anglais
The commonly employed test for detecting change-point are quite generally based on asymptotic approximations which may not provide good size control in finite samples (Diebold et Chen (1996)). There has been a number of recent studies (BAI and PERRON, 1998, SHAO and ZHANG, 2010) that seek to improve the reliability of common tests for change-point detection using EDGEWORTH and bootstrap methods. Yet the latter remain approximate.In this companion paper, we propose two tests for change-point detection in linear regression contexts. The first is a Monte Carlo (MC) test for one change-point. The second is a new sequential test for detecting one or more change-point in time series. The finite-sample behaviour of the proposed tests is investigated through Monte Carlo experiments. The results show that tests which are widely used in the studies dealing with climatic changes in West and Central Africa exhibit important size distortions, while MC test achieve complete size control and display good power.
français
Les tests statistiques couramment utilisés dans la détection de rupture (s) sont fondés sur des approximations asymptotiques dont la fiabilité sur des échantillons finis n’est pas garantie (voir DIEBOLD et CHEN (1996)). Les problèmes qui en découlent dans les applications empiriques incluent : absence de bonnes valeurs critiques, problème de contrôle de niveaux et possibilité de détecter des dates de ruptures erronées. Ces inconvénients ont contribué à l’émergence d’une génération de tests basés sur des simulations de type EDGEWORTH et Bootstrap par exemple (BAI and PERRON, 1998, SHAO and ZHANG, 2010). Pourtant, les méthodes proposées par ces derniers ne réalisent pas le contrôle de niveau.Dans ce travail, nous proposons deux tests exacts (le risque d’erreur de première espèce est égal au niveau de signification) de détection de rupture(s). Le premier est un test de Monte Carlo (MC) de détection d’une rupture. Le second est un test séquentiel de détection d’une ou plusieurs ruptures. Les procédures proposées permettent d’obtenir des seuils de signification marginaux (les valeurs-p) exacts. Nous évaluons la performance du test de MC proposé par simulation. Nos résultats montrent que les tests largement employés dans les études de modification climatique en Afrique de l’Ouest et Centrale présentent de sérieuses distorsions de niveau, alors que les tests de MC contrôlent le niveau et ont une bonne puissance.Mots clés -- Séries temporelles, détection de rupture(s) en moyenne, test de Monte Carlo, changement brusque du climat.