Professional Documents
Culture Documents
Econometrie Des Series Temporelles
Econometrie Des Series Temporelles
Définition 1.
On rencontre des séries temporelles dans de nombreux domaines tels que la
médecine (étude du rythme cardiaque), les télécommunications (étude du trafic
internet et plus particulièrement l’ évolution temporelle du nombre de paquets
TCP par exemple) ou la finance (étude de l’ évolution temporelle de l’indice S&P).
Le but de ce cours est de présenter des techniques pour modéliser de telles
observations c’est à dire de proposer un modèle probabiliste permettant de
représenter les données. Une fois qu’un modèle satisfaisant à été trouvé, il devient
alors possible d’utiliser un tel modèle pour prédire les valeurs futures des
observations.
Premières définitions
Premières définitions
Stationnarité
Stationnarité
Processus Trend Stationary
Une série est dite intégrée d’ordre d (notée yt~> I(d)) s’il convient de la
différencier d fois afin de la stationnariser.
La série stationarisée est alors intégrée d’ordre 0 et est notée yt~> I(0)
Fonction d’autocorrélation
Fonction d’autocorrélation
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Méthode d’estimation des moindres carrés
ordinaires
Hypothèses et propriétés des estimateurs
de MCO
Hypothèses et propriétés des estimateurs de
MCO
Hypothèses et propriétés des estimateurs de
MCO
Théorème de Gauss-Markov :
Les estimateurs des MCO ont la plus petite variance parmi les
estimateurs linéaires sans biais.
e test de Dickey Fuller permet de savoir si une série est stationnaire ou non et
permet aussi de déterminer la bonne manière de stationnariser la série.
Test de stationnarité
Test de stationnarité
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
Stratégie simplifié du test de Dickey Fuller
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
test de Dickey Fuller Augmenté
Les modèles ARIMA
Si la série étudiée est de type TS, il convient de la stationnariser par régression
sur le temps et le résidu d’estimation est alors étudié selon la méthodologie
de Box-Jenkins. Ceci permet de déterminer les ordres p et q des parties AR et
MA du résidu. Le modèle est toujours dans ce cas un ARMA(p, q).
Processus ARIMA et SARIMA
La méthode de BOX et Jenkins
a partie autorégressive d’un processus, notée AR, est constituée par une
combinaison linéaire finie des valeurs passées du processus. La partie moyenne
mobile, notée MA, est constituée d’une combinaison linéaire finie en t des
valeurs passées d’un bruit blanc.
old (1954) montre que les modèles ARMA permettent de représenter la plupart
des processus stationnaires
essaisonalisation
le test de Durbin Watson, bien qu’il ne permette de détecter que des
autocorrélations d’ordre 1 ;
les tests de Box et Pierce et de Ljung et Box qui permettent de tester l’ensemble
des termes de la fonction d’autocorrélation. Si le résidu est à mémoire, cela
signifie que la spécification du modèle est incomplète et qu’il convient d’ajouter au
moins un ordre au processus
le test ARCH d’hétéroscédasticité effectué à partir de la fonction
d’autocorrélation du résidu au carré.
Test d’adéquation du modèle et prévisions
orsque le modèle est validé, la prévision peut alors être calculée à un horizon de
quelques périodes, limitées car la variance de l’erreur de prévision croît très vite
avec l’horizon.
orsque le modèle est validé, la prévision peut alors être calculée à un horizon de
quelques périodes, limitées car la variance de l’erreur de prévision croît très vite
avec l’horizon.
Analyse de saisonnalité
Série stationnaire yt
Test d’adéquation du modèle et prévisions
Série stationnaire yt
Recoloration de la série
(exponentiel, saisonalité
Estimation des paramètres du processus
ARMA(p,q)
Estimation des paramètres du processus
ARMA(p,q)
Estimation des paramètres du processus
ARMA(p,q)
Validation du processus ARMA(p,q)
Parmi les processus ARMA estimés, on ne retiendra que ceux dont tous les
coefficients ont un t de Student > 1,96 (pour un risque de 5% et pour une taille
d’échantillon suffisamment grande : T > 30).
Test d’autocorrelation
Il existe un grand nombre de tests d’autocorrélation, les plus connus sont ceux de
Box et Pierce (1970) et Ljung et Box (1978).
Le test de Ljung et Box est à appliquer lorsque l’échantillon est de petite taille.
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Validation du processus ARMA(p,q)
Processus ARCH
Processus ARCH
Processus ARCH
éries non stationnaires, cointégration et modèle à
correction d’erreur(MCE)
Introduction
oient yt~> I(1), xt~> I(1) , xt et yt sont indépendants, si on estime à l’aide des
MCO le modèle suivant :
t = a xt + b + εt
n obtient :
t- a xt t - b = εt ~> I(1) ; εt ne converge pas vers ~> I(0) donc εt n’est pas
stationnaire.
Introduction
Soit yt ~> I(1) xt ~> I(1) , yt et ) xt indépendant. si on estime à l’aide des MCO le
modèle suivant :
y t = a x t + b + εt
on obtient :
yt - a yt - b = εt ~> I(1).
n peut éviter ce problème en passant les variables en différences premières afin de les rendre stationnaires
(∆yt~> I(0) et ∆xt~> I(0) si xt et yt sont des processus non stationnaires aléatoires) et en effectuant la
régression suivante :
∆yt = a ∆xt +
b + μt .
Par ailleurs,
on obtient :
∆yt- a∆xt - b
= μt~> I(0).
Toutefois, il
arrive que l’on souhaite travailler avec des variables plutôt en niveau qu’en différences premières (donc
plutôt avec des variables non stationnaires). Dans ce cas, comment savoir si la régression effectuée est
fallacieuse ou non ?
C’est alors
que la notion de cointégration prend toute son importance ici. Nous n’avons pas de régression fallacieuse
lorsque les variables xt et yt sont cointégrées, c’est à dire lorsque l’on a yt- axt - b = εt~> I(0) alors que yt~>
I(1) et xt~> I(1).
Définition de la cointégration
Granger a montré que si on avait deux variables non stationnaires (y t~> I(1) et
xt~> I(1)), on pouvait avoir : yt- axt - b = εt~> I(1) ou yt- axt - b = εt~> I(0).
Définition
Deux séries non stationnaires (yt~> I(1) et xt~> I(1)) sont dites cointégrées si
on a :
yt- axt - b = εt~> I(0).
Les séries yt et xt sont alors notées :
xt, yt~> CI(1,1).
Test de cointégration entre deux
variables
Etape 1 :
tester l’ordre d’intégration des variables :
Une condition nécessaire de cointégration est que les séries doivent être intégrées
de même ordre. Si les séries ne sont pas intégrées de même ordre, elles ne peuvent
être cointégrées.
Etape 2 :
estimation de la relation de long terme
Si le résidu est stationnaire nous pouvons alors estimer un modèle appelé modèle
à correction d’erreur (MCE) qui intègre les variables en variation et en niveau
(théorème de la représentation de Granger). L’emploi d’un modèle à correction
d’erreur dans le cas de la cointégration permet d’obtenir des prévisions plus
fiables que si on avait utilisé la relation de long terme car les résultats de
l’estimation de cette relation sont faussés par la non stationnarité des séries.
Modèle à correction d’erreur
Modèle à correction d’erreur
Soit le modèle VAR(p) pour lequel les variables y1t et y2t sont stationnaires :
Si nous sommes amenés à accepter les deux hypothèses que y 1,t cause y2,t et que y2,t
cause y1,t, on parle de boucle rétroactif.
Estimation du modèle VAR(p)
Dans le cas du modèle VAR, chacune des équations peut être estimée par les MCO,
indépendamment les unes des autres (ou par la méthode de vraisemblance).
Si xt, yt ~> I(1) et yt- xt a - b ~> I(0) : on estime un modèle à correction d’erreur
ou un modèle VECM pour plusieurs variables.
Si xt, yt ~> I(1) et yt- xt a - b ne tend pas vers I(0) et ∆xt, ∆yt ~> I(0) avec lien de
causalité : on estime la relation ∆yt = ∆xt a + b + ηt ou un modèle VAR en
différence première pour plusieurs variables.