3.3.1)Stratégie du test
ADF :
La stratégie du test ADF consiste en une
première étape à déterminer le nombre de retards p
permettant de rendre les résidus une réalisation d'un processus
de bruit blanc, dans la seconde étape, il suffit d'appliquer la
stratégie séquentielle du test de Dickey Fuller simple (cf.
figure 2) aux modèles (3.29), (3.30) et (3.31).
Le principal avantage de la démarche d'ADF, c'est que
les seuils de significativité pour les tests DF et ADF de racine
unitaire sont identiques.
3.3.2) Application
des tests de Dickey Fuller augmentés (ADF) sur la série du
trafic :
La présence de l'autocorrélation des
résidus constitue une violation d'une hypothèse fondamentale
d'application des tests de DF simples, en effet, comme on a déjà
noté plus haut (cf section 3.3), les distributions ne sont plus
asymptotiques et les seuils de significativité des tests seront
différents, les tests ADF viennent pour prendre en considération
l'autocorrélation des résidus.
Suivant la stratégie de D&F, on commence par
estimer le modèle 6, qui contient à la fois la tendance et la
constante. Pour fixer le nombre de retards optimal, on va utiliser le
critère d'information de Schwarz, selon ce critère, pour blanchir
la série des résidus, on doit utiliser trois termes
différenciés retardés.
Les résultats du test ADF sont consignés au
tableau ci-dessous
|
Null Hypothesis: PAX_ADJ has a unit root
|
|
|
Exogenous: Constant, Linear Trend
|
|
|
Lag Length: 3 (Automatic based on SIC, MAXLAG=6)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
t-Statistic
|
Prob.*
|
|
|
|
|
|
|
|
|
|
|
|
Augmented Dickey-Fuller test statistic
|
-1.728309
|
0.7308
|
|
Test critical values:
|
1% level
|
|
-4.060874
|
|
|
5% level
|
|
-3.459397
|
|
|
10% level
|
|
-3.155786
|
|
|
|
|
|
|
|
|
|
|
|
|
*MacKinnon (1996) one-sided p-values.
|
|
|
|
|
|
|
|
|
|
|
|
|
Augmented Dickey-Fuller Test Equation
|
|
|
Dependent Variable: D(PAX_ADJ)
|
|
|
Method: Least Squares
|
|
|
|
Date: 02/25/13 Time: 16:06
|
|
|
|
Sample (adjusted): 2005M05 2012M12
|
|
|
Included observations: 92 after adjustments
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
|
|
|
|
|
|
|
|
|
|
PAX_ADJ(-1)
|
-0.203340
|
0.117653
|
-1.728309
|
0.0875
|
|
D(PAX_ADJ(-1))
|
-0.697894
|
0.135016
|
-5.168968
|
0.0000
|
|
D(PAX_ADJ(-2))
|
-0.554213
|
0.131170
|
-4.225141
|
0.0001
|
|
D(PAX_ADJ(-3))
|
-0.311303
|
0.105147
|
-2.960641
|
0.0040
|
|
C
|
85526.74
|
42547.35
|
2.010154
|
0.0475
|
|
@TREND(2005M01)
|
508.8135
|
370.5493
|
1.373133
|
0.1733
|
|
|
|
|
|
|
|
|
|
|
|
R-squared
|
0.467018
|
Mean dependent var
|
2510.240
|
|
Adjusted R-squared
|
0.436031
|
S.D. dependent var
|
40584.28
|
|
S.E. of regression
|
30477.93
|
Akaike info criterion
|
23.55039
|
|
Sum squared resid
|
7.99E+10
|
Schwarz criterion
|
23.71485
|
|
Log likelihood
|
-1077.318
|
F-statistic
|
15.07127
|
|
Durbin-Watson stat
|
2.077710
|
Prob(F-statistic)
|
0.000000
|
|
|
|
|
|
|
|
|
|
|
| 
