Analyse Conjonct Stat Fluctu

Analyse conjoncturelle et analyse statistique des fluctuations , Document de travail, Nicolas PONTY
1

ANALYSE CONJONCTURELLE ET
ANALYSE STATISTIQUE DES
FLUCTUATIONS
2

3

AVANT-PROPOS

Lanalyse conjoncturelle constitue une discipline et une pratique du statisticien-conomiste,
dont les objectifs se situent trois niveaux distincts et complmentaires :
diagnostic de ltat prsent de lconomie ;
analyse des facteurs explicatifs des fluctuations de lconomie ;
prvision de lconomie un horizon relativement court, et ceci tant un niveau agrg
que sectoriel.

Les travaux et mthodes dvelopps par le conjoncturiste et le prvisionniste doivent donc
tre resitus par rapport chacun des trois niveaux danalyse suivants :
le diagnostic de ltat prsent de lconomie, qui conduit la publication rgulire de
tableaux de bord de lconomie. La confection et llaboration de ces tableaux de bord
reposent sur la description de lconomie et de ses volutions infra-annuelles, et donc en
amont sur une bonne connaissance du systme statistique. Il est usuel, notamment en
rfrence la pratique dveloppe au sein de ladministration conomique franaise, de
distinguer deux types dinformation conjoncturelle : dune part, linformation quantitative
et objective (indices conjoncturels, comptes trimestriels) ; dautre part, linformation
qualitative et subjective ( les enqutes de conjoncture) ;
lanalyse statistique des fluctuations repose sur la connaissance des sries temporelles et
de leur traitement, notamment pour dgager des composantes cycliques et tendancielles de
lconomie, quantifier limportance respective des chocs de court et long terme, ou encore
analyser la volatilit de certains indices ou agrgats tels que les prix, le taux de change et
les taux dintrt ;
la prvision conomique court terme ncessite de mobiliser des outils nombreux et
varis. Ainsi, la place quoccupent les modles macro-conomiques doit dabord tre
prcise, notamment par rapport lhorizon de la prvision. Puis, les objectifs de la
modlisation macro-conomique ayant t prciss, les diffrents types de modlisation
possibles sont prsents et discuts : modlisation Tableau Entre-Sortie (TES),
modlisation macroconomtrique structurelle et modles Vectoriels AutoRgressifs
(VAR).

Ces trois dimensions de lanalyse conjoncturelle et de la prvision macroconomique sont
successivement dveloppes dans les trois documents qui suivent :
Analyse conjoncturelle et description de lconomie ;
Analyse conjoncturelle et analyse statistique des fluctuations ;
Analyse conjoncturelle et prvision conomique.
4

Analyse conjoncturelle et analyse statistique des fluctuations________________________ 1
Avant-propos_______________________________________________________________ 3
Chapitre 1 : Mesures empiriques du cycle et faits styliss ___________________________ 6
I/ Le cycle conomique __________________________________________________________ 6
I.1/ Cycles classiques et cycles de croissance ________________________________________________ 6
I.2/ La recherche de faits styliss _________________________________________________________ 8
I.3/ Le cycle et la politique budgtaire ____________________________________________________ 12
II/ Les mesures empiriques du cycle partir de moyennes mobiles _____________________ 14
II.1/ Quelques notations et dfinitions ____________________________________________________ 14
II.2/ Les moyennes mobiles arithmtiques _________________________________________________ 14
II.3/ La mthode de la tendance par les moyennes de phase____________________________________ 16
II.4/ Le filtre de Hodrick-Prescott ________________________________________________________ 20
III/ Le filtre passe-bande________________________________________________________ 26
III.1/ La mthodologie du filtre passe-bande idal ___________________________________________ 26
III.2/ Approximation finie du filtre passe-bande idal ________________________________________ 27
Bibliographie _________________________________________________________________ 31
Annexe 1 : Exercices corrigs ____________________________________________________ 33
Chapitre 2 : Les modlisations univaries des fluctuations _________________________ 37
I/ Stationnarit en diffrence ou autour d'une tendance dterministe ? _________________ 37
I.1 / Les modles de marche alatoire_____________________________________________________ 37
I.2/ Les tests de Dickey et Fuller augments________________________________________________ 38
I.3/ Quelles alternatives lhypothse de racine unitaire ? _____________________________________ 39
II/ La composante permanente de Beveridge et Nelson_______________________________ 41
II.1/ La dcomposition de Beveridge et Nelson _____________________________________________ 41
II.2/ Exemple : le pib franais ___________________________________________________________ 43
III/ Les mesures de persistance___________________________________________________ 44
IV/ Racines unitaires et ruptures dterministes _____________________________________ 47
IV.a/ Le modle additive outlier _________________________________________________________ 47
IV.b/ Le modle innovative outlier _______________________________________________________ 47
IV.c/ Une analyse squentielle __________________________________________________________ 48
IV.d/ Une approche encompassing _____________________________________________________ 48
V/ Les modles composantes inobservables ou modles de Harvey____________________ 49
V.1/ Les diffrents modles de la tendance_________________________________________________ 49
V.2/ La modlisation de la composante cyclique ____________________________________________ 50
VI/ La modlisation du cycle par Stock et Watson___________________________________ 51
Bibliographie _________________________________________________________________ 52
Annexe 1 : Exercices corrigs ____________________________________________________ 54
Annexe 2 : Equivalence de diffrentes mesures de la persistance_______________________ 56
Annexe 3 : Tabulation de Dickey-Fuller (1981) _____________________________________ 58
Annexe 4 : Le modle de Stock et Watson__________________________________________ 59
Chapitre 3 : Les modlisations multivaries des fluctuations _______________________ 60
I/ Les modles VAR et la description de lconomie__________________________________ 60
I.1/ L'apport des modles VAR lanalyse des fluctuations____________________________________ 61
I.2/ Innovations et tudes des chocs ______________________________________________________ 62
5
II/ Les modles VAR et la thorie conomique ______________________________________ 66
II.1/ Le problme gnral de l'identification ________________________________________________ 67
II.2/ Application linterprtation des fluctuations macroconomiques___________________________ 68
II.3/ Contraintes structurelles sur le long terme _____________________________________________ 69
II.4/ Les modles tendance commune ___________________________________________________ 71
Bibliographie _________________________________________________________________ 74
Chapitre 4 : Ce quun conjoncturiste doit connatre en sries temporelles_____________ 75
I/ Les moyennes mobiles ________________________________________________________ 75
II/ Analyse spectrale univarie ___________________________________________________ 77
III/ Analyse spectrale multivarie ________________________________________________ 80
IV/ Application de l'analyse spectrale _____________________________________________ 82
V /Rappels sur les modles ARIMA_______________________________________________ 85
Bibliographie _________________________________________________________________ 87
6

CHAPITRE 1 : MESURES EMPIRIQUES DU CYCLE ET FAITS STYLISES

I/ Le cycle conomique

I.1/ Cycles classiques et cycles de croissance
Qu'est-ce qu'un cycle conomique ? A cette question, la rponse apporte par Burns et
Mitchell (1946) constitue aujourd'hui encore la principale rfrence
1
. Trois lments
permettent ainsi de dfinir un cycle conomique, ou encore cycle des affaires, selon ces deux
conomistes :
un cycle correspond des fluctuations, dont lorigine sexplique par le fonctionnement
dcentralis des conomies de march ;
un cycle concerne l'ensemble des activits de production et sa dimension est
fondamentalement macroconomique ;
un cycle est caractris par une succession d'expansions (booms) et de rcessions
(slumps). Cette alternance de pics et de creux nest pas dfinie par une priodicit
rgulire. La dure dun cycle, et de ses phases ascendante et descendante, peuvent varier
considrablement, de six trente deux trimestres selon Burns et Mitchell : les points de
retournement qui y sont associs ne constituent donc pas une chronique rgulire. Ainsi
dfini, le cycle conomique constitue avant tout une rcurrence de phases dexpansion et
de contraction.

1
"Business cycles are a type of fluctuation found in the aggregate economic activity of nations that organize
their work mainly in business enterprises : a cycle consists of expansions occuring at about the same time in
many economic activities, followed by similar general recessions, contractions and revivals which merge into the
expansion of the next cycle : this sequence of changes is recurrent but not periodic; in duration business cycles
vary from more than one year to ten or twelve years; they are not divisible into shorter cycles of similar caracter
with amplitudes approximing their ones" (Burns et Mitchel 1946).
Figure 1 : Prix du Caf
0
50
100
150
200
250
1
9
6
0
1
9
6
1
1
9
6
2
1
9
6
3
1
9
6
4
1
9
6
5
1
9
6
6
1
9
6
7
1
9
6
8
1
9
6
9
1
9
7
0
1
9
7
1
1
9
7
2
1
9
7
3
1
9
7
4
1
9
7
5
1
9
7
6
1
9
7
7
1
9
7
8
1
9
7
9
1
9
8
0
1
9
8
1
1
9
8
2
1
9
8
3
1
9
8
4
1
9
8
5
1
9
8
6
1
9
8
7
1
9
8
8
1
9
8
9
1
9
9
0
1
9
9
1
1
9
9
2
1
9
9
3
1
9
9
4
1
9
9
5
1
9
9
6
1
9
9
7
1
9
9
8
C
e
n
t
s

E
U

l
a

l
i
v
r
e
CAFE
7
A partir de cette dfinition gnrale, deux approches peuvent tre retenues pour identifier le
cycle :
Dans la premire, dite du cycle classique , les pics et les creux sont analyss partir du
niveau de la srie initiale en niveau. Un pic dun agrgat
t
y est alors dfini comme
lobservation de la date t qui vrifie :
k t
t
y y
+
> pour k= 1,...,K . De faon symtrique, un
creux est dfini comme lobservation de la date t qui vrifie :
k t
t
y y
+
< pour
k=1 ,,K. La plage K est gnralement fixe cinq pour des donnes mensuelles et
deux pour des donnes trimestrielles. Cette approche des cycles est dite classique car elle
lalternance des pics et des creux dfinit des phases au cours desquels lagrgat diminue
ou augmente (cf. figure 1). Cest cette mthode que le NBER emploie pour dater les
cycles conomiques aux Etats-Unis
2
.
Lapproche classique est inadapte lorsque la srie ne connat pas de baisse ou de hausse
significative mais seulement des priodes de ralentissement suivies de priodes
dacclration (cf. figure 2). Les cycles portent alors sur des cycles de croissance et
doivent tre analyss sur la composante cyclique de lagrgat initial. Pour cela, on
suppose qu'une srie peut tre dcompose en trois composantes :
y t c i
t t t t
= + +
tendance cycle irregulier

La composante cyclique
t
c est obtenue par filtrage. Les mthodes les plus usuelles
consistent appliquer des moyennes mobiles, des lissages exponentiels, le filtre dit de
Hodrick et Prescott ou encore un filtre de type passe bande
3
. La datation des pics et des
creux est alors tablie en une seconde tape partir de la composante cyclique extraite.

2
Cf. le site internet www.nber.org
3
Pass band en anglais.
8
I.2/ La recherche de faits styliss

Les tudes empiriques sur les fluctuations macroconomiques portent dabord sur la mise en
vidence des rgularits dans lvolution et la dynamique des principaux agrgats
macroconomiques, ou encore faits styliss. Cette recherche de faits styliss constitue en fait
un pralable :
la vrification empirique des modles thoriques. Par exemple, la connaissance de la
dynamique de linflation et de lactivit permet de distinguer limportance relative des chocs
doffre et de demande, et donc dapprcier la pertinence des modles thoriques ;
ltablissement dun diagnostic conjoncturel. Par exemple, des mesures telles que
lamplitude et la dure moyennes des cycles permettent denrichir le diagnostic sur ltat
prsent de lconomie ;
la modlisation macroconomique applique. Limpact des dsquilibres sur la
dynamique macroconomique peut tre intgre dans la modlisation du comportement des
agents. Par exemple, la reprise de linvestissement prcde-t-elle celle de la demande, comme
on peut le dduire dune modlisation thorique de type acclrateur de linvestissement ?
la prvision. Ltude des indicateurs avancs de lconomie sappuie gnralement sur
les principaux faits styliss mis vidence. Par exemple, la pentification de la courbe des taux
devance-t-elle le ralentissement conomique ?
Pour tablir ces faits styliss, il est usuel dtablir en une premire tape une chronique des
pics et des creux de lconomie, puis en une seconde tape de caractriser ces fluctuations.
Diffrentes mesures peuvent tre retenues
4
:

4
La chronique des pics et des creux est tablie sur lagrgat en niveau si on retient une approche cycle
classique , sur la composante cyclique si lon retient une approche cycle de croissance .
Figure 2 : Prix la consommation en France
0
50
100
150
200
250
300
350
400
450
6
3
Q
1
6
3
Q
4
6
4
Q
3
6
5
Q
2
6
6
Q
1
6
6
Q
4
6
7
Q
3
6
8
Q
2
6
9
Q
1
6
9
Q
4
7
0
Q
3
7
1
Q
2
7
2
Q
1
7
2
Q
4
7
3
Q
3
7
4
Q
2
7
5
Q
1
7
5
Q
4
7
6
Q
3
7
7
Q
2
7
8
Q
1
7
8
Q
4
7
9
Q
3
8
0
Q
2
8
1
Q
1
8
1
Q
4
8
2
Q
3
8
3
Q
2
8
4
Q
1
8
4
Q
4
8
5
Q
3
#
N
O
M
?
B
a
s
e

1
0
0

1
9
7
0
P31V0T6
9

I.2.a/ Quelques mesures statistiques pour caractriser les fluctuations

Pour tudier les fluctuations caractristiques dun agrgat macroconomique, les mesures
statistiques les plus frquemment utilises sont les suivantes :
La dure du cycle, des phases ascendantes (creux-pic) et des phases descendantes (pic-
creux);
Lamplitude moyenne par mois des diffrentes phases
5
;
Lamplitude maximale des phases ascendante et descendante ;
La skewness. Elle constitue une mesure dasymtrie du cycle et est dfinie par :
( )
( )
3
2
2
3
, o ( )
i
Ex x E
i
=
Sous lhypothse dune distribution symtrique, la skewness vaut zro. Une variable dont
la skewness est ngative (respectivement positive) prend souvent (respectivement moins
souvent) des valeurs infrieures la moyenne.
La kurtosis. Elle constitue une mesure de concentration de la distribution autour de sa
moyenne et est dfinie par :

( )
2
2
4
, o ( )
i
Ex x E
i
=
Pour une loi normale, la kurtosis vaut trois. Une kurtosis suprieure trois caractrise une
distribution de type leptokurtique ( pointue ), une kurtosis infrieure trois une
distribution platkurtique ( plate ).

Les caractristiques de dure et damplitude varient d'un cycle l'autre. Lamplitude et les
dures mdianes constituent alors des indicateurs pertinents pour caractriser le cycle
conomique gnral et resituer les caractristiques idiosyncratiques dun cycle en particulier.
Les tudes appliques sont nombreuses et, parmi les thmes qui ont t analyss rcemment,
on peut citer les fluctuations des matires premires (Cashin, Mc Dermott et Scott 1999) et
les fluctuations de lconomie australienne (Cashin et Ouliaris 2001), etc.

5
Lamplitude est gnralement mesure en pourcentage du niveau tendanciel de lagrgat tudi.
10
Tableau 1 : Le cycle de la production industrielle au Maroc (priode 1980-2000)
Cycle Phase d'expansion Phase de contraction
N Cycle Datation Dure en
trimestres
Amplitude
moyenne
Kurtosis Skewness Dure Amplitude
moyenne
Amplitude
maximale
Ecart pic-
creux
Dure en
trimestres
Amplitude
moyenne
Amplitude
maximale
Ecart pic-
creux
Creux Pic Creux
Cycle 1 80 T4 82 T2 83 T4 12 -0,02 -0,46 -0,14 6 -0,02 -0,20 0,34 6 0,00 0,14 0,24
Cycle 2 83 T4 85 T3 86 T1 9 -0,01 -0,75 -0,79 7 0,00 -0,10 0,16 2 -0,01 -0,10 0,15
Cycle 3 86 T1 86 T3 87 T3 6 -0,06 3,73 1,84 2 -0,02 -0,10 0,18 4 -0,05 -0,12 0,20
Cycle 4 87 T3 88 T2 89 T2 7 -0,02 0,57 -1,03 3 -0,01 -0,12 0,21 4 -0,01 -0,21 0,30
Cycle 5 89 T2 90 T2 91 T1 7 -0,01 -0,08 -0,48 4 -0,02 -0,21 0,34 3 0,03 0,14 0,23
Cycle 6 91 T1 92 T1 93 T4 11 0,03 -0,96 0,08 4 0,07 0,21 0,30 7 0,03 0,21 0,35
Cycle 7 93 T4 94 T2 96 T1 9 -0,05 -0,81 -0,46 2 -0,05 -0,14 0,17 7 -0,04 -0,16 0,19
Cycle 8 96 T1 96 T3 97 T4 7 -0,03 2,34 -1,67 2 -0,05 -0,16 0,18 5 -0,01 -0,09 0,11
Cycle 9 97 T4 98 T4 99 T3 7 0,01 -0,29 -0,38 4 0,00 0,09 0,17 3 0,04 0,09 0,13
Mdiane 7 -0,02 4 -0,02 -0,12 4 -0,01 -0,09
Ecart-Type 2,06 0,03 1,79 0,04 0,14 1,81 0,03 0,15
Source : Koumtingue F., Faits styliss sur la croissance au Maroc , ENSEA
11
I.2.b/ Les caractristiques multivaries des fluctuations

La dynamique macroconomique est tudie en rfrence au cycle dun agrgat, dit cycle de
rfrence
6
. Lanalyse porte alors sur le caractre avanc, synchrone ou retard des autres
agrgats macroconomiques par rapport ce cycle de rfrence. Frquente pour les pays
industriels, ce type danalyse reste embryonnaire dans les pays en dveloppement. On peut
noter toutefois quelques tudes rcentes, notamment Agnor, Mc Dermott et Prasad (1998)
7
.
Les principaux rsultats que ces auteurs ont pu tablir sont les suivants :
Les fluctuations conomiques de la majorit des pays sont procycliques avec lactivit des
principaux pays industriels. Cette influence est toutefois faible ;
Les dpenses publiques sont contracycliques (Chili, Core, Mexique et Philippines) ;
Les recettes publiques sont contracycliques (Colombie, Core, Philippines et Uruguay) ;
Lvolution des prix est contracyclique, ce qui souligne limportance des chocs doffre ;
La monnaie, et aussi les agrgats de crdit intrieur, sont procycliques ;
La vitesse de circulation de la monnaie est contracyclique ;
Les termes de lchange sont procycliques.

Dans la suite, on note
c
t
y la composante cyclique de lagrgat de rfrence
t
y , le plus
souvent la production industrielle, et
c
t
x la composante cyclique de lagrgat
t
x . Cet agrgat
sera dit :
procyclique si ( ) 0 , >
c
t
c
t
y x
acyclique si ( ) 0 ,
c
t
c
t
y x
contracyclique si ( ) 0 , <
c
t
c
t
y x

Les notions dindicateurs avancs, synchrones et concidents du cycle de rfrence sont
galement dfinies comme suit :

t
x indicateur avanc de j priodes j est tel que ( )
c
t
c
j t
y x Max ,

t
x indicateur synchrone de j priodes j=0 est tel que ( )
c
t
c
j t
y x Max ,

t
x indicateur retard de j est tel que ( )
c
t
c
j t
y x Max ,
+

Dermott et Scott (2000) ont galement dfini une mesure, dite mesure de concordance. Cette
mesure est en fait dfinie comme la probabilit que deux agrgats connaissent une mme
volution. Parce quelle porte sur le taux de croissance des agrgats, cette mesure est plutt
retenue dans ltude des cycles classiques. A partir des notation suivantes :
1
y
t
S si lagrgat
t
y augmente, 0 sinon
1
x
t
S si lagrgat
t
x augmente, 0 sinon
la mesure de concordance
x y
C
,
entre les agrgats
t
y et
t
x est donc dfinie :

( )( )
T
S S S S
C C
x
t
y
t
x
t
y
t y x x y
+

1 1
, ,

Plus cette mesure est leve, plus les agrgats
t
y et
t
x sont concordants.

6
Dans le cas des pays industriels, le cycle de rfrence est le plus souvent tabli partir de lindice de la
production industrielle.
7
Il sagit du Chili, de la Colombie, de lInde, de la Cor, de la Malaisie, du Mexique, du Maroc, du Nigria, des
Philippines, de la Tunisie, de la Turquie et de lUruguay.
12
I.3/ Le cycle et la politique budgtaire

I.3.a/ Composantes conjoncturelle et discrtionnaire, pourquoi ?

Le solde budgtaire de lEtat est sensible lenvironnement conomique. Ainsi, les recettes
fiscales dpendent non seulement des taux en vigueur mais aussi du niveau de lactivit qui
dtermine lassiette imposable des agents conomiques (revenu des mnages et bnfice des
entreprises). Des fluctuations transitoires de lconomie de son sentier de croissance
conduisent des variations temporaires des recettes et des dpenses : un niveau lev des
recettes peut sexpliquer par le niveau soutenu de lactivit et contribuer masquer des
dficits structurels. Pour juger de lorientation de la politique budgtaire, il apparat donc
ncessaire de distinguer la composante qui relve de lenvironnement conomique et celle qui
sexplique par la politique conomique de lEtat (niveau de la fiscalit, etc). La premire
composante du dficit budgtaire est appele composante conjoncturelle et la seconde
composante structurelle, ou encore discrtionnaire. Cette dernire est donc dfinie par le
dficit qui devrait tre observ, compte tenu de la politique en vigueur, si le produit intrieur
brut se maintenait son niveau normal.

Figure 2 : Dficits effectifs et structurels au Danemark
Source : OCDE, donnes historiques jusquen 2000 ;prvisions pour la priode
2001-2003

-4,0
-3,0
-2,0
-1,0
0,0
1,0
2,0
3,0
4,0
1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
e
n

%

d
u

P
I
B
dficit structurel dficit budgtaire
13

Cette dcomposition du solde en une composante structurelle et une composante
conjoncturelle permet dabord de juger de lorientation fondamentale de la politique
budgtaire :
Dabord, le diagnostic selon quil porte sur le solde structurel ou le solde effectif.
Dans le cas du Danemark (cf. figure 3), le dficit apparent des annes 1990-1996
masque en fait une position structurelle favorable.
Ensuite, la composante structurelle peut constituer un indicateur avanc des dficits
futurs. Les excdents structurels des annes 1990 1996 prcdent les excdents
effectifs apparus partir de 1997 la faveur dune conjoncture plus favorable.

Le dficit discrtionnaire constitue ainsi un indicateur budgtaire pertinent pour assurer une
discipline budgtaire de moyen terme, corrig des effets du cycle.

I.3.b/ Composantes conjoncturelle et discrtionnaire, comment ?

Les mthodes de dcomposition du dficit budgtaire procdent gnralement en deux
tapes (Cf. Chouraqui , Hagemman. and Sartor 1990) :
Premire tape : valuation du PIB potentiel
*
t
y et de lcart conjoncturel
( )
t t t t
y y y gap
*

Deuxime tape : valuation des recettes et dpenses structurelles
Les recettes structurelles sont values par grande catgorie dimpts
*
,t i
I . Llasticit des
impts au PIB est applique lcart conjoncturel pour obtenir les recettes structurelles
t i
I
,
.
( )
t i t i t i
gap I I + 1
,
*
,

Linfluence de la conjoncture sur les dpenses est galement tudie pour les dpenses de
transferts, notamment lindemnisation du chmage
t
D :

t t t t
tcho Nairu D D
*

I.3.c/ Composantes conjoncturelle et discrtionnaire, les limites

Llasticit des impts par rapport est suppose constante. Cependant, les rformes fiscales
peuvent toutefois modifier les lasticits et perdent de leur pertinence pour les tudes
prospectives.

Parmi les dpenses qui font lobjet dune dcomposition, seules figurent les dpenses de
transfert, notamment les indemnits chmage. Sont absentes les dpenses dintrt au titre de
la dette publique. Celles-ci peuvent connatre des fluctuations temporaires parallle celles
des taux dintrt.

En tant quindicateur de lorientation de la politique budgtaire moyen terme, la composante
structurelle du dficit budgtaire doit tre utilise avec prcaution. En effet, dans la mesure o
dans les approches prsentes ci-dessus les dpenses structurelles apparaissent rsiduelles, ces
lments ne sont pas pris en compte. Lvolution de certaines dpenses publiques
sexpliquent par des dterminants dmographiques : dans les pays industriels, vieillissement
de la population et dpenses de retraite.
14

Enfin, dans des pays o des rgles institutionnelles contraignent les autorits publiques
lquilibre budgtaire, les variations de dficit structurel compensent celles du dficit
conjoncturel. Doit-on pour autant en conclure que la politique budgtaire est pro-cyclique ou
que le jeu des stabilisateurs automatiques est nul (cf. Hagemann 1999) ?

II/ Les mesures empiriques du cycle partir de moyennes mobiles

Lapplication de moyennes mobiles constitue une premire mthode simple dextraction de la
composante cyclique. Lanalyse de leurs proprits permet dexpliciter leurs principales
limites, notamment lhypothse sous-jacente dune dure fixe du cycle. Aussi, quelques
rappels sur la modlisation de sries exactement priodiques constituent un pralable
ncessaires ltude des moyennes arithmtiques.

II.1/ Quelques notations et dfinitions

Un cycle peut tre crit par sa reprsentation trigonomtrique d'un cycle c
t
:
( ) c R t
t
+ cos
Ici, le cycle varie entre la valeur maximale R et la valeur minimale -R. La priodicit du cycle
est
2
et la frquence reprsente le nombre de cycle pendant une priode 2

8
. Une telle
reprsentation suppose un cycle symtrique ( c c
t
t
)
9
.
II.2/ Les moyennes mobiles arithmtiques

Pour filtrer le cycle d'une srie, on peut d'abord penser appliquer une moyenne mobile
arithmtique d'ordre 2m+1 : celle-ci permet en effet de conserver les tendances dterministes,
rduit au minimum la composante irrgulire et annule les composantes priodiques de
priode 2m+1
10
,
11
. Cependant, les cycles conomiques que l'on souhaite modliser peuvent
galement tre de priode paire. La moyenne mobile
1
2
1
m
y
t i
i m
m
permet galement de filtrer

les cycles de priode paire 2m. Cependant, elle n'est pas centre. On retient donc la moyenne
mobile suivante pour annuler les cycles d'une srie et dgager une tendance :

8
L'criture ( ) c
t
R t + cos est quivalente ( ) ( ) c
t
t t + cos sin avec R +
2 2
et

_
,
arctan .

9
On a en effet : c
t
R t c
t
_
,
_
,
cos .
10
Dans la premire tape de la mthode PAT (cf. infra), c'est cette moyenne mobile qui est retenue.
11
Par exemple, Monique Fouet (1993) retient une moyenne mobile de vingt et un trimestres.

15
( )
1
]
1
+ + + +
1
]
1
+
+ + +
+

m t m t m t m t
m
m i
i t
m
m i
i t t
y y y y
m
y
m
y
m
y M
2
1
...
2
1
2
1

2
1
2
1
2
1
1 1
1
1

M y
t
( )

reprsente la moyenne (ou la tendance) et lcart cyclique est donc calcul comme le
rapport
y
M y
t
t
( )
.
Cette approche par les moyennes mobiles de type arithmtique rencontre des limites
certaines :
elle suppose connue la dure du cycle ;
applique une srie non cyclique, elle peut engendrer une cyclicit fictive (effet de
Slutsky-Yule, cf. chapitre 4) ;
la composante cyclique et la tendance extraites partir d'une moyenne
mobile arithmtiques sont tronques aux extrmits. Par exemple, lapplication dune
moyenne mobile dordre 2m+1 conduit liminer m points au dbut et la fin de la srie
initiale.
Si les deux premires limites peuvent apparatre thoriques, la troisime a des consquences
pratiques non ngligeables : lobservation du cycle ou de la tendance nest pas possible sur la
priode rcente, celle qui justement intresse le plus le prvisionniste ! Leur valuation sur la
priode rcente n'est en fait possible que si l'on dispose dj d'une prvision de la srie brute
sur m priodes futures. C'est en fait cette prvision qui va dterminer la dcomposition de la
srie entre tendance et cycle pour les m dernires observations connues (cf. figure 3). Par
exemple, un conjoncturiste cherche valuer l'ampleur du cycle alors que l'conomie sort de
rcession. Pour cela, il doit extrapoler les derniers points connus du PIB et peut, dans un
scnario optimiste, retenir des prvisions marquant un retour progressif au rythme tendanciel
antrieur de l'conomie (cf. figure 3, tendance Ta). Toutefois, si la croissance potentielle de
l'conomie s'est au contraire inflchie au cours du dernier cycle, cette prvision conduit
survaluer la composante cyclique : la tendance ralise est Tb, contre la tendance prvue Ta
(cf. figure 3). Lcart conjoncturel est ainsi survalu parce que la tendance a t sous-
value. Le conjoncturiste diagnostique tort une conomie devenue plus cyclique :
l'amplification apparente des phases du cycle est alors la consquence d'un flchissement de la
tendance mal pris en compte dans les prvisions.
16

Figure 3 : Prvision et amplitude du cycle
Dernire observat ion connue
Prvision
Ralisat ion
Ta
Tb

II.3/ La mthode de la tendance par les moyennes de phase

La mthode de calcul de la tendance par les moyennes de phase (Phase Average Trend en
anglais, ou encore PAT) suppose que les mouvements cycliques influencent la tendance et
que la tendance affecte galement le cycle. La tendance est alors modlise par une fonction
en escalier, constante sur chaque priode du cycle. Les cycles sont eux-mmes dtermins par
une analyse empirique des points hauts et bas. Plus prcisment, la mthode peut tre
dcompose en quatre tapes :
premire tape : premire valuation et extrapolation de la tendance par calcul de l'cart
la tendance ;
deuxime tape : correction pour points extrmes de l'cart la tendance ;
troisime tape : identification des points de retournement ;
quatrime tape : nouvelle valuation de la tendance (Phase Average Trend).

On appelle y
t
la srie initiale. Cette srie est dj corrige des variations saisonnires. Elle
doit galement tre extrapole en dbut et fin de priode pour que la tendance puisse tre
calcule
12
.

12
On retient en dbut de priode le coefficient multiplicateur (mensualis) correspondant au rapport de la
moyenne de y
t
sur les soixante quinze premiers mois la moyenne de y
t
sur les soixante quinze premiers mois
commenant deux ans plus tard. En fin de priode, on retient le coefficient multiplicateur (mensualis)
correspondant au rapport de la moyenne de y
t
sur les soixante quinze premiers mois la moyenne de y
t
sur
les soixante quinze premiers mois comnenant deux ans plus tt.
17
Au cours de la premire tape, une moyenne mobile arithmtique de 75 mois est applique
afin d'obtenir une premire valuation de la tendance de long terme. A la premire tape, il y
a prsomption d'un cycle d'une dure de six ans et trois mois. On note c
t 1
l'cart entre la srie
y
t
et la moyenne mobile MA y
t
75( ) , premire valuation de la composante cyclique :
c y MA y
nt t t 1
75 ( )
Cette premire valuation de la composante cyclique intgre galement la composante
irrgulire.

La deuxime tape consiste corriger la srie c
t 1
des points extrmes. Afin d'liminer
d'ventuels points extrmes, on applique la srie c
t 1
la moyenne mobile de Spencer,
compose de moyennes mobiles arithmtiques d'ordre 4 et 5. La srie ainsi obtenue, note
SP c
t
( )
, 1
, a permis de lisser une premire fois la composante irrgulire et peut tre assimile
une premire valuation de la composante cyclique. On peut donc calculer ce stade un
indicateur de rgularit, dit MCD
13
. Cet indicateur est le premier entier n pour lequel la valeur
moyenne de la valeur absolue des taux de croissance des composantes cycliques sur n mois
(
1
1
1
1
T
SP c
SP c
t
t n
( )
( )
,
,
) est plus leve que la moyenne de la valeur absolue des taux de
croissance de la composante irrgulire. L'irrgulier est dfini par c SP c
t t 1 1 , ,
( )
14
.
On peut ainsi corriger la srie c
t 1,
de l'irrgulier par la rgle suivante : la valeur c
t 1,
est
remplace par la moyenne mobile SP c
t
( )
1
si la valeur absolue de l'irrgulier apparat
suprieure sa moyenne d'un multiple de son cart type
15
:
c c
t
c
t 1 1 , ,
si
( ) ( )
c SP c moy c SP c c SP c
t t t t t t 1 1 1 1 1 1 , , , , , ,
( ) ( ) ( ) > + .
On obtient ainsi la srie c
t
c
1,
, qui constitue galement une valuation de la composante
cyclique corrige des points extrmes.

La troisime tape permet de slectionner une chronique des points de retournement. Pour
obtenir une valuation des points de retournement qui ne soit pas trop sensible la mthode
de dcomposition tendance-cycle, on retient cinq valuations de la composante cyclique : la
moyenne arithmtique de c
t
c
1,
sur douze mois, note MA c
t
c
12
1
( )
,
, la moyenne de Spencer de la
srie corrige des points extrmes, note SP c
t
c
( )
, 1
, la moyenne arithmtique d'ordre MCD
applique la srie c
t 1,
, note MAMCD c
t
( )
, 1
et la srie c
t 1,
elle-mme :
dtection des points de retournement potentiels partir de MA c
t
12
1
( )
,
.Le pic
(respectivement le creux) constitue le point haut (respectivement bas) sur un intervalle de
plus ou moins cinq mois. On parle de Potential Turning Points (PTP) ;
dtection des points de retournement correspondants (Corresponding Turning Points, ou
CTP) sur la courbe de la srie SP c
t
c
( )
, 1
. On retient alors comme pic (respectivement
creux) le point extrme sur un intervalle de plus ou moins cinq mois autour du pic
(respectivement) de la chronique des PTP. On limine a priori les points de retournement
crant des cycles de moins de quinze mois ;

13
De langlais Month Cycle Dominance.
14
Cet indicateur est born par 6 en pratique.
15
L'OCDE retient un multiple de 3,.5.
18
itration partir de la chronique des CTP sur la srie MAMCD c
t
( )
, 1
, ce qui permet
d'identifier de nouveaux points de retournement correspondants (nots CTP') ;
itration partir de la chronique des CTP' sur la srie
c
t
c
, 1
des carts la tendance. On
retient alors comme pic (respectivement creux) le point extrme sur un intervalle de plus
ou moins max(MCD,4) mois autour du pic (respectivement) de la chronique des CTP'
16
.
On limine les points de retournement crant des phases infrieures cinq mois ou des
cycles infrieurs quinze mois. Les points de retournement provisoires (Tentative
Turning Points, nots TTP) sont ainsi valus.

La quatrime tape consiste valuer la tendance partir des TTP par la mthode des
moyennes de phase. Pour obtenir une tendance relativement souple, l'OCDE calcule la
tendance phase aprs phase (cf. figure 2) :
la composante irrgulire de la srie est limine en calculant pour chaque phase la valeur
moyenne de la srie initiale, que l'on notera PA par la suite ;
la valeur de moyenne de phase (alternance de creux et pic sur la figure 1) a alors deux
composantes : la composante cyclique et la tendance. On applique donc une moyenne
mobile d'ordre trois aux valeurs moyennes de phase pour approximer la tendance. On
obtient ainsi le triplet, dont la valeur est assigne la date mdiane des trois phases
conscutives
17
(cf. points A et B sur la figure 2). La priode sparant deux dates
mdianes est appele segment. On note un segment
[ ]
m m
i i
,
+1
(cf. mp1 et mp2 sur la
figure 2) ;
on calcule alors la pente moyenne des triplets sur chaque segment, ce qui constitue une
deuxime estimation de la tendance, beaucoup plus souple. Le taux de croissance de la
tendance est donc constant sur chaque segment : T y
t
i
pour
[ ]
t m m
i i
+
,
1
;
enfin, le niveau de la tendance estime prcdemment est ajust de faon trouver le
niveau moyen de la srie initiale y
t
sur chaque segment :

( )
T y
m m
y y
t
i
i i
t
i
m
m
i
i
+

+
+
1
1
1
pour
[ ]
t m m
i i
+
,
1
;
le triplet ne peut tre calcul en fin de priode. Il est donc extrapol par rgression linaire
sur l'intervalle dernier triplet - fin de srie ;
une moyenne mobile d'ordre douze est applique au niveau de la tendance, afin de lisser
les

16
On limine les points de retournement intervenant au cours des six mois initiaux ou terminaux.
17
Midpoints en anglais.
19

Figure 4 : La mthode de la tendance par la moyenne des phases
c p c p c mp1 mp2
segment 1
.
moyenne de phase
moyenne de phase
.
tendance sur le segment mp1,mp2
A
B

L'apport de la mthode PAT est de permettre l'identification de cycles de dure variable,
ventuellement asymtriques. Cette mthode par rapport de simples moyennes mobiles
permet de prendre en compte des cycles de dure variable. Elle permet aussi sur le pass de
prendre en compte des points d'inflexion de la tendance plus rapidement. Les caractristiques
des cycles (dure du cycle, amplitude) apparaissent alors plus fiables. Cette mthode permet
donc de reprer des faits styliss, qui pourront tre modliss en une seconde tape. Les
rsultats obtenus pour les cycles de la production industrielle en France et aux Etats-Unis sont
prsents dans les tableaux 1 et 2. Les cycles sont en gnral d'une dure variable. En
particulier, le dernier cycle de la production industrielle apparat relativement long en France,
plus de dix ans. L'asymtrie du cycle, avec des phases descendantes plus brves, est
prononce aux Etats-Unis.

La mthode PAT rencontre cependant certaines limites. D'abord, elle tend dgager un
nombre important de points de retournement, ce qui a conduit en pratique l'OCDE
distinguer des cycles mineurs et majeurs. Enfin, les points terminaux sont susceptibles de
rvision importante car leur valuation repose sur des extrapolations ad hoc.
20
Tableau 2 : Chronique des cycles de la production industrielle en France
Creux/pic Dates Phase
ascendante
Phase
descendante
C1/S1 -/63M3 - -
C2/S2 64M1/65M1 10 12
C3/S3 66M7/67M10 18 15
C4/S4 68M11/71M5 13 30
C5/S5 74M8/75M5 39 9
C6/S6 76M9/77M12 16 15
C7/S7 79M7/85M1 19 66
C8/S8 90M7/- 66 -
Dure moyenne - 25,9- 24,5
Source : Artis M.J, Bladen-Hovelle R.C, Zang W : "Les points de retournement du cycle
conjoncturel international" Revue de l'OCDE N24, 1995/I

Tableau 3 : Chronique des cycles de la production industrielle aux Etats-Unis
Creux/pic Dates Phase
ascendante
Phase
descendante
C1/S1 61M12/62M12 - 12
C2/S2 63M5/64M10 5 17
C3/S3 66M10/67M7 24 9
C4/S4 69M3/70M11 20 20
C5/S5 73M10/75M3 35 17
C6/S6 79M3/80M7 48 16
C7/S7 81M7/82M12 12 17
C8/S8 84M7/86M6 19 23
C9/S9 89M3/91M4 33 25
Dure moyenne - 24,5 17,3
Source : Artis M.J, Bladen-Hovelle R.C, Zang W : "Les points de retournement du cycle
conjoncturel international" Revue de l'OCDE N24, 1995/I

II.4/ Le filtre de Hodrick-Prescott

II.4.a/ Le principe du filtre de Hodrick-Prescott

Hodrick-Prescott ont propos de dcomposer une srie y
t
en composante cyclique et
tendance par le programme de minimisation suivant :
( ) min ( )
y
i i i i
i
T
i
T
+
+

2
1
2
2
1
1

Dans ce programme,
t
est la tendance de la srie et un paramtre ad hoc, qui sera
expliqu par la suite. Le filtre de Hodrick-Prescott revient donc minimiser une pondration
de la somme des carrs de la composante cyclique et de la somme des carrs des acclrations
de la tendance. Le premier terme correspond en fait la variance de la composante cyclique et
une mesure de la souplesse de la tendance. Le coefficient mesure l'importance relative
que l'on accorde la souplesse de la tendance par rapport l'ampleur des cycles. Plus le
coefficient est faible, plus la tendance sera souple. Plus le coefficient est lev, moins la
tendance sera souple. Deux cas extrmes peuvent tre distingus :
21
si le coefficient est infiniment grand, la tendance est une fonction affine du temps :

i i i
a bi +
1
.
si le coefficient est nul, la tendance est identifie la srie initiale ( y
i i
).

Depuis les premiers travaux de Hodrick-Prescott, on retient souvent la valeur 1600pour le
paramtre

sur des donnes trimestrielles. Dans ce cas, un cart cyclique de 5% est
quivalent une variation du taux de croissance tendancielle de 1/8 % (Danthine et Girardin
1989)
18
. La valeur de 14400 est frquemment retenue pour des donnes mensuelles, de 400
pour des donnes semestrielles, de 100 pour des donnes annuelles (cf. Economie et
prvision N298/ 1996-8).

Le programme de minimisation peut s'crire sous forme matricielle :
( ) ( ) min '
'
'
y y M M +
avec
1
1
1
]
1
1 2 1
. . .
1 2 1
) , 2 ( T T
M
Les conditions de premier ordre donnent donc :
( ) + 2 2 0 y M M ' soit : ( ) +

I M M y
T
'
1

Source : INSEE comptes trimestriels, nos calculs

En fait, dans le filtre propos par Hodrick-Prescott, la tendance s'exprime donc comme une
moyenne mobile des observations :

T
t
i
t
i t
y a
1
t T 1,...,
Les coefficients de pondration a
i
t
dpendent de l'observation pour laquelle la tendance est
filtre. De plus, la technique de Hodrick-Prescott permet donc dobtenir une dcomposition
entre tendance et cycle mme pour les points extrmes, initiaux ou terminaux. Pour ces points
terminaux, le filtre de Hodrick-Prescott enregistre deux limites, savoir labsence de symtrie
de la moyenne mobile associe et les rvisions ultrieures importantes.

18
On raisonne implicitement sur le logarithme de y
t
.
22
Figure 5 : Symtrie du filtre de HP en milieu dchantillon


L'absence de symtrie du filtre de Hodrick-Prescott peut tre illustre partir l'exemple
prcdent. Nous avons reprsent les coefficients
{ }
a
i
t
i T 1,...,
pour une observation de milieu
de priode (t=60; cf. figure 5) et un point terminal (t=T; cf. figure 6). La symtrie des
coefficients est approximativement assure pour les points centraux. Pour les observations de
fin de priode, la moyenne mobile associe au filtre de Hodrick-Prescott porte sur les
observations arrire et est fortement asymtrique.
23
Figure 6 : Symtrie du filtre de HP : point terminal


Les tendances filtres pour les points terminaux sont susceptibles de rvisions importantes. A
des fins d'illustration, on peut comparer les valuations de la tendance et du cycle du PIB
franais la date j filtre par la technique de Hodrick-Prescott cette mme date avec les
valuations obtenues sur l'ensemble de la priode (cf. figure 7). Les rvisions apparaissent
non ngligeables. Rtrospectivement, la composante conjoncturelle de la rcession de 1981
apparat moins importante, au profit d'un ralentissement tendanciel plus prononc. Le
diagnostic rtrospectif sur la phase du cycle peut mme inverser les premires valuations.
Ainsi, analys sur l'ensemble de la priode, le premier trimestre de 1987 apparat comme un
point bas d'un cycle. Toutefois, value au dbut de 1987, la composante conjoncturelle
apparaissait positive. En fait, applique aux points terminaux, la technique de Hodrick-
Prescott n'intgre pas d'ventuelles flexions de la tendance.
24
Figure 7 : Les rvisions de la composante cyclique du PIB franais estime par le filtre
Hodrick-Prescott (priode 1970-1997)

II.4.b/ Analyse spectrale du filtre de Hodrick-Prescott

On peut appliquer certains rsultats danalyse spectrale l'analyse du filtre de Hodrick-
Prescott. Pour des points non terminaux, llment de la i
ime
ligne et la j
ime
colonne de la
matrice MM donne suit :
colonne j
i ligne

1...

.
.
4 - 6 4 1
.
.
...

1
1
1
1
1
]
1

Les conditions de premier ordre permettent donc dobtenir :
( ) [ ]

+ + +
2 1 2
4 6 1 4 L L L L y
t

do :
( ) ( )
( )
t HP t t
y L h y
L L
1 1 1
1
2
1 2

25
La fonction de transfert est donc donne par ( )
1 ) 1 ( ) 1 (
1
2 2
+
iw iw
i
HP
e e
e h
et celle de gain
par ( )
1 )) cos( 1 ( 4
1
2
+

R .

Figure 8 : Interprtation du paramtre dans le filtre de Hodrick-Prescott
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
0
,
0
1
0
,
0
3
0
,
0
5
0
,
0
7
0
,
0
9
0
,
1
1
0
,
1
3
0
,
1
5
0
,
1
7
0
,
1
9
0
,
2
1
0
,
2
3
0
,
2
5
0
,
2
7
0
,
2
9
0
,
3
1
0
,
3
3
0
,
3
5
0
,
3
7
0
,
3
9
0
,
4
1
0
,
4
3
0
,
4
5
0
,
4
7
0
,
4
9
en fraction de PI radians
g
a
i
n
L-400 L-1600 L-3200 L-10000

Nous avons reprsent la fonction de gain du filtre Hodrick-Prescott pour diffrentes valeurs
de (cf. figure 8) :
La fonction de gain prend exactement la valeur un pour la frquence nulle, quelle que
soit la valeur du paramtre , et prend des valeurs proches de l'unit pour les basses
frquences non nulles. Le filtre de Hodrick-Prescott conserve donc bien les
mouvements de longue priode. Il permet galement de retenir en partie dans la
tendance filtre les fluctuations correspondant une priodicit de moyen terme
(frquence faible non nulle).
Pour les hautes frquences, le gain du filtre tend vers zro. Le filtre limine bien les
fluctuations de trs court terme. Toutefois, entre les basses et les hautes frquences, la
fonction de gain est valeur non nulle et dcrot continment. Une partie des
fluctuations cycliques est donc intgre dans la tendance filtre. Plus le paramtre
est faible, plus la fonction de transfert est dcale droite (cf. figure 8) et plus les
fluctuations de court et moyen terme sont filtres avec la tendance. Dans le cas limite
o =0, on retrouve lidentit de la tendance filtre avec la srie initiale.
Si lon retient la dfinition propose par Burns et Mitchell (1946), la tendance est
associe aux mouvements de priode suprieure huit ans. La frquence limite qui
permet de dlimiter entre tendance et cycle est donc de 0,1250 (=1/8) pour des
donnes annuelles, 0,0312 (=1/32) pour des donnes trimestrielles et 0,0104 (=1/96)
26
pour des donnes mensuelles
19
. Le paramtre doit donc tre choisi par rapport ces
bornes suprieures. Do un paramtre dautant plus lev que la priodicit des
sries tudies est courte : 14400 pour des donnes mensuelles, 1600 pour des donnes
trimestrielles, 100 pour des donnes annuelles.

III/ Le filtre passe-bande
20

Une des principales limites des mthodes dextraction de la composante cyclique prsentes
jusquici porte sur les hypothses implicites quant la dure du cycle : fixe et dtermine
dans le cas des moyennes mobiles arithmtiques, variable mais sans priodicit minimale
dans le cas du filtre Hodrick-Prescott
21
. Parce que le cycle a t dfini lorigine par Burns
et Mitchel (1946) comme lobservation empirique dune rcurrence de phases dexpansion et
de contraction et que sa dure fluctue entre un an et demi et huit ans, le recours aux moyennes
mobiles de type arithmtique ou Hodrick-Prescott apparat sans fondements thoriques
suffisants. Aussi, Baxter et King (1995) ont propos une mthodologie qui permet dextraire
avec exactitude une composante cyclique non rgulire, dont la priodicit soit comprise entre
une dure minimale et une dure maximale.

III.1/ La mthodologie du filtre passe-bande idal

Pour tablir ce filtre, Baxter et King recourent lanalyse spectrale. Lanalyse est donc mene
dans le domaine des frquences et non plus celui des priodes. A la dure minimale du cycle
correspond une frquence maximale ; la dure maximale du filtre correspond galement
une frquence minimale . Pour rpondre exactement la dfinition du cycle pose par
Burns et Mitchell, la composante cyclique est donc obtenue application dune moyenne
mobile, de faon conserver les fluctuations correspondant aux frquences comprises entre
et . On note
t
y
, 1
la srie initiale et
t
y
, 2
la composante cyclique extraite par filtrage :
j
j t j t
y h y
, 1 , 2

Un rsultat important danalyse spectrale tablit que la variance de
t
y
, 2
se dcompose par
rapport aux frquences comme suit (cf. chapitre 4) :

( ) ( ) ( )
d S e h y v
i
t 1
2
, 2

o ( )
1
S est la densit spectrale de la srie
t
y
, 1

La fonction de transfert associ la moyenne mobile recherche est donc dfinie par :
( ) 1
i
e h si [ ] ,
( ) 0
i
e h sinon

19
Les frquences sont exprimes ici en fraction de pi.
20
Pass band en anglais.
21
La composante cyclique extraite par le filtre de Hodrick-Prescott contient ainsi la composante irrgulire.
27

Exercice 1.1
Montrer que la moyenne mobile associe cette fonction de transfert vrifie
j
j
h 0.

Le filtre idal ainsi dfini par Baxter et King peut tre calcul en deux tapes :
tape 1 : calcul gnral dune moyenne mobile filtrant les frquences infrieures un
sui critique
*
;
tape 2 : calcul du filtre passe bande idal comme la diffrence entre deux filtres

Dans la premire tape, on recherche la moyenne mobile correspondant un filtre lmentaire
qui limine les fluctuations sexpliquant par les frquences infrieures un seuil
*
(en
valeur absolue). On a donc :
( ) 1
i
e h si
* *

( ) 0
i
e h sinon
Or, daprs le rsultat concernant la transforme inverse de Fourier (cf. chapitre 4), on a :
( )
d e e h h
j i i
j

2
1
pour ,..., 0 j
soit ici :
( )
d e e h h
j i i
j

*
*
2
1

do le rsultat :

*
0
h et
( )
j
j
h
j
*
sin
pour ,..., 1 j

Dans la seconde tape, le filtre passe-bande idal est tabli simplement comme la diffrence
entre un filtre des hautes frquences et un filtre des basses frquences
22
. Finalement, on
obtient la moyenne mobile infinie
BP
h suivante :

( ) ( )
'

j
j j
h
h
BP
j
BP
sin sin
0

III.2/ Approximation finie du filtre passe-bande idal

La mise en oeuvre pratique du filtre propos par Baxter et King ncessite cependant de passer
une moyenne mobile finie. Baxter et King proposent d'approximer chacun des filtres de
basses frquences par un filtre tronqu qui minimise la perte de la variance cause par le
passage du filtre idal au filtre tronqu. La moyenne mobile d'ordre 2K+1 rsulte de la
rsolution du programme suivant :
( ) ( )
d R R Min
K
2
sous la contrainte ( ) 1 0
K
R
o ( )
K
R est la fonction de gain du filtre approximatif.

22
En anglais, respectivement, high pass filter et low pass filter.
28
La fonction de perte mesure la perte totale cause par le passage du filtre idal au filtre fini.
La contrainte ( ) 1 0
K
R est ncessaire pour que la composante de frquence nulle (constante)
soit entirement conserve. Les coefficients de ce filtre fini ne diffrent de ceux du filtre idal
qu' une constante prs
23
. Les coefficients du filtre tronqu
K
h s'crivent, dans le cas du filtre
de basses frquences :

+
j K j
h
h ,
pour j=0,1,,K avec
1 2
1
+
,
_

K
h
K
K j
j

0
,

h K j
pour j >K

Les coefficients du filtre passe-bande s'crivent alors :

K K
BP
K
h h h

Exercice 1.2
Calculer les coefficients du filtre bande passe fini :
Pour une srie annuelle, afin dextraire la composante cyclique dfinie par des
fluctuations de priodicit comprise entre deux et huit ans avec comme troncature
K=3 ;
Pour une srie trimestrielle, afin dextraire la composante cyclique dfinie par des
fluctuations de priodicit comprise entre six et trente deux trimestres avec comme
troncature K=12 ;
Pour une srie mensuelle, afin dextraire la composante cyclique dfinie par des
fluctuations de priodicit comprise entre dix-huit et quatre-vingt seize mois avec
comme troncature K= 37.

Exercice 1.3
Dmontrer ici que les moyennes mobiles symtriques telles que
m
m j
j
h 0 filtre les tendances
dterministes quadratiques et les tendances stochastiques au plus I(2).

23
Cette constante est ncessaire pour assurer que la somme des coefficients est bien nulle.
29
30
Les principales proprits des moyennes mobiles tudies sont les suivantes (cf. tableau 4) :
Les moyennes arithmtiques et le filtre Hodrick-Prescott supposent implicitement une
dure connue des cycles. Par construction, le filtre passe bande de Baxter et King est
le plus proche de la dfinition initiale du cycle.
Un filtre qui permet dextraire la tendance ou la composante sur la fin de priode est
un cycle asymtrique, caractris par un effet de phase et de gain. Le filtre Hodrick-
Prescott est un tel filtre.
Toutes les moyennes mobiles sont susceptibles de crer des fluctuations cycliques.
Pour cette raison, les modlisations stochastiques des fluctuations ont t dveloppes.

Tableau 4 : Comparaison des proprits des diffrentes moyennes mobiles
Moyennes arithmtiques Filtre Hodrick-Prescott Filtre Passe bande
Composante cyclique Sa dure est suppose
connue a priori et fixe

Elle intgre :
lirrgulier;
des mouvements
de longue priode si le
coefficient est lev
Elle intgre les
fluctuations de
priodicit variable.
Seules les bornes
infrieures et suprieure
sont supposes connues.
Lirrgulier est
limin.

Effet Slutsky-Yule Oui Oui Oui
Elimination des points
terminaux
Oui Non Oui
Effet de phase Non Oui, pour les points
terminaux
Non
Effet de gain Non Oui, pour les points
terminaux
Non
31
Bibliographie

Agenor P.R, Mc Dermott et E. Prasad (1998) : Macroeconomic fluctuations in developing
Countries : Some Stylized Facts .

Artis MJ, Bladen-Hovelle R.C et Zang W (1995) : Les points de retournement du cycle
conjoncturel international Revue conomique de l'OCDE, N24 1995/I.

Allard P (1994) : Un reprage des cycles du PIB en France depuis l'aprs guerre .
Economie et Prvision N112.

Baxter M. et King R.G (1995) : The phase average trend : a new way of measuring
economic growth in Proceedings of the Business and Economic Statistics Section.

Boschan C et Ebanks W.W (1978) : Measuring business cycles approximate band-pass
filters for economic time series NBER Working paper n5022

Burns A.F et Mitchell W.C (1946) : Measuring Business Cycles NBER Studies in
Business Cycles N2.

Cashin P., Mc Dermott C.J et A. Scott (1999) : Booms and slumps in World Commodity
Prices . IMF Working Paper WP/99/155.

Cashin P. et OuliarisS. (1999) : Key features of Australian cycles. IMF Working Paper
WP/99/155. IMF Working Paper WP/01/171.

Chouraqui J.C, Hagemman R. and Sartor N. (1990) : Indicators of fiscal policy : a re-
examination OCDE WP n78, Department of economics and statistics.

De Masi P.R (1997) : IMF estimates of potential output : theory and pratice IMF Working
Paper 99/95

Danthine J.P et Girardin M. (1989) : Business cycles in Switzerland European Economic
Review, V33, N1 Janvier.

Fayolle J (1993) : Dcrire le cycle conomique Revue de l'OFCE N45 juin 1993.

Fouet M. (1993) : Les cycles : Elments de comparaison internationale . Revue de l'OFCE
N45 Juin 1993.

Fournier J.Y (2000) : Lapproximation du filtre passe-bande prpose par Christiano et
Fitzgerald Document de travail INSEE, direction des Etudes et Synthses Econmiques,
G2000/03, Mai 2000

Hagemman R. (1999) : The structural budget balance. The IMFs methodology IMF
Working Paper 99/95

King R.G et Rebelo S.T (1993) : HP filtering and business cycles Journal of Economic
Dynamics and Control 207-231

32
Mc Dermot J.M et Scott A. (2000) : Concordance in business cycles IMF Working
Paper/00/37.

Nilsson R. (1987) : Les indicateurs avancs de l'OCDE Revue conomique de l'OCDE

OCDE (1987) : OECD leading indicators and business cycles in member countries 1960-
85 Source and Methods N39 Janvier 1987.

Razzak W (1997) : The Hodrick-Prescott technique : a smoother versus a filter. An
application to New Zealand GDP Economic Letters 57 163-168.

33

Annexe 1 : Exercices corrigs

Exercice 1

Par construction, la fonction de transfert est symtrique : ( ) ( )
i i
e h e h

Or, on a (cf. chapitre IV, partie 4) :
( )
d e e h h
j i i
j
2
1

Do :
( ) ( )
j
j i i j i i
j
h d e e h d e e h h

2
1
2
1

De plus, on a :
( ) 0 0 h
Do :
i
j
h 0

Exercice 2

Filtre BP
3
(2,8)
1416 , 3
7854 , 0
0
1 2
1
,
_

K
h
K
K j
j

0241 , 0
1 2
1

+
,
_

K
h
K
K j
j

Basse frquence Haute frquence Coefficients j
j
h
K j
h
,

j
h
K j
h
,

K K
BP
K
h h h

0 1,0000 1,0000 0,2500 0,2259 0,7741
1 0,0000 0,0000 0,2251 0,2010 -0,2010
2 0,0000 0,0000 0,1592 0,1351 -0,1351
3 0,0000 0,0000 0,0750 0,0510 -0,0510

Filtre BP
12
(6,32)
0472 , 1
1963 , 0
34
0018 , 0
1 2
1
,
_

K
h
K
K j
j

0050 , 0
1 2
1

+
,
_

K
h
K
K j
j

j
h
K j
h
,

j
h
K j
h
,

K K
BP
K
h h h

0 0,3333 0,3351 0,0625 0,0575 0,2777
1 0,2757 0,2775 0,0621 0,0571 0,2204
2 0,1378 0,1396 0,0609 0,0559 0,0838
3 0,0000 0,0018 0,0589 0,0539 -0,0521
4 -0,0689 -0,0671 0,0563 0,0513 -0,1184
5 -0,0551 -0,0533 0,0529 0,0479 -0,1012
6 0,0000 0,0018 0,0490 0,0440 -0,0422
7 0,0394 0,0412 0,0446 0,0396 0,0016
8 0,0345 0,0363 0,0398 0,0348 0,0015
9 0,0000 0,0018 0,0347 0,0297 -0,0279
10 -0,0276 -0,0258 0,0294 0,0244 -0,0501
11 -0,0251 -0,0232 0,0241 0,0190 -0,0423
12 0,0000 0,0018 0,0188 0,0137 -0,0119

Filtre BP
12
(18,96)

3491 , 0
0654 , 0
0006 , 0
1 2
1
,
_

K
h
K
K j
j

0017 , 0
1 2
1

+
,
_

K
h
K
K j
j

35

j
h
K j
h
,

j
h
K j
h
,

K K
BP
K
h h h

0 0,1111 0,1117 0,0208 0,0192 0,0925
1 0,1089 0,1095 0,0208 0,0192 0,0903
2 0,1023 0,1029 0,0208 0,0191 0,0838
3 0,0919 0,0925 0,0207 0,0190 0,0734
4 0,0784 0,0790 0,0206 0,0189 0,0600
5 0,0627 0,0633 0,0205 0,0188 0,0445
6 0,0459 0,0465 0,0203 0,0186 0,0279
7 0,0292 0,0298 0,0201 0,0184 0,0114
8 0,0136 0,0142 0,0199 0,0182 -0,0040
9 0,0000 0,0006 0,0196 0,0180 -0,0174
10 -0,0109 -0,0103 0,0194 0,0177 -0,0280
11 -0,0186 -0,0180 0,0191 0,0174 -0,0354
12 -0,0230 -0,0224 0,0188 0,0171 -0,0395
13 -0,0241 -0,0235 0,0184 0,0167 -0,0403
14 -0,0224 -0,0218 0,0180 0,0164 -0,0382
15 -0,0184 -0,0178 0,0176 0,0160 -0,0338
16 -0,0128 -0,0122 0,0172 0,0156 -0,0278
17 -0,0064 -0,0058 0,0168 0,0151 -0,0209
18 0,0000 0,0006 0,0163 0,0147 -0,0141
19 0,0057 0,0063 0,0159 0,0142 -0,0079
20 0,0102 0,0108 0,0154 0,0137 -0,0029
21 0,0131 0,0137 0,0149 0,0132 0,0005
22 0,0142 0,0148 0,0143 0,0127 0,0022
23 0,0136 0,0142 0,0138 0,0121 0,0021
24 0,0115 0,0121 0,0133 0,0116 0,0005
25 0,0082 0,0088 0,0127 0,0110 -0,0023
26 0,0042 0,0048 0,0121 0,0105 -0,0057
27 0,0000 0,0006 0,0116 0,0099 -0,0093
28 -0,0039 -0,0033 0,0110 0,0093 -0,0126
29 -0,0071 -0,0065 0,0104 0,0087 -0,0152
30 -0,0092 -0,0086 0,0098 0,0081 -0,0167
31 -0,0101 -0,0095 0,0092 0,0075 -0,0171
32 -0,0098 -0,0092 0,0086 0,0069 -0,0162
33 -0,0084 -0,0078 0,0080 0,0064 -0,0141
34 -0,0060 -0,0054 0,0074 0,0058 -0,0112
35 -0,0031 -0,0025 0,0068 0,0052 -0,0077
36 0,0000 0,0006 0,0063 0,0046 -0,0040
37 0,0029 0,0035 0,0057 0,0040 -0,0005
36
Exercice 3

Pour la dmonstration du filtrage des tendances dterministes au plus quadratiques, se
reporter la preuve de la proprit 7 du chapitre 4. Concernant le filtrage des tendances
stochastiques au plus I(2), on a :
( ) ( ) ( ) 2
1 1
0
+ + +

i i
m
i
i
i i
m
i
i
i
m
m i
i
L L h L L h h L h L H
or :
( )( )
i i i i
L L L L

+ 1 1 2
et de plus :
( ) ( )( )
1
... 1 1 1

+ + +
i i
L L L L et ( ) ( )( )
1 1 1
. 1 1 1
+
+ + +
i i
L L L L
do :
( ) ( ) ( ) L L L L H
2
1 avec ( ) L polynme avec m-1 termes avant et retard

37

CHAPITRE 2 : LES MODELISATIONS UNIVARIEES DES FLUCTUATIONS

Suite aux dveloppements des annes quatre-vingts en sries temporelles, il est aujourd'hui
usuel de considrer que les principaux agrgats macroconomiques ne peuvent plus tre
reprsents comme des sries stationnaires autour d'une tendance dterministe (Nelson et
Plosser 1982). Il apparat ncessaire de prendre en compte leur degr de stationnarit et
d'tudier la permanence des chocs stochastiques. L'analyse de Beveridge et Nelson (1981)
permet alors de dcomposer une srie intgre en une composante permanente et une
composante transitoire. Cette dcomposition conduit des mesures de persistance, qui
permettent dapprcier l'importance d'une racine unitaire. La persistance associe une racine
unitaire peut dailleurs correspondre un choc exceptionnel, tel une rupture sur la moyenne
(Perron 1989). Aussi, d'autres modlisations du processus gnrateur des donnes ont t
dveloppes. Ces modlisations supposent en gnral plusieurs chocs (cf. modle
composantes inobservables de Harvey ou modle de Stock et Watson)
24
.

I/ Stationnarit en diffrence ou autour d'une tendance dterministe ?

Comment reprsenter les fluctuations conomiques ? Jusquau dbut des annes quatre-
vingts, les conomistes assimilaient souvent la tendance une tendance dterministe. Les
fluctuations cycliques pouvaient alors tre mesures comme le rsidu de la rgression par
rapport la tendance dterministe. Cette mthodologie a t mise mal par les
dveloppements rcents en sries temporelles. Dans leur tude, Nelson et Plosser (1982) ont
ainsi mis en avant que les principaux agrgats macroconomiques taient plus correctement
reprsents comme un processus stationnaire en diffrence que comme un processus
stationnaire autour d'une tendance dterministe. Nous prsentons donc ici les tests de racine
unitaire les plus usuels.

I.1 / Les modles de marche alatoire

M1 : marche alatoire

Soit par dfinition H0 :
2 2
1
et 0 avec
+
t t t t t
E E y y
Dickey et Fuller ont tabul l'hypothse H0 : 1 dans le modle
2 2
1
et 0 avec
+
t t t t t
E E y y . Sous l'hypothse alternative ( ) 1 , on a alors :
Ey y
t t

0
1
2
2
et V

.
M2 : marche alatoire avec drive

Soit par dfinition H0 : y a y E E
t t t t t
+ +
1
2 2
0

avec et

24
On parle en anglais de Data Generating Process. On retiendra donc par la suite lexpression de Data
Generating Process (DGP).
38
2 2
1
et 0 avec
+ +
t t t t t
E E y a y . Sous l'hypothse alternative ( ) 1 , on a
alors : Ey
a
y
t t

1 1
2
2
et V .
M3 : marche alatoire avec drive et tendance dterministe

Soit par dfinition H0 :
2 2
1
et 0 avec
+ + +
t t t t t
E E y bt a y
2 2
1
et 0 avec
+ + +
t t t t t
E E y bt a y . Sous l'hypothse alternative ( ) 1 , on a
alors : ( ) ( ) E y bt
a
y bt
t t

1 1
2
2
et V .
I.2/ Les tests de Dickey et Fuller augments

Pour tester lhypothse de racine unitaire, des hypothses plus gnrales, de type ARMA(p,q),
pourraient tre envisages afin de dcrire la dynamique de l'innovation
t
. Ces tests
gnraliss nexistent pas actuellement. Toutefois, dans le cadre des tests ADF (Augmented
Dickey Fuller), sont envisages des innovations de type autorgressive : y L
t t

( )
1
.
L'hypothse de racine unitaire H0 correspond alors ( ) 1 0 .

Pour un polynme retard ( ), L on a :
) ( ) 1 ( ) 1 ( ) ( , ) (
*
0
L L L L
p
i
i

p
j i
i j
,...,p- j
1
* *
) 1 ( 1 ) 0 ( et
1 1 pour avec

On a donc :
{ }
( ) ( ) ( ) ( )
*
L y L L y
t t
+ 1 1
D'o :
( ) ( )( ( )) ( )
*
1 1 1 1 1
1
1
y L y L y
t t t i t i
i
p
+ +

Soit :
( ) ( ) ( )
*
1 1 1
1
1
1
+ +

L y y L y
t t i t i
i
p
t

39

Tableau 1 : Statistiques de Dickey et Fuller sur quelques agrgats macroconomiques (p=4)
M1 M2 M3
( , ) ( , ) 1 0
( , , ) ( , , ) 10

Base 70
PIB 3,19 -1,84 -0,35 10,39 1,67
Consommations 3,04 -0,39 -1,91 7,04 1,85
FBCF des SQS-EI 2,01 -1,29 -2,07 3,62* 2,36*
Variations de stocks -1,94 -4,69* -4,90* 11,01* 12,02*
Base 80
PIB 3,30 -0,55 -3,11 6,60 4,87
Consommations 3,50 -1,54 -1,89 10,56 2,78
FBCF des SQS-EI 0,96 -1,24 -2,07 1,45* 2,17*
Variations de stocks -3,11* -3,82* -4,27* 7,36* 9,14*
Source : INSEE : Comptes trimestriels ; nos calculs. Un astrisque * indique une statistique significative au seuil
de 5%. Pour T=100 observations, les valeurs critiques sont de -1,95 dans H1, -2,89 dans H2, -3,45 dans H3, 4,71
dans ( , ) ( , ) 1 0 et 6,49 dans ( , , ) (1, , ) 0 .

I.3/ Quelles alternatives lhypothse de racine unitaire ?

Les tests de Dickey et Fuller ne sont pas symtriques dans la formulation des hypothses nulle
et alternative : le modle sous lhypothse de stationnarit ne retient pas la tendance
dterministe prsente sous lhypothse nulle. Examinons ce point en dtail pour chacun des
modles M1, M2 et M3.

M1 : marche alatoire

On a H0 : y y E E
t t t t t
+
1
2 2
0

avec et
Sous l'hypothse nulle, on a : y y
t i
i
t
+
0
1
donc Ey y Vy t
t t

0
2
et
. L'hypothse
alternative naturelle serait donc le processus :
y a y
t t t
+ +

1

Lalternative naturelle lhypothse nulle est ainsi caractrise par une moyenne non
nulle, comme sous lhypothse H0. Cependant, dans le test de Dickey-Fuller, le processus
sous lhypothse alternative est desprance nulle.

M2 : marche alatoire avec drive
On a H0 : y a y E E
t t t t t
+ +
1
2 2
0

avec et . Sous l'hypothse nulle, on a :
y y at
t i
i
t
+ +
0
1
donc Ey y Vy t
t t

0
2
+ at et
. L'hypothse alternative naturelle serait

donc le processus :
y at b y
t t t
+ + +

1

Lalternative naturelle lhypothse nulle est ainsi caractrise par une tendance
dterministe, comme sous l'hypothse H0. Cependant, dans le test de Dickey-Fuller, le
processus sous lhypothse alternative est stationnaire autour dune moyenne, ce qui est
videmment moins vraisemblable (cf. figure 1).

40

Figure 1 : Modle de marche alatoire avec drive et son alternative

M3 : marche alatoire avec drive et tendance dterministe
On a H0 : y a bt y E E
t t t t t
+ + +
1
2 2
0

avec et
Sous l'hypothse nulle, on a : y y at b
t t
t i
i
t
+ +
+
+
0
1
1
2
( )
. L'hypothse alternative
naturelle serait donc :
y c at bt y
t t t
+ + + +
2
1

Lalternative naturelle lhypothse nulle est ainsi caractrise par une tendance
quadratique, comme sous lhypothse nulle. Cependant, dans le test de Dickey-Fuller, le
processus sous lhypothse alternative ne contient quune tendance dterministe.

Dans le cas de lhypothse nulle de marche alatoire avec, lalternative de stationnarit autour
dune esprance
0
peut tre formule partir du surmodle suivant :
A L L y
t t
( )( )( ) 1
0

La reparamtrisation de Fuller permet d'crire :
{ }
( )( ) ( ) ( ) ( ) ( )
*
L y L L y
t t
+
0 0
1 1
soit
( ) ( ) ( ) ( )
*
1 1 1 1
1 0
1
1
+ +
L y y L L y
t t i
i
t
i
p
t

Le test de racine unitaire H0 : ( ) 1 0 correspond l'hypothse nulle ( , ) ( , ) 10 dans :
Marche alatoire avec drive ou
stationnarit autour dune tendance
dterministe
Stationnarit autour dune moyenne
41
( - ) = 1 1
1
1
1
L y y L y
t t i t i t
i
p
+ + +

*
( ) .
Exercice 2.1 : Proposer un test joint de racine unitaire dont l'alternative est la stationnarit
autour d'une tendance dterministe.

Dickey et Fuller (1981) ont tabul le test du rapport de vraisemblance pour les diffrents
modles (cf. annexe 3).

Exercice 2.2 : Marche alatoire et dure d'un cycle. On suppose que la srie y
t
suit une
marche alatoire avec drive :
y a y
t t t
+ +
1
avec
t
N o ( , )
2

Calculer la probabilit d'une rcession si celle-ci est suivie par l'vnement
{ } y y y
t t t
< <
+ + >
0 0
1 2 0
, , . En dduire la dure moyenne d'un cycle, dfini par l'intervalle
reliant deux rcessions.

II/ La composante permanente de Beveridge et Nelson

II.1/ La dcomposition de Beveridge et Nelson

Soit y
t
une srie stationnaire en diffrence :
( ) ( ) 1 1
0
0

L y B L b b
t t i t i
i
avec
On cherche dcomposer y
t
en une composante stationnaire et une composante de long
terme, correspondant la composante stochastique permanente. La prvision la date t de
( )
j t
y L
+
1 est donne par :

+ +

j i
i j t i
i
i j t i t j t t
b b E y L E
0
) 1 (
On en dduit la prvision y
t k +
la date :
...

) 1 (
1) j (i
k + et t 1 + t entre
de impact
1
1
2
j) (i
de impact
1
1
1
1 - t t
+
,
_
+
,
_
+
+
+
+
+
+
t
k
i
i t
k
i
i t
k
j j i
i j t i t
j t
k
j
t t k t t
b b y
b y
y L E y Ey

La composante permanente de y
t
, note
t
y , est dfinie par la prvision de y
t
horizon infini
partir des innovations passes :
... lim y
1
2 1
t
+
,
_
+
,
_
+ +

t
j
j t
i
i t k t k t t
k
b b y y E
La composante transitoire est alors dfinie par la diffrence entre y
t
et y
t
.

42
Proposition 1 : La composante permanente de y
t
suit une marche alatoire. Plus
prcisment, on a :
t t t
B y y ) 1 (
1
+

.

preuve
t
0 = i
2 2 1 1
1
i
1
1
1 3
2
2
1
1
1 1
B(1) =
... ) ( b =
... ) ( ) ( ... ) ( ) ( ) (

+
+ + + +
t t
i
t i i t
i
t i
i
t i
i
t i
i
t i
i
t i t t t t
b b b
b b b b b y y y y

Proposition 2 : Si B(1) est nul, alors la srie y
t
est stationnaire.

On peut galement retrouver simplement la dcomposition de Beveridge et Nelson partir de
l'oprateur retard. Avec les notations habituelles, on a :
{ }
( ) ( ) ( ) ( ) ( )
*
1 1 1 + L y B L B L B L
t t t

D'o vient la dcomposition :
y y L y y B L B
t i
i
t
t i
i
t
+ + +

0
1
0 0
1
1 1 ( ) ( )( ) ( )
*

Si y y B
t i
i
t
0 0
1
0 1
, ( ) et ( ) ( ) 1 1 L y B
t t

Exercice 2.3 : Ecrire la dcomposition de Beveridge et Nelson pour un processus avec drive
: ( ) ( ) 1 + L y B L
t t

Exercice 2.4 : Ecrire la dcomposition de Beveridge et Nelson pour un processus avec
changement de moyenne la date T
b
: ( ) ( ) ( ) 1 + > + L y t T B L
t b t

43

II.2/ Exemple : le pib franais

A titre dapplication, nous avons estim un modle ARIMA du PIB franais (en logarithme)
de 1970 1997 et sur donnes trimestrielles. Nous avons retenu un modle avec drive
25
(cf.
tableau 2). On constate alors que B( ) 1 1 > . Dans ce cas :
L'impact d'un choc
t
serait alors plus important sur la variation de tendance que
sur celle de la srie (cf. figure 1).
La corrlation contemporaine des variations de la tendance et de la composante
cyclique est ngative :
( ( ) ( ( )) 1 1 1
1
+

L c B
t t t i
i

Figure 2 : Suraction possible de la composante permanente

25
Le modle ARIMA estim sur le logarithme du PIB est :

( ) . ( ) . ( ) .
,
,
1 21 1 18 1 0027
7 69 10
9710
1 2
2 6
+ + +
L y L y L y
AIC
t t t t

Q(12) = 10,0 p =.436

( ) 18 . 21 . 1 1 ) 1 ( : donc a On B

44

III/ Les mesures de persistance

Cochrane (1988) a dfini une mesure de persistance, afin de mesurer l'importance des racines
unitaires. Pour un processus sans drive, cette mesure est dfinie par :
k
y y E
t k t
k
2
2
) (
+

Une explication heuristique de cette mesure est la suivante :
Pour une srie y
t
qui suit une marche alatoire
26
, la limite
k
2
pour k est
exactement la variance de l'innovation. En effet, si on a :
) 1 var(( alors ,
2 2
k 1
k y L y y
t
k
t t t
+

et :
. lim
2
2

k
k
k

Pour une srie stationnaire autour d'une tendance y bt
t t
+ , on a :
2 k

k
2 ) ) L - 1 var et ) L - (1

+
t k t t t
y (( bk y et :
0 lim
2

k
k
k

Proprit 3 (cf. annexe 2)
Pour un processus stationnaire
t
y en diffrence c'est--dire tel que ( ) ( ) 1 L y B L
t t
, si
i

est l'autocovariance dordre i du processus ( ) 1 L y
t
, alors la variance de la diffrence de la
composante de long terme de Beveridge et Nelson
)
y
t
constitue la mesure fondamentale de la
persistance. On a les quivalences suivantes :
) 0 ( L) - V(1 ) (
lim ) 1 ( ) (
lim ) 1 ( ) (
2 ) 1 ( ) (
) 1 ( ) 1 ( ) (
) 1 (
2 1
2
1
0
2 2
t
y L t
t
t
t
k
k
t
i
i t
t
f y e
Ey t y L V d
y L V c
y L V b
B y L V a

Proprit 4 : Quelle que soit la dcomposition de la srie en une composante permanente de
type alatoire et en une composante transitoire stationnaire, la persistance de la composante
permanente est gale la densit spectrale de la variation de y
t
en zro :
( )
) 0 ( ) - 1 (
quelconque
) ( re transitoi composante
permanente composante
: ion dcomposit
) 1 (
1
t
y L t
t t
t t
t t t
t t t
f z L V
E
L A c
z z
c z y

1
1
1
1
]
1
+ +
+

26
En fait, ce rsultat est valide que la marche alatoire soit avec ou sans drive.
45
En pratique, la mesure de la persistance peut tre calcule partir d'une modlisation ARIMA
ou encore de la mesure de Cochrane
k
2
, estime par les moments correspondants de
l'chantillon, corrigs des degrs de libert (Campbell et Mankiw 1987, Cochrane 1988) :

A des fins de comparaison entre diffrentes variables, la mesure de la persistance peut tre
normalise par la variance de la diffrence du processus.

Figure 3 : Autocorllogramme de l'inflation allemande (en niveau et en diffrence).

k
2

+

'

;

1
]
1
1
1
T
T k k T k
y
j
y
j k
k y
t
y
T
j k
T
1
1 1
2
( )
( )
46

Modle 1 : M1 Modle 2 : M2
( ) ( . )( . )
.
.
( ) .
1 1 7483 1 4205
2295
13311
6 2 91
4
2
+
L y L L
AIC
Q
t t
p =.573
Q(12) = 7.91 p =.637

( ) ( . )( . . )
.
.
( ) .
1 1 75875 1 4681 1936
2217
13143
6 352
4 12
2
+
L y L L L
AIC
Q
t t
p =.318
Q(12) = 5.01 p =.833

Source : nos calculs

Figure 4 : Mesure de Cochrane de l'inflation allemande

Tableau 2 : La persistance de l'inflation en Allemagne (1972:1-1996:4)
Arima
k
2

M1 M2 k=30 k=50
B( ) 1
2 2
(x100)
2,93 2,10 3,65 3,61
%) (
) (
) 1 (
0
2
2
en
b
B
i
i

6,96 4,78 8,18 8,08
Source : nos calculs
47

IV/ Racines unitaires et ruptures dterministes

IV.a/ Le modle additive outlier

Perron (1989, 1990) a dvelopp un cadre statistique pour tester lhypothse de racine unitaire
contre lhypothse de stationnarit avec rupture dans la moyenne ou la tendance dterministe.
Sous lhypothse nulle de racine unitaire, le processus
t
y est donn par :
+ +
t
i
i t t t t
y y y y
1
0 1
pour T t ,...., 1
Les alas
t
ont tous un impact permanent sur le niveau du processus
t
y . Cependant, seuls
certains chocs ponctuels peuvent avoir un effet permanent. Lhypothse nulle de racine
unitaire est ainsi modifie de faon prendre en compte la possibilt dun choc ponctuel et
dterministe une date T
B
(suppose connue) :
( ) 1 T t I y y
1
B 0 t
) 1 (
1
+ + > + + +
t
i
i t B
T t
t t
I y y pour T t ,...., 1
Lhypothse alternative est alors celle dun processus stationnaire autour de sa moyenne avec
une rupture permanente sur la moyenne partir de la date T
B
. Perron (1989, 1990) a ainsi
dvelopp un cadre statistique pour tester lhypothse de racine unitaire contre lhypothse de
stationnarit avec rupture dans la moyenne ou la tendance dterministe. Ce test procde en
deux tapes :
Calcul des rsidus { }
T
t
y
1
~
partir de la rgression de la squence { }
T
t
y
1
sur une
constante et la variable muette I t T
B
( ) > + 1 ;
Test de racine unitaire sur les rsidus { }
T
t
y
1
~
. Soit
lestimateur de par les moindres

carrs dans la rgression suivante (cf. Perron et Vogelsang, 1992
27
) :
~ ~ ~
( ) y I y e
t
t TB
t t
+ + +
1
1

Les distributions asymptotiques de ( ) 1 T et
1
t sous lhypothse nulle de racine unitaire
peuvent tre tabules pour les valeurs donnes des paramtres ( )
T
T
B
et T . Ces
distributions sont les mmes pour 1- et .

IV.b/ Le modle innovative outlier

Dans le prcdent modle additive outlier , le changement de moyenne aprs la date T
B
est
instantann. Un autre test a t propos pour prendre en considration lhypothse nulle de
racine unitaire avec un changement progressif dans la moyenne. Pour cela, une dynamique
autorgressive est retenue pour lala
t
, cest--dire :
( ) )= A( L a = L A iid v v L A
i
i v t t t
1 0 condition la avec et ) , 0 ( avec ) (
1 - p
1 = i
2 1

De plus, le changement dans la constante nest pas instantann et est suppos suivre la mme
dynamique que lala
t
. Alors :

27
En fait, les premires tabulations asymptotiques pour le modle additive outlier (Perron, 1990) ont t corrig
plus tard (Perron et Vogelsang, 1992).
48
( )
( )
[ ] ( )
( ) t T t
p
i
i t i t t t T t t t
v I y L a y y v I L A y y
B B
+ + + + +
+
1
1
1
1 1
1
1
1
Dans ce modle, le changement instantan dans la moyenne est donn par le coefficient
tandis que linfluence de long terme est mesur par A( ) 1
1
.

Une alternative

intressante et
naturelle est la stationnarit de la srie avec un changement dans la moyenne aprs la date T
B
:
1 avec ) 1 ( ) 1 (
1
1
1

t B
T t
i t
p
i
i t t
v dI y L a c y y + + + + + >

Ainsi, lhypothse nulle de racine unitaire peut tre teste dans la rgression suivante :
) 1 ( ) 1 ( ) 1 (
1
1
1 t B
T t
B
T t
i t
p
i
i t t
v dI I y L a c y y + + + + + + > +

Le test procde en plusieurs deux tapes :
On teste dabord la prsence dune racine unitaire : =1 Les distributions
asymptotiques des statistiques T(

)

1
1
and t sont les mmes que dans le modle
additive outlier ;
Si lhypothse =1 est rejete, on peut alors tester lhypothse nulle dabsence de
rupture permanente sur la moyenne : 0 d .

IV.c/ Une analyse squentielle

Dans les prcdents tests, la date de rupture est suppose connue a priori. Les consquences
dun choix erron sur cette date de rupture ont t tudies. Asymptotiquement, les
statistiques proposes par Perron convergent vers leur distribution (Montanes 1997).
Cependant, chantillon fini, certaines distorsions peuvent apparatre, notamment si la date
de rupture a t impose avant la date vritable (Hecq et Urbain 1993). Ainsi, une approche
rcursive est nccessaire pour dterminer la choix de la date de rupture (Perron et Vogelsang
1992, Zivot et Andrews 1992). La statistique dintrt est alors la statistique t minimale sur
tous les points de rupture possibles :

( ) p T i t
B
TB
, , inf

avec i=AO (additive outlier), IO (innvationnal outlier)
Le choix de la dynamique et du paramtre p peuvent tre tabli selon deux procdures. Dans
la premire approche, le paramtre p est choisi de telle sorte que le coefficient portant sur la
dernire diffrence premire soit significatif. Dans la seconde approche, un test sur la
significativit jointe de lensemble des diffrences premires retardes est appliqu (F de
Fisher)
28
. Les statistiques de test sont asympotiquement les mmes pour les modles
additive et innovationnal .

IV.d/ Une approche encompassing

Lquation peut tre comprise comme une approche encompassing dun modle TS
(Trend Stationary) avec rupture ( y y b I e
t t
t T
t
B + + +
> +
1
1 ( ) ) par un modle DS
(Difference Stationary) avec rupture ( y y aI e
t t
t T
t
B + +
+
1
1 ( ) ). Ces deux modles sont
englobs dans lcriture suivante :

28
Lapproche qui consiste choisir le retard en minimisant la statistqiue de student sur Erreur ! Signet non
dfini. coefficient ( Perron et Vogelsang, 1992).
49
( )( )( ( ) ) 1 1 1
1
1
> +
L a L y I v
i
i
t
t TB
t
i
p

La repramtrisation de Fuller est donne par lquation :

) - )(1 - (1 1 et ) - )(1 - (1 = d ), - )(1 - (1 = c avec
) 1 ( ) 1 ( ) 1 (
1 - p
1 = i
i
1 - p
1 = i
i
1 - p
1 = i
i
) 1 (
1
0
1
1
1
) 1 (

+ + + + + +

+ >

t
TB j t
p
i
i
p
i
i t i t
TB t
t
v I y L y dI c y L

Ainsi, lhypothse du test du modle DS contre TS est donne par :
(,c,d)=(1,0,0)
Enlever les termes ) 1 ( + TB j t I na pas deffet sur la distribution asymptotique. Ainsi, le test
peut tre appliqu sur lquation :
) 1 ( ) 1 ( ) 1 (
1
1
1
) 1 (
t
p
i
i t i t
TB t
t
v y L y dI c y L + + + +

+ >
Si lhypothse DS est rejete, alors il existe une forte prsomption que le modle TS est
valide. En effet, lhypothse DS peut tre rejete parce que 0 d ou 0 ou 1 < c

V/ Les modles composantes inobservables ou modles de Harvey

V.1/ Les diffrents modles de la tendance

Marche alatoire plus bruit blanc
La srie y
t
est constitue de la somme d'une marche alatoire
t
et d'un bruit blanc
t
:
2 2
1
et 0 avec
+
t t t t t
E E y
La marche alatoire
t
est donne par :
2 2
1
et 0 avec
+
t t t t t
E E
Ce modle englobe deux cas extrmes :
le modle d'une srie stationnaire autour de sa moyenne correspond la nullit de la
variance de l'innovation
t
de la marche alatoire : y
t t
+ .
le modle d'une marche alatoire correspond au cas d'une innovation
t
de variance
nulle :
1 t t t
y y +

.

Modle croissance linaire stochastique
29

Ce modle, d initialement Harrison et Stevens (1976), suppose que le niveau mais aussi la
pente de la srie peuvent tre dcrits par une marche alatoire. On a donc : y
t t t
+ . La
tendance locale stochastique
t
est donne par :

t t t t
t t t
+ +
+

1 1
1
avec E E
t t
0, E
t

2 2
et E
t

2 2

Le modle d'une srie stationnaire autour de sa tendance correspond des variances nulles
pour les innovations sur la pente et le niveau :
si

2 2
0 , alors y t
t t
+ + .
30
Dans le cas o la variance de l'innovation sur la
pente est nulle, la srie y
t
est stationnaire par diffrence. Si de plus le coefficient est
nul, alors on obtient un modle stationnaire autour de sa tendance.

29
Certains auteurs le prsentent sous le nom de modle tendance locale stochastique (local linear trend).
50
dans le cas o seule la variance de l'innovation sur le niveau est nulle, la srie y
t
est dite
tendance doublement intgre ("slowly moving smooth trend").
On peut crire le modle de croissance stochastique linaire sous la forme d'un modle espace
d'tats (cf. Gourieroux et Montfort 1990) :
quation de transition :
t
t
t
t
t
t
+
+
1
]
1

1
]
1
1
]
1
+

1
]
1
1
1
1
0
1
1

quation de mesure :
[ ]
y
t
t
t
t
1
]
1
+ 1 0

V.2/ La modlisation de la composante cyclique

Diffrentes modlisations de la composante cyclique sont possibles. Par exemple, Clark
(1987) modlise la composante cyclique par un modle arma. En pratique, la composante
cyclique est le plus souvent estime par un modle autorgressif, soit ( ) L C
t t
. On a
alors la dcomposition suivante :
y C
t t t
+

Tableau 3 : Modlisation du PIB (en logarithme) des Etats-Unis (1947.1-1985:4)

1

2
-2Log
Tendance linaire
stochastique
0,0001 0,0064 0,0074 1,53 -0,59 1256,8
Marche alatoire
avec drive
0 0,0066 0,0072 1,55 -0,60 1256,3
Tendance
doublement
intgre
0,0001 0 0,0102 1,34 -0,39 1254,6
Source : P.K Clark "The Cyclical component of economic activity" The Quarterly Journal of Economics
November 1987

D'autres modlisations explicitent le cycle par l'amplitude, la phase et la frquence
correspondantes. Cette approche, retenue notamment par Harvey (1989), est prsente
maintenant. Un cycle
t
est caractris par sa frquence , son amplitude A et sa phase .
Formellement,

t
A t cos( ) . De faon quivalente, on dduit :
t
t t + cos sin
31

En posant
t
t t
*
cos sin , on obtient l'quation de rcurrence suivante :
t
t
t
t
* *
cos
sin
sin
cos
1
]
1

1
]
1
1
]
1

1
1

Afin de dcrire des cycles "ralistes", on introduit des alas et un facteur d'amortisserment :
t
t
t
t
t
t
v
v
* * *
cos
sin
sin
cos
1
]
1

1
]
1
1
]
1
+

1
]
1

1
1

Exercice 2.5 : Ecrire sous la forme dun modle espace tat le modle de croissance linaire
stochastique avec une composante cyclique modlise selon l'approche de Harvey.

30
En fait,
0
.
31
-Asin , cos ,
2 2
+ A A
51

VI/ La modlisation du cycle par Stock et Watson

Stock et Watson (1988) ont propos un modle de dcomposition de n sries en une
composante commune C
t
et une composante idiosyncratique u
it
. Ce modle repose sur
deux hypothses fortes :
il n'existe qu'une seule composante commune entre les sries ;
les sries peuvent tre intgres (l'tude porte alors sur les sries diffrencies) mais ne
sont pas cointgres. La composante commune pourra alors tre identifie un cycle
commun.
Si on note x
t
les sries initiales, C
t
leur composante commune non observe, u
t
le vecteur
des composantes idiosyncratiques, et si on suppose les sries intgres, le modle s'crit :

x C u
L C
D L u
t t t
t t
t t
+ +
+
'
( )
( )

avec
Eu u Q
E L L
D L D L
t t
t t i
i
i
p
i
i
i
k
'
'
( )
( )
'

2
0
0
et
A titre d'exemple, nous avons appliqu ce modle au PIB, la consommation et au revenu
disponible brut des mnages (exprim en taux de croissance). La composante commune de
ces trois agrgats macro-conomiques, qui correspondent chacun une approche du PIB
(respectivement, la production, la dpense et les revenus), peut ventuellement enrichir la
description de l'tat du cycle conomique.

Tableau 4 : Indicateur concident de l'activit en France
Paramtres PIB Consommation Revenu

0,412
(0,049)
0,437
(0,0534)
0,381
(0,0570)

0,6107
(0,0762)
0,6510
(0,0723)
00,5872
(0,0752)
D
1i
0,1314
(0,1132)
-0,5688
(0,0966)
-0,1696
(0,0789)
D
1i
0,0385
(0,0944)
-0,3486
(0,0893)
-0,0320
(0,0789)
u
i
2

0,2141
(0,0372)
0,2603
(0,0448)
0,2603
(0,0448)
Source : INSEE : Comptes trimestriels ; nos calculs.

La composante commune a t modlise travers un modle ARMA(1,2) :
2
) 153 , 0 (
1
) 140 , 0 (
1
) 114 , 0 (
3027 , 0 5168 , 0 6697 , 0

+ +
t t t t t
C C
52

Bibliographie

Banerjee, A , Lumsdaine R.L et Stock J.H (1992) : Recursive et sequential tests of the unit
root et trend break hypothesis : theory et international evidence Journal of Businness et
Economic Statistics 10, 271-287

Beveridge, S and Nelson, C.R (1981) : A new approach to decomposition of economice time
series into permanent and transitory components with particular attention to measuerement of
the "Business Cycle Journal of Monetary Economics 7, 151-174

Campbell, J.Y and Mankiw,N.G (1987) : Are output fluctuations transitory ? Quarterly
Journal of Economics, 23: 319-33

Christiano L.J (1992) : Searching for a break in GNP Journal of Business and Economic
Statistics 10, 237-250

Clark, P.K (1987) : The cyclical component of U.S economic activity The Quarterly
Journal of Economics

Cochrane, J.H (1988) : How big is the random walk in GNP Journal of Political
Economy,96: 893-920

Cuddington, J.T and Winters, L.A (1987) : The Beveridge-Nelson decomposition of
economic time series Journal of Monetary Economics 19, 125-127

Christiano L.J (1992) : Searching for a break in GNP Journal of Business and Economic
Statistics 10, 237-250

Dickey, D.A and Fuller, W.A (1981) : Likelihood ratio statistics for autoregressive time
series with a unit root Econometrica, Vol 49, N 4 July

Doz C, Rabault, G and Sobczack, N (1995) : Decomposition tendance-cycle estimations par
des mthodes statistiques univaries Economie et Prvision N120, 73-93

Hamilton J.D (1989) : A new approach to the economics analysis of non stationnary time
series and the busisness cycle Econometrica V57,n2 March.

Harvey, A.C (1985) : Trends and cycles in Macroeconomic time series July, Vol 3, N3

Harvey, A.C (1989) : Forecasting structural time series models and the Kalman filter
Cambridge University Press

Hatanaka, M. (1995) : Time series based econometrics Oxford University Press.

Mizon G.E, Richard J.F (1986) : The encompassing principle and its application to testing
non-nested hypothesis Econometrica Vol 54, N3

Nelson C.R, Plosser C.I (1982) : Trends and random walks in macroeconomic time series
Journal of Monetary Economics 10
53

Perron P (1989) : The great crash, the oil price shock and the unit root hypothesis
Econometrica 57 (1989), 1361-1401

Perron P (1990) : Testing for a unit root in a time series with a changing mean Journal of
Businness and Economic Statistics 8, 153-162

Perron P and Vogelsang T.J (1992) : Nonstationarity et level shift with an application to
Purchasing Power Parity Journal of Business and Economic Statistics 10 (1992

Perron P and Vogelsang T.J (1993) : The great crash, the oil price shock and the unit root
hypothesis: Erratum Econometrica 61, 248-249

Perron P (1997) : Further evidence on breaking trend functions in macroeconomic
variables Journal of Econometrics 80 355-385

Perron P. et Vogelsang P (1998) : Additional tests for a unit root allowing for a break in the
trend function at an unknow time . International Economic Review in press

Rabault G (1993) : Une application du modle de Hamilton l'estimation des cycles
conomiques Annales d'conomie et de statistique N30 avril/juin 1993.

Schwert, G.W (1987) : Effects of model specification on tests for unit roots in
macroeconomic data Journal of Monetary Economics N20 73-103

Vogelsang T.J (1997) : Wald-Type tests for detecting breaks in the trend function of a
dynamic time series Econometric theory 13, 818-849

Vogelsang T.J (1998) : Trend function hypothesis testing in the presence of serial
correlation Econometrica 66, N1, 123-148

Zivot E and Andrews D.W.K (1992) : Further evidence on the great crash, the oil price shock
and the unit-root hypothesis Journal of Business and Economic Statistics 10, 251-270
54
Annexe 1 : Exercices corrigs

Exercice 2.1

On pose ( ) ( )( ) L A L L 1 . L'hypothse nulle de racine unitaire correspond 1.
Lhypothse nulle est celle de marche alatoire avec drive. Lhypothse alternative de
stationnarit naturelle est celle de stationnarit autour dune tendance, le modle retenu est
donn par :
( )( ) ( ) , : ( ) 1
0 1
1
1 1
1
+ +
L y t A L y y A L
t t t t t
soit H
0
.
Sous l'hypothse alternative 1, on obtient un modle stationnaire autour d'une tendance
dterministe :
t t
L A t y L
1
1 0
) ( ) )( 1 (

soit :
[ ]
t t t
L A t y y
1
1 1 0 1
) ( ) 1 ( ) 1 (

+ + + +

La reparamtrisation de Fuller permet d'crire le sur-modle :
{ } ) ( ) ( ) 1 ( ) 1 ( ) )( (
1 1 0
*
1 0
t y L L t y L
t t
+
soit :
( ) ( ) ( ) ( ) ( ) ( )
* *
1 1 1 1 1 1
1 0 1 1
1
1
+ + + + +
L y y t L L y
t t i
i
i
p
t

Le test de racine unitaire H0 : ( ) 1 0 correspond donc l'hypothse nulle
( , , ) ( , , ) 1 0 dans :
( - ) = 1 1
1
1
1
L y y t L y
t t i t i t
i
p
+ + + +

*
( ) .

Exercice 2.2 : Marche alatoire et dure d'un cycle
Comme les alas sont indpendants, on a :
( ) proba y y y
t t t
< <
+ + >
0 0 1
1 2 0
2
, , ( ) avec <
_
,
prob
a
t

La probabilit d'une rcession est d'autant plus faible que la drive est importante par rapport
l'innovation. La probabilit d'un cycle de 3k trimestres est ( ) p p
k
1 . L'esprance de la
dure d'un cycle est donc ( ) ( )
( )
3 1 3 1
3
1
1 0
2
kp p p p
i
k
i
k

_
,

'
'

. Dans la
reprsentation marche alatoire d'une srie, la dure d'un cycle dpend de la drive et de
l'importance des innovations.

Exercice 2.3

+ +
+
'
+
k i
i j t i
i
i j t i t j t t
b b E y L E
0
) 1 (

On en dduit la prvision y
t k +
la date :

55
{ }
...

) 1 (
de impact
1
1
2
de impact
1
1
1
1 - t t
+
,
_
+
,
_
+ +
+ +
+
+
+

t
k
i
i t
k
i
i t
k
j j i
i j t i t
j t
k
j
t t k t t
b b k y
b y
y L E y Ey

La composante permanente dterministe
t
y est donne par :
...
de impact
1
1
2
de impact
1
1 - t t
+
,
_
+
,
_
+

+

t
k
i
i t
k
i
i t t
b b y y
Cette composante permanente stochastique suit une marche alatoire avec drive :

( ) ( )
( )
t t
i
i
i t i t t
k
i
i t t
B b
b b b y L y L

11
... 1 1
0
de impact
1 1
1
t
+
,
_
+

,
_

Exercice 2.4
{ }
) )( 1 ( ) 1 (
) 1 ( ) ( ) - 1 (
: par donn est permanente composante la de croissance de taux Le
) 1 ( ) ( y lim
: te dterminis composante
sa de corrige infini horizon l' esprance l' comme dfinie est permanente composante La
) 1 ( ) ( ) ( ) (
: Donc
) 1 ( ) ( ) 1 ( ) ( ) 1 (
: alors a On
1
) 1 ( - (L)
= ) ( pose On
fini B(1) and 1 = B(0) avec ) ( ) 1 ( ) 1 (
1
1 1
*
*
t t t
t B t
t t
k
i
B k t
t
k
t
t
k
i
i t t k t
k
i
B t k t
t B t
t B t
ty y L cy L
e B T t ty L
e B y k T i t E ty
ty
e B e L B e L B k T i t g y y
e B L B L T t y L
L
B B
L B
e L B T t y L

+ + >
+ > +
+ + + > + +
+ + > +
+ + > +
+ +

56

Annexe 2 : Equivalence de diffrentes mesures de la persistance

Dmonstration de la proprit 3

(a) D'aprs la dcomposition de Beveridge-Nelson, on a ( ) ( ) 1 1 L y B
t t
. On a donc :
( ) V L y B ( ) ( ) 1 1
2 2

(b)
... 2 2 ) 1 (
... 2 2 ) 1 (
2 1 0
2 2
0
2
0
1
0
2
2
0
2
+ + +
+ + +
,
_
B
b b b b b b B
j
j j
j
j j
i
i
i
i

(c)
( )
( )( )

) 1 ( ) 1 (
) 1 (
1 1
1
1
1
1 2
1
]
1
,
_

+ +
k
i
k
j
j t i t
i t
k
i
t
t k t
t
k
y L y L E k
y L V k
y y V k

Le dveloppement de ce dernier terme peut tre compris comme la somme des coefficients de
la matrice dont le terme de la i
me
ligne et de la j
me
colonne est le suivant :
( ) ( )
,
_

+ + j t i t
y L y L 1 1
La somme des termes de la diagonale ) ( j i donne :
0
k
La somme des termes des i
imes
lignes au dessus et en dessous de la diagonale donne (pour
1 ,..., 1 k i : ( )
i
i k
Do :
+
1
]
1
+
1
1
0
2
1
1 1
2
0
1 2
2 lim
o d'
) ( 2
k
i
i k
k
k
i
i
k
i
k
i k k

(d)
57
y L L y y
Ey
t Ey
t
i
t
i
t
t
i
t
i
j i
t
i
t
t
t i
i
+
+
+
( )
lim
1
2
2
0
0
1
2
0
0
1
1
1
1
2
1 2
0
1
On suppose y fixe. Donc
0

(e)
2
( ) 1 (
) ( ) ( ) ( ) (

i i
L B y L
e B e B f f
t t

Donc, pour 0 :
2
2
2 0 0
) ( ) 1 (
) 1 ( ) ( ) ( ) 0 ( ) 0 (

B e B e B f f
i i
L B y L
t t

58
Annexe 3 : Tabulation de Dickey-Fuller (1981)

Distribution empirique du rapport de vraisemblance dans le test :
( , ) ( , ) 10 pour le modle ( - ) = 1 1
1
1
1
L y y L y
t t i t i t
i
p
+ + +

*
( )

N 0,01 0,025 0,05 0,10 0,90 0,95 0 ,975 0,99
25 0,29 0,38 0,49 0,65 4,12 5,18 6,30 7,88
50 0,29 0,39 0,50 0,66 3,94 4,86 5,80 7,06
100 0,29 0,39 0,51 0,67 3,86 4,71 5,57 6,70
250 0,30 0,39 0,51 0,67 3,81 4,63 5,45 6,52
500 0,30 0,39 0,51 0,67 3,79 4,61 5,41 6,47
0,30 0,39 0,51 0,67 3,78 4,59 5,38 6,43

Distribution empirique du rapport de vraisemblance dans le test :
( , , ) ( , , ) 1 0 pour le modle ( - ) = 1 1
1
1
1
L y y t L y
t t i t i t
i
p
+ + + +

*
( )

N 0,01 0,025 0,05 0,10 0,90 0,95 0 ,975 0,99
25 0,74 0,90 1,08 1,33 5,91 7,24 8,65 10,61
50 0,76 0,93 1,11 1,37 5,61 6,73 7,81 9,31
100 0,76 0,94 1,12 1,38 5,47 6,49 7,44 8,73
250 0,76 0,94 1,13 1,39 5,39 6,34 7,25 8,43
500 0,76 0,94 1,13 1,39 5,36 6,30 7,20 8,34
0,77 0,94 1,13 1,39 5,34 6,25 7,16 8,27
59
Annexe 4 : Le modle de Stock et Watson

Le modle de Stock et Watson peut tre crit sous la forme d'un modle espace d'tats. En
supposant des sries intgres et non cointgres, le vecteur tat Z
t
, non observable, peut
s'crire :
( , )
...
...
p nk
t
t
t p
t
t k
t
Z
t
C
C
C
u
u
C
+ +
1
]
1
1
1
1
1
1
1
1
1
1
1
1 1
1
1

En dfinissant les matrices suivantes :
]
( , )
*
. .
...
p p p
p
I
1
]
1
1 2
1 0

,
]
( , )
*
( ) ( ),
. .
...
nk nk n k
k
n k n
D
D D
I
D
1
]
1

1 2
1 1
0

,
[ ]
Z
c p

1 0
1 1 ,
,
[ ]
Z I
u n n n k

0
1 , ( )

on obtient l'quation de transition suivante :
Z O
Z
O
D
O
O
O Z
O
t nk p
c
p nk
nk
p
nk t
p nk
1
]
1
1
1
+

1
]
1
+
*
,
,
*
,
,
,
,
1
1
1 1
1
1

L'quation de mesure s'crit quant elle :
[ ]
X Z Z Z
t c u t
+ 0

60

CHAPITRE 3 : LES MODELISATIONS MULTIVARIEES DES FLUCTUATIONS

L'application en macroconomie des modles Vectoriels AutoRgressifs, VAR, a connu un
dveloppement rapide ces dernires annes. Ce succs sexplique par plusieurs raisons :
Dabord, ces modles peuvent tre utiliss pour caractriser les fluctuations conomiques.
Dans la tradition de Beveridge et Nelson, la composante permanente est assimile la
prvision un horizon infini et la composante transitoire est obtenue par diffrence. Les
proprits statistiques des composantes transitoires, leurs corrlations avances,
contemporaines et retardes notamment, permettent alors d'tablir des faits styliss, qui
peuvent tre confronts aux conclusions de modles thoriques.
Le deuxime intrt des modles VAR est l'tude des multiplicateurs associs un choc
sur les innovations du processus. Ces multiplicateurs peuvent tre analyss partir des
coefficients de la forme moyenne mobile infinie, si les innovations ont t pralablement
orthogonalises partir d'une dcomposition de type Cholesky de leur covariance. De
plus, l'erreur quadratique de prvision peut alors tre dcompose par rapport chacune
des innovations.
Cependant, ces innovations orthogonalises ne peuvent tre interprtes quavec prcaution.
Aussi, lanalyse des modles VAR s'est-elle galement oriente vers l'identification de chocs
structurels, tels que l'on peut les comprendre partir de la thorie conomique. Il s'agit alors
d'identifier des modles VAR structurels, ou SVAR, partir de modles que l'on sait estimer,
les modles VAR canoniques, et de restrictions qui sont suggres par la thorie conomique.
Ces contraintes peuvent porter sur le court terme ou le long terme. Les modles SVAR ont t
dvelopps rcemment pour chercher rendre compte de l'importance des chocs de demande
et d'offre notamment, ou encore pour proposer des mesures de l'inflation sous-jacente.
Cependant, ils peuvent tre critiqus dans la mesure o ils imposent souvent des proprits a
priori. Par exemple, les modles structurels identifis partir de l'hypothse de neutralit des
chocs de demande sur l'activit long terme apportent relativement peu aux dbats
macroconomiques contemporains. Ils imposent en effet une interprtation traditionnelle des
fluctuations conomiques, les chocs de demande tant supposs ne pas avoir dimpact long
terme. Au contraire, les modles tendances communes (King, Plosser, Stock et Watson
1991) identifient dabord les tendances stochastiques de long terme puis mettent en vidence
leur impact sur les fluctuations transitoires.

I/ Les modles VAR et la description de lconomie

Les approches univaries prsentes dans les deux prcdents chapitres se rvlent souvent
insuffisantes pour tablir des faits styliss significatifs et robustes. En effet, l'tude des
corrlations avances, contemporaines et retardes entre composantes cycliques peut s'avrer
trompeuse. Par exemple, la procyclicit des prix et des salaires dpend de la nature des chocs :
un choc technologique d'offre conduit une baisse des prix et une hausse de l'activit (soit
une corrlation ngative entre inflation et croissance) ; au contraire, un choc de demande
induit une hausse des prix et de l'activit (soit une corrlation positive entre inflation et
croissance). Bardsen, Fisher et Nymoen (1995) ont ainsi mis en vidence l'instabilit des
corrlations entre composantes cycliques filtres par des mthodes univaries. Pour prendre
en compte les diffrents alas possibles, une approche multivarie est ncessaire.
61

I.1/ L'apport des modles VAR lanalyse des fluctuations

Sims (1980) a t lun des premiers macroconomtres critiquer l'application de modles
quations simultanes. Ces derniers ne reposent que souvent sur des hypothses fortes et peu
ralistes que la thorie conomique ne permet pas de justifier : sur la dynamique, sur les
anticipations ou encore sur les restrictions a priori sur lendognit des variables. Il a donc
propos l'application des modles vectoriels autorgressifs, qui constituent en fait les formes
rduites les plus gnrales que l'conomtre sache estimer.

Soit le processus multivari de taille (n,1), not ( )
t i t
y y
,
. On suppose que
t
y suit un
processus autorgressif dordre p, soit :
( )
t p t p t
n n n
t
y A y A y + + +

...
1
) , (
1
1 ,
avec 0
t
E et
'
t t
E
Un modle VAR contient p n
2
paramtres estimer partir de nT donnes. Pour pouvoir
estimer un tel modle, on doit donc avoir un nombre dobservations T tel :
np T >
Pour fixer les ides, un modle VAR annuel avec six variables (n=6) et deux retards (p=2)
ncessite une base de donnes renseignes sur au moins treize ans. Lajout dun retard, ou
dune variable, supplmentaire rend la marge encore plus troite. Du fait de ces contraintes
sur les degrs de libert, il est exclu de modliser dans le cadre dun VAR un nombre de
variables aussi important que dans les gros modles macrostructurels. Au contraire, une tape
essentielle de la modlisation VAR est de slectionner a priori les variables importantes.

Un modle VAR d'ordre p peut toujours tre rcrit sous la forme d'un modle VAR d'ordre 1,
comme suit :

t t t
BX X +
1

avec
1
1
1
1
1
1
]
1
1
1
1
1
1
]
1
1
1
1
1
1
1
1
]
1
+
+
1 ,
1 ,
1 ,
t
1 , ,
1 , , ,
, ,
1 1
1
2
1
...
...
...
...
...
, ...
n
n
n
t
n n n n
n n n n n
n n n n
p p
p t
p t
t
t
t
O
O
O
et
O I O
O O O
O I
A A A
B
y
y
y
y
X

A partir du modle VAR estim, on peut donc prvoir les variables y
t
l'horizon k partir
des n premires lignes de :
t
k
k t t
X B X
+

Diffrentes mesures peuvent alors tre proposes pour dcrire certains faits styliss des
fluctuations conomiques (cf. Rotemberg et Woodford 1996, Ravn 1997) :
l'cart-type des anticipations pour diffrents horizons. Il permet de mesurer l'incertitude.
On peut galement calculer une mesure du type R
2
en rapportant la variance explique
pour un horizon donn la variance totale. On constate alors si la part de l'incertitude crot
fortement ou non avec l'horizon.
62
les comouvements entre les anticipations de deux variables sont tudies partir des
corrlations croises ou encore de rgressions. Dans ce dernier cas, si le logarithme des
variables est initialement retenu, on obtient alors les lasticits d'une variation anticipe
par rapport une autre variation anticipe
32
.

Cependant, en macroconomie, les variables tudies sont souvent intgres d'ordre un. Le
modle VAR est alors spcifi en diffrence, ce qui conduit crire
33
:

t t t
X L B X L +
1
) 1 ( ) 1 (
On a donc la prvision de X
t
la date t pour lhorizon t+k :
( ) ( )

+ +
+ +
+ +
k
j
j t t t k t t
k
j
j t t k t
X L X X X L X X
1 1
1 1
Soit :

t
k
j
j
k
j
t
j
t k t t
X B X B X X
,
_
+

+
0 1

On peut alors retrouver la composante permanente, telle que dfinie par Beveridge et Nelson
dans le caLs univari, par 22la limite
k t t
X
+
lorsque l'horizon k tend vers l'infini, soit :
( )
t k t t
k
X B I X
1
lim

+

I.2/ Innovations et tudes des chocs

I.2.a/ Approche partir de la forme autorgressive

On part du modle VAR prsent sous la forme autorgressive :

( )
t p t p t
n n n
t
y A y A y + + +

...
1
) , (
1
1 ,
avec 0
t
E et
'
t t
E

On cherche tudier limpact des
2
n premires variables sur les
1
n premires variables, avec
n n n +
2 1
. Le problme consiste prendre correctement en compte les corrlations
contemporaines des diffrentes variables, rsumes dans la matrice de covariance . Pour
cela, on peut rcrire le modle VAR sous la forme :
( )
t t
y L
avec les notations suivantes :

,
_
2
1
t
t
t
y
y
y ,
,
_
2
1
t
t
t
, ( )
i
p
i
i n
L A I L

1
,
,
_

22 21
12 11
et ( )
( ) ( )
( ) ( )
1
]
1

L L
L L
L
22 21
12 11

32
Dans les tudes cites, on obtient gnralement une lasticit entre les variations anticipes de la
consommation par rapport celles de l'activit nettement infrieure l'unit, ce qui semble contradictoire par
rapport la thorie du revenu permanent.

33
Dans le cas o les variables peuvent galement tre stationnarises par cointgration, le passage du VAR
d'ordre p au VAR d'ordre un ncessite la prise en compte des relations de cointgration dans le vecteur X
t
(cf.
Rotemberg et Woodford 1997 pour un exemple).
63
Par dfinition du modle VAR, les seules variables contemporaines dune quation sont les
variables endognes. On a donc :
( )
1
0
11 n
I et ( )
2
0
12 n
I
( )
2 1
, 12
0
n n
O et ( )
1 2
, 21
0
n n
O
De plus, comme les corrlations contemporaines sont prises en compte dans la matrice de
covariance, on a :
2 1
12 n n
O . Un choc sur les innovations
2
t
ne peut tre envisag
indpendamment des mouvements conjoints des innovations
1
t
. On cherche donc
construire des innovations
1
t
indpendantes des innovations
2
t
. Pour cela, on dfinit
1
t

comme le rsidu de la rgression de
1
t
sur
2
t
, soit :

1 2 1
22 12
1
t t t
+

On a donc :

,
_
,
_
,
_

2
1
,
1
22 12
2
1
2 1 2
1
t
t
n n n
n
t
t
I O
I

Do :

( ) ( )
( ) ( )
( ) ( )
( ) ( )

,
_
,
_
,
_
,
_
,
_
,
_

+ +
2
1
2
1
22 21
12 11
,
1
22 12
2
1
22 21
12 11
2 1 2
1
t
t
t
t
n n n
n
t
t
y
y
L L
L L
I O
I
y
y
L L
L L

Sous cette forme, un choc sur les innovations
2
t
na pas de consquences sur les innovations
1
t
. On dit que le modle VAR a t crit sous forme bloc rcursive. En effet, on a :
( )
1
22 12 12
0
+

Dans chacune des quations
1
t
y , les variables contemporaines
2
t
y apparaissent.

I.2.b/ Approche partir de la forme moyenne mobile infinie

On cherche comprendre la dynamique du modle VAR canonique que nous avons prsent
dans la section prcdente. Pour cela, le modle peut tre crit sous sa forme moyenne mobile
infinie (Hamilton 1994) :

0 k
k t k t
y avec
n
I
0
et E
t t

'

La matrice est gnralement non diagonale cest--dire que les innovations sont corrles
entre elles une mme date t. On a :
1
1
]
1

+ + +
t n
k t
t
k t
t
k t
k
y y y
, , 1
'
...

En fait, l'innovation
t i ,
a un impact sur
k t j
y
+ ,
:
direct via la matrice
k
. Le coefficient correspondant l'intersection de la j
me
ligne et
de la i
me
colonne de la matrice
k
, not par la suite
ji
k
, mesure l'impact de
l'innovation de la i
me
quation, ou de la i
me
variable endogne, la date t sur la j
me

variable la date k priodes plus tard. On a :
64
t i
k t j
ji
k
y
,
,

+

La fonction de rponse pour la variable j est donne par la matrice de taille (1,n)
34
:

+
'
,..., 1
'
,
k
t
k t j
y

indirect via l'impact contemporain de
t i ,
sur les autres innovations et donc sur les autres
variables, puis le retour de ces dernires sur
k t j
y
+ ,
. Cet impact indirect existe du fait des
corrlations contemporaines entre les innovations.

Pour tudier l'impact d'une information nouvelle la date t sur la prvision d'une variable
k t j
y
+ ,
en tenant compte de ces corrlations contemporaines, on adopte une approche
rcursive. On tudie :
d'abord limpact dune information nouvelle sur la premire variable
t
y
, 1
pour les
prvisions horizon k des autres variables
t j
y
,
qui peuvent tre ralises partir de la
variable
t
y
, 1
et du pass de lensemble des variables
1 t
y , soit :
Ey y y
y
j t k t t
t
, ,
,
/ ,
+ 1 1
1

puis les rvisions supplmentaires de la prvision conscutive une information
supplmentaire sur la deuxime variable
t
y
, 2
, soit :
Ey y y y
y
j t k t t t
t
, , ,
,
/ , ,
+ 1 2 1
2

Pour calculer ces multiplicateurs, on cherche construire des rsidus u
t
non corrls entre
eux un mme instant t. Comme la matrice de covariance des innovations canoniques est
symtrique dfinie positive, il existe une unique matrice A triangulaire infrieure de diagonale
unitaire et une unique matrice D diagonale positive telle que :
' ADA
Si on pose u A
t t
1
, on obtient des innovations non corrles entre elles :
Eu u D
t t
'

Par construction de u
t
, on a :
pour j=2,,n

1
1
, , ,
j
i
t i ji t j t j
u a u
et
pour j=1
t t
u
, 1 , 1
.
Du fait de labsence de corrlation contemporaine entre les diffrentes innovations du
processus u
t
,
t j
u
,
peut tre interprt comme le rsidu de la rgression de
t j ,
sur
( )
u u
t j t 1 1 , ,
,...,

. Il reprsente donc l'information nouvelle contenue dans
t j ,
au del de celle
dj contenue dans
( )
u u
t j t 1 1 , ,
,...,

. De plus, on a :

34
En anglais, impulse response function.
65

t j t t j
u a u E
, 1 1 , 1 ,
/ pour j=1,...,n
Comme
t t
u
, 1 , 1
on a aussi :
t j t t j
a E
, 1 1 , 1 ,
/
Une nouvelle information sur
t , 1
conduit rviser la prvision de
t j ,
d'un montant a
j1
:
1
, 1
, 1 ,
/
j
t
t t j
a
E

Comme
t j ,
est le rsidu de la rgression de
t j
y
,
sur le pass du processus
t
y , not
1 t
y et
que
t , 1
est le rsidu de la rgression de
t
y
, 1
sur
1 t
y :

1
, 1
, 1 ,
, 1
1 , 1 ,
/ , /
j
t
t t j
t
t t t j
a
E
y
y y Ey

De plus :

+

n
i
i
ji
k
t
h
n
i
t t i
ji
h
t
t t k t j
a
E
y
y y Ey
1
1
, 1
0 1
, 1 ,
, 1
1 , 1 ,
/
, /

Vectoriellement, cette relation s'crit :
1
, 1
1 , 1
, /
a
y
y y Ey
k
t
t t k t
+
avec [ ]
1 11
'
1
...
n
a a a

De mme, on peut tablir que :

2
, 2
, 2 , 1 ,
, 2
1 , 2 , 1 ,
, / , , /
j
t
t t t j
t
t t t t j
a
E
y
y y y Ey

D'o :
2
, 2
1 , 2 , 1
, , /
a
y
y y y Ey
k
t
t t t k t
+

De faon gnrale, on obtient :
j k
t j
t t j t t k t
a
y
y y y y Ey
+
,
1 , , 2 , 1
, ,..., , /

{ }
k j
k
a
1,...,
est appele la fonction de rponse orthogonalise.

Cependant, il convient de noter que les rsultats obtenus sont sensibles l'ordonnancement
initial des variables, notamment car l'interprtation des rsidus orthogonaliss n'est plus la
mme. On prconise donc habituellement d'ordonner les sries de la plus "exogne" la plus
"endogne".

A partir de la forme MA infinie du modle VAR, on peut calculer l'erreur quadratique de
prvision. Lerreur de prvision lhorizon s est dfinie par :
+ + +

1
0
s
h
h s t h s t t s t
y y
do
66
( ) ( )

+ + +

1
0
'
1
0
' '
s
h
h h
s
h
h h s t h s t h s t t
E y MSE
On peut dvelopper cette dcomposition sur les rsidus orthogonaliss u
t
. Comme on a
Au
t t
, on obtient
ADA u a a
it i i
i
n
' var( )
'
1
et donc :
( ) { }
+
+ + + +
n
i
s n n s i i i i it s t t
a a a a a a u y MSE
1
'
1
'
1
' '
... .. ) var(

Lorsque les rsidus du modles VAR sont orthogonaux, on peut donc calculer la contribution
de chaque variable dans l'erreur quadratique de prvision, pour un horizon s donn.

I.2.d/ Une application : revenu permanent et persistance du PIB

La thorie friedmanienne du revenu permanent stipule que la consommation n'volue que
suite des chocs permanent du revenu, ici le PIB. Si cette thorie est vraie, les chocs
assimils la consommation devraient avoir un impact important long terme sur le revenu.
Cochrane a tudi cette question dans le cadre du modle bivari (consommation, PIB). Le
modle VAR est orthogonalis en retenant la consommation comme premire variable. Les
chocs sur le revenu reprsente alors la part de l'innovation canonique du revenu qui n'est pas
contenue dans l'innovation de la consommation. La premire innovation "structurelle" devrait
donc avoir un impact important sur le revenu alors que la deuxime innovation "structurelle"
devrait donc avoir un impact moins important.

A partir des rsultats obtenus par Cochrane (1994), il apparat que les chocs sur l'innovation
structurelle de la consommation ont bien un effet persistant important sur la consommation,
au contraire de l'innovation sur le revenu. Peut-on pour autant en conclure, avec Cochrane,
que la persistance du PIB est faible? Ce diagnostic est en fait fond sur la faible persistance de
la seconde innovation, qui reprsente l'information supplmentaire contenue dans l'innovation
canonique du revenu. Il peut donc tre sensible l'ordonnancement retenu, d'autant plus que
le PIB peut tre compris comme plus exogne que la consommation
35
.

II/ Les modles VAR et la thorie conomique

Pour tudier les liens entre les modles VAR et les modles quations simultanes, deux
approches sont possibles. La premire mthodologie utilise le modle VAR comme cadre
initial pour tester des restrictions devant conduire des quations structurelles. Au contraire,
dans la seconde approche, certaines contraintes sont imposes priori pour identifier le
modle linaire structurel partir du VAR estim. Les contraintes, qui sont ici imposes,
correspondent pour partie la thorie conomique. C'est cette approche, les VAR structurels
ou SVAR, qui est prsente ici.

35
De plus, l'estimation de Cochrane a mis en avant l'existence d'une relation de cointgration entre les deux
variables et donc d'une tendance commune (cf. section II.4). Il s'agirait donc d'tudier la persistance de cette
tendance commune, qui correspond la croissance du revenu permanent et de la consommation si la thorie
friedmanienne de la consommation est vraie.
67

II.1/ Le problme gnral de l'identification

On retient le modle VAR d'ordre p suivant :

( )
t p t p t
n n n
t
y A y A y + + +

...
1
) , (
1
1 ,

avec :
t
sont les innovations canoniques
E
t t

'

Dans le cadre de ce modle VAR, les liens contemporains entre les diffrentes variables sont
rsums par la matrice de covariance contemporaine des rsidus . Un des principaux
objectifs de la modlisation structurelle est d'expliciter les liens contemporains entre les
variables. Formellement, le modle SVAR s'crit :

t p t p t t t
u y B y B y B y + + + +

....
1 1 0

avec :

t
u les innovations structurelles
Eu u
t t
'

On suppose que les innovations canoniques
t
du modle VAR, la forme rduite, s'expriment
donc comme une combinaison linaire des innovations structurelles :

t t
Pu o P est une matrice de taille (n,n)
L'identification du modle structurel partir du modle rduit est donc acquise ds que la
matrice P est connue car :
'
t t
i i
P u
p i A P B
P I B
1
1
1
0
,..., 1 pour
L'identification partir de la forme rduite de la matrice P, qui comporte n
2
paramtres,
ncessite donc n
2
contraintes. Il est commun aux diffrentes approches structurelles de la
modlisation VAR de supposer que :
les chocs structurels ne sont pas corrls entre eux, soient
( ) n n 1
2
contraintes ;
la variance des chocs structurels est unitaire. Il s'agit ici de n contraintes techniques de
normalisation.
A ce stade, il reste donc spcifier
( ) n n 1
2
contraintes pour identifier la matrice P. C'est ce
niveau que les approches structurelles peuvent diffrer entre elles. Comme on a
'
' '
PP P u EPu
t t
, on peut identifier la matrice P la dcomposition unique de Cholesky
de la matrice de covariance de la forme rduite (cf. section I.2). Les deux premiers types de
contraintes sont alors vrifies car I P P u Eu
t t

)' (
1 1 '
. D'autres auteurs prfrent recourir
la thorie conomique pour imposer les contraintes supplmentaires, notamment sur les
liens contemporains.
68

II.2/ Application linterprtation des fluctuations macroconomiques

Blanchard (1989) a, parmi les premiers, utilis une approche VAR structurelle pour analyser
les fluctuations conomiques. Son identification des chocs structurels repose en fait sur des
hypothses techniques mais aussi conomiques. Son modle de l'conomie amricaine est
compos de cinq variables : le PIB, le taux de chmage, l'indice des prix, le taux de salaire et
la masse montaire. A l'exception du taux de chmage suppos stationnaire, toutes les autres
variables sont diffrencies. Les chocs structurels sont les suivants : un choc de demande
( e
d
), un choc de progrs technique ( e
), un choc de prix ( e
p
), un choc salarial ( e
w
) et un
choc montaire ( e
m
). L'identification du modle structurel de l'conomie suppose donc de
poser vingt cinq restrictions :
la premire hypothse usuelle d'absence de corrlation des chocs structurels permet donc
d'tablir dix premires contraintes.
L'innovation structurelle correspondant chaque quation est affecte d'un coefficient
unitaire. Ces cinq contraintes sont une hypothse de normalisation, quivalente imposer
une variance unitaire sur les innovations structurelles.
Les autres contraintes portent en fait sur les liens contemporains, c'est--dire la matrice
I B
0
. Ces contraintes sur la matrice I B
0
sont des contraintes d'exclusion : trois pour
la premire quation (car le taux de chmage u est indirectement prsent via les chocs
d'offre e
), trois pour la deuxime, une pour la troisime (de mme, le taux de chmage u
est indirectement prsent via les chocs d'offre e
), une pour la quatrime (ici c'est le PIB y

qui est indirectement prsent via les chocs d'offre). Soit un total de huit contraintes
d'exclusion.

En ngligeant les termes autorgressifs, ces diffrentes contraintes conduisent crire le
modle structurel sous la forme suivante :

y p e e
u B y e
p B w B y p e e
w B p B u p e e
m B y B u B p B w e
d
p
w
m
+ +
+ +
+ + + +
+ + + +
+ + + + +
'
...
...
...
...
...
,
, ,
, ,
, , , ,
12
0 21
0 34 0 31 32
0 43 0 42 42
0 51 0 52 0 53 0 54

Il manque alors encore deux contraintes. Ces contraintes sont alors imposes sur :
l'importance des chocs d'offre dans le PIB (coefficient p
12
). Compte tenu de l'importance
des discussions sur la place des chocs d'offre dans les fluctuations conjoncturelles,
plusieurs identifications du modle VAR structurel sont prsentes, par balayage sur les
valeurs de ce paramtre.
l'indexation court terme des salaires sur les prix est gnralement admise comme faible :
B
0 34
01
,
.
Il est donc intressant de prsenter les contributions des chocs structurels ainsi identifis la
variance du PIB par exemple.
69

Tableau 1 : Contributions des innovations la variance
En % e
d
e
e
p
e
w
e
m

1 trimestre 0.92 0,07 0,00 0,00 0,00
4 trimestres 0,85 0,04 0,01 0,00 0,09
8 trimestres 0,62 0,10 0,09 0,00 0,09
20 trimestres 0,32 0,46 0,13 0,03 0,05
28 trimestres 0,26 0,53 0,11 0,03 0,05
Source : Blanchard (1989) "A traditional interpretation of macroeconomic fluctuations"
American Economic Review Vol 79 N5

II.3/ Contraintes structurelles sur le long terme

II.3.a/ Principes gnraux

Blanchard et Quah (1989) ont galement propos d'identifier un modle structurel par des
contraintes de long terme. Pour cela, l'identification du modle structurel s'appuie sur la forme
MA du modle VAR. Le vecteur des n variables
t
y est suppos intgr d'ordre 1
implicitement, car pour des sries stationnaires les contraintes de long terme seraient sans
pertinence. La dcomposition de Wold permet d'crire :
( )
t t
L C y L ) 1 ( avec C I
n 0
et E
t t

'

Le modle structurel sous sa forme moyenne mobile infinie s'crit :
( )
t t
u L E y L ) 1 ( avec
n t t
I u Eu
'
, matrice diagonale
La matrice ( ) 1 E est la matrice dimpact long terme des chocs structurels.
On a donc :

t t
u E
0

L'identification du modle structurel revient donc connatre la matrice des liens
contemporains E
0
, soit tablir n
2
contraintes :
Dabord, les innovations structurelles sont par hypothse non corrles et leur variance est
normalise l'unit. Les contraintes sur la matrice de covariance des innovations
structurelles permet donc d'tablir
n n ( ) +1
2
contraintes.
Les contraintes restantes, au nombre de
n n ( ) 1
2
sont tablies partir des contraintes de
long terme. Ces contraintes de long terme portent sur le multiplicateur dynamique de long
terme, la matrice E( ) 1 . On suppose donc que certains coefficients de cette matrice sont
nuls. Dans le cas o ces contraintes de long terme conduisent supposer que la matrice
E( ) 1 est bloc diagonale infrieure, le problme est simplifi. En effet, on a :
C E u C C E E
t t
( ) ( ) ( ) ( )' ( ) ( )' 1 1 1 1 1 1
La matrice E( ) 1 est donc la dcomposition de Cholesky, unique, de la matrice C C ( ) ( )' 1 1 .
Cette dernire peut tre estime partir du modle VAR rduit. La matrice des liens
contemporains peut alors tre tablie comme suit :

C E u
E u
E C E
t t
t t
( ) ( )
( ) ( )
1 1
1 1
0
0
1
_
,

Le modle structurel est alors identifi.
70

L'approche prsente ci-dessus a t initialise par Blanchard et Quah pour identifier les
chocs d'offre et de demande dans le systme bivari (pib, taux de chmage). Le choc de
demande est suppos n'avoir aucun impact long terme sur l'activit et le chmage, le choc
d'offre n'a un impact long terme que sur le PIB
36
. Compte tenu de ces hypothses, on peut
se demander si ce modle bivari n'est pas une dcomposition implicite du PIB en tendance et
cycle. Les fluctuations du PIB amricain associes aux chocs de demande ont un profil voisin
de sa composante cyclique, telle qu'elle peut tre value par des procdures statistiques
univaries.

II.3.b/ Une mesure de l'inflation sous-jacente

Linflation sous-jacente est dfinie comme la composante qui correspond aux mouvements de
long terme de lconomie. Pour lidentifier dans le cadre dun modle SVAR bivari
(inflation, PIB), on considre que seuls les chocs d'offre influencent l'activit long terme.
Formellement, on a :

( )
( )
( )
1
1
1
]
1

1
]
1
1
L y
L p
E L
u
u
y
t
t
s
t
d

avec, outre les contraintes sur la covariance des innovations structurelles, la contrainte de long
terme : ( ) E
12
1 0 .
Une difficult d'interprtation apparat cependant dans cette valuation de l'inflation sous-
jacente :
Soit ( ) E
22
1 0 . Alors le choc de demande a un impact non transitoire sur l'inflation. Ce
rsultat apparat difficile interprter conomiquement : ce choc influence a alors
durablement l'activit via les effets d'encaisses relles sur la consommation, les pertes de
comptitivit. On aurait alors ( ) E
12
1 0 .
Soit ( ) E
22
1 0 . Alors, la matrice des multiplicateurs dynamiques n'est pas de plein rang.
Il existe donc une relation de cointgration entre l'inflation et le PIB, ce qui doit tre
pralablement test conomtriquement.

II.3.c/ Analyse des fluctuations macroconomiques dans un petit pays

Hoffmaister, Roldas et Wickham (1997) ont appliqu une modlisation VAR structurelle
des pays dAfrique sub-saharienne. Cinq variables sont retenues pour dcrire lconomie de
ces pays : le taux dintrt mondial
37
, les termes de lchange, le PIB, les prix et le taux de
change rel. Les contraintes de normalisation et dindpendance des innovations structurelles
sont ici au nombre de quinze et la thorie conomique doit alors permettre de poser les dix
contraintes restantes :
Lhypothse de petit pays permet de supposer labsence dimpact long terme des
taux dintrt mondial et des termes de lchange sur le PIB, les prix et le taux de
change rel (soit six contraintes) ;

36
A long terme, aucun choc structurel n'influence le taux de chmage, qui est donc suppos stationnaire.
37
Le taux dintrt rel est dfini comme le taux Libor sur un dpt six mois aux Etats-Unis et les prix sont les
prix la consommation. Le taux de change rel, rapport du prix des biens non changeables au prix des biens
changeables, est mesur par le ratio prix la consommation sur le produit de la parit et des prix la production
aux Etats-Unis. Les donnes utilises sont issues des International Financial Statistics du FMI.
71
Le choc structurel de lquation de prix est interprt comme un choc nominal et na
pas dinfluence long terme sur les variables relles, le PIB et aussi le taux de change
rel (soit deux contraintes) ;
Le choc structurel de lquation de taux de change rel est interprt comme un choc
de politique budgtaire : laugmentation des dpenses publiques porte principalement
sur les biens non changeables et conduit une augmentation du prix des biens non
changeables. Si la politique budgtaire dtermine bien la composition de la demande
court terme, elle reste sans effet sur le PIB long terme (soit une contrainte
supplmentaire) ;
enfin, le taux dintrt mondial est suppos sans impact long terme sur les termes de
lchange (soit la dixime contrainte).

II.4/ Les modles tendance commune
Les modles tendances communes, tels qu'ils sont issus des travaux de King, Plosser, Stock
et Watson (1991), ont permis de mettre en vidence l'impact des tendances stochastiques sur
les fluctuations transitoires
38
. Cette mthodologie apparat de plus moins arbitraire que les
modles SVAR prsents ci-dessus car les contraintes sont en fait imposes partir d'une
tude conomtrique du long terme (en fait de la cointgration).

On reprend le cadre d'analyse prcdent. La dcomposition de Wold permet d'crire le modle
rduit sous sa forme moyenne mobile infinie :
( ) ( ) 1 + L x C L
t t
avec C I
n 0
et E
t t

'

Le modle structurel sous sa forme moyenne mobile infinie s'crit :
( ) ( ) 1 + L x E L u
t t
avec Eu u
t t u
'

Dans le modle structurel, les liens contemporains sont rsums par la matrice de covariance
mais aussi la matrice E
0
.

II.4.a/ Composantes stochastiques et cointgration

On peut dcomposer la matrice C L ( ) comme suit :
C L C L C L ( ) ( ) ( ) ( )
*
1 1 avec C C
i j
j i
*

+
1

On a alors :
( )
{ }
( ) ( ) ( )
*
1 1 1 + + L x C L C L
t t

On en dduit que :
( ) x x t C L C
t t i
i
t
+ + +
0 0
1
1
*
( ) ( )
La matrice C( ) 1 reprsente l'impact des innovations long terme. Si C( ) 1 est non nulle, les
variables x
t
contiennent des tendances stochastiques communes. Comment stationnariser ces
variables? Si le rang de la matrice C( ) 1 est k, l'espace vectoriel constitu des vecteurs b tels
que b C
'
( ) 1 0 est de dimension n-k. De plus, les relations b x
t
' sont stationnaires. On parle
de relation de cointgration (ici au nombre de n-k). Soit H une matrice orthogonale, que l'on
peut dcomposer comme suit :

38
Pour une application sur donnes franaises, on peut se rfrer BEC et Hairault (1993).
72
H H H
n n k n k
( , )
( , ) ( , )
1 2
telle que C H ( ) 1 0
2
, c'est--dire que H2 est une base orthogonale de
l'espace vectoriel engendr par les vecteurs de cointgration. On a donc :
( ) ( ){ } ( ) C C H H H H C H H
i i
n k
i
k n
1 1 1
1 1 2 2 1 1
+
' '
( , )
'
( , )

Les k vecteurs H
i 1
'
constitue en fait les composantes permanentes, qui apparaissent comme
des combinaisons des innovations canoniques. Les composantes permanentes sont par
construction orthogonales aux relations de cointgration. De plus, leur matrice d'impact long
terme de ces composantes permanentes est donne par ( ) C H 1
1
.
II.4.b/ L'identification des composantes permanentes

King, Plosser, Stock et Watson (1991) ont cherch expliciter ces composantes permanentes
dans le cadre du modle structurel. Cette identification des composantes repose en fait sur
l'analyse conomtrique des vecteurs de cointgration et leur interprtation conomique.
L'identification du modle structurel apparat alors moins arbitraire que dans les prcdents
exemples puisqu'elle repose sur une analyse pralable du long terme. La thorie
conomtrique permet en effet de tester le nombre de relations de cointgration, par exemple
n-k. On a donc k innovations structurelles permanentes, notes u
t
1
. Par dfinition, la matrice
H
1
de la dcomposition prcdente est ici constitue des vecteurs ( , ,..., )' ,...( , , ,..., )' ,... 1 0 0 0 1 0 0
. La matrice d'impact de long des innovations structurelles est alors de la forme :
( )
( , ) ( , )
1

1
]
1
A O
n k n n k
u
t
1

La matrice A correspond donc l'impact des k composantes permanentes, notes u
t
1
; la
matrice O celui des n-k composantes transitoires, notes u
t
2
.

Considrons les deux exemples tudis par les auteurs :

premier exemple : PIB, consommation et investissement soit
[ ]
x y c i
t t t t

'
. L'analyse
conomtrique conduit au diagnostic de deux relations de cointgration, correspond la
stabilit des ratios consommation sur PIB et investissement sur PIB. Il existe donc une
composante permanente structurelle, qui peut tre interprte comme la croissance
tendancielle de l'activit. La matrice A est alors le vecteur unit.

deuxime exemple : PIB, consommation, investissement, encaisses relles, taux d'intrt
nominal de long terme et inflation soit ( )
[ ]
x y c i m p R p
t t t t
t
t t

'
. Trois
relations de cointgration sont estimes :

( )
( )
c y R p
i y R p
m p y R
y R

+
+
'

1
2
( )

Les deux premires relations de cointgration correspondent la stabilit de long terme des
ratios consommation et investissement sur PIB. Ces deux relations sont corriges de l'impact
du taux d'intrt rel, positif sur la consommation et ngatif sur l'investissement
39
. La
troisime relation caractrise la demande de monnaie.

39
Ces rsultats sont conformes avec les conclusions de la thorie de la croissance.
73

La matrice A s'crit alors :
A A
y R R

1
]
1
1
1
1
1
1
1
1
]
1
1
1
~
1 0 0
1 0
1 0
0 1 1
0 1 0
1
1
1
1
2
21
31 32

-

Les hypothses d'indpendance des innovations structurelles permanentes et la normalisation
de leur variance l'unit dfinissent la matrice . La matrice
~
A est par construction
orthogonale aux relations de cointgration identifies. Les multiplicateurs de long terme
permettent alors d'interprter les composantes permanentes :
la premire composante permanente a un impact (de long terme) unitaire sur les variables
relles. Elle induit une hausse de
y
de la demande de monnaie et est neutre sur les
variables nominales, le taux d'intrt de long terme et l'inflation. Cette premire
composante peut tre assimile la croissance.
la deuxime composante permanente a un impact nul sur les variables relles. Son impact
sur le taux d'intrt nominal est unitaire, c'est--dire que son impact sur le taux rel est
nul. Son impact sur l'inflation est unitaire. Cette deuxime composante permanente peut
tre assimile l'inflation sous-jacente, qui serait alors dfinie par sa neutralit de long
terme sur les variables relles mais aussi le taux d'intrt rel.
la troisime composante permanente influence la consommation et l'investissement ainsi
que la demande de monnaie. Son impact sur l'inflation est nul et son impact sur les taux
nominaux est unitaire. Elle peut donc tre assimile au taux d'intrt rel.

Comme ces composantes permanentes sont orthogonales entre elles, leur contribution
l'erreur quadratique de prvision pour chacune des variables et diffrents horizons peut tre
calcule. Pour les variables relles, la contribution du choc d'activit est importante pour un
horizon relativement court (2 ans). Cependant, cet horizon, elle reste domine par la
composante permanente assimile au taux d'intrt rel.

74

Bibliographie

Bardsen G, Fisher P.G et Nymoen R. (1995) : Business cycles : real facts or Fallacies ?
Arbeidsnotat, Norges Bank Research Department January 2

Bec F et Hairaut J.O (1993) : Une tude empirique des sources des fluctuations
conomiques dans le cadre d'un modle tendances communes Annales d'conomie et de
statistique n30 avril/juin

Blanchard O.J et Quah D (1989) : The dynamic effects of aggregate demand and supply
disturbances American Economic Review Vol 79 N4

Blanchard O.J (1989) : A traditional interpretation of macroeconomic fluctuations
American Economic Review Vol 79 N5

Bruneau C et De Bandt O (1998) : La modlisation VAR structurelle : application la
politique montaire en France NER # 52 Banque de France

Cochrane J.H (1994) : Permanent and transitory components of GNP and stock prices The
Quarterly Journal of Economics February

Cochrane J.H (1998) : What do the Vars mean? Measuring the output effects of monetary
policy Journal of Monetary Economics 41, 277-300

Hamilton J.D (1994) : Times series analysis Princeton N.J

Hoffmaister A.W, Roldas J.E et Wickham P. (1997) : Macroeconomic fluctuations in sub-
saharan countries FMI, Working Paper 97/82

King R.G, Plosser C.I, Stock J.H et Watson M.W (1991) : Stochastic trends and Economic
Fluctuations American Economic Review Vol 81 N4

Ravn M.O (1997) : Permanent and transitory shocks and the UK business cycle Journal of
Applied Econometrics, Vol 12, 27-48

Rotemberg J.J et Woodford M (1996) : Real business-cycle models and the forecastable
movements in output, hours and consumption American Economic Review Vol 86 N1

Sims C. (1980) : Macroeconomics and reality Econometrica 48, 1-48
75
CHAPITRE 4 : CE QUUN CONJONCTURISTE DOIT CONNAITRE EN SERIES TEMPORELLES

I/ Les moyennes mobiles

Dfinition 1 : Une moyenne mobile est une application combinaison linaire finie de
l'oprateur retard :
i
m
m i
i
L M

2
1

Les moyennes mobiles possdent diffrentes proprits qui sont utilises pour dgager les
composantes tendancielles, saisonnires et irrgulires dune srie.

Dfinition 2 : Une moyenne mobile est centre si
2 1
m m

Dfinition 3 : Une moyenne mobile est symtrique si et seulement si elle est centre et si
i i
.

Proprit 1 : Une moyenne mobile conserve les constantes si et seulement si 1
2
1

m i
m i
i
.

Proprit 2 : Une moyenne mobile symtrique conservant les constantes conserve galement
les polynmes de degr 1.

Proprit 3 : Le rapport de rduction de la variance d'un bruit blanc par une moyenne mobile
est donn par la somme des carrs des coefficients.

Preuve
Soit
t
u avec 0
t
Eu et
2

t
Vu . On note
*
t
u la variable obtenue par application de la
moyenne mobile
t
u :
2
1
*
m
m i
i t i t
u u
On a alors :
2
1
2 2 *
m
m j
i t
Vu
Le rapport de rduction de la variance est donc

2
1
2
m
m j
i

Proprit 4 (effet de Slutsky-Yule) : Une variable transforme par une moyenne mobile
d'ordre
2 1
m m + est autocorrle pour des priodes infrieures
2 1
m m + . En effet, on a :
[ ] , ) , (
2
1
2
2
1
2
1
* *
i h
m
m h i
i j h t i t
m
m i
m
m j
j i h t t
u u E u u Cov

+

+
si
2 1
m m h +

Dfinition 4 : Les moyennes mobiles arithmtiques sont les moyennes mobiles symtriques
conservant la constante et qui rduisent au maximum la variance de la composante irrgulire.
Elles sont solution du problme :
1 s.c
m = i
-m = i
m
-m = i
i
2

i
Min
76
ce qui conduit :
1 2
1

i
+
m

Proprit 5 : La rduction de la variance obtenue par une moyenne arithmtique est
1
2 1 m+
.
Proprit 6 : Une moyenne mobile arithmtique dordre 2m+1 annule une srie de moyenne
nulle et priodique de priode 2m+1
Proprit 7 : Une moyenne mobile symtrique qui vrifie 0

m
m i
i
limine les tendances
dterministes quadratiques.
Preuve
Soit une tendance dterministe quadratique :
2
2 1 0
t t y
t
+ +
On obtient :
( ) ( )

+ +
m
m i
m
m i
m
m i
i i i t i t
i t i t y My
2
2 1 0

Soit :

2
2 2 1
2
2 1 0
2 t t i i i My
m
m i
i
m
m i
m
m i
i i
m
m i
m
m i
i
m
m i
i i t
'
'
'
+

Or, par hypothse dune moyenne mobile symtrique :
( ) 0
0
1

m
m i
i i
m
i
i
i i
m
m i
i
i i

do :
m
m i
i t
i My
2
2

Proprit 8 : Compose de moyennes mobiles arithmtiques
Pour annuler la priodicit d'une fonction paire de priode 2m, on a recours une moyenne de
deux moyennes arithmtiques :
[ ] [ ]
m t m t t m t m t t
X X
m
X X X
m
X
+ + +
+ + + + ...
2
1
et ...
2
1
1
*
, 2 1
*
, 1

On a donc :
1
]
1
+ + + +
+ + + m t m t m t m t t
X X X X
m
X
2
1
...
2
1
2
1
1 1

Cette moyenne mobile est symtrique (et centre en t), annule les sries priodiques de
priode 2m dont la somme des coefficients saisonniers est nulle et conserve les polynmes de
degr 1 (cf. Gourieroux-Montfort 1989).

Dfinition 5 : Une moyenne mobile de Henderson d'ordre 2m+1 conserve les polynmes
d'ordre 2 et permet de filtrer une srie de faon "la plus lisse possible"
40
. Elle correspond au
programme :

40
Une mesure du caractre de la souplesse d'une courbe est donne par les diffrences troisimes des
coefficients.
77
Min i i
i
i
i
i m
i
i m
i
i m

3
2
2
1 0 0

s.c ;
m m m
;
ce qui donne comme coefficient
i
:

i
n i n i n i n i
n n n n
+

315 1 1 3 16 11
8 1 4 9 4 25
2 2 2 2 2 2 2 2
2 2 2
( ) ( )
( )( )( )

II/ Analyse spectrale univarie

L'analyse spectrale permet de reprsenter une srie temporelle dans le domaine des
frquences. Le thorme de reprsentation spectrale tablit la dcomposition dun processus
y
t
en une somme pondre des fonctions trigonomtriques ( ) cos t
41
et ( ) sin t sur
l'intervalle
[ ]
0, :
( ) ( ) ( ) ( )

+ +

0 0
sin cos d t B d t A y
t

Deux descriptions du cycle sont alors possibles. On peut d'abord dcrire le cycle par sa dure.
Si celle-ci est constante, on peut, de faon quivalente, noncer le nombre de cycles pour une
priode donne : il s'agit alors de la frquence du cycle. On note
j
autocovariance d'ordre j
du processus y
t
.

Dfinition 6 : la fonction gnratrice d'autocovariance
42
g
y
est dfinie par :

j
j
j y
z z g ) ( o z est un complexe

Dfinition 7 : la densit spectrale
43
S
y
est dfinie par la fonction gnratrice d'autocovariance
considre en z e
i

. Soit :
( ) ( )
S g e
y y
i

1
2

On a donc :
( ) ( ) S e j
y j
i j
j
j
j
'

1
2
1
2
2
0
1
cos

Si la suite
{ }
j
j
est absolument sommable, la densit spectrale existe

44
. De plus, elle est
valeurs relles, priodique de priode 2 et paire
45
. Elle est donc entirement dfinie partir
des valeurs prises sur l'intervalle
[ ]
0, .

41
La fonction ( ) cos t est priodique de priode
2
. La frquence correspondant cette priodicit, c'est--dire

le nombre de cycles sur une dure de 2 , est .
42
Autocovariance generating function en anglais.
43
Power spectrum en anglais.
44
Pour une srie non stationnaire de variance infinie, la densit spectrale n'existe donc pas. On parle alors de
pseudo-spectre.
45
Aussi Gourieroux et Montfort (1990) dfinissent-ils la densit spectrale par :
78

Proprit 9 : si le processus y
t
est un bruit blanc de variance
y
2
, alors la densit spectrale
est une fonction constante de valeur
y
2
2
.

Dfinition 8 : le priodogramme
46
( )
S
y
du processus y
t
( T t ,..., 1 ) est dfini par
l'estimation de la densit spectrale et des T-1 autocovariances empiriques
j

47
:
( ) ( )
'
1
0
1
1
cos 2
2
1
j
j
T
T j
j i
j y
j e S

t
est dfini par ( ) y L
t t
+ avec
t
bruit blanc de
variance
2
, alors on a :
( )
( )
g z z z
S e e e
y
y
i i i
'
2 1
2 2
2

( ) ( )
( ) ( ) ( )

t
est dfini par le processus ARMA(p,q)
( ) ( )
t t
L y L + , on a :
( ) S
e e
e e
y
i i
i i

2

( ) ( )
( ) ( )

Proprit 12 : injectivit de la densit spectrale
A une densit spectrale, on peut associer une squence unique d'autocovariance gnratrice.
L'autocovariance d'ordre j correspondant peut tre calcule partir de la densit spectrale :
( )
j
j i
y
d e S

En particulier, pour 0 j , l'intgrale de la densit spectrale est gale la variance de la srie
y
t
. On peut alors dcomposer une srie stationnaire dans le domaine des frquences partir
du thorme qui suit.

Thorme 1 : Reprsentation de Cramer (chantillon fini)
48

Soit y
t
une srie. On dfinit les frquences fondamentales par T k
k
/ 2 pour k=1,...m
{ }
+ +
m
k
k k k k t
t B t A y y
1
) 1 ( sin ) 1 ( cos pour t T 1,..., et
1
]
1
2
T
m

( ) ( )
i
e
y
g
y
S
2
1
.
46
Sample spectrum en anglais.
47
( )( )

j
T y
t
y
t j
T
y
t j
y
j
1
1

79
(suite, reprsentation de Cramer)
La transforme (discrte) de Fourier est la suite des nombres complexes
k
iB
k
A
e
+
. Les
coefficients A
k
et B
k
sont appels les coefficients de Fourier. On a :

T
t y
A
T
t
k t
k
1
) 1 ( cos 2
et
T
t y
B
T
t
k t
k
1
) 1 ( sin 2

Si le nombre d'observations T est pair, on a les mmes rsultats avec :

T
y
t
A
T
t
t
m
1
) 1 (
et 0
m
B

Les vecteurs A et B des coefficients de la transforme de Fourier peuvent tre crits
simplement sous forme matricielle. Pour cela, on note ( ) ,... 1 ...,
) , 1 (
t J
T
,
( )
( )
m
k
,1
et
C J
m T ( , )
. On a alors :
( ) ( ) ' cos
2
Y C
T
A et ( ) ( )
B
T
C Y
2
sin ' .
La variance de y
t
et le priodogramme sont relis aux coefficients de la transforme de
Fourier par :
( ) { }
V y A B
t k k
k
m
+
1
2
2 2
1
et
( ) ( )
T
A B S
k k y k
8
2 2
+

Thorme 2 : Dcomposition d'une srie priodique

Si y
t
est une suite priodique de priode l (paire), alors on a pour t T 1,...,

[ ]
t
l
l
k
k k t
A l kt B l kt A y y ) 1 ( ) / 2 sin( ) / 2 cos(
2 /
1 2 /
1
+ + +

avec :

T
t y
A
l
t
k t
k
1
cos 2
et
T
t y
B
l
t
k t
k
1
sin 2
pour k=1,..., l/2-1

T
y
A
l
t
t
t
l
1
2 /
) 1 (

Par exemple, une srie mensuelle
t
y qui connat des mouvements saisonniers (constants) peut
s'crire :
[ ] ) cos( ) 6 / sin( ) 6 / cos(
5
1
6 0 t B jkt B kt A A y
k
k k t

+ + +

48
Nous ne prsentons pas ici le thorme de reprsentation spectrale qui tablit la dcomposition de la srie sur
l'intervalle
[ ]
0, et non pour les seules frquences fondamentales (cf. p59).
80
Les mouvements saisonniers ventuels peuvent donc tre observs par des pics de la densit
spectrale aux frquences k /6 ( pour j=1, ..., 6).

Tableau 1 : Frquences caractristiques de mouvements saisonniers.
k mensuelle trimestrielle
1 0,523 1,571
2 1,047 3,142
3 1,571
4 2,093
5 2,617
6 3,146

III/ Analyse spectrale multivarie

On note ( ) Y n
t
,1 un processus multivari, de matrice
) , ( n n
j
d'autocovariance d'ordre j.
Rappelons que dans le cas multivari on a
j j
'

.

Dfinition 9 : la fonction gnratrice d'autocovariance g
Y
du processus Y
t
est dfinie par :

j
j
j Y
z z g ) ( o z est un vecteur complexe de taille (n,1)

Proprit 13 : la fonction gnratrice d'autocovariance de la somme de deux processus non
corrls est gale la somme des fonctions gnratrices d'autocovariance des deux processus.

Proprit 14 : si H est une matrice dterministe de taille (r,n), alors on a :
( ) ( ) g z Hg z H
HY Y
'

Proprit 15 : si

( )
t t
y L H x

avec ( )

i
i
i
L H L H et
i
H matrice dterministe de taille
(r,n), alors on a :
( ) ( ) [ ] ( ) ( ) [ ]'
1
z H z G z H z g
Y X

Proprit 16 : si X H L y u
t t t
+ ( ) et que u
t
non corrl avec le processus Y
t
, on a :
( ) ( ) ( ) ( ) ( ) g z H z g z H z g z
X Y u
+
1
'

Dfinition 10 : la densit spectrale S
Y
est dfinie par la fonction gnratrice d'autocovariance
en z e
i

. Soit :
( ) ( )
S g e
Y Y
i

1
2

On a donc :
( ) ( ) ( ) ( ) ( ) S e j i j
Y j
i j
j
j j
j
j j
j
+ + +
'

1
2
1
2
0
1 1

' '
cos sin
Proprit 17 (injectivit de la densit spectrale) : l'autocovariance d'ordre j du processus
multivari Y
t
peut tre calcule partir de la densit spectrale :
81
( )
j
j i
Y
d e S

Considrons maintenant le cas d'un processus Y
t
bivari (n=2) : Y
y
y
t
t
t
1
]
1
1
2
,
,
. La densit
spectrale
Y
S du processus Y
t
peut scrire :
( )
( ) ( )
( ) ( )
S
S S
S S
Y

1
]
1
1
1 1 2
2 1 2
,
,

avec :
( ) ( ) ( ) [ ]
( ) ( ) ( ) [ ]
'

j
j
j
j
j i j S
et
j i j S

sin cos
2
1
sin cos
2
1
2 , 1 2 , 1
1 , 2 1 , 2

( ) S
2 1 ,
est le spectre crois de y
t 1,
vers y
t 2,
. Il s'agit d'un nombre complexe. On dfinit
alors le cospectre ( ) c
2 1 ,
et la quadrature du spectre (quadrature spectrum) ( ) q
2 1 ,
:

( )
( )
c j
q j
j
j
j
j
1 2 2 1
1 2 2 1
1
2
1
2
, ,
, ,
cos( )
sin( )
'

On a donc la relation : ( ) ( ) ( ) S c iq
2 1 2 1 2 1 , , ,
+

Proprit 18 : le cospectre ( ) c
2 1 ,
est une fonction paire et priodique de priode 2 . Il est
donc dfini sur l'intervalle
[ ]
0, . De plus, ( ) ( ) c c
2 1 1 2 , ,
.

Proprit 19 : la quadrature du spectre ( ) q
2 1 ,
est une fonction impaire, priodique de
priode 2 . Elle est donc dfinie sur l'intervalle
[ ]
0, . De plus, ( ) ( ) q q
2 1 1 2 , ,

Proprit 20 : on a ( ) ( )
1 , 2 1 , 2 1 , 2

d c d S et ( ) q d
2 1
0
,

Dfinition 21 : la cohrence ( ) h
2 1 ,
entre les deux variables y
t 1,
et y
t 2,
est dfinie par :
( )
( )
[ ]
( )
[ ]
( ) ( )
h
c q
S S
2 1
2 1
2
2 1
2
2 1
,
, ,
+

La cohrence mesure la corrlation des deux variables y
t 1,
et y
t 2,

une mme frquence .
On peut montrer que :
( ) 1 0
1 , 2
h

82

IV/ Application de l'analyse spectrale

On cherche analyser la srie y
t 2,
obtenue par application d'un filtre linaire ( ) h L la srie
initiale y
t 1,
:
( )

j
j t j t t
y h y L h y
, 1 , 1 , 2

La fonction : h
( )
h e h e
i
j
i j
j

est appele la fonction de transfert. On peut tablir
par un calcul simple le rsultat suivant (dit de la transforme inverse de Fourier) :
( )
d e e h h
j i i
j
2
1

L'application de l'analyse spectrale multivarie permet d'tudier plus prcisment cette
fonction de transfert. On pose d'abord : X
y
t
t
1
]
1
1
0
,
et Y
y
y
t
t
t
1
]
1
1
2
,
,
. En calculant la densit
spectrale S
Y
de
t
Y partir de celle de
t
X , on obtient alors la relation suivante :
( )
( ) ( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
1
1
]
1
1
]
1
i i i
i
Y
e h S e h S e h
e h S S
S S
S S
S
1 1
1 1
2 1 , 2
2 , 1 1

d'o les relations :
( ) ( ) ( )

1 1 , 2
S e h S
i
et ( ) ( ) ( )

1
2
2
S e h S
i

La valeur de la fonction de transfert en s'exprime partir du spectre crois de y
t 1,
vers y
t 2,

et de la densit spectrale du processus y
t 1,
. Elle est un nombre complexe qui scrit sous
forme polaire :
( ) ( )
( )
i i
e R e h

le module ( ) R est fonction du cospectre et De la quadrature du spectre :
( )
( ) ( )
( )
h e
c q
S
i
2 1
2
2 1
2
1
, ,

Ce module ( ) R dfinit la fonction de gain car il indique l'accroissement de l'amplitude de la
srie initiale la frquence .
( ) indique le dplacement temporel la frquence conscutif l'application du filtre
linaire. On parle de phase.

Pour illustrer le concept de phase, nous avons filtr une srie de type sinusodale par un filtre
asymtrique, qui accorde davantage d'importance aux observations avant. La srie filtre
apparat alors en avance sur la srie initiale (cf. figure 1). Ensuite, pour illustrer le concept de
gain, nous avons filtr cette mme srie partir d'un filtre symtrique mais dont la somme des
coefficients est suprieure l'unit. On constate alors (cf. figure 2) un accroissement de
l'amplitude de la srie initiale. Les concepts de phase et de gain vont donc nous permettre
d'tablir deux proprits importantes des filtres linaires.

83
Proprit 22 : un filtre symtrique n'induit pas d'effet de phase.
En effet, pour un filtre symtrique, on a h h
i i

. La fonction de transfert est donc valeur
relle et la phase ( ) est nulle
49
.

Proprit 23 : un filtre symtrique a un gain unitaire la frquence nulle si et seulement si
h
i
i
1.
On retrouve ici la proprit tablie lors l'tude des proprits des moyennes mobiles : une
moyenne mobile symtrique et conservant les constantes conserve galement les tendances
dterministes.

49
Dans le cas des moyennes mobiles symtriques, on parle donc indiffremment des fonctions de transfert ou
de gain.

84
Figure 1 : Filtre linaire et effets de phase

Figure 2 : Filtre linaire et gains

85
Figure 3 : Gains d'un filtrage

V /Rappels sur les modles ARIMA

Soit y
t
un processus stochastique univari. On appelle autocovariance la fonction dfinie par
( ) h Ey y
t t h

. L'autocorrlation d'ordre h est alors dfinie par :

( )
( )
( )
h
h
0
. Les couples
( , ( )) h h dfinissent l'autocorrlogramme.

La corrlation partielle entre deux variables Y
1
et Y
2
relativement aux variables
Z Z Z
p
( ,..., )
1
est dfini comme la corrlation entre les deux variables Y
1
et Y
2
dont les
variables Z ne peuvent pas rendre compte. On peut tablir que le coefficient de corrlation
partielle est gal au coefficient de Y
2
dans la rgression Y Z aY
1 2
+ . L'autocorrlation
partielle l'ordre h est dfini par l'autocorrlation partielle entre Y
t
et Y
t h
relativement
Z Y Y
t t h
+
( ,..., )
1 1
. Le coefficient d'autocorrlation partielle ( ) h peut tre obtenu dans la
rgression suivante :
Y Y h Y
t i t i t h
i
h
+

( )
1
1

Proprit 24
L'autocorrlation partielle d'un processus autorgressif d'ordre p
50
est nulle pour h>p

50
Un processus autorgressif d'ordre p sera not AR(p) par la suite
86

preuve :
Y Y p Y Y
t i t i t p t h
i
p
+ + +

( ) ... 0
1
1

Proprit 25
L'autocorrlation d'un processus MA(q) est nulle pour h>q

preuve
Si h<q

q h t q h t h t h t
q t q h t h t t t
e q e q e y
e q e q e q e y

+ + +
+ + + + +
...
... ...
1 1
1 1

D'o
Ey y i
t t h i i h
i
q h
+
2
0

Exemple d'un processus autorgressif d'ordre un (AR(1))
y y E E
t t t t t
+

1
2 2
0

avec et
Soit
h
h t t h t t
h
y Ey y Ey

) (
) 0 ( = (h)
h
1 1

87
Bibliographie

Grun-Rehomme M. et Ladiray D. (1996) : Lissage des moyennes mobiles. Le problme des
extrmits de sries Document de travail INSEE, Direction des Etudes et Synthses
conomiques, G9404

Hamilton J.D (1994) : Times series analysis Princeton N.J

Harvey, A.C (1989) : Forecasting structural time series models and the Kalman filter
Cambridge University Press

Hatanaka, M. (1995) : Time series based econometrics Oxford University Press.

Analyse Conjonct Stat Fluctu

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analyse Conjonct Stat Fluctu

Enviado por

Direitos autorais:

Formatos disponíveis

Analyse conjoncturelle et analyse statistique des fluctuations , Document de travail, Nicolas PONTY

et la frquence reprsente le nombre de cycle pendant une priode 2

permet galement de filtrer

. L'hypothse alternative naturelle serait

lestimateur de par les moindres

), une pour la quatrime (ici c'est le PIB y

est absolument sommable, la densit spectrale existe

. La frquence correspondant cette priodicit, c'est--dire

Você também pode gostar