’ou

b(eT (1)) = 0:001901

q
b(eT (2)) = 0:001901 1 + (1:8866)2
10 3
= 4:0591
q
b(eT (3)) = 0:001901 1 + (1:8866)2 + (2:2781)2
3
= 5:9356 10

Les intervalles de prévisions de 95% pour h = 1; 2; 3

1:96 (5:9356 10 3 ) = 1:1634 10 2 = 7:9558 10 3
= 3:7260 10 3

yb1988 (1) 1:96 [b(e1988 (1))]

5:8944 1:96 (0:001901)
5:8944 3:7260 10 3
 30

yb1988 (2) 1:96 [b(e1988 (2))]

3
5:9049 1:96 4:0591 10
3
5:9049 7:9558 10

yb1988 (3) 1:96 [b(e1988 (3))]

3
5:9095 1:96 5:9356 10
2
5:9095 1:1634 10
 31

3.6. Exercices (Chapitre 3)

Exercice n 1
L’objectif de cet exercice est double. Vu les lacunes que possèdent les étudiants en théories des
tests (notamment sur les notions des performances des tests en terme de niveau et de puis-
sance), cet exercice permettra d’expliquer aux étudiants pourquoi le test de Dickey et Fuller
simple à de bonnes performances lorsqu’il est appliqué à un processus ARM A(0; 1; 0) et de
mauvaises performances lorsque le test standard est appliqué à un processus ARIM A(p; 1; q)
avec p 6= 0 et/ou q 6= 0.
En utilisant le programme ci-dessous, simuler 1000 marches aléatoires de tailles T = 1000

x t = x t 1 + "t ; " t n:i:i:d(0; 1)

Processus générateur de données (P.G.D)

Pour chaque marche aléatoire simulée, appliquer le test de Dickey Fuller simple. La procédure
du test de Dickey-Fuller simple est dé…nie par les étapes suivantes :
– Estimer le modèle de regression

xt = xt 1 + ut

– Calculer les deux statistiques suivantes

b 1
Z = 999 (b 1) ou Zt =
b

– Comparer les valeurs calculées des deux statistiques aux valeurs tabulées (au seuils
= 1%; 5% et 10%), pour e¤ectuer le test d’hypothèses,

H0 : = 1( = 1 = 0) contre H0 : < 1( < 0):

1. Quelle est le pourcentage d’acceptation et de rejet dans chacun des trois cas ?
2. Refaire le même travail en modi…ant le processus générateur de données par l’un des
processus suivant :
xt = 1:5xt 1 0:5xt 2 + "t
xt = 0:5xt 1 + 0:5xt 2 + "t
xt = xt 1 + "t 0:5"t 1
xt = xt 1 + "t + 0:5"t 1
x t = 3 + x t 1 + "t
xt = 3 + yt et yt = yt 1 + "t
create u 1000
vector (1000) coef
vector (1000) tstat
for !j=1 to 1000
genr eps !j=nrnd
series x !j=0
smpl 2 1000
genr x !j=x !j(-1)+eps !j
equation [Link] d(x !j) x !j(-1)
scalar t !j=eq.@tstat(1)
scalar c !j=eq.@coef(1)
 32

coef( !j)=999*(c !j)

tstat( !j)=t !j
smpl 1 1000
next
range 1 1000
smpl 1 1000
mtos(coef,coef1)
mtos(tstat,tstat1)
group gg coef1 tstat1
[Link](s) kernel(k=u, x)
series Indstat=0
for !j=1 to 1000
if t !j<=-1.95 then indstat( !j)=0
else indstat( !j)=1
endif
next
series indcoef=0
for !j=1 to 1000
if 999*c !j<=-8.1 then indcoef( !j)=0
else indcoef( !j)=1
endif
next
show indstat indcoef
Exercice n 2 (Application de la stratégie de tests de Dickey-Fuller à la série "Nominal
GNP" La …gure 1 représente l’évolution de la sériefyt = Log(nomgnpt ); t = 1; ; 80g sur
la période 1909-1988.

Pour découvrir le type de non-stationnarité (DS ou TS) on applique la stratégie des tests
de racine unitaire (Dickey-Fuller standard), en utilisant
P les résultats suivants :
2
– xt = 0:005101 xt 1 + "b1;t , avec (b
"1;t ) = 0:591427
| {z }
t = 6:594603
v:tab(5%) = 1:95
P
– xt = 0:007893 xt 1 + | 0:035594
{z } +b"2;t , avec "2;t )2 = 0:59012
(b
| {z }
t = 1:159 tc = 0:412
v:tab(5%) = 2:89 v:tab(5%) = 2:86
P
– modèle 2 contraint (c; ) = (0; 0) : xt = "b2c;t , avec (b "2c;t )2 = 0:921176, F01 (5%) = 4:71,
F01 (obs) = 21:59
– xt = 0:272 xt 1 + | 5:3853
{z } + |0:00305
{z }t + "b3;t ,
| {z }
t = 4:596 tc = 1:436 t = 1:466
v:tab(5%) = 3:45 v:tab(5%) = 3:42 v:tab(5%) = 3:14
(c; ; ) = (0; 0; 0) (c; ; ) = (0; 0; 0)
 33
P
– modèle
P 3 contraint (c; ; ) = (c; 0; 0) : (1 L)x t = 0:063719+b
" 3c2;t , avec "3c2;t )2 = 0:600428,
(b
2
(b"3;t ) = 0:5747, F03 (5%) = 6:49; F03 (obs) = [Link] P
– modèle 3 contraint (c; ; ) = (0; 0; 0) : (1 L)xt = "b3c3;t , avec "3c3;t )2 = 0:921176,
(b
F02 (5%) = 4:88; F02 (obs) = [Link]
Exercice n 3 (Application de la stratégie de tests de Dickey-Fuller à la série "CPI" La
…gure 1 représente l’évolution de la sériefyt = Log(CP It ); t = 1; ; 129g sur la période
1860-1988.

Pour découvrir le type de non-stationnarité (DS ou TS) on applique la stratégie des tests
de racine unitaire (Dickey-Fuller standard), en utilisantP les résultats suivants :
– xt = 0:005554 xt 1 + "b1;t , avec (b "1;t )2 = 0:400521
| {z }
t = 4:5134
v:tab(5%) = 1:95
P
– xt = 0:021731 xt 1 + | 0:066245
{z } +b"2;t , avec "2;t )2 = 0:383942
(b
| {z }
t = 3:0866 tc = 2:3324
v:tab(5%) = 2:89 v:tab(5%) = 2:86
P
– modèle 2 contraint (c; ) = (0; 0) : xt = "b2c;t , avec (b "2c;t )2 = 0:464765, F01 (5%) = 4:71,
F01 (obs) = [Link]
– xt = 0:00666 xt 1 + | 0:646
{z } + 0:000333
| {z }t + "b3;t ,
| {z }
t = 0:5008 tc = 1:48 t = 1:33
v:tab(5%) = 3:45 v:tab(5%) = 3:42 v:tab(5%) = 3:14
(c; ; ) = (0; 0; 0) (c; ; ) = (0; 0; 0)
P
– modèle
P 3 contraint (c; ; ) = (c; 0; 0) : (1 L)x t = 0:020115+b " 3c2;t , avec "3c2;t )2 = 0:412974,
(b
(b"3;t )2 = 0:378567, F03 (5%) = 6:49; F03 (obs) = 5:6804 P
– modèle 3 contraint (c; ; ) = (0; 0; 0) : (1 L)xt = "b3c3;t , avec "3c3;t )2 = 0:464765,
(b
F02 (5%) = 4:88; F02 (obs) = [Link]
Exercice n 4 (Application de la stratégie de tests de Dickey-Fuller à la série "UNEMPLOY"
La …gure 1 représente l’évolution de la sériefyt = Log(U N EM P LOYt ); t = 1; ; 99g sur
la période 1890-1988.

Pour découvrir le type de non-stationnarité (DS ou TS) on applique la stratégie des tests
de racine unitaire (Dickey-Fuller standard), en utilisant
P les résultats suivants :
2
– xt = 0:026992 xt 1 + "b1;t , avec (b
"1;t ) =??
| {z }
t = 1:1219
v:tab(5%) = 1:95
 34
P
– xt = 0:2445 xt 1 + 0:4316
| {z } +b"2;t , avec "2;t )2 = 16:9878
(b
| {z }
t = 3:6712 tc = 3:475
v:tab(5%) = 2:89 v:tab(5%) = 2:86
P
– modèle 2 contraint (c; ) = (0; 0) : xt = "b2c;t , avec (b "2c;t )2 = 19:37384, F01 (5%) = 4:71,
F01 (obs) = 6:741
– xt = 0:244693 xt 1 + 1:04587
| {z } + | 0:000317
{z }t + "b3;t ,
| {z }
t = 3:6548 tc = 0:3568 t = 0:20978
v:tab(5%) = 3:45 v:tab(5%) = 3:42 v:tab(5%) = 3:14
(c; ; ) = (0; 0; 0) (c; ; ) = (0; 0; 0)
P
– modèle
P 3 contraint (c; ; ) = (c; 0; 0) : (1 L)xt = 0:00325+b "3c2;t , avec (b "3c2;t )2 = 19:3728,
2
(b"3;t ) = 16:979, F03 (5%) = 6:49; F03 (obs) = 4:69 P
– modèle 3 contraint (c; ; ) = (0; 0; 0) : (1 L)xt = "b3c3;t , avec "3c3;t )2 = 19:3738,
(b
F02 (5%) = 4:88; F02 (obs) = [Link]
Exercice n 5 (Application de la stratégie de tests de Dickey-Fuller à la série "log(moneystock)"
La …gure 1 représente l’évolution de la sériefyt = Log(moneystockt ); t = 1; ; 100g sur la
période 1889-1988.

Pour découvrir le type de non-stationnarité (DS ou TS) on applique la stratégie des tests
de racine unitaire (Dickey-Fuller standard), en utilisant
P les résultats suivants :
– xt = 0:013320 xt 1 + "b1;t , avec "1;t )2 =??
(b
| {z }
t = 9:98
v:tab(5%) = 1:95
P
– xt = 0:00305 xt 1 + 0:0508
| {z } +b"2;t , avec "2;t )2 = 0:325252
(b
| {z }
t = 0:9154 tc = 3:3273
v:tab(5%) = 2:89 v:tab(5%) = 2:86
P
– modèle 2 contraint (c; ) = (0; 0) : xt = "b2c;t , avec (b "2c;t )2 = 0:73071, F01 (5%) = 4:71,
F01 (obs) = 60:459
– xt = 0:027 xt 1 + | 3:412
{z } + 0:00185
| {z }t + "b3;t ,
| {z }
t = 0:945 tc = 1:0434 t = 1:059
v:tab(5%) = 3:45 v:tab(5%) = 3:42 v:tab(5%) = 3:14
(c; ; ) = (0; 0; 0) (c; ; ) = (0; 0; 0)
P
– modèle
P 3 contraint (c; ; ) = (c; 0; 0) : (1 L)xt = 0:063774+b "3c2;t , avec (b "3c2;t )2 = 0:328062,
(b"3;t )2 = 0:321496, F03 (5%) = 6:49; F03 (obs) = [Link] P
– modèle 3 contraint (c; ; ) = (0; 0; 0) : (1 L)xt = "b3c3;t , avec "3c3;t )2 = 0:73071,
(b
F02 (5%) = 4:88; F02 (obs) = [Link]
 35

BONDYIELD CPI EMPLOY GNPDEFLATOR INDPROD MONEYSTOCK NOMGNP NOMWAGES REALGNP REALWAGES STOCKPRICES UNEMPLOY VELOCITY

1860 NA 27.00000 NA NA 0.900000 NA NA NA NA NA NA NA NA

1861 NA 27.00000 NA NA 0.900000 NA NA NA NA NA NA NA NA
1862 NA 30.00000 NA NA 0.900000 NA NA NA NA NA NA NA NA
1863 NA 37.00000 NA NA 1.000000 NA NA NA NA NA NA NA NA
1864 NA 48.00000 NA NA 1.000000 NA NA NA NA NA NA NA NA
1865 NA 47.00000 NA NA 1.000000 NA NA NA NA NA NA NA NA
1866 NA 44.00000 NA NA 1.200000 NA NA NA NA NA NA NA NA
1867 NA 43.00000 NA NA 1.300000 NA NA NA NA NA NA NA NA
1868 NA 41.00000 NA NA 1.300000 NA NA NA NA NA NA NA NA
1869 NA 40.00000 NA NA 1.400000 NA NA NA NA NA NA NA 5.610000
1870 NA 38.00000 NA NA 1.500000 NA NA NA NA NA NA NA 5.160000
1871 NA 37.00000 NA NA 1.500000 NA NA NA NA NA 4.690000 NA 4.630000
1872 NA 37.00000 NA NA 1.800000 NA NA NA NA NA 5.030000 NA 5.050000
1873 NA 37.00000 NA NA 1.800000 NA NA NA NA NA 4.800000 NA 4.950000
1874 NA 35.00000 NA NA 1.700000 NA NA NA NA NA 4.570000 NA 4.710000
1875 NA 33.00000 NA NA 1.700000 NA NA NA NA NA 4.450000 NA 4.460000
1876 NA 32.00000 NA NA 1.700000 NA NA NA NA NA 4.060000 NA 4.650000
1877 NA 32.00000 NA NA 1.800000 NA NA NA NA NA 3.140000 NA 4.890000
1878 NA 30.00000 NA NA 1.900000 NA NA NA NA NA 3.380000 NA 5.060000
1879 NA 29.00000 NA NA 2.200000 NA NA NA NA NA 4.120000 NA 5.100000
1880 NA 30.00000 NA NA 2.500000 NA NA NA NA NA 5.210000 NA 5.310000
1881 NA 30.00000 NA NA 2.800000 NA NA NA NA NA 6.250000 NA 4.410000
1882 NA 30.00000 NA NA 3.000000 NA NA NA NA NA 5.900000 NA 4.410000
1883 NA 29.00000 NA NA 3.000000 NA NA NA NA NA 5.630000 NA 4.010000
1884 NA 28.00000 NA NA 2.900000 NA NA NA NA NA 4.730000 NA 3.890000
1885 NA 28.00000 NA NA 2.900000 NA NA NA NA NA 4.600000 NA 3.530000
1886 NA 28.80000 NA NA 3.500000 NA NA NA NA NA 5.360000 NA 3.380000
1887 NA 28.00000 NA NA 3.700000 NA NA NA NA NA 5.530000 NA 3.290000
1888 NA 28.00000 NA NA 3.800000 NA NA NA NA NA 5.200000 NA 3.150000
1889 NA 28.00000 NA 25.90000 4.100000 3.600000 NA NA NA NA 5.320000 NA 3.080000
1890 NA 28.00000 22577.00 25.40000 4.400000 3.920000 NA NA NA NA 5.270000 4.000000 3.000000
1891 NA 28.00000 22792.00 24.90000 4.500000 4.080000 NA NA NA NA 5.030000 5.400000 2.960000
1892 NA 28.00000 23932.00 24.00000 4.800000 4.430000 NA NA NA NA 5.550000 3.000000 2.860000
1893 NA 28.00000 22321.00 24.50000 4.300000 4.260000 NA NA NA NA 4.780000 11.70000 2.930000
1894 NA 26.00000 21102.00 23.00000 4.200000 4.280000 NA NA NA NA 4.390000 18.40000 2.570000
1895 NA 25.00000 22824.00 22.70000 4.900000 4.430000 NA NA NA NA 4.530000 13.70000 2.730000
1896 NA 25.00000 23129.00 22.10000 4.600000 4.350000 NA NA NA NA 4.230000 14.40000 2.630000
1897 NA 25.00000 23604.00 22.20000 4.900000 4.640000 NA NA NA NA 4.450000 14.50000 2.720000
1898 NA 25.00000 24746.00 22.90000 5.600000 5.260000 NA NA NA NA 5.050000 12.40000 2.510000
1899 NA 25.00000 26911.00 23.60000 6.100000 6.090000 NA NA NA NA 6.290000 6.500000 2.490000
1900 3.300 25.00000 27909.00 24.70000 6.300000 6.600000 NA 487.0000 NA 19.48000 6.150000 5.000000 2.490000
1901 3.250 25.00000 28922.00 24.50000 7.100000 7.480000 NA 511.0000 NA 20.44000 7.840000 4.000000 2.440000
1902 3.300 26.00000 29800.00 25.40000 7.900000 8.170000 NA 537.0000 NA 20.65000 8.420000 3.700000 2.310000
1903 3.450 27.00000 30506.00 25.70000 8.100000 8.680000 NA 548.0000 NA 20.30000 7.210000 3.900000 2.290000
1904 3.600 27.00000 30771.00 26.00000 7.800000 9.240000 NA 538.0000 NA 19.93000 7.050000 5.400000 2.140000
1905 3.500 27.00000 31976.00 26.50000 9.200000 10.24000 NA 561.0000 NA 20.78000 8.990000 4.300000 2.130000
1906 3.550 28.00000 33749.00 27.20000 9.800000 11.08000 NA 577.0000 NA 20.61000 9.640000 1.700000 2.280000
1907 3.800 29.00000 34371.00 28.30000 10.00000 11.60000 NA 598.0000 NA 20.62000 7.840000 2.800000 2.280000
1908 3.950 28.00000 33246.00 28.10000 8.500000 11.44000 NA 548.0000 NA 19.57000 7.780000 8.000000 2.060000
1909 3.770 28.00000 35172.00 29.10000 10.00000 12.68000 33400 599.0000 116.8000 21.39000 9.710000 5.100000 2.190000
1910 3.800 29.00000 35762.00 29.90000 10.60000 13.34000 35300 651.0000 120.1000 22.45000 9.350000 5.900000 2.170000
1911 3.900 29.00000 36179.00 29.70000 10.20000 14.12000 35800 632.0000 123.2000 21.79000 9.240000 6.700000 2.070000
1912 3.900 30.00000 37433.00 30.90000 11.70000 15.13000 39400 651.0000 130.2000 21.70000 9.530000 4.600000 2.120000
1913 4.000 29.70000 38298.00 31.10000 12.50000 15.73000 39600 689.0000 131.4000 23.20000 8.510000 4.300000 2.150000
1914 4.100 30.10000 37559.00 31.40000 11.70000 16.39000 38600 696.0000 125.6000 23.12000 8.080000 7.900000 1.880000
1915 4.150 30.40000 37511.00 32.50000 13.60000 17.59000 40000 661.0000 124.5000 21.74000 8.310000 8.500000 1.870000
1916 4.050 32.70000 39364.00 36.50000 16.10000 20.85000 48300 751.0000 134.3000 22.97000 9.470000 5.100000 2.090000
1917 4.050 38.40000 40084.00 45.00000 16.20000 24.37000 60400 883.0000 135.2000 22.99000 8.500000 4.600000 2.150000
1918 4.750 45.10000 42712.00 52.60000 16.00000 26.73000 76400 1107.000 151.8000 24.55000 7.540000 1.400000 2.470000
 36

1919 4.750 51.80000 41938.00 53.80000 14.10000 31.01000 84000 1293.000 146.4000 24.96000 8.780000 1.400000 2.250000
1920 5.100 60.00000 40799.00 61.30000 14.80000 34.80000 91500 1532.000 140.0000 25.53000 7.980000 5.200000 2.180000
1921 5.170 53.60000 38568.00 52.20000 11.40000 32.85000 69600 1396.000 127.8000 26.04000 6.860000 11.70000 1.880000
1922 4.710 50.20000 41134.00 49.50000 14.50000 33.72000 74100 1283.000 148.0000 25.56000 8.410000 6.700000 1.870000
1923 4.610 51.10000 43955.00 50.70000 17.30000 36.60000 85100 1403.000 165.9000 27.46000 8.570000 2.400000 2.020000
1924 4.660 51.20000 43607.00 50.10000 16.20000 38.58000 84700 1427.000 165.5000 27.87000 9.050000 5.000000 1.950000
1925 4.500 52.50000 45082.00 51.00000 17.80000 42.05000 93100 1450.000 179.4000 27.62000 11.15000 3.200000 1.870000
1926 4.400 53.00000 46464.00 51.20000 18.90000 43.68000 97000 1476.000 190.0000 27.85000 12.59000 1.800000 1.940000
1927 4.300 52.00000 46496.00 50.00000 18.90000 44.73000 94900 1502.000 189.8000 28.88000 15.34000 3.300000 1.860000
1928 4.050 51.30000 46774.00 50.40000 19.60000 46.42000 97000 1534.000 190.9000 29.90000 19.95000 4.200000 1.830000
1929 4.420 51.30000 47890.00 50.60000 21.80000 46.60000 104400 1543.000 203.6000 30.08000 26.02000 3.200000 1.940000
1930 4.400 50.00000 45740.00 49.30000 18.10000 45.73000 91900 1488.000 183.5000 29.76000 21.03000 8.700000 1.680000
1931 4.100 45.60000 42660.00 44.80000 15.00000 42.69000 77000 1369.000 169.3000 30.02000 13.66000 15.90000 1.450000
1932 4.700 40.90000 39190.00 40.20000 11.70000 36.05000 59100 1150.000 144.2000 28.12000 6.930000 23.60000 1.240000
1933 4.150 38.80000 39010.00 39.30000 13.80000 32.22000 56700 1086.000 141.5000 27.99000 8.960000 24.90000 1.320000
1934 3.990 40.10000 41150.00 42.20000 15.10000 34.36000 66300 1153.000 154.3000 28.75000 9.840000 21.70000 1.470000
1935 3.500 41.10000 42530.00 42.60000 17.40000 39.07000 73600 1216.000 169.5000 29.59000 10.60000 20.10000 1.490000
1936 3.200 41.50000 44710.00 42.70000 20.60000 43.48000 84000 1287.000 193.0000 31.01000 15.47000 16.90000 1.570000
1937 3.080 43.00000 46620.00 44.50000 22.50000 45.68000 92200 1376.000 203.2000 32.00000 15.41000 14.30000 1.640000
1938 3.000 42.20000 44560.00 43.90000 17.80000 45.51000 86500 1296.000 192.9000 30.71000 11.49000 19.00000 1.510000
1939 2.750 41.60000 46120.00 43.20000 21.80000 49.27000 92500 1363.000 209.4000 32.76000 12.06000 17.20000 1.500000
1940 2.700 42.00000 48060.00 43.90000 25.50000 55.20000 101700 1432.000 227.2000 34.10000 11.02000 14.60000 1.480000
1941 2.650 44.10000 51970.00 47.20000 31.80000 62.51000 127200 1653.000 263.7000 37.48000 9.820000 9.900000 1.580000
1942 2.650 48.80000 57720.00 53.00000 36.60000 71.16000 162300 2023.000 297.8000 41.45000 8.670000 4.700000 1.820000
1943 2.650 51.80000 63490.00 56.80000 44.70000 89.91000 198900 2349.000 337.1000 45.35000 11.50000 1.900000 1.750000
1944 2.600 52.70000 65370.00 58.20000 48.30000 106.8000 220100 2517.000 361.3000 47.76000 12.47000 1.200000 1.610000
1945 2.550 53.90000 64260.00 59.70000 41.30000 126.6000 223400 2517.000 355.2000 46.70000 15.16000 1.900000 1.370000
1946 2.430 58.50000 58700.00 66.70000 35.20000 138.7000 222900 2517.000 312.6000 43.03000 17.08000 3.900000 1.160000
1947 2.500 66.90000 58630.00 74.60000 39.40000 146.0000 245300 2793.000 309.9000 41.75000 15.17000 3.900000 1.200000
1948 2.800 72.10000 59803.00 79.60000 41.00000 148.1000 270600 3038.000 323.7000 42.14000 15.53000 3.800000 1.330000
1949 2.740 71.40000 59266.00 79.10000 38.80000 147.5000 268600 3095.000 324.1000 43.35000 15.23000 5.900000 1.300000
1950 2.580 72.10000 60570.00 80.20000 44.90000 150.8000 295200 3302.000 355.3000 45.80000 18.40000 5.300000 1.410000
1951 2.670 77.80000 63062.00 85.60000 48.70000 156.4000 341200 3608.000 383.4000 46.38000 22.34000 3.300000 1.570000
1952 3.000 79.50000 63846.00 87.50000 50.60000 164.9000 360300 3832.000 395.1000 48.20000 24.50000 3.000000 1.560000
1953 3.150 80.10000 64726.00 88.30000 54.80000 171.2000 381300 4053.000 412.8000 50.60000 24.73000 2.900000 1.570000
1954 3.000 80.50000 63460.00 89.60000 51.80000 177.2000 382500 4123.000 407.0000 51.22000 29.69000 5.500000 1.510000
1955 3.040 80.20000 65220.00 90.90000 58.40000 183.7000 417200 4356.000 438.0000 54.31000 40.49000 4.400000 1.590000
1956 3.090 81.40000 66659.00 94.00000 61.00000 186.9000 440300 4589.000 446.1000 56.38000 46.62000 4.100000 1.660000
1957 3.680 84.30000 66871.00 97.50000 61.80000 191.8000 464100 4786.000 452.5000 56.77000 44.38000 4.300000 1.680000
1958 3.610 86.60000 65672.00 100.0000 57.80000 201.1000 469800 4946.000 447.3000 57.11000 46.24000 6.800000 1.610000
1959 4.100 87.30000 67182.00 101.6000 64.70000 210.1000 509300 5221.000 475.9000 59.81000 57.38000 5.500000 1.680000
1960 4.550 88.70000 68292.00 103.3000 66.20000 210.7000 529500 5352.000 487.7000 60.34000 55.85000 5.500000 1.720000
1961 4.220 89.60000 68318.00 104.6000 66.60000 221.2000 548200 5507.000 497.2000 61.46000 66.27000 6.700000 1.690000
1962 4.420 90.60000 69530.00 105.8000 72.10000 233.9000 589700 5730.000 529.8000 63.25000 62.38000 5.500000 1.710000
1963 4.160 91.70000 70500.00 107.2000 76.50000 249.1000 622200 5920.000 551.0000 64.56000 69.87000 5.700000 1.690000
1964 4.330 92.90000 72044.00 108.8000 81.80000 264.7000 668500 6196.000 581.0000 66.70000 81.37000 5.200000 1.710000
1965 4.350 94.50000 73811.00 110.9000 89.20000 285.9000 724400 6389.000 617.8000 67.61000 88.17000 4.500000 1.720000
1966 4.750 97.20000 76018.00 113.9000 98.00000 308.0000 792900 6643.000 658.1000 68.34000 85.26000 3.800000 1.760000
1967 4.950 100.0000 77818.00 117.6000 100.0000 331.8000 838000 6880.000 675.2000 68.80000 91.93000 3.800000 1.720000
1968 5.930 104.2000 79455.00 122.3000 105.8000 361.6000 916100 7347.000 706.6000 70.51000 98.70000 3.600000 1.720000
1969 6.540 109.8000 81408.00 128.2000 110.7000 385.2000 990700 7775.000 724.7000 70.81000 97.84000 3.500000 1.730000
1970 7.600 116.3000 81815.00 135.3000 106.7000 401.3000 1044900 8150.000 720.0000 70.08000 83.82000 4.900000 1.730000
1971 6.099 121.3482 81339.99 144.2828 108.2170 445.4427 1134700 8542.880 740.0369 70.39972 98.29000 5.900000 1.787459
1972 5.989 125.2433 83965.98 151.1070 118.6853 501.1345 1246800 9278.777 776.8779 74.08599 109.2000 5.600000 1.842168
1973 6.659 133.0336 86838.04 160.8559 128.3378 550.8199 1395300 9983.487 817.2630 75.04485 107.4300 4.900000 1.902620
1974 7.349 147.7152 88514.97 175.4791 126.4345 584.4155 1515500 10603.63 812.8552 71.78427 82.85000 5.600000 1.884575
1975 7.339 161.1984 87523.97 192.7021 115.2865 639.0140 1651300 11442.69 802.6398 70.98512 86.16000 8.500000 1.870220
1976 7.139 170.4868 90420.02 205.0506 125.8907 721.7681 1842100 12554.03 841.8634 73.63638 102.0100 7.700000 1.909018
1977 7.419 181.5729 93672.97 218.6990 135.9511 813.2158 2051200 13728.34 881.1466 75.60789 98.20000 7.100000 1.952900
1978 8.249 195.3556 97679.01 234.6221 144.7879 882.5869 2316300 14950.04 927.7861 76.52730 96.02000 6.100000 2.007856
1979 9.099 217.5279 100421.0 255.4197 150.4978 955.4816 2595300 16153.74 950.7782 74.26056 103.0100 5.800000 2.038943
Bibliographie

[1] Alan Pankratz, (1983), ’Forecasting with univariate Box-Jenkins models’ John Wiley
& Sons.
[2] Aragon, Y., (2011), "Séries temporelles avec R", Métodes et cas", Springer-Verlag, Fran-
cet tests. Econometric Theory, 19, 143-164.
[3] Azencott, R. et Dacunha-Castelle, D.,(1984), "Séries d’observations irrégulières Modé-
lisation et prévision’, Masson Paris.
[4] Bourbonnais, R. et Terraza, M., (2016), ’Analyse des séries temporelles’, DUNOD.
[5] Box G. et Jenkins G (1970), ’Time series analysis : forecasting and control’, Holden
Day, San Franscisco.
[6] Bresson, G. et Pirotte, A.,(1995), ’Econométrie des séries temporelles : Théorie et Ap-
plications’, Presses Universitaire de France.
[7] Dickey, D.A. and Fuller, W.A. (1979) ‘Distribution of the estimators for autoregressive
time series with a unit root’, Journal of the American Statistical Association, Vol. 74,
No. 366a, pp.427–431.
[8] Dickey, D.A. and Fuller, W.A. (1981) ‘Likelihood ratio tests for autoregressive time
series with a unit root’, Econometrica, Vol. 49, No. 4, pp.1057–1072.
[9] Dickey, D.A., et Pantula, S.G., (1987), ’Determining the order of di¤erencing in autore-
gressive processes’Journal of Business and Economics Statistics, 5(4), page : 455-461.
[10] Gourieroux, C. et Monfort, A., (1995), ’Séries temporelles et modèles dynamiques’ECO-
NOMICA.
[11] Hamilton, J.D. (1994) ‘Time series analysis’, Princeton University Press.
[12] Lardic, S. et Mignon, V. (2002), ’Econométrie des séries temporelles macroéconomique
et …nancières’, ECONOMICA
[13] Nelson, C. and Plosser, C., (1982), ’Trends and random walks in macroeconomic time
series’, Journal of Monetary Economics 10, 139-162.
[14] Ngai Hang Chan. (2010) ’Time Series, application to …nance with R and S-plus’, John
Wiley & Sons.