Cours - MEHIDI Kahina - Econométrie de La Finance
Cours - MEHIDI Kahina - Econométrie de La Finance
Cours - MEHIDI Kahina - Econométrie de La Finance
Polycopié pédagogique
Destiné aux étudiants de
Master 2 Economie Monétaire et Bancaire (EMB)
Module
ECONOMETRIE DE
LA FINANCE
Avec exercices d’application sur logiciel Eviews 9
Présenté par
Dr MEHIDI Kahina
Année : 2020/2021
SOMMAIRE
INTRODUCTION
La dernière unité sera consacrée aux modèles à correction d’erreur (ECM et VECM). Nous
allons présenter leur forme générale, la notion de cointégration, l’estimation du modèle et
les conditions de sa validation.
4- Prérequis
Pour pouvoir tirer le maximum de ce cours il faut :
Avoir des connaissances en statistiques descriptives, notamment les paramétrés de
dispersion ;
Maîtriser les modèles de régression linéaire ;
Avoir des connaissances en lois de probabilité
5- Visées d’apprentissage
La compétence visée par ce cours, dans son ensemble, est « d’être capable de
représenter des problèmes financiers sous formes de modèles économétriques et
d’étudier les relations de causalité entre plusieurs variables.
C’est une performance qui va se construire progressivement en maîtrisant des savoirs,
associés avec un savoir-être de professionnel.
Le cours Econométrie de la finance vise à :
En termes de connaissances et de savoirs,
Analyser des séries temporelles et faire des prévisions
Exécuter le logiciel Eviews 9 pour des estimations et des simulations
Interpréter des sorties de logiciel
Tester des hypothèses statistiques
Connaître les applications de l'économétrie de la finance
6- Modalités d'évaluation des apprentissages
L’évaluation finale se fait à travers :
a- Un examen final sur table et qui porte sur tout ce que les étudiants ayant vu dans
ce cours pendant le semestre, lors de cet examen, qui compte pour 65% de la note
finale (figure 1), ils auront
À résoudre des problèmes et situations similaires ou proches aux problèmes traités
lors des TP et des interrogations.
À répondre à des questions de synthèse (via des QCM)
À faire des interprétations de sorties de logiciel.
b- Évaluation continue et régulières à raison de 35% restant, elle leur permet
d’engranger des points tout au long du semestre, cette évaluation continue est réalisée
2
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Introduction Dr MEHIDI Kahina
par différentes formes, chaque forme présente un quart (¼) de la note globale (note
de l’évaluation continue), il s’agit :
De la moyenne des notes des interrogations écrites,
Des notes obtenues aux projets individuels
Des notes obtenues aux projets collectifs
De la présence aux TP
Figure 1 : Modalité d’évaluation
3
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Introduction Dr MEHIDI Kahina
Afin que les étudiants puissent assimiler les concepts du module économétrie de la finance,
faire des estimations des modèles économétriques, interpréter les résultats obtenus et faire
des prévisions, le cours propose plusieurs méthodes ayant leurs spécificités et leurs
avantages.
En présentiel :
Les savoirs sont transmis à travers un cours magistral, il est attendu de la part des
étudiants, une prise de note qui va leurs servir à maîtriser les concepts indispensables à
la réalisation des activités d’apprentissage proposées pendant la séance.
Ils sont également invités à participer à des débats, initiés par des questions posées sur
la séquence pédagogique en cours, sans aucune forme d’évaluation, dans le but de
développer des échanges entre eux, ils sont invités à participer librement à ces débats en
proposant des réponses aux questions posées afin de mobiliser leurs connaissances, de
comparer leurs points de vue et d’en tirer des bénéfices pédagogiques de ces échanges.
Dans les travaux pratiques qui sont programmées en parallèle avec les cours, ils sont
obligés de résoudre les exercices et les problèmes proposés sous forme de série
d’exercice pour chaque chapitre. Ça permettra de vérifier leur capacité à mobiliser les
savoirs dans la résolution des exercices et l’application sur le logiciel.
Des projets individuels leurs seront proposés, ils leurs permettront de développer leur
autonomie et leur réflexion quant à l’élaboration des modèles et l’interprétation des
résultats.
Des projets collectifs sont également proposés permettant de travailler sur des modèles
importants (des séries très longues et un nombre de variables important). Le projet
collectif va les aider à développer leurs compétences quant au travail d’équipe qui leur
permet d’échanger leurs idées afin d’assurer la qualité de leur production et de
développer des aptitudes de collaboration qui seront utiles dans leur vie professionnelle.
A distance:
Les étudiants sont appelés à:
Consulter les chapitres de cours qui va les aider à organiser leurs prises de notes en
présentiel.
Télécharger les séries des exercices et les séries de données pour les traités chez eux.
Les solutions de certains exercices sont disponibles dans la plateforme, d’autres
seront corrigés durant les séances de TP.
8- Alignement pédagogique
4
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Introduction Dr MEHIDI Kahina
Les trois fondamentaux sur lesquels repose la compétence visée dans cours sont : savoir ;
savoir-faire et savoir être. Pour les atteindre et évaluer le niveau de compréhension et le
degré d’atteinte des objectifs, différentes méthodes d’enseignement et d’évaluation sont
utilisées.
Pour le savoir de base (cadre théorique et conceptuel), il sera acquis par une méthode
transmissive jugée la plus efficace pour stocker les connaissances et les concepts théoriques.
Les étudiants seront testés sur la compréhension via les questions théorique de synthèse ou
de réflexion.
Pour les savoir-faire, il s’agit de l’application des connaissances théoriques et conceptuelles
pour pouvoir faire une estimation et interpréter ses résultats. Les étudiants seront en situation
d’application à travers des exemples et exercices à résoudre avec le logiciel Eviews 9.
La compréhension et la maîtrise des concepts liés à l’application, seront évaluées via les
interrogations permettant ainsi de passer à un stade plus avancé dans les apprentissages.
Le savoir-être va permettre de développer progressivement la sensibilité au respect des
exigences des dirigeants des entreprises face à des évaluations économétriques.
L’évaluation porte sur les résultats obtenus, leur pertinence ainsi que le respect des
échéances.
9- Modalités de fonctionnement
Le cours est organisé en :
Séances théoriques dont l’objectif est la transmission des cadres théoriques et
conceptuels.
Séance de travaux pratiques (TP), présents en parallèle avec les séances théoriques
dont l’objectif est d’avoir la capacité de mobiliser les savoirs dans la résolution des
exercices proposés avec l’application sur le logiciel Eviews 9.
Le déroulement du cours est assuré en hybride, en présentiel (en classe) et à distance
A travers la plateforme d’enseignement à distance qui permet d’approfondir les concepts vus
en présentiel et de surmonter les difficultés rencontrées (Télécharger les différents
chapitres).
Cette plateforme permet également de rester en contact permanent avec l’enseignant (forum
de discussion), de réaliser les activités individuelles et collectives ainsi que les quiz en ligne.
5
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Chapitre I :
Analyse des séries
temporelles
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Les séries temporelles constituent une branche de l'économétrie qui ont pour objet
l'étude des variables dans le temps. Elles ont pour objectif principal, la détermination des
tendances au sein de ces séries, la prévision ainsi que la stabilité des valeurs (et de leur
variation) au cours de temps. On distingue les modèles linéaires univariés et les modèles
multivariés.
1-1- Définition d’une série temporelle (chronologique)
Une série temporelle est une séquence de mesure de quelques quantités numériques durant
des périodes successives de temps. En générale, on appelle série temporelle, une suite
d’observation ordonnées dans le temps. La périodicité des observations est variable :
mensuelle (p =12), trimestrielle (p = 4), semestrielle (p =2)….
Le nombre N est appelé la longueur de la série. La valeur de 𝑌𝑡 est variable aléatoire.
L’ensemble des valeurs de 𝑌𝑡 quand t varie est appelé processus aléatoire ou processus
stochastique. Une série temporelle est ainsi la réalisation d’un processus stochastique.
1-2- Les composantes d’une série temporelle
La décomposition d’une série chronologique a pour objectif de distinguer dans l’évolution
de la série, une tendance « générale », des variations saisonnières, et des variations
accidentelles imprévisibles. Cela permet de mieux comprendre, de décrire l’évolution de la
série et de prévoir son évolution
1-2-1- La tendance (trend) Tt
La tendance représente l’évolution à long terme de la série étudiée. Elle traduit le
comportement moyen de la série (tendance à la hausse ou à la baisse).
1-2-2- La saisonnalité St
Elle correspond au phénomène qui se répète à un intervalle de temps régulier (périodique)
1-2-3- La composante résiduelle (résidus, erreur) et
Ce sont des fluctuations accidentelles irrégulières dues par exemple aux : guerre,
grèves….elle sont de nature aléatoire.
1-2-4- La composante cyclique Ct
Cette variation se trouve généralement dans les séries de longue durée et traduit des phases
successives de croissance et de récession qui constitue le cycle économique.
1-3- Modèle de décomposition d’une série chronologique
Le modèle de décomposition de la série est appelé schéma de décomposition.
Il existe deux modèles
1-3-1- Modèle additif :
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
6
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Ce modèle suppose que les 4 composantes sont indépendantes les unes des autres.
Xt = Tt + St + Ct + et
-Le modèle additif est engendré par deux lignes parallèles
-L’amplitude de variation dans le modèle additif est constante.
Figure N°2 : Schéma d’un modèle additif
Modèle additif
700
600
500
400
300
200
100
Modèle multiplicatif
140
120
100
80
60
40
20
Remarque :
Le modèle multiplicatif peut être transformé en modèle additif en utilisant le
logarithme.
Ln Xt = ln Tt + ln St + ln Ct + ln et
Exemple :
Le tableau suivant représente les ventes trimestrielles d’une entreprise pendant 3 ans.
Tableau N°1 : Données de l’exemple
T1 T2 T3 T4
2012 480 650 870 600
2013 530 720 980 690
2014 560 890 1060 780
Source : Réalisé par l’auteur
Q1 : Représenter graphiquement les données
Q2 : Décrire brièvement les phénomènes observés
Q3 : De quel type de modèle s’agit-il ?
Correction
Q1 : Représentation graphique
Figure N°4 : Représentation graphique de la série
1000
800
600
400
200
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
8
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
B- Les variations saisonnières des ventes augmentent chaque année dans le deuxième et
le troisième trimestre et baissent au premier et au quatrième trimestre.
Q3 : Cette série est de modèle additif (l’amplitude de variation est constante et la série est
encadrée par deux lignes parallèles).
1-4- Choix du modèle
Trois méthodes sont utilisées pour choisir le modèle de décomposition d'une série
chronologique. Deux méthodes sont graphiques et une autre méthode est analytique.
1-4-1- Méthode de la bande
Cette méthode consiste à tracer la droite passant par les minima et celle passant par les
maxima.
Si ces 2 droites sont à peu près parallèles : le modèle est additif.
Si ces 2 droites ne sont pas parallèles : le modèle est multiplicatif.
1-4-2- Méthode du profil
La méthode du profil utilise le graphique des courbes superposées.
Si les différentes courbes sont à peu près parallèles : le modèle est additif.
Sinon (les pics et les creux s’accentuent) : le modèle est multiplicatif.
1-4-3- Méthode du tableau de Buys Ballot
Le test de Bays Ballot se base sur le calcul des moyennes et des écarts types par année.
On dit qu’un modèle est additif si les moyennes et les écarts types sont indépendants, dans
le cas contraire, le modèle est dit multiplicatif.
Pour cela, on estime par la méthode des MCO (moindre carrées ordinaires) les paramètres α
et β dont le modèle s’écrit ainsi :
𝜎𝑖 = 𝛼 + 𝛽𝑥̅𝑖 +𝜀𝑖 𝑖 = ̅̅̅̅̅
1, 𝑛
On effectue le test de Student
Si le coefficient β est significativement différent de zéro donc le modèle est multiplicatif.
Si le coefficient β = 0 donc le modèle est additif.
1-5- La stationnarité
Avant le traitement d’une série chronologique, il convient d’étudier ses caractéristiques
stochastiques, c’est-à-dire : son espérance, sa moyenne et sa variance. Si les caractéristiques
d’une série chronologique se trouvent modifiées (variantes) dans le temps, la série est dite
non stationnaire.
De manière générale, une série est stationnaire (ou le processus stochastique 𝑌𝑡 est
stationnaire si : la moyenne et l’espérance de la série sont constantes.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
9
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝐸(𝑌𝑡 ) = 𝐸(𝑌𝑡+ℎ ) = 𝜇 ∀𝑡 , ∀ℎ
𝑉(𝑌𝑡 ) < +∞ ∀𝑡 la variance est finie et indépendante du temps.
Une série chronologique est dite stationnaire si elle ne possède ni de tendance ni de
saisonnalité.
1-6- Test de détection de tendance et de saisonnalité
Le graphique d’une série chronologique ne permet pas toujours de détecter avec certitude
l’existence d’une tendance et de saisonnalité, donc on utilise le test de Fisher qui, à partir de
l’analyse de la variance permet de détecter une éventuelle tendance et saisonnalité dans une
série chronologique.
On considère alors :
N : nombre d’année
P : nombre de période
Xij : La valeur de la série pour la i ème année = ̅̅̅̅̅
1, 𝑛 et la j ème période j= ̅̅̅̅̅
1, 𝑝
Tableau N°2 : Calcul de la variance totale (VT)
1 2 …………………………………. p Moyenne par
année
1 X1.1 X1.2 X1.p X1 .
2 X2.1 X2.2 X2.p X2 .
. .
. .
. .
. .
N Xn.1 Xn.2 …………………….. Xn.p XN .
Moyenne X.1 X. 2 ……………………….. X. p X. .
par période
Source : Réalisé par l’auteur
1
La moyenne par année 𝑋𝑖. = 𝑝 ∑𝑝𝑗=1 𝑋𝑖𝑗
1
La moyenne par période 𝑋.𝑗 = 𝑁 𝑋𝑖𝑗
1 1 𝑝
La moyenne générale 𝑋. . = 𝑁 ∑𝑁
𝑖=1 ∑𝑗=1 𝑋𝑖𝑗
𝑝
Soit :
ST : somme totale des carrés, ST = ∑𝑝𝑗=1 ∑𝑁
𝑖=1(𝑋𝑖𝑗 − 𝑋. . )
2
ST = SA =SP + SR
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
10
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝑝 𝑝
ST = P ∑𝑁 2 2 𝑁
𝑖=1(𝑋𝑖. −𝑋. . ) + N ∑𝑗=1(𝑋. 𝑗 − 𝑋. . ) + ∑𝑗=1 ∑𝑖=1(𝑋𝑖𝑗 − 𝑋𝑖. −𝑋. 𝑗 − 𝑋. . )
2
𝛼 𝑉1 = 𝑁 − 1
Si FC > 𝐹(𝑉1,𝑉2) avec { ⇒ on accepte H1
𝑉2 = (𝑃 − 1) ∗ (𝑁 − 1)
𝛼 𝑉1 = 𝑁 − 1
Si FC < 𝐹(𝑉1,𝑉2) avec { (𝑃 ⇒ on accepte H0
𝑉2 = − 1) ∗ (𝑁 − 1)
1-6-1-2- Test de saisonnalité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑎𝑖𝑠𝑜𝑛𝑛𝑖è𝑟𝑒
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑎𝑖𝑠𝑜𝑛𝑛𝑖è𝑟𝑒
𝑽𝑷 𝑺𝑷⁄𝑷−𝟏
La statistique du test de Fisher est 𝑭𝒄 = =
𝑽𝑹 𝑺𝑹⁄(𝑵−𝟏)∗(𝑷−𝟏)
𝛼 𝑉3 = 𝑃 − 1
Si FC > 𝐹(𝑉3, 𝑉2) avec { ⇒ on accepte H1
𝑉2 = (𝑃 − 1) ∗ (𝑁 − 1)
𝛼 𝑉3 = 𝑃 − 1
Si FC < 𝐹(𝑉3,𝑉2) avec { ⇒ on accepte H0
𝑉2 = (𝑃 − 1) ∗ (𝑁 − 1)
Exemple :
Une entreprise a lancé sur le marché un nouveau produit dont l’évolution des ventes sont
données dans le tableau suivant :
Tableau N°5 : Données de l’exemple
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
11
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
S1 S2
2010 19 31
2011 23 41
2012 31 45
Source : Réalisé par l’auteur
Q1 : Détecter les composantes de cette série en utilisant le tableau d’analyse de la
variance avec un risque de 5%.
ST = ∑𝑝𝑗=1 ∑𝑁
𝑖=1(𝑋𝑖𝑗 − 𝑋. . )
2
ST = 501.3
SP = N ∑𝑝𝑗=1(𝑋. 𝑗 − 𝑋. . )2
SA = P ∑𝑁
𝑖=1(𝑋𝑖. −𝑋. . )
2
9.73
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
12
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝑉𝑝 322.27 5%
FC = 𝑉𝑅 = = 66.31 𝐹(1,2) = 18.52
4.86
5%
FC > 𝐹(1,2) → on accepte H1 → La série est saisonnière donc non stationnaire
Calcul de :
Calcul de 𝑆𝑗̅
𝑝
∑𝑡 𝑆𝑡
∑𝑝𝑡 𝑆𝑡 =0 =1
𝑛
1
Florence NICOLEAU, « séries chronologiques », Polycopié de cours, IUT de NICE CÔTE D’AZUR,
Département STID, 2005/2006
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
13
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
2
Corinne PERRAUDIN, « SERIES CHRONOLOGIQUES », Université Paris I, Cours de Magistère
d’Economie – Deuxième année, 2004-2005
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
14
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Le processus DS est un processus que l’on peut rendre stationnaire par l’utilisation d’un
filtre en différence.
(𝟏 − 𝑫)𝒅 𝒀𝒕 = 𝜷 + 𝜺𝒕
𝛽 : Constante réelle
D : Opérateur de décalage
d : Ordre du filtre au décalage
Exemple :
d =1 → (1-D) 𝑌𝑡 = 𝛽 + 𝜀𝑡 → 𝑌𝑡 = 𝑌𝑡−1 + 𝛽 + 𝜀𝑡
Pour stationnariser ce processus, il faut procéder au filtre (𝑌𝑡 − 𝑌𝑡−1 ) = 𝛽 + 𝜀𝑡 , jusqu’à ce
qu’il soit stationnaire, mais il ne faut pas dépasser deux filtres, sinon elle devient inutilisable,
car elle beaucoup d’informations.
L’introduction de la constante 𝛽 dans le processus DS permet de définir deux processus
différents :
𝛽 = 0 → Le processus est dit sans dérive. 𝑌𝑡 = 𝑌𝑡−1 + 𝜀𝑡
Ce modèle est fréquemment utilisé pour analyser l’efficience des marchés financiers.
Pour le stationnariser, il suffit d’appliquer au processus le filtre au différence première.
(1 − 𝐷 ) 𝑌𝑡 = 𝜀𝑡
1 − 𝐷 = 𝑌𝑡 − 𝑌𝑡−1 = ∆ 𝑌𝑡
𝛽 ≠ 0 → Le processus DS est dit avec dérive, on écrit : 𝑌𝑡 = 𝛽 + 𝑌𝑡−1 + 𝜀𝑡
Pour le stationnariser :(1 − 𝐷 ) 𝑌𝑡 = 𝛽 + 𝜀𝑡
1 − 𝐷 = 𝑌𝑡 − 𝑌𝑡−1 = ∆ 𝑌𝑡 = 𝛽 + 𝜀𝑡
∆ 𝑌𝑡 est un processus stationnaire.
1-10-3-Test de racine unitaire (DF) 1979
C’est un test qui permet de détecter la non stationnarité d’une série temporelle et déterminer
l’existence et la nature d’une tendance (déterministe ou stochastique) dans cette chronique.
Il a pour objectif, donc, de vérifier l’hypothèse de non stationnarité contre l’hypothèse
alternative de stationnarité.
On teste alors :
H0 : La série est non stationnaire Φ = 1
H1 : La série est stationnaire Φ < 1
Les modèles servant de base à la construction de ces tests sont au nombre de trois.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
16
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Le principe du test est que si l’hypothèse H0 est retenue dans l’un des trois modèles, le
processus est alors non stationnaire.
1- : 𝑌𝑡 = φ 𝑌𝑡−1 + 𝜀𝑡 → Modèle sans constante (DS)
2- 𝑌𝑡 = φ 𝑌𝑡−1 + β + 𝜀𝑡 → Modèle avec constante (DS)
3- 𝑌𝑡 = φ 𝑌𝑡−1 + 𝛽 + 𝐶 + 𝜀𝑡 → Modèle avec tendance (TS)
Remarque :
Il convient de noter que l’application du test ADF nécessite au préalable de choisir le nombre
de retard (p) introduit de sorte à ce que les résidus soient un bruit blanc (processus
stationnaire). A cet effet, on utilise les critères d’informations Akaike et Schwarz et on
retient la valeur de p qui minimise ces critères d’information.
Stratégie du Test ADF
Etape 1 :
Estimer le modèle général avec constante et tendance (modèle 3)
Commencer à tester la signification de la tendance (trend). (Tendance significative → Le
modèle est un TS → la cause de non stationnarité c’est la tendance)
Si la tendance est significative → mode retenu et tester l’hypothèse de racine unitaire.
Si la tendance, n’est pas significative → passer à l’étape 2
Etape 2 : Cette étape ne doit être appliquée que si la trend dans le modèle précédant n’est
pas significative.
Estimer le modèle 2 ; tester la signification de la constante (c)
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
17
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Non
Test β=0
Test ϕ=1
Non Oui
Oui
Non
Oui
Test ϕ=1
Oui Non
Processus DS Processus stationnaire
Oui Non
Source : Bourbonnais R, Terraza M (2004), Analyse des séries temporelles, Application à l'économie et à la
gestion, Ed. DUNOD, Paris,
Exercice 1
Tableau N°7 : Données de l’exercice 1
T1 T2 T3 T4
2006 10 11 8 29
2007 6 8 9 27
2008 9 12 10 28
Source : Réalisé par l’auteur
Le tableau ci-dessus représente les données trimestrielles d’une série chronologique
Q1 : La série est-elle affectée par un mouvement saisonnier ?
Q2 : Quel est le modèle de décomposition de cette série ?
Q3 : Dessaisonnaliser la série
Q4 : Calculer la prévision pour l'année 2009
Solution de l’exercice 1 :
Tableau N°8 : Calcule des moyennes et des écart types
T1 T2 T3 T4 𝑋̅ σ Moyenne
par année
2006 10 11 8 29 14.5 8.44 14.5
2007 6 8 9 27 12.5 8.44 12.5
2008 9 12 10 28 14.75 7.73 14.75
Moyenne 8.33 10.33 9 28 / / 13.91
par période
Source : Réalisé par l’auteur
Calcul de la somme des carrés
𝒑
ST = ∑𝒋=𝟏 ∑𝑵 𝟐
𝒊=𝟏(𝑿𝒊𝒋 − 𝑿. . ) = [(10 – 13.91) + (11 – 13.91) + (8 – 13.91) + (29 – 13.91)
2 2 2 2
ST = 820.91
SA = P ∑𝑵
𝒊=𝟏(𝑿𝒊. −𝑿. . )
𝟐
= 4*[(14.5 - 13.91)2 + (12.5 – 13.91)2 + (14.75 – 13.91)2]
SA = 12.6
𝒑
SP = N ∑𝒋=𝟏(𝑿. 𝒋 − 𝑿. . )𝟐 = 3*[(8.33 – 13.91)2 + (10.33 – 13.91)2 + (9 – 13.91)2 + (28 –
13.91)2]
SP = 799.76
SR = ST –SA –SP = 820.91 – 12.6 – 799.76
SR = 8.99
Calcul des variances
𝑆𝑃 799.76 𝑆𝐴 12.16
VP = 𝑃−1 = = 266.58 VA = 𝑁−1 = = 6.08
3 2
𝑆𝑅 8.99 820.91
VR = (𝑃−1)∗(𝑁−1) = = 1.5 VT = = 74.62
6 11
Q1 : Test de saisonnalité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑎𝑖𝑠𝑜𝑛𝑛𝑖è𝑟𝑒
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑎𝑖𝑠𝑜𝑛𝑛𝑖è𝑟𝑒
𝑉𝑃 𝑆𝑃 ⁄𝑃−1 266.58 5%
FC = 𝑉𝑅 = 𝑆𝑅⁄(𝑁−1)∗(𝑃−1) = = 177.72 , 𝐹(3,6) = 4.76
1.5
5%
FC > 𝐹(3,6) → on accepte H1 → La série est affectée par un mouvement saisonnier.
Q2 : Pour tester le type de modèle, on applique le test de Bays Ballot
On estime le modèle suivant : 𝜎𝑖 = 𝛼 + 𝛽𝑥̅𝑖 + 𝜀𝑖
∑(𝑋𝑖 − ̅̅̅
𝑋)2
𝜎= √
𝑁
Calcul de σ1
1
σ1= √4 [(10 − 14.5)2 + (11 − 14.5)2 + (8 − 14.5)2 + (29 − 14.5)2 ]
σ1 = 8.44
σ1 +σ2 +σ3
𝜎̅ est la moyenne des écarts types 𝜎
̅=
𝑛
8.44+8.44+7.73
𝜎̅ = = 8.20
3
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
20
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Dans ce cas les Xi sont les écarts types, les Yi sont les moyennes et 𝑋̅ c’est la moyenne des
moyennes 𝑡̅
̅ 𝑡̅
∑ 𝜎 𝑥̅ −𝑁𝜎
𝛽̂ = ∑ ̅𝑖 2 𝑖 ̅ 2
𝑋 −𝑁 𝑡
̂𝜀2
𝜎 ∑ 𝑒 2⁄𝑛−2 0.23⁄1
𝜎̂𝛽̂2 = ∑ ̅ 2 = ∑ ̅ 2𝑡 =
𝑋 −𝑁(𝑡)2 𝑋 −𝑁(𝑡)2 584.06−3∗(13.91)2
𝛼̂ = 13.91-(0.63) (6.5) → 𝜶
̂ = 9.82
̂𝒊 = 𝟗.𝟖𝟐+𝟎.𝟔𝟑𝒕𝒊
𝒙
𝑋𝑐𝑣𝑠 est la série corrigée des variations saisonnières.
Q3 : Prévision
Pour faire une prévision en tenant compte de l’effet saisonnier, nous devons calculer les
coefficients saisonniers.
Le premier coefficient est égale à la moyenne des premiers trimestres S* de chaque année.
𝑆𝑖
Le coefficient saisonnier est donné par : 𝐶𝑠𝑖 = ∑𝑁
𝑖=1 𝑁
𝑋14 = 𝑋̂14 + 𝐶𝑠2 , 𝑋̂14 = 9.82 + 0.63 ∗ 𝑡14 , 𝑋̂13 = 9.82 + 0.63 ∗ 14
𝑋̂13 = 18.64
X14= 18.64 – 3.27 → X14 = 15.37
𝑋15 = 𝑋̂15 + 𝐶𝑠3 , 𝑋̂15 = 9.82 + 0.63 ∗ 𝑡15 , 𝑋̂15 = 9.82 + 0.63 ∗ 15
𝑋̂15 = 19.27
X15= 19.27 → X15 = 14.04
𝑋16 = 𝑋̂16 + 𝐶𝑠4 , 𝑋̂16 = 9.82 + 0.63 ∗ 𝑡16 , 𝑋̂16 = 9.82 + 0.63 ∗ 16
𝑋̂16 = 19.9
X16= 19.9 +13.36 → X16 = 33.26
Exercice 2
Le tableau suivant représente les données trimestrielles d'une série chronologique
Tableau N°11 : Données de l’exercice 2
T1 T2 T3 T4
2013 52 36 69 89
2014 65 45 86 111
2015 81 56 108 139
2016 102 70 135 174
Source : Réalisé par l’auteur
Q1 : La série est-elle affectée par un mouvement saisonnier ?
Q2 : Quel est le modèle de décomposition de cette série ?
Q3 : Dessaisonnaliser la série
Q4 : Calculer la prévision pour l'année suivante
Solution de l’exercice 2
Tableau N°12 : Calcul des moyennes et des écarts types
T1 T2 T3 T4 𝑋̅ σ Moyenne par
année
2013 52 36 69 89 61.5 19.70 61.5
2014 65 45 86 111 76.75 24.51 76.75
2015 81 56 108 139 96 30.89 96
2016 102 70 135 174 120.25 38.61 120.25
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
23
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
- 88.625)2]
SA = 7725.25
𝒑
SP = N ∑𝒋=𝟏(𝑿. 𝒋 − 𝑿. . )𝟐 = 4[(75 - 88.625)2 + (51.75 - 88.625)2+ (99.5 - 88.625)2 + (128.25
- 88.625)2]
SP = 12935.25
SR = ST –SA –SP
SR = 21465.75 - 7725.25 - 12935.25
SR = 805.25
Calcul des variances
𝑆𝑃 12935.25 𝑆𝐴 7725.25
VP = = = 4311.75 VA = = = 2575.08
𝑃−1 3 𝑁−1 3
𝑆𝑅 805.25 21465.75
VR =
(𝑃−1)∗(𝑁−1)
= = 89.47 VT = = 1431.05
9 15
Q1 : Test de saisonnalité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑎𝑖𝑠𝑜𝑛𝑛𝑖è𝑟𝑒
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑎𝑖𝑠𝑜𝑛𝑛𝑖è𝑟𝑒
𝑉𝑃 𝑆𝑃 ⁄𝑃−1 4311.75 5%
FC = = = = 48.19 , 𝐹(3,9) = 3.86
𝑉𝑅 𝑆𝑅⁄(𝑁−1)∗(𝑃−1) 89.47
5%
FC > 𝐹(3,9) → on accepte H1 → La série est affectée par un mouvement saisonnier
Q2 : Pour tester le type de modèle, on applique le test de Bays Ballot
On estime le modèle suivant : 𝜎𝑖 = 𝛼 + 𝛽𝑥̅𝑖 + 𝜀𝑖
̅̅̅2
∑(𝑋𝑖 − 𝑋)
𝜎= √
𝑁
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
24
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Calcul de σ1
1
σ1= √4 [(52 − 61.5)2 + (36 − 61.5)2 + (69 − 61.5)2 + (89 − 61.5)2 ]
σ1 = 19.70
𝜎̅ est la moyenne des écarts types
19.70+24.51+30.89+38.61
𝜎̅ = = 28.43
4
Dans ce cas les Xi sont les écarts types, les Yi sont les moyennes et 𝑋̅ c’est la moyenne des
moyennes 𝑡̅
̅ 𝑡̅
∑ 𝜎 𝑥̅ −𝑁𝜎
𝛽̂ = ∑ ̅𝑖 2 𝑖 ̅ 2
𝑋 −𝑁 𝑡
̂𝜀2
𝜎 ∑ 𝑒 2⁄𝑛−2 0.27⁄2
𝜎̂𝛽̂2 = ∑ ̅ 2 = ∑ ̅ 2𝑡 =
𝑋 −𝑁(𝑡)2 𝑋 −𝑁(𝑡)2 33348.87−4∗(88.625)2
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
25
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
0.32
TC = = | | = 38.55
0.0083
𝐻0: 𝛽 = 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑎𝑑𝑑𝑖𝑡𝑖𝑓
{
𝐻1: 𝛽 ≠ 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑓
𝛼/2
𝑇𝑛−2 = 𝑇20.025 = 4.303
Tc > Tt → on accepte H1 donc le modèle de décomposition de la série est multiplicatif
Q3 : Dessaisonalisation de la série
Tableau N°14 : Calcul de la série dessaisonnalisée
𝑿𝒊 𝒕𝒊 𝑿𝒊 𝒕𝒊 𝒕𝟐𝒊 ̂=𝜶
𝒙 ̂ 𝒕𝒊
̂+𝜷 ̂
𝑺𝒊 = 𝑿𝒊 /𝒙 ̅
S*=𝑺𝒊 /𝑺 𝑿𝒄𝒗𝒔 = 𝑿𝒊 /𝑺 ∗
2013 52 1 52 1 43.2 1.2037 1.09 1.10 47.27
36 2 72 4 50.08 0.7188 0.65 55.38
69 3 207 9 56.96 1.2113 1.11 62.16
89 4 356 16 63.84 1.3941 1.27 70.07
2014 65 5 325 25 70.72 0.9191 0.90 1.02 63.72
45 6 270 36 77.6 0.5798 0.64 70.31
86 7 602 49 84.48 1.0179 1.13 76.10
111 8 888 64 91.36 1.2149 1.11 100
2015 81 9 729 81 98.24 0.8245 0.93 0.88 92.04
86 10 860 100 105.12 0.8181 0.87 98.85
108 11 1188 121 112 0.9642 1.03 104.85
139 12 1668 144 118.88 1.1692 1.25 111.2
2016 102 13 1326 169 125.76 0.8110 1.005 0.80 127.5
70 14 980 196 63.84 1.0964 1.09 64.22
135 15 2025 225 139.52 0.9676 0.96 140.62
174 16 2784 256 146.4 1.1885 1.18 147.45
Source : Réalisé par l’auteur
Pour dessaisonnaliser cette série, on estime le modèle suivant : 𝑥𝑖 = 𝛼 + 𝛽𝑡𝑖 +𝜀𝑖
∑ 𝑋 𝑡 −𝑁𝑋̅𝑡̅ 13632−16(90.5)(7.87)
𝛽̂ = ∑ 𝑖2 𝑖 ̅ 2 = ̂ = 𝟔. 𝟖𝟖
→𝜷
𝑡𝑖 −𝑁 𝑡 1316−16(7.87)2
𝛼̂ = 90.5-(6.88) (7.87) → 𝜶
̂ = 36.32
̂𝒊 = 𝟑𝟔. 𝟑𝟐 + 𝟔. 𝟖𝟖𝒕𝒊
𝒙
𝑋𝑐𝑣𝑠 est la série corrigée des variations saisonnières.
Q3 : Prévision
Pour faire une prévision en tenant compte de l’effet saisonnier, nous devons calculer les
coefficients saisonniers.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
26
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Ainsi, le premier coefficient saisonnier est égale à la racine carré du produit des premiers
trimestres S* de chaque année.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
28
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Pour valider la présence d’une saisonnalité, il faut que tous les coefficients soient
significatifs
C’est-à-dire : la Student calculée soit supérieur à la valeur tabulée, ou bien la probabilité soit
inférieur au risque (5%).
Tous les coefficients ont une probabilité égale à zéro (p = 0) < au risque 0.05 (5%)
Donc la série est saisonnière.
Remarque :
Il suffit qu’il y est un seul coefficient non significatif pour rejeter l’hypothèse de présence
de saisonnalité.
c- Modèle de décomposition de la série (Test de Bays Ballot)
Ce test est basé sur le calcul des moyennes et des écarts types par années.
a- calcul des moyennes et des écarts types par années
b- Estimer le modèle suivant 𝜎𝑖 = 𝛼 + 𝛽𝑥̅𝑖 + 𝜀𝑖 par les MCO
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
29
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Tc < Tt ou bien probabilité = 0.60 > au risque (0.05) → on accepte H0 donc le modèle de
décomposition de la série est additif.
d- Dessaisonalisation de la série
Ouvrir la série y → procs → Exponencial smoothing → choisir no season → nommer la
nouvelle série corrigée (ventecorrige) → OK
Figure N°8 : Graphe de la série corrigée
e- Calcul de la prévision
Ouvrir la série vente → procs → Exponencial smoothing → choisir le modèle de
décomposition de la série (additif) → nommer la nouvelle série corrigée (venteprev) → OK
Remarque : Si vous prévoyez le calcul de prévisions, lorsque vous créez le fichier de travail,
il faut inclure les périodes pour lesquelles vous voulez faire une prévision.
Les données de la série vente sont disponibles de 2006 à 2008, donc lorsqu’on veut faire une
prévision pour l’année suivante, il faut ajouter l’année 2009.
Les prévisions de la série vente pour l’année 2009, en tenant compte de l’effet
saisonnier.
Figure N° 9 : Prévision de la série vente
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
30
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
b- Test de saisonnalité
Estimer l’équation : V @seas(1) @seas(2) @seas(3) @seas(4) par les MCO
Tableau N°17 : Résultats du test de saisonnalité
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
31
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Les probabilités des quatre coefficients [@seas(1) ; @seas(2) ; @seas(3) ; @seas(4)] sont
égale respectivement à (0.0001 ; 0.0022 ;0.0000 ; 0.0000)
La probabilité de tous les coefficients est inférieur au risque 0.05 donc on accepte
l’hypothèse de présence de saisonnalité
c- Test de décomposition du modèle (Test de Bays Ballot)
Calculer les moyennes et les écarts types par année
Estimer le modèle : 𝜎𝑖 = 𝛼 + 𝛽𝑥̅𝑖 + 𝜀𝑖 par les MCO
Tableau N° 18 : Résultats du test de Bays Ballot
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
32
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝛼/2
𝑇𝑛−2 = 𝑇20.025 = 4.303
Tc = 162.27 ; probabilité = 0
Tc > Tt ou bien probabilité < au risque (0.05) → on accepte H1 donc le modèle de
décomposition de la série est multiplicatif.
d- Dessaisonalisation de la série
Pour la dessaisonalisation de la série, il existe deux méthodes :
Première méthode : moyenne mobile, cette méthode exige que le nombre d’année soit
supérieur ou égal à 4 ans et que la série soit trimestrielle ou mensuelle.
Ouvrir la série → Proc → seasonal ajustement → mooving average method
Cocher la case type du modèle (dans ce cas c’est multiplicatif) et nommer la nouvelle série
dessaisonnalisée. (vcorrige), cliquer sur OK
La série ajustée ( corrigée) des variations saisonnières (vcorrige) est créée dans l’espace de
travail.
Figure N°11 : Graphe de la série « V » corrigée avec la méthode moyenne mobile
b- Calculer une prévision pour l’année 2017 en tenant compte de l’effet saisonnier
Ouvrir la série V → Proc → exponential Smoothing → choisir le type de décomposition de
la série (multiplicatif) → nommer la nouvelle série corrigée (vprev)→ cliquer sur OK
La première fenêtre qui s’affiche c’est les coefficients saisonniers
Figure N°13 : Coefficients saisonniers
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
34
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
a- Test ADF :
Etape 1 : Tester le modèle 3
Méthode 1 : Ouvrir la série → View → Unit Root Test
Méthode 2 : Quick → series statistics → Unit root test → saisir le nom de la série → OK
Figure N°16 : Test ADF pour le modèle (3)
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
36
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
37
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
38
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
→ OK
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
39
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝐴𝐷𝐹𝑐 = 0.999812
𝐴𝐷𝐹𝑡5% = - 1.941551
𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é = 𝟎. 𝟗𝟏𝟔𝟓 > 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
40
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 17.79510
𝐴𝐷𝐹𝑡5% = - 1.941551
𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃 = 𝟎 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
41
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
42
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝐴𝐷𝐹𝑐 = - 2.389062
𝐴𝐷𝐹𝑡5% = - 2.933158
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
43
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝐴𝐷𝐹𝑐 = - 4.030509
𝐴𝐷𝐹𝑡5% = - 1.949097
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
44
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Solution de l’exercice 5 :
a- Graphe et corrélogramme de la série « CAC »
Figure N°23 : Graphe de la série « CAC »
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
45
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
b- Test ADF
Etape 1 : Tester le modèle 3 : Avec constante et avec tendance
Tableau N°25 : Estimation du modèle TS pour la série « CAC »
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
46
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
Tc = 2.994814 Tt = 2.78
Tc > Tt → Accepter H1 → la tendance est significative
En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.0029
Prob < 0.05 → on accepte H1 → la tendance est significative → La série « CAC »est un
TS
On teste directement l’hypothèse nulle de non stationnarité
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 3.130755
𝐴𝐷𝐹𝑡5% = - 3.418503
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
47
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑒𝑠𝑡 𝑝𝑎𝑠 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑒𝑠𝑡 𝑠𝑡𝑎𝑡𝑖𝑜𝑛𝑛𝑎𝑖𝑟𝑒 (𝑙𝑎 𝑠é𝑟𝑖𝑒 𝑛𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑝𝑎𝑠 𝑑𝑒 𝑟𝑎𝑐𝑖𝑛𝑒 𝑢𝑛𝑖𝑡𝑎𝑖𝑟𝑒)
𝐴𝐷𝐹𝑐 = - 3.137390
𝐴𝐷𝐹𝑡5% = - 1.941434
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
48
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
50
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
51
Chapitre II : Le
processus VAR
(vecteur
autorégressif)
(VAR)
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
Les processus VAR (vecteur autorégressif) ont été introduits par Sims (1980) comme
alternative aux modèles classiques d’économétrie qui distingue entre variable endogène et
variables exogène.
Sims a remarqué que la distinction entre les variables peut être non validée par les données
statistiques. Les caractéristiques essentielles du modèle VAR est ne plus distinguer entre
variables endogène et variables exogène au sens où toutes les variables figurant dans le
modèle ont le même statut.
2-1- Exemple introductif
Considérant deux variables aléatoires stationnaires 𝑌𝑡1 ; 𝑌𝑡2 . Chaque variable est fonction
de ses propres valeurs passées, mais aussi des valeurs passées et présentes des autres
variables.
Supposant que l’on ait p = 4, le modèle VAR (4) décrivant ces deux variables est le suivant :
4 4
𝐵𝑌𝑡 = Φ0 + ∑ Φ𝑖 𝑌𝑡−𝑖 + 𝜀𝑡
𝑖=1
1 𝑑1
Avec : 𝐵 = ( ) ; Φ0 = (𝑎𝑎1 )
𝑑2 1 2
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
53
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
Si Y1 cause Y2, cela signifie qu’un choc sur Y2 à un instant « t » a une conséquence sur Y2
mais pas sur Y1, en revanche, un choc sur Y1 a une conséquence sur Y1 mais aussi sur Y2.
Cette procédure s’appelle la décomposition de Cholesky.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
54
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
55
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
Y1 Y2
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
57
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
C 7.210467 1.559287
(3.17138) (1.87626)
[ 2.27360] [ 0.83106]
1.54 < 1.96 → on accepte H0 → Le paramètre 𝑌1,𝑡−1 dans l’équation 1 n’est pas
significatif
2.09 > 1.96 ; 4.95 > 1.96 ; 4.31 > 1.96 → on rejette H0 → Le paramètre 𝑌2,𝑡−1 dans
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
59
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
La variance de l'erreur de prévision deY1 est due pour 81.88% à ses propres innovations et
pour 18.19 à Y1. Donc, la demande a une influence non négligeable sur les prix.
Etape 7 : Analyse des réponses impulsionnelles
L’analyse impulsionnelle va permettre de déterminer l’influence d’un choc relié à
l’évolution d’une des variables sur les autres variables du système.
View → Impulse Response
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
60
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
61
Chapitre III : Les
modèles à
correction d’erreur
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
Il faut donc qu’il existe une valeur b > 0 des valeurs B1, B2……Bn vérifiant :
𝐵1 𝑋1 + 𝐵2 𝑋2 + ⋯ ⋯ + 𝐵𝑛 𝑋𝑛 est I (d-b) où chaque variables X1, X2….Xn est I (d).
L’exemple le plus fréquent est celui de « n » variables X1, X2….Xn , toutes intégrées d’ordre
« 1 » et cointégrées s’il existe une combinaison linéaire 𝐵1 𝑋1 + 𝐵2 𝑋2 + ⋯ ⋯ + 𝐵𝑛 𝑋𝑛
stationnaire, donc une expression 𝐵1 𝑋1 + 𝐵2 𝑋2 + ⋯ ⋯ + 𝐵𝑛 𝑋𝑛 I (0).
En pareil cas, chaque variable individuelle est non stationnaire avec une tendance
stochastique ou déterministe, puisqu’elle est I (1) et donc à tendance à s’éloigner de ses
propres caractéristiques initiales avec de larges fluctuations. Toutefois étant cointégrées, ces
variables divergent ensemble, elles ont tendance à ne pas trop s’éloigner les unes des autres,
puisqu’une fonction de ces variables reste stationnaire. Une force économique les relie à
long terme, de manière qu’elles ne s’écartent pas durablement d’une relation d’équilibre.
3-2- Test de cointégration (test de la trace)
Les tests de Johansen permettent de vérifier des hypothèses sur le nombre de vecteurs de
cointégration dans un système VAR (p) reliant des variables qui sont toutes intégrées du
même ordre.
Pour bien mener le test de la trace, Johansen propose cinq spécifications concernant soit les
séries, soit les vecteurs de cointégration.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
62
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
A) Absence de tendance linéaire dans les données (les séries sont toutes des processus
DS)
A-1) Absence d’une tendance linéaire dans les séries et d’un constante dans la
relation de long terme (la constante dans la relation de cointégration est non
significative)
A-2) Absence d’une tendance linéaire dans les séries, mais présence d’une constante
dans la relation de long terme.
B) Présence d’une tendance linéaire dans les données.
B-1- Présence d’une tendance dans les données et d’une constante dans la relation de
long terme.
B-2- Présence d’une tendance dans les données et dans la relation de long terme.
C) Présence d’une tendance quadratique dans les données (une tendance qui n’est pas
linéaire).
Le choix d’une de ces cinq spécifications s’effectue en fonction des données et la forme
supposée de la tendance.
Tableau N°34 : Type de processus et choix de la spécification
Type du processus 1 2 3 4 5
- Tous les processus sont des DS sans dérive * *
- Au moins un processus est un DS sans dérive *
- Au moins un processus est un TS *
- Au moins un processus a une tendance quadratique *
Source : Réalisé par l’auteur avec le logiciel Eviews 9
3-3- Le modèle ECM
Si on a deux séries cointégrées, on peut estimer le modèle à correction d’erreur (ECM)
suivant :
∆𝑌𝑡 = 𝛾Δ𝑋𝑡 + 𝛿(𝑌𝑡−1 − β𝑌𝑡−1 − 𝛼) avec : δ < 0
Autour de la relation de long terme, le modèle à correction d’erreur permet d’intégrer les
fluctuations de court terme.
Le coefficient δ - qui doit être négatif et significatif- rend compte d’une force de rappel vers
l’équilibre de long terme.
La dynamique du court terme s’écrit :
𝑌𝑡 = 𝛼0 + 𝛼1 𝑌𝑡−1 + 𝛼2 𝑋𝑡 + 𝛼3 𝑋𝑡−1 + 𝜐𝑡
La dynamique du long terme s’écrit :
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
63
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
64
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
̂𝒕 = −𝟐𝟒𝟒𝟎. 𝟕𝟒 + 𝟎. 𝟗𝟏𝑫𝒋𝒕
Le modèle estimé est : 𝑪𝒂𝒄
𝐻0: 𝛽 = 0 ⇒ 𝛽 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
𝐻1: 𝛽 ≠ 0 ⇒ 𝛽 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
Probabilité < risque 5% (0.05) → accepter H1
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
65
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
66
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
La série des résidus est stationnaire en niveau, (𝑨𝑫𝑭𝒄 = -3.37 < 𝟓% = -1.94 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓
𝑯1 ⟹ 𝑳𝒂 𝒔é𝒓 ECM 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 ⟹ Une relation de cointégration
existe entre les deux séries.
Etape 4 : Estimation de la relation de court terme
Quick → estimate equation → saisir : d(cac) d(dj) ecm(-1) → OK
Figure N°37 : Procédure d’estimation de la relation de court terme
Interprétation : Le modèle est valide à long terme et à court terme. Les marchés financiers
sont liés, s’il y a une baisse aux USA (Dj) ; il y aura un effet de contagion en France (Cac).
La force de rappel qui est égale à (-0.045) représente la vitesse avec laquelle tout déséquilibre
entre le Cac 40 et le Dow Johns est résorbé dans l’année suivant tout choc.
Exercice 2 :
Nous avons trois séries, Y1, Y2 et Y3. Nous allons tester si les trois séries se convergent à
long terme.
Etape 1 : Test de racine unitaire pour déterminer l’ordre d’intégration des séries.
Le test ADF montre que la série Y1 est issus d’un processus DS avec dérive, tandis que les
séries Y2 et Y3sont issues d’un processus DS sans dérive.
Les trois séries sont intégrées d’ordre 1. Cela signifie, qu’il y a possibilité d’existence d’une
relation de cointégration.
Etape 2 : Choix du nombre de retard optimal pour le modèle.
Le nombre de retard se choisit sous un VAR, et le VAR exige des séries stationnaires. Donc
on ne saisit pas le nom des séries brutes mais le nom des séries stationnaires :
d(Y1) d(Y2) d(Y3).
Figure N°38 : Procédure pour le choix du nombre de retard
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
68
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
70
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
Quick → Estimate VAR → saisir le nom des séries brutes, cocher VECM, saisir le nombre
de retard optimal choisi dans l’étape 2 → OK
Tableau N°40 : Résultats d’estimation de modèle VECM
Remarque : Les signes des coefficients dans la dynamique de long terme sont inversés.
L’équation de long terme est la suivante :
̂ 𝟏𝒕 = −𝟎. 𝟏𝟗 𝒀𝟐𝒕 + 𝟎. 𝟎𝟕 𝒀𝟑𝒕 + 𝟐. 𝟑𝟑
𝒀
L’équation de court terme est la suivante :
̂ 𝟏𝒕 = 𝟎. 𝟎𝟕 𝒀𝟐𝒕 + 𝟎. 𝟏 𝒀𝟑𝒕 + 𝟎. 𝟎𝟑
𝒀
Signification des paramètres et validation du modèle :
Dans la relation de long terme, il n y a que la variable Y3 qui est explicative, puisque la
probabilité du coefficient = 6.20 > 0.05
Dans la relation de court terme c’est la variable Y2 qui est explicative puisque la probabilité
de son coefficient est de 2.32 > 0.05
La force de rappel est négative et significative (probabilité = 4.13 > 0.05) donc le modèle
VECM est validé.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
71
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina
La force de rappel est égale à (-0.117692). Elle représente la vitesse avec laquelle tout
déséquilibre entre les trois variables est résorbé dans l’année suivant tout choc. Autrement
dit, lorsque l’équilibre de long terme est affecté par un choc, il faudrait 8 ans et 5 mois
(1/0.117692) pour revenir à la situation d’équilibre.
Les modèles à correction d’erreur ont l’avantage, d’une part, d’utiliser les séries
brutes permettant ainsi de garder toute l’information, et d’autre part de donner une bonne
estimation avec des équations de long terme et de court terme.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
72
Conclusion
Conclusion Dr MEHIDI Kahina
Le premier chapitre, avait pour objet l’analyse des séries temporelles. Nous avons abordé les
concepts de base des séries temporelles, à travers leurs décompositions, l’étude de leurs
caractéristiques et le calcul de leurs prévisions.
Dans le deuxième chapitre intitulé « les modèles autorégressifs », nous avons présenté la
formulation générale de ces modèles, l’estimation des paramètres, le calcul des prévisions,
et l’analyse des impulsions tout en se focalisant sur la notion de causalité.
Le dernier chapitre est consacré à l’étude des modèles à correction d’erreur. Nous avons
présenté la notion de cointégration, les conditions d’estimation de ce type de modèle et nous
avons apporté un intérêt aux deux modèle ECM et VECM.
L’analyse des séries temporelles est un champ d’étude très large. Ce cours étant semestriel,
ne nous permet pas de toucher à tous les aspects de cette branche. En effet, les modèles AR,
MA, ARIMA, ARCH et ARDL n’ont pas été traité dans ce cours. Ainsi, les étudiants sont
invités à approfondir certains aspects de ce cours, notamment l’analyse des séries
temporelles et les modèles multivariés, par des lectures complémentaires.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
73
Bibliographie
Bibliographie Dr MEHIDI Kahina
74
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Tables des matières
Table des matières Dr MEHIDI Kahina
Introduction ...................................................................................................................... 01
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Table des matières Dr MEHIDI Kahina
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews