Chapitre 2:
La non stationnarité - Tests de détection
Quelques notes de cours (non exhaustives)
1 Définition de la non stationnarité
La plupart des séries économiques sont non stationnaires, c’est-à-dire que le processus qui les
décrit ne vérifie pas au moins une des conditions de la définition d’un processus stationnaire du
second ordre, donnée par :
• E(Yt ) = m indépendant du temps
• V (Yt ) = γ(0) < ∞, γ(0) indépendant du temps
• Cov(Yt , Yt−h ) = γ(h) ne dépend pas de t
Ceci nous conduit à définir deux types de non stationnarité selon que c’est plutôt la condition
portant sur le moment d’ordre 1 qui n’est pas vérifiée (non stationnarité déterministe) ou les
conditions portant sur les moments du second ordre qui ne sont pas vérifiées (non stationnarité
stochastique).
1.1 Non stationnarité déterministe
On dit que le processus Yt est caractérisé par une non stationnarité déterministe, ou encore que
le processus Yt est TS (Trend stationary) s’il peut s’écrire :
Yt = f (t) + Zt
où f (t) est une fonction qui dépend du temps et Zt est un processus stationnaire.
Ainsi, ce processus est rendu stationnaire en lui enlevant sa tendance déterministe :
Yt − f (t) = Zt stationnaire
Le processus Zt peut être modélisé par un processus ARM A(p, q) stationnaire (le bruit blanc
étant un cas particulier), admettant une représentation canonique Φ(L)Zt = Θ(L)εt .
f (t) est une fonction déterministe, par exemple f (t) = a+bt (cas le plus couramment retenu),
mais on pourrait aussi considérer, entre autres, un tendance quadratique f (t) = a + bt + ct2 ou
une tendance segmentée f (t) = a1 + b1 t + a2 1It<t0 + b2 t1It<t0 , avec 1It<t0 = 1 si t < t0 et 0 sinon.
Une première conséquence économique (d’avoir un processus TS) est qu’un choc imprévu (εt )
n’a pas d’effet persistant sur le processus puisqu’il ne peut pas modifier sa partie tendancielle (sa
croissance), qui est ici exogène. Il n’aura donc d’effet que sur la partie cyclique, supposée être
stationnaire, donc son effet sera forcément temporaire. Une deuxième conséquence économique
est que la décomposition tendance-cycle est naturelle dans ce cas : la tendance est donnée par
f (t) et le cycle par les écarts de la série à sa tendance, soit Zt . Les deux composantes ne sont
pas corrélées.
1
1.2 Non stationnarité stochastique
On dit que le processus Yt est caractérisé par une non stationnarité stochastique, ou encore que
le processus Yt est DS (Difference stationnary) si le processus différencié une fois (1 − L)Yt est
stationnaire. On parle aussi de processus intégré d’ordre 1, on note Yt ∼ I(1) :
(1 − L)Yt = Zt stationnaire =⇒ Yt = Yt−1 + Zt
De manière générale, on dit que le processus Yt est un processus intégré d’ordre d, avec d
le degré d’intégration, si le processus différencié d fois (1 − L)d Yt est stationnaire. On note
Yt ∼ I(d) :
(1 − L)d Yt = Zt
Si Zt suit un modèle ARM A(p, q) stationnaire, Φp (L)Zt = Θ(L)εt , avec Φp (L) un polynôme de
degré p dont les racines sont toutes strictement supérieures à 1 en module, Θ(L) un polynôme
de degré q dont les racines sont toutes strictement supérieures à 1 en module, et εt un bruit
blanc (0, σ 2 ) :
Φp (L)(1 − L)d Yt = Θ(L)εt ⇐⇒ Φp+d(L)Yt = Θ(L)εt
avec Φp+d (L) un polynôme de degré p + d avec d racines égales à 1 et les p autres strictement
supérieures à 1 en module.
Ainsi, dire qu’un processus est I(d) signifie que le polynôme en L définissant sa partie
autorégressive a d racines unitaires.
Les exemples les plus connus de processus I(1) sont, d’une part, la marche aléatoire pure :
Yt = Yt−1 + εt
et, d’autre part, la marche aléatoire avec dérive :
Yt = c + Yt−1 + εt
Il s’agit d’un AR(1) avec racine unitaire. Ainsi, on parle aussi de présence de racine(s)
unitaire(s) pour parler des processus non stationnaires de type stochastique.
Une première conséquence importante (d’avoir un processus DS) est qu’un choc imprévu (εt )
à une date donnée influence la tendance et le futur du processus. Le processus est caractérisé
par de la persistance des chocs ou de l’hystérèse. Autrement dit, un choc temporaire à une
date donnée a un effet permanent sur le niveau du processus puisque le processus ne rejoindra
jamais sa valeur initiale suite à ce choc. Une deuxième conséquence est que la décomposition
tendance-cycle n’est plus explicite dans cette formulation. On peut l’obtenir par des méthodes
de décomposition adaptées (décomposition de Beveridge et Neslon par exemple).
2 Détection de la non stationnarité et de sa nature
La représentation graphique de la série peut (dans certains cas) nous indiquer que la série
n’est pas stationnaire, mais elle ne nous permet pas de discriminer entre les deux types de non
2
stationnarité (la présence de non stationnarité de type stochastique peut produire une série à
l’allure croissante, de la même manière que la non stationnarité de type déterministe).
Quand la série est non stationnaire (que ce soit DS ou TS), le coefficient d’autocorrélation
d’ordre 1 (empirique) est très élevé (proche de 1), l’autocorrélogramme simple décroit alors
lentement. Ainsi, l’autocorrélogramme simple d’un processus non stationnaire est celui d’un
AR(1) avec φ proche de 1, que le processus soit TS ou DS. Rappelons que l’autocorrélogramme
d’un processus stationnaire présente une décroissance “rapide”, puisque les autocorrélations
simples ρ(h) −→ 0 quand h −→ ∞.
De même, on observe un pic à l’origine dans la représentation de la densité spectrale pour
un processus non stationnaire.
Ainsi, la représentation graphique, l’autocorrélogramme simple et la densité spectrale peuvent
nous indiquer la présence de non stationnarité, mais ne peuvent pas nous renseigner sur son type
(DS ou TS).
Les deux types de non stationnarité, DS et TS, n’ayant pas les mêmes conséquences statis-
tiques sur la nature du processus, et nécessitant des méthodes différentes pour rendre le processus
stationnaire, on peut mettre en œuvre une méthode, que l’on peut qualifier de méthode heuris-
tique, pour se donner une idée de la nature de la non stationnarité. Il s’agit de stationnariser
la série, d’une part par différenciation, d’autre part par retrait d’une composante déterministe,
et d’observer, à l’aide de la représentation graphique et de l’autocorrélogramme, les résultats
obtenus. Cette méthode est basée sur les conséquences de l’application d’une méthode de sta-
tionnarisation à tord.
2.1 Méthode heuristique
En différenciant une série TS, on rend l’allure de la série stationnaire, mais on crée une racine
unitaire dans la partie MA (le processus différencié obtenu n’ayant alors plus une représentation
canonique). En effet, supposons que le processus Yt soit de type TS défini par :
Yt = a + bt + εt
Si on applique la méthode de stationnarisation d’un processus I(1), soit le filtre 1 − L :
(1 − L)Yt = (1 − L)(a + bt + εt ) = b + εt − εt−1
ceci conduit, certes à stationnariser la série puisque E((1 − L)Yt ) = b, V ((1 − L)Yt ) = 2σ 2 et
cov((1 − L)Yt , (1 − L)Yt−h ) = −σ 2 si h = ±1 et 0 sinon, mais cela introduit une racine unitaire
dans la partie MA du processus différencié.
En retirant une composante déterministe à une série DS, on rend (sans doute) l’allure de
la série stationnaire, mais on ne retire pas la racine unitaire dans la partie AR, ce qui con-
duit à conserver une forte autocorrélation (visible dans l’autocorrélogramme simple). En effet,
supposons que le processus soit DS, de type I(1) :
t−1
Yt = Yt−1 + εt ⇔ Yt = Y0 + εt−j
j=0
3
Si on applique la méthode de stationnarisation d’un processus TS, on risque d’obtenir quelque
chose du genre :
t−1
Yt − f (t) εt−j
j=0
la série obtenue n’est toujours pas stationnaire puisque le problème de non constance de la
variance n’est pas corrigé.
Ainsi, l’extraction d’une tendance déterministe à un processus DS conduit à créer artificielle-
ment une forte autocorrélation des résidus aux premiers retards.
2.2 Tests de racine unitaire: les tests de Dickey-Fuller
Un test de non stationnnarité largement utilisé et répandu est le test de racine unitaire proposé
par Dickey et Fuller en 1979. L’hypothèse nulle du test est la présence de racine unitaire, soit
la non stationnarité de type stochastique.
Le test consiste à tester :
H0 : φ = 1
contre
H1 : φ < 1
dans le modèle
Yt = φYt−1 + εt
avec εt bruit blanc (0, σ 2 ). L’hypothèse nulle correspond au cas de marche aléatoire pure (pro-
cessus DS, I(1)) et l’hypothèse alternative correspond au cas d’un modèle AR(1) stationnaire.
Pour mener ce test, on calcule la statistique de Student, mais attention, cette statistique ne
suit plus sous l’hypothèse nulle une loi de Student, puisque, sous l’hypothèse nulle, le processus
est non stationnaire de type DS et les propriétés asymptotiques ne sont plus standards. Ainsi,
la différence avec un test standard repose sur les valeurs critiques à utiliser pour conclure sur le
test. On ne peut plus utiliser 1.64 comme valeur critique pour un test unilatéral à 5%. Il faut
utiliser les valeurs critiques, qui ont été retabulées par Dickey et Fuller.
De plus, ce test ne répond pas à nos attentes de détection du type de non stationnarité dans
les variables économiques, d’une part parce que l’hypothèse de processus TS n’est pas présente
et d’autre part parce que les séries économiques sont caractérisées par de l’autocorrélation, qui
conduira la plupart du temps à rejeter l’hypothèse de bruit blanc pour εt dans le test ci-dessus.
Pour prendre en compte, d’une part la présence d’autocorrélation dans les séries économiques,
et, d’autre part, l’hypothèse de tendance déterministe, on mène les tests de racine unitaire dans
les trois régressions suivantes.
p
∆Yt = ρYt−1 + α + βt + φj ∆Yt−j + εt (1)
j=1
p
∆Yt = ρYt−1 + α + φj ∆Yt−j + εt (2)
j=1
4
p
∆Yt = ρYt−1 + φj ∆Yt−j + εt (3)
j=1
avec p le nombre de retards à ajouter dans la régression afin de prendre en compte l’autocorrélation
et donc de “blanchir” les résidus. On parle de correction paramétrique de l’autocorrélation et
on appelle les tests de Dickey-Fuller, les tests de Dickey-Fuller augmenté (ADF).
Le test de racine unitaire consiste alors à tester :
H0 : ρ = 0
contre
H1 : ρ < 0
dans les modèles (1), (2) et (3).
• Dans le modèle (1) :
∆Yt est I(0) + T (il a une tendance déterministe et l’écart à cette tendance déterministe
suit un modèle AR(p) stationnaire) sous H0 , c’est-à-dire que Yt est I(1) + T 2 .
Sous H1 , Yt a une tendance déterministe et l’écart à cette tendance déterministe suit un
modèle AR stationnaire, on note I(0) + T , soit un processus TS.
• Dans le modèle (2) :
∆Yt est I(0) + C (il suit un modèle AR(p) stationnaire non centré) sous H0 , c’est-à-dire
que Yt est I(1) + T .
Sous H1 , Yt suit un modèle AR stationnaire non centré, on note I(0) + C.
• Dans le modèle (3) :
∆Yt est I(0) (il suit un modèle AR(p) stationnaire centré) sous H0 , c’est-à-dire que Yt est
I(1).
Sous H1 , Yt suit un modèle AR stationnaire, on note Yt ∼ I(0).
Les valeurs critiques du test de racine unitaire dépendent de la présence ou non d’une con-
stante ou d’une tendance. Ainsi, il faut comparer la statistique de student à la valeur critique
pertinente. Soit, au seuil de 5%, on doit considérer comme valeur critique, non pas -1.64 comme
dans le cas standard, mais -3.45 dans le modèle (3), -2.89 dans le modèle (2) et -1.95 dans le
modèle (1). Sous SAS, les tables sont intégrées dans le logiciel, et SAS donne directement les
p-values calculées selon les bonnes valeurs critiques!
De plus, puisque les valeurs critiques dépendent de la présence ou non d’une constante ou
d’une tendance, cela implique que le test de racine unitaire doit être mené dans le “bon” modèle.
Ainsi, une possibilité de mettre en œuvre les tests de racine unitaire est de procéder de
manière emboı̂tée, selon la stratégie suivante : on teste la racine unitaire dans le modèle le plus
général, puis on teste si le modèle utilisé pour mener le test était pertinent. Si tel n’est pas le
cas, on doit mener à nouveau le test de racine unitaire dans le modèle contraint, etc.
5
Une stratégie de test de racine unitaire :
(i) On choisit le nombre de retards p à introduire dans la régression : on peut, pour cela,
choisir l’ordre p de l’AR(p) pour la variable (1 − L)Yt , sur la base des autocorrélations
partielles de (1−L)Yt , et sur la base de la significativité du dernier retard de l’AR introduit
dans la régression, tout en vérifiant que le résidu est bien un bruit blanc.
(ii) On teste la racine unitaire H0 : ρ = 0 dans le modèle le plus général (3) :
p
∆Yt = ρYt−1 + α + βt + φj ∆Yt−j + εt
j=1
– Si on accepte H0 (la racine unitaire), alors on va tester :
H01 : ρ = 0 et β = 0
par un test de Fisher (dont les valeurs critiques ne sont pas standards) afin de s’assurer
que le test de racine unitaire a été mené dans le bon modèle.
∗ Si on accepte H01 , alors on passe à l’étape (iii)
∗ Si on rejette H01 , on conclut que le processus est I(1) + T 2 (tout en sachant que
cette conclusion est peu crédible économiquement, et qu’elle cache peut être le
cas d’une tendance déterministe plus complexe que linéaire)
– Si on rejette H0 (rejet de la racine unitaire), alors le processus est stationnaire, mais
on doit aller tester la pertinence d’avoir tester la racine unitaire dans un modèle avec
tendance en testant la significativité de la tendance (par un student normal) dans le
modèle suivant :
p
∆Yt = ρYt−1 + α + βt + φj ∆Yt−j + εt
j=1
∗ Si on accepte H0 : β = 0, alors il est recommandé de passer à l’étape (iii)
∗ Si on rejette H0 : β = 0, on conclut que le processus est I(0) + T
(iii) On teste la racine unitaire H0 : ρ = 0 dans le modèle (2) :
p
∆Yt = ρYt−1 + α + φj ∆Yt−j + εt
j=1
– Si on accepte H0 (la racine unitaire), alors on va tester :
H02 : ρ = 0 et α = 0
par un test de Fisher (dont les valeurs critiques ne sont pas standards) afin de s’assurer
que le test de racine unitaire a été mené dans le bon modèle.
∗ Si on accepte H02 , alors on passe à l’étape (iv)
∗ Si on rejette H02 , on conclut que le processus est I(1) + T (marche aléatoire avec
dérive).
6
– Si on rejette H0 (rejet de la racine unitaire), alors le processus est stationnaire, mais
on doit aller tester la pertinence d’avoir tester la racine unitaire dans un modèle avec
constante en testant la significativité de la constante (par un student normal) dans
le modèle suivant :
p
∆Yt = ρYt−1 + α + φj ∆Yt−j + εt
j=1
∗ Si on accepte H0 : α = 0, alors il est recommandé de passer à l’étape (iv)
∗ Si on rejette H0 : α = 0, on conclut que le processus est I(0) + C
(iv) On teste la racine unitaire H0 : ρ = 0 dans le modèle (3) :
p
∆Yt = ρYt−1 + φj ∆Yt−j + εt
j=1
– Si on accepte H0 (la racine unitaire), alors le processus est I(1)
– Si on rejette H0 (rejet de la racine unitaire), alors le processus est stationnaire centré
I(0)
Table 1: Valeurs critiques des tests de racine unitaire de Dickey et Fuller
10% 5% 1%
Modèles (1) (2) (3) (1) (2) (3) (1) (2) (3)
T=50 -3.18 -2.6 -1.61 -3.5 -2.93 -1.95 -4.15 -3.58 -2.62
T=100 -3.15 -2.58 -1.61 -3.45 -2.89 -1.95 -4.04 -3.51 -2.60
T=250 -3.13 -2.57 -1.62 -3.43 -2.88 -1.95 -3.99 -3.46 -2.58
2.3 Tests de racine unitaire: les tests de Phillips-Perron
Phillips-Perron (1988) proposent une méthode non paramétrique pour corriger de la présence
d’autocorrélation, sans avoir à ajouter des endogènes retardées comme dans la méthode de DF
augmentée (méthode plus robuste en cas d’erreurs MA notamment).
La procédure de test consiste à tester l’hypothèse de racine unitaire H0 : ρ = 0 dans les
modèles suivants :
∆Yt = ρYt−1 + α + βt + εt
∆Yt = ρYt−1 + α + εt
∆Yt = ρYt−1 + εt
La statistique de test de Phillips-Perron (PP) est une statistique de student corrigée de
la présence d’autocorrélation par la prise en compte d’une estimation de la variance de long
terme de εt (calculée par la densité spectrale de εt à la fréquence zéro), robuste à la présence
d’autocorrélation et d’hétéroscédasticité.
7
Cette estimation de la variance de long terme de εt est donnée par :
q
w2 = γε (0) + 2 γε (j)
j=1
où γε (j), j = 0, 1, . . . , q est le coefficient d’autocovariance d’ordre j de εt et q est un paramètre
de troncature (pour ne pas calculer les coefficients d’autocovariances jusqu’à un ordre infini!),
choisi par exemple de la manière suivante :
T 2/9
q = f loor 4 (= 4 si T = 100; 5 si T = 500)
100
On préfère en général utiliser la correction de Newey-West :
q
j
w2 = γε (0) + 2 1− γε (j)
q+1
j=1
La distribution asymptotique de la statistique de student corrigée de w est la même que celle
de DF.