République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université M’hamed Bougara Boumerdes
Faculté des Sciences
Département de Mathématiques

Mémoire Présenté
Pour L’Obtention Du Diplôme De Master
En Mathématique Financière

Thème
abb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbc
d e
Estimation Et Prévision D’un Modèle
d e
Self-Exciting Threshold Autorégressive
fgg
ggg
ggg
ggg
ggg
ggg
ggg
ggg
ggg
ggg
ggg
ggg
ggg
ggh

Présenté par : Encadré par :

Mr .MADDI Nabil Mme [Link](UMBB)

Mr .HAMOUDA Oussama

Soutenue devant le jury composé de :

Président : Mr [Link]
Examinatrice : Mme [Link]

Promotion : 2015 − 2016

 Table des matières

Introduction générale 2

1 Modèles Non Linéaires à Seuil 6

1.1 Processus TARMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Processus TMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Processus SETAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Processus TAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Processus STAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6 Processus à Changement de Régime Markovien . . . . . . . . . . . . . . . 22
1.7 Processus ACR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Estimation d’un modèle SETAR par la méthode MCO 27

2.1 Modèle Autorégressif à seuil SETAR et Modèle de régression linéaire . . . 29
2.2 Estimation des moindres carrés ordinaires d’un SETAR . . . . . . . . . . . 31

3 Simulation 40
3.1 Modèle 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Modèle 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Modèle 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4 Prévision 48
4.1 Méthodes de Prévision Ponctuelle . . . . . . . . . . . . . . . . . . . . . . 49
4.1.1 Méthode Analytique . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.2 Méthodes de Simulation Numérique . . . . . . . . . . . . . . . . . 51
4.1.3 Méthode ”Naı̈ve” ou Méthode dite du ”Skeleton” . . . . . . . . . . 53
4.1.4 Méthode Normal Forecast Error (NFE) . . . . . . . . . . . . . . . 53
4.1.5 Méthode de l’estimation Dynamique . . . . . . . . . . . . . . . . . 55
4.2 Application sur des données réelles . . . . . . . . . . . . . . . . . . . . . . 55

5 Conclusion générale 58

Bibliographie. 59

1
 Introduction générale

L’économétrie des séries temporelles a été pendant longtemps dominée par la

modélisation linéaire, et plus particulièrement par les modèles de type ARMA, leur
principale attrait est qu’ils sont très simples à mettre en œuvre : leur représentation
linéaire facilite à la fois l’estimation et la prévision. Néanmoins, cet avantage constitue une
limite majeure car les séries temporelles à modélisation linéaire laissent certain aspects
des séries économiques et financières sans explication tels que les mécanismes d’asymétrie
et les ruptures de forte amplitude. D’où la nécessité d’aller vers des modélisations non
linéaires et plus particulièrement les changements de régimes.

De nombreuses pistes ont été explorées pour modéliser la non-linéarité. La voie

qui s’est cependant révélé la plus fructueuse est celle des modèles à changements de
régimes qui ont l’avantage de fournir une explication économique de la non-linéarité.
Cette classe de modèles a été initiée à l’origine par Tong (1978) et Tong et Lim (1980).
Leurs propriétés permettent d’autoriser une série économique à posséder une dynamique
différente suivant les régimes ou les états dans laquelle elle se trouve.

Dans les modèles à changements de régimes stochastiques se pose le problème

de définir le mécanisme de transition entre les différents régimes. Ce dernier dépend soit
d’une variable de transition inobservable ou observable. Cette différence permet de faire
la distinction entre les deux grandes classes de modèles existantes en séries temporelles :
les modèles à changements de régimes markoviens et les modèles à seuil.

Dans le cadre des modèles markoviens introduit par Hamilton (1988 ; 1989) et
étendu par plusieurs auteurs, entre autres, Chang-Jin Kim (1994), le mécanisme de
transition repose sur une variable d’état inobservable qui est supposée suivre une
chaı̂ne de Markov. A chaque période de temps, il existe donc une certaine probabilité
d’appartenir à un régime donné. En revanche dans les modèles à seuil, le mécanisme
de transition s’effectue alors à l’aide d’une variable de transition observable, d’un seuil
et d’une fonction de transition. La difficulté de ce type de modèle repose donc sur la
définition de cette variable observable, il existe cependant des méthodes statistiques,
telles que les tests de linéarité pour nous guider dans ce choix.

Deux mécanismes de transition sont ensuite envisageables, ils dépendent de la

forme de la fonction de transition utilisée. En effet, il est possible de considérer dans
un premier temps une fonction indicatrice, la transition est alors dite brutale le passage
d’un régime à l’autre pouvant s’effectuer en une période. Plus précisément, il s’effectue
en comparant la variable de transition à un seuil, si cette dernière devient supérieure ou

2
3

inférieure à ce seuil, la transition se réalise alors instantanément.

Cependant, cette démarche impose trois limitations qui ne sont pas toujours
soutenables. Premièrement, le passage subit d’un régime à l’autre, même si la variation
de la variable de transition est minime. Il parait souvent plus logique que le passage
d’un régime à l’autre se fasse graduellement. La seconde limite qui découle également du
mécanisme de transition est que la distance au seuil n’affecte pas le passage d’un régime
à l’autre, seul le fait d’être supérieur ou inférieur au seuil importe.

Troisièmement , ce modèle ne peut inclure qu’un nombre limité de régimes comme dans
le cas du modèle à changements de régimes markoviens, il n’est donc pas toujours possible
de prendre en compte des mécanismes non-linéaires complexes . Pour cette cause, chan
et Tong (1987) et Luukkonen, Saikkonen Teräsvirta (1988) ont proposé de remplacer la
fonction indicatrice des modèles à transition brutales par une fonction continue et bornée
entre 0 et 1 afin d’autoriser une transition lisse entre les régimes extrêmes. Cette démarche
a alors l’avantage de répondre simultanément aux trois critiques formulées précédemment.

En effet, un modèle à transition lisse a l’avantage de pouvoir être vu comme

un modèle contenant un continuum de régime. L’appartenance à un régime dépend alors
de la fonction de transition et de la distance entre le seuil et la variable de transition.
L’ensemble des modèles à changements de régimes évoqué jusqu’à présent a permis dans
la littérature empirique de modéliser des asymétries telles que des dynamiques distinctes
dans les phases ascendantes et descendantes à l’aide de leurs différents régimes. Ils
permettent également de s’interroger sur la stabilité temporelle des coefficients dans le
temps. Cependant, contrairement au modèle de rupture, le passage d’un régime à l’autre
n’est ni daté ni définitif étant déterminé endogènement en fonction d’un seuil. Dernier
avantage cité, l’emploi de modélisation à seuil tend également à enrichir le débat relatif
au traitement de la non- stationnarité.

L’existence de plusieurs régimes dans un même modèle autorise un processus à

être globalement stationnaire. En d’autres termes, tous les régimes ne sont pas obligatoi-
rement caractérisés par la présence de racine unitaire dans leur polynôme autorégressif
et réciproquement tous ne sont pas contraints à être stationnaires. En séries temporelles,
cette question de la non-stationnarité versus la non-linéarité est également relativement
importante, sachant que ces deux notions peuvent être confondues à l’issue d’un test de
stationnarité classique.

Après cette brève présentation des modèles non-linéaires à changements de régimes

dans le contexte des séries temporelles, intéressons nous à présent à la classe des modèles
à seuil. Les modèles les plus couramment utilisés dans cette catégorie sont les modèles
SETAR et STAR où le changement de régime et régi par un seuil. Parmi ces modèles
à seuil, nous retenons ceux dans lesquels la transition entre les régimes est brutale :
les modèles Self Exciting Threshold Autorégressive(SETAR). Ces modèles fournissent
un cadre privilégié de l’étude des fluctuations cycliques asymétriques et permettent de
révéler les cycles limites et les diverses ruptures .l’idée sous-jacente est qu’une relation

Nabil et Oussama UMBB

4

peut être non linéaire sur la période globale considérée, mais linéaire par sous période.
Un modèle SETAR est ainsi formé de relations linéaires par morceaux. Parallèlement à la
modélisation des asymétries cycliques et des changements de comportements, ces modèles
on été utilisés pour traiter des enjeux de non-stationnarité. Ainsi, la non -stationnarité
d’un processus (établie dans un cadre linéaire) peut être remise en cause dans un cadre
non-linéaire. Cela peut être le cas d’un processus qui suit une marche aléatoire dans une
zone centrale mais qui aurait un comportement stable dans les régimes extrêmes (voir
Caner et Hansen, 1997).

Une application directe de cette littérature concerne l’existence de relations de

cointégration qui ne deviennent actives que dans certains régimes, notamment quand le
système s’éloigne trop de l’équilibre. En ce qui concerne les transitions douces, on fait
référence aux modèles Smooth Transition AutoRegressive(STAR).En effet Luukkonen,
Saikkonen et Teräsvirta(1988), Luukkonen et Teräsvirta(1991) et Teräsvirta et Anderson
(1992) ont proposé cette classe de modèles qui est une extension des modèles TAR à
deux régimes.

Ces modèles reposent sur l’idée selon laquelle l’économie peut se situer dans
deux régimes différents. Toutefois , contrairement aux modèles TAR où le passage d’un
régime à un autre se fait de façon brutale ;la transition sera douce dans le cas des
processus STAR. On introduit ainsi un lissage sur le temps permettant d’atténuer les
changements de régimes. Il peut dés lors exister un continuum d’états entre les deux
régimes extrêmes. Les modèles STAR sont principalement utilisés pour caractériser le
cycle économique ou l’évolution de certaines variables macroéconomiques et financière.

Notre objectif dans ce travail est d’estimer les paramètres d’un modèle SETAR
par la méthode des moindres carrés ordinaire et de prévoir à partir de ce modèle les
données d’une série réelle par la méthode de prévision ponctuelle Monte Carlo (MC).
Ce présent mémoire est structuré comme suit :

• Première chapitre Les modèles non linéaires à seuils.

Nous définissons les modèles non linéaires à changement de régimes dans le cadre des
séries temporelles, globalement, et la classe des modèles à seuils particulièrement.
Nous passons en revue les modèles les plus connus dans cette catégorie, à savoir :
les modèles TARMA, TMA, TAR, SETAR, STAR,.... .

• Deuxième chapitre Estimation d’un modèle SETAR par la méthode MCO.

Ce chapitre est consacré à l’estimation du modèle SETAR par la méthode des
moindres carres ordinaire (MCO) nous introduisant ce chapitre par des notations et
définitions nécessaire pour la suit de notre travail.
Nous exposons la méthode la plus courante, parmi les méthodes d’estimation sta-
tistique des paramètres d’un modèle de régression dite Méthode des Moindres
• Troisième chapitre Simulation.
Nous exposons les résultats de simulation sur différents modèles SETAR et pour
des échantillons de différentes tailles (N=50,200,500,1000) . Nous avons généré trois

Nabil et Oussama UMBB

5

modèles de type SETAR à deux régimes et à l’ordre p=1. Nous avons montrer, par
simulation, la performance de la méthode d’estimation des paramètres du modèle
SETAR. Nous avons retenu pour chaque paramètre, l’estimateur moyen ainsi que
la variance empirique.

• Quatrième chapitre prévision

Nous avons définis les méthodes de prévision ponctuelles parmi ces méthodes on a
choisi de traiter la méthode de Monte Carlo ,que nous appliquons sur des données
réelles.

Nabil et Oussama UMBB

 Modèles Non Linéaires à Seuil
1
Dans ce chapitre nous présentons les séries temporelles non-linéaires. Plus par-
ticulièrement, nous présentons sept classe de modèles à changement de régime (les
processus TARMA ,TMA,SETAR (TAR,STAR),les processus à changement de regimes
markovien ,ACR)

Les modèles à seuil sont particulièrement intéressants dans la mesure ou ils permettent
de tenir compte des phénomènes d’asymétrie et des ruptures de forte amplitude.
Les modèles les plus couramment utilisés dans cette catégorie sont les modèles SETAR
ou le changement de régime est régi par un seuil.

1.1 Processus TARMA

Les dates auxquelles se produisent les sauts sont connues alors la modélisation peut
s’effectuer simplement par prise en considération de variables indicatrices.

On peut toutefois envisager que l’événement responsable du changement de régime

n’est pas simplement observé sur l’échelle des temps mais qu’il peut être signalé par une
autre variable, dite variable de transition, supposée exogène.

Enfin, il est également possible de considérer que les événements construits sur la
variable de transition dépendent de valeurs de paramètres inconnus. Par exemple, si la
variable de transition yt est simplement le temps, yt = t, cela revient à poser que les
dates de changement de régimes sont inconnues. Ainsi, dans un modèle à deux régimes,
on aura :

6
7 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

 p1 q1
φ10 + Σi=1 φ1i yt−i + 1t + Σj=1 θ1j 1,t−j si yt−d ≤ c

yt = (1.1)
φ20 + Σpi=2 φ2i yt−i + 2t + Σqj=2
 2 2
θ2j 2,t−j si yt−d > c


où 1t et 2t sont deux bruits blancs de variance respective σ12 et σ22 L’entier d est
le paramètre de délai et le réel inconnu c qui coupe le support de y en deux sous-espaces,
est un paramètre de seuil.
Ainsi, lorsque y est inférieur à c, alors d périodes plus tard, la variable y sera générée par
un certain processus ARMA(p1 , q1 ) ; en revanche, si y est plus élevé que c alors après d
périodes y obéira à un autre processus ARMA(p2 , q2 ).

Ce processus à seuil (Threshold) à deux régimes se généralise à un nombre quel-

conque k de régimes et se note TARMA(2 ; p1 , p2 ; q1 , q2 ) : On a alors en considérant une
variable de transition réelle :

K pk qk
X X X
yt = (φk0 + φki yt−i + kt + θkj k,t−j ) × 1(yt−d ∈Ri )
k=1 i=k j=k

où kt est un bruit blanc de variance σk2 pour k = 1,. . . ,K.
Les segments Ri =]ci−1 ; ci ] forment une partition de l’espace des réels conformément aux
valeurs des paramètres de seuil ci tels que −∞ =c0 < c1 < . . . < cK = +∞. Enfin 1()est
une fonction indicatrice prenant la valeur 1 si yt−d ∈ Ri et 0 si non

Le processus TARMA(K ; p1 ; . . . ; pk ; q1 ; . . . ; qk ) précédent est, dans la logique d’une

linéarité par morceaux, l’extension la plus générale du modèle ARMA.

En pratique seuls des cas simplifiés sont cependant considérés.

Ainsi Tong (1983) considère le cas où la variable de transition est l’expliquée elle-
même obtenant alors le modèle Self-Exciting TARMA (noté SETARMA) dans lequel il
impose également l’absence de changement dans les processus en bruits blancs entre les
régimes, soit kt = t .

L’écriture générale de ce SETARMA(K ; p1 ; . . . ; pk ; q1 ; . . . ; qk )) est donc :

K pk qk
X X X
yt = (φk0 + φki yt−i + t + θkj k,t−j ) × 1(yt−d ∈Ri ) (1.2)
k=1 i=k j=k

La construction de prévisions à partir de cette structure est discutée notamment par

Amendola et Niglio (2003)qui autorisent d’ailleurs une modification des variances des
bruits selon les régimes.

Nabil et Oussama UMBB

8 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

Des conditions de stationnarité et d’ergodicité ont été obtenues notamment par

Brockwell, Liu et Tweedie (1992) dans le cas particulier où la composante MA n’est pas
soumis aux effets de seuils.

Face aux difficultés rencontrées dans le cas général, la majorité des travaux se
fonde sur des simplifications de ces structures générales pour ne retenir que des processus
à seuils en moyennes mobiles (TMA) et surtout autorégressifs (TAR).[6]

1.2 Processus TMA

Un processus TMA est une structure composée uniquement de processus MA sur
chacun des sous-ensembles disjoints définis par la variable de transition. Ainsi un
SETMA(q1 ; q2 ; d) à un seul changement de régime (K = 1) est défini par l’équation
suivante :

q1 q2
X X
yt = θ1i t−i + θ2i 1(yt−d ≤c) t−i + t (1.3)
i=1 j=1

Le processus TMA partage avec le processus MA(q) la propriété d’être toujours

stationnaire sans qu’il soit besoin d’imposer de contraintes sur les coefficients (Liu et
Susko, 1992).

Comme pour les MA il est cependant nécessaire d’imposer des conditions d’inver-
sibilité.

A notre connaissance, seules des conditions suffisantes ont été énoncées par Ling
et Tong (2005) pour un TMA quelconque, et des conditions nécessaire et suffisante pour
un TMA(1) par Ling, Tong et Li (2005) .

Le processus SETMA est également analysé par De Gooijer (1998) qui propose en
particulier un test de Lagrange de l’hypothèse MA versus SETMA.

Ces processus engendrent naturellement des réponses asymétriques aux chocs : lorsque
yt−d est supérieur à c alors le poids de t−i dans la détermination deyt est donné par σ1i , en
revanche ce poids est égal à σ1i +σ2i lorsque yt−d est inférieur ou égal à la valeur du seuil c.

Dans l’esprit, un processus proche est considéré par Wecker (1981) dans lequel
deux filtres MA(q) sont utilisés, l’un fondé sur les innovations passées positives et l’autre
sur les innovations passées négatives.

Ainsi, en définissant +
t = max(0; t ) et −
t = min(0; t ), un processus asMA(q)

Nabil et Oussama UMBB

9 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

(asymmetric MA) est donné par :

q q
X X
yt = θi+ +
t−i + θi− t−i + t (1.4)
i=1 i=1

soit encore :

q q
X X
yt = θi +
t−i + γi 1(t−i ≤0) t−i + t
i=1 i=1

Avec γi = θi− − θi+ 6= 0 pour au moins un i.

Un test de linéarité versus une réponse asymétrique au sein d’une telle structure a
été proposé par Brännäs, De Gooijer et Teräsvirta (1998)[1][6].

1.3 Processus SETAR

Parmi les modèles a seuils existants, nous retenons ceux dans lesquels la transition
entre les régimes est brutale (modèle SETAR) pour le cas des transitions douces.

On fait référence aux modèles STAR (granger, Teräsvirta, 1993, Teräsvirta 1998 et
potter, 1992) L’ensemble de ces modèles remet en cause la non stationnarité d’un
processus établie dans un cadre linéaire. Les modèles SETAR (” Self-Exciting Threshold
autorégressive ”) sont le prolongement des modèles de classe TAR (“ Threshold au-
torégressive ”) introduits par Tong et Lim(1980)[14].

l’idée sous-jacente de ce type d’approche est qu’une relation peut être non linéaire
sur la période globale considérée mais linéaire par sous périodes.

La forme d’un modèle SETAR pour un processus stochastique yt s’écrit :


(1) Pp1 (1) (1)


 φ0 + i=1 φi yt−i + t , si yt−d < c1




 (2) Pp2 (2) (2)
φ0 + i=1 φi yt−i + t , si c1 ≤ yt−d < c2



yt = (1.5)

...









φ(k) + Ppk φ(k) y + (k) , si y ≥ c

0 i=1 i t−i t t−d k−1

Le processus SETAR, ci-dessus, est constitué de plusieurs morceaux de processus

Nabil et Oussama UMBB

10 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

autorégressifs linéaire .

Le changement de processus dépend du paramètre de seuil cj et de la valeur de

yt−d avec d le paramètre de délai (ou retard). Chaque équation représente un modèle AR
(1) (k)
linéaire d’ordre p, ou i=1. . . k les erreurs {t , . . . , t }sont des bruits blancs non corrèles
dans le cas général (1) le modèle décrit par k régimes est note SETAR(k, p1 , . . . , pk ) ce
type de formalisation permet de considérer des structures de retards différentes pour
chaque sous période et de mener ainsi une modélisation relativement souple.

Lorsque les ordres des retards sont identiques pour chaque équation ,c’est-à-dire si
Pi = p ∀ les modèles SETAR se ramènent aux modèles TAR d’ordre p qui s’écrivent :


(1) (1) (1)
φ0 + pi=1 φi yt−i + t , si yt−d < c1
P








φ(2) (2) (2)
Pp
0 + i=1 φi yt−i + t , si c1 ≤ yt−d < c2



yt =

...









φ(k) + Pp φ(k) y + (k) , si y ≥ c

0 i=1 i t−i t t−d k−1

Les variables yt−i sont des valeurs de l’endogène retardée ,mais il est également
possible d’introduire des variables explicatives autres que l’endogène retardée ,selon
Tong(1990)[15].Caner et Hansen(2001)[2].

La variable de seuil est une variable qui ne figure pas parmi les variables explica-
tives (endogène ou exogène).

Cependant , puisque cette variable détermine les changement de régimes, il semble

naturel de l’introduire parmi les variables explicatives .

Le choix de la variable de transition (ou seuil)peut être inspiré par la théorie économique
mais une solution athéorique est aussi envisageable :par exemple comme le précise le
paragraphe suivant , la procédure de spécification du modèle à seuil permet de décider
quelle variable retenir[7].

Dans le cas particulier où l’ordre autorégressif p vaut 1 dans chaque régime,on
peut énoncer le théoreme suivant :

Théorème(chan,petrucelli,Tong et Woolford 1985)

un processus TAR(1) à k régime est ergodique si et seulement si l’une des conditions
suivantes est vérifiée :

Nabil et Oussama UMBB

11 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

(1) (k) (1) (k)

• φ1 < 1, φ1 , φ1 φ1 < 1

(1) (k) (1)

• φ1 = 1, φ1 < 1, φ0 > 0

(1) (k) (k)

• φ1 < 1, φ1 = 1, φ0 < 0

(1) (k) (k) (1)

• φ1 = 1, φ1 = 1, φ0 < 0 < φ0

(1) (k) (1) (k) (k) (1)

• φ1 φ1 = 1, φ1 < 0, φ0 + φ1 φ0 > 0

Remarque
On introduisant des termes MA dans chaque régime du modèle SETAR,on obtient les
processus [Link]́s précédemment.
le modèle à seuil le plus simple est obtenu pour k=2 :

 (1) Pp (1) (1)

φ0 + i=1 φi yt−i + t , si yt−d ≤ c
1

yt =
 (2) Pp 2 (2) (2)
φ0 + φi yt−i + t , si yt−d > c

i=1

Estimation d’un modèles SETAR

L’estimation des modèles SETAR nécessite l’estimation de plusieurs paramètres : Le

nombre de régime (c’est-à-dire le nombre de seuil), le paramètre de retard d , la valeur
des seuil cj j = 1, . . . , k − 1. Ainsi que les coefficients autorégressifs relatifs à chaque
régime. Pour un ensemble donné d’observation Xt = (yt−1 , . . . , yt−p )0 . et pour une valeur
de paramètre de délai d et de seuil c les estimateur par moindre carrée ordinaire des
(j)
coefficients autorégressif φi , i = 0, . . . , p. Du régime sont asymptotiquement normaux
(chan et tong 1986).Ils minimisent la somme des carrés des résidus du régime j :
X (j)
SSE (j) = (Yt − φ0 − φ(j) Xt )2
i∈K(j)

Où k(j) est l’ensemble (p < t ≤ n : Zt appartient au régime j) . L’estimateur de la

matrice de variance -covariance des coefficients estimés est donné par :

V̂ j = σ̂(j)
2
(X 0 X)−1

où X = (1, Xt0 )i∈K(j) ,et

2 SSE (j)
σ(j) =
nj − (p + 1)
nj est le nombre d’observation dans le régime j. Avant de définie le modèle TAR et
STAR nous commencerons par exposer le modèle référence :

Nabil et Oussama UMBB

12 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

Il s’agit ici du cas le plus simple (modèle de référence) où les sous-périodes de
réalisation des différents régimes sont connus. Le modélisateur dispose donc d’une
information complète :

yt = φ0i xit + it si t ∈ Ii i = 1, . . . , k (∗)

où yt représente la variable endogène,xit un vecteur de pi variables exogènes propres

au régime i, φi un vecteur de pi coefficients et it une perturbation aléatoire supposée
gaussienne, centrée, homoscédastique et non autocorrélée, et telles que cov(it , jt )=0.
Les Ii sont des sous-ensembles disjoints de ni observations tels que ki=1 ni = T (taille
P
de l’échantillon)[9].

Un modèle précurseur :

L’idée d’un modèle à seuils inconnus remonte à Goldfeld et Quandt (1972,1973).

Globalement, un tel modèle s’obtient en substituant un critère à seuils de sorte que :

yt = φ0i xit + it si ci−1 < st ≤ ci i = 1, . . . , k

Deux types de modèles à seuils sont considérés : les modèles autorégressifs à tran-
sition brutale (TAR) et à transition souple (STAR). La variable de seuil (dans le modèle
TAR) ou de transition (dans le modèle STAR), notée st , est une variable exogène
appartenant ou non à l’ensemble des variables exogènes xt du modèle et dont la valeur
prise à chaque instant détermine, par rapport à un échelle de seuils ci à estimer, le régime
en action à cet instant.

1.4 Processus TAR

Dans l’approche de Goldfeld et Quandtpassées de la variable endogène, soit st = yt−d ,
est le modèle SETAR (Self-Exciting Threshold AutoRegressive).

L’expression générale d’un modèle SETAR(k; p1 , p2 , . . . , pk , d) proposé par Tong

(1978, 1983)
pi
X
yt = φi0 + φij yt−j + ti si ci−1 < yt−d ≤ ci i = 1, . . . , k (1.6)
j=1

où, comme précédemment, les Ri =]ci−1 , ci ] sont des segments de la droite réelle
dont les bornes sont données par les valeurs des paramètres de seuil ci ordonnées de
sorte que −∞ =c0 < c1 < . . . < cK = +∞ ,pi est l’ordre du polynôme de retards dans le

Nabil et Oussama UMBB

13 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

processus autorégressif définissant le régime i (i = 1, . . . , k),et d Le paramètre de retard,

est un entier naturel inconnu tel que 1 ≤ d ≤ max(pi ) La structure autorégressive des
modèles TAR rend ces derniers particulièrement adaptés à l’analyse des séries exhibant
des cycles périodiques.

Or on sait que de tels cycles présentent le plus souvent un comportement asymétrique

(Sichel, 1993 ; Ramsey et Rothman, 1996).

Dans leur travail pionnier, Tong et Lim (1980) montrent que le modèle SETAR
permet de rendre compte de différentes formes d’asymétrie, comme une asymétrie de
durée entre les phases ascendantes et les phases descendantes ou une asymétrie de
fréquence entre oscillations d’amplitudes hautes et basses.

Il est en outre montré qu’une telle modélisation permet de générer des cycles-limites, qui
sont les solutions périodiques asymptotiques indépendantes des conditions initiales.

Tong et Lim illustrent ces non-linéarités au moyen de diverses séries temporelles.

L’estimation des paramètres d’un modèle SETAR est complexe du fait notamment
de la difficulté inhérente à l’identification de la variable de seuil et de l’absence d’une
méthode d’estimation globale simple.

En effet, si la fonction de vraisemblance du modèle (1.6) peut être construite sans

difficulté, cette fonction n’est pas dérivable en d.

Les différentes approches, fondées sur l’idée fondamentale que le modèle est linéaire
à l’intérieur de chaque régime, préconisent des méthodes séquentielles d’estimations
conditionnelles aux valeurs de d et de c.

Dans cette optique, Tong et Lim (1980) proposent d’estimer les paramètres du
modèle SETAR à deux régimes suivant une procédure basée sur le critère AIC adapté à
chaque paramètre.

Outre sa mise en œuvre peu commode, un inconvénient de la méthode de Tong et

Lim est que les valeurs optimales ne sont pas détectées selon un critère unique et global
pour tous les paramètres.

Hansen (1997) pallie ce problème en envisageant un modèle non-linéaire à une

équation où à la représentation de chaque régime est associée une variable indicatrice de
ce régime, et en proposant également une procédure de double balayage sur c et d avec
comme critère (unique) d’optimalité la minimisation de la variance de l’erreur résiduelle
du modèle. Pour k = 2, un tel modèle prend la forme suivante :

Nabil et Oussama UMBB

14 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

 p1
φ10 + Σi=1 φ1i yt−i + 1t si yt−d ≤ c

yt =
φ20 + Σpi=2
 2
φ2i yt−i + 2t si yt−d > c


et plus généralement, un SETAR(q1 ; . . . qk ; d) s’écrira :

p p
X X
yt = (φ10 + β1i yt−i )1yt−d ≤ c + (φ20 + β2i yt−i )1yt−d > c + t (1.7)
i=1 i=1

où 1yt−d ≤ c et 1yt−d > c est une fonction indicatrice :


1 si yt−d ≤ c



0 si yt−d > c


On suppose que l’erreur t est une martingale par rapport aux valeurs passées de
yt et est homoscédastiques.
Pour un couple (d,c) donné, les paramètres des deux représentations AR linéaires sont
estimés par les moindres carrés selon que, à chaque instant t, yt−d dépasse ou non le seuil c.

Des conditions suffisantes de stationnarité des SETAR ont été données mais ces
conditions apparaissent comme très restrictives lorsqu’on les compare aux conditions
nécessaires et suffisantes qui sont connues pour des cas particuliers (Chang (1993), De
Gooijer et De Bruin (1998), Tong(1990)).

A titre d’illustration, on peut reprendre un exemple donné par Terasvirta (2005).

Avec une structure SETAR(K ; p ; d), où tous les AR sont duPmême ordre p, Chang
(1993) donne comme condition suffisante de stationnarité
P maxk |φki | < 1
et lorsque p = 1, cette condition devient maxk |φk1 | < 1 ce qui équivaut à imposer la
stationnarité de chacun des K processus AR(1).

Or, dans ce cas particulier les conditions à la fois nécessaire et suffisante dans un modèle
à deux régimes sont connues et correspondent aux contraintes φ11 < 1, φ21 < 1, φ11 φ21 < 1.

De toute évidence, la condition suffisante de Chang est alors beaucoup trop res-
trictive et il est par exemple possible de construire un SETAR stationnaire dans lequel
un des régimes est gouverné par un AR non stationnaire[9].

Considérons par exemple le SETAR(2 ; 1 ; 1) suivant :

Nabil et Oussama UMBB

15 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL


−2yt−1 + t si yt−1 ≤ 0

yt =

0.6yt−1 + t si yt−1 > 0


C’est un processus stationnaire alors même que l’un des régimes est gouverné par
un AR explosif. Du fait de ce coefficient φ11 = −2 , yt sera plus souvent positif que
négatif de sorte que E[yt ] > 0.

Ainsi, l’espérance de ce processus sans terme constant est non nulle. Par contraste, on
rappelle qu’un AR est d’espérance non nulle précisément si et seulement si son équation
fait apparaı̂tre un terme constant non nul.

Dans un modèle SETAR la variable de transition est constituée par le niveau décalé
de l’expliquée, yt−d .

Enders et Granger (1998), Enders et Siklos (2001), Caner et Hansen (2001) ont
suggéré d’utiliser également la variation décalée ∆yt−d = yt − yt−d . Un argument
statistique est avancé : si le processus gouvernant y tout en étant stationnaire possède
une racine proche de l’unité (near unit root process) alors il peut être préférable de
considérer la série en différence. Indépendamment de cet argument, il est possible que la
variable étudiée soit-elle que les agents font particulièrement attention à l’amplitude des
variations plutôt qu’au niveau lui-même.

Ce peut par exemple être le cas pour les taux d’intérêt, les taux de change et,
plus généralement, les rendements des actifs financiers.

Bohl et Siklos (2004) préconisent aussi l’emploi de ce modèle pour la détection

des bulles sur les marchés financiers.

Un tel modèle, qualifié de MTAR (Momentum Threshold Auto Regression) a donc

pour écriture :

K pk
X X
yt = (φk0 + φki yt−i + kt ) × 1(∆yt−d ∈Ri ) (1.8)
k=1 i=1

La recherche de la spécification optimale, pour un nombre de régimes fixé a priori,

s’effectue généralement au moyen de critères de sélection de type AIC ou BIC adaptés
par Wong et LI (1998) dont les valeurs son données par les équations suivantes :

Nabil et Oussama UMBB

16 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

k
X
AIC(p1 , . . . , pk ) = [Tk log σ̂k2 + 2(pk + 2)] (1.9)
k=1

k
X Tk (Tk + Pk + 1)
AICc(p1 , . . . , pk ) = [Tk log σ̂k2 + ] (1.10)
k=1
Tk Tk − Pk − 3

k
X
BIC(p1 , . . . , pk ) = [Tk log σ̂k2 + (pk + 1) log Tk ] (1.11)
k=1

Des simulations de Monte Carlo réalisées par ces auteurs paraissent indiquer que
le critère BIC est préférable sur grands échantillons alors que sur petits échantillons
l’emploi du critère d’Akaike corrigé AICc serait préférable.

On trouve également des critères de validation de choix des paramètres d’un SE-
TAR dans De Gooijer (2001) et Galeano et Peña(2004).

1.5 Processus STAR

Les méthodes préconisées ci-dessus dans le cadre des modèles TAR ont toutes
une particularité commune : les changements décrits par le modèle à seuils se font
de manière brutale. Les modèles STAR (Smooth Transition Autorégressive), proposés
par Chan et Tong (1986), Luukkonen, Saikkonen et Teräsvirta (1988), et Teräsvirta
(1994), introduisent une progressivité dans le processus du changement (transition
lisse, ou souple). Une interprétation intéressante de la transition lisse est suggérée par
Granger et Teräsvirta (1997), selon lesquels le changement au niveau agrégé sera plus
adéquatement représenté par un modèle STAR si l’économie est constituée d’un grand
nombre d’individus ou de firmes dont chacun change de régime de façon brutale mais à
des dates différentes.

Dans le cas simple caractérisé par une seule fonction de transition qui vient pondérer les
équations AR afférentes à deux dynamiques différentes dans lesquelles on suppose pour
[Link] l’égalité des variances des résidus, Un modèle STAR à deux régimes s’écrit :

p p
X X
yt = (φ10 + φ1i yt−i )×[1−F (st ; c, γ)]+(φ20 + φ2i yt−i )×F (st ; c, γ)+t γ > 0 (1.12)
i=1 i=1

où F (st ; c, γ) est une fonction de transition continûment dérivable sur l’intervalle[0,1].

Nabil et Oussama UMBB

17 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

À chacune des valeurs extrêmes de cette intervalle correspond un régime donné et au

continuum des valeurs intermédiaires, la transition (ou, selon une alternative proposée
par les auteurs, une infinité de régimes intermédiaires).

La variable de transition st peut être une valeur retardée de yt comme dans les
modèles SETAR mais aussi une variable exogène ou une fonction de variables exogènes
(van Dijk, Franses et Teräsvirta, 2000).

Le paramètre mesure la vitesse de transition : plus il est élevé (faible), plus la

transition est rapide (lente).

t est une erreur aléatoire supposée iid de moyenne nulle et de variance constante.

Granger et Teräsvirta (1997) généralisent le modèle (1.12) à un modèle STR (Smooth

Transition Regression) en remplaçant tout ou partie de ses régresseurs par des variables
exogènes.

Les fonctions de transition usuellement utilisées dans les modèles STAR sont la
fonction logistique d’ordre 1 :

F (st ; c, γ) = [1 + exp(−γ(st − c))]−1 , γ > 0 (1.13)

auquel cas on parle d’un modèle STAR logistique ou LSTAR, ou la fonction expo-
nentielle d’ordre 1 :

F (st ; c, γ) = 1 − exp[−γ(xt − c)2 ], γ > 0 (1.14)

qui conduit à considérer un modèle STAR exponentiel ou ESTAR. Soit ωt = st − c l’écart

au seuil à un instant donné.

La fonction logistique définit une correspondance univoque entre le signe d’un (im-
portant) écart au seuil, ωt , et un régime donné(en effet, la fonction (1.13) implique que
lorsque ωt tend vers −∞ et +∞,F (st ; c, γ) tend respectivement vers 0 et 1. Ainsi, si st
est petit (grand) devant a, le modèle (1.12) se réduit au premier (deuxième) régime).

Un modèle à deux régimes avec fonction de transition logistique est donc appro-
prié pour décrire des dynamiques asymétriques comme celles d’un régime d’expansion et
d’un régime de récession.

Lorsque γ → ∞, la fonction de transition traduit des changements brutaux et si

Nabil et Oussama UMBB

18 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

de plus st = yt−d , le modèle LSTAR se confond avec le modèle SETAR , tandis que
lorsque γ = 0, il s’identifie à un modèle linéaire puisque la fonction de transition est égale
à 0,5.

Nabil et Oussama UMBB

19 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

La figure(1.1) représente un LSTAR :

Figure 1.1 – fonction de transition d’un modéle LSTAR F(st , c, γ)pour c=0

Nabil et Oussama UMBB

20 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

Le comportement de la fonction de transition du processus ESTAR, toujours dans le

cas simple à deux régimes extrêmes et une seule valeur pour le paramètre de seuil c, est
sensiblement différent du cas LSTAR comme le montre la Figure (1.2).

Du fait de la forme quadratique retenue,la fonction exponentielle, quant à elle, définit une
correspondance entre les valeurs de la variable de transition proches du seuil (ωt faible) et
l’un des régimes, et les valeurs de la variable de transition éloignées du seuil par valeurs
inférieures ou supérieures (|ωt | élevé) et l’autre régime(La fonction (1.14) implique en effet
que F (st ; c, γ) tend vers 0 lorsque ωt tend vers 0 et vers 1 lorsque ωt tend vers +∞ ou - ∞.

Si donc st est proche (éloigné) de a le modèle (1.12) se réduit au premier (deuxième)

régime).

Ce cas correspond donc à un modèle à trois régimes où les régimes extrêmes sont
symétriques, à l’image d’un modèle d’intervention de la banque centrale sur le marché
des changes où l’intervention a lieu (régimes extrêmes) lorsque le taux de change
s’écarte substantiellement par valeurs positives ou négatives de sa valeur d’équilibre.
L’intervention n’a pas lieu (régime intermédiaire) dans le cas contraire.

Lorsque 0 ou le modèle ESTAR devient un modèle linéaire traduisant respective-

ment le régime intermédiaire ou le régime extrême.

Nabil et Oussama UMBB

21 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

La figure(1.2) représente le modèle ESTAR

Figure 1.2 – fonction de transition d’un modéle ESTAR F(st , c, γ)pour c=0

Nabil et Oussama UMBB

22 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

La démarche a suivre pour l’identification, l’estimation et la mise en œuvre de tests

de validation des modèles STAR est notamment présentée par Teräsvirta (1994, 1998) et
van Dijk, D., Teräsvirta, T. et Franses (2000).

Lorsque la fonction de transition et la variable de transition ont été choisies alors

les estimateurs des moindres carrés non linéaires des paramètres peuvent être obtenus.

Une procédure en deux étapes est généralement employée : pour des valeurs données
de la pente et des paramètres de transition, on trouve les estimateurs des MCO des
paramètres φ.

Ces derniers étant alors fixés, on recherche les estimateurs des moindres carrés
non linéaires des premiers. Le processus est itéré jusqu’à ce qu’un critère de convergence
soit satisfait.

Les propriétés de ces estimateurs et leurs caractéristiques empiriques révélées par

des simulations de Monte Carlo ont été étudiées notamment par Chan et McAleer
(2002)[6] [9].

1.6 Processus à Changement de Régime Markovien

Dans les modèles de type TAR la variable de transition est observée mais on peut
imaginer faire dépendre le régime en vigueur d’une variable d’état inobservée st .

En faveur de cette approche, on peut imaginer que le changement de régime est le

résultat d’un ensemble de causes ce qui, dans le cadre d’un modèle TAR, obligerait à
prendre en compte plusieurs variables de transition et éventuellement contraindrait à la
modélisation et à l’estimation d’un système d’équations.

La référence à une variable d’état offre alors une description alternative parcimo-
nieuse.

Dans un article fondateur, Hamilton (1989) envisage ainsi un processus autorégressif

d’ordre 4 sur le taux de croissance trimestriel du PNB réel américain de la forme :

∆yt − (st ) = φ1 + (∆yt−1 − (st−1 ), . . . , φ4 ∆yt−4 − (st − 4)) + t (1.15)

où t est un bruit blanc gaussien de variance constante σ2 , et donc ici seul l’espérance
est autorisée à changer.

La variable latente (st ) est supposée obéir à un processus de Markov ergodique

en temps discret à deux états de la forme st = 0 si on est en expansion à la date t , st si

Nabil et Oussama UMBB

23 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

on est en récession.

Avec, par exemple, un taux de croissance moyen positif en expansion et négatif en

récession, on aura ainsi :


0 > 0 si st = 0

(st ) = (1.16)

1 < 0 si st = 1


Le processus stochastique générant l’état inobservable est défini par un ensemble

de probabilités de transition constantes :

pij = Pr(st+1 = j|st = ist−1 = i = k, . . .) = Pr(st+1 = j|st = i) (1.17)

avec pij +pii =1 ∀i, j, k ∈ {0, 1} Ainsi, la probabilité que le système soit dans l’état j en t +
1 ne dépend que de l’état dans lequel il se trouvait à la période immédiatement précédente.

En d’autres termes, le futur du processus ne dépend que de son état actuel et est
indépendant de son passé.

Cette structure de base peut naturellement être amendée par exemple en considérant
plus de deux états.

La variance du bruit peut aussi être dépendante du régime, soit σt =σ 2 (st ).

Il est également possible de lever la contrainte de constance des probabilités de

transition.

En effet la probabilité de sortir d’un épisode de récession ou d’expansion peut se

modifier en fonction de la durée de celui-ci (Diebold, Rudebush et Sichel (1993), Diebold,
Lee et Weinbach (1994)).

Par ailleurs, avec une équation telle que (1.16), le changement d.état provoque un
saut immédiat de la série vers son nouveau niveau. Krolzig (1997) montre qu’un
ajustement graduel du niveau de la série peut être pris en compte par une structure
autorégressive avec un terme constant fonction de cette variable d’état :

∆yt = φ0 (st ) + φ1 ∆yt−1 +, . . . , φp ∆yt−p + t (1.18)

Nabil et Oussama UMBB

24 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

Il est également possible de faire dépendre les valeurs des coefficients autorégressifs
du régime en vigueur indiqué par st. En ce cas, il peut arriver que la racine d’un
des polynômes autorégressifs soit unitaire, voire explosive, alors que le processus est
globalement stationnaire.

Comme avec un SETAR, le modèle autorégressif à saut de Markov est ainsi en

mesure de représenter des alternances d’historiques stationnaires et non stationnaires
(Hall, Psaradakis et Sola, 1999).

L’estimation du maximum de vraisemblance de ces processus fait appel à l’algo-

rithme EM (Expectation Maximization) proposé par Demster,Laird et Rubin (1977)qui
s’applique précisément lorsque la trajectoire observée est fonction de variables aléatoires
inobservées .

Les propriétés des estimateurs sont discutées notamment par.

Un des intérêts des applications empiriques est qu’il est possible d’obtenir les es-
timateurs des probabilités associées aux régimes inobservés conditionnellement à
l’ensemble d’information disponible et donc de fournir une indication sur l’historique de
ces régimes.

On distingue alors trois types de probabilité : la probabilité associée au filtrage

(filtered regime probabilities), Pr[st |yt ], la probabilité lissée (smoothing regime probabi-
lities), Pr[st |yt ], et les probabilités prévues (predicted regime probabilities), Pr[st |yt−1 ],
où yt désigne l’historique des réalisations de la variable y jusqu’à la date t.

Il est ainsi possible de comparer les enseignements du modèle avec des informations
tierces, l’exemple type étant la datation des cycles US du NBER[6].

1.7 Processus ACR

Récemment, Gourieroux et Robert (2001), Rahbek et Shephard (2002), Bec, Rahbek
et Shephard (2005) ont proposé un modèle capable de reproduire des épisodes de
non-stationnarité au moyen d’un processus géométriquement ergodique et globalement
stationnaire.

Un des intérêts de cette modélisation ACR (Autoregressive Conditional Root) est

d’offrir une écriture englobante des processus SETAR, STAR et autorégressif à change-
ment de régime markovien.

Le plus simple des processus ACR est l’ACR(1) d’expression

yt = ρst yt−1 + t (1.19)

Nabil et Oussama UMBB

25 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

où st est une indicatrice binaire prenant ses valeurs dans l’ensemble {0,1},ρ un co-
efficient réel et t un bruit blanc gaussien.

Cette équation est couplée à une hypothèse relative à la probabilité de l’état décrit par
st qui est supposée ne dépendre que de la valeur passée de la variable d’intérêt y :

Pr(st = 1|yt−1 , t ) = Pr(st = 1|yt−1 ) = P (yt−1 ) (1.20)

Ainsi y se comporte comme une marche au hasard si st = 0 et comme un AR(1)

stationnaire si st = 1 et |ρ| < 1. La seule exigence est que la fonction P(yt ) tende vers
l’unité lorsque |yt | tend vers l’infini.

Il est aisé de voir qu’un cas particulier de processus SETAR à 3 régimes peut être
dérivé de cette structure.
En effet, en posant :


1 si|yt | > c > 0

p(yt ) = (1.21)

0 sinon


il vient :


ρyt−1 + t si |yt | > c > 0

yt = (1.22)

yt−1 + t si non


Le rapport avec les processus à transition douce STAR peut être illustré en considérant
une spécification de type logistique sur la probabilité prévisionnelle :

P (yt )
log[ ] = δ0 δ1 f (yt ) (1.23)
1 − P (yt )

où f () est une fonction croissante avec |yt |. Comme d’après (1.20), on a :

∆yt = (ρst − 1)yt−1 + t = st (ρ − 1)yt−1 + t = st byt−1 + t (1.24)

Nabil et Oussama UMBB

26 CHAPITRE 1. MODÈLES NON LINÉAIRES À SEUIL

avec b = ρ − 1, il vient alors :

exp[δ0 + δ0 f (yt−1 )]
E[∆yt |yt−1 ] = b × { } × yt−1 (1.25)
1 + δ0 + δ0 f (yt−1 )

et finalement on retrouve sur les variations de yt une expression typique du modèle

STAR :

exp[δ0 + δ0 f (yt−1 )]
E[∆yt |yt−1 ] = b × { } × yt−1 + t (1.26)
1 + δ0 + δ0 f (yt−1 )

où t est un bruit à éléments indépendants. Rappelons cependant que contrairement

au STAR, un processus ACR est en mesure de connaı̂tre des périodes de non stationnarité.

Enfin, il suffit de considérer l’écriture (1.20) pour noter la proximité de l’ACR

avec les processus autorégressifs à sauts markoviens présentés auparavant.

Une différence fondamentale est que la probabilité associée à un état de la va-

riable st est une fonction explicite de la variable yt−1 .

Dans sa forme la plus générale, le modèle ACR est un processus vectoriel tel que :

yt = st (φ11 yt−1 + . . . , φ1k yt−k ) + (1 − st )(φ21 yt−1 + . . . , φ2k yt−k ) + t (1.27)

où yt = (y1t , . . . ynt )0 et t = (y1t , . . . ynt )0 un processus en bruits blancs. Comme

dans le cas particulier précédent, l’une des deux matrices φ1 = (φ11 , . . . φ1k ) et
φ2 = (φ21 , . . . φ2k ) peut avoir des racines unitaires alors même que yt est globalement
stationnaire.

Les hypothèses néces- saires à ce résultat ainsi [Link] discussion des estimateurs
du maximum de vraisemblance sont présentées dans Rahbek et Shephard (2002). Une
application univariée au taux de change franc-mark est réalisée par Bec, Rahbek et
Shephard (2005).

Les auteurs discutent notamment des probabilités conditionnelles des deux régimes
tirées respectivement d’un ACR et d’un SETAR.

En particulier il n’est pas fait état de résultats relatifs à une utilisation à des fins
de prévision de l’ACR[6].

Nabil et Oussama UMBB

 Estimation d’un modèle SETAR par la
2
méthode MCO

Il y a plusieurs techniques usuelles d’estimation (maximum de vraisemblance, moindre

carré ordinaire MCO, méthode des moments) s’appliquant également sur les modèles
SETAR On a choisis la méthode la plus simple à savoir la méthode des moindres carrés
ordinaire (MCO).

La méthode des moindres carrée ordinaire (MCO) est une méthode d’estimation des
paramètres visant à minimiser la somme des carrés des erreurs commises par le modèle
sur l’ensemble des données.
Cette méthode d’estimation consiste à chercher les valeurs des paramètres qui
minimisent le critère des moindres carré donné par (Y − Xb)0 (Y − Xb) une technique
de résolution consiste à dériver le critère par rapport aux paramètres et rechercher les
solutions qui annulent ces dériver.

Dans le cas linéaire, les dérivées forment un système de n équations linéaires à n

inconnues en b. La solution analytique existe, elle est donnée par b̂ = (X 0 X)(−1) X 0 Y .Or,
dans le cas des modèles non linéaires, le principe de minimisation des carrés des résidus
peut encore être utilisé pour calculer les valeurs des paramètres du modèle toutefois ,
les dérivées partielles de la somme des carrés des résidus par rapport aux paramètres
produisent un système d’équations non linéaires don ils peuvent du temps se résoudre
analytiquement Quand les solutions analytiques des équations n’existent pas, minimiser
la somme des carrés des résidus devient alors un problème d’optimisation qui ne peut être
résolu que par des procédure numériques itératives comme la méthode de Gauss-Newton.

L’objet de ce chapitre est d’estimer les paramètres du modèle non linéaire à

seuil SETAR par la méthode des moindres carrés ordinaire MCO. Sachant que la

27
28 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

méthode des moindres carrés ordinaire n’est facilement applicable que dans le cas
linéaire, nous avons exprimé le modèle SETAR sous la forme d’un modèle de régression
linéaire multiple. Nous commençons, tout d’abord, par l’estimation des paramètres
du modèle SETAR par MCO,et par la suite, tester l’hypothèse de linéarité contre son
alternative qui est le modèle SETAR.

Conditions de Gauss-Markov
Sous les conditions de Gauss Markov (S2 ) : H0 E(Y ) = Xb et H1 : E(Y Y 0 ) = 1σ 2 Nous
énonçons les propriétés des estimateurs b̂ et Ŷ comme suit :

Propriété 1 :

Sous le système d’hypothèse (S2 ) l’estimateur des moindres carres ordinaires b̂ est
un estimateur linéaire sans bais du vecteur des paramètres b(i.e E(b̂ = b̂) de matrice de
variance covariance égal à (X 0 X)−1 σ 2 .

Propriété 2 :

Le vecteur prédit Ŷ du vecteur moyen E(Y ) toujours sous le système de conditions

de Gauss Markov (S2 ) ; satisfaite les Propriété suivantes :

a/ Il est sans bais pour E(Y )

b/ Il est de variance covariance égale à X(X 0 X)−1 X 0 σ 2
c/ Il est non corrélé avec le vecteur des résidus ˆ

Propriété 3 :

Le vecteur des résidus  sous le système de conditions de Gauss Marcov (S2 ) ;

satisfait les propriétés suivantes :
a/ E(ˆ)
b/ il est de variance covariance égale à (1 − X(X 0 X)−1 X 0 )σ 2
a/ le vecteur est non corrélé avec le vecteur prédit Ŷ

Nabil et Oussama UMBB

29 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

2.1 Modèle Autorégressif à seuil SETAR et Modèle

de régression linéaire
• L’hypothèse principale à la base de la méthode des MCO est qu’il y a une relation
linéaire entre la variable à expliquer et les variables explicatives.

• Dans ce cas on a transformé une relation non linéaire en relation linéaire, soit d’utiliser
des méthodes d’estimation spécifiques pour modèles non linéaires .

Il s’agit d’estimer les paramètres du modèles SETAR par la méthode des moindres
carrées ordinaire, cette méthode est applicable sur des modèles linéaires, comme le
SETAR est un modèle non linéaire donc il faut l’écrire sous la forme d’un modèle de
régression multiple linéaire comme suit :

 (1) Pp (1)
φ0 + i=1 φi yt−i + t si yt−d ≤ c
1

yt = (2.3)
 (2) Pp2 (2)
φ0 + i=1 φi yt−i + t si yt−d > c


avec p1 , p2 et d supposés connus,0 ≤ p2 ≤ p1 et 0 ≤ d ≤ p.

aprés le developpement de l’égalité (2.3) on obtient :

(1) (1) (2) (2)

yt = (φ0 +φ1 yt−1 +. . .+φ(1) (2)
p yt−p )1(yt−d≤r ) +(φ0 +φ1 yt−1 +. . .+φp yt−p )(1−1(yt−d≤r ) )+t
(2.4)

(1) (1) (2) (2) (2) (2)

yt =φ0 1(yt−d≤r ) + . . . + φp yt−p 1(yt−d≤r ) + φ0 + φ1 yt−1 + . . . + φp yt−p − φ0 1(yt−d≤r ) −
(1) (2)
. . . − φp yt−p 1(yt−d≤r ) − . . . − φp yt−p 1(yt−d≤r ) + t

(2) (2) (2) (1) (2) (1) (2)

yt =φ0 + φ1 yt−1 + . . . + φp yt−p + (φ0 − φ0 )1(yt−d≤r ) + (φ1 − φ1 )1(yt−d≤r ) yt−1 + . . . +
(1) (2)
(φp − φp )1(yt−d≤r ) yt−p + t

Nabil et Oussama UMBB

30 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

on pose :

(2)


 θ0 = φ0





 (2)
θ1 = φ1





 ..


 .





(2)

θp = φp


et
(1) (2)

φ0 = φ0 − φ0






 (1) (2)
φ1 = φ1 − φ1





..


 .





(1) (2)

φq = φp − φp


On obtient cette formule :

yt = θ0 +θ1 yt−1 +. . .+θp yt−p +φ0 1(yt−d≤r ) +φ1 1(yt−d≤r ) yt−1 +. . .+φq 1(yt−d≤r ) yt−q +t (2.5)

pour une série de taille n,nous pouvons écrire :

yt = b0 + b1 xt,1 + . . . + bp xt,p + bp+1 xt,p+1 + bp+2 xt,p+2 + . . . + bp+q+1 xt,p+q+1 + t (2.6)

c’est un modèle de regression linréaire multiple ou les regressions sont :



 yt−i si i = 1, 2 . . . , p





Xt,i = 1(yt−d≤r ) si i = p + 1 (2.7)






1 y si i = p + 2 . . . , p + q + 1
(yt−d≤r ) t+p+1−i

Nabil et Oussama UMBB

31 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

alors nous considérons les notations suivantes :

• y 0 = (y1 , y2 , yt . . . , yn ) est le vecteur des n observations de la variable expliquèe yt

• 0 = (1 2 , t . . . , , n ) vecteur des erreurs

• b le vecteur colonne des paramètres de règression b0 = (b0 , b1 , . . . , bp , bp+1 , . . . , b0 )

• X est une matrice des réalisations et elle est donné par :

 
1 X1,1 X1,2 . . . X1,p X1,p+1 X1,p+2 . . . X1,p+q+1
 
 

 1 X2,1 X2,2 . . . X2,p X2,p+1 X2,p+2 . . . X2,p+q+2 

 
 
 .. .. .. .. .. .. .. 
X=
 . . . . . . . 
 (2.8)
 
 

 1 Xn−1,1 Xn−1,2 . . . Xn−1,p Xn−1,p+1 Xn−1,p+2 . . . Xn−1,p+q+1 

 
 
 1 Xn,1 Xn,2 . . . Xn,p Xn,p+1 Xn,p+2 . . . Xn,p+q+1 

En utilisant ces notations, on constate que le vecteur y 0 =(y1 , . . . , yn ),est une réalisation
du vecteur aléatoire y satisfaisant le modèle linéaire :

y = Xb + 
avec

b0 = (b0 , b1 , . . . , bp+q+1 )0

2.2 Estimation des moindres carrés ordinaires d’un

SETAR
L’estimateur b des moindres carrés ordinaires du vecteur des paramètres de régression
b et ainsi que l’estimateur. De la variance commune de l’erreur seront obtenus sous le
système d’hypothèses suivant :

Nabil et Oussama UMBB

32 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

l0 erreur est de moyenne nulle



 H0 : E() = 0


(SH1 ) =


 H1 : E(0 ) = 1σ 2 les erreurs sont non corrélée de même variance

qui est équivalant le système suivant :

H0 : E(Y ) = Xb la moyenne est égale a la f onction de régression



(SH2 ) =



H1 : E(Y Y 0 ) = 1σ 2 les variable endogènes sont non corélées de même variance


Rappelons que le principe de l’estimation par la méthode des moindres carrés consiste à
trouver les estimation s du vecteur des paramètres pour lesquelles la somme des erreurs
carrés Q(b/Y,X) suivant soit minimale :

Q(b/Y,X)=0 =(Y − ŷ)0 (Y − ŷ)(Y − Xb)0 (Y − Xb)

=Y 0 Y − 2b0 XY + b0 (X 0 X)b

Alors, en dérivant partiellement, par à b et en égalant à zéro ,on obtient l’équation

matricielle suivante dite équation normale :

(X 0 X)b = X 0 Y (2.9)

L’existence d’une solution unique à cette équation, autrement dit , l’existence de

l’estimateur des MCO, dépend du rang de la matrice X .En effet , si cette matrice n’est
pas de rang plein alors la matrice carrée X 0 X sera singulière et donc l’équation normale
possède plus qu’une solution ,en b.

Donc, dans toute la suite , on suppose , sauf mention contraire ,que la matrice X
est de rang plein et donc la matrice X 0 Xest inversible. Cette dernière matrice carrée est
de la forme :
 
n nX̄1 nX̄2 ... nX̄p+q+1
 
n n n
 
2
 nX̄1 P P P
i=1 Xi,1 i=1 Xi,1 Xi,2 ... i=1 Xi,1 Xi,p+q+1

 
 
 
 .. .. .. .. .. 
 . . . . . 
X 0X = 
 

 
 
 Pn Pn Pn 
 nX̄p+q i=1 X i,p+q X i,1 i=1 X i,p+q X i,2 . . . i=1 X i,p+q+1 X i,p+q+1 
 
 
 Pn Pn Pn 2

 nX̄p+q+1 i=1 Xi,p+q+1 Xi,1 i=1 Xi,p+q+1 Xi,2 . . . i=1 Xi,p+q+1


(2.10)

Nabil et Oussama UMBB

33 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

Sous cette condition l’équation normale (2.9) possède une solution unique donnée par :

b̂ = (X 0 X)−1 X 0 Y (2.11)
on montre facilement que la fonction objective à savoir la forme quadratique Q(b/Y,X)
atteint vraiment sa valeur minimale pour cette solution. en effet la somme des erreurs
carrés peut s’écrire sous la forme suivante :

Q(b/Y, X) = (Y − Xb)0 (Y − Xb);

=((y − xb̂) − X(b − b̂))0 ((Y − X b̂) − X(b − b̂)

=(Y − X b̂)0 (Y − X b̂) + (b − b̂)0 X 0 X(b − b̂) − 2(Y − X b̂)0 X(b − b̂)

On remarque que le troisième terme de l’expression précédente est nul, car on

a:

(Y − X b̂)0 X = (X 0 Y − X 0 X b̂)0 = (X 0 Y − X 0 Y )0

Alors l’expression de la somme des erreurs aux carrés s’écrit comme suit :

Q(b/Y, X) = (Y − X b̂)0 (Y − X b̂) + (b − b̂)X 0 X(b − b̂)

C’est une somme de deux quantités positives ou nulles, la première ne dépend pas du
vecteur b et la deuxième prend sa valeur minimale pour b = b̂ ce qui achève la preuve.

Après avoir présenter la méthode d’estimation des paramètres par moindres

carrés dans le cas d’un modèle linéaire ,en général, revenons à notre cas où le modèle est
non linéaire à seuil SETAR .En effet ,dans le cas des modèles SETAR le principe de la
méthode des moindres carrés ordinaire reste le même par le fait que ce modèle (SETAR)
a été réécrit sous la forme d’un modèle linéaire .

Donc, trouver les estimateurs des moindres carrées d’un modèle SETAR revient à
minimiser la somme des erreurs au carrés notée Q(b/Y,X) .

La seule différence qui s’impose est la forme de la matrice des réalisations X en

effet, cette matrice devient la matrice des réalisations du modèle SETAR définie par :

Nabil et Oussama UMBB

34 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

 
1 X1,1 X1,2 . . . X1,p X1,p+1 X1,p+2 . . . X1,p+q+1
 
 

 1 X2,1 X2,2 . . . X2,p X2,p+1 X2,p+2 . . . X2,p+q+2 

 
 
 .. .. .. .. .. .. .. 
X=
 . . . . . . . 
 (2.12)
 
 

 1 Xn−1,1 Xn−1,2 . . . Xn−1,p Xn−1,p+1 Xn−1,p+2 . . . Xn−1,p+q+1 

 
 
 1 Xn,1 Xn,2 . . . Xn,p Xn,p+1 Xn,p+2 . . . Xn,p+q+1 

A partir de cette représentation, on s’aperçoit que la matrice X .de dimension

n × (p + q + 1) est composée de deux blocs , à savoir (X1 X2 ) où X1 ) est représentée par
(p+1)eme les colonnes de la matrice (2.12),et X2 est constituée des (q+1)eme dernières
colonnes données par :
 
1 X1,1 . . . X1,2 X1,p
 
 
 1 X2,1 . . . X2,2 X2,p 
 
 
 
 .. .. .. .. .. 
X1n×(p+1) =  . . . . . (2.13)
 

 
 
 1 Xn−1,1 . . . Xn−1,2 Xn−1,p 
 
 
 
 1 Xn,1 . . . Xn,2 Xn,p 

et  
X1,p+1 X1,p+2 ... X1,p+q+1
 
 
 X2,p+1 X2,p+2 . . . X2,p+q+1 
 
 
 
 .. .. .. .. 
X2n×(q+1) =
 . . . . 
 (2.14)
 
 
 Xn−1,p+1 Xn−1,p+2 . . . Xn−1,p+q+1 
 
 
 
 Xn,p+1 Xn,p+2 . . . Xn,p+q+1 

Nabil et Oussama UMBB

35 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

Par conséquent , le vecteur des paramètres de régression b est aussi composé de deux
blocs,de la forme b0 = (b01 , b02 ) avec :


0 0
b1 = (b0 , b1 , . . . , bp )



b02 = (bp+1 , bp+2 , . . . , bp+q+1 )0


par la suite , on déduit facilement la matrice carrée X 0 [Link] matrice est de la forme :
  0
X1 X1 X10 X2
 
X1
X 0 X = (X1 , X2 )0  =  pour une sèrie de taille n (t=1, n)
0 0
X2 X2 X1 X 2 X2

On deviser la MATRICE X 0 X a quatre bloc pour simplifier les calcules

bloc1 :

 Pn Pn Pn 
n 1 Xi,1 1 Xi,2 ... 1 Xi,p
 
 
 
 Pn Pn 2 Pn Pn 
 1 Xi,1 1 Xi,1 1 Xi,1 Xi,2 . . . 1 Xi,1 Xi,p
 

 
 
 
 Pn Pn Pn 2 Pn 
 1 Xi,2 1 Xi,1 Xi,2 1 Xi,2 ... 1 Xi,2 Xi,p
 
0
X1 X1 =  (2.15)


 
 
 
 .. .. .. .. .. 

 . . . . . 

 
 Pn Pn Pn Pn 2 
 1 Xi,p 1 X i,1 X i,p 1 X i,2 X i,p . . . 1 Xi,p

 
 

Nabil et Oussama UMBB

36 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

bloc2 :

 Pn Pn Pn 
1 Xi,p+1 1 Xi,p+2 ... 1 Xi,p+q+1
 
 
 
 Pn Pn Pn 
 1 Xi,1 Xi,p+1 1 Xi,1 Xi,p+2 . . . 1 Xi,1 Xi,p+q+1
 

 
 
 
 Pn Pn Pn 
 1 Xi,2 Xi,p+1 1 Xi,2 Xi,p+2 . . . 1 Xi,2 Xi,p+q+1
 
0
X1 X 2 =  (2.16)


 
 
 
 .. .. .. .. 

 . . . . 

 
 Pn Pn Pn 
 1 Xi,p Xi,p+1 1 Xi,p Xi,p+2 . . . 1 Xi,p Xi,p+q+1

 
 

bloc 3 :

 Pn Pn Pn Pn 
1 Xi,p+1 1 Xi,1 Xi,p+1 1 Xi,2 Xi,p+1 ... 1 Xi,p Xi,p+1
 
 
 
 Pn Pn Pn Pn 

 1 X i,p+2 1 X i,1 X i,p+2 1 X i,2 X i,p+2 . . . 1 Xi,p Xi,p+2


 
 
0
X2 X1 = 
 

 .. .. .. .. .. 

 . . . . . 

 
 Pn Pn Pn Pn 
 1 Xi,p+q+1 1 Xi,1 Xi,p+q+1 1 Xi,2 Xi,p+q+1 . . . 1 Xi,p Xi,p+q+1

 
 

(2.17)

Nabil et Oussama UMBB

37 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

bloc 4 :

 Pn 2
Pn Pn 
1 Xi,p+1 1 Xi,p+1 Xi,p+2 ... 1 Xi,p+1 Xi,p+q+1
 
 
 
 Pn Pn 2 Pn 
1 Xi,p+1 Xi,p+2 1 Xi,p+2 ... 1 Xi,p+2 Xi,p+q+1
 
 
 
 
0
X2 X2 =  (2.18)
 

 .. .. .. .. 

 . . . . 

 
 Pn Pn Pn 2 
 1 Xi,p+1 Xi,p+q+1 1 Xi,p+2 Xi,p+q+1 . . . 1 Xi,p+q+1

 
 

D’après légalité ( 2.7) on obtient la matrice suivante :

Nabil et Oussama UMBB

38 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

UMBB
 n n n n n n

n Σi=1 yi−1 Σi=1 yi−2 . . . Σi=1 yi−p Σi=1 1 Σi=1 1yi−1 . . . Σi=1 1yi−q
 
 
 
 
 n n 2 n n n n 2 n
 Σi=1 y1−i Σi=1 yi−1 Σi=1 yi−1 yi−2 . . . Σi=1 yi−1 yi−p Σi=1 1yi−1 Σi=1 1yi−1 ... Σi=1 1yi−1 yi−q 

 
 
 
. . . . . . .
 
.. .. .. .. .. .. ..
 
 
 
 
 
 
X 0 X =  Σi=1  (2.19)
 n n n n 2 n n n

 yi−p Σi=1 yi−1 yi−p Σi=1 yi−2 yi−p . . . Σi=1 yi−p Σi=1 1yi−p Σi=1 1yi−p yi−1 . . . Σi=1 1yi−p yi−q 
 
 
 
n n n n n n n
 
 Σi=1 1 Σi=1 1yi−1 Σi=1 1yi−2 . . . Σi=1 1yi−p Σi=1 1 Σi=1 1yi−1 . . . Σi=1 1yi−q
 

 
 
 
 
 n n 2 n 2 n n n 2 n
 Σi=1 yi−1 Σi=1 1yi−1 Σi=1 1yi−2 . . . Σi=1 1yi−1 yi−p Σi=1 1yi−1 Σi=1 1yi−1 ... Σi=1 1yi−1 yi−q 

 
 
 
n n n n n n n 2
Σi=1 1yi−q Σi=1 1yi−1 yi−q Σi=1 1yi−2 yi−q . . . Σi=1 1yi−q yi−p Σi=1 1yi−q Σi=1 1yi−1 yi−q . . . Σi=1 1yi−q

Nabil et Oussama
39 CHAPITRE 2. ESTIMATION D’UN MODÈLE SETAR PAR LA MÉTHODE MCO

Or,le calcul de l’estimateur des moindres carrés du vecteur des paramétres b , pour un
modèle SETAR, noté b̂ exige le calcul de la matrice (X 0 X)−1 pour cela , nous énonçons
le théoreme qui établie l’inverse d’une matrice selon ce théoréme la matrice X 0 X étant
une matrice symétrique non singuliére et X10 X1 est bien une sous matrice inversible par
conséquent X 0 X est donnée sous la forme suivante :

(X10 X1 )−1 + (X10 X1 )−1 (X10 X2 )−1 .V 22 (X20 X1 )−1 (X10 X1 )−1 −(X10 X1 )−1 (X10 X2 )−1 V 22
 
 
0 −1
 
(X X) =  


 
−V 22 (X20 X1 )−1 (X10 X1 )−1 V 22

où V 22 = (X20 X2 )(X20 X1 )−1 (X10 X2 )−1

donc ,l’estimateur des moindres carrés ordinaires du vecteur des paramètres b,soit b̂ est
donné par :

b̂ = (X 0 X)−1 X 0 Y

(X10 X1 )−1 + (X10 X1 )−1 (X10 X2 )−1 .V 22 (X20 X1 )−1 (X10 X1 )−1 −(X10 X1 )−1 (X10 X2 )−1 V 22 X10
  
  
=



.

−V 22 (X20 X1 )−1 (X10 X1 )−1 V 22 X20

(X10 X1 )−1 + (X10 X1 )−1 (X10 X2 )−1 .V 22 (X20 X1 )−1 (X10 X1 )−1 X1 − (X10 X1 )−1 (X10 X2 )−1 V 22 X1
 
 
 
 .Y
 
 
−V 22 (X20 X1 )−1 (X10 X1 )−1 V 22 X2
 
b̂1
Notons b̂ = avec :
b̂2
b̂1 =[(X10 X1 )−1 + (X10 X1 )−1 (X10 X2 )−1 .V 22 (X20 X1 )−1 (X10 X1 )−1 X1 −
(X1 X1 )−1 (X10 X2 )−1 V 22 X1 ].Y
0

et

b̂2 = [−V 22 (X20 X1 )−1 (X10 X1 )−1 V 22 X2 ].Y

Nabil et Oussama UMBB

 Simulation
3
Le présent chapitre est consacré à l’estimation des paramètres du modèle SETAR par
le biais des simulations.
Trois processus générateur de données de type SETAR(2 ; p ; d), sont utilisés pour
simuler des séries temporelles de taille petite, modéré et relativement grande (N = 50 ;
200 ; 500 et 1000).
L’ordre du modèle SETAR choisi p = 1, et le paramètre de délai d égal à 1 (à titre
d’essai). Le vecteur des erreurs ” t ” suit la loi normale de moyenne 0 et de variance 1.
Pour chaque processus générateur on considère 1000 répétitions.
Les résultats de l’estimation des paramètres des modèles SETAR sont présentés dans
des tables auquelles on associe un tracé de trajectoires correspondant à chaque modèle.
Nous avons utilisé pour les simulations le logiciel MATLAB, version 9.0.

40
41 CHAPITRE 3. SIMULATION

3.1 Modèle 1
Soit le modèle SETAR(2,1,1) suivant :


1 − 0.5yt−1 + t si yt−1 ≤ 1

yt =

1 − 0.2yt−1 + t si yt−1 > 1


Ou encore :

yt = (1 − 0.5yt−1 )1(yt−1 ≤1) + (1 − 0.2yt−1 )(1 − 1(yt−1 ≤1)) + t

avec :

1 si yt−1 ≤ 1

1(yt−1 ≤ 1) =

0 si non


Les résultats de simulation du modèle sont présentés dans les tableaux (de 1 à 4) suivants :
(1) (1) (2) (2)
N=50 φ0 φ1 φ0 φ1
valeur vrai 1 -0.5 1 -0.2
Estimateur moyen(b̂moy ) 1.0346 -0.5008 0.9663 -0.1834
Ecart-type empirique 0.0609 0.0436 0.0565 0.0254
tableau(1.1)

Figure 3.1 – N=50

Nabil et Oussama UMBB

42 CHAPITRE 3. SIMULATION

(1) (1) (2) (2)

N=200 φ0 φ1 φ0 φ1
valeur vrai 1 -0.5 1 -0.2
Estimateur moyen(b̂moy ) 1.0038 -0.4933 1.0029 -0.2016
Ecart-type empirique 0.0296 0.0204 0.0267 0.0121
tableau(1.2)

Figure 3.2 – N=200

Nabil et Oussama UMBB

43 CHAPITRE 3. SIMULATION

(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
valeur vrai 1 -0.5 1 -0.2
Estimateur moyen(b̂moy ) 1.0007 -0.4982 0.9993 -0.1996
Ecart-type empirique 0.0188 0.0128 0.0173 0.0077
tableau(1.3)

Figure 3.3 – N=500

(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
valeur vrai 1 -0.5 1 -0.2
Estimateur moyen 1.0007 -0.4982 0.9993 -0.1996
y − ŷ 0.0007 0.0018 -0.0007 0.0004

Nabil et Oussama UMBB

44 CHAPITRE 3. SIMULATION

(1) (1) (2) (2)

N=1000 φ0 φ1 φ0 φ1
valeur vrai 1 -0.5 1 -0.2
Estimateur moyen(b̂moy ) 0.9959 -0.4958 1.0042 -0.2021
Ecart-type empirique 0.0126 0.0086 0.0114 0.0050
tableau(1.4)

Figure 3.4 – N=1000

Nabil et Oussama UMBB

45 CHAPITRE 3. SIMULATION

3.2 Modèle 2

1 + 0.9yt−1 + t si yt−1 ≤ 1

yt =

1 + 0.7yt−1 + t si yt−1 > 1


(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
valeur vrai 1 0.9 1 0.7
Estimateur moyen(b̂moy ) 1.0319 0.8504 1.0106 0.6965
Ecart-type empirique 0.0002 0.0030 0.0012 0.0005
tableau(2.1)

Figure 3.5 – N=500

(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
valeur vrai 1 0.9 1 0.7
Estimateur moyen 1.0319 0.8504 1.0106 0.6965
y − ŷ 0.0319 -0.0496 0.0004 -0.0035

Nabil et Oussama UMBB

46 CHAPITRE 3. SIMULATION

3.3 Modèle 3

1 + 0.9yt−1 + t si yt−1 ≤ 1

yt =

1 + 0.5yt−1 + t si yt−1 > 1


(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
valeur vrai 1 0.9 1 0.5
Estimateur moyen(b̂moy ) 1.0120 0.8883 1.0004 0.4991
Ecart-type empirique 0.0006 0.0021 0.0014 0.0002
tableau(3.1)

Figure 3.6 – N=500

(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
valeur vrai 1 0.9 1 0.5
Estimateur moyen 1.0120 0.8883 1.0004 0.4991
y − ŷ 0.0120 -0.1117 0.0004 -0.0009

Afin de montrer l’effer de l’ergodicité sur l’estimation des paramètres du modéle

SETAR d’ordre (1).
Nous avons comparer la précision des estimateurs de chaque paramètre dans les diffirentes
modèles érgodiques (modéle 1,2,3).

Nabil et Oussama UMBB

47 CHAPITRE 3. SIMULATION

(1) (1) (2) (2)

N=500 φ0 φ1 φ0 φ1
modèle(1) 0.007 0.0018 0.0007 0.0004
modèle(2) 0.03190 0.0496 0.01060 0.00349
modèle(3) 0.01200 0.01170 0.00040 0.00090

Comme utiliser de comparaison, nous avons choisi la valeur absolue du biais Le

tableau montre que les biais sont plus petit dans le modèle (1)et les valeurs les plus
importantes apparaissent en modèle (2).

Interprétation des résultats :

Les résulats de simulation présentés dans les tableaux ci dessus des différents modèles
SETAR d’ordre p = 1 ; ont permis de mettre en évidences deux aspects, à savoir l’effet
de la taille et celui de l’appartenance à la région d’ergodicité.
Les conclusions tirées sont les suivantes :

A partir des résultats de simulation du modèle SETAR d’ordre 1 (tables (1 :1) jusqu’à
(1 :4)), on constate que plus que la taille de l’échantillon est importante (de 50 à 1000)
plus que les valeurs estimées du vecteur des paramètres se rapprochent des vraies valeurs.

Afin de montrer l’effet de l’ergodicité dans le cas, d’un modèle SETAR d’ordre 1,
nous avons choisi deux modèles (modèle 2 et 3) dont les paramètres sont proche de 1. En
comparant les tableaux (1 :3) ; (2 :1) et (3 :1) où la taille est fixée à N = 500 nous avons
remarquer, pour les paramètres phi0 et phi1, que leur estimation est plus précise dans la
région d’ergodicité (tableau (1 :3)) que lorsqu’on s’éloigne de cette région (tableaux (2 :1)
et (3 :1)).

Nabil et Oussama UMBB

 4
Prévision

Une prévision est l’interprétation dans le futur d’une série d’observations effectuées
à des dates fixés. Ces observations correspondent aux enregistrements des quantités de
consommation ou de commandes de certains produits et sont généralement exprimées
en effectifs ou en unités de mesures quelconques. On les appelle séries temporelles ou
chronologiques.

De façon générale, que ce soit dans un modèle linéaire ou non linéaire, il existe trois
principales formes de prévision : les prévisions ponctuelles, les intervalles de confiance et
la densité de prévision. Dans le cas des modèles linéaires de type ARMA, seules les deux
premières formes de prévisions sont généralement utilisées. Les intervalles de confiance
supposés symétriques et continus permettent alors de rendre compte de l’incertitude
autour de l’erreur de prévision au même titre que la variance de l’erreur de prévision. En
revanche pour ces modèles, la fonction de densité de la prévision est rarement, voir jamais
reproduite, puisque comme nous l’avons évoqué en introduction les modèles linéaires ne
permettent pas de reproduire les phénomènes, tels que l’asymétrie ou la multi moda-
lités, susceptibles d’être analysés et interprétés lors de l’examen de la densité de prévision.

Au contraire, dans le cas des modèles non linéaires les trois formes de prévisions
retrouvent toutes leurs justifications et leur intérêt.

Lors de la construction des prévisions ponctuelle on est confronté à un certain

nombre de difficultés techniques dans le cas de certains modèles non linéaires qui
nécessitent souvent le recours à des méthodes de simulation numérique. C’est pour
cette raison que nous évoquerons les méthodes de prévision ponctuelle en générale et la
méthode de Monte Carlo en particulier.

48
49 CHAPITRE 4. PRÉVISION

4.1 Méthodes de Prévision Ponctuelle

Tout comme dans le cas des modèles linéaires, les prévisions établies à partir de
modèles non linéaires peuvent être exprimées sous la forme d’une valeur ponctuelle
traduisant une notion de prévision au ”point moyen” . Considérons un modèle non
linéaire s’écrivant sous la forme suivante :

yt = F (xt , θ) + t (4.1)
où t est i.i.d(0, σ2 )et xt désigne un ensemble de variables pouvant inclure à la fois des
variables exogènes et des valeurs retardées de la variable endogène. On appelle skeleton,
l’espérance conditionnelle du processus yt , i.e. F (xt ; θ) : Soit yt+h|t
ˆ le prédicteur optimal
de yt+h compte tenu de l’ensemble d’information disponible à la date t ; noté Ωt ; et soit
t+h|t
ˆ l’erreur de prévision associée à yt+h|t
ˆ . Par définition, on a :

ˆ = E[yt+h |Ωt ]
yt+h|t h≥1 (4.2)

ˆ = yt+h − yt+h|t
t+h|t ˆ (4.3)
Quel que soit le modèle non linéaire envisagé, la prévision à l’horizon d’une période
(h = 1) ne pose pas de problème particulier. Puisque E[t+h |Ωt ] = 0, la prévision ponctuelle
optimale à l’horizon un correspond toujours au skeleton :

yt+h|t
ˆ = F (xt+1 ; θ) (4.4)

Dès lors, la prévision ponctuelle à l’ordre un de tout modèle non linéaire peut s’obtenir
de façon analytique comme s’était le cas pour les modèles linéaires. En revanche, pour
un ordre de prévision h > 1, dans le cas de certains modèles non linéaires, il n’existe pas
de formule analytique permettant d’obtenir aisément cette prévision ponctuelle. C’est en
particulier le cas des modèles à seuil pour lesquels on est obligé d’avoir recours à différentes
méthodes d’approximation ou méthodes numériques pour obtenir les prévisions. Avant
d’évoquer ces dernières, commençons par considérer le cas le plus simple dans lequel il
existe une forme analytique aux prévisions ponctuelles.

4.1.1 Méthode Analytique

Il n’est possible de donner une expression analytique à la prévision pour un hori-
zon supérieur à une période que pour quelques spécifications particulières de modèles
non linéaires. Teräsvirta (2005) recense en particulier deux types de modèles : le modèle
moyenne mobile à seuil TMA et le modèle à changement de régime markovien. Considérons
le cas le plus simple d’un modèle de type moyenne mobile à seuil ou moyenne mobile
asymétrique tel que :
q q
X X
yt = µ + θj t−j + ψj t−j 1(t−j >0) + t (4.5)
j=1 j=1

Nabil et Oussama UMBB

50 CHAPITRE 4. PRÉVISION

où 1(t−j >0) désigne la fonction indicatrice valant 1 si t−j > 0 et 0 dans le cas contraire.
On suppose que le résidu ”t est distribué selon une loi normale N (0, σ2 ). Comme men-
tionné précédemment, la prévision à l’ordre 1 est équivalente au skeleton :
q q
X X
ŷt+h|t = µ + θj t+1−j + ψj t+1−j 1(t+1−j >0) (4.6)
j=1 j=1

La formule de la prévision à l’ordre 2 est similaire à celle d’un modèle de type moyenne
mobile linéaire à l’exception du terme correspondant à l’espérance de la variable censurée,
i.e. t+1 1(t+1 >0) :
q q
X X
ŷt+1|t = µ + θj t+2−j + ψj t+2−j 1(t+2−j >0) + ψ1 E[t+1 1(t+1 >0) ] (4.7)
j=1 j=2

Rappelons que même si t est un processus centré sur 0, l’espérance√ de la variable normale
tronquée t 1(t >0) n’est pas nulle et vérifie E[t 1(t >0) ] = σ/ 2π On obtient ainsi :

q q
X X σ
ŷt+2|t = µ + θj t+2−j + ψj t+2−j 1(t+2−j >0) + ψ1 √ (4.8)
j=2 j=2
2π
De façon générale si l’ordre de prévision h est inférieur à l’ordre q de la moyenne mobile,
ˆ = E[yt+h |Ωt ] ; vérifie :
la prévision ponctuelle à l’ordre h ; notée yt+h|t
q q h−1
X X σ X
ŷt+h|t = µ + θj t+h−j + ψj t+h−j 1(t+h−j >0) + √ ψj (4.9)
j=h j=2
2π j=1

Pour un horizon de prévision supérieur à l’ordre q de la moyenne mobile, la prévision

correspond alors à l’espérance non conditionnelle du processus yt ; c’est à dire à :
q
σ X
ŷt+h|t = E(yt ) = µ + √ ψj h > q (4.10)
2π j=1
Reste que seules quelques spécifications très particulières des modèles non linéaires
permettent d’établir de telles formules analytiques pour les prévisions à un horizon
supérieur à une période. Dans la plupart des cas, et en particulier dans le cas des modèles
à seuil, il n’existe pas de formule analytique et l’on est obligé d’avoir recours à différentes
méthodes d’approximation ou méthodes numériques pour obtenir les prévisions. Parmi
ces méthodes, figurent au moins cinq méthodes alternatives :

– Méthode de simulation par Monte-Carlo

– Méthode de simulation par Bootstrap
– Méthode dite .Naı̈ve. ou méthode dite .du Skeleton.
– Méthode Normal Forecast Error (NFE)
– Méthode dite de l’estimation Dynamique
Nous allons à présent, présenter successivement ces différentes méthodes dans le cas
particulier des modèles à seuils.

Nabil et Oussama UMBB

51 CHAPITRE 4. PRÉVISION

4.1.2 Méthodes de Simulation Numérique

Considérons un modèle autorégressif d’ordre 1 de type STAR(1 ; 1 ; 1) :

yt = F (yt−1 ; θ) + t (4.11)

où F (yt−1 ; θ) est une fonction non linéaire et θ un ensemble de paramètres. Considérons
le cas d’un modèle STAR où la variable de transition correspond au niveau de l’endogène
retardé d’une période ; i.e. xt = yt−1 . La fonction F (yt−1 ; θ) est alors définie par :

F (yt−1 ; θ)=(φ1,0 + φ1,1 yt−1 ) × [1 − G(yt−1 ; γ, c)] + (φ2,0 + φ2,1 yt−1 ) × G(yt−1 ; γ, c)(4.12)

Comme nous l’avions mentionné, à l’horizon d’une période, sachant que E[t+1 |Ωt ] = 0,
la prévision ponctuelle optimale correspond simplement au skeleton :

ŷt+1|t = [yt+1 |Ωt ] = F (yt , θ) (4.13)

Toutefois, pour un ordre h supérieur à une période, il n’est plus possible D’obtenir une
forme analytique de la prévision. Par exemple, si l’on souhaite prévoir le niveau de yt+2 ,
le prédicteur optimal s’écrit alors sous la forme suivante :

ŷt+2|t = [yt+2 |Ωt ] = E[F (yt+1 , θ)|Ωt ] (4.14)

Tout le problème tient alors au fait que de façon générale l’opérateur linéaire espérance
ne peut pas être inter changé avec la fonction non linéaire F (.). En d’autres termes, tout
le problème provient du fait que :

E[F (yt+1 , θ)|Ωt ] 6= F [E(yt+1 , θ)|Ωt ; θ] (4.15)

et donc par conséquent :

ŷt+2|t 6= F (ŷt+1|t;θ ) (4.16)
Ainsi, contrairement à un modèle linéaire, il n’existe pas de relation récursive simple entre
la prévision à des horizons successifs qui permettrait de calculer aisément la prévision à
un horizon h quelconque. La prévision optimale à l’ordre deux est ainsi définie par la
relation suivante :

ŷt+2|t = E[F (ŷt+1|t + t+1 ; θ)|Ωt ] (4.17)

Dès lors, si l’on souhaite prévoir la valeur de yt+2 conditionnellement à L’information
disponible à la date t il convient d’évaluer la quantité :

Z +∞
ŷt+2|t = F (ŷt+1|t + t+1 ; θ)|Ωt )f ()d (4.18)
−∞

oùf () désigne la fonction de densité du choc t+1 : Etant donné qu’il n’est généralement
pas possible de dériver une expression analytique de cette intégrale, l’évaluation de

Nabil et Oussama UMBB

52 CHAPITRE 4. PRÉVISION

la prévision ponctuelle requiert l’utilisation de méthodes numériques fondées sur des

simulations. La méthode de simulation numérique la plus simple est la méthode de
Monte-Carlo. Cette méthode nécessite que l’on fasse une hypothèse sur la distribution
(1) (i) (N )
des résidus t+1 . On simule alors N tirages indépendants {t+1 , . . . , t+1 , . . . t+1 } dans
MC
cette distribution et la prévision ponctuelle de yt+2 notée ŷt+2|t est alors définie par la
quantité moyenne :

N
MC 1 X (i)
ŷt+2|t = ŷ
N i=1 t+2|t
N
1 X (i)
= F (ŷt+1|t ; θ) + t+1 (4.19)
N i=1
Une méthode alternative consiste à ré-échantillonner les résidus historiques, notés ˆt en
(1) (i) (N )
tirant des séquences ˆt+1 , . . . , ˆt+1 , . . . ˆt+1 dans la séquence des résidus historiques 1 , 2 , t
B
La prévision ponctuelle de yt+2 par méthode de Bootstrap, notée ŷt+2|t , est définie de
façon similaire par la quantité moyenne :

N
B 1 X (i)
ŷt+2|t = ŷ
N i=1 t+2|t
N
1 X (i)
= F (ŷt+1|t ; θ) + t+1 (4.20)
N i=1
Les avantages et inconvénients respectifs de ces deux méthodes sont bien connus.
L’avantage essentiel de la méthode Bootstrap par rapport à la méthode de Monte
Carlo est qu’elle ne nécessite a priori aucune hypothèse sur la distribution de t+1 . La
généralisation de ces deux formules conduit des relations de récurrence qui permettent
(par simulations) d’obtenir la valeur de la prévision ponctuelle à un horizon h quelconque.
Ainsi, de façon générale, les prévisions ponctuelles obtenues par méthode de Monte Carlo
et de Bootstrap sont définies par les relations suivantes pour h ≥ 2 :
N
MC 1 X (i)
ŷt+h|t = ŷ (4.21)
N i=1 t+h|t
où dans le cas de la méthode de Monte Carlo, on :

i (i)
ŷt+j|t = F (ŷt+j−1|t , θ) + t+j−1 (4.22)
et dans le cas de la méthode de Bootstrap :
i (i)
ŷt+j|t = F (ŷt+j−1|t , θ) + ˆt+j−1 (4.23)
(i) (i)
où t+j−1 et ˆt+j−1 désignent respectivement deux tirages du choc t+h−1 issus soit d’une
distribution postulée a priori, soit d’un tirage au hasard dans la séquence historique des

Nabil et Oussama UMBB

53 CHAPITRE 4. PRÉVISION

chocs estimés. La condition initiale de ces relations de récurrence étant alors fournie par
le skeleton pour l’ordre h = 1 (équation 4.13).

4.1.3 Méthode ”Naı̈ve” ou Méthode dite du ”Skeleton”

Une autre solution permettant d’obtenir une prévision ponctuelle dans un modèle
non linéaire consiste à négligerle terme d’erreur de prévision t+1 dans la formule (4.17).
En posant t+1 = 0, la prévision optimale de yt+2 , dite prévision ’naı̈ve’ et notée yt+2|t ,
correspond alors simplement au skeleton du modèle non linéaire :

N
ŷt+j|t = E[F (ŷt+j−1|t , θ)|Ωt ] = F (ŷt+1|t ; θ (4.24)
avec ŷt+1|t = F (yt ; θ) (cf. équation 4.13). On obtient alors une formule récursive facile
à mettre en œuvre et qui ne nécessite aucune simulation numérique. Pour un ordre h
quelconque la valeur de la prévision ’naı̈ve’ est définie par une relation récursive de la
forme :

N N
ŷt+h|t = F (ŷt+h|t ; θ) h ≥ 1 (4.25)
Cette méthode ”naı̈ve”, ou méthode dite du ”skeleton”, a été utilisée entre autres par
Tong (1990) et Brown et Mariano (1989). Naturellement, elle conduit à une forte perte
d’efficacité et à des prévisions biaisées. Lin et Granger (1994) montrent ainsi que les
méthodes de type Bootstrap ou Monte Carlo dominent largement la méthode naı̈ve en
termes de biais de prévision dans de nombreux exercices de simulations.

4.1.4 Méthode Normal Forecast Error (NFE)

Comme nous l’avons vu, le calcul de la prévision optimale de yt+2 nécessite d’évaluer
une intégrale définie notamment à partir de la fonction de densité des erreurs de
prévisions commises sur la prévision à l’ordre un (équation 4.18). Il existe toutefois
une autre façon d’écrire la prévision optimale. Celle-ci revient à exprimer la prévision
optimale en fonction de la distribution conditionnelle du ”vrai” processus yt+1 par
rapport à l’ensemble d’information disponible à la date t. Formellement, la définition de
la prévision optimale ŷt+2|t (équation 4.18) peut se réécrire sous deux formes alternatives :

Z +∞
ŷt+2|t = F (ŷt+1|t + t+1 ; θ)f ()d (4.26)
−∞
ou encore
Z +∞
ŷt+2|t = F (yt+1 ; θ)g(yt+1 |Ωt )dyt−1 (4.27)
−∞

où g(yt+1 |Ωt ) désigne la distribution conditionnelle de yt+1 par rapport à l’ensemble
d’information Ωt Comme le note Van Dijk (2002), cette distribution correspond à la
distribution du résidu t+1 avec une moyenne égale à F (yt+1 |Ωt ). En effet, compte tenu
de la définition de la prévision à l’ordre un (équation 4.13), l’erreur de prévision t+1 est

Nabil et Oussama UMBB

54 CHAPITRE 4. PRÉVISION

définie par l’écart entre le vrai processus yt+1 et le skeleton, i.e. t+1 =yt+1 − F (yt ; θ) : Par
conséquent, la fonction de densité associée à l’erreur de prévision t+1 ; notée f (t+1 ) ;
peut se réécrire sous la forme f [yt+1 − F (yt ; θ)] : Conditionnellement à l’ensemble
d’information Ωt ; le skeleton F (yt ; θ) est connu. Ainsi, la densité non conditionnelle
des erreurs de prévision f (t+1 ) correspond en fait à la densité conditionnelle du vrai
processus yt+1 centré sur F (yt ; θ) : Enfin, sachant que le skeleton F (yt+1 ; θ) correspond à
l’espérance conditionnelle de yt+2 sachant yt+1 ; la prévision optimale peut s’écrire sous
la forme suivante :

Z +∞
ŷt+2|t = E(yt+2 |yt+1 )g(yt+1 |Ωt )dyt−1 (4.28)
−∞

Naturellement, cette définition ne résout en rien le problème de l’évaluation de cette

intégrale. Mais elle présente certaines propriétés intéressantes lorsque que l’on envisage la
formule de révision des prévisions entre deux dates successives. En effet, dès lors que l’on
cherche à évaluer la prévision optimale à un ordre h quelconque, se pose immédiatement
le problème de la caractérisation de la distribution conditionnelle g(yt+1 |Ωt ) : Toutefois,
celle-ci peut s’écrire en fonction de la distribution conditionnelle g(yt+h |yt+h−1 ) sous la
forme :

Z +∞
g(yt+h|Ωt ) = g(yt+h |yt+h−1 )g(yt+h−1 |Ωt )dyt+h−1 (4.29)
−∞

Ainsi l’équation 3.28 peut être généralisée à la prévision optimale yt+h|t

ˆ pour un ordre h
quelconque.
Z +∞
ŷt+h|t = E(yt+h|Ωt = g(yt+h |yt+h−1 )g(yt+h−1 |Ωt )dyt+h−1 (4.30)
−∞

Cette équation signifie que la prévision optimale à l’ordre h dépend de la distribution

conditionnelle de yt+h−1 . Par conséquent, une procédure itérative peut être envisagée
à partir de la relation récursive (4.29) : pour caractériser g(yt+h−1 |Ωt ) en fonction de
g(yt+h−2 |Ωt ) (et ainsi de suite jusqu’à Modèles Non Linéaires et Prévisions g(yt+1 |Ωt )
, il suffit de calculer la quantité g(yt+h−1 |yt+h−2 ) : Or rappelons que celle-ci n’est rien
d’autre que la distribution du choc t+h−1 dont la moyenne est .fixée à F (yt+h−2 ; θ) :
La procédure récursive peut démarrer pour h = 2 en utilisant le fait que g(yt+1 |Ωt ) =
f [yt+1 − F (yt ; θ)] : La caractérisation de g(yt+h−1 |Ωt ) pour h > 2 implique alors de répéter
la phase d’intégration numérique dans l’équation (4.29).

Toutefois, cette méthode peut s’avérer très lourde à implémenter notamment pour
des valeurs de h élevées. Une solution alternative consiste à supposer que l’erreur de
prévision commise à l’horizon h - 1 est normalement distribuée. Formellement, on suppose
que l’erreur t+h−1 = yt+h−1 − ŷt+h−1|t est distribuée selon une loi normale de moyenne
2
nulle et de variance σh−1 Sous cette hypothèse, la distribution conditionnelle g(yt+h−1 |Ωt )
correspond à une distribution normale d’espérance égale à ŷt+h−1|t , et de variance égale
2
à σh−1 Cette méthode, fondée sur l’hypothèse de normalité de la dernière erreur de

Nabil et Oussama UMBB

55 CHAPITRE 4. PRÉVISION

prévision et proposée initialement par Pemberton (1987), est connue sous le nom de
méthode NFE pour Normal Forecast Error.

4.1.5 Méthode de l’estimation Dynamique

Dans l’esprit des méthodes d’estimation dynamique appliquées aux modèles linéaires
(Clements et Hendry, 1996), il est possible de construire une prévision ponctuelle pour
yt+h à partir de l’information disponible en t en établissant directement au sein de
l’échantillon d’estimation (in sample) une relation entre yt et yt−h : Par exemple, si l’on
souhaite construire une prévision pour un horizon h de deux périodes, on commence par
établir la forme de la relation entre yt et yt−2 : Formellement, si l’on considère le cas d’un
modèle non linéaire autorégressif d’ordre un, on a :

yt = F (yt−1 ; θ) + t = F [F (yt−2 ; θ) + t−1 ; θ] + t (4.31)

Ce modèle peut parfois se récrire sous une forme simplifiée de type :

yt = G(yt−1 ; θ) + vt (4.32)
où vt désigne une combinaison éventuellement non linéaire des chocs t et t−1 . Ce modèle
simplifié peut être estimé et dès lors, à partir de cette relation estimée, il est possible de
prévoir directement yt+2 à partir uniquement de l’observation de yt :

ŷt+2|2 = G(yt , θ̂) (3.33)

Cette fonction G(yt , θ̂) sauf pour le cas particulier d’une prévision à l’ordre h = 1 ne
correspond naturellement pas au skeleton F (yt ; θ) du modèle non linéaire. Cette méthode
discutée dans Granger et Teräsvirta (1993) a notamment été utilisée par Clements et
Smith (1997) dans le cadre des modèles SETAR.[4].

Parmi les méthodes analytiques cités précedemment nous avons choisi

pour notre application la méthode de Monte Carlo (MC).

4.2 Application sur des données réelles

Prévision de la série réelle Log Lynx canadien (1821- 1934)

Nous avons choisi pour notre application la série du Log Lynx canadien sur la
période (1821-1934) . En effet, Le graphique ci-dessous présente (en base log10) les
nombres annuels de lynx mis aux enchères à Londre durant les années par la Hudson Bay
Compagny ; soit 114 observations. Ces nombres reflètent dans une certaine proportion
l’évolution de la population des lynx dans la région MacKenzie River au nord-ouest du
Canada où ils sont capturés. Cette série historique a fait l’objet de plusieurs études, elle
sert de référence pour différentes méthodes de modélisation.

Nabil et Oussama UMBB

56 CHAPITRE 4. PRÉVISION

Figure 4.1 – représentation graphique du log10 du nombre de lynx canadien (1821-1934)

Prévision à partir d’un SETAR

Le modèle SETAR proposée dans la littérature [5] pour la modélisation de cette

série réelle est le modèle SETAR(2,2,2) suivant :

0.424 + 1.255yt−1 − 0.348yt−2 + t si yt−2 <= 2, 981

yt =

1.882 + 1.516yt−1 − 1.126yt−2 + t si yt−2 > 2, 981


Les prévisions calculées, par la méthode Monte Carlo (MC), à partir de ce modèle à
l’horizon h=15 sont représentées dans le tableau ci-dessous :

Données log10 lynx canadien Valeurs prédites à partir SETAR(2,2,2) Ecart

1,9031 1,8348 -0,0683
2,0334 2,0625 0,0291
2,3598 2,3739 0,0141
2,6010 2,6855 0,0846
3,0538 2,9682 -0,0856
3,3860 3,2145 -0,1714
3,5532 3,4253 -0,1278
3,4676 3,4552 -0,0124
3,1867 3,2632 0,0765
2,7235 2,9384 0,2150
2,6857 2,6623 -0,0234
2,8209 2,7426 -0,0782
3,0000 2,9395 -0,0605
3,2014 3,1587 -0,0427
3,4244 3,3652 -0,0592

tableau(4.1)

Nabil et Oussama UMBB

57 CHAPITRE 4. PRÉVISION

Figure 4.2 – Prévisions de la série log10 du nombre de lynx canadien à partir d’un
SETAR(2,2,2)

Interprétation des résultats

A partir des résultats obtenus précédemment ainsi que le graphe présenté ci-dessus,
nous jugeons globalement que les prévisions obtenues à partir du modèle SETAR d’ordre
2 sont satisfaisantes. En effet, les valeurs prédites se rapprochent des valeurs réelles et les
écarts calculés sont très petits. En conclusion, le modèle SETAR d’ordre 2 à bien modélisé
la série sous étude.

Nabil et Oussama UMBB

 Conclusion générale
5
La présence de fluctuations cycliques asymétriques et de diverses ruptures dans la
dynamique des variables économétriques est considérée comme l’un des problèmes ma-
jeurs dans l’analyse des séries temporelles. Pour la modélisation de ces différentes ca-
ractéristiques de cycles économiques, une large variété de techniques de séries temporelles
linéaires et non linéaires se sont employées. Comme les modèles linéaires sont incapables
de capturer de telles caractéristiques, un très grand intérêt est accordé aux spécifications
non linéaires, dont on introduit une distinction significative entre les phases d’expansion
et les phases de récession.
Ces modèles sont suffisamment flexibles pour qu’on puisse tenir compte des différentes
spécifications et des relations correspondantes à chaque phase. Parmi ces modèles non
linéaires, on peut citer les modèles autorégressifs à seuil (TAR, Tiao et Say 1994), les
modèles SETAR (Teräsvirta et Anderson, 1992), et les modèles à changements de régimes
(Markov Switching, Hamilton 1989).
Dans ce mémoire nous avons abordé la classe des modèles à seuil de type Self-Exciting
Threshold Autoregressive (SETAR). Nous nous sommes intéressés au problème d’es-
timation des paramètres d’un modèle SETAR d’ordre 1 par la méthode des moindres
carrés ordinaires (MCO) et à la prévision par la méthode Monte Carlo (MC). Sachant
que la méthode des moindres carrés n’est applicable que dans le cas linéaire, nous avons
exprimé le modèle SETAR sous la forme d’un modèle de régression linéaire multiple. La
performance de la méthode d’estimation des paramètres du modèle SETAR est montrée
par simulation. En effet, nous avons mis en évidence deux aspects à savoir : l’effet de la
taille et celui de l’appartenance à la région d’ergodicité. Pour cette dernière, nous avons
retenu, l’estimateur moyen pour chaque paramètre ainsi que la variance empirique.

Les paramètres estimés sont vraiment proches des paramètres réels du modèle
simulé. De même pour les prévisions de la série réelle du log lynx canadien par la
méthode de Monte Carlo, les valeurs prédites sont proches des données réelles.
En conclusion, les modèles de séries chronologiques à seuils sont en effet très complexe

58
59 Conclusion

et la théorie dans ce domaine est encore incomplète commençons par l’ergodicité, l’exis-
tence de solution stationnaire unique et l’identification avec l’estimation des paramètres
seuils.

Nabil et Oussama UMBB

 Bibliographie

[1] Brännäs, K., De Gooijer, J. G. et Teräsvirta, T., ”Testing linearity against nonlinear
moving average models”, Communications in Statistics : Theory and Methods 27, pp.
2025-2035, (1998).
[2] Caner et Hansen 2001, threshold Autoregressions with a unit root econometrical 69(6)
p1555-1596
[3] Céline Baranger - Julien Mathiaud , Méthode de Monte-Carlo,2012/2013.
[4] [Link] et [Link], Modèle Non linéaires et Prévision,2006
[5] Hwai-chang,ching-kang and tze leung,Time series and related topic ,lecture notes ins-
titue of mathémtical statistic
[6] gilbert colletaz,christophe hurlin, modèles non linéaire et prévisions ( 2007)
[7] Jean pascal guirnnet, analyse cliométrique des cycles de croissance de l’éducation en
france, 2005.
[8] Léonard Moulin,Le modèle linéaire multiple,(2015/2016).
[9] Remzi uctum ,Econométrie des modèles à changement de régimes : un essai de synthèse
,(march 2016)
[10] Ricco rakotomala,econométrie la régression linéaire simple et multiple,( 2016)
[11] Tong, H., , Threshold Models in Nonlinear Time Series Analysis, Lecture Notes in
Statistics, Springer-Verlag, New-York,(1983).
[12] Tong H. , ”On a threshold model”, in : C.H. Chen (Ed), Pattern recognition and
signal processing, Sijthoff and Noordhoff, Amsterdam, 101-41,(1978).
[13] Tong H. , Threshold models in nonlinear time series analysis, Lecture notes in Sta-
tistics No. 21, Springer-Verlag, New York,(1983).
[14] Tong [Link] K.S. Lim , ”Threshold autoregressions, limit cycles, and data”, Journal of
the Royal Statistical Society, B 42, 245-292,(1980).
[15] Tong .h 1990 , nonlinear times series :A dynamical system approach oxford university
press oxford.

60