Cours - MEHIDI Kahina - Econométrie de La Finance

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 85

Université Abderrahmane Mira-Bejaia

Faculté des Sciences Économiques, Commerciales et des Sciences de Gestion


Département des sciences économiques
Laboratoire d’économie et développement

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

CHAPITRE I : ANALYSE DES SERIES TEMPORELLES


CHAPITRE II : LE PROCESSUS VAR
CHAPITRE III : LES MODELES A CORRECTION
D’ERREUR
CONCLUSION
BIBLIOGRAPHIE
TABLE DES MATIERES
Introduction
Introduction Dr MEHIDI Kahina

1- Informations sur le cours


Faculté : Sciences économiques, commerciales et des sciences de gestion
Département : Sciences économiques
Public cible : 2ère année Master, spécialité Economie Monétaire et Bancaire (EMB)
Intitulé du cours : Econométrie de la finance
Crédit : 03
Coefficient : 03
Durée : 1 semestre
2- Présentation du cours
L'économétrie de la finance est un domaine relativement nouveau de l'économétrie, elle est
généralement appelée l’économétrie de marchés dont les prix fluctuent très rapidement et où
les contrats liant les participants à ces marchés peuvent être très complexes (options, produits
dérivés). Les marchés de devises ou de matières premières relèvent aussi de cette catégorie.
Ce cours intitulé «Econométrie de la finance» permet de se familiariser avec les séries
temporelles et les modèles nécessaires pour une meilleure représentation des phénomènes
financiers et une bonne estimation des modèles, afin d’avoir des prévisions viables
permettant la prise de décision.
Le cours est scindé en unités d’apprentissage pour faciliter l’acquisition des connaissances
et des compétences requises pour une bonne estimation et analyse qui répond aux exigences
des dirigeants des entreprises en termes de pertinences et de délai.
3- Contenu
Le cours est scindé en trois unités d'apprentissages, chaque unité est traitée à travers des
séquences pédagogiques permettant l'assimilation des concepts prévus.
Chapitre 1 : Analyse des séries temporelles
Cette unité a pour objet l’analyse des séries chronologiques à travers, la définition de leurs
caractéristiques, la détermination de leurs composantes, leurs représentations sous différents
modèles et le calcul de leurs prévisions.
Chapitre 2 : Les modèles autorégressifs
Dans ce chapitre, nous allons traiter les modèles autorégressifs (VAR) en se focalisant sur
leurs représentations générales, estimation des paramètres, étude de la causalité et calcul des
prévisions.
Chapitre 3 : Les modèles à correction d’erreur
1
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Introduction Dr MEHIDI Kahina

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

Evaluation certificative : Note finale Evaluation continue


Moyennes
25% 25% desinterrogati
35%
on écrites
Evaluation Projet
65% 25% 25%
continue individuel
L'examen sur
Projet collectif
table

Source : Réalisé par l’auteur avec Excel


Voici comment se déroule l’évaluation continue:
 Des interrogations écrites de courte durée qui portent sur les concepts vus et des
exercices, elles seront en nombre de 2 interrogations/semestre.
 Le projet individuel et qui porte sur une étude économétrique d’un phénomène
économique dans le secteur financier, et évalué sur la base de la qualité de production
et selon les critères suivants :
 Respect de l’échéance.
 La clarté du travail en considérant les étapes suivies pour la représentation du
phénomène économique, l’estimation du modèle, sa validation et
l’interprétation des résultats et qui peut être pertinente en suivant les
consignes données.
 Le projet collectif évalué sur la base de la qualité d’évaluation et selon les mêmes
critères cités pour le projet individuel.
 Chaque présence au TP sera notée, et chaque absence sera sanctionnée par une note
négative.
LA NOTE FINALE QUI ASSURERA LA RÉUSSITE DE CE COURS DOIT ÊTRE
SUPÉRIEURE OU ÉGALE À 10
7- Activités d'enseignement-apprentissage

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

Source : réalisé par l’auteur sur Excel


1-3-2- Modèle multiplicatif :
Le modèle multiplicatif suppose la dépendance des quatre composantes. L’amplitude de
variations dans ce modèle est croissante ou décroissante (variante) dans le temps.
Xt = Tt * St * Ct * et
Figure N°3 : Schéma d’un modèle additif

Modèle multiplicatif
140

120

100

80

60

40

20

Source : réalisé par l’auteur sur Excel


ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
7
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

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

graphique de la série vente


1200

1000

800

600

400

200

Source : Réalisé par l’auteur sur Excel


Q2 ; Description
A- La tendance augmente à long terme (elle est haussière)

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

1-6-1- L’analyse de la variance pour tester la stationnarité


Le test de stationnarité s’effectue à partir du tableau d’analyse de la variance
Tableau N° 3 : Tableau d’analyse de la variance
Somme des carrés Degrés de liberté désignation variance
𝑆𝑃
SP P-1 Variance par période VP = 𝑃−1
𝑆𝐴
SA N-1 Variance par année VA = 𝑁−1
𝑆𝑅
SR (P-1) (N-1) Variance résiduelle VR = (𝑃−1)∗(𝑁−1)
𝑆𝑇
ST N*P - 1 Variance totale VT = 𝑁∗𝑃−1
Source : Réalisé par l’auteur
1-6-1-1- Test de la tendance
𝐻0: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑛′ 𝑎 𝑝𝑎𝑠 𝑑𝑒 𝑡𝑒𝑛𝑑𝑎𝑛𝑐𝑒
{
𝐻1: 𝐿𝑎 𝑠é𝑟𝑖𝑒 𝑝𝑜𝑠𝑠è𝑑𝑒 𝑢𝑛𝑒 𝑡𝑒𝑛𝑑𝑎𝑛𝑐𝑒
𝑽𝑨 𝑺𝑨⁄𝑵−𝟏
La statistique du test de Fisher est 𝑭𝒄 = =
𝑽𝑹 𝑺𝑹⁄(𝑵−𝟏)∗(𝑷−𝟏)

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 = (19-31.66)2 + (23-31.66)2 + (31-31.66)2 + (31-31.66)2 + (41-31.66)2 + (45-31.66)2

ST = 501.3

SP = N ∑𝑝𝑗=1(𝑋. 𝑗 − 𝑋. . )2

SP = 3 [(24.33-31.66)2 + (39-31.66)2] → SP = 322.77

SA = P ∑𝑁
𝑖=1(𝑋𝑖. −𝑋. . )
2

SA = 2 [(25-31.66)2 + (32-31.66)2 + (38-31.66)2] → SA = 169.3

ST = SA + SP + SR → SR = ST – SA – SP → SR = 501.3 – 322.77 – 169.3 → SR =

9.73

Tableau N°6 : Application du tableau d’analyse de la variance

Somme des carrés Degrés de liberté désignation variance


SP P-1 = 2-1=1 Variance par 𝑆𝑃 322.27
VP = 𝑃−1 = = 322.27
1
période
SA N-1=3-1=2 Variance par année 𝑆𝐴 169.3
VA = = = 84.65
𝑁−1 2

SR (P-1) (N-1) = (2- Variance résiduelle 𝑆𝑅 9.73


VR = (𝑃−1)∗(𝑁−1) = = 4.86
2
1)(3-1)
ST N*P – 1= 3*2 -1 = 5 Variance totale VT =
501.3
= 100.26
5
Source : Réalisé par l’auteur
 Test de Fisher pour détecter la tendance
𝑉𝐴 84.65 5%
FC = 𝑉𝑅 = = 17.41, 𝐹(2,2) = 19
4.86
5%
FC < 𝐹(2,2) → on accepte H0 → La série n’a pas de tendance
 Test de Fisher pour détecter la saisonnalité

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

1-7- Dessaisonalisation des séries chronologiques


On appelle série désaisonnalisée ou série corrigée des variations saisonnières notée série
CVS, la série chronologique 𝑌𝑡 à laquelle on a enlevé les variations saisonnières1.
 Dans le cas du modèle additif :
La série désaisonnalisée est Dt = Yt – St
 Dans le cas du modèle multiplicatif :
La série désaisonnalisée est Dt = Yt / St
Figure N°5 : Régression sur le temps

Modèle additif Modèle multiplicatif

Xt = α+ βt + e MCO donne 𝑌̂ = 𝛼̂ + 𝛽̂𝑡

Tableau Différences saisonnières Tableau du rapport à la tendance


𝑋
𝑆𝑡 = 𝑋𝑡 − 𝑋̂𝑡 𝑆𝑡 = 𝑡⁄̂
𝑋𝑡

Calcul de :

Coefficients saisonniers (pour chaque saison) provisoires :


𝑆𝑗 = ∑𝑝𝑗 𝑆𝑗 Avec p période de saisonnalité

Calcul de 𝑆𝑗̅
𝑝
∑𝑡 𝑆𝑡
∑𝑝𝑡 𝑆𝑡 =0 =1
𝑛

Coefficients saisonniers définitifs (Sj)*

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

𝑆𝑗∗ = 𝑆𝑗 − 𝑆𝑗̅ 𝑆𝑗∗ = 𝑆𝑗 /𝑆𝑗̅

𝑋𝑡𝑐𝑣𝑠 = 𝑋𝑡 − 𝑆𝑗∗ 𝑋𝑡𝑐𝑣𝑠 = 𝑋𝑡 /𝑆𝑗∗


Source : Florence NICOLEAU, « séries chronologiques », Polycopié de cours, IUT de NICE CÔTE D’AZUR,
Département STID, 2005/2006
1-8- La prévision
La prévision a pour but d'estimer une observation futur à partir de la connaissance des valeurs
passées. D’une façon générale, une prévision est une interprétation des futures réalisations
d'une série d'observations effectuées à dates fixes et classées chronologiquement.
̂ 𝒕+𝒉 + 𝑪𝒔𝒊
Dans le cas du modèle additif, la prévision est donnée par : 𝑿𝒕+𝒉 = 𝑿
̂ 𝒕+𝒉 ∗ 𝑪𝒔𝒊
Dans le cas du modèle multiplicatif, la prévision est donnée par : 𝑿𝒕+𝒉 = 𝑿
Où 𝑪𝒔𝒊 représente le coefficient saisonnier
1-9- Fonction d’autocorrélation
C’est une fonction notée 𝜌(𝑟) qui mesure la corrélation de la série avec elle-même décalée
de k périodes. On appelle coefficient d’autocorrélation d’ordre 1 (resp. d’ordre k), le
coefficient de corrélation linéaire ρ(1) (resp. ρ(k)) calculé entre la série et cette série décalée
d’une période (resp. k périodes)2.
𝑐𝑜𝑣(𝑌𝑡 ; 𝑌𝑡−𝑘 )
𝜌𝑘 =
𝜎𝑌𝑡 𝜎𝑌𝑡−𝑘
̅ )(𝒀𝒕−𝒌 − 𝒀
∑𝒏𝒕=𝒌+𝟏(𝒀𝒕 − 𝒀 ̅)
𝝆𝒌 =
̅ )𝟐 √(𝒀𝒕−𝒌 − 𝒀
√∑𝒏𝒕=𝒌+𝟏(𝒀𝒕 − 𝒀 ̅ )𝟐

La fonction d’autocorrélation sert à étudier la stationnarité d’une série chronologique grâce


au corrélogramme qui est sa représentation graphique.
1-9-1- Test de Durbin-Watson
Le test de DW est un test paramétrique au sens où il repose sur une hypothèse concernant la
distribution de probabilité des résidus. Il s’agit du test le plus connu permettant de détecter
la présence d’autocorrélation.
Le test de DW est basé sur le calcul de la statistique suivante :
∑𝑛𝑡=2(𝑒𝑡 − 𝑒𝑡−1 )2
𝐷𝑊 =
∑𝑛𝑡=1 𝑒𝑡2

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

Où 𝑒𝑡 sont les résidus de l’estimation du modèle de régression. Il permet de tester


l’l’hypothèse nulle d’absence d’autocorrélation à l’ordre 1 des résidus contre l’hypothèse
alternative d’autocorrélation à l’ordre 1 des résidus. Si l’on suppose que le terme d’erreur
suit un processus autorégressif d’ordre1 : 𝜀𝑡 = 𝜌𝜀𝑡 + 𝜇𝑡
Le test de DW consiste à tester l’hypothèse nulle
H0 : ρ = 0, contre l’hypothèse alternative
H1 : ρ ≠ 0
Sachant que le coefficient d’autocorrélation varie entre -1 et +1, la statistique de DW varie
entre zéro et quatre (0, 4). Elle vaut zéro lorsqu’il existe une parfaite autocorrélation positive
(𝜌̂ = 1) et quatre lorsqu’il existe une parfaite autocorrélation négative (𝜌̂ = −1).
Lorsque
-DW = 2→ absence d’autocorrélation des résidus (𝜌̂ = 0).
- DW < 2 → L’autocorrélation des résidus est positive
- DW < 2 → L’autocorrélation des résidus est négative
1-10- Test de stationnarité : Dickey Fuller et Dickey Fuller augmenté (DF et ADF)
Les tests de DF et ADF permettent non seulement de détecter l’existence d’une tendance,
(test de racine unitaire, unit root test) mais aussi de déterminer la bonne manière de
stationnariser une série chronologique.
Pour se faire, deux types de processus sont distingués
 Le processus TS (trend stationnary) : Il représente une tendance de type déterministe
 Le processus DS (Differency stationnary) : Il représente une tendance de type
aléatoire.
1-10-1-Caractéristiques d’un processus TS
De façon générale, un processus TS, 𝑌𝑡 peut s’écrire : 𝒀𝒕 = 𝒇𝒕 + 𝜺𝒕
𝑓𝑡 est une fonction polynomiale de temps (elle est linéaire sous forme d’une somme, ou non
linéaire, sous forme de produit).
𝜀𝑡 est un processus de bruit blanc (stationnaire).
La fonction 𝑓𝑡 la plus utilisée est de degré 1, 𝒀𝒕 = 𝜶 + 𝜷𝒕 + 𝜺𝒕
Le processus TS est un processus que l’on peut rendre stationnaire par une régression sur la
tendance (MCO). C’est-à-dire retrancher de la valeur 𝑌𝑡 , la valeur estimée 𝑌̂𝑡 . ( 𝑌𝑡 -𝑌̂𝑡 )
1-10-2-Caractéristiques d’un processus DS
Dans le cas d’un processus DS, le processus Xt est caractérisé par une non stationnarité de
nature aléatoire.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
15
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)

1-10-4-Test de Dickey Fuller augmente (ADF)


Le test DF simple est un test de stationnarité qui ne concerne que les processus autorégressifs
d’ordre un ou processus AR(1). Le test de Dickey-Fuller a donc été prolongé par le test de
Dickey et Fuller augmenté (ou test ADF) afin de détecter la présence d’une racine unitaire
pour les processus de type AR(p).
Les tests ADF sont basés sur l’estimation par les MCO des trois modèles précédents en
introduisant des variables retardées :
𝑝
1- : 𝑌𝑡 = p𝑌𝑡−1 + ∑𝑗=2 φ𝑗 ∆𝑌𝑡−𝑗+1 + 𝜀𝑡
𝑝
2- :𝑌𝑡 = p𝑌𝑡−1 + ∑𝑗=2 φ𝑗 ∆𝑌𝑡−𝑗+1 + β + 𝜀𝑡
𝑝
3- : 𝑌𝑡 = p𝑌𝑡−1 + ∑𝑗=2 φ𝑗 ∆𝑌𝑡−𝑗+1 + 𝛽 + 𝐶 + 𝜀𝑡

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

Si la constante (c) est significative → tester l’hypothèse de racine unitaire


Si la constante n’est pas significative →passer à l’étape 3.
Etape 3 : Cette étape ne doit être appliquée que si la constante dans le modèle précédant
n’est pas significative.
Estimer le modèle 1 et tester l’hypothèse nulle de racine unitaire
Si la série n’est pas stationnaire, il faut la différencier et recommencer la procédure du test
sur la série différenciée.
Si la série est stationnaire, la procédure du test s’arrête et l’on peut directement travailler
avec la série brute.
Figure N°6 : Schématisation de la stratégie du test ADF

Estimation du modèle (3)


𝑌𝑡 = φ 𝑌𝑡−1 + 𝛽 + 𝐶 + 𝜀𝑡
Test C =0

Non
Test β=0

Test ϕ=1
Non Oui
Oui

Processus TS : |𝜑| < 1


Processus DS
𝑌𝑡 = φ 𝑌𝑡−1 + 𝛽 + 𝐶 + 𝜀𝑡 Estimation du modèle (2)
𝑌𝑡 = φ 𝑌𝑡−1 + 𝛽 + 𝜀𝑡
Test 𝛽 =1

Non
Oui
Test ϕ=1

Oui Non
Processus DS Processus stationnaire

Estimation du modèle (1)


𝑌𝑡 = φ 𝑌𝑡−1 + 𝜀𝑡
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews Test ϕ=1
18
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Oui Non

Processus DS Processus stationnaire

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

+ (6 – 13.91)2 + (8 – 13.91)2 + (9 – 13.91)2 + (27 – 13.91)2 + (9 – 13.91)2 + (12 – 13.91)2 +


(10 – 13.91)2 + (28 – 13.91)2]
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
19
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

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

𝑡̅ est la moyenne des moyennes c’est 𝑋̿


14.5+12.5+14.75
𝑡̅ = 𝑋̿ = = 13.91
3
∑ 𝑋 𝑌 −𝑁𝑋̅𝑌̅
𝛽̂ = ∑ 𝑖 2 𝑖 ̅ 2
𝑋𝑖 −𝑁 𝑋

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

Tableau N°9 : Calcul des coefficients de régression


𝜎𝑖 ̅̅̅
𝑋𝑖 𝜎𝑖 𝑋̅ 𝑋̅𝑖2 𝜎̂𝑖 ei 𝑒𝑖2
8.44 14.5 122.38 210.25 8.125 0.315 0.102
8.44 12.5 105.5 156.25 8.505 - 0.065 0.005
7.73 14.75 114.02 217.56 8.078 - 0.35 0.122
somme 341.90 584.06 0.23
Source : Réalisé par l’auteur
341.90−3∗8.20∗13.91
𝛽̂ = 2
= - 0.19
584.06−3∗(13.91)

𝛼̂ = 8.20 – [(-0.19)*13.91] = 10.88


𝜎̂𝑖 = 10.88−0.19𝑥̅𝑖
̂
𝛽
TC = | ̂ | ,
𝜎 ̂
𝛽

̂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

𝜎̂𝛽̂2 = 0.063 → 𝜎̂𝛽̂ = 0.25


−0.19
TC = | | = 0.95
0.25
𝐻0: 𝛽 = 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑎𝑑𝑑𝑖𝑡𝑖𝑓
{
𝐻1: 𝛽 ≠ 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑓
𝛼/2
𝑇𝑛−2 = 𝑇10.025 = 12.71
Tc < Tt → on accepte H0 donc le modèle de décomposition de la série est additif
Q3 : Dessaisonalisation de la série
Tableau N°10 : Calcul de la série dessaisonnalisée
𝑋𝑖 𝑡𝑖 𝑋𝑖 𝑡𝑖 𝑡𝑖2 𝑥̂ = 𝛼̂ + 𝛽̂ 𝑡𝑖 𝑆𝑖 = 𝑋𝑖 − 𝑥̂ 𝑆̅ S*=𝑆𝑖 − 𝑆̅ 𝑋𝑐𝑣𝑠 = 𝑋𝑖 − 𝑆 ∗
2006 10 1 10 1 10.45 -0.45 3.105 -3.55 13.55
11 2 22 4 11.08 -0.08 -3.185 14.185
8 3 24 9 11.71 -3.71 -6.815 14.815
29 4 116 16 12.34 16.66 13.55 15.45
2007 6 5 30 25 12.97 -6.97 -1.41 -5.56 11.56
8 6 48 36 13.6 -5.6 -4.19 12.19
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
21
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

9 7 63 49 14.23 -5.23 -3.82 12.82


27 8 216 64 14.86 12.14 13.55 13.45
2008 9 9 91 81 15.49 -6.49 -1.68 -4.81 13.81
12 10 120 100 16.12 -4.12 -2.44 14.44
10 11 110 121 16.75 -6.75 -5.07 15.07
28 12 336 144 17.38 10.62 12.3 15.7
Source : Réalisé par l’auteur

Pour dessaisonnaliser cette série, on estime le modèle suivant : 𝑥𝑖 = 𝛼 + 𝛽𝑡𝑖 + 𝜀𝑖


∑ 𝑋 𝑡 −𝑁𝑋̅𝑡̅ 1176−12(13.91)(6.5)
𝛽̂ = ∑ 𝑖2 𝑖 ̅ 2 = ̂ = 𝟎. 𝟔𝟑
→𝜷
𝑡𝑖 −𝑁 𝑡 650−12(6.5)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

−3.55 − 5.56 − 4.81


𝐶𝑠1 = = − 4.64
3
−3.185 − 4.19 − 2.44
𝐶𝑠2 = = −3.27
3
−6.815 − 3.82 − 5.07
𝐶𝑠3 = = −5.23
3
13.55 + 13.55 + 12.3
𝐶𝑠4 = = 13.36
3
La prévision est donnée par : 𝑋𝑡+ℎ = 𝑋̂𝑡+ℎ + 𝐶𝑠𝑖
Calculons la prévision pour treizième période : X13
𝑋13 = 𝑋̂13 + 𝐶𝑠1 , 𝑋̂13 = 9.82 + 0.63 ∗ 𝑡13 , 𝑋̂13 = 9.82 + 0.63 ∗ 13
𝑋̂13 = 18.01
X13= 18.01-4.64 → X13 = 13.37
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
22
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

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

Moyenne par 75 51.75 99.5 128.25 88.625


période
Source : Réalisé par l’auteur
 Calcul de la somme des carrés
ST = ∑𝒑𝒋=𝟏 ∑𝑵
𝒊=𝟏(𝑿𝒊𝒋 − 𝑿. . )
𝟐
= [(52-88.625)2+(36-88.625)2+(69-88.625)2+(89-
88.625)2+(65-88.625)2+(45-88.625)2+(86-88.625)2+(111-88.625)2+(81-88.625)2+(56-
88.625)2+(108-88.625)2+(139-88.625)2+(102-88.625)2+(70-88.625)2+(135-88.625)2+(174-
88.625)2]
ST = 21465.75
SA = P ∑𝑵 𝟐 2 2 2
𝒊=𝟏(𝑿𝒊. −𝑿. . ) = 4 [(61.5 - 88.625) + (76.75 - 88.625) + (96 -88.625) + (120.25

- 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

𝑡̅ est la moyenne des moyennes c’est 𝑋̿


61.5+76.75+96+120.25
𝑡̅ = 𝑋̿ = = 88.625
4
∑ X Y −NX̅Y̅
𝛽̂ = ∑ i 2 i ̅2
Xi −N X

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

Tableau N°13 : Calcul des coefficients de régression


𝜎𝑖 ̅̅̅
𝑋𝑖 𝜎𝑖 𝑋̅ 𝑋̅𝑖2 𝜎̂𝑖 ei 𝑒𝑖2
2013 19.70 61.5 2061,48 3782,25 19.5 0.2 0.04
2014 24.51 76.75 1881.14 5890,56 24.83 0.13 0.01
2015 30.89 96 2965.44 9216 30.54 0.35 0.12
2016 38.61 120.25 4642.85 14460,06 38.4 0.31 0.09
Somme 113.71 354.5 10700.98 33348,87 0.99 0.27
Source : Réalisé par l’auteur
10700.98−4∗28.43∗88.625
𝛽̂ = 2
= 0.32
33348.87−4∗(88.625)

𝛼̂ = 28.43 – [(0.32*88.625] = -0.18


Donc
𝝈 ̅
̂ 𝒊 = −𝟎. 𝟏𝟖 + 𝟎. 𝟑𝟐𝑿
̂
𝛽
TC = |𝜎̂ | ,
̂
𝛽

̂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

𝜎̂𝛽̂2 = 0,000069 → 𝜎̂𝛽̂ = 0.0083

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.

𝐶𝑠1 = √(1.10) ∗ (1.02) ∗ (0.88) ∗ (0.80)


𝐶𝑠1 = 0.75
𝐶𝑠2 = √(0.65) ∗ (0.64) ∗ (0.87) ∗ (1.09) = 0.48

𝐶𝑠3 = √(1.11) ∗ (1.11) ∗ (1.03) ∗ (0.96) = 1.15

𝐶𝑠4 = √(1.27) ∗ (1.11) ∗ (1.25) ∗ (1.18) = 1.84


̂ 𝒕+𝒉 ∗ 𝑪𝒔𝒊
La prévision est donnée par : 𝑿𝒕+𝒉 = 𝑿
Calcul de la prévision pour la dix-septième période : X17
𝑋17 = 𝑋̂17 ∗ 𝐶𝑠1 , 𝑋̂17 = 36.32 + 6.88 ∗ 𝑡17 ,
𝑋̂17 = 36.32 + 6.88 ∗ 17
𝑋̂17 = 153.28
X17= 153.28 * 0.75 → X17 = 114.96
Calcul de la prévision pour la dix-huitième période : X18
𝑋18 = 𝑋̂18 ∗ 𝐶𝑠2 , 𝑋̂18 = 36.32 + 6.88 ∗ 𝑡18 ,
𝑋̂18 = 36.32 + 6.88 ∗ 18
𝑋̂18 = 160.16
X17= 160.16 * 0.48 → X18 = 76.87
Calcul de la prévision pour la dix-neuvième période : X19
𝑋19 = 𝑋̂19 ∗ 𝐶𝑠3 , 𝑋̂19 = 36.32 + 6.88 ∗ 𝑡19 ,
𝑋̂19 = 36.32 + 6.88 ∗ 19
𝑋̂19 = 167.04
X19 = 167.04 * 1.15 → X19 = 192.096
Calcul de la prévision pour la vingtième période : X20
𝑋20 = 𝑋̂20 ∗ 𝐶𝑠4 , 𝑋̂20 = 36.32 + 6.88 ∗ 𝑡20 ,
𝑋̂20 = 36.32 + 6.88 ∗ 20
𝑋̂20 = 173.92
X20= 173.92 * 1.84 → X20 = 320.01
1-11- Application sur Eviews
Exercice 1
a- Graphe de la série
Figure N°7 : Graphe de la série vente
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
27
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Le graphe montre un mouvement saisonnier ou les ventes augmentent dans le deuxième et
le quatrième trimestre et baissent dans le deuxième et le troisième trimestre.
b- Test de saisonnalité
Estimer l’équation suivante :
vente @seas(1) @seas(2) @seas(3) @seas(4)
Le nombre de coefficients @seas (…) est fonction de la périodicité de la série. Ainsi, pour
une série semestrielle, nous aurons deux coefficients, pour une série trimestrielle, nous
aurons quatre coefficients…
Tableau N°15 : Résultats du test de saisonnalité

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Interprétation

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

Tableau N°16 : Résultats du test de Bays Ballot

Source : Réalisé par l’auteur avec le logiciel Eviews 9

Le modèle estimé est : 𝜎


̂𝑖 = 10.91−0.19𝑥̅ 𝑖

𝐻0: 𝛽 = 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑎𝑑𝑑𝑖𝑡𝑖𝑓


{
𝐻1: 𝛽 ≠ 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑓
𝛼/2
𝑇𝑛−2 = 𝑇10.025 = 12.71
Tc = 0.72

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9

L’effet saisonnier a été corrigé

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Exercice 2 :
a- Graphe de la série
Figure N°10 : Graphe de la série « V »

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Le modèle estimé est : 𝜎
̂𝑖 = −0.18+0.32𝑥̅ 𝑖
𝐻0: 𝛽 = 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑎𝑑𝑑𝑖𝑡𝑖𝑓
{
𝐻1: 𝛽 ≠ 0 → 𝑚𝑜𝑑è𝑙𝑒 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑓

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


L’effet saisonnier a été corrigé
La deuxième méthode : lissage exponentiel : cette méthode peut être utilisée pour
n’importe quelle série saisonnière et pour faire une prévision en tenant compte de l’effet
saisonnier.
a- Corriger la série de l’effet saisonnier
Ouvrir la série V → Proc → exponential Smoothing → no seasonal → nommer la nouvelle
série corrigée (Vajuste)→ cliquer sur OK
La nouvelle série corrigée Vajuste sans l’effet saisonnier est créée dans l’espace de travail
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
33
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Figure N°12 : Graphe de la série « V » corrigée avec la méthode lissage exponentiel

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Les prévisions sont calculées dans la nouvelles série "Vprev » créée dans l’espace de travail
Figure N°14 : Prévisions de la série « V »

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
34
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Exercice 3 :
La série « action » représente les cours journaliers d’une action pour une période de 438
jours.
a- Afficher le graphe de la série brute
b- Tester la stationnarité de la série action avec le test ADF
c- Stationnariser la série action
d- Afficher le graphe de la série différenciée.
Solution de l’exercice 3 :
a- Graphe de la série « action »
Figure N°15 : Graphe de la série « action »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Le graphe de la série « Action » montre qu’elle est n’est pas stationnaire.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
35
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)

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Dans la fenêtre ci-dessus vous avez :
 le type du test (ADF (Augmented Dickey-Fuller) pour notre cas).
 les trois modèle (modèle 3 : Trend and intercept ; modèle 2 : Intercept et modèle 1 :
None). Cocher modèle 3 : Trend and intercept
 Le niveau du test (niveau, en différence première et en deuxième différence). Cocher
level
 Le nombre de retard à inclure selon les critères d’Akaike et Schwarz. Cocher
automatic selection
Tableau N°19 : Estimation du modèle TS pour la série « action »

Source : Réalisé par l’auteur avec le logiciel Eviews 9

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
36
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Dans le modèle 3, on teste la significativité de la tendance (trend)


𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
 Table de Dickey-Fuller pour le modèle (3)
Tc > Tt → Accepter H1
Tc < Tt → Accepter H0
 Loi de Student
Probabilité < risque 5% (0.05) → accepter H1
Probabilité > risque 5% (0.05) → Accepter H0
 En utilisant la table de Dickey-Fuller pour le modèle (3)
Tc = 1.72 Tt = 2.78
Tc < Tt → Accepter H0 → la tendance n’est pas significative
 En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.0859.
Prob > 0.05 → on accepte H0 → la tendance n’est pas significative
→ passer à l’étape 2
 Etape 2 : Tester le modèle 2 : Sans tendance, avec constante
View → Unit Root test → Cocher Intercept (modèle 2) → OK
Figure N°17 : Test ADF pour le Modèle (2)

Source : Réalisé par l’auteur avec le logiciel Eviews 9

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
37
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Tableau N°20 : Estimation du modèle DS avec dérive pour la série « action »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Dans le modèle 2, on teste la significativité de la constante (C)
𝐻0: 𝐶 = 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝐶 ≠ 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
 Table de Dickey-Fuller pour le modèle (2)
Tc > Tt → Accepter H1
Tc < Tt → Accepter H0
 Loi de Student
Probabilité < risque 5% (0.05) → accepter H1
Probabilité > risque 5% (0.05) → Accepter H0
 En utilisant la table de Dickey-Fuller pour le modèle (2)
Tc = 1.49 Tt = 3.03
Tc < Tt → Accepter H0 → la constante n’est pas significative
 Loi de Student nous donne les mêmes résultats
La probabilité de la constante est prob = 0.1366
Prob > 0.05 → on accepte H0 → la constante n’est pas significative
→ passer à l’étape 3
Etape 3 : Tester le modèle 1 : Sans tendance et sans constante
View → Unit Root test → Cocher None ((pas de tendance, ni de de constance) (modèle 1)

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
38
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

→ OK

Figure N°18 : Test ADF pour le modèle (1)

Source : Réalisé par l’auteur avec le logiciel Eviews 9

Tableau N°21 : Estimation du modèle DS sans dérive pour la série « action »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Dans le modèle 1, on teste 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)
Règle de décision :
Si 𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒐𝒖 𝒃𝒊𝒆𝒏 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é < 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 (𝟓%) ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
39
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Si 𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%


𝒕 𝒐𝒖 𝒃𝒊𝒆𝒏 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é > 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 (𝟓%) ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎

𝐴𝐷𝐹𝑐 = 0.999812
𝐴𝐷𝐹𝑡5% = - 1.941551
𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é = 𝟎. 𝟗𝟏𝟔𝟓 > 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎

⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖


⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒔𝒂𝒏𝒔 𝒅é𝒓𝒊𝒗𝒆 𝒏𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆.
b- Différenciation
Puisque la série est processus DS non stationnaire → On procède au filtre en différence
View → Unit Root Test → Cocher première différence, donc c’est le premier filtre (1 st
difference)
Figure N°19 : Test ADF en première différenciation

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Tableau N°21 : Résultat du premier filtre pour la série « action »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Dans le premier filtre, on teste l’hypothèse nulle de non stationnarité

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

⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆


⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒔𝒂𝒏𝒔 𝒅é𝒓𝒊𝒗𝒆 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆.
= 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒈𝒓é𝒆 𝒅′ 𝒐𝒓𝒅𝒓𝒆𝟏, = 𝑨𝒄𝒕𝒊𝒐𝒏 ⟶ 𝑰(𝟏)
c- Créer la série différenciée (stationnarisée)
Quick → generate series → saisir : nom de la nouvelle série différenciée = d(nom de la série)
→ OK
La nouvelle série daction est créée dans l’espace de travail
d- Graphe de la série « daction »
Figure N° 20 : Graphe de la série filtrée

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Nous remarquons que la tendance à la hausse a disparu
Exercice 4 :
La série PIB représente la croissance économique d’un pays pour la période 1970-2012
a- Afficher le graphe de la série brute
b- Tester la stationnarité de la série PIB avec le test ADF
c- Stationnariser la série PIB, puis afficher son graphe.
Solution de l’exercice 4 :
a- Graphe de la série PIB
Figure N°21 Graphe de la série « PIB »

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
41
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


La lecture du graphe montre que la série PIB n’est pas stationnaire.
b- Test ADF
Etape 1 : Tester le modèle (3) : avec tendance et avec constante
Tableau N°22 : Estimation du modèle TS pour la série « PIB »

Source : Réalisé par l’auteur avec le logiciel Eviews 9

𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒


{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
 En utilisant la table de Dickey-Fuller pour le modèle (3)
Tc = 0.710128 Tt = 2.79
Tc < Tt → Accepter H0 → la tendance n’est pas significative
 En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.4818
Prob > 0.05 → on accepte H0 → la tendance n’est pas significative
→ passer à l’étape 2
Etape 2 : Tester le modèle 2 : avec constante et sans tendance
Tableau N°23 : Estimation du modèle DS avec dérive pour la série « PIB »

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
42
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Dans le modèle 2, on teste la significativité de la constante (C)
𝐻0: 𝐶 = 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝐶 ≠ 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
Règle de décision :
 En utilisant la table de Dickey-Fuller pour le modèle (2)
Tc = 2.658132 Tt = 2.54
Tc > Tt → Accepter H1 → la constante est significative
 Loi de Student nous donne les mêmes résultats
La probabilité de la constante est prob = 0.0112
Prob < 0.05 → on accepte H1 → la constante est significative
On teste maintenant 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 = - 2.389062

𝐴𝐷𝐹𝑡5% = - 2.933158

𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%


𝒕 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖
⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒂𝒄𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒂𝒗𝒆𝒄 𝒅é𝒓𝒊𝒗𝒆 𝒏𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆.
c- Différenciation
Puisque la série PIB est un processus DS non stationnaire → On procède au filtre en
différence
Tableau N° 24 : Résultats du test ADF en différence première

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
43
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9

Dans le premier filtre, on teste 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 = - 4.030509

𝐴𝐷𝐹𝑡5% = - 1.949097

𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%


𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒃 = 𝟎. 𝟎𝟎𝟎𝟐 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏

⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆


⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒂𝒗𝒆𝒄 𝒅é𝒓𝒊𝒗𝒆 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆.
= 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑷𝑰𝑩 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒈𝒓é𝒆 𝒅′ 𝒐𝒓𝒅𝒓𝒆 (𝟏), ; 𝑷𝑰𝑩 ⟶ 𝑰(𝟏)
d- graphe de la série différenciée
Figure N°22 : Graphe de la série filtrée

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
44
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Après le premier filtre, nous remarquons que la série PIB est devenue stationnaire.
Exercice 5 :
La série « CAC » représente les valeurs journalières de l’indice boursier français CAC40
pour 532 jours.
a- Afficher le graphe de la série « CAC » et son corrélogramme
b- Effectuer le test ADF
c- Stationnariser la série « CAC »
d- Appliquer le test ADF sur la série satationnarisée.

Solution de l’exercice 5 :
a- Graphe et corrélogramme de la série « CAC »
Figure N°23 : Graphe de la série « CAC »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


D’après le graphe la série « CAC » est affectée par une tendance haussière.
Figure N° 24 : Corrélogramme 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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Le corrélogramme de la série « CAC » montre qu’elle n’est pas stationnaire. En effet, il y a
plusieurs termes qui dépassent les bandes de l’intervalle de confiance et les probabilités
critiques de la statistique sont toutes égales à zéro.

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 »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
 En utilisant la table de Dickey-Fuller pour le modèle (3)

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

𝑨𝑫𝑭𝒄 > 𝑨𝑫𝑭𝟓%


𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒃 = 𝟎. 𝟏𝟎𝟎𝟐 > 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎

⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝒂𝒄 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖


⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝒂𝒄 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑻𝑺 𝒏𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆.
c- Stationnarisation de la série « CAC »
Pour stationnariser un processus TS,
 on fait une régression sur la tendance avec la méthode MCO (Quick → Estimate
equation → saisir : nom de la série c @trend → OK).
 Ensuite on génère la série des résidus (Procs → Make residual series → nommer la
nouvelle série → OK)
La nouvelle série « Cac1 » est créée dans l’espace de travail.
Application du test ADF sur la série « CAC1 »
Tableau N° 26 : Test ADF sur la série stationnarisée

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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

𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%


𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒃 = 𝟎. 𝟎𝟎𝟏𝟕 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏

⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝑨𝑪 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆


⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝑨𝑪 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑻𝑺 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆.
= 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝑪𝑨𝑪 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒈𝒓é𝒆 𝒅′ 𝒐𝒓𝒅𝒓𝒆 (𝟏), ; 𝑪𝑨𝑪 ⟶ 𝑰(𝟏)
d- Graphe et corrélogramme de la série stationnarisée
Figure N° 25 : Graphe de la série « CAC1 »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Figure N°26 : Corrélogramme de la série « CAC1 »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


La lecture du corrélogramme de la série « CAC1 » montre qu’aucun terme n’est à l’extérieur
aux deux intervalles de confiance et la statistique Q a une probabilité critique supérieure à
0.05, donc la série est stationnaire.
Exercice 6 :

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
48
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Y est une série temporelle avec un nombre d’observation N= 376.


a- Afficher le graphe de la série Y
b- Appliquer le test ADF
Solution de l’exercice 6 :
a- Graphe et corrélogramme de la série Y
Figure N° 27 : Graphe de la série « y »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


b- Test ADF : Etape 1 : Tester le modèle (3)
Tableau N° 27: Estimation du modèle TS pour la série « Y »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Dans le modèle 3, on teste la signification de la tendance (trend)
𝐻0: 𝑡𝑟𝑒𝑛𝑑 = 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝑡𝑟𝑒𝑛𝑑 ≠ 0 ⇒ 𝑡𝑟𝑒𝑛𝑑 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
49
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

 En utilisant la table de Dickey-Fuller pour le modèle (3)


Tc = 0.511896 Tt = 2.78
Tc < Tt → Accepter H0 → la tendance n’est pas significative
 En utilisant la loi de Student, nous aurons les mêmes résultats
La probabilité de la trend est prob = 0.6090.
Prob > 0.05 → on accepte H0 → la tendance n’est pas significative
→ passer à l’étape 2
 Etape 2 : Tester le modèle (2) : Sans tendance, avec constante
Tableau N°28 : Estimation du modèle DS avec dérive pour la série « Y »

Source : Réalisé par l’auteur avec le logiciel Eviews 9


𝐻0: 𝐶 = 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑛𝑜𝑛 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
{
𝐻1: 𝐶 ≠ 0 ⇒ 𝐶 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒
 Loi de Student nous donne les résultats suivants
La probabilité de la constante est prob = 0.0323
Prob < 0.05 → on accepte H1 → la constante est significative, cependant la table de Dickey-
Fuller pour le modèle (2), donne des résultats différents.
Tc = 2.148793 Tt = 2.52
Tc < Tt → Accepter H0 → la constante n’est pas significative
Dans ce cas on se réfère à la table de Dickey-Fuller donc on accepte H0 → la constante
n’est pas significative.
→ passer à l’étape 3
Etape 3 : Tester le modèle 1 : Sans tendance et sans constante
Tableau N°29 : Estimation du modèle DS sans dérive pour la série « Y »

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
50
Chapitre 1 : Analyse des séries temporelles Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


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 = -16.76852
𝐴𝐷𝐹𝑡5% = - 1.941680
𝑨𝑫𝑭𝒄 < 𝑨𝑫𝑭𝟓%
𝒕 𝒆𝒕 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é = 𝟎. 𝟎𝟎𝟎 < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏

⟹ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒀 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖


⇒ 𝑳𝒂 𝒔é𝒓𝒊𝒆 𝒀 𝒆𝒔𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒔𝒖𝒔 𝑫𝑺 𝒔𝒂𝒏𝒔 𝒅é𝒓𝒊𝒗𝒆 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖. 𝒀
→ (𝟎)
L'analyse des séries temporelle est un objet fondamental de la statistique, qui permet
de connaitre les concepts des séries chronologiques en définissant ses caractéristiques, en
déterminant ses composantes et surtout de faire des prévisions pour une meilleure prise de
décision.

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

𝑌1𝑡 = 𝑎1 + ∑ 𝑏1𝑖 𝑌1 𝑡−𝑖 + ∑ 𝑐1𝑗 𝑌2 𝑡−𝑗 − 𝑑1 𝑌2𝑡 + 𝜀1𝑡


𝑖=1 𝑗=1
4 4

𝑌2𝑡 = 𝑎2 + ∑ 𝑏2𝑖 𝑌1 𝑡−𝑖 + ∑ 𝑐2𝑗 𝑌2 𝑡−𝑗 − 𝑑2 𝑌1𝑡 + 𝜀2𝑡


{ 𝑖=1 𝑗=1

𝜀1𝑡 et 𝜀2𝑡 sont des bruits blancs non corrélés.


Sous la forme matricielle le modèle VAR (4) s’écrit :
4

𝐵𝑌𝑡 = Φ0 + ∑ Φ𝑖 𝑌𝑡−𝑖 + 𝜀𝑡
𝑖=1

1 𝑑1
Avec : 𝐵 = ( ) ; Φ0 = (𝑎𝑎1 )
𝑑2 1 2

𝑌𝑡 = (𝑌𝑌1𝑡) ; Φ𝑖 = (𝑏𝑏1𝑖 𝑐1𝑖


𝑏
) ; 𝜀𝑡 = (𝜀𝜀1𝑡)
2𝑡 2𝑖 2𝑖 2𝑡

2-2- Formulation générale


Le modèle général VAR (P) décrivant deux variables 𝑌𝑡1 et 𝑌𝑡2 s’écrit de la manière
suivante :
𝑌𝑡 = Φ0 + Φ1 𝑌𝑡−1 + ⋯ ⋯ + Φ𝑝 𝑌𝑡−𝑝 + 𝜀𝑡
Pour un nombre de retard P = 1 → Le modèle VAR (1) à deux variables Y1, Y2 → nous
donne 8 paramètres
𝑌 = 𝑎1 + 𝑏1.1 𝑌1 𝑡−1 + 𝑐1.1 𝑌2 𝑡−1 − 𝑑1 𝑌2𝑡 + 𝜀1𝑡
{ 1𝑡
𝑌2𝑡 = 𝑎2 + 𝑏2.1 𝑌1 𝑡−1 + 𝑐2.1 𝑌2 𝑡−1 − 𝑑2 𝑌1𝑡 + 𝜀2𝑡
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
52
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

1 𝑑1 𝑌1𝑡 𝑎1 𝑏 𝑐1.1 𝑌1,𝑡−1 𝜀1𝑡


[ ] [ ] = [𝑎 ] + [ 1.1 ][ ] + [𝜀 ]
𝑑2 1 𝑌2𝑡 2 𝑏2.1 𝑐2.1 𝑌2,𝑡−1 2𝑡

⇒ 𝐵𝑌𝑡 = Φ0 + Φ1 𝑌𝑡−1 + 𝜀𝑡 VAR(1)


2-3- Estimation des paramètres
Les paramètres du processus VAR ne peuvent être estimés que sur des séries temporelles
stationnaires.
Deux techniques d’estimation sont utilisées :
-Estimation de chaque équation du modèle VAR par la méthode des moindres carrées
ordinaires (MCO).
-Estimation par la technique du maximum du vraisemblance.
L’estimation du modèle VAR nécessite le choix du nombre de retard (p). Afin de déterminer
cette valeur, il est possible d’utiliser les critères d’information d’Akaik (AIC) et Schwarz
(SC).
Le processus consiste à estimer un certain nombre de modèle VAR allant de zéro à « h »,
avec h, le nombre de retard maximum.
On retient le retard « p » qui minimise les critères d’AIC et SC. En cas de différence, on
utilise le principe de parcimonie qui consiste à choisir la valeur « p » la plus faible.
2-4- La causalité au sens de Granger
La notion de causalité joue un rôle très important en économie dans la mesure où elle permet
de mieux comprendre les relations entre les variables.
Afin de mieux présenter cette notion, considérant deux variables Y1 et Y2.
On dit que Y1 cause Y2 au sens de Granger si la prévision de Y2 fondée sur la connaissance
des passés conjoints de Y1 et Y2 est meilleure que la prévision fondée sur la seule
connaissance du passé de Y2. (Granger 1969)
2-5- Analyse des impulsions
2-5-1- La fonction de réponse impulsionnelle
C’est une fonction qui analyse un choc (appelé innovation) sur les variables).
L’analyse consiste à mesurer la variation
Pour analyser les chocs, il faut choisir entre deux possibilités :
Y1 cause Y2 ou bien Y2 cause Y1

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.

2-5-2- La décomposition de la variance


La décomposition de la variance de l’erreur de prévision a pour objectif de calculer pour
chacune des innovations (chocs) sa contribution à la variance de l’erreur.
L’interprétation des résultats est importante :
*Si un choc sur 𝜀1 affecte fortement voir totalement la variance de l’erreur Y2 alors, Y2 est
considérée comme endogène.
Aussi, les résultats indiquent la contribution de chacune des variables à la variance de
l’erreur.
2-6- Applications sur Eviews
Exercice 1 :
On a deux séries, Y1 qui représente la demande et Y2 qui représente les prix. Nous allons
estimer un modèle VAR.
Etape 1 : Test de racine unitaire pour déterminer l’ordre d’intégration des séries.
Le test ADF montre que les deux séries sont stationnaires en niveau, autrement dit, elles sont
I(0).
Y1 et Y2 sont des processus DS sans dérive
Etape 2 : Choix du nombre de retard optimal pour le modèle VAR (P).
Le nombre de retard se choisit selon les critères d’informations d’Akaike et Schwarz
Méthode 1 :
Quick → Estimate VAR → Saisir le nom des séries (Y1 Y2)→ Cocher VAR → on
commence par un retard P=1 → OK
Figure N° 28 : Procédure pour le choix du nombre de retard

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
54
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


On prend les valeurs des critères d’Akaike et Schwarz.
On refait la même chose pour un retard P = 2, puis P = 3 et P = 4 et à chaque fois on prend
les valeurs d’informations des critères AIC et SC.
Tableau N°30 : Les valeurs des critères d’information AIC et SC
p 1 2 3 4
Aic 20.97 20.96 20.97 21.01
Sc 21.03 21.06 21.12 21.20
Source : Réalisé par l’auteur avec le logiciel Eviews 9
On choisit le retard P qui minimise les critères AIC et SC
Selon AIC, P=2 (puisque la valeur la plus faible des quatre est (20.96) et elle correspond à
p=2)
Selon SC, P=1 (puisque la valeur la plus faible des quatre est (21.03) et elle correspond à p=
1)
Dans ce cas de différence, on utilise le principe de parcimonie selon lequel il faut choisir
la valeur de P la plus faible des deux.
Donc le nombre de retard optimal est P = 1 et notre modèle est VAR(1)
Méthode 2 :
Estimer le modèle VAR : Quick → Estimate VAR → Saisir le nom des séries (Y1 Y2)→
Cocher VAR → on commence par un retard P=1 → OK → View → Lag structure → Lag
Length Criteria → introduire de nombre de retard maximum → OK
Figure N°29 : Choix du nombre de retard pour le modèle VAR

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
55
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Le même principe, on choisit le nombre de retard « p » qui minimise les valeurs d’Akaike et
Schwarz
Etape 3 : La causalité au sens de Granger
Quick → Group statistics → Granger Causality Test → Saisir le nom des séries → OK
Figure N° 30 : Procédure de la causalité de Granger

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Saisir le nombre de retard optimal choisis dans l’étape 2 → OK
Figure N°31 : Spécification du nombre de retard

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Les résultats sont les suivants
Tableau N°31 : Résultats de la causalité de Granger
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
56
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Interprétation
Le test de causalité est formulé sous les deux hypothèses suivantes :
𝐻0: 𝑌2 𝑛𝑒 𝑐𝑎𝑢𝑠𝑒 𝑝𝑎𝑠 𝑌1 𝑎𝑢 𝑠𝑒𝑛𝑠 𝑑𝑒 𝐺𝑟𝑎𝑛𝑔𝑒𝑟
 {
𝐻1: 𝑌2 𝑐𝑎𝑢𝑠𝑒 𝑌1 𝑎𝑢 𝑠𝑒𝑛𝑠 𝑑𝑒 𝐺𝑟𝑎𝑛𝑔𝑒𝑟
Règle de décision :
Si 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é < 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
Si Probabilité > 𝟎. 𝟎𝟓 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
Probabilité = 0.0369 < 0.05 → On accepte H1 → donc Y2 cause Y1 au sens de
Granger.
𝐻0: 𝑌1 𝑛𝑒 𝑐𝑎𝑢𝑠𝑒 𝑝𝑎𝑠 𝑌2 𝑎𝑢 𝑠𝑒𝑛𝑠 𝑑𝑒 𝐺𝑟𝑎𝑛𝑔𝑒𝑟
 {
𝐻1: 𝑌1 𝑐𝑎𝑢𝑠𝑒 𝑌2 𝑎𝑢 𝑠𝑒𝑛𝑠 𝑑𝑒 𝐺𝑟𝑎𝑛𝑔𝑒𝑟
Probabilité = 1.1E-06 = 0.0000011 < 0.05 → On accepte H1, Donc Y1 cause Y2 au
sens de Granger.
Nous rejetons H0 dans les deux cas, Y2 cause Y1 et Y1 cause Y2. Nous avons un
effet de boucle rétroactive (feedback). Le prix influence la demande et la demande
influence le prix.
Etape 3 : Estimation du modèle VAR(1)
Quick → Estimate VAR → Saisir le nom des séries, le nombre de retard optimal et cocher
VAR → OK
Tableau N° 32 : Estimation du modèle VAR(1)
Vector Autoregression Estimates
Date: 01/30/21 Time: 22:13
Sample (adjusted): 2 372
Included observations: 371 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Y1 Y2

Y1(-1) 0.084288 -0.159821 Estimation du paramètre

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
57
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

(0.05455) (0.03227) L’écart type


[ 1.54517] [-4.95219]
La statistique de Student
Y2(-1) -0.180512 0.220286
(0.08620) (0.05100)
[-2.09420] [ 4.31969]

C 7.210467 1.559287
(3.17138) (1.87626)
[ 2.27360] [ 0.83106]

Source : Réalisé par l’auteur avec le logiciel Eviews 9


L’équation du modèle estimé est la suivante :
𝑌̂1𝑡 = 0.084𝑌1,𝑡−1 − 0.180𝑌2,𝑡−1 + 7.210
𝑌̂2𝑡 = −0.159𝑌1,𝑡−1 + 0.220𝑌2,𝑡−1 + 1.559

Etape 4 : Tester la signification des paramètres


On compare la t-statistic à la t-tabulée
𝐻0: 𝛽 = 0
{
𝐻1: 𝛽 ≠ 0
Règle de décision :
Si 𝒕𝒄 < 𝒕𝟓%
𝒕 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎 Lorsque : N > 30 → 𝒕𝟓%
𝒕 = 𝟏. 𝟗𝟔
Si 𝒕𝒄 > 𝒕𝟓%
𝒕 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏

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

l’equation1 et les paramètres𝑌1,𝑡−1 , 𝑌2,𝑡−1 dans l’équation 2 sont significatifs.


 Y1 est expliqué uniquement par Y2 (les prix). La demande dépend uniquement des
prix.
 Y2 est expliqué par Y1 et le passé de Y2 donc les prix dépendent des prix passés et
de la demande.
Etape 5 : La prévision
On calcule la prévision à un horizon de deux périodes
𝑌̂1;373 = 0.084𝑌1;372 − 0.180𝑌2;372 + 7.210
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
58
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

𝑌̂1;373 = 0.084(0) − 0.180(−7) + 7.210


𝑌̂1;373 = 8.47
𝑌̂2;373 = −0.159𝑌1;372 + 0.220𝑌2;372 + 1.559
𝑌̂2;373 = −0.159(0) + 0.220(−7) + 1.559
𝑌̂2;373 = 0.017
𝑌̂1;374 = 0.084𝑌1;373 − 0.180𝑌2;373 + 7.210
𝑌̂1;374 = 0.084(8.47) − 0.180(0.017) + 7.210
𝑌̂1;374 = 7.92
𝑌̂2;374 = −0.159𝑌1;373 + 0.220𝑌2;373 + 1.559
𝑌̂2;374 = −0.159(8.47) + 0.220(0.017) + 1.559
𝑌̂2;374 = 0.208
Etape 6 : Décomposition de la variance
La décomposition de la variance de l’erreur de prévision a pour objectif de calculer pour
chacune des innovations sa contribution à la variance de l’erreur
View → Variance Decomposition
Tableau N°33 : Résultats de décomposition de la variance

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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

Figure N°34 : Procédure des réponses impulsionnelles

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Les figures suivantes retracent les fonctions de réponse impulsionnelle. L’effet du choc est
étudié sur une période de 10 ans.
Figure N°35 : Les réponses impulsionnelles

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
60
Chapitre 2 : Le processus VAR (Vecteur autorégressif) Dr MEHIDI Kahina

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Un choc sur Y1 se répercute sur Y2. En effet, un choc sur la demande se traduit par un effet
négatif sur les prix durant la première année, puis positif au cours de la deuxième année pour
s’amortir à la cinquième année.
Les modèles VAR permettent de déceler les liens dynamiques entre les variables, ils
permettent d'expliquer une variable par rapport à ses retards et en fonction de l'information
contenue dans d'autres variables pertinentes. C’est une méthode assez simple à mettre en
œuvre et comprend des procédures d'estimation et des tests.

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

La vérification de l’existence d’une relation linéaire entre plusieurs variables et l’estimation


de ses paramètres est confrontée à de nombreux problèmes, d’autant plus que certaines
variables ont une tendance stochastique (racine unitaire).
Même si dans la réalité, aucune relation linéaire ne lie ces variables, une estimation par MCO
peut donner des résultats qui font croire faussement qu’une telle relation existe et qu’elle est
importante (coefficient de détermination élevé et statistique de Student significative).
C’est le phénomène bien connu de régression fallacieuse (GRA 1974) et (PHI 1986).
En fait, l’existence d’une réelle relation à long terme entre les variables intégrées est soumise
à certaines conditions, appelées cointégration entre les variables intégrées. Si les variables
sont intégrées (ce que l’on vérifie avec les tests de racine unitaire), il faut vérifier leur
éventuelle cointégration pour savoir si elles entretiennent réellement une relation de long
terme.
3-1- Définition de la cointégration
Des processus stochastiques X1, X2….Xn intégrés du même ordre « d » sont cointégrés s’il
existe une combinaison linéaire de ces processus qui est intégrée d’un ordre inférieur à « d ».

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

𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡 Car à long terme : 𝑌𝑡 = 𝑌𝑡−1 et 𝑋𝑡 = 𝑋𝑡−1


Donc la dynamique de court terme devient à long terme :
𝑌𝑡 = 𝛼0 + 𝛼1 𝑌𝑡 + 𝛼2 𝑋𝑡 + 𝛼3 𝑋𝑡 + 𝜐𝑡
(1 − 𝛼1 )𝑌𝑡 = (𝛼2 + 𝛼3 )𝑋𝑡 + 𝛼0 + 𝜐𝑡
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝜀𝑡
𝛼2 +𝛼3 𝛼0 𝜐𝑡
Avec : 𝛽 = ; 𝛼= ; 𝜀𝑡 =
1−𝛼1 1−𝛼1 1−𝛼1

3-4- Le modèle VECM


Le modèle VECM est un modèle qui permet de modéliser les adaptations (ajustements) entre
plusieurs variables conduisant à une situation d’équilibre à long terme.
Il s’agit d’un modèle qui intègre à la fois l’évolution du court terme et de long terme.
Synthèse de la procédure du test de cointégration et d’estimation du VECM.
Etape 1 : Tester la stationnarité des séries pour déterminer s’il y possibilité de cointégration
ou non.
Etape 2 : Déterminer le nombre de retard du modèle VAR (P) avec les critères d’AIC et SC.
Etape 3 : Mettre en place le test de Johansen permettant la détermination du nombre de
vecteurs de cointégration et identification de la relation de long terme.
Etape 4 : Estimer et valider le modèle VECM avec les tests usuels.
3-5- Applications sur Eviews
Exercice 1
On a deux séries, l’indice du Cac40 et l’indice Dow John. On va tester si les deux indices se
convergent à long terme, ça nous permet de savoir s’il y a un effet de contagion dans les
marchés financiers
Etape 1 : Test de racine unitaire pour déterminer l’ordre d’intégration des séries.
A l’issu du test ADF, les deux séries « Cac » et « Dj » sont non stationnaires d’ordre 1 issus
d’un processus TS.
Donc, nous avons : Cac → I(1) et Dj → I(1), puisque les deux séries sont intégrées du
même ordre, cela veut dire qu’il y a possibilité de cointégration.
Etape 2 : Estimation de la relation de long terme
Quick → estimate equation → saisir : cac c dj → OK

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
64
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina

Figure N°36 : Procédure d’estimation de la relation de long terme

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Tableau N°35 : Résultats d’estimation de la relation de long terme

Source : Réalisé par l’auteur avec le logiciel Eviews 9

̂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

Probabilité > risque 5% (0.05) → Accepter H0


La probabilité du coefficient β est de 0 < 0.05 → β est significatif
Etape 3 : Tester la stationnarité des résidus
On teste la stationnarité de la série des résidus. Si cette série est stationnaire en niveau ce qui
veut dire que les perturbations sont un bruit blanc, cela implique l’existence d’une relation
de cointégration. En revanche si les résidus ne sont pas stationnaires, ça veut dire qu’il y
absence de relation de cointégration et ce n’est même pas la peine de continuer l’estimation.
 Pour générer la série des résidus : Procs → Make residual series → nommer la
nouvelle série (ECM) → OK
Figure N°36 : Génération de la série des résidus

Source : Réalisé par l’auteur avec le logiciel Eviews 9


 Appliquer le test ADF à la série des résidus ECM
Tableau N°36 : Résultats du test ADF sur la série des résidus

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Tableau N°37 : Résultats d’estimation de la relation de court terme

Source : Réalisé par l’auteur avec le logiciel Eviews 9

 Les paramètres sont significatifs (probabilité < 0.05)


 La force de rappel (ECM (-1)) est négative et significative.
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
67
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Le choix du nombre de retard pour le modèle VECM se fait en suivant la même procédure
que pour le modèle VAR.
Tableau N° 38 : Choix du nombre de retard pour le modèle VAR(p)
p 1 2 3 4
AIC 1.86 2.24 2.58 2.82
SC 2.37 3.13 3.85 4.50
Source : Réalisé par l’auteur avec le logiciel Eviews 9

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
68
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina

On choisit le retard P qui minimise les critères AIC et SC


Selon AIC, P = 1 (puisque la valeur la plus faible entre les quatre est (1.86) et elle correspond
à p = 1)
Selon SC, P = 1 (puisque la valeur la plus faible entre les quatre est (2.37) et elle correspond
à p = 1)
Donc le nombre de retard optimal est P = 1 et notre modèle est VAR(1)
Etape 3 : Test de cointégration (test de la trace).
Le test peut être formulé sous les deux hypothèses suivantes :
𝐻0: 𝐴𝑏𝑠𝑒𝑛𝑐𝑒 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
{
𝐻1: 𝑒𝑥𝑖𝑠𝑡𝑒𝑛𝑐𝑒 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
Règle de décision :
Si 𝒕𝒓𝒂𝒄𝒆𝒄 < 𝒕𝒓𝒂𝒄𝒆𝟓%
𝒕 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟏
Si 𝒕𝒓𝒂𝒄𝒆𝒄 > 𝒕𝒓𝒂𝒄𝒆𝟓%
𝒕 ⟹ 𝒂𝒄𝒄𝒆𝒑𝒕𝒆𝒓 𝑯𝟎
Quick → Group statistic → Johansen Cointegration Test → saisir le nom des séries brutes
→ OK
Figure N°39 : Choix de la spécification pour le test de la trace

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Choisir une des (spécifications du test selon les données et la forme supposée de la tendance).
Dans cet exemple, toutes séries sont des processus DS, donc on va cocher la spécification
3), puis saisir le nombre de retard optimal VAR(1), choisi dans l’étape 2. → OK
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
69
Chapitre 3 : Les modèles à correction d’erreur Dr MEHIDI Kahina

Tableau N°39 : Résultats du test de la trace

Source : Réalisé par l’auteur avec le logiciel Eviews 9


Interprétation des résultats :
Dans le tableau des résultats ci-dessus, nous avons 3 hypothèses nulles : (None, At moste1
et At moste 2)
𝐻0: 𝑁𝑜𝑛𝑒 (𝐴𝑏𝑠𝑒𝑛𝑐𝑒 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛)
 {
𝐻1: 𝑒𝑥𝑖𝑠𝑡𝑒𝑛𝑐𝑒 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
Trace statistique = 47.50 ; Trace tabulée à 5% = 29.68
Nous avons 𝒕𝒓𝒂𝒄𝒆𝒄 > 𝒕𝒓𝒂𝒄𝒆𝟓%
𝒕 ⟹ 𝒐𝒏 𝒂𝒄𝒄𝒆𝒑𝒕𝒆 𝑯𝟏 ⇒ 𝒊𝒍 𝒚 𝒂 𝒄𝒐𝒊𝒏𝒕é𝒈𝒓𝒂𝒕𝒊𝒐𝒏
𝐻0: 𝐼𝑙 𝑦 𝑎 𝑎𝑢 𝑝𝑙𝑢𝑠, 𝑢𝑛𝑒 𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
 {
𝐻1: 𝐼𝑙 𝑦 𝑎 𝑝𝑙𝑢𝑠 𝑑′ 𝑢𝑛𝑒 𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
Trace statistique = 20.38 ; Trace tabulée à 5% = 15.41
Nous avons 𝒕𝒓𝒂𝒄𝒆𝒄 > 𝒕𝒓𝒂𝒄𝒆𝟓%
𝒕 ⇒
𝒐𝒏 𝒂𝒄𝒄𝒆𝒑𝒕𝒆 𝑯𝟏 𝒊𝒍 𝒚 𝒂 𝒑𝒍𝒖𝒔 𝒅′ 𝒖𝒏𝒆 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒄𝒐𝒊𝒏𝒕é𝒈𝒓𝒂𝒕𝒊𝒐𝒏
𝐻0: 𝐼𝑙 𝑦 𝑎 𝑎𝑢 𝑝𝑙𝑢𝑠, 𝑑𝑒𝑢𝑥 𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛𝑠 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
 {
𝐻1: 𝐼𝑙 𝑦 𝑎 𝑝𝑙𝑢𝑠 𝑑𝑒 𝑑𝑒𝑢𝑥 𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛𝑠 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡é𝑔𝑟𝑎𝑡𝑖𝑜𝑛
Trace statistique = 8.20 ; Trace tabulée à 5% = 3.76
Nous avons 𝒕𝒓𝒂𝒄𝒆𝒄 > 𝒕𝒓𝒂𝒄𝒆𝟓%
𝒕 ⟹ 𝒐𝒏 𝒂𝒄𝒄𝒆𝒑𝒕𝒆 𝑯𝟏 ⇒
𝒊𝒍 𝒚 𝒂 𝒑𝒍𝒖𝒔 𝒅𝒆 𝒅𝒆𝒖𝒙 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒆 𝒄𝒐𝒊𝒏𝒕é𝒈𝒓𝒂𝒕𝒊𝒐𝒏
Conclusion du Test : Il y a 3 relations de cointégration au seuil de 5%.
Etape 4 : Estimation du modèle VECM
Puisque l’hypothèse d’existence de cointégration est vérifiée donc on peut estimer un modèle
VECM.

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

Source : Réalisé par l’auteur avec le logiciel Eviews 9

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 cours « Econométrie de la finance » s’adresse aux étudiants de Master 2, spécialité


Economie Monétaire et Bancaire. Ce cours, divisés, en trois unités d’apprentissage
s’intéresse aux séries temporelles, notamment aux modèles multivariés. Chaque unité est
illustrée d’applications empiriques à la macroéconomie et à la finance. Les exercices et les
exemples d’application sont réalisés avec le logiciel Eviews 9. Dans le but de faciliter la
compréhension des procédures d’application et l’interprétation pour les étudiants, les
résultats sont exposés tels qu’ils apparaissent sous Eviews 9.

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

1) BOURBONNAIS R et TERRAZA M (2004), « Analyse des séries temporelles,


Application à l'économie et à la gestion », Ed. DUNOD, Paris,
2) BOURBONNAIS R, (2009), « Econométrie, Manuel et exercices corrigés », 7ème
Edition, DUNOD, Paris
3) BRESSON G. et A. PIROTTE, (1995), Econométrie des séries temporelles : théorie
et applications, PUF
4) DEGERINE Serge, (2007) cour de séries chronologique. Université Joseph Fourier
5) HAMISULTANE Hélène, Econométrie des séries temporelles, Consulté le
10/05/2020 sur http: https://halshs.archives-ouvertes.fr/cel-01261174/
6) GOUREROUX, C. ET MONFORT, A. (1983), cour de séries temporelles,
Economica, Paris
7) KHEDHIRI Sami, (2007), « Cours d’économétrie, méthode et applications »,
LAVOISIER
8) MONBET. V, (2017), « Modélisation des séries temporelles Master Statistique et
Économétrie Notes de cours », Consulté le 15/05/2020 sur https://perso.univ-
rennes1.fr/valerie.monbet/ST_M1/CoursST2017_1.pdf
9) LARDIC Sandrine et MIGNON Valérie, (2002), « Econométrie des séries
temporelles Macroéconomiques et financières ». Edition ECONOMICA.
10) MIGNON Valérie, (2008), « Econométrie. Théorie et Applications», Corpus
Economie. Edition ECONOMICA.
11) NICOLEAU Florence, « séries chronologiques », Polycopié de cours, IUT de NICE
CÔTE D’AZUR, Département STID, 2005/2006
12) PERRAUDIN Corinne, « SERIES CHRONOLOGIQUES », Université Paris I, Cours
de Magistère d’Economie – Deuxième année, 2004-2005

74
ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Tables des matières
Table des matières Dr MEHIDI Kahina

Introduction ...................................................................................................................... 01

Chapitre 1 : Analyse des séries temporelles ................................................................... 06

1-1- Définition d’une série temporelle (chronologique) ................................................. 06


1-2- Les composantes d’une série temporelle ................................................................. 06
1-2-1. La tendance (trend) Tt .............................................................................................. 06
1-2-2. La saisonnalité St ..................................................................................................... 06
1-2-3- La composante résiduelle (résidus, erreur) et ........................................................... 06
1-2-4- La composante cyclique Ct ....................................................................................... 06
1-3- Modèle de décomposition d’une série chronologique ............................................. 06
1-3-1- Modèle additif........................................................................................................... 06
1-3-2- Modèle multiplicatif ................................................................................................ 07
1-4- Choix du modèle...................................................................................................... 09
1-4-1- Méthode de la bande ................................................................................................. 09
1-4-2- Méthode du profil ..................................................................................................... 09
1-4-3- Méthode du tableau de Buys Ballot .......................................................................... 09
1-5- La stationnarité ........................................................................................................ 09
1-6- Test de détection de tendance et de saisonnalité ..................................................... 10
1-6-1- L’analyse de la variance pour tester la stationnarité ................................................ 11
1-11-1-1- Test de la tendance ........................................................................................... 11
1-11-1-2- Test de saisonnalité ............................................................................................ 11
1-12- Dessaisonalisation des séries chronologiques ......................................................... 13
1-13- La prévision ............................................................................................................ 14
1-14- Fonction d’autocorrélation ...................................................................................... 14
1-14-1-Test de Durbin-Watson ........................................................................................... 14
1-15- Test de stationnarité : Dickey Fuller et Dickey Fuller augmenté (DF et ADF) ...... 15
1-15-1- Caractéristiques d’un processus TS ........................................................................ 15
1-15-2- Caractéristiques d’un processus DS ....................................................................... 15
1-15-3- Test de racine unitaire (DF) .................................................................................... 16
1-15-4-Test de Dickey Fuller augmente (ADF) ................................................................. 17
1-16- Application sur Eviews ........................................................................................... 27

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews
Table des matières Dr MEHIDI Kahina

Chapitre 2 : Le Processus VAR (Vecteur autorégressif) .............................................. 50

2-1- Exemple introductif ................................................................................................. 50


2-2- Formulation générale ............................................................................................... 50
2-3- Estimation des paramètres ....................................................................................... 51
2-4- La causalité au sens de Granger .............................................................................. 51
2-5- Analyse des impulsions ........................................................................................... 51
2-5-1- La fonction de réponse impulsionnelle..................................................................... 51
2-5-2- La décomposition de la variance .............................................................................. 52
2-6- Applications sur Eviews .......................................................................................... 52

Chapitre 3 : Les modèles à correction d’erreur .............................................................. 59

3-1- Définition de la cointégration .................................................................................. 59


3-2- Test de cointégration (test de la trace) ..................................................................... 59
3-3- Le modèle ECM ..................................................................................................... 60
3-4- Le modèle VECM .................................................................................................... 61
3-5- Applications sur Eviews .......................................................................................... 61
Conclusion ......................................................................................................................... 71
Bibliographie ..................................................................................................................... 72

ECONOMETRIE DE LA FINANCE
Avec exercices d’application sur logiciel Eviews

Vous aimerez peut-être aussi