L’analyse des s\u00e9ries temporelles constitue l’un des piliers m\u00e9thodologiques les plus sophistiqu\u00e9s de l’\u00e9conom\u00e9trie moderne, de la biostatistique et des sciences comportementales quantitatives. Qu’il s’agisse de mod\u00e9liser les fluctuations des march\u00e9s financiers, d’anticiper la propagation d’une \u00e9pid\u00e9mie ou de quantifier les dynamiques affectives d’un individu mesur\u00e9es par \u00e9valuation \u00e9cologique instantan\u00e9e (EMA), le mod\u00e9lisateur se heurte imm\u00e9diatement \u00e0 une propri\u00e9t\u00e9 stochastique fondamentale : la stationnarit\u00e9. L’absence de stationnarit\u00e9 invalide d’embl\u00e9e la majeure partie des th\u00e9or\u00e8mes limites classiques, transformant les inf\u00e9rences statistiques traditionnelles en illusions math\u00e9matiques s\u00e9duisantes mais fallacieuses.<\/p>\n
Face \u00e0 ce d\u00e9fi th\u00e9orique majeur, le test de Dickey-Fuller augment\u00e9<\/a> (commun\u00e9ment d\u00e9sign\u00e9 sous l’acronyme ADF pour Augmented Dickey-Fuller<\/em>) s’est impos\u00e9 comme l’\u00e9talon-or des tests de racine unitaire. D\u00e9velopp\u00e9 initialement par David Dickey et Wayne Fuller \u00e0 la fin des ann\u00e9es 1970, puis perfectionn\u00e9 par Said et Dickey en 1984, cet outil inf\u00e9rentiel permet de d\u00e9terminer de mani\u00e8re rigoureuse si une chronique temporelle est r\u00e9gie par un processus stochastique int\u00e9grable ou si elle oscille autour d’une moyenne et d’une variance invariantes au cours du temps. Comprendre sa m\u00e9canique intime est un pr\u00e9requis absolu pour quiconque souhaite manipuler des s\u00e9ries chronologiques sans succomber aux pi\u00e8ges des corr\u00e9lations trompeuses.<\/p>\n Le pr\u00e9sent trait\u00e9 propose une exploration exhaustive, th\u00e9orique et op\u00e9rationnelle du test ADF \u00e0 travers le langage de programmation Python et la biblioth\u00e8que scientifique Statsmodels<\/a>. En articulant rigueur math\u00e9matique, d\u00e9composition algorithmique et application empirique \u00e0 des donn\u00e9es longitudinales, cet article fournit aux chercheurs, data scientists et \u00e9conom\u00e8tres les cl\u00e9s conceptuelles indispensables pour diagnostiquer la pr\u00e9sence d’une racine unitaire, param\u00e9trer ad\u00e9quatement les r\u00e9gressions sous-jacentes, et transformer rationnellement les s\u00e9ries non stationnaires en signaux propices \u00e0 une mod\u00e9lisation pr\u00e9dictive ou causale rigoureuse.<\/p>\n L’\u00e9tude syst\u00e9matique des s\u00e9ries temporelles repose sur le postulat que les observations successives ne constituent pas un \u00e9chantillon al\u00e9atoire ind\u00e9pendant et identiquement distribu\u00e9 (i.i.d.), mais forment au contraire une trajectoire ordonn\u00e9e dans le temps issue d’un processus stochastique sous-jacent. La mod\u00e9lisation de telles dynamiques exige une caract\u00e9risation pr\u00e9cise de la stabilit\u00e9 structurelle du g\u00e9n\u00e9rateur de donn\u00e9es \u00e0 travers les \u00e9poques observ\u00e9es.<\/p>\n Dans l’arsenal probabiliste de l’analyse s\u00e9quentielle, la stationnarit\u00e9 au sens faible \u2014 \u00e9galement qualifi\u00e9e de stationnarit\u00e9 d’ordre deux, de stationnarit\u00e9 large ou de covariance-stationnarit\u00e9 \u2014 constitue l’hypoth\u00e8se op\u00e9rationnelle fondamentale sur laquelle reposent les mod\u00e8les de la famille Box-Jenkins (ARMA, ARIMA). Formellement, soit un processus stochastique \u00e0 temps discret ${Y_t}_{t in \\mathbb{Z}}$<\/span> d\u00e9fini sur un espace de probabilit\u00e9 probabilis\u00e9 $(\\Omega, \\mathcal{F}, \\mathbb{P})$<\/span>. Ce processus est dit stationnaire au second ordre si et seulement s’il satisfait simultan\u00e9ment trois conditions math\u00e9matiques strictes relatives \u00e0 ses moments de premier et de deuxi\u00e8me ordres.<\/p>\n La premi\u00e8re condition impose l’invariance temporelle de l’esp\u00e9rance math\u00e9matique. Pour tout instant $t in \\mathbb{Z}$<\/span>, le moment d’ordre un doit \u00eatre rigoureusement constant et ind\u00e9pendant du temps, ce qui se traduit par : $\\mathbb{E}[Y_t] = \\mu < \\infty$<\/span>, o\u00f9 $\\mu$<\/span> est une constante r\u00e9elle finie. Cette propri\u00e9t\u00e9 garantit que la s\u00e9rie temporelle ne pr\u00e9sente aucune trajectoire d'expansion d\u00e9terministe ou de d\u00e9rive moyenne au cours de l'horizon d'observation, oscillant perp\u00e9tuellement autour d'un barycentre stable.<\/p>\n La deuxi\u00e8me condition stipule que la variance temporelle du processus doit \u00eatre finie, constante et strictement exempte de tout ph\u00e9nom\u00e8ne d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 conditionnelle ou inconditionnelle. Math\u00e9matiquement, pour tout instant $t$<\/span>, nous devons observer : $\\mathbb{V}ar(Y_t) = \\mathbb{E}[(Y_t – \\mu)^2] = \\sigma^2 0$<\/span>. L’amplitude des fluctuations stochastiques du signal demeure ainsi homog\u00e8ne sur l’ensemble du continuum tempologique, excluant toute dispersion croissante ou d\u00e9croissante.<\/p>\n La troisi\u00e8me condition r\u00e9git la structure de d\u00e9pendance temporelle entre deux observations s\u00e9par\u00e9es par un intervalle ou un d\u00e9calage (lag) arbitraire $k$<\/span>. L’autocovariance entre $Y_t$<\/span> et $Y_{t-k}$<\/span> ne doit d\u00e9pendre exclusivement que de la distance temporelle $k$<\/span> et en aucun cas de l’origine temporelle $t$<\/span> elle-m\u00eame : $\\mathbb{C}ov(Y_t, Y_{t-k}) = \\mathbb{E}[(Y_t – \\mu)(Y_{t-k} – \\mu)] = \\gamma(k)$<\/span>, pour tout $t, k in \\mathbb{Z}$<\/span>. Il s’ensuit que la matrice d’autocovariance du processus est une matrice de Toeplitz sym\u00e9trique.<\/p>\n Il importe de distinguer formellement cette stationnarit\u00e9 au sens faible de la stationnarit\u00e9 stricte (ou forte). Cette derni\u00e8re exige que la loi de probabilit\u00e9 conjointe du vecteur al\u00e9atoire $(Y_{t_1}, Y_{t_2}, dots, Y_{t_n})$<\/span> soit rigoureusement identique \u00e0 celle du vecteur translat\u00e9 $(Y_{t_1 + h}, Y_{t_2 + h}, dots, Y_{t_n + h})$<\/span> pour tout ensemble d’indices et tout d\u00e9calage $h in \\mathbb{Z}$<\/span>. Si la stationnarit\u00e9 stricte implique la stationnarit\u00e9 faible d\u00e8s lors que les moments d’ordre deux existent, la r\u00e9ciproque n’est v\u00e9rifi\u00e9e que dans le cadre tr\u00e8s particulier des processus gaussiens, o\u00f9 la distribution de probabilit\u00e9 multivari\u00e9e est int\u00e9gralement caract\u00e9ris\u00e9e par ses esp\u00e9rances et ses covariances.<\/p>\n L’application non critique des estimateurs statistiques usuels \u00e0 des s\u00e9ries temporelles d\u00e9pourvues de la propri\u00e9t\u00e9 de stationnarit\u00e9 entra\u00eene des pathologies inf\u00e9rentielles majeures. Le ph\u00e9nom\u00e8ne le plus d\u00e9vastateur sur le plan analytique est sans conteste celui de la r\u00e9gression fallacieuse<\/a> (ou spurious regression<\/em>), mis en lumi\u00e8re de fa\u00e7on s\u00e9minale par Clive Granger et Paul Newbold en 1974, puis formalis\u00e9 asymptotiquement par Peter C. B. Phillips en 1986.<\/p>\n Lorsque deux processus non stationnaires compl\u00e8tement ind\u00e9pendants \u2014 tels que deux marches al\u00e9atoires g\u00e9n\u00e9r\u00e9es par des g\u00e9n\u00e9rateurs stochastiques orthogonaux sans aucun lien de causalit\u00e9 ni m\u00e9canisme d’engendrement commun \u2014 font l’objet d’une r\u00e9gression lin\u00e9aire par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO), les tests conventionnels produisent des r\u00e9sultats catastrophiquement trompeurs. Le coefficient de d\u00e9termination $R^2$<\/span> converge vers des valeurs artificiellement \u00e9lev\u00e9es, tandis que la statistique de Student associ\u00e9e aux pentes converge en loi vers une variable al\u00e9atoire divergente plut\u00f4t que vers la loi normale standard. Le chercheur observe alors des $p$<\/span>-valeurs infinit\u00e9simales (souvent $p < 0{,}001$<\/span>), conduisant au rejet syst\u00e9matique et erron\u00e9 de l'hypoth\u00e8se nulle d'absence de corr\u00e9lation.<\/p>\n Parall\u00e8lement, au sein des mod\u00e8les univari\u00e9s autor\u00e9gressifs d’ordre un (AR(1)) de la forme $Y_t = \\phi Y_{t-1} + \\epsilon_t$<\/span>, la pr\u00e9sence d’une racine unitaire ($phi = 1$<\/span>) vicie profond\u00e9ment les propri\u00e9t\u00e9s g\u00e9om\u00e9triques de l’estimateur des MCO $\\hat{\\phi}$<\/span>. Contrairement au cas stationnaire o\u00f9 $\\hat{\\phi}$<\/span> est asymptotiquement sans biais et normalement distribu\u00e9 avec une vitesse de convergence en $\\sqrt{T}$<\/span>, l’estimateur sous racine unitaire converge \u00e0 une vitesse super-consistante en $T$<\/span>, mais souffre d’un biais n\u00e9gatif persistant en \u00e9chantillon fini (biais de Hurwicz). De surcro\u00eet, sa distribution limite n’est plus gaussienne, invalidant ipso facto les intervalles de confiance construits \u00e0 partir des quantiles de la loi de Student.<\/p>\n Si la probl\u00e9matique de la stationnarit\u00e9 a historiquement \u00e9merg\u00e9 au sein de l’\u00e9conom\u00e9trie macrofinanci\u00e8re, elle rev\u00eat aujourd’hui une acuit\u00e9 fondamentale dans le champ des sciences comportementales, de la psychiatrie computationnelle et de la psychologie quantitative. L’av\u00e8nement des m\u00e9thodologies de recueil intensif de donn\u00e9es longitudinales \u2014 notamment l’\u00e9valuation \u00e9cologique instantan\u00e9e (Ecological Momentary Assessment<\/em> ou EMA) et le suivi par capteurs passifs (actigraphie, biomarqueurs physiologiques) \u2014 confronte directement les psychologues \u00e0 des chroniques temporelles complexes.<\/p>\n Dans l’\u00e9tude des processus affectifs, cognitifs ou physiologiques r\u00e9p\u00e9t\u00e9s chez un m\u00eame individu, la distinction entre dynamiques d’\u00e9tats transitoires (qui fluctuent autour d’un point d’\u00e9quilibre hom\u00e9ostatique) et modifications structurelles de traits stables (d\u00e9rives ontog\u00e9n\u00e9tiques, apprentissage, aggravation d\u00e9pressive progressive) correspond pr\u00e9cis\u00e9ment \u00e0 la fronti\u00e8re math\u00e9matique entre processus stationnaires et processus \u00e0 racine unitaire ou \u00e0 rupture de tendance. Une \u00e9l\u00e9vation continue des concentrations salivaires de cortisol ou une d\u00e9rive ascendante d’un score d’anh\u00e9donie mesur\u00e9 trois fois par jour durant six mois ne sauraient \u00eatre mod\u00e9lis\u00e9es comme de simples bruits blancs autocorr\u00e9les.<\/p>\n Traiter une s\u00e9rie psychom\u00e9trique non stationnaire comme si elle \u00e9tait stationnaire induit un risque critique : celui de postuler une hom\u00e9ostasie psychologique illusoire et de m\u00e9conna\u00eetre l’inertie \u00e9motionnelle cumulative d’un patient. L’ergodicit\u00e9 \u2014 le principe selon lequel les propri\u00e9t\u00e9s statistiques calcul\u00e9es sur un \u00e9chantillon inter-individuel transversal sont identiques \u00e0 celles obtenues par le suivi longitudinal d’un unique sujet \u2014 s’effondre irr\u00e9m\u00e9diablement en pr\u00e9sence de non-stationnarit\u00e9. D\u00e8s lors, le recours \u00e0 des tests de racine unitaire formels comme le test ADF devient un imp\u00e9ratif m\u00e9thodologique incontournable avant d’ajuster des mod\u00e8les autor\u00e9gressifs multivari\u00e9s (VAR) ou des \u00e9quations diff\u00e9rentielles stochastiques \u00e0 l’\u00e9chelle intra-individuelle.<\/p>\n L’\u00e9valuation rigoureuse de la persistance stochastique n\u00e9cessite un cadre inf\u00e9rentiel adapt\u00e9 \u00e0 la distribution singuli\u00e8re des s\u00e9ries temporelles int\u00e9gr\u00e9es. Le test de Dickey-Fuller augment\u00e9 constitue la concr\u00e9tisation probabiliste de cette d\u00e9marche, op\u00e9rant une transition fondamentale entre les mod\u00e8les autor\u00e9gressifs simplifi\u00e9s et les repr\u00e9sentations autor\u00e9gressives g\u00e9n\u00e9rales enrichies.<\/p>\n Le point de d\u00e9part analytique de la d\u00e9tection de racine unitaire r\u00e9side dans le mod\u00e8le autor\u00e9gressif d’ordre 1, formalis\u00e9 par l’\u00e9quation stochastique :<\/p>\n $$Y_t = \\phi Y_{t-1} + \\epsilon_t$$<\/span><\/p>\n o\u00f9 $\\epsilon_t \\sim \\mathcal{N}(0, \\sigma^2)$<\/span> est suppos\u00e9 \u00eatre un bruit blanc gaussien d’innovations ind\u00e9pendantes. Dans cette formulation, le param\u00e8tre autoregressif $phi$<\/span> r\u00e9git l’enti\u00e8ret\u00e9 de la m\u00e9moire du syst\u00e8me. Si $|phi| < 1$<\/span>, le processus est strictement stationnaire, g\u00e9n\u00e9rant une m\u00e9moire courte o\u00f9 l'impact des chocs pass\u00e9s $\\epsilon_{t-k}$<\/span> s'att\u00e9nue de mani\u00e8re exponentielle selon une suite g\u00e9om\u00e9trique $\\phi^k to 0$<\/span> lorsque $k to \\infty$<\/span>. \u00c0 l'inverse, si $phi = 1$<\/span>, le processus d\u00e9g\u00e9n\u00e8re en une marche al\u00e9atoire pure : chaque choc stochastique s'incorpore de fa\u00e7on ind\u00e9l\u00e9bile et perp\u00e9tuelle dans le niveau futur de la s\u00e9rie, conf\u00e9rant au syst\u00e8me une variance th\u00e9orique infinie lorsque le temps tend vers l'infini.<\/p>\n Pour tester formellement l’hypoth\u00e8se de racine unitaire, Dickey et Fuller (1979) ont r\u00e9\u00e9crit cette relation en soustrayant le terme retard\u00e9 $Y_{t-1}$<\/span> des deux c\u00f4t\u00e9s de l’\u00e9quation, aboutissant \u00e0 la formulation aux diff\u00e9rences premi\u00e8res :<\/p>\n $$\\Delta Y_t = (\\phi – 1) Y_{t-1} + \\epsilon_t = \\gamma Y_{t-1} + \\epsilon_t$$<\/span><\/p>\n o\u00f9 $\\Delta Y_t = Y_t – Y_{t-1}$<\/span> d\u00e9signe l’op\u00e9rateur de diff\u00e9rence premi\u00e8re et $\\gamma = \\phi – 1$<\/span>. Tester l’hypoth\u00e8se que la s\u00e9rie poss\u00e8de une racine unitaire ($phi = 1$<\/span>) revient d\u00e8s lors \u00e0 tester l’hypoth\u00e8se lin\u00e9aire $H_0: \\gamma = 0$<\/span> contre l’hypoth\u00e8se unilat\u00e9rale de stationnarit\u00e9 $H_1: \\gamma < 0$<\/span>.<\/p>\n N\u00e9anmoins, ce test de Dickey-Fuller simple souffre d’une limitation m\u00e9thodologique majeure et r\u00e9dhibitoire dans la pratique empirique : il repose sur le postulat restrictif que les r\u00e9sidus $\\epsilon_t$<\/span> sont rigoureusement s\u00e9riellement non corr\u00e9l\u00e9s. Or, dans la quasi-totalit\u00e9 des s\u00e9ries chronologiques \u00e9conomiques, biologiques ou sociales, les r\u00e9sidus d’une simple sp\u00e9cification AR(1) conservent une dynamique interne complexe et une autocorr\u00e9lation d’ordres sup\u00e9rieurs. Cette violation flagrante de l’hypoth\u00e8se de bruit blanc vicie irr\u00e9m\u00e9diablement la variance asymptotique de l’estimateur de MCO, provoquant une distorsion consid\u00e9rable de la taille du test et g\u00e9n\u00e9rant une avalanche de faux rejets de l’hypoth\u00e8se nulle.<\/p>\n Afin de neutraliser d\u00e9finitivement l’impact n\u00e9faste de l’autocorr\u00e9lation r\u00e9siduelle sans alt\u00e9rer les propri\u00e9t\u00e9s asymptotiques du test sous racine unitaire, Said et Dickey (1984) ont propos\u00e9 une extension \u00e9l\u00e9gante : le test de Dickey-Fuller augment\u00e9 (ADF). Le principe fondamental repose sur le th\u00e9or\u00e8me de d\u00e9composition de Wold, selon lequel tout processus stationnaire ou int\u00e9gr\u00e9 d’ordre autor\u00e9gressif fini ou infini AR($p$<\/span>) peut \u00eatre approxim\u00e9 par l’adjonction de termes de retards diff\u00e9renti\u00e9s au sein de l’\u00e9quation de r\u00e9gression.<\/p>\n L’\u00e9quation math\u00e9matique ma\u00eetresse du test ADF se structure d\u00e8s lors comme suit :<\/p>\n $$\\Delta Y_t = \\alpha + \\beta t + \\gamma Y_{t-1} + \\sum_{i=1}^{p} \\delta_i \\Delta Y_{t-i} + \\epsilon_t$$<\/span><\/p>\n Dans cette formulation param\u00e9trique universelle, $\\alpha$<\/span> d\u00e9signe le terme constant (ou d\u00e9rive), $\\beta t$<\/span> repr\u00e9sente une tendance d\u00e9terministe lin\u00e9aire indic\u00e9e par le temps $t$<\/span>, $\\gamma$<\/span> demeure le param\u00e8tre fondamental capturant la pr\u00e9sence de la racine unitaire, et les coefficients $\\delta_i$<\/span> (pour $i in {1, dots, p}$<\/span>) correspondent aux param\u00e8tres correcteurs associ\u00e9s aux variations retard\u00e9es de la variable endog\u00e8ne. Les termes diff\u00e9renti\u00e9s $\\Delta Y_{t-i}$<\/span> ont pour r\u00f4le math\u00e9matique exclusif de \u00ab\u00a0blanchir\u00a0\u00bb les r\u00e9sidus : en absorbant l’int\u00e9gralit\u00e9 de la structure d’autocorr\u00e9lation \u00e0 court terme du signal, ils garantissent que le terme d’erreur $\\epsilon_t$<\/span> se comporte asymptotiquement comme un bruit blanc authentique de moyenne nulle et de variance constante $\\sigma_\\epsilon^2$<\/span>.<\/p>\n La distribution limite de la statistique de test associ\u00e9e au coefficient $\\hat{\\gamma}$<\/span> constitue l’une des d\u00e9couvertes les plus marquantes de la statistique non param\u00e9trique et param\u00e9trique du XXe si\u00e8cle. Si l’on construisait la statistique de Student conventionnelle :<\/p>\n $$t_{\\text{ADF}} = \\frac{\\hat{\\gamma}}{\\text{SE}(\\hat{\\gamma})}$$<\/span><\/p>\n o\u00f9 $\\text{SE}(\\hat{\\gamma})$<\/span> est l’erreur-type estim\u00e9e par les moindres carr\u00e9s ordinaires, cette grandeur ne converge nullement vers la loi de Student $t(T-K)$<\/span> ni vers la loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>, m\u00eame lorsque la taille de l’\u00e9chantillon $T$<\/span> tend vers l’infini. Sous l’hypoth\u00e8se nulle d’une racine unitaire stochastique, le d\u00e9nominateur et le num\u00e9rateur convergent vers des fonctionnelles non lin\u00e9aires du mouvement brownien standard (processus de Wiener $W(r)$<\/span> d\u00e9fini sur l’intervalle unitaire $r in [0, 1]$<\/span>). Par cons\u00e9quent, la distribution asymptotique de Dickey-Fuller est fortement asym\u00e9trique, d\u00e9cal\u00e9e vers la gauche et dot\u00e9e d’une queue \u00e9paisse dans les valeurs n\u00e9gatives.<\/p>\n La conduite rigoureuse du test ADF exige une formalisation univoque des hypoth\u00e8ses statistiques concurrentes qui guident la d\u00e9cision inf\u00e9rentielle :<\/p>\n Cette asym\u00e9trie conceptuelle induit une cons\u00e9quence pratique majeure : le fardeau de la preuve incombe formellement \u00e0 l’hypoth\u00e8se de stationnarit\u00e9. En vertu de la philosophie n\u00e9oclassique des tests d’hypoth\u00e8ses de Neyman-Pearson, l’analyste conserve l’hypoth\u00e8se d’une racine unitaire par d\u00e9faut, \u00e0 moins que les donn\u00e9es n’apportent une \u00e9vidence empirique \u00e9crasante mat\u00e9rialis\u00e9e par une statistique de test $t_{\\text{ADF}}$<\/span> profond\u00e9ment n\u00e9gative, franchissant les quantiles critiques \u00e9tablis.<\/p>\n Le comportement de la statistique de test de Dickey-Fuller est intimement tributaire de la composition d\u00e9terministe de la r\u00e9gression d’estimation. L’omission ou l’inclusion erron\u00e9e d’une constante ou d’une tendance temporelle alt\u00e8re substantiellement la distribution limite sous-jacente, exigeant des tables de valeurs critiques distinctes pour chaque configuration g\u00e9om\u00e9trique.<\/p>\n La premi\u00e8re variante structurelle du test ADF est le mod\u00e8le purement stochastique sans aucun terme d\u00e9terministe, souvent catalogu\u00e9 sous la d\u00e9signation de sp\u00e9cification \u00ab\u00a0sans d\u00e9rive\u00a0\u00bb (ou none<\/em> \/ ‘n’ dans les logiciels statistiques). L’\u00e9quation estim\u00e9e par les moindres carr\u00e9s s’\u00e9crit :<\/p>\n $$\\Delta Y_t = \\gamma Y_{t-1} + \\sum_{i=1}^{p} \\delta_i \\Delta Y_{t-i} + \\epsilon_t$$<\/span><\/p>\n Cette sp\u00e9cification repose sur l’hypoth\u00e8se tr\u00e8s contraignante selon laquelle, sous l’hypoth\u00e8se alternative de stationnarit\u00e9, la s\u00e9rie temporelle poss\u00e8de une esp\u00e9rance math\u00e9matique strictement nulle ($\\mathbb{E}[Y_t] = 0$<\/span>). Les trajectoires g\u00e9n\u00e9r\u00e9es par cette \u00e9quation sous $H_1$<\/span> oscillent de part et d’autre de l’axe des abscisses sans jamais pr\u00e9senter de d\u00e9calage vertical structurel.<\/p>\n Sur le plan empirique, cette restriction rend le mod\u00e8le ‘n’ inadapt\u00e9 \u00e0 l’immense majorit\u00e9 des donn\u00e9es brutes de l’\u00e9conomie ou des sciences sociales, qui pr\u00e9sentent presque syst\u00e9matiquement des moyennes strictement positives ou n\u00e9gatives. L’usage exclusif de cette sp\u00e9cification est r\u00e9serv\u00e9 aux s\u00e9ries pr\u00e9alablement centr\u00e9es autour de leur moyenne empirique, ou aux r\u00e9sidus issus d’une r\u00e9gression pr\u00e9liminaire de coint\u00e9gration th\u00e9oriquement exempte de terme d’interception. La distribution de la statistique de test, not\u00e9e historiquement $tau$<\/span> (tau), requiert l’usage de la table critique la plus restrictive, toute violation de l’hypoth\u00e8se de moyenne nulle sous l’alternative induisant un effondrement dramatique de la puissance du test.<\/p>\n La deuxi\u00e8me sp\u00e9cification, et de loin la plus fr\u00e9quemment employ\u00e9e dans la pratique computationnelle quotidienne, int\u00e8gre un terme constant ind\u00e9pendant du temps, \u00e9galement d\u00e9nomm\u00e9 terme de d\u00e9rive (drift<\/em> ou ‘c’ dans la biblioth\u00e8que Statsmodels) :<\/p>\n $$\\Delta Y_t = \\alpha + \\gamma Y_{t-1} + \\sum_{i=1}^{p} \\delta_i \\Delta Y_{t-i} + \\epsilon_t$$<\/span><\/p>\n L’interpr\u00e9tation th\u00e9orique de cette \u00e9quation r\u00e9v\u00e8le une dualit\u00e9 fascinante entre les hypoth\u00e8ses $H_0$<\/span> et $H_1$<\/span>. Sous l’hypoth\u00e8se alternative de stationnarit\u00e9 ($\\gamma < 0$<\/span>), la s\u00e9rie temporelle oscille autour d'une moyenne inconditionnelle non nulle rigoureusement d\u00e9finie par le rapport :<\/p>\n $$\\mu = -\\frac{\\alpha}{\\gamma}$$<\/span><\/p>\n Le terme constant garantit que le niveau de base du processus n’est pas contraint \u00e0 z\u00e9ro, ce qui correspond fid\u00e8lement \u00e0 la plupart des grandeurs mesur\u00e9es en laboratoire (taux d’hormones circulantes, temps de r\u00e9action, scores d’\u00e9valuation clinique standardis\u00e9s).<\/p>\n En revanche, sous l’hypoth\u00e8se nulle de racine unitaire ($\\gamma = 0$<\/span>), le comportement de l’\u00e9quation subit une m\u00e9tamorphose : $\\Delta Y_t = \\alpha + dots + \\epsilon_t$<\/span>. Si la constante $\\alpha$<\/span> est non nulle sous $H_0$<\/span>, la s\u00e9rie en niveau $Y_t$<\/span> se comporte comme une marche al\u00e9atoire avec d\u00e9rive stochastique, engendrant une trajectoire balistique d\u00e9terministe dominante \u00e0 pente lin\u00e9aire proportionnelle \u00e0 $\\alpha t$<\/span>. La distribution asymptotique associ\u00e9e \u00e0 ce mod\u00e8le, d\u00e9sign\u00e9e par $\\tau_\\mu$<\/span>, est d\u00e9cal\u00e9e vers la gauche comparativement \u00e0 $tau$<\/span>, impliquant des seuils de rejet plus s\u00e9v\u00e8res (par exemple, environ $-2{,}86$<\/span> au seuil de $5%$<\/span> pour un \u00e9chantillon infini, contre $-1{,}95$<\/span> pour le mod\u00e8le sans constante).<\/p>\n La troisi\u00e8me sp\u00e9cification incorpore conjointement un terme constant et une pente temporelle d\u00e9terministe explicite, d\u00e9sign\u00e9e comme sp\u00e9cification avec tendance (trend<\/em> ou ‘ct’) :<\/p>\n $$\\Delta Y_t = \\alpha + \\beta t + \\gamma Y_{t-1} + \\sum_{i=1}^{p} \\delta_i \\Delta Y_{t-i} + \\epsilon_t$$<\/span><\/p>\n Cette structure vise \u00e0 discriminer rigoureusement deux formes conceptuellement distinctes de non-stationnarit\u00e9 qui conduisent souvent \u00e0 des erreurs diagnostiques critiques : la stationnarit\u00e9 stochastique par\u55d0 int\u00e9gration (Difference-Stationary<\/em> ou DS, correspondant \u00e0 une racine unitaire) et la stationnarit\u00e9 en tendance d\u00e9terministe (Trend-Stationary<\/em> ou TS). Une s\u00e9rie de type TS n’est pas mue par une m\u00e9moire stochastique infinie : elle oscille fid\u00e8lement autour d’une trajectoire d\u00e9terministe croissante ou d\u00e9croissante mod\u00e9lis\u00e9e par une droite de tendance temporelle $\\alpha + \\beta t$<\/span>. Pour une s\u00e9rie TS, les chocs pass\u00e9s sont transitoires et ne modifient en rien la trajectoire asymptotique \u00e0 long terme.<\/p>\n Sous la sp\u00e9cification ‘ct’, l’hypoth\u00e8se alternative postule que le processus est stationnaire autour de cette trajectoire s\u00e9culaire. La distribution limite r\u00e9sultante, not\u00e9e $\\tau_\\tau$<\/span>, subit une translation suppl\u00e9mentaire vers les valeurs n\u00e9gatives extr\u00eames : le quantile critique au seuil de $5%$<\/span> se situe autour de $-3{,}41$<\/span>. L’inconv\u00e9nient m\u00e9thodologique d’une telle r\u00e9gression r\u00e9side dans la sur-param\u00e9trisation potentielle : inclure une variable temporelle $t$<\/span> alors que la s\u00e9rie ne pr\u00e9sente aucune tendance r\u00e9elle dissipe inutilement des degr\u00e9s de libert\u00e9 et r\u00e9duit significativement la puissance statistique du test, diminuant la probabilit\u00e9 de rejeter $H_0$<\/span> lorsque la s\u00e9rie est effectivement stationnaire.<\/p>\n Le d\u00e9ploiement informatique d’analyses de s\u00e9ries temporelles avanc\u00e9es impose la mise en place d’un environnement scientifique hautement contr\u00f4l\u00e9. Le typage strict des structures temporelles et la pr\u00e9cision num\u00e9rique des algorithmes de r\u00e9solution matricielle conditionnent directement la validit\u00e9 des statistiques d\u00e9riv\u00e9es.<\/p>\n L’\u00e9cosyst\u00e8me open-source Python dispose d’un ensemble unifi\u00e9 de biblioth\u00e8ques hautement optimis\u00e9es, interconnect\u00e9es par le biais d’interfaces de programmation (API) standardis\u00e9es. Au sommet de cette hi\u00e9rarchie pour l’\u00e9conom\u00e9trie formelle se positionne la biblioth\u00e8que Statsmodels<\/a>. D\u00e9velopp\u00e9e originellement comme une scission de SciPy d\u00e9di\u00e9e aux mod\u00e8les statistiques, elle h\u00e9berge le sous-module Le socle matriciel et structurel repose indissolublement sur NumPy et Pandas. NumPy<\/a> garantit l’ex\u00e9cution vectoris\u00e9e des calculs sous-jacents aux moindres carr\u00e9s ordinaires via des liaisons directes avec les routines LAPACK et BLAS en C et Fortran. De son c\u00f4t\u00e9, la biblioth\u00e8que Pandas<\/a> fournit la structure fondamentale de tableau de donn\u00e9es (1. Introduction aux s\u00e9ries temporelles et concept fondamental de stationnarit\u00e9<\/h2>\n
1.1 D\u00e9finition math\u00e9matique de la stationnarit\u00e9 au sens faible<\/h3>\n
1.2 Cons\u00e9quences m\u00e9thodologiques de la non-stationnarit\u00e9<\/h3>\n
1.3 Pertinence dans les mesures longitudinales en sciences comportementales<\/h3>\n
2. Fondements th\u00e9oriques du test de Dickey-Fuller augment\u00e9 (ADF)<\/h2>\n
2.1 Origines et limites du test de Dickey-Fuller simple<\/h3>\n
2.2 Structure math\u00e9matique de la r\u00e9gression ADF<\/h3>\n
2.3 Formulation formelle des hypoth\u00e8ses statistiques<\/h3>\n
\n
3. Typologie des sp\u00e9cifications du mod\u00e8le de test ADF<\/h2>\n
3.1 Mod\u00e8le sans constante ni tendance d\u00e9terministe<\/h3>\n
3.2 Mod\u00e8le avec d\u00e9rive (terme constant)<\/h3>\n
3.3 Mod\u00e8le avec d\u00e9rive et tendance temporelle lin\u00e9aire<\/h3>\n
4. Configuration de l’environnement Python et biblioth\u00e8ques d’analyse<\/h2>\n
4.1 \u00c9cosyst\u00e8me scientifique pour l’\u00e9conom\u00e9trie et les s\u00e9ries temporelles<\/h3>\n
statsmodels.tsa<\/code> (Time Series Analysis<\/em>), dont les algorithmes d’estimation lin\u00e9aire, non-lin\u00e9aire et de tests d’hypoth\u00e8ses fournissent des sorties statistiques standardis\u00e9es reproduisant la pr\u00e9cision des progiciels acad\u00e9miques historiques tels que Stata ou R.<\/p>\nDataFrame<\/code>) et de s\u00e9rie (Series<\/code>), con\u00e7ues sp\u00e9cifiquement pour encapsuler la m\u00e9tadonn\u00e9e temporelle avec une efficacit\u00e9 m\u00e9moire optimale.<\/p>\n