Vous êtes sur la page 1sur 122

Economtrie approfondie

Michel BEINE
mbeine@ulb.ac.be

CADRE,Universite de Lille2, France et DULBEA, Universite Libre de Bruxelles, Belgique.

http://www.users.skynet.be/fa560029

Econometrie approfondie p. 1/

Manuel
Le cours dconomtrie II est bas sur le livre Introductory Econometrics, a Modern Approach (second edition) de Jeffrey M. Wooldridge, dition Thomson South-Western. Sur le site web : http://www.swcollege.com/bef/wooldridge/
... wooldridge2e/wooldridge2e.html

il y a des donnes ncessaires pour les exercices et plusieurs liens intressants.

Econometrie approfondie p. 2/

Plan du cours
Rappels: Chapitres 1-9 Partie I. Partie II: Sries temporelles. Chapitre 10. Introduction. Chapitre 11. Proprits des MCO. Chapitre 12. Corrlation srielle et htroscdasticit.

Econometrie approfondie p. 3/

Plan du cours
Partie III: Techniques avances. Chapitre 13. Pooling: Mthodes simples de Panel. Chapitre 14. Donnes de Panel: techniques avances. Chapitre 15. Variables instrumentales et MCO en 2 tapes. Chapitre 16. Modles quations simultanes.

Econometrie approfondie p. 4/

Infos pratiques
Logiciel conomtrique: Celui que vous voulez Eviews, Rats, PcGive, etc. Examen: modalits discuter.

Econometrie approfondie p. 5/

Rappels Structure des donnes: Chapitre 1

Econometrie approfondie p. 6/

Structure des donnes


Il existe 3 types de donnes. Chaque type de donnes peut appeler des techniques conomtriques particulires. Donnes Cross-section. Sries temporelles. Donnes de Panel.

Econometrie approfondie p. 7/

Donnes Cross-section
chantillon dindividus, mnages, rmes, ..., pris un point du temps donn. Important: on peut souvent supposer que les obs. = chantillon alatoire simplie lanalyse.

Donnes trs utilises en conomie et sciences sociales micro applique: march du travail, nances publiques, organisation industrielle, conomie spatiale, dmographie, conomie de la sant, etc. Example: Wage1.wf1.

Econometrie approfondie p. 8/

Sries temporelles
Sries chronologiques. Ex: PNB, importations, indices de prix, etc. Important: Rarement indpendantes au court du temps complexie lanalyse. Diffrentes frquences: annuel, trimestriel, mensuel, hebdomadaire, journalier, intra-journalier. Donnes trs utilises en macro-conomie et en nance. Example: PRMINWGE.wf1.

Econometrie approfondie p. 9/

Donnes de panel
Srie temporelle pour chaque unit/individu. Important: la mme unit est observe plusieurs fois au court du temps. Example: WAGEPAN.wf1.

Econometrie approfondie p. 10/

Rappels Modle de rgression simple: Chapitre 2

Econometrie approfondie p. 11/

Modle de rgression simple


Objectif: estimer un modle du type
wage = 0 + 1 educ + u.
(1)

De manire gnrale:
y = 0 + 1 x + u. (??) est suppos tenir sur la population dintrt.
(2)

u est le terme derreur (alas) = facteurs non-observs autres que x qui affectent y . u et x sont des variables alatoires.

Interprtation Ceteris Paribus: Si u = 0 (autres facteurs inchangs) y = 1 x.

Econometrie approfondie p. 12/

Modle de rgression simple


Pour estimer 0 et 1 et garder cette interprtation CP il faut faire certaines hypothses.
E(u|x) = E(u): pour toute valeur de x, la moyenne des u correspondantes est la mme. implique la non-corrlation (linaire). Ex: wage = 0 + 1 educ + u E(abil|8) = E(abil|16). E(u) = 0: normalisation on ne perd rien.

En combinant ces 2 hypothses: E(u|x) = E(u) = 0: hyp. moyenne cond. nulle. E(y|x) = 0 + 1 x: fonction de rgression de la population.

Econometrie approfondie p. 13/

Estimation de 0 et 1
(xi , yi ) : i = 1, . . . , n = chantillon alatoire de taille n tir de la population. yi = 0 + 1 xi + ui , i. E(u) = 0 E(y 0 1 x) = 0.

E(u|x) = 0 Cov. nulle entre u et x E[(y 0 1 x)x] = 0.

Pour obtenir 0 et 1 on va rsoudre ce systme en remplaant E(.) par son quivalant empirique 1/n n (.). i=1

Econometrie approfondie p. 14/

Estimation de 0 et 1
n

n1
i=1 n

(yi 0 1 xi ) = 0

(3)

n1
i=1

[(yi 0 1 xi )xi ] = 0 0 = y 1 x n i=1 (xi x)(yi y) 1 = . n 2 si > 0 i=1 (xi x)

(4) (5) (6)

Estimation de 0 et 1 par la mthode des moments.

Econometrie approfondie p. 15/

Moindres carrs ordinaires (MCO)


minb0 ,b1 ordre:
n i=1 (yi n

b0 b1 xi )2 2 quations de premier (yi 0 1 xi ) = 0


(7)

2 2

i=1 n

i=1

[(yi 0 1 xi )xi ] = 0 0 = y 1 x n i=1 (xi x)(yi y) 1 = . n 2 si > 0 i=1 (xi x)

(8) (9) (10)

Estimation de 0 et 1 par la mthode des MCO donne les mme 0 et 1 .

Econometrie approfondie p. 16/

Proprits des estimateurs MCO


SLR=Simple Linear Regression. SLR.1 y = 0 + 1 x + u linaire en les paramtres. SLR.2 (xi , yi ) : i = 1, . . . , n chantillon alatoire de taille n tir de la population.

SLR.3 E(u|x) = 0 moyenne conditionnelle nulle. Permet de driver les proprits des MCO conditionnellement aux valeurs de xi dans notre chantillon. Techniquement identique supposer xi xes dans des chantillons rpts (pas trs raliste). SLR.4
n i=1 (xi

x)2 = 0 variation dans les x.

Thorme 2.1: Sous les hypothses SLR.1 - SLR.4, E(0 ) = 0 et E(1 ) = 1 .

Econometrie approfondie p. 17/

Proprits des estimateurs MCO


SLR.5 V ar(u|x) = 2 homoscdasticit. Thorme 2.2: Sous les hypothses SLR.1 - SLR.5,
2 n1 n x2 i=1 i V ar(0 ) = n 2 i=1 (xi x) V ar(1 ) = 2 n (xi x)2 i=1

Thorme 2.3: Sous les hypothses SLR.1 - SLR.5, 1 E( 2 ) = 2 , o 2 = n2 n u2 . i=1 i

Econometrie approfondie p. 18/

Rappels Modle de rgression multiple: Chapitre 3

Econometrie approfondie p. 19/

Modle de rgression multiple


Objectif: estimer un modle du type
wage = 0 + 1 educ + 2 exper + u.
(11)

De manire gnrale:
y = 0 + 1 x1 + . . . + k xk + u.
(12)

OLS: minb0 ,b1 ,...,bk

n i=1 (yi

b0 b1 xi1 . . . bk xik )2 .

Econometrie approfondie p. 20/

Modle de rgression multiple


Exemple: y = 0 + 1 x1 + 2 x2 + u. Comment obtenir 1 ? Rgresser x1 sur x2 : x1 = 0 + 1 x2 .
1 =

Calculer r1 = x1 x1 .
n i=1 ri1 yi n 2 i=1 ri1

1 est bien leffet net de x1 sur y , o net signie aprs avoir tenu compte de leffet des autres variables.

Econometrie approfondie p. 21/

Goodness-of-Fit
Il est possible de dcomposer la variabilit observe sur y , c--d SST n (yi y)2 , en 2 quantits: i=1
SSE modle; SSR modle.
n y i=1 (i

y)2 : variabilit explique par le

n u2 : i=1 i

variabilit non-explique par le

SST = SSE + SSR. On peut donc dnir une mesure de qualit de la rgression (GoF): R2 = SSE/SST compris entre 0 et 1.

Econometrie approfondie p. 22/

Proprits des estimateurs MCO


MLR=Multiple Linear Regression. MLR.1 y = 0 + 1 x1 + . . . + k xk + u linaire en les paramtres. MLR.2 (x1i , . . . , xki , yi ) : i = 1, . . . , n chantillon alatoire de taille n tir de la population. MLR.3 E(u|x1 , . . . , xk ) = 0 moyenne conditionnelle nulle. MLR.4 n (xji x)2 = 0 j = 1, . . . , k et pas de i=1 relation linaire parfaite entre les xj variation dans les xj et pas de collinarit parfaite. Thorme 3.1: Sous les hypothses MLR.1 - MLR.4, E(j ) = k j = 0, . . . , k .

Econometrie approfondie p. 23/

Proprits des estimateurs MCO


MLR.5 V ar(u|x1 , . . . , xk ) = 2 homoscdasticit.
2
2 (1 Rj ) n i=1 (xij

Thorme 3.2: Sous les hypothses MLR.1 - MLR.5,


V ar(j ) =

xj )2

2 o Rj est le R2 de le rgression de xj sur les autres x (+ une constante).

Thorme 3.3: Sous les hypothses MLR.1 - MLR.5 (appeles hypothses de Gauss-Markov), 1 E( 2 ) = 2 , o 2 = nk1 n u2 . i=1 i Thorme 3.4 o thorme de Gauss-Markov: Sous les hypothses MLR.1 - MLR.5, j est BLUE, i = 0, . . . , k .

Econometrie approfondie p. 24/

Rappels Infrence: Chapitre 4

Econometrie approfondie p. 25/

Hypothse de normalit
Pour faire de linfrence statistique, il faut ajouter une hypothse supplmentaire: MLR.6 u N (0, 2 ) et indpendant des xj normalit. Les hypothses MLR.1 - MLR.6 sont appeles hypothses classiques du modle linaire (CLM) = Gauss-Markov + normalit. CLM MCO la variance minimale.

Comment justier cette hypothse de normalit des rsidus ? Si u est la somme de beaucoup de facteurs non-observs diffrents, on peut appeler le thorme central limite pour justier la normalit.

Econometrie approfondie p. 26/

Thorme Central Limite


Soit Y1 , Y2 , . . . , Yn un chantillon de variables alatoires de moyenne et de variance 2 .
Zn =
Y n / n

suit asymptotiquement une distribution

N(0,1).

Si Y 2 (1), = 1 et 2 = 2. Exemple.

Econometrie approfondie p. 27/

Infrence
Thorme 4.1: Sous les hypothses MLR.1 - MLR.6, j N (j , V ar(j )), i = 0, . . . , k , o 2 j ) = V ar( . (1R2 ) n (xij xj )2
j i=1

Exemple. Thorme 4.2: Sous les hypothses MLR.1 - MLR.6,


j j se(j )

tnk1 , i = 0, . . . , k , o V ar(j ) et 2 est remplac par 2 .

se(j ) =

On peut donc tester H0 : j = aj contre H1 : j <, =, > aj .

Econometrie approfondie p. 28/

P-valeur
P-valeur: Quelle est le plus petit niveau de signicativit auquel H0 serait rejet. Comment la calculer? Prendre la t-stat et regarder quel pourcentile elle correspond dans la distribution de Student approprie.
Rejeter H0 si la P-Valeur < au seuil x (ex: 5%).

Econometrie approfondie p. 29/

Tests multiples de restrictions linaires


Si H0 : j = 0 pour j 0, 1, . . . , k . Ex: H0 : 1 = 2 = 0. et H1 : H0 nest pas vrai.
1) Estimer le modle non contraint. 2) Estimer le modle contraint. 3) Calculer la statistique F

o SSR dnote la somme des carrs des rsidus et les indices c et nc signient respectivement contraint et non-contraint. Sous H0 , F Fq,nk1 , o F =Fisher.
Rejet H0 , si F > c , o c = Fq,nk1 .

(SSRc SSRnc )/q SSRnc /(nk1) ,

Econometrie approfondie p. 30/

Exercices rcapitulatifs
Exercice 4.12. Exercice 4.17. Exercice 4.19.

Econometrie approfondie p. 31/

Rappels proprits asymptotiques des MCO: Chapitre 5

Econometrie approfondie p. 32/

Proprits exactes des MCO


Pour prouver le caractre non-biais et BLUE des MCO nous avons impos des hypothses assez fortes (MLR.1-MLR.5). Idem pour effectuer de linfrence statistique (MLR.6: normalit). Ces proprits sont vraies quel que soit la taille de lchantillon (n).

On parle ds lors de proprit exacte, dchantillon ni, ou encore de petit chantillon.

Econometrie approfondie p. 33/

Proprits asymptotiques des MCO


Dans certains cas, le rejet de certaines hypothses ne signie pas que les MCO sont invalides. Ex: non-normalit de u.
En effet, les MCO peuvent tre encore valides en grand chantillon sous des hypothses plus faibles. tudier les proprits statistiques pour n grand = tudier les proprits asymptotiques.

Nouveau concept: CONVERGENCE.

Econometrie approfondie p. 34/

Proprits asymptotiques des MCO


Pour rappel. Thorme 3.1: Sous les hypothses MLR.1 - MLR.4, E(j ) = k j = 0, . . . , k .

Pour rappel. MLR.3 E(u|x1 , . . . , xk ) = 0 moyenne conditionnelle nulle. On a vu que E(u|x1 ) = 0 implique Cov(u, x1 ) = 0. Dnition: plim = Limite en probabilit = valeur vers laquelle un estimateur converge lorsque la taille de lchantillon tend vers linni. Voir page 741. Hors, il est possible de montrer que:
1 = 1 + Cov(x1 , u) plim V ar(x1 ) = 1 , si Cov(u, x1 ) = 0.

Econometrie approfondie p. 35/

Proprits asymptotiques des MCO


Il est possible de relcher MLR.3 pour prouver tout de mme que les MCO sont convergents.

MLR.3 E(u) = 0 et Cov(xj , u) = 0 j = 1, . . . , k moyenne nulle et correlation nulle.


Sous les hypothses MLR.1 - MLR.2 - MLR.3 MLR.4, j est un estimateur convergent de j , j = 1, . . . , k .

Econometrie approfondie p. 36/

Normalit asymptotique
La normalit ne joue aucun rle dans le caractre non-biass des MCO ni dans leur caractre BLUE. Par contre, pour effectuer de linfrence statistique nous avons suppos que u N (0, 2 ) et donc que la distribution de y|x1 , . . . , xk est normale.
distribution symtrique autour de sa moyenne. peut prendre des valeurs sur

plus de 95% des observations sont comprises entre 2 cart-types.

Econometrie approfondie p. 37/

Normalit asymptotique
Devons nous abandonner les t-stats si u nest pas normalement distribu ? Non: on fait appel au thorme central limite pour conclure que les MCO satisfont la normalit asymptotique. Si n grand, j est approximativement N (j , V ar(j )). Illustration via une Simulation de Monte-Carlo: Prg, Output n=2000,Output n=30.

Econometrie approfondie p. 38/

Rappels Htroscdasticit: Chapitre 8

Econometrie approfondie p. 39/

Consquences de lhtroscdasticit
Une fois de plus lhtroscdasticit na pas dinuence sur le caractre non-biais ou convergent des MCO.
Par contre la formule traditionnelle de V ar(j ) donne un estimateur biais de la variance des estimateurs si lhypothse dhomoscdasticit est viole. Infrence incorrecte si on utilise cette formule. MCO ne sont plus BLUE.

Solution 1: Corriger cette formule cart-types robustes lhtroscdasticit (White, 1980). Solution 2: Dterminer la source de cette htroscdasticit et la prendre en compte dans lestimation Moindres Carrs Pondrs.

Econometrie approfondie p. 40/

Rgression avec des sries temporelles: Chapitre 10

Econometrie approfondie p. 41/

Sries temporelles
Les sries chronologiques diffrent des sries cross-section pour plusieurs raisons:
lordre (temporel) importe; le pass inuence souvent le futur;

la notion dchantillon alatoire est plus discutable car on na quune seule ralisation (sauf si on pense que des conditions initiales = auraient donn une ralisation =).

Example: Phillips.wf1. Question: Peut-on toujours utiliser les MCO avec ces sries ?

Econometrie approfondie p. 42/

Sries temporelles
Il y a deux types principaux de modles de sries temporelles simples:
les modles statiques du type: yt = 0 + 1 zt + ut , t = 1, . . . , n. les modles dynamiques du type: yt = 0 + 0 zt + 1 zt1 + . . . + q ztq + ut , t = 1, . . . , n.

Econometrie approfondie p. 43/

Modles statiques
yt = 0 + 1 zt + ut , t = 1, . . . , n. yt = 1 zt si ut = 0 Effet immdiat.

Example 1. Courbe de Phillips (annuel): inft = 0 + 1 unemt + ut .

Example 2. Consommation de tabac (mensuel): ConsT abact = 0 + 1 DepP ublt + ut .

Econometrie approfondie p. 44/

Modles dynamiques
FDL(2): yt = 0 + 0 zt + 1 zt1 + 2 zt2 + ut , t = 1, . . . , n. Supposons que z = c, observation avant t. En t z = c + 1. En t + 1, t + 2, . . . , n z = c.

Pour simplier supposons que ut = 0.

Econometrie approfondie p. 45/

Modles dynamiques: temporaire


yt1 yt yt+1 yt+2 yt+3 = = = = = 0 + 0 c + 1 c + 2 c 0 + 0 (c + 1) + 1 c + 2 c 0 + 0 c + 1 (c + 1) + 2 c 0 + 0 c + 1 c + 2 (c + 1) 0 + 0 c + 1 c + 2 c

Multiplicateurs dimpact Aprs un changement temporaire dune unit de z (c--d z = 1) yt yt1 = 0 = effet immdiat sur y . yt+1 yt1 = 1 = effet dans 1 priode sur y . yt+2 yt1 = 2 = effet dans 2 priodes sur y .

Econometrie approfondie p. 46/

Modles dynamiques: permanente


yt1 yt yt+1 yt+2 = = = = 0 + 0 c + 1 c + 2 c 0 + 0 (c + 1) + 1 c + 2 c 0 + 0 (c + 1) + 1 (c + 1) + 2 c 0 + 0 (c + 1) + 1 (c + 1) + 2 (c + 1)

Multiplicateur de long-terme Aprs un changement permanent dune unit de z (c--d z = 1) yt yt1 = 0 = effet immdiat sur y . yt+1 yt1 = 0 + 1 = effet dans 1 priode sur y . yt+2 yt1 = 0 + 1 + 2 = effet dans 2 priodes sur y . q i = multiplicateur de long-terme. i=0

Econometrie approfondie p. 47/

Proprits des MCO


Nous allons montrer que les MCO sont encore valables avec des sries temporelles et faire le parallle avec les sries cross-section. Hypothses de base: MLR.1 y = 0 + 1 x1 + . . . + k xk + u linaire en les paramtres. TS.1 yt = 0 + 1 xt1 + . . . + k xtk + ut linaire en les paramtres. Ex: xt3 = salairet2 . MLR.2 (x1i , . . . , xki , yi ) : i = 1, . . . , n chantillon alatoire de taille n tir de la population.
Pas ncessaire.

Econometrie approfondie p. 48/

Proprits des MCO


MLR.3 E(u|x1 , . . . , xk ) = 0 moyenne conditionnelle nulle.

TS.2 E(ut |X) = 0 t moyenne conditionnelle nulle tant donn les variables explicatives t = exognit stricte. implique exognit contemporaine (hypothse plus faible) : E(ut |xt ) = 0). Pour des sries cross-section, pas ncessaire de vrier E(ut |X) = 0 t , c--d Corr(ui , xj ) pour i = j car MLR.2. ! Ne dit rien sur Corr(ut , us ) ou Corr(yt , ys ) pour t = s!

Econometrie approfondie p. 49/

Causes du rejet de TS.2


Modle statique simple: yt = 0 + 1 zt + ut . TS.2 Corr(ut , zt ) = 0 et Corr(ut , zs ) = 0 t = s. Variables omises zt1 Corr(ut , zt1 ) = 0. Erreurs de mesure dans des variables exognes.
Corr(ut , zt+1 ) = 0. Ex: mrdrtet = 0 + 1 polpct + ut o mrdrte = taux de criminalit dans une ville et polpc = nombre de policiers par personne. Quand + mrdrtet non explique + ut . Si dans ce cas la ville engage plus de policiers (+ polpct ) corr(polpct+1 , ut ) > 0.

Econometrie approfondie p. 50/

Proprits des MCO


MLR.4 n (xji x)2 = 0 j = 1, . . . , k et pas de i=1 relation linaire parfaite entre les xj variation dans les xj et pas de collinarit parfaite. TS.3 Pas de variable explicative constante et pas de collinarit parfaite. Thorme 10.1: Sous les hypothses TS.1 - TS.3, E(j ) = j j = 0, . . . , k (conditionnellement X).

Econometrie approfondie p. 51/

Proprits des MCO


MLR.5 V ar(u|x1 , . . . , xk ) = 2 homoscdasticit. TS.4 V ar(ut |X) = V ar(u) = 2 t = 1, . . . , n homoscdasticit. Exemple de violation: NASDAQ, donnes journalires (+ de 4000 observations). TS.5 Corr(ut , us |X) = 0, t = s pas de corrlation srielle. Exemple de violation: Corr(ut , ut1 ) = 0.5. Thorme 10.2: Sous les hypothses TS.1 - TS.5 (appeles hypothses de Gauss-Markov des sries 2 2 j ) = temporelles), V ar( n 2 2 , o Rj est le (1R ) (xtj xj )
j t=1

R2 de la rgression de xj sur les autres x (+ une cst).

Econometrie approfondie p. 52/

Proprits des MCO


Thorme 10.3: Sous les hypothses TS.1 - TS.5, 1 E( 2 ) = 2 , o 2 = nk1 n u2 . t=1 t Thorme 10.4 o thorme de Gauss-Markov: Sous les hypothses TS.1 - TS.5, j est BLUE, i = 0, . . . , k (conditionnellement X).

mme proprits quavec des sries cross-section.

Pour effectuer de linfrence statistique il faut galement supposer: MLR.6 u N (0, 2 ) et indpendant des xj normalit. TS.6 u N (0, 2 ) et indpendant de X normalit.

Linfrence classique est dapplication.

Econometrie approfondie p. 53/

Exemple 10.2 et exercice 10.7


En utilisant la base de donnes INTDEF.wf1, estimez le modle de tx dintrt suivant: i3t = 0 + 1 inft + 2 deft + ut , o i3 est le tx dintrt obligataire 3 mois, inf est le tx dination annuel bas sur lindice des prix la consommation et def est le dcit budgtaire en % du PNB. En Octobre 1979, la FED a chang sa politique pour modier la masse montaire en utilisant directement linstrument du tx dintrt. Comment tenir compte de cette information ? Est-ce que cela change les rsultats ?

Econometrie approfondie p. 54/

Trend linaire
Beaucoup de sries ont un trend. Ex: Output par heure aux USA (47-87). Modle du type: yt = 0 + 1 t + et , t = 1, . . . , n.
Quand et = 0, yt = yt yt1 = 1 . Ceteris paribus, 1 mesure la yt due au passage du temps. E(yt ) = 0 + 1 t. Croissant ou dcroissant en fonction de 1 . V ar(yt ) = V ar(et ). Le trend na pas deffet sur la variance de yt . On appelle ce type de trend: trend linaire.

Econometrie approfondie p. 55/

Trend exponentiel
Beaucoup de sries sont mieux reprsentes par des trend exponentiels. Ex: Srie mensuelle reprsentant le nombre de demandeurs demploi dans le canton dAnderson dans lIndiana sur la priode 1980.1 1988.11. Figures: Chmeurs et log(Chmeurs). Appelle plutt une modlisation du type log(yt ) = 0 + 1 t + et , t = 1, . . . , n.
yt1 comme log(yt ) ytyt1 pour log(yt ) petit, log(yt ) = 1 est approximativement le taux de croissance moyen par priode de yt .

Econometrie approfondie p. 56/

Trend quadratique
Autre modle: yt = 0 + 1 t + 2 t2 + et , t = 1, . . . , n.
yt = 1 + 22 t. Si 1 > 0 et 2 < 0, le trend a une t forme en bosse.

Econometrie approfondie p. 57/

Exemple
Donnes annuelles (1947-1988) sur linvestissement immobilier (invpc) et sur un indice des prix immobilier (price, 1982 = 1). Graphique des donnes. Modle simple sans trend. Llasticit Investissement-Indice de prix est trs leve: 1.241 et statistiquement > 0. Modle simple avec trend. Llasticit Investissement-Indice de prix est ngative mais non signicative. Par contre le trend est signicatif et implique environ une hausse de 1% par an de invpc. De plus le R2 est pass de 0.208 0.341.
relation fallacieuse explique par un trend commun, c--d lexistence dune variable omise qui explique lvolution conjointe des deux sries.

Econometrie approfondie p. 58/

Autre interprtation
Modle estim: yt = 0 + 1 xt1 + 2 xt2 + 3 t.

Il est facile de montrer que lon peut obtenir galement 1 et 2 de cette manire. Rgresser par MCO: yt sur cst et trend; sauver les rsidus: yt . xt1 sur cst et trend; sauver les rsidus: xt1 . xt2 sur cst et trend; sauver les rsidus: xt2 .

Rgresser par MCO yt sur xt1 et xt2 (avec ou sans constante). Revenons lexemple prcdant. Graphiques log(invpc) et log(price). Important: le R2 = 0.008 sur les variables dtrendes, log(price) nexplique rien de lvolution de log(invpc).

Econometrie approfondie p. 59/

Sries temporelles (plus) avances: Chapitre 11

Econometrie approfondie p. 60/

Rappels
Nous avons tudi les proprits des MCO en chantillon ni. Nous avons obtenu les mme proprits avec des sries temporelles quavec des sries cross-section mais au prix dhypothses trs fortes. Nous allons tenter de relcher certaines hypothses comme celle dexognit stricte, hypothse viole si par exemple X comprend yti avec i > 0. On ne pourra plus tudier le comportement en chantillon ni des MCO mais bien le comportement asymptotique (n grand). On va devoir introduire pour cela 2 nouveaux concepts: la stationnarit et la dpendance faible.

Econometrie approfondie p. 61/

Stationnarit
Dnition formelle: Le processus {xt : t = 1, 2, . . .} est strictement stationnaire si pour chaque collection dindices de temps 1 t1 < t2 < . . . < tm , la distribution jointe de (xt1 , xt2 , . . . , xtm ) est la mme que la distribution jointe de (xt1 +h , xt2 +h , . . . , xtm +h ), entier h 1.

Les xt peuvent tre corrls mais la corrlation doit tre constante.

Exemple de processus non-stationnaire: yt = 0 + 1 t + et , t = 1, . . . , n et et iid(0, 1). E(yt ) = 0 + 1 t. Par contre, yt 0 1 t est stationnaire. Il est trs difcile de tester lhypothse de stationnarit.

Econometrie approfondie p. 62/

Processus Covariance-stationnaire
Dnition: Un processus stochastique {xt : t = 1, 2, . . .} avec second moment ni [E(x2 ) < ] est t covariance-stationnaire si: i) E(xt ) est constante; ii) V ar(xt ) est constante; iii) t, h 1, Cov(xt , xt+h ) dpend seulement de h et non de t. Si un processus stationnaire a E(x2 ) < il est t covariance-stationnaire. Linverse nest pas vrai. Exemples : Rejet et non rejet de lhypothses de covariance-stationnarit.
implique uniquement les 2 premiers moments.

Econometrie approfondie p. 63/

Dpendance faible
Dnition 1: Un processus stationnaire {xt : t = 1, 2, . . .} est faiblement dpendant si xt et xt+h sont indpendant au fur et mesure que h .

Dnition 2: Un processus covariance-stationnaire {xt : t = 1, 2, . . .} est faiblement dpendant si Corr(xt , xt+h ) 0 sufsamment rapidement si h .

Cette hypothse remplace celle dchantillon alatoire permettant au thorme centrale limite et la loi des grands nombres de sappliquer aux sries temporelles.

Econometrie approfondie p. 64/

Exemple: MA(1)
2 M A(1) : xt = et + 1 et1 , o et i.i.d.(0, e ).

Corr(xt , xt+1 ) =

1 2. 1+1

Corr(xt , xt+h ) = 0 h > 1.

M A(1) est faiblement dpendent.

Exemple de processus M A(1).

Econometrie approfondie p. 65/

Exemple: AR(1)
2 AR(1) : yt = 1 yt1 + et , o et i.i.d.(0, e ).

Si |1 | < 1 Corr(yt , yt+h ) = h h 1. 1

AR(1) est faiblement dpendent si |1 | < 1 car dans ce cas, h 0 si h . 1

Exemple de processus AR(1) stable.

Voir les dtails mathmatiques dans le bouquin.

Econometrie approfondie p. 66/

Proprits asymptotiques des MCO


Nous allons montrer que les MCO sont encore valables avec des hypothses plus faibles que celles postules au Chapitre 10. Hypothses de base: TS.1 yt = 0 + 1 xt1 + . . . + k xtk + ut linaire en les paramtres.

TS.1 yt = 0 + 1 xt1 + . . . + k xtk + ut linaire en les paramtres et (xt , yt ) : t = 1, 2, . . . est stationnaire et faiblement dpendant.

Econometrie approfondie p. 67/

Proprits asymptotiques des MCO


TS.2 E(ut |X) = 0 t moyenne conditionnelle nulle tant donn les variables explicatives t = exognit stricte. TS.2 E(ut |xt ) = 0 moyenne conditionnelle nulle tant donn les variables explicatives contemporaines = exognit contemporaine implique que E(ut ) = 0 et Cov(xtj , ut ) = 0, j = 1, . . . , k .

Econometrie approfondie p. 68/

Proprits asymptotiques des MCO


TS.3 Pas de variable explicative constante et pas de collinarit parfaite.
TS.3 Idem.

AR(1): yt = 0 + 1 yt1 + ut , o E(ut |yt1 , yt2 , . . .) = 0. E(yt |yt1 , yt2 , . . .) = E(yt |yt1 ) = 0 + 1 yt1 . seulement yt1 affecte la valeur espre de yt . la valeur espre de yt est une fonction linaire de yt1 .

Thorme 11.1: Sous les hypothses TS.1, TS.2 et TS.3, plimj = j j = 0, . . . , k .

Econometrie approfondie p. 69/

Estimation du modle AR(1)


Comme xt contient seulement yt1 , E(ut |yt1 , yt2 , . . .) = 0 implique que lhypothse TS.2 tient. Par contre TS.2 ne tient pas. En effet cette hypothse implique que t, ut est non corrl avec x1 , . . . , xt , . . . , xn . Ceci est faux pour un processus AR(1) car Cov(xt+1 , ut ) = Cov(yt , ut ) = Cov(0 + 1 yt1 + ut , ut ) = 2 1 Cov(yt1 , ut ) + Cov(ut , ut ) = 0 + 2 > 0, alors que Cov(yt1 , ut ) = 0 exognit contemporaine. Pour que lhypothse de dpendance faible tienne il faut que |1 | < 1. Thorme 11.1: Convergence des MCO. Illustration: Modle classique et Modle AR(1).

Econometrie approfondie p. 70/

Proprits asymptotiques des MCO


TS.4 V ar(ut |X) = V ar(u) = 2 , t = 1, . . . , n homoscdasticit.

TS.4 V ar(ut |xt ) = 2 , t = 1, . . . , n homoscdasticit contemporaine. TS.5 Corr(ut , us |X) = 0, t = s pas de corrlation srielle.

TS.5 E(ut us |xt , xs ) = 0, t = s pas de corrlation srielle. En pratique on omet souvent le conditionnement sur xt et xs et on vrie que ut et us sont non-corrls.

Econometrie approfondie p. 71/

Proprits asymptotiques des MCO


Thorme 11.2: Sous les hypothses TS.1 - TS.5, les estimateurs MCO sont asymptotiquement normalement distribus. De plus, les cart-types standards sont asymptotiquement valides ainsi que les t, F et LM tests. Illustration: Modle classique et Modle AR(1). Exemple: Tester lhypothse defcience des marchs. yt est le rendement hebdomadaire en % (le mercredi) du New York Stock Exchange composite index. Une forme faible de lhypothse defcience des march stipule que linformation publique disponible en t 1 ne doit pas permettre pour prdire yt E(yt |yt1 , yt2 , . . .) = E(yt ).

Estimer un AR(q) et tester H0 : coefcient AR(q) sont nuls.

Econometrie approfondie p. 72/

Sries temporelles trs persistantes


Beaucoup de sries chronologiques sont trs persistantes, ce qui peut mener au rejet de lhypothse de dpendance faible voque plus haut. Lexemple le plus courant est celui dune march alatoire.
2 yt = yt1 + et , t = 1, 2, . . ., o et iid(0, e ).

AR(1) avec 1 = 1.

yt = et + et1 + . . . + e1 + y0 . E(yt ) = E(y0 ), t 1.

E(yt ) = E(et ) + E(et1 ) + . . . + E(e1 ) + E(y0 ). V ar(yt ) = 2 V ar(et ) + V ar(et1 ) + . . . + V ar(e1 ) + V ar(y0 ) = te .

Econometrie approfondie p. 73/

Sries temporelles trs persistantes


Persistance ?
yt+h = et+h + et+h1 + . . . + et+1 + yt . E(yt+h |yt ) = yt , h 1. Corr(yt , yt+h ) =

Alors que pour un AR(1) : E(yt+h |yt ) = h yt . 1


une marche alatoire nest pas covariance-stationnaire. t/(t + h) 1 pour t grand.

une marche alatoire nest pas faiblement dpendante.

Illustration.

Econometrie approfondie p. 74/

Exemple de marche alatoire


14 Taux dintrt US obligataire 3 mois

12

10

2 1950 1955 1960 1965 1970 1975 1980 1985 1990 1995

Econometrie approfondie p. 75/

Implication conomique
Si y est faiblement dpendant, une de politique conomique affectant y (ex: PNB) aujourdhui aura peu deffet dans quelques annes. Par contre, si y suit une marche alatoire (ou plus gnralement a une racine unitaire, c--d 1 = 1), une de politique conomique affectant y aujourdhui aura un effet important dans plusieurs annes. Tester la prsence dune racine unitaire a donc une implication conomique importante.

Econometrie approfondie p. 76/

Marche alatoire avec tendance (drift)


yt = 0 + yt1 + et : AR(1) avec constante. yt = 0 t + et + et1 + . . . + e1 + y0 . E(yt ) = 0 t si E(y0 ) = 0.
2 V ar(yt ) = te .

E(yt+h |yt ) = 0 h + yt , h 1.

Exemple de marche alatoire avec tendance. Comment dtecter une RU ?

Econometrie approfondie p. 77/

Inspection Visuelle
180 NYSE stock price index

160

140

120

100

80

60 0 50 100 150 200 250 300 350 400 450 500 550 600 650 700

Econometrie approfondie p. 78/

Correlogramme
1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 ACFNYSE stock price index

10

15

20

25

30

35

40

45

50

Econometrie approfondie p. 79/

Difcile de distinguer RU et trend


y t = 0.1+0.2t+e t
100

50

0 0 1.00 0.75 0.50 0.25 50 100 150 200 250 300 350 400 450 500 550 600 650 700

ACFy t

10

15

20

25

30

35

40

45

50

Econometrie approfondie p. 80/

Tester la prsence dune RU


Modle AR(1) : yt = + yt1 + et .
y0 est suppos observ et E(et |yt1 , yt2 , . . . , y0 ) = 0.

RU si = 1 H0 : = 1 et H1 : < 1.
yt = + yt1 + et .

Notons que: yt yt1 = + ( 1)yt1 + et . RU si H0 : = 0 et H1 : < 0. Problme sous H0 , yt1 nest pas faiblement dpendant et donc les t-stats nont pas une distribution standard (thorme centrale limite pas applicable, mme pour n grand).
Il faut utiliser des valeurs critiques tabules par Dickey Fuller (1979).

Econometrie approfondie p. 81/

Tester la prsence dune RU


Valeurs critiques asymptotiques pour un test de RU avec constante mais sans trend: 1% 2.5% 5% 10% Valeur critique -3.43 -3.12 -2.86 -2.57 Exemple: Taux dintrt US obligataire 3 mois. Notez que 5% la valeur critique traditionnelle pour n grand est -1.65 contre -2.86. Limite: dans le test DF usuel, on suppose sous H0 que yt na pas dautocorrlation.

Econometrie approfondie p. 82/

Test ADF
Le test ADF (Augment) gnralise le test de DF: yt = + yt1 + 1 yt1 + . . . + p ytp + et . Les valeurs critiques sont les mmes que le test de DF. Les t-stats de 1 , . . . , p sont standards asymptotiquement. Le F-test 1 = . . . = p = 0 est valide asymptotiquement. Inclure le bon nombre de lags est important car cela pourrait affecter la abilit du test de RU. En effet, les valeurs critiques sont calcules en supposant que toute la dynamique de yt a t modlise. Exemple: Taux dintrt US obligataire 3 mois.

Econometrie approfondie p. 83/

Test ADF avec trend


Nous avons voqu le fait quil est parfois difcile de distinguer RU et tendance.
une srie peut donc tre stationnaire autour dun trend, c--d yt t est faiblement dpendant.

Il est donc important dinclure un trend dans le test ADF si celui-ci est apparent (visuellement). Le test ADF (Augment) gnralise le test de DF: yt = + t + yt1 + 1 yt1 + . . . + p ytp + et . Sous H0 : = 0 et sous H1 : yt est stationnaire autour dun trend.

Econometrie approfondie p. 84/

Test ADF avec trend


Les valeurs critiques sont diffrentes. Valeurs critiques asymptotiques pour un test de RU avec constante et avec trend: 1% 2.5% 5% 10% Valeur critique -3.96 -3.66 -3.41 -3.12 Le t-stat relatif au trend na pas une distribution standard. Exemple: Taux dintrt US obligataire 3 mois. Il y a beaucoup dautres tests de RU qui ont tous leurs avantages et inconvnients.

Econometrie approfondie p. 85/

Que faire si yt a une RU ?


Si yt = + yt1 + et yt yt yt1 = + et . Si par contre yt est stationnaire, yt est dit Intgr dordre 1 ou I(1) et yt est dit Intgr dordre 0 ou I(0). Si lapplication le permet, on peut donc estimer par MCO un modle sur yt . Dans beaucoup dapplications conomiques, on dnit yt1 des rendements en %: rt = 100log(yt ) 100 ytyt1 . Si diffrentier les sries nest pas possible de part la nature de lapplication, on peut avoir recourt des techniques plus avances connues sous le nom Cointgration (voir section 18.4), permettant de modliser yt et non rt . Quest-ce quune rgression fallacieuse (ou spurious regression) ?

Econometrie approfondie p. 86/

Corrlation srielle et htroskedasticit: Chapitre 12

Econometrie approfondie p. 87/

Biais des MCO et autocorrlation


Supposons que yt = 0 + 1 xt + ut . Supposons que le terme derreur suit un 2 AR(1) : ut = ut1 + et avec | < 1| et et iid(0, e ).

Chapitre 10: TS.1-TS.3 MCO non-biaiss pour autant que x soit strictement exogne.

Chapitre 11: TS.1-TS.3 MCO consistant pour autant que yt soit faiblement dpendant et E(ut |xt ) = 0. Rien nest dit sur le fait que ut ne puisse pas suivre un AR(1).

Par contre les MCO ne sont plus BLUE car violation de TS.5 et TS.5.

Econometrie approfondie p. 88/

Efcience-Infrence des MCO


Estimation du modle yt = 0 + 1 xt + ut par MCO, o ut suppos iid(0, 2 ) et pour simplier x = 0. Rappelons que ut suit en ralit un AR(1). n 1 xt ut , o SSTx = n x2 . 1 = 1 + SSTx i=1 t i=1
n 2 V ar(1 ) = SSTx V ar( i=1 2 = SSTx

xt ut )
n1 nt

x2 V ar(ut ) + 2 t
i=1 t=1 j=1 n1 nt

xt xt+j E(ut ut+j )

2 SSTx

+2

2
2 SSTx

j xt xt+j
t=1 j=1

Econometrie approfondie p. 89/

Efcience-Infrence des MCO


La formule traditionnelle ignore le second terme.
Si > 0 on sous-estime V ar(1 ). Si < 0 on sur-estime V ar(1 ).

Question: Supposons que ut = et + et1 . Montrez que la formule traditionnelle pour calculer V ar(1 ) est incorrecte si = 0.

Econometrie approfondie p. 90/

Tester la prsence dautocorrlation


Dans le modle gnral: yt = 0 + 1 xt1 + . . . + k xtk + ut comment tester la prsence de corrlation srielle ? Deux types de tests: 1. Tests bass sur lhypothse que X est strictement exogne: t-test ou DW. 2. Tests bass sur lhypothse que X nest pas strictement exogne.

Econometrie approfondie p. 91/

Si X est strictement exogne


Supposons que yt = 0 + 1 xt + ut . Nous voulons tester si le terme derreur suit un AR(1) : ut = ut1 + et avec | < 1|.
H0 : = 0.

Dveloppons tout dabord un test valide quand n est grand et quand X est strictement exogne. Hypothses supplmentaires disant en quelque sorte que et est iid: 2 E(et |ut1 , ut2 , . . .) = 0 et V ar(et |ut1 ) = V ar(et ) = e . Si les ut taient observs on pourrait utiliser le Thorme 11.2 pour valider lutilisation asymptotique des t-tests dans la rgression ut = ut1 + et .

Que ce passe-t-il si on remplace ut par ut ? A noter que ut dpend de 0 et de 1 .

Econometrie approfondie p. 92/

Marche suivre pour le t-test


Estimer yt = 0 + 1 xt + ut et obtenir ut . Estimer ut = t1 + et . u Utiliser un t-test pour tester H0 : = 0 contre H1 : <=> 0.

Econometrie approfondie p. 93/

Test de Durbin-Watson
Le test de Durbin-Watson est une autre test pour tester la corrlation srielle dordre 1 sous lhypothse que X est strictement exogne. La statistique DW =
n 2 u u t=2 (t t1 ) n 2 t=1 ut

, o ut est le rsidu

dune rgression du type yt = 0 + 1 x1t + . . . + betak xkt + ut . Durbin et Watson (1951) ont driv la distribution de DW conditionnellement X sous lhypothse que les hypothses du modle linaire classique sont vries (incluant la normalit). La distribution de DW dpend de n, k , et du fait quon a inclut une constante ou pas. Il est facile de montrer que DW 2(1 ).

Econometrie approfondie p. 94/

Test de Durbin-Watson
Notons que n (t ut1 )2 = t=2 u Si = 1 DW = 0. Si = 0 DW = 2. Si = 1 DW = 4.
H0 : = 0 contre gnralement H1 : > 0.
n u2 t=2 t

n u2 t=2 t1

n t=2 ut ut1 .

Durbin et Watson (1951) reportent des valeurs critiques infrieures dL et suprieures dU . Si dL DW dU , on ne rejette pas H0 . La plupart des logiciels conomtriques reportent DW mais pas les valeurs critiques.

Econometrie approfondie p. 95/

Table de Durbin-Watson pour H1 : > 0

Econometrie approfondie p. 96/

Si X nest pas strictement exogne


Durbin (1970 propose un autre test valable si X nest pas strictement exogne, par exemple si le modle contient yt1 comme variable explicative.
i) Estimer le modle yt = 0 + 1 xt1 + . . . + k xtk + ut et obtenir ut , t = 1, 2, . . . , n.

ii) Estimer le modle ut = 0 + 1 xt1 + . . . + k xtk + t1 , u t = 2, 3, . . . , n et obtenir ainsi que t . iii) Utiliser t de la manire usuelle pour tester H0 : = 0 contre H1 : <=> 0. On rgresse ut sur xt et ut1 et donc on permet chaque xtj dtre corrl avec ut1 . t a approximativement une distribution en t si n est grand.

Econometrie approfondie p. 97/

Tester un AR(q)
i) Estimer le modle yt = 0 + 1 xt1 + . . . + k xtk + ut et obtenir ut , t = 1, 2, . . . , n. ii) Estimer le modle ut = 0 + 1 xt1 + . . . + k xtk + 1 ut1 + . . . + q utq , t = q + 1, q + 2, . . . , n.

iii) Effectuer le F-test suivant H0 : 1 = . . . = q = 0 contre H1 : un des j <=> 0, j = 1, . . . , q .

Si les xt sont supposs strictement exognes, ont peut les omettre dans les tapes i) et ii). A noter que ces tests supposent V ar(ut |xt , ut1 , . . . , utq ) = 2 . Il existe une version de ces tests robuste lhtroskedasticit comme on le verra plus loin.

Econometrie approfondie p. 98/

Tester un AR(q)
Une alternative a F -test est dutiliser un Lagrange 2 Multiplier (LM) Test: LM = (n q)Ru , 2 o Ru est le R2 de la rgression ut = 0 + 1 xt1 + . . . + k xtk + 1 ut1 + . . . + q utq , t = q + 1, q + 2, . . . , n. Sous H0 , LM 2 asymptotiquement. q Ce test est connu sous le nom de test de Breusch-Godfrey. Il est test est disponible en Eviews (avec le F -test). Exemple: Taux dintrt US obligataire 3 mois. ci3t = 0 + 1 ci3t1 .

Econometrie approfondie p. 99/

Correction pour corrlation srielle


Si on dtecte de la corrlation srielle, on peut modier le modle initial pour tenter dobtenir un modle dynamiquement complet (ex: AR(1) AR(2)). Dans certains cas nous ne sommes pas intress par modliser cette dynamique lintrt rside plutt dans les autres variables incluses dans le modle. Mais linfrence est compromise Que faire ?

Calculer des cart-types robustes nimporte quelle forme de corrlation srielle.

Econometrie approfondie p. 100/

cart-types robustes
Considrons le modle yt = 0 + 1 xt1 + . . . + k xtk + ut , t = 1, . . . , n. Comment obtenir un cart-type pour 1 robuste la corrlation srielle ?
xt1 = 0 + 2 xt2 . . . + k xtk + rt , o E(rt ) = 0 et Corr(rt , xtj ) = 0, j 2. Il est possible de montrer que Avar(1 ) = (

V ar(
n i=1

n i=1

rt ut )

2 2 E(rt )

o Avar dnote la variance asymptotique. Sous lhypothse TS.5, at rt ut est non corrl sriellement et donc la formule traditionnelle de V ar(1 ) est valide. Par contre si TS.5 ne tient pas, Avar(1 ) doit tenir compte de la corrlation entre at et as t = s.

Econometrie approfondie p. 101/

cart-types robustes
Newey et West (1987) et Wooldridge (1989) ont montr que Avar(1 ) peut tre estim de la manire suivante.
i) Estimer par MCO yt = 0 + 1 xt1 + . . . + k xtk + ut , t = 1, . . . , n. se(1 ) dnote lcart-type de 1 et lcart-type de ut . ii) Estimer la rgression auxiliaire: xt1 = 0 + 2 xt2 . . . + k xtk + rt . iv) Pour une valuer g > 0 donne, calculer: n t v = n a2 + 2 g [1 h/(g + 1)] t=h+1 at ath . t=1 h=1 g contrle la quantit" de corrlation srielle que nous permettons. iii) Calculer at = rt ut , t = 1, . . . , n.

Econometrie approfondie p. 102/

cart-types robustes
Ex: g = 1, v =
n a2 t=1 t

n t=2 at at1 .

v) Lcart-type robuste la corrlation srielle de 1 est: ( ) = [se( )/ 2 ] v . 1 se 1

On peut montrer que cet estimateur est aussi robuste toute forme dhtroskedasticit cas plus gnral de ce qui est expos au Chapitre 8. Comment choisir g ? La thorie nous dit que g doit crotre avec n.

Econometrie approfondie p. 103/

Choix de g
Certains travaux ont suggr pour: - des donnes annuelles g = 1, 2; - des donnes trimestrielles g = 4, 8; - des donnes mensuelles g = 12, 24.

Newey et West (1987) recommandent de prendre la partie entire de 4(n/100)2/9 implment en Eviews. Exemple: Taux dintrt US obligataire 3 mois. ci3t = 0 + 1 ci3t1 .

Econometrie approfondie p. 104/

Htroscdasticit
Pour beaucoup de sries temporelles, lhypothse TS.4 ou TS.4 dhomoscdasticit est viole. Exemple: Rendements journaliers du NYSE
naffecte pas le caractre non-biais ou convergent des MCO mais invalide linfrence statistique traditionnelle.

Il existe deux manires daborder le problme li lhtroscdasticit.


i) Corriger les cart-types pour effectuer de linfrence correctement. ii) Modliser la dynamique prsente dans la variance.

Econometrie approfondie p. 105/

cart-types robustes la White (1980)


White (1980) propose une mthode permettant de rendre les cart-types robustes toute forme dhtroscdasticit.
offre une solution intressante, pour autant que lintrt ne se porte que sur la modlisation de la moyenne conditionnelle.

Eviews, ainsi que beaucoup dautres logiciels conomtriques, offre cette option. Il est possible de montrer que la formule de White (1980) est un cas particulier de la formule de Newey et West (1987) qui permet de tenir compte galement dune possible autocorrlation des rsidus. Exemple: AR(1) sur NYSE

Econometrie approfondie p. 106/

Tester la prsence dhtroscdasticit


Avant de modliser la dynamique prsente dans la variance, il est judicieux de tester la prsence dhtroscdasticit an davoir une meilleure ide de la spcication adopter. Pour appliquer les tests prsents ci-dessous il faut supposer que les rsidus ut sont non corrl sriellement tester avant.

Test de Breusch-Pagan: u2 = 0 + 1 xt1 + . . . + k xtk + vt ; H0 : 1 = . . . + k = 0. t Pour utiliser un F -test, il faut que les cart-types des MCO soient valables et donct que vt satisfasse TS.4 ou TS.4 et TS.5 ou TS.5. Exemple: AR(1) sur NYSE: Estimer u2 = 0 + 1 returnt1 + et t

Econometrie approfondie p. 107/

Modles ARCH
Considrons un modle simple: yt = 0 + 1 zt + ut . Une caractristique largement admise des sries nancires frquence leve est que la variance nest pas constante au court du temps et quil existe des grappes de volatilit.
Si la variance en t est grande, elle le sera probablement demain et les jours qui suivent. Si la variance en t est petite, elle le sera probablement demain et les jours qui suivent.

Engle (1982) a propos un modle appel ARCH: Autoregressive Conditional Heteroskedasticity.

Econometrie approfondie p. 108/

Modles ARCH
La caractristique du modle ARCH(1) est que: E(u2 |ut1 , ut2 , . . .) = E(u2 |ut1 ) = 0 + 1 u2 , alors t t t1 que E(u2 |ut1 , ut2 , . . .) = 0. t

Les ut sont non corrls sriellement alors que les u2 le t sont. Conditions de positivit: E(u2 |ut1 ) > 0, t 0 > 0 et t 1 0. Si 1 = 0 homoscdasticit.
on peut tester la prsence deffets ARCH en estimant ce modle (sur ut ), voir une version plus tendue (plus de retards).

On peut tester 1 , . . . , q = 0 en utilisant un LM test ou F test.

Econometrie approfondie p. 109/

[ps,default,slideColor,colorBG]prosper [latin1]inputenc pstricks,pst-node,pst-text,pst-3d amsmath

109-1

Pooling de donnes cross-section ou mthodes simples de donnes de panel: Chapitre 13

Econometrie approfondie p. 110/

Pooling
Une srie cross-section constitue bien souvent un ensemble de donnes relatives des units (individus, rmes, etc.) interroges un moment donn. Dans certains cas, lenqute est rpte plusieurs fois donnant lieu des chantillons diffrents, reprsentatifs de la population. La technique du pooling suppose que les diffrents chantillons sont chaque fois tirs alatoirement de la population.
On nobserve pas ncessairement les mmes units. On dispose de plusieurs chantillons indpendants. Par consquent, Corr(ut , us ) = 0, t = s et donc on peut donc empiler les enqutes et effectuer une analyse MCO traditionnelle.

Econometrie approfondie p. 111/

Panel
Par contre, lorsquon observe la mme unit au court du temps, on parle de donnes de panel ou longitudinales. Par consquent, on ne peut pas supposer que les observations sont indpendantes.
Un facteur non-observ (comme le QI) qui affecte le salaire dun individu en 1995 va galement affecter son salaire en 2000. Requiert des techniques particulires pour traiter ce problme. Empiler les chantillons et utiliser les MCO donne des estimateurs biaiss.

Econometrie approfondie p. 112/

Technique de pooling
Beaucoup denqutes auprs des mnages sont rptes au court du temps. Vu que le taux dattrition est souvent assez grand, on veille interroger de nouvelles personnes pour accrotre lchantillon.
On a alors des chantillons indpendants.

Pourquoi effectuer plusieurs enqutes ?

Pour avoir plus dobservations et donc plus de prcision dans lestimation des paramtres et des cart-types.

Econometrie approfondie p. 113/

Technique de pooling
Pour effectuer des tests ncessitant lutilisation dobservations diffrents moments du temps. Exemple: Pour tester lefcacit dune politique conomique il faut des observations avant et aprs la mise en oeuvre de la politique.

Etude de cas: La base de donnes FERTIL1.wf1 concerne ltude de Sanders (1994) sur la fertilit aux USA. Frquence: une enqute tous les 2 ans de 1972 1984 7 vagues.

La question pose est Comment volue la fertilit au court du temps ? aprs avoir contrl pour des facteurs tels que ducation ge, race, rgion ( 16 ans), environnement ( 16 ans).

Econometrie approfondie p. 114/

Variable dpendante: KIDS


Variable C EDUC AGE AGESQ BLACK EAST NORTHCEN WEST FARM OTHRURAL TOWN SMCITY Y74 Y76 Y78 Y80 Y82 Y84 Coefcient -7.742457 -0.128427 0.532135 -0.005804 1.075658 0.217324 0.363114 0.197603 -0.052557 -0.162854 0.084353 0.211879 0.268183 -0.097379 -0.068666 -0.071305 -0.522484 -0.545166 Std. Error 3.051767 0.018349 0.138386 0.001564 0.173536 0.132788 0.120897 0.166913 0.147190 0.175442 0.124531 0.160296 0.172716 0.179046 0.181684 0.182771 0.172436 0.174516 t-Statistic -2.537040 -6.999272 3.845283 -3.710324 6.198484 1.636626 3.003501 1.183867 -0.357072 -0.928248 0.677367 1.321799 1.552737 -0.543881 -0.377945 -0.390136 -3.030016 -3.123871 Prob. 0.0113 0.0000 0.0001 0.0002 0.0000 0.1020 0.0027 0.2367 0.7211 0.3535 0.4983 0.1865 0.1208 0.5866 0.7055 0.6965 0.0025 0.0018 2.743136 1.653899 3.736447 3.816627 9.723282 0.000000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.129512 0.116192 1.554847 2685.898 -2091.224 2.010694

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Econometrie approfondie p. 115/

Donnes de Panel 2 priodes


Supposons maintenant que nous disposons des donnes individuelles pour lesquelles un individu est observ en t = 1 et t = 2. Exemple: la base de donne CRIME2 comprend des donnes sur les taux de criminalit et de chmage pour 46 villes amricaines en 1982 et 1987. Estimation pour lanne 1987 : Rsultat. Comment expliquer ce rsultat ? Si chmage augmente, le crime diminue. Variables omises observables ? On pourrait contrler pour des facteurs tels que (la distribution de) lge, ducation, etc.

Econometrie approfondie p. 116/

Donnes de Panel 2 priodes


Variables omises non-observables ? On peut imaginer que certains de ces facteurs sont constants au court du temps et certains varient au court du temps.
yit = 0 + 0 d2t + 1 xit + ai + uit , t = 1, 2. d2t = 0 si t = 1 et d2t = 1 si t = 2 intercept diffrent pour t = 1 ou 2. ai capture tous les facteur non-observ affectant yit effet non-observ ou xe i unit et t temps.

Ce modle sappelle donc modle effet non-observ ou effet xe.


uit est le terme derreur idiosyncratique ou variant dans le temps.

Econometrie approfondie p. 117/

Exemple
crmrteit = 0 + 0 d87t + 1 unemit + ai + uit , t = 1, 2. ai reprend tous les autres facteurs affectant le taux de criminalit qui ne varient pas entre t = 1 et 2. caractristiques gographiques (localisations aux USA). caractristiques dmographiques (age, race, ducation, etc.): a vrier. certaines villes peuvent avoir leurs propres comptabiliser les crimes.

Comment estimer 1 ? Pooling ?

Econometrie approfondie p. 118/

Pooling
yit = 0 + 0 d2t + 1 xit + vit , t = 1, 2. vit = ai + uit

Pour estimer ce modle par MCO il faut supposer que ai est non corrl avec xit sinon vit (erreur compos) serait corrl avec xit . Si ce nest pas le cas les MCO donne lieu un biais dhtrognit non observe.
Biais d lomission dune variable constante au court du temps.

Exemple: CRIME. 92 observations: 46 villes et 2 priodes.

Econometrie approfondie p. 119/

Panel
Si ai est corrl avec xit , la technique du pooling est donc inapproprie. Solution simple: estimer un modle en diffrence premire.

yi1 = 0 + 1 xi1 + ai + ui1 (t = 1) yi2 = (0 + 0 ) + 1 xi2 + ai + ui2 (t = 2)

Par consquent,
(yi2 yi1 ) = 0 + 1 (xi2 xi1 ) + (ui2 ui1 ) yi = 0 + 1 xi + ui

Econometrie approfondie p. 120/

Panel
yi = 0 + 1 xi + ui peut tre estim par MCO si les hypothses traditionnelles sont valides.

En particulier, il faut que Corr(ui , xi ) = 0, ce qui est naturellement vrai si Corr(uit , xit ) = 0, t = 1, 2. Dans notre exemple Corr(ui , unemi ) = 0 ? Faux si par exemple si leffort dapplication de la loi ( uit ) augmente plus dans des villes o le taux de chmage diminue Corr(uit , unemit ) < 0 biais des MCO. Important: on ne peut estimer par cette mthode leffet de variables constantes au court du temps (zi ). Exemple: Distance par rapport la capitale zi = 0. Exemple: CRIME.

Econometrie approfondie p. 121/