2015 / 2016

Pratique de
lconomtrie
des sries
chronologiques
travers des
exemples
Economtrie des sries
chronologiques

SOUSSI NOUFAIL OUTMANE

FSJES AGDAL

Universit Mohamed V Agdal

FSJES Rabat Agdal
Cycle Master
Filire : **

Anne 2015-2016

Semestre S1 : Economtrie des sries chronologiques

Pratique de lconomtrie des sries chronologiques travers des exemples
Soussi Noufail Outmane
Mesurer pour comprendre

Plan du cours :
1.
2.
3.
4.
5.
6.

Introduction
Les sries chronologiques : introduction, premires dfinitions,
Estimation et limination de la tendance et de la saisonnalit
Modlisation des sries chronologiques stationnaires et non stationnaires : ARMA, ARIMA
Les modles de cointgration et modles correction derreurs

Travaux dirigs
1. Gnralits : commentaires
conomtriques
2. Exercices : srie .., srie ..

des

relations

conomiques

et

passage

aux

relations

Bibliographie :
1.

Introduction :
Lconomtrie des sries temporelles, discipline quantitative ddie lconomie, a reu trois prix
Nobel au cours de la dernire dcennie. Avre comme science, elle oscille entre un cadre de rflexion
conomique et un univers conceptuel mathmatique. Lconomtrie des sries temporelles est un
domaine de lconomtrie tout dabord, et de lconomie en tant quelle apporte une mesure dans le
temps des phnomnes conomiques. Elle se caractrise par des analyses souvent complexes, et qui
sont perues comme tanches par bon nombre dconomistes. Pourtant, la preuve de leur utilit nest
plus faire : cette discipline sest vue dcerner trois prix Nobel dconomie : Clive GRANGER et
Robert ENGLE en 2003, puis Christopher SIMS en 2011. Notre propos ici est de rendre compte de
limportance de cette analyse et de traiter le ct pratique de cette science.
Maintenant que vous tes des tudiants du Master, bien sr orients vers lconomie et la finance, vous
vous placez dans la peau de lanalyste qui sait faire parler des chiffres financiers avec des mthodes
scientifiques. Votre intrt ici est de tester des thories laide des donnes empiriques observes
moyennant des outils conomtriques. Ces donnes en question peuvent tre de nature distincte et
avoir des sources varies et diffrentes :
1. Les donnes peuvent tre exprimentales dans le sens o elles sont issues dun fait rel ; par
exemple lvolution des indices de prix de la production industrielle, ou encore celui de la
cotation de titres dune socit sur le march casablancais.
2. Les donnes peuvent tre aussi non exprimentales si elles sont issues dexercices de
simulation ; par exemple gnres par un processus qui ne reflte pas la ralit dune activit
financire.
Ensuite nous pouvons dfinir trois types de donnes :
1. Les donnes dites en coupes transversales
2. Les donnes dites de panels
3. Les donnes dites chronologiques ou sries temporelles
Ces donnes exprimes en chiffres quantitatives ou modalits qualitatives correspondent des
observations qui peuvent tre structures (on peut contrler son volution), mais aussi elles peuvent
suivre une marche alatoire, comme souvent observ en finance.
De l peut surgir le principal problme de lconomtre trouver les donnes fiable et en quantit
suffisante. De mme les sources de donnes que doivent manipuler lconomtre doivent tre de
sources diffrentes, selon leurs disponibilits (organismes, enqutes personnelles, administrations ou
simulations).
Par ailleurs, outre ces problmes de nature et de disponibilit, les relations conomiques et financires
sont caractrises par le nombre de variables et de relations entre ces variables. En effet, une donne
est dite univarie si elle est observe en mme temps, et elle est multivarie si plusieurs variables y
sont associes.
Etant donne un chantillon tire partir dune base de donne conomique ou financire, on peut
extraire la base plusieurs informations statistiques descriptives donnant un premier aperu sur la
nature de la structuration de ces donnes. Dailleurs, cette tape est primordiale pour tout conomtre.
Lconomtrie sert donc tester empiriquement les relations conomiques et financires entre les
variables. En finance comme en conomie en gnral, il existe des modles conomtriques relevant
2

des thories financires (par exemple : le modle de march, le modle MEDAF capital assets price
market etc.).
En finance les chiffres jouent galement un rle trs important, non seulement parce quils sont
gnrs par des comportements financiers, mais parce quon peut dterminer leurs tendances et leurs
volutions dans le temps. En plus il est gnralement question en finance de tester les diffrentes
thories partir des donnes empiriques de nature financires.
Les champs dapplication de lconomtrie en finance sont divers et de natures diffrentes dont les
objectifs peuvent tre rsum de la faon suivante :
1.
2.
3.
4.
5.

Dterminer le prix du risque.

Estimer empiriquement le risque.
Apprhender empiriquement le degr defficience du march.
Mesurer la performance du portefeuille.
Analyser de la volatilit.

Toutefois il est important pour assimiler les techniques conomtriques et les appliquer sur les
diverses sources de donnes, davoir principalement des prs-requis en termes de statistiques,
probabilit, et techniques quantitatives utiliser comme outil permettant la structuration, lanalyse et
linterprtation des donnes financires et conomiques. Outre ces prs-requis, il faut lassoci une
manipulation exacte des logiciels dconomtrie. En effet, il existe une multitude de logiciels
dconomtrie, je cite principalement Eviews que je recommande, interface facile, et offre plusieurs
techniques et mthodes (sans passer obligatoirement par le dveloppement), mais il est payant. Le
logiciel R qui de plus en plus trouve de la place car il est dabord fait partie des logiciel dits libre
cause de sa gratuit et surtout que son noyau est ouvert au dveloppement communautaire. R est une
suite intgre de logiciels ncessaires la manipulation des donnes, aux calculs numriques et la
prsentation graphique de fonctions.
Ce support correspond approximativement aux enseignements en Master sciences conomiques et de
gestion, est rdig en fonction dun tudiant attentif. Il ne vient pas du nant, je me suis appuyer sur
diffrentes rfrences et ouvrages reconnus dans la discipline. Mais aussi des ressources en ligne qui
sont de plus en plus prsents aujourdhui dans la diffusion de la connaissance.
Notre intrt est cependant pdagogique, et de rpondre certaines difficults souleves chez les
tudiants. Malgr les rfrences riches dans la matire, mais ils narrivent pas appliquer leurs
connaissance dans la pratique. Toutefois le but est dessayer de prsenter nos propos de manire
pratique, et dviter si ncessaire les lourdes dmonstrations et concepts appartenant aux sciences
dures, qui sont prsentes ici dans un langage plus ou moins simplifi et rigoureux.
Enfin, selon lexpression consacre, ce support nengage que son auteur. Toutes suggestions et
commentaires qui peuvent lamliorer sont le bienvenu.

Les sries chronologiques : introduction, premires dfinitions

Introduction & notation
Les sries temporelles constituent une branche de lconomtrie dont l'objet est l'tude des variables au
cours du temps. Parmi ses principaux objectifs figurent la dtermination de tendances au sein de ces
sries ainsi que la stabilit des valeurs (et de leur variation) au cours du temps. On distingue
notamment les modles linaires (principalement AR et MA, pour Auto-Regressive et Moving
Average) des modles conditionnels (notamment ARCH, pour Auto-Regressive Conditional
Heteroskedasticity).
Historiquement se sont les astronomes qui les premiers ont travaill sur les sries chronologiques. La
reproduction ci-aprs est tir dun manuscrit du dixime sicle, reprsentant linclinaison des orbites
des plantes en fonction du temps. Cest en particulier grce ce genre de donnes que Kepler a pu
noncer ses lois sur le mouvement des plantes.

Ces visualisations graphiques ont permis, grce aux diffrents outils mathmatiques mis en place
partir du dix-huitime sicle de mettre en place les premiers techniques danalyse des sries
chronologiques, parmi lesquelles lanalyse harmonique. Si les phnomnes astronomiques permettent
lutilisation de cette thorie, cest parce que des cycles parfaitement rguliers sont observs. Toutefois,
cette mthode sest rvle trs complique mettre en uvre en sciences humaines.
Deux articles en 1927 ont ouvert une autre voie : larticle de Yule1 qui a introduit dans la littrature les
modles autorgressif, et en mme anne celui de Slutsky2 qui a introduit les moyennes mobiles, mais
son article crit en russe na t traduit quen 1937 en anglais. Les processus introduit par Yule
deviendront les processus AR(p) et ceux introduit par Slutsky les processus MA(q).
Ltude des sries chronologiques semble avoir atteint sa maturit au cours des annes 70 o des
dveloppements significatifs sont apparus. En 1970, Box et Jenkins ont publi leur ouvrage Time
series analysis, forecasting and control montrant que ltude des sries temporelles laide de
processus de type ARMA (obtenus en associant les critures des processus AR et MA) pouvait
sappliquer de nombreux domaines, et pouvait tre facilement implmente informatiquement.
Les modles intgrs sont les trs prsent dans les sries conomiques et financires ds los que les
sries sont stationnaires.

Udny Yule, G, 1927, On a Method of Investigating Periodicities in Disturbed Series, with Special Reference to
Wolfer's Sunspot Numbers in Philosophical Transactions of the Royal Society of London. Series A, Containing
Papers of a Mathematical or Physical Character, Volume 226, pp. 267-298
2
Slutsky, Eugen, 1927, The Summation of Random Causes as a Source of Cyclic Processes , Problems of
Economic Conditions 3 (1). Moscow: Conjuncture Institute.
4

Rappel des concepts techniques & tude dune srie chronologique

Chronique : Synonyme : srie chronologique, srie temporelle.
Une chronique est une suite finie de valeurs numriques reprsentant lvolution dune variable
alatoire index par le temps. Cest une suite dobservation des variables des intervalles de temps
rguliers. Autrement, pour une chronique, les observations doivent tre conscutives et dune
frquence identique. Lobjet des sries temporelles est donc ltude des processus temporels.
A titre illustratif, lvolution des indices boursiers ou des prix dactifs financiers, des donnes
conomiques ou financires des entreprises, des agrgats macroconomiques, des ventes et achats de
biens ou celle des productions agricoles ou industrielles sont, parmi tant dautres, des chroniques qui
intressent particulirement les conomistes et les financiers. Donc, une chronique nest que la
ralisation dun processus alatoire.
Reste le grand objectif de ltude des sries chronologique est la modlisation des processus afin de
faire des prvisions. Par exemple le faite de connaitre les ventes prvisionnelles sur un march peut
aider ajuster la production de produit en question.
Nous allons pour cela appliquer quatre tapes importantes :
1.
2.
3.
4.

Prsenter la srie chronologique

Modlisation de la srie chronologique
Calcul des trois composantes de la chronique
Faire de prvisions

En effet, Le traitement des sries temporelles peut avoir plusieurs objectifs.

1. Isoler et estimer une tendance,
2. Isoler et estimer une composante saisonnire, et dsaisonnaliser la srie,
3. Raliser une prvision pour des valeurs inconnues manquantes, futures ou passes,
4. Construire un modle explicatif en termes de causalit,
5. Dterminer la dure dun cycle.
Pour commencer nous allons prsenter un exemple illustratif qui va nous accompagner durant le
chapitre suivant.
Soit la srie chronologique sui correspond aux ventes enregistrs pendant la priode 2006-2009, les
donnes sont trimestrielles (en Milliers de DHS) sont prsentes dans le tableau suivant :

Trimestre 1
Trimestre 2
Trimestre 3
Trimestre 4

2006
30
11
12
36

2007
32
12
13
37

2008
33
13
15
39

2009
35
14
17
41

Estimation et limination de la tendance et de la saisonnalit

But
L'tude des sries chronologiques sert faire de la prvision court, moyen et long terme. Il existe des
mthodes prvisionnelles quantitatives et qualitatives. Les mthodes quantitatives se subdivisent en
deux catgories. Il y a les mthodes d'extrapolation qui produisent des prvisions sur le principe d'une
corrlation de la variable tudie avec le temps et les mthodes explicatives qui reposent sur les
corrlations entre la variable tudie et diffrentes variables explicatives.
Analyse graphique
Comme il a t prcdemment prsent on va commencer par lanalyse graphique partir de
lobservation du diagramme de dispersion de la srie chronologique.
On note une srie temporelle de la manire suivante : ( )1 ;=16
50

40
30
20
10
0
1

10

11

12

13

14

15

16

17

18

19

Une fois le dessin est tabli, il parait bien que cette une fonction complique tudier et a en ressortir
avec des prvisions en utilisant les mthodes usuelles dj tudies. Donc lorsquon est dhabitude en
face dun problme, on essaie de le dcomposer en plusieurs composantes en en tudi chacune
delles.
Composantes
Pour notre srie chronologique il existe principalement quatre composantes fondamentales :
1. La composante tendancielle ou tendance (trend) : cette composante porte sur les changements
de croissance ou de dcroissance tout au long de la srie.
2. La composante cyclique : cet aspect de la srie fait rfrence la prsence dune certaine
rcurrence et peut s'observer gnralement sur des intervalles de plusieurs annes.
3. La composante saisonnire (saison) : il s'agit de la prsence ou non dun effet priodique qui
se rapporte une anne (trimestres, semestres etc.)
4. La composante alatoire (erreur) : cette caractristique dune srie chronologique constitue la
partie non explique par la tendance, le cycle ou la saisonnalit. Des vnements rares qui
peuvent difficilement tre prdits sont souvent l'origine de ces fluctuations.

A partir de ces quatre3 composante il faut maintenant dterminer le modle statistique (ou le schma)
adquat ; en effet, il existe une multitude de modles statistiques, il suffit de connaitre les diffrentes
oprations arithmtiques. Par exemple :
1.
2.
3.
4.
5.
6.

Le modle multiplicatif :
= +
Le modle multiplicatif deuxime type :
=
Le modle additif :
= + +
Le modle mixte
Le modle linaire, Le modle polynomiale, le modle exponentiel, etc.
Il y a des modles plus compliqus dtecter laide des logiciels spcialis comme Eviews,
Stata, etc.

Avec : , elle prsente la composante saisonnire

, elle prsente la composante relative au Trend
, elle prsente la composante alatoire.
Pour notre exemple nous avons choisi le modle ou le schma multiplicatif, car partir de la
reprsentation graphique de la srie chronologique, on peut remarquer que le deux droites dlimitant
les maxima et les minima se croisent (dans le cas du modle additif les limites suprieur et infrieur de
la srie seront des droites parallles).
La troisime tape de notre analyse est dtudier chaque composante.
La composante Trend ou Tendance
Question importante : comment on obtient cette tendance ?

La tendance est un lieu gomtrique simple qui peut tre une droite ou une courbe. Et on est toujours
en prsence dune priode qui peut tre un mois, un trimestre, un semestre, etc. Donc une priodique
qui se rfre une anne. La dtection du Trend se fait en utilisant la :
Premire mthode :
On constate partir de lanalyse graphique que la srie chronologique est oscille autour dune droite,
on conclut donc que le trend est une droite.
Deuxime mthode :
On constate sur le dessin que les pics des maxima et des minima peuvent sajuster sur une droite :
donc le trend est une droite.
Linterprtation de cette tendance est trs importance, elle nous renseigne si la srie volue, et prsente
un indicateur solide pour la prise de dcision.
Traitons le cas o le Trend est une Droite
Maintenant quand a dtermin le trend, on devra le calculer par la mthode des Moindres carrs
ordinaires (MCO). Nous allons calculer la droite de trend qui prend la forme suivante :
= + +
Pour cela nous calculons les paramtres du modle de rgression simple par les formules suivantes :

Gnralement on retient trois composantes (trend, saison, perturbation).

7

(, )
()

Notre quation estime prend la forme de : = +

Do : = 0,4647 + 20,425 (voir le chapitre de la rgression Simple pour plus de prcision)
On sattend, en ce qui concerne la reprsentation graphique, que cette droite passe par le milieu, car
cette la droite qui ajuste au mieux les diffrentes observations des ventes. Et puisque la pente est
positive la tendance est haussire.
Donc nous pouvons construire notre tableau et le graphique associ.

30
11
12
36
32
12
13
37
33
13
15
39
35
14
17
41

20,8897059
21,3544118
21,8191176
22,2838235
22,7485294
23,2132353
23,6779412
24,1426471
24,6073529
25,0720588
25,5367647
26,0014706
26,4661765
26,9308824
27,3955882
27,8602941

50
40
30
20
10
0
1

10 11 12 13 14 15 16

Nous allons poursuivre la mme dmarche que pour la recherche de la tendance, c'est--dire nous
avions deux paramtres inconnus calculer savoir la pente et lordonne lorigine. Maintenant
pour la recherche des composantes saisonnires associes aux donnes trimestrielles, comme cest le
cas de notre exemple il sagit de quatre saisons en rfrence une anne. On les appelle, les
coefficients saisonniers et ils sont obtenus grce la formule suivante :
1

( )

Pour les coefficients saisonniers nous avons quatre :

1 = {1;5; 9; 13}
2 = {2;6; 10; 14}
4 coefficients
saisonniers
3 = {3;7; 11; 15}
{4 = {4;8; 12; 16}
Donc nous avons :
= 2 ;
Par exemple pour le calcul du coefficient saisonnier relatif la deuxime saison :

2 = 2 =

(2 )

1 2 6 10 14
= ( + +
+
)
4 2 6 10 14
Avec par exemple 2 = 0,4647 (2) + 20,425
2006

2007

2008

2009

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

30
11
12
36
32
12
13
37
33
13
15
39
35
14
17
41

20,8897059
21,3544118
21,8191176
22,2838235
22,7485294
23,2132353
23,6779412
24,1426471
24,6073529
25,0720588
25,5367647
26,0014706
26,4661765
26,9308824
27,3955882
27,8602941

10

14

1
11
12
13
14
= (
+
+
+
)
4 21,354 23,213 25,072 26,931
2 = 2 = 0,52
2
Bien sur 14 = 10 = 6 = 2 = = 0,52
De la mme manire nous pouvons calculer les autres coefficients saisonniers et le rsultat est le
suivant :
1 = 5 = 9 = 13 = 1 = 1,38
3 = 7 = 11 = 15 = 3 = 0,58
4 = 8 = 12 = 16 = 4 = 1,53
La dtermination de la variable vente corrige des variations saisonnires seffectue partir de la
relation suivante :

, =
; 1

14

Par exemple pour = 14, nous avons : ,14 = 14 = 0,52 = 27,05

14

Voir le tableau des donnes rcapitules ci-dessous pour voir les calculs de ,
La troisime composante est la composante alatoire : =
Le calcul de cette composante est simple et automatique daprs la formule ci-dessus, calculons par
exemple lerreur relative la priode 14.

14 = 14 14 14
14 = 14 0,52 26,931 = 0,06
Tableau des donnes rcapitules
2006

2007

2008

2009

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

30
11
12
36
32
12
13
37
33
13
15
39
35
14
17
41

20,8897059
21,3544118
21,8191176
22,2838235
22,7485294
23,2132353
23,6779412
24,1426471
24,6073529
25,0720588
25,5367647
26,0014706
26,4661765
26,9308824
27,3955882
27,8602941

1,38
0,52
0,58
1,53
1,38
0,52
0,58
1,53
1,38
0,52
0,58
1,53
1,38
0,52
0,58
1,53

,
21,7932045
21,2517546
20,8068107
23,5308615
23,2460848
23,1837323
22,5407116
24,1844965
23,972525
25,11571
26,0085134
25,4917666
25,4254053
27,0476877
29,4763152
26,7990367

1,24
-0,05
-0,58
1,91
0,68
-0,02
-0,66
0,06
-0,87
0,02
0,27
-0,78
-1,43
0,06
1,20
-1,62

Nous pouvons maintenant passer la prsentation graphique de la srie brute, son trend et la srie
corrige des variations saisonnires :
Yt

50

Ct

Yt cvs

40
30
20
10
0
1

10

11

12

13

14

15

16

Ce graphique montre naturellement les variations ( la baisse respectivement la hausse) des ventes
enregistres dont la courbe est verte par rapport la droite de la tendance ; cependant les ventes
enregistrent une hausse lorsque la courbe verte dpasse la droite du trend indpendamment des
variations saisonnires, et respectivement enregistrent une baisse lorsque cette courbe est au-dessous
de la droite du trend. Cette analyse permet bien videment de voir lvolution stricte des ventes
indpendamment de lvolution saisonnire.

10

Nous allons nous intresser maintenant une autre forme que peut prendre le Trend.
Traitons le cas o le Trend est une courbe
Nous proposant la mthode des moyennes mobiles (courbe de la moyenne mobile = Smooth) qui est
une mthode de lissage.
Une moyenne mobile est un outil intressant pour lisser une srie temporelle et donc pour enlever une
composante saisonnire. On utilise de prfrence des moyennes mobiles non-pondres dordre gal
la priode, par exemple dordre 7 pour des donnes journalires, dordre 12 pour des donnes
mensuelles. Par exemple, pour enlever la composante saisonnire due au jour de la semaine, on peut
appliquer une moyenne mobile non-pondre dordre 7.
Nous allons sans tarder appliquer cette mthode et nous allons distinguer deux cas de figure possible ;
cas o la priodicit est dordre impaire (m=3 par exemple), et cest le plus simple ; et le cas o lordre
est paire (m=4 par exemple) ; Pour les composantes saisonnires dune priode paire, il nexiste pas de
moyennes mobiles centres non-pondres. Il existe deux types de moyenne mobile centre pondre.
Prenons comme exemple les donnes suivantes, o est enregistr dans le tableau qui suit les variations
de lindice des prix dune marchandise de 1980 jusquau 1987.

Trimestre1
Trimestre2
Trimestre3
Trimestre4

1980
295
317,5
314,9
321,4

1981
324,7
323,7
322,5
332,9

1982
372,9
380,9
353
348,9

1983
354
345,7
319,5
317,6

1984
333,7
323,9
312,8
310,2

1985
323,2
342,9
300,2
309,8

1986
304,3
285,9
292,3
298,7

1987
312,5
336,1
295,5
318,4

Nous avons des observations priodiques faisant rfrence au trimestre, donc nous avons quatre
trimestres = 4 (qui reprsente un chiffre paire).
La priode est paire et gale m (m = 4 pour des donnes trimestrielles), on utilise une moyenne
mobile dordre impaire accordant un demi-poids aux deux extrmits :
IP
1980 Trimestre1
Trimestre2
Trimestre3
Trimestre4
1981 Trimestre1
Trimestre2
Trimestre3
Trimestre4
1982 Trimestre1
Trimestre2
Trimestre3
Trimestre4
1983 Trimestre1
Trimestre2
Trimestre3

295
317,5
314,9
321,4
324,7
323,7
322,5
332,9
372,9
380,9
353
348,9
354
345,7
319,5

MM

MMC
312,2=1/4*(295+317,5+314,9+321,4)

312,2
319,6
321,2
323,1
326,0
338,0
352,3
359,9
363,9
359,2
350,4
342,0
334,2

315,9
320,4
322,1
324,5
332,0
345,2
356,1
361,9
361,6
354,8
346,2
338,1
331,7

322,1=1/2(321,2+323,1)
Chaque trimestre est affect du mme
poids, mais cette mthode
est moins avantageuse car la
moyenne mobile est plus tendue.
Donc, plus des donnes seront
perdues aux extrmits de la
srie.

11

1984

1985

1986

1987

Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4
Trimestre1
Trimestre2
Trimestre3
Trimestre4

317,6
333,7
323,9
312,8
310,2
323,2
342,9
300,2
309,8
304,3
285,9
292,3
298,7
312,5
336,1
295,5
318,4

329,1
323,7
322,0
320,2
317,5
322,3
319,1
319,0
314,3
300,1
298,1
295,3
297,4
309,9
310,7
315,6

326,4
322,8
321,1
318,8
319,9
320,7
319,1
316,7
307,2
299,1
296,7
296,3
303,6
310,3
313,2

Le graphique de la srie brute et la srie corrige des variations saisonnires par la Mthode des
Moyennes mobiles dordre paire :
390
370
350
330
310
290
270
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

Donc il est clair que dans le cas o la priodicit est impaire le calcul de la moyenne mobile non
pondre se fait de manire naturelle.

12

Exercices rsolus : les sries chronologiques

Exercice
Dfinir les concepts suivant ainsi que leurs fonctions : (a) une srie chronologique ; (b) la
priodicit ; (c) comment peut-on reprsenter graphiquement la srie chronologique ; (d) la
tendance, les variations saisonnires et les variations accidentelles ; (e) le modle additif ; (f) le
Modle multiplicatif.
(a) Une srie chronologique est une variable statistique dont les observations sont repres dans le
temps. Les sries chronologiques sont extrmement utilises dans les sciences sociales et, en
particulier, en conomie.
(b) Les sries chronologiques peuvent tre annuelles, trimestrielles, mensuelles, hebdomadaires,
journalires et mme infra-journalires. linverse, certaines donnes sont disponibles
beaucoup plus rarement. On aura alors des observations sporadiques qui permettront de
retracer lvolution sur une longue priode, mais avec une priodicit irrgulire.
(c) Pour reprsenter graphiquement les sries chronologiques, on mettra toujours le temps en
abscisse et les valeurs de la variable en ordonne. La reprsentation la plus habituelle est le
nuage de points. Mais il est frquent que lon relie les points entre eux. Les exemples des
figures 1 3 illustrent ce dernier point.
(d) Lobservation des sries chronologiques permet de distinguer trois composantes principales.
La premire de ces composantes, la tendance ou trend, donne le sens de lvolution sur la
dure. La seconde composante, ce sont les variations saisonnires ou priodiques. La troisime
composante, ce sont les variations accidentelles ou encore la composante alatoire (erreur).
Ces trois composantes ne sont pas toujours simultanment prsentes dans une srie
chronologique. Certaines sries nont pas de tendance, dautres nont aucune composante
priodique. Dautres enfin, ne connaissent aucune variation accidentelle.
(e) Lobservation des sries chronologiques permet de distinguer deux grand types de srie :
celles qui se conforment au modle multiplicatif et celles qui se conforment au modle additif.
Dans le modle additif, les variations autour du trend demeurent dans une bande de variation
peu prs constante. Dans le modle multiplicatif, au contraire, les variations autour du trend
samplifient.
Modle additif

Modle multiplicatif

13

Exercice
Soit le tableau suivant, qui donne lvolution dune srie chronologique en fonction du
temps, repr par lindice t. Dterminer le trend par la rgression linaire.
t
z

0
4

1
3

2
9

3
10

4
11

5
16

6
15

Le graphique en nuages de points de cette srie chronologique est illustr par la figure suivante.
20

Le graphique de la srie chronologique z

15
10
5
0
0

On calcule les coefficients a et b de la droite de rgression :

Nous allons dterminer le trend de cette srie par une droite = + , en calculant les
coefficients daprs les formules suivantes :
(, )
=
{
()
=
Rappeles ci-aprs (ou t tient le rle de x et z celui de y).

0
1
2
3
4
5
6
21

4
3
9
10
11
16
15
68

0
3
18
30
44
80
90
265

0
1
4
9
16
25
36
91

0
3
36
90
176
400
540
1245

20

Le graphique de la srie chronologique z avec tendance

15
z = f(t) = 2,18t + 3,2
R = 0,9014

10
5
0
0

265 7 3 9.714 61
=
= 2,18
28
91 7 3

= 9.714 2.17 3 = 3,2

On obtient donc lquation du trend suivante : = + = 2,18 + 3,2

14

Modlisation des sries chronologiques stationnaires et non stationnaires :

ARMA, ARIMA
Introduction
Rappelons le, Une srie chronologique ( , ) est une suite dobservations dune variable
diffrentes dates . Habituellement est dnombrable, de sorte que = 1,2, . , .
Le but de lanalyse des sries temporelles (sries chronologiques) est de sintresser la
dynamique dune variable. Cette dernire est importante pour au moins deux raisons : dun
point de vue conomtrique, on ne peut relier que deux variables qui ont des proprits
similaires, en particulier une mme stabilit ou instabilit ; les proprits mathmatiques
permettant de relier deux variables dpendent de leur dynamique.
Une srie temporelle peut concerner des donnes macroconomiques (Masse montaire, PIB,
inflation,), microconomiques (nombre demploys dune entreprise, ventes, ..),
politiques (nombre de votants, nombre de votes nuls,.), dmographiques (ge moyen des
habitants dune localit, leur taille,..), financires ( Indice BRVM composite, cours dune
action,.. ). La priodicit de la srie importe peu. Il peut sagir de mesures annuelles,
semestrielles, mensuelles etc.
Le premier objectif de ce cours est de modliser la partie alatoire dune srie temporelle.
Dans la premire partie du cours, nous avons vu quune srie temporelle X peut scrire sous
la forme simplifie :
= + +

Avec et des sries dterministes reprsentant respectivement la tendance et la

saisonnalit et une srie alatoire reprsentant le rsidu ou bruit. Dans le cadre du cours,

Nous avions vu comment isoler les parties dterministes.

Nous avions propos des techniques pour les estimer.
Nous avions suppos que la srie tait un bruit blanc.
Enfin nous vrifions quune fois tendance et saisonnalit supprimes, le rsidu tait
bien un bruit blanc.

Nous allons nous intresser dans ce cours la partie alatoire ( ) de la srie temporelle et
travailler dans un cadre plus gnral que le prcdent : nous ne supposerons plus que ( ) est
un bruit blanc mais quil est seulement stationnaire ; ce qui signifie grossirement que sa
moyenne, sa variance et son autocovariance sont constantes au cours du temps. A noter que le
seul fait de supprimer la tendance et la saisonnalit ne rend pas ncessairement la srie
rsiduelle stationnaire puisque cela naffecte pas la variance et lautocovariance qui doivent
tre constantes pour un processus stationnaire. Nous proposerons des techniques de
modlisation de ce type de processus. En dautre terme, on aimerait maintenant aller plus loin
et proposer un modle capable de reproduire le comportement des donnes de faon
analogue. Ici cependant la tche est bien diffrente puisque les donnes ne sont pas
dterministes. Il faudra choisir le modle le plus simple possible avec le nombre le plus petit
15

de paramtres possibles. Cela nous amnera considrer tout particulirement une famille de
processus linaires trs couramment employe, les processus ARMA. Nous verrons ensuite
comment faire de la prdiction partir de ces sries.
A partir de maintenant, la srie rsiduelle sera note au lieu de .
En pratique, les sries temporelles rsiduelles ne sont pas ncessairement stationnaires. Un
prtraitement est alors ncessaire pour supprimer la tendance et la saisonnalit dune part
comme usuellement mais aussi pour stationnariser la srie rsiduelle. Une fois la srie
stationnarise analyse, et les valeurs futures prdites, il sera ensuite ncessaire de revenir
la srie initiale. Nanmoins, toutes les sries rsiduelles obtenues de la sorte ne sont pas
ncessairement stationnaires : il peut arriver que la variance dun processus varie au cours du
temps. Cest le cas des sries ARCH ou plus gnralement GARCH. Nous verrons comment
procder dans le cadre de telles sries.
Dans chacun des cas, une fois le model choisi, on estime les paramtres inconnus partir des
observations. Des tests permettent ensuite de vrifier que le modle identifi est bien adapt
aux observations. Enfin, le modle identifie peut servir rsoudre des problmes de contrle,
de dtection, dinterpolation ou de prdiction des valeurs futures de .
Processus stochastique

16

Lautocorrlation
Dans un modle dautocorrlation particulirement simple a t largement adopt. Dans ce
modle, les alas sont supposs obir au processus autorgressif dordre un, ou AR(1).
= 1 + ; ~ (0; ); || < 1
Ce processus alatoire indique que lala au temps t, , est gal a une certaine fraction de
lala au temps t 1. Plus un nouvel alea ou innovation qui est homoscdastique et
indpendant de toutes les innovations passes ou futures.
Ainsi chaque priode, une partie de lala correspond lala de la priode prcdente,
quelque peu diminu et peut-tre de signe diffrent et une partie correspond linnovation .
On appelle la condition || < 1 condition de stationnarit. Elle garantit que la variance de
tend vers une valeur limite, , plutt que de diverger lorsque augmente. En substituant
successivement 1, 2, 3, et ainsi de suite, nous voyons que
= 1 +

STATIONNARITE, BRUIT BLANC ET MARCHE ALEATOIRE

Processus stationnaire
La stationnarit est un concept cl pour la validit dune rgression sur sries temporelles.
Dun point de vue statistique, la stationnarit suppose que le pass est comparable au prsent
et au futur. Ainsi, une srie chronologique est stationnaire, au sens strict, si sa distribution de
probabilit ne change pas au cours du temps : cette dfinition forte de la stationnarit implique
que la distribution jointe (+1 , +2 , . . . , + ) ne dpende pas de ; si cest le cas, on
conclut que est non stationnaire.
Par ailleurs (dfinition faible de la stationnarit), un processus temporel est stationnaire si
:
i.
ii.
iii.

[ ] = ,
pour tout
: cest--dire la srie stationnaire en
moyenne.
[ ] ( ) = , pour tout
: cest--dire la srie est stationnaire en
variance.
[ , + ] [( ) (+ )] = : lautocovariance ou la covariance
entre deux priodes et + ** est uniquement fonction de la diffrence des temps .

Un processus est stationnaire si celui-ci na ni trend, ni saisonnalit et de ce fait, fluctue

autour dune moyenne constante. Il apparait donc sue la stationnarit est une exigence qui
assure lutilisation du modle en dehors de la priode sur laquelle il a t estim.

17

Un processus stationnaire possde de volatile lorsquil possde certaines ralisations qui

scartent sensiblement de la moyenne constante.
Processus non-stationnaire
Une chronique qui ne vrifie pas les hypothses ci-dessus est dite non stationnaire. Donc, il
faudra la stationnariser avant lestimation. La mthode de stationnarisation dpend de la
source de la non stationnarit. Pour identifier cette source, le modle suivant doit tre test :
= 0 + + +
En estimant ce modle :
Dcision
i est significatif

Type de modle
Trend and
Intercept

i est non significatif et

0 est significatif
i est non significatif et
0 est non significatif

Intercept
None (ni Trend,
ni Intercept)

Processus
Trend
Stationnary
(TS)
Differency
Stationnary
(DS)

Mthode de stationnarisation
Ecart la tendance

Filtre aux diffrences

Procdure :
Si le modle est un TS

1/ Estimer le modle = 0 + +
2/ Gnrer les rsidus
3/ Tester si est stationnaire

Si le modle est un DS :

il faut diffrencier ou intgrer d fois pour obtenir une

chronique stationnaire, soit ().

Un processus DS non-stationnaire est intgr dordre d, not I(d), si en le diffrenciant d

fois, on obtient un processus stationnaire.
Considrations pratiques pour apprcier la stationnarit dune srie.
On dispose dune trajectoire dune srie temporelle { } et on veut se faire une premire ide
de la stationnarit de cette srie par lobservation du chronogramme de la trajectoire. Une
condition ncessaire de stationnarit est que la moyenne et la variance de la srie soient
constantes. Elle implique donc que le graphe de la srie en fonction du temps montre un
niveau moyen peu prs constant et des fluctuations peu prs de mme ampleur autour de la
moyenne suppose, quelle que soit la date autour de laquelle on examine la srie. Examinons
quelques sries pour nous faire une opinion sur leur stationnarit ventuelle.
Exemples (Outils graphiques pour la stationnarit)
18

1. Une srie stationnaire a une moyenne constante. Considrons le cours de laction

Danone. Imaginons un intervalle de 200 points environ et faisons glisser cet intervalle.
Il est manifeste que pour cette srie la moyenne dpend de t : elle nest donc pas
stationnaire. En rsum, si le niveau dune srie fluctue peu autour dun niveau moyen
sur un petit intervalle de temps mais que ce niveau moyen change avec la position de
lintervalle, on peut conclure que la srie nest pas stationnaire.

2. Une srie stationnaire a une variance constante. Ce qui veut dire que lampleur de la
fluctuation de la srie reste la mme sur un petit intervalle de temps, quel que soit cet
intervalle. Le nombre de morts sur les routes au Maroc dcrot avec le temps et montre
une variabilit, donc une variance, qui diminue. Cette srie nest donc pas stationnaire.

19

20

Test de stationnarit (test de racine unitaire)

Lapproche de la stationnarisation par cart une tendance donner lieu deux traditions, se
distinguant par le mode de spcification et destimation de cette tendance. Alternativement,
la tendance peut tre spcifie et estime comme une fonction dterministe du temps. Cette
spcification de la tendance peut tre linaire [You 1978], quadratique [Perloff et Wachter
1979] ou, peu prendre en compte des inflexions mois rgulires, linaire par morceaux
[J.Artus1977].
Test de Dickey- Fuller
Les tests de Dickey-Fuller (DF) permettent de mettre en vidence le caractre stationnaire ou
non dune chronique par la dtermination dune tendance dterministe ou stochastique.
Les tests de Dickey-Fuller permette non seulement de dtecter lexistence dune tendance
(test de racine unitaire, Unit Root Test ), mais aussi de dterminer la bonne manire de
stationnariser une chronique pour ce faire deux processus sont distingus:

Les processus TS (tend stationnary) qui reprsente une non-stationnarit de type

dterministe.
Les processus DS (Differency stationnary) pour les processus non stationnaires
alatoires.

De manire gnrale, pour stationnariser un processus TS, la bonne mthode est celle des
moindres carrs ordinaires; pour un processus DS, il faut employer le filtre aux diffrences.
Le choix dun processus DS ou TS comme structure de la chronique nest donc pas neutre.
Le test de Dickey-Fuller simple consiste estimer par les MCO les trois modles :
[1] 1 11 = 1 = (1 1 ) 11
[2] 1 11 = 1 = (1 1 ) 11 +
[3] 1 11 = 1 = (1 1 ) 11 + +
Les modles servent de base la construction de ces tests sont au nombre de trois. Le principe
des tests est simple: si lhypothse 0 : 1 = 1 est retenue dans lun de ces trois modles,
le processus est alors non stationnaire.
Tests de Dickey-Fuller Augments
Dans les modles prcdents, utiliss pour les tests de Dickey-Fuller simples, le processus
est, par hypothse, un bruit blanc. Or il ny a aucune raison pour que, priori, lerreur soit non
corrle; On appelle tests de Deckey-Fuller Augments (ADF) la prise en compte de cette
hypothse.
Les tests ADF sont fonds, sous lhypothse alternative 1 < 1, sur lestimation par les
MCO des trois modles:
21

Modle [4] : 1 = 11 11 +
Modle [5] : 1 = 11 11 + +
Modle [6] : 1 = 11 11 + + +
Avec j variant de 2 jusquau ; et ~ . .
Le test se droule de manire similaire aux tests DF, seules les tables statistiques diffrentes.
La valeur de p peut tre dtermine selon les critres de Akaike ou de schwarz, ou encore, en
partant dune valeur suffisamment importante de p, on estime un modle p-1 retards, puis
p-2 retards, jusqu ce que le coefficient du pime retard soit significatif.

METHODOLOGIE DE BOX ET JENKINS

La mthodologie de Box et Jenkins permet de dterminer le processus ARMA adquat pour la
modlisation dune chronique. La mthodologie BJ suggre quatre tapes, noter :
lidentification, lestimation, la validation et la prvision.

Lidentification : cette premire tape consiste trouver les valeurs p et q des

processus ARMA en se basant sur ltude des fonctions dautocorrlation simple
et dautocorrlation partielle.
Lestimation : aprs avoir identifi les valeurs p et q dun ou plusieurs processus
ARMA, il sera question destimer les coefficients aux termes autorgressifs et
moyenne mobile.
La validation : aprs avoir estim les diffrents processus ARMA, il convient
prsent de valider ces modles, en servant dune part, des tests de significativit
des paramtres (test de student) pour les coefficients et dautre part, les tests
dhypothse nulle dhomoscdasticit (tests ARCH, White, Breusch-Pagan) et
dhypothse nulle dautocorrlation pour les rsidus (tests de Box-Pierce, LjungBox, Breusch-Godfrey)

Autrement, ltape de validation du modle consiste tester si les rsidus sont de bruits
blancs. Au cas o les rsidus sont de bruits blancs ; il faudra que la srie de rsidus soit
stationnaire (fluctuant autour dune moyenne constante nulle) et par ailleurs, aprs application
des tests Box-Pierce et ARCH, que lon rejette les hypothses alternatives.

22

Prsentation de tests de cointgration et de tests de causalit de Granger

Le concept de cointgration introduit par Granger4 (1981), Granger et Weiss5 (1983) puis
Engle et Granger6 (1997) permet de prciser la ralit et la nature des divergences entre deux
sries thoriquement lies entre elles et la notion de causalit (Granger 7 (1969)), offre
aujourdhui un cadre assez rigoureux pour tudier la direction de la causalit
(unidirectionnelle ou bidirectionnelle) entre deux variables8.
Afin dapprcier le caractre causal ou bi-causal des sries temporelles et de mettre en
vidence des relations de cointgration, plusieurs dmarches conomtriques sont engages.
Dans un premier temps, il est ncessaire de mener des tests de stationnarit sur les sries
temporelles, pour tester lordre dintgration des sries. Ensuite, en retenant lapproche
dEngle et Granger9 avec deux variables, on tudiera la causalit ventuelle entre les
indicateurs du commerce retenus pour cette tude et le PIB. Enfin, en reprenant le modle
thorique, on retiendra lapproche de Johansen10 pour examiner les relations de cointgration
entre les sries temporelles long terme et court terme.

Ordre dintgration des sries et les tests de stationnarit

Tout dabord, il faut dterminer la stationnarit des sries travers des tests de stationnarit
ou des tests de racine unitaire11, pour viter le problme de rgressions fallacieuses
(Spurious Regression) soulev par Granger et Newbold (1974)12. En effet, les tests de
causalit et cointgration sont trs sensibles la stationnarit des sries (Stock et Watson,
4

Granger Clive, (1981), Some Properties of Time Series Data and Their Use in Econometric Model Specification,
Journal of Econometrics 16, pp.121-130.
5

Granger, C. W. J., & A. A. Weiss (1983), Time Series Analysis of Error-Correcting Models, in Studies in
Econometrics, Time Series, and Multivariate Statistics, New York: Academic Press, pp. 255-278.
6

Robert F. Engle and C. W. J. Granger, (1997), Co-Integration and Error Correction: Representation, Estimation,
and Testing, Econometrica, Vol. 55, No. 2, The Econometric Society, pp. 251-276
7

Granger C. W. J., (1969), op cit.

Bourbonnais (2009), Economtrie, Dunod, 7me dition, Paris. Voir aussi ric DOR (2009).

Engle and Granger (1987), Cointegration and Error- Correction: Representation, Estimation and Testing,
Econometrica 55, pp. 251 - 276.
10

Greene William H. (2003), Econometric Analysis 5th Ed, New York University, Prentice Hall, Upper Saddle
River, New Jersey
11

Pour plus de dtails sur les tests de stationnarit, on peut se rfrer Phillips et Xiao (1998) ou Salani
(1999).
12

Granger, C. W., Newbold, P., (1974), Spurious regression in econometrics, Journal of Econometrics, vol. 2, pp.
11-20.
23

1989)13 et la plupart des sries macroconomiques ne sont pas stationnaires en niveau (Nelson
et Plosser, 1982)14.
Les tests de Dickey-Fuller (DF) ou de Philipps et Perron (PP) permettent non seulement de
mettre en vidence le caractre stationnaire ou non dune srie temporelle par la dtermination
dune tendance (test de racine unitaire) mais aussi de dterminer la bonne manire de
stationnariser la srie15.
Pour examiner la stationnarit des sries de donnes, on peut recourir aux tests de DickeyFuller augments (ADF) qui valident ou non la prsence dune racine unitaire et en prenant en
compte lhypothse derreurs sriellement corrles16.
En considrant la srie chronologique :
Xt : Xt = Xt1 + ut
Avec 0 1
On dduit que :
1 = (1 )1 +
Soit = 1 +
Avec = 1 et donc 1 0 .
Les tests de Dickey-Fuller augments, qui consistent introduire des variables
supplmentaires (Xtp ), avec lhypothse sous-jacente que lautocorrlation des rsidus a
pour cause labsence de variables retardes diffrencies dans lquation, sappuient sur trois
modles de base :
-

le modle (1) sans constante ni tendance dterministe :

p

Xt = Xt1 + j Xtj + ut

(1.3)

j=1

Ou encore

13

Stock, J.H., Watson, M.W., (1989), New indexes of coincident and leading economic indicators, NBER
Macroeconomics Annual, pp. 351-393.
14

Nelson, C.R., Plosser, C.I., (1982), Trends and random walks In Macroeconomic Time Series, Journal of
Monterey Economics, 10, pp.139-162.
15

Bourbonnais R., (2009), op cit. Et Voir aussi ric DOR (2009) op cit.

16

Pollock D.S.G. (1999), A Handbook of Time-Series Analysis, Signal Processing and Dynamics, Queen Mary and
West old College, The University of London UK, Academic Press.
24

Xt = Xt1 + j Xtj + ut
j=1

le modle (2) avec constante (b), mais sans tendance dterministe (mt ):

= + 1 + +

(1.4)

=1

Ou encore

= + 1 + +
=1

le modle (3) avec constante (b) et tendance dterministe (mt ) :

p

X t = mt + b + Xt1 + j Xtj + ut

(1.5)

j=1

Ou encore :
p

Xt = mt + b + Xt1 + j Xtj + ut
j=1

Le test scrit alors : H0 : = 0 contre H1 : < 0 .

Si lhypothse nulle est retenue dans lun de ces trois modles partir de la mthode des
moindres carrs ordinaires, le processus est alors non stationnaire.
Phillips et Perron proposent une mthode non paramtrique pour corriger la prsence
dautocorrlation, en ajoutant un facteur de correction. Dans la mme logique que le test de
Dickey-Fuller, ce test repose sur les trois modles suivants :

Xt = Xt1 + ut

Xt = Xt1 + b + ut

Xt = Xt1 + b + mt + ut

(1.6)
(1.7)
(1.8)

Si lhypothse nulle H0 : = 0 est retenue dans lun des trois modles, le processus est
considr comme stationnaire.
Si le coefficient est significativement diffrent de zro, alors lhypothse que X contienne une
racine unitaire est rejete. Le rejet de lhypothse nulle implique que la srie est stationnaire.
Dans ce cas, si la statistique ADF ou PP calcule est plus grande que la valeur critique de
McKinnons, alors lhypothse nulle nest pas rejete. On en conclut que la variable
considre nest pas stationnaire et possde une racine unitaire.
25

Cette procdure est applique une nouvelle fois aprs avoir transform les sries considres
en diffrence premire. Si lhypothse nulle de non-stationnarit est rejete, il est possible de
conclure que la srie est intgre dordre 1. Il faut alors la diffrencier une fois pour la rendre
stationnaire.
En outre, pour que les tests ADF ou les tests PP soient performants, il est important de choisir
lordre de retard, pour ne pas rduire la puissance du test (de rejeter lhypothse nulle de
racine unitaire). Les logiciels conomtriques17 calculent le nombre optimal de retards en
fonction des critres proposs, en rfrence au Schwartz Info Criteriun et au Bartlett
Kernel.
Le constat de stationnarit en diffrence premire des sries permet dentreprendre des tests
de causalit au sens de Granger pour mettre en vidence les relations causales entre deux
variables conomiques.

Tests de causalit au sens de Granger entre deux variables

Selon Granger18 (1969), il sagit simplement de dterminer si une variable x cause selon
Granger une variable y. La procdure consiste observer tout dabord dans quelle mesure les
valeurs passes de y arrivent expliquer la valeur actuelle de y et danalyser par la suite la
consolidation de lestimation lorsque lon prend en considration des valeurs retardes de la
variable x. Alors, on dit que la variable y est cause au sens de Granger si la variable x est
dterminante dans lestimation de y, ou encore, si les coefficients des valeurs retardes de la
variable x sont significativement diffrents de zro. Une double causalit peut apparatre, si
on doit accepter les deux hypothses que y cause x et que x cause y ; on parle de boucle
rtroactive feedback effect19.
Soit le modle VAR(p) pour lequel les variables Yt et Xt sont stationnaires et 1t , 2t des
bruits blancs.
Dans (1.5), les hypothses du test sont :
Yt = 1 +

p
i=1

1t Yti +

1i Xti + 1t

(1.10)

i=1

- H0 : Xt ne cause pas Yt ,1i = 0 (pour tout i)

Xt = 2 +

p
i=1

2t Yti +

2i Xti + 2t

i=1

17

Nombreux sont les logiciels qui effectuent ces calcules (R, RATS, LIMDEP, STATA, SPSS, TSP,.), pour notre
cas ils sont effectus par logiciel Eviews version 7 et Version 8.
18

Granger C. W. J., (1969), op cit.

Khalid SEKKAT, (1989), Lanalyse de causalit comme mthode de dtermination des filires industrielle,
Annal dEconomie et de Statistique, N14, pp. 191-223.
19

26

- H0 : Yt ne cause pas Xt , 1i = 0 (pour tout i)

Pour effectuer le test de causalit de Granger20, les sries doivent tre stationnaires et le
nombre de retards p doit tre dtermin avec prcision, puisque peu de retards entranent une
erreur de spcification et trop de retards21, un gaspillage des observations et rduit le nombre
de degrs de libert. Le choix du nombre de retards du VAR (mlag) se basera sur le critre
dAkaik (AIC), celui de Schwarz (SC), du Likelihood Ration (LR) et celui de Hannan-Quinn
(HQ). Nous prendrons galement en considration lapproche de Ltkepohl22 (2007) pour
limiter le nombre de retards 6. Pour chaque pays, en prenant en compte les critres
mentionns prcdemment, on dterminera la longueur du dcalage retenu et on effectuera
des tests de causalit au sens de Granger.

Tests de cointgration et le modle correction derreur

Lanalyse de cointgration23 permet alors didentifier les relations conomiques de long terme
entre plusieurs variables et dviter le risque de rgressions fallacieuses 24. A court terme, deux
sries peuvent avoir une volution divergente, notamment en raison du caractre de nonstationnarit, mais elles voluent ensemble long terme. Il est possible que certaines variables
soient I(1) et que les combinaisons linaires de ces variables soient I(0). Lanalyse de
cointgration est importante, car si des variables non stationnaires sont cointgres,
lestimation dun modle VAR en diffrences premires peut tre errone en raison de leffet
dune tendance commune25. Le problme consiste donc dterminer si les sries dun modle
sont cointgres, et estimer la relation de long terme, puis de court terme entre les variables
considres.

Identification des Relations de cointgration

20

Clive W. J. Granger, (2001), Essays in Econometrics Collected Papers of Clive W. J. Granger Volume I: Spectral
Analysis, Seasonality, Nonlinearity, Methodology, and Forecasting, Cambridge University Press, pp. 1-554.
21

Helmut Ltkepohl, Markus Krtzig, (2004), Applied Time Series Econometrics, Cambridge University Press,
The Edinburgh Building, Cambridge, UK.
22

Helmut Ltkepohl, (2007), New Introduction to Multiple Time Series Analysis, 764 pages.
Soren Johansen, (1996), Likelihood-Based Inference in Cointegrated Vector Autoregressive Models (Advanced
Texts in Econometrics, Oxford University Press, USA, pp 1-280.
23

24

Caner, M., Hansen, B.E., (2001), Threshold Autoregression With A Unit Root, Econometrica vol 69, pp.1565
1596.
25

I Gusti Ngurah Agung (2009), Time Series Data Analysis Using Eviews, John Wiley & Sons (Asia), Singapore
27

Dans notre tude, les tests seront mens dans un modle (), o p reprsente le retard, Si
lon suppose que p = 1, on obtient :
Yt = A1 Yt1 + t
Le test de cointgration de Johansen26 (1988) permet de dterminer le nombre de relations de
cointgration partir de deux tests fonds sur les valeurs propres dune matrice. La procdure
se subdivise en deux tapes27 : le calcul de deux rsidus, puis le calcul de la matrice
permettant le calcul des valeurs propres.
Lestimation se base sur lquation suivante :
Yt = A0 + B1 Yt1 + B2 Yt2 + + BP1 YtP+1 + Yt1 +
p

O les matrices Bi sont des fonctions des matrices Ai et = (i=1 Ai I). La matrice peut
scrire sous la forme = o est la force de rappel vers lquilibre et contient les
relations de cointgration .
Au cours de la premire tape, deux rgressions sont effectues :
0 + A
1 Yt1 + A
2 Yt2 + + A
P YtP + ut
1 - Yt = A
0 + A
1 Yt1 + A
2 Yt2 + + A
P YtP + t
2 - Yt = A
Yt est un vecteur de dimension ( 1)constitu des variables (1 , 2 , . . , ), A0 est un
vecteur de dimension ( 1) et Ai est un vecteur de dimension ( ).
ut et t sont alors les matrices des rsidus de dimension (, ) avec , le nombre de variables
et le nombre dobservations.
Au cours de la seconde tape, le calcul de quatre matrices des variances-covariances de
dimension ( ) est effectu partir des rsidus ut et t . Ensuite les valeurs propres de
la matrice M de dimension ( ) sont extraites.
Le premier test dvelopp par Johansen est le test de la trace. Une statistique est calcule :

= (1 )
=+1

26

Erik Hjalmarsson and Pr sterholm, (2007), Testing for Cointegration Using the Johansen Methodology
when Variables are Near Integrated, IMF Working Paper, WP/07/141, International Monetary Fund, pp. 1-19.
27
Pollock D.S.G. (1999), A Handbook of Time-Series Analysis, Signal Processing and Dynamics, Queen Mary and
West old College, The University of London UK, Academic Press.
28

Avec , le nombre dobservations, la ime valeur propre de la matrice M, le nombre de

variables et , le rang de la matrice. Cette statistique suit une loi de probabilit similaire un
2 (table de Johansen et Juselius (1990)28). Plusieurs cas de figures peuvent apparatre :
-

Le rang de la matrice est gal 0 ( = 0), soit 0 : = 0 et 1 : > 0 ; si on rejette

0 on excute le test suivant,
Le rang de la matrice est gal 1 ( = 1), soit 0 : = 1 et 1 : > 1 ; si on rejette
0 on excute le test suivant,
Le rang de la matrice est gal 2 ( = 2), soit 0 : = 2 et 1 : > 2 ; la procdure
sarrte lorsque 0 est accepte.

Le second test de la valeur propre maximale sappuie sur la statistique suivante :

= (1 +1 )

avec

= 0,1,2 .

Ce test fonctionne galement par exclusion dhypothses alternatives et seffectue de manire

squentielle. Lhypothse nulle de la statistique de la valeur propre maximale concide avec
celle de la statistique de la trace, mais son hypothse alternative assume quil y a + 1
relations de cointgration entre les sries. Lide est damliorer le pouvoir du test en limitant
lalternative un rang de cointgration qui est juste un de plus que sous lhypothse nulle.
Avant de mener les tests de relations cointgrantes, il convient tout dabord de dterminer
lintroduction potentielle des termes dterministes (constance et tendance) la fois dans la
relation de cointgration de long terme et dans la dynamique de court terme. Il faut galement
tester lordre du VAR, en se rfrant principalement aux gnralisations multivaries du
critre dAkaike (AIC), mais galement au critre de Schwarz (SC), du Likelihood Ration
(LR) et celui de Hannan-Quinn (HQ), afin de choisir le nombre de dcalages appropri. Dans
lapplication de la mthode de Johansen29 (1995), cinq modles sont proposs30. Les sries de
donnes considres peuvent comporter une moyenne non nulle et un trend dterministe
(linaire) ou mme quadratique. La dtermination des termes dterministes et du modle
retenu dans lanalyse de cointgration sappuie sur des raisonnements conomiques qui visent
juger du caractre tendanciel des sries, sur le degr de significativit du trend et de la
constante au cours des tests de racine unitaire, sur les critres du maximum de vraisemblance
et dAkaike qui mettent en vidence le modle le plus appropri. Le Likelihood Ratio (LR)
est dfini par :

28

Russell Davidson, James G. Mackinnon, (2003), Econometric Theory and Methods, Oxford University Press.
Johansen, S. (1995), Likelihood Based Inference in Cointegrated Vector Error Correction Models, Oxford
University Press, Oxford.
29

30

Les modles : a) Absence de constance et de tendance dans le modle VAR ainsi que dans l'quation de
cointgration; b) Absence de constance et de tendance dans le modle VAR, mais l'quation de cointgration
comprend une constante; c) Prsence de constance dans le modle VAR et aussi dans l'quation de
cointgration ; d) Absence de tendance dans le modle VAR, et prsence de constance et de tendance dans
l'quation de cointgration ; e) Existence dune tendance quadratique dans les donnes.
29

() = =+1((1 )) pour = 0,1,2 . 1 o est la ime valeur propre. La

slection du modle et le choix de lordre peut se faire par le test du ratio de vraisemblance,
au regard du degr de significativit du 2 et du nombre de degrs de libert. Pour chaque
quation du VAR, on effectue un test de Wald pour savoir si une variable endogne peut tre
considre comme exogne.

Prsentation du modle vectoriel correction derreur

Daprs le thorme de reprsentation de Granger, lexistence dun systme cointgr
implique la prsence dun mcanisme correction derreur qui restreint les carts par rapport
lquilibre de long terme. La prsence de relations de cointgration permet alors destimer
un modle correction derreur vectoriel (VECM). Les modles correction derreur
permettent de reproduire la dynamique dajustement vers lquilibre de long terme. La
principale caractristique du VECM est sa capacit corriger tout dsquilibre qui pourrait
impacter le systme dune priode une autre. Le terme de correction derreur prend en
compte ces dsquilibres et guide les variables du systme vers le retour lquilibre. Ce
mcanisme force la dviation de court terme revenir la priode suivante en fonction de
lquilibre une priode donne. Le modle correction derreur peut scrire de la manire
suivante :
xt = 1 zt1 + lagged(xt , yt ) + 1t (1.11)
yt = 2 zt1 + lagged(xt , yt ) + 2t
zt1 reprsente le terme correction derreur issu de lestimation de la relation de
cointgration. est le terme derreur stationnaire. |1 | + |2 | 0
Avant dappliquer les modles correction derreur, des tests de causalit de Granger sont
effectus sur les variables pour voir si les statistiques sont significativement diffrentes de
zro selon le test standard du . Ensuite, on applique des tests de stationnarit pour
confirmer que les rsidus sont I(0). Les estimations des modles correction derreur
permettent danalyser le paramtre du terme correction derreur (erreur standard entre
parenthses et le t-statistique entre crochets), la dpendance des variables par rapport aux
autres variables dcales et la qualit de lestimation du modle (R et la statistique de Fisher).

30

31