Seasonality in Mixed Causal-Noncausal Processes

Cet article démontre que, dans les modèles autorégressifs mixtes causaux-noncausaux, les racines saisonnières peuvent toujours être isolées sans générer d'effets saisonniers conjoints nouveaux, une conclusion qui influence la sélection de modèle et qui est illustrée par des simulations et des applications empiriques sur les données relatives à la COVID-19 et au soja.

L'essentiel

🌪️ Le Titre : Quand le temps se mélange avec la saisonnalité

Imaginez que vous essayez de prédire le temps qu'il fera demain.

• Les modèles classiques disent : « Regardez hier et avant-hier. Si c'était ensoleillé, ce sera probablement ensoleillé demain. » C'est ce qu'on appelle un modèle causal (la cause précède l'effet).
• Les modèles mixtes (MAR) disent : « Attendez, parfois le futur influence le présent ! » C'est contre-intuitif, mais dans certains phénomènes économiques ou épidémiques, les gens anticipent une crise (le futur) et agissent dès maintenant (le présent), créant des bulles ou des krachs.

L'article de Tom´as, Alain et Sean se pose une question précise : Que se passe-t-il si, en plus de ces bulles futuristes, on a aussi des cycles saisonniers (comme les ventes de jouets en décembre ou les épidémies hivernales) ?

🎭 L'Analogie du Duo de Magiciens

Pour comprendre leur découverte, imaginez deux magiciens qui travaillent ensemble pour créer un spectacle de magie (le modèle économique) :

1. Le Magicien du Passé (Causal) : Il sort des lapins d'un chapeau en regardant l'histoire.
2. Le Magicien du Futur (Non-causal) : Il sort des lapins en regardant ce qui va arriver.

Ensemble, ils forment un duo puissant (le modèle MAR). Le problème, c'est que quand ils mélangent leurs tours, on pourrait penser qu'ils créent de nouvelles illusions magiques, de nouveaux types de lapins, juste parce qu'ils travaillent en équipe.

La grande découverte de l'article :
Les auteurs ont prouvé mathématiquement que ce duo ne crée pas de nouvelles illusions.
Si le Magicien du Passé a un tour de « saisonnalité » (un lapin qui sort chaque hiver) et que le Magicien du Futur a un autre tour de « saisonnalité », le résultat final est simplement la somme de leurs deux tours. Ils ne fusionnent pas pour créer un « lapin super-saisonier » bizarre qui n'existait pas avant.

En termes techniques : Les racines saisonnières (les cycles) restent isolées. On peut toujours distinguer clairement ce qui vient du passé et ce qui vient du futur, même quand ils sont mélangés.

🔍 Comment ça marche en pratique ? (La recette de cuisine)

Pour trouver ces cycles cachés, les auteurs utilisent une technique appelée décomposition en fractions partielles.
Imaginez que vous avez un gâteau complexe (vos données économiques) avec plusieurs saveurs mélangées (tendance, bruit, saisonnalité, bulles).

1. L'étape 1 : Le gâteau « Pseudo-Causal »
   D'abord, on fait un gâteau simplifié en ignorant le fait que le futur influence le présent. On le fait cuire comme un gâteau classique. Cela nous donne une liste d'ingrédients (les racines mathématiques).
2. L'étape 2 : Le tri des ingrédients
   Grâce à leur théorie, les auteurs disent : « Pas de panique ! Si vous trouvez un ingrédient qui sent la cannelle (une racine complexe liée à une saison), vous savez qu'il doit appartenir soit au Magicien du Passé, soit au Magicien du Futur, mais pas aux deux en même temps de façon floue. »
   • Astuce : Si les ingrédients viennent par paires (comme des jumeaux complexes), ils doivent rester ensemble dans le même chapeau. On ne peut pas les séparer.

Cela simplifie énormément le travail du détective ! Au lieu de tester des milliers de combinaisons possibles pour savoir qui a fait quoi, on réduit le nombre de possibilités.

🧪 Les Tests (La Simulation)

Les auteurs ont fait des milliers de simulations informatiques (comme des jeux vidéo de prévision) pour vérifier leur théorie.

• Résultat : Leur méthode fonctionne parfaitement. Même avec des données bruyantes et des pics soudains (comme des bulles spéculatives), ils arrivent à identifier correctement les cycles saisonniers.
• Leçon : Si vous voyez un pic de saisonnalité dans vos données, vous n'avez pas besoin d'inventer un modèle compliqué avec des multiplicateurs bizarres. Le modèle standard suffit, il faut juste bien trier les ingrédients.

🌍 Les Exemples Réels (COVID et Soja)

Pour prouver que ce n'est pas juste de la théorie, ils ont appliqué leur méthode à deux cas concrets :

1. Le COVID-19 en Belgique et en Italie :

   • Les données montraient des vagues de décès qui oscillaient (haut, bas, haut, bas).
   • Le modèle a révélé que ces oscillations n'étaient pas aléatoires. En Belgique, il y avait une « bulle saisonnière » (un pic qui grossit puis s'effondre) liée à des racines mathématiques spécifiques. Le modèle a pu séparer ce qui venait de la dynamique passée (le virus qui se propage) et ce qui venait de l'anticipation future (les confinements prévus).

2. Le prix du soja :

   • Les prix du soja ont des cycles annuels très forts (récoltes, semis).
   • Le modèle a réussi à dire : « Tiens, ce pic de prix vient d'un cycle de 6 mois (saisonnalité) et ce pic soudain vient d'une anticipation de pénurie (non-causalité). »
   • Ils ont même corrigé une erreur d'une étude précédente en montrant que la méthode classique (sans leur astuce de tri) avait mal attribué les ingrédients, menant à une mauvaise prédiction.

💡 En résumé

Cet article nous dit : « Ne vous inquiétez pas, la saisonnalité ne se mélange pas de façon magique avec la non-causalité. »

Même si vos données sont chaotiques, avec des bulles et des cycles, vous pouvez utiliser une méthode simple pour démêler le tout. C'est comme si on vous donnait un couteau de chef pour séparer les légumes d'une salade complexe : vous savez exactement quel légume vient de quel panier, et vous évitez ainsi de cuisiner un plat raté.

C'est une avancée majeure pour les économistes et les analystes qui veulent comprendre les crises financières ou les épidémies sans se perdre dans des modèles trop compliqués.

Résumé technique

1. Problématique et Contexte

L'article s'intéresse aux modèles autorégressifs mixtes causal-noncausal (MAR), qui sont des modèles de séries temporelles pilotés par un bruit non gaussien et contenant à la fois des composantes de retards (causales) et d'avance (noncausales). Ces modèles sont largement utilisés pour capturer des dynamiques non linéaires, telles que les bulles spéculatives explosives.

Cependant, la littérature se concentre principalement sur les racines réelles positives (fréquence nulle). Les auteurs soulignent un manque d'analyse concernant les racines négatives et complexes dans les polynômes causal et noncausal. Ces racines sont à l'origine de comportements saisonniers et cycliques (oscillations). La question centrale est de savoir comment ces racines saisonnières se comportent dans la structure multiplicative des modèles MAR : est-il possible que l'interaction entre les parties causales et noncausales génère de nouveaux effets saisonniers ? De plus, comment identifier et sélectionner le modèle approprié lorsque des paires de racines complexes conjuguées sont présentes ?

2. Méthodologie

Les auteurs utilisent une approche théorique rigoureuse combinée à des simulations de Monte Carlo et des applications empiriques :

• Décomposition en Fractions Partielles : C'est l'outil mathématique principal. Les auteurs décomposent les polynômes autorégressifs (causal $\phi(L)$ et noncausal $\phi(L^{-1})$) en facteurs monomiaux associés aux racines inverses ($\alpha_k$).
• Représentation en Moyenne Mobile (MA) : Ils montrent comment isoler les composantes fréquentielles dans la représentation MA du processus.
• Modèle Pseudo-Causal (SOE) : Ils utilisent la représentation équivalente du second ordre (SOE) ou « pseudo-causale », qui est un modèle AR purement causal ayant les mêmes propriétés du second ordre que le modèle MAR. Cela permet d'estimer les racines totales sans connaître a priori la répartition entre causal et noncausal.
• Estimation par Maximum de Vraisemblance Approximé (AMLE) : Pour l'estimation finale, ils supposent une distribution d'erreur non gaussienne (généralement une loi $t$ de Student) et maximisent la fonction de vraisemblance.
• Études Empiriques : Application sur des données de décès liés au COVID-19 (Belgique et Italie) et sur les prix du soja.

3. Contributions Théoriques Clés

Le résultat théorique principal de l'article est la démonstration que la structure multiplicative des polynômes causal et noncausal ne génère pas de nouveaux effets saisonniers.

• Isolement des Racines : Grâce à la décomposition en fractions partielles, les auteurs prouvent que les racines associées aux fréquences saisonnières (racines réelles négatives pour la fréquence de Nyquist $\pi$, et paires de racines complexes conjuguées pour les fréquences harmoniques) peuvent toujours être isolées et attribuées de manière unique soit à la partie causale, soit à la partie noncausale du modèle MAR.
• Absence d'Effets Conjoints : Contrairement à ce qu'on pourrait penser, le produit $\phi(L)\phi(L^{-1})$ n'induit pas de nouvelles fréquences. Les effets saisonniers sont la somme des effets individuels des composantes.
• Simplification de la Sélection de Modèle : En présence de paires de racines complexes conjuguées dans le modèle pseudo-causal, ces racines doivent être attribuées jointement soit au polynôme causal, soit au polynôme noncausal, afin de préserver la réalité des coefficients du modèle. Cela réduit considérablement le nombre de combinaisons de modèles à tester (par exemple, un MAR(1,1) devient impossible si le modèle pseudo-causal d'ordre 2 possède des racines complexes conjuguées).

4. Résultats Principaux

Résultats Théoriques et Simulations

• Estimation Consistante : Les simulations de Monte Carlo confirment que les racines (réelles et complexes) du modèle MAR peuvent être estimées de manière consistante à partir du modèle pseudo-causal, même avec des erreurs à variance infinie (distributions stables ou $t$ avec peu de degrés de liberté).
• Performance de la Sélection : L'étude de sélection de modèle montre que la procédure basée sur la vraisemblance maximale (AMLE) réussit à identifier le bon ordre causal/noncausal. Cependant, si l'on attribue incorrectement une paire de racines complexes (en les séparant entre causal et noncausal), le modèle sélectionné peut être erroné, bien que la vraisemblance puisse parfois converger vers un maximum local. La contrainte d'attribuer les paires complexes ensemble améliore la précision de la sélection.

Applications Empiriques

• Données COVID-19 :
  • Pour l'Italie, le modèle sélectionné est un MAR(2,0) purement causal avec des racines complexes, indiquant une dynamique oscillatoire sans composante noncausale.
  • Pour la Belgique, un modèle MAR(2,2) est sélectionné. La partie noncausale contient des racines réelles (fréquence nulle et Nyquist), expliquant une « bulle saisonnière » (augmentation explosive suivie d'une chute), tandis que la partie causale contient les racines complexes expliquant les oscillations. L'affectation correcte des racines est cruciale pour capturer la forme en « zigzag » des données.
• Prix du Soja :
  • L'analyse d'une série mensuelle (1973-2006) révèle la présence de racines à la fréquence nulle, à la fréquence de Nyquist et d'une paire complexe.
  • Le modèle MAR(2,3) sélectionné attribue la paire de racines complexes à la partie noncausale, correspondant à un cycle de 6 mois (fréquence $\pi/3$), ce qui est plus cohérent avec la saisonnalité agricole que les résultats obtenus par des méthodes antérieures (clustering des résidus extrêmes). Le modèle MAR capture mieux les épisodes explosifs que le modèle AR purement causal.

5. Signification et Implications

Ce travail a plusieurs implications importantes pour l'économétrie des séries temporelles :

1. Simplification de la Pratique : Il fournit une procédure claire pour la sélection de modèles MAR en présence de saisonnalité. Les praticiens n'ont pas besoin de tester toutes les combinaisons possibles de racines ; les paires complexes doivent être traitées comme un bloc indivisible.
2. Interprétation Économique : Il permet de distinguer les bulles spéculatives (racines réelles positives) des bulles saisonnières ou des cycles économiques (racines négatives et complexes) au sein de modèles noncausaux.
3. Robustesse : Il valide l'utilisation du modèle pseudo-causal comme point de départ robuste pour l'estimation des modèles MAR complexes, même avec des distributions d'erreur lourdes.
4. Alternative aux Modèles Multiplicatifs : L'article suggère que les modèles MAR avec racines saisonnières sont une généralisation plus flexible des modèles SARIMA multiplicatifs classiques, car ils permettent une dynamique noncausale intrinsèque sans avoir besoin de spécifier explicitement des polynômes saisonniers séparés.

En résumé, l'article établit que la saisonnalité dans les modèles MAR est une propriété additive des racines individuelles et non un effet émergent de leur interaction, offrant ainsi un cadre théorique solide et des outils pratiques pour modéliser des séries temporelles complexes présentant à la fois des bulles et des cycles saisonniers.