POLE UNIVERSITAIRE DE KOLEA, TIPAZA

ECOLE NATIONALE SUPERIEURE DE STATISTIQUE ET D’ECONOMIE

POURQUOI UNE ECONOMETRIE DES SERIES TEMPORELLES NON STA-

La stationnarité est le socle sur lequel est bâtie toute l’économétrie des séries temporelles
(modélisation ARMA, régression linéaire simple, multiple et modélisation VAR vue en deux-
ième année master). Sans l’hypothèse de stationnarité tous les tests d’hypothèse deviennent
inopérants car, les distributions de la plupart des statistiques de tests sont déduites sous
l’hypothèse de stationnarité. L’utilisation des distributions limite standard (lois normale,
Student, Khi-deux, Fisher etc...) peuvent nous conduire à des résultats absurdes ou faux.
On admettait, avant (1982), que la croissance et les ‡uctuations en niveau des séries macroé-
conomiques pouvaient s’expliquer en décomposant, dans les travaux empiriques, les princi-
pales séries en une composante tendancielle (fonctions polynomiales et/ou trigonométrique
du temps (non-stationnarité du type déterministe), ajustées par des techniques de
régression) et une composante stationnaire I(0)

X
1
xt = Dt + j ut j
j=0
Décomposition de Wold

où Dt est la composante déterministe, et, fut g un ensemble de variables aléatoires véri…ant

E [ut ] = 0
8
< 2 si s = 0
E [ut ut+s ] =
: 0 si s 6= 0

1
 P1
etf jg un ensemble de coe¢ cients véri…ant la condition j=0 j < 1 (cette condition
assure la stationnarité de la partie moyenne mobile in…nie. L’économétrie des séries tem-
porelles s’accommoder très bien avec la non-stationnarité du type déterministe, puisque
les économètres ou les analystes des séries chorologiques estimés systématiquement la ten-
b t ) de la série (des séries) sous étude. Ils pouvaient ainsi isoler la partie
dance déterministe (D
aléatoire stationnaire (xt b t ) et utilisé les outils statistiques de l’économétrie des séries
D
temporelles stationnaires.
Au début des années quatre-vingt de nombreux articles révèlent que la plupart des séries
macroéconomiques ont un type de non stationnairité de type aléatoire, en particulier
l’article de Nelson et Plosser (1982). Ils se sont intéressés à un ensemble de quatorze séries
macroéconomiques américaines annuelles sur des durées allant de soixante ans à un siècle
et se terminant en 1970. Les principales séries analysées sont : le PNB réel, nominal,
la production industrielle par tête, plusieurs séries de prix, de salaire et de rendement, la
monnaie et sa vitesse de circulation ou encore le taux de chômage. À la seule exception du
taux de chômage, les tests e¤ectués (tests de racine unitaires) ne permettent pas de rejeter la
non-stationnarité du type aléatoire. L’approche, initié par Nelson et Plosser en 1982, souligne
que les ‡uctuations en niveau sont mieux expliqué par des modèles à racine unitaire I(1).
En d’autres termes, les changements sont "stochastiques" plutôt que "déterministes". Face
à deux types de non-stationnarité, aléatoire et déterministe, les outils d’analyse standard
des séries temporelles stationnaires ne su¢ saient plus, il fallait en parallèle développaient
d’autres outils d’analyse qui font partie, aujourd’hui de ce qu’on appelle "l’économétrie des
séries temporelles non stationnaires". En guise de motivation, à travers un exemple de
simulation nous allons exposer un des problèmes induits par la non-stationnarité. D’autres
di¢ cultés seront évoquées au fur et à mesure qu’on avancera dans le cours.
Plus concrètement, prenons un exemple que vous connaissez tous: La régression linéaire
simple entre deux séries chronologiques xt et yt . On va considérer deux cas, d’abord le cas
ou les deux processus stochastiques sont stationnaires ensuite non stationnaires.

xt et yt sont stationnaires

2
Supposons que xt et yt sont des processus dé…nis par,

xt = "1;t ((1))

yt = "2;t ((2))

avec "1;t et "2;t deux processus bruit blancs indépendants. Par conséquent, pour un
échantillon de taille (n), si on estime le modèle de régression::

yt = cxt + "t ; t = 1; ;n ((3))

on doit s’attendre à ce que l’hypothèse nulle

H0 : c = 0 ((4))

soit acceptée. La théorie nous dit qu’au seuil = 5% nous avons 95% de chance
d’accepter l’hypothèse nulle (i.e. 5% de chance de la rejeter). On va véri…er ce que
prédit la théorie par simulation. Voici comment on procède.

1. On simule deux échantillons indépendants de taille n = 200 d’une loi loi normale,
xt = "1;t N (0; 1) et yt = "2;t N (0; 1):

2. Les échantillons fxt g200 200

b
c
3. On véri…e si la valeur absolue de tc = b
c
(calculée à l’étape 3) est supérieure à
b
c
1.96 (i.e. b
c
> 1:96).

b
c
On répète les étapes 1, 2, 3 et 4 mille fois pour obtenir 1000 valeurs de tc = b
c
,
c’est-à-dire,
t1c ; t2c ; ; tic ; t1000
c

b
c
Ces 1000 valeurs sont utilisées pour estimer la fonction densité de tc = b
c
ainsi que le
pourcentage de rejet (ou acceptation) de l’hypothèse nulle (4). Voici les résultats: la
b
c
…gure 1 représente la fonction densité estimée de tc = b
c
et ces statistiques descriptives.
Ces dernières ainsi que la forme en cloche de la courbe indiquent vraisemblablement

3
qu’il s’agit bien d’une loi Normale. La partie coloriée en rouge représente le pourcentage
de rejet de l’hypothèse nulle (4). Ce pourcentage est évalué à: 4:1%. (le taux de rejet
théorique est de 5%)
Figure 1

xt et yt sont non stationnaires

Supposons que xt et yt sont des processus dé…nis par,

xt = xt 1 + "1;t (5)

yt = yt 1 + "2;t (6)

avec "1;t et "2;t deux processus bruit blancs indépendants et par dé…nition de (5) et
(6) les processus xt et yt sont aussi indépendants. Par conséquent, pour un échantillon
de taille (n), si on estime le modèle de régression (3): on doit s’attendre à ce que
l’hypothèse nulle (4) soit acceptée. La théorie nous dit qu’au seuil = 5% nous avons
95% de chance d’accepter l’hypothèse nulle (i.e. 5% de chance de la rejeter). On
va véri…er ce que prédit la théorie par simulation. De la même manière que le cas
précédent on procède comme suit.

1. On simule deux échantillons indépendants de taille n = 200 d’une loi loi normale,
"1;t N (0; 1) et "2;t N (0; 1):

2. À partir des processus "1;t et "2;t on construit les processus dé…nis par (5) et (6)

4
 3. Les échantillons fxt g200 200
t=1 et fyt gt=1 sont utilisés pour estimer le modèle (3).

b
c
4. On véri…e si la valeur absolue de tc = b
c
(calculée à l’étape 3) est supérieure à
b
c
1.96 (i.e. b
c
> 1:96).

b
c
On répète les étapes 1, 2, 3 et 4 mille fois pour obtenir 1000 valeurs de tc = b
c
,
c’est-à-dire,
t1c ; t2c ; ; tic ; t1000
c

b
c
Ces 1000 valeurs sont utilisées pour estimer la fonction densité de tc = b
c
ainsi que le
pourcentage de rejet (ou acceptation) de l’hypothèse nulle (4). Voici les résultats : la
b
c
…gure 2 représente la fonction densité estimée de tc = b
c
et ces statistiques descriptives.
Ces dernières indiquent vraisemblablement qu’il s’agit d’une loi di¤érente d’une loi
Normale. La partie coloriée en rouge représente le pourcentage de rejet de l’hypothèse
nulle (4). Ce pourcentage est évalué à: 87%. ( si l’hypothèse H0 est vraie le taux de
rejet théorique doit ètre de 5%)
Figur 2

Pour deux processus non stationnaires et indépendants, vous voyez bien que si on utilise
le seuil critique de niveau = 5% qui est de 1:96 on serait amené à accepter qu’il y ait une
relation entre deux processus non stationnaires, alors qu’il n’y a aucun lien entre eux.
Pour bien voir la di¤érence entre les deux estimations de densité de la …gure 1 et 2 vous

5
avez ci-dessous leur représentation dans un même graphe

Les deux processus non stationnaires (5) et (6) sont des processus intégrés d’ordre 1 (xt
et yt sont des marches aléatoires). Autrement dit, xt et yt sont des processus a¤ectés d’une
non stationnarité de type aléatoire. On dit aussi que xt et yt possèdent une racine unitaire.

La fonction densité estimée de la Figure 1 est quali…ée de standard (il s’agit d’une
loi normale). Toutes les lois que vous connaissez déja (Khi-deux, Student, Fisher etc)
sont des lois standard.

La fonction densité estimée de la …gure 2 est quali…ée de non standard (sa forme
explicite est généralement inconnue)