Test De Dickey Fuller

. . . . . . . . . . . . . . 45 47 48 51 51 52 52 53 54 55 57 60 65 65 67 69 70 71 75 84 87 87 87 87 88 88 92 98 98 98 100 102 4 5.2.1. 5.2.2. 5.2.3. Bibliographie Principe . . . . . . . . . . . . . . . . . . . . . . 102 Tests de Dickey-Fuller augmenté . . . . . . . . 104 Tests de Phillips-Perron . . . . . . . . . . . . . 105 107 109 109 109 111 113 117 117 119 120 121 121 125 125 127 132 137 138 139 140 A Séries de Fourier et filtres numériques 1. La transformée de Fourier . . .

d’effectuer un test de stationnarité sur les variables. Dans le cadre de notre étude, nous optons pour le test de racine unitaire Dickey-Fuller Ajusté. Ce test permet non seulement de détecter l’existence d’une tendance mais aussi de déterminer la bonne manière de stationnariser une série. L’estimation se déroule en plusieurs étapes : - Test de normalité des erreurs de JARQUE-BERRA - Test d’hétéroscédasticité de Breusch – Pagan - Test d’autocorrélation des erreurs (test de Durbin Watson) - Test sur

série affectée d’une tendance. Le graphe et le corrélogramme donnent une idée générale sur la tendance, mais pour plus de certitude, il convient de faire des tests pour déterminer est ce qu’elle est significative ou non. Test des différences : le test des différences est un test non paramétrique4 qu’on peut présenter comme suit : Hypothèses : H₀ : tendance significative. H1 : distribution aléatoire (tendance nulle). Soit X l’observation d’une série chronologique à l’instant t, on va calculer S

coordination des politiques budgétaires au sein de l’union. La causalité a été déterminée dans chaque pays à partir d’une méthodologie axée sur les analyses de cointégration débouchant sur des représentations vectorielles à correction d’erreur puis sur le test de causalité de Toda et Yamamoto (1995). L’existence d’une hétérogénéité dans la causalité dépenses publiques-croissance économique en zone UEMOA conduit alors à réfléchir sur un nouveau modèle de coordination budgétaire intégrant cette hétérogénéité

.............................................................................................. 36 3.2 SÉRIES CHRONOLOGIQUES .................................................................................................................. 37 3.2.1 Test d’autocorrélation................................................................................................................ 39 3.2.2 Stationnarité...............................................................................................

pouvoir d’achat §1-A-1) Présentation du modèle §1-A-2) Les données §1-A-3) Test de stationnarité des séries §1-A- 4) Test de cointégration §1-A-5) Estimation du modèle à correction d’erreur §1- B) Modèle de Cashin et al. 232 232 233 236 237 239 245 245 248 250 251 252 §1- B-1) Présentation du modèle §1-B-2) Les données statistiques de l’analyse empirique §1-B-3) Etude de la stationnarité §1-B-4) Test de cointégration §1-B-5) Estimation du modèle ECM §1-C) Mesure de mésalignement

l'approvisionnement énergétique qui en a résulté. C’est dans le cadre de cette littérature que (Apergis & Danuletiu, 2014) ont examiné la relation entre la consommation des énergies renouvelables et la croissance économique pour 80 pays.en utilisant le test de causalité à long terme de Canning et Pedroni. Les deux auteurs ont montré l’existence d’une causalité positive à long terme entre les énergies renouvelables et le PIB réel pour l'ensemble de l'échantillon ainsi que pour les différentes régions.

. . . . . . . . 1.3.5 Application sur un exemple . . . . . . . . . . . . . . . . . . . . . 1.3.6 Prévision à l’aide des modèles V AR . . . . . . . . . . . . . . . . 1.3.7 Tests de bruit blanc des erreurs . . . . . . . . . . . . . . . . . . . 1.3.8 Test de causalité (Granger (1969)) sur des mod èles V AR . . . . 1.3.9 Les modèles V AR (p) : analyse des chocs . . . . . . . . . . . . . 1.4 Application des modèles V AR . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1 Application : investissement

des séries chronologiques stationnaires à partir de leurs caractéristiques afin de déterminer, dans la famille des modèles ARIMA, le plus adapté à représenter le phénomène étudié. Quatre étapes principales sont définies : identification, estimation, test d’adéquation du model et prévision 1. NOTIONS DE BASE Pour comprendre la méthodologie de Box et Jenkins il est nécessaire de lever le voile sur certaines notions : 1.1 Processus non stationnaires Un processus est stationnaire au second

estimateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Test de bruit blanc et de stationnarité . . . . . . . . . . . . . . . . . . . . . . . . 7.3.1 Analyse des fonctions d’autocorrélation . . . . . . . . . . . . . . . . . . . 7.3.2 Statistique de Box-Pierce, ou test de ”portmanteau” . . . . . . . . . . . . 7.3.3 Compléments : les tests de normalité . . . . . . . . . . . . . . . . . . . . . 7.3.4 Complément : Test de rupture et de changement de tendance . . . . . . . 7.4 Estimation