1.
INTRODUCTION
Le premier objectif dans l’analyse d’une série chronologique est de nature descriptive :
identifier, estimer et interpréter les principales composantes qui gouvernent le mécanisme de
production de ses données. Les outils statistiques de description sont essentiellement les méthodes
non paramétriques extrapolatives (les filtres, les moyennes mobiles,…) et les méthodes
paramétriques (la régression linéaire, la régression non linéaire,…).
Le deuxième objectif poursuivi est la prévision des valeurs futures du mécanisme qui produit
les données de la série chronologique. Celle-ci est calculée à partir de modèles explicatifs. La
décomposition de Wold donne une première représentation sous la forme d’un processus linéaire
stationnaire à l’ordre deux. Les processus de type AutoRégressif Moyenne Mobile ( ARMA ) sont
plus utiles en pratique. Leur principal attrait est qu’ils sont très simples à mettre en œuvre avec la
méthodologique de Box et Jenkins. Cet avantage constitue également une limite majeure. En effet,
ils ne peuvent pas capter des phénomènes d’hétéroscédasticité et d’asymétrie. Ces limites permettent
le recours des processus Autorégressifs Conditionnellement Hétéroscédastiques (en abrégé, ARCH
), développés par Engle (1982). Bollerslev (1986) a proposé une généralisation du modèle ARCH ,
appelée processus GARCH qui s’est montré très utile en pratique.
Le troisième objectif est l’analyse multivariée des séries temporelles. Elle permet
d’améliorer les prévisions relativement à celles issues de la seule approche univariée. Lorsque les
séries chronologiques étudiées sont générées par un processus aléatoire multivarié stationnaire, le
modèle vectoriel autorégressive ( VAR ) est approprié pour construire les prévisions. Par contre si
celles-ci sont générées par des processus non stationnaires, ce modèle n’est plus approprié sur les
variables en niveau. La méthode de cointégration permet de contourner ce problème. En effet, ce
concept montre que sous certaines conditions le modèle VAR peut être reparamétré sous la forme
d’un modèle vectoriel à correction d’erreurs (en abrégé, MVCE ). Les représentations
autorégressives à retards échelonnés (en abrégé ARDL ) complètent cette approche lorsque certaines
chroniques sont générées par des processus non stationnaires et d’autres par des processus
stationnaires. La démarche généralement recommandée pour choisir la modélisation adaptée à k
séries chronologiques multivariées observées est celle proposée par Johansen.
L’objectif du cours est la modélisation des processus uni et multivarié afin de permettre la
construction de prévisions explicatives et l’étude des relations dynamiques entre les variables.
© Jean Cléophas Ondo, Ph.D.