Vous êtes sur la page 1sur 122

Economtrie approfondie

Michel BEINE
mbeine@ulb.ac.be
CADRE,Universit e de Lille2, France
et DULBEA, Universit e Libre de Bruxelles, Belgique.
http://www.users.skynet.be/fa560029
Econom etrie approfondie p. 1/1
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.
Econom etrie approfondie p. 2/1
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.
Econom etrie approfondie p. 3/1
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.
Econom etrie approfondie p. 4/1
Infos pratiques
Logiciel conomtrique: Celui que vous voulez
Eviews, Rats, PcGive, etc.
Examen: modalits discuter.
Econom etrie approfondie p. 5/1
Rappels Structure des donnes: Chapitre 1
Econom etrie approfondie p. 6/1
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.
Econom etrie approfondie p. 7/1
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.
Econom etrie approfondie p. 8/1
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.
Econom etrie approfondie p. 9/1
Donnes de panel
Srie temporelle pour chaque unit/individu.
Important: la mme unit est observe plusieurs fois au
court du temps.
Example: WAGEPAN.wf1.
Econom etrie approfondie p. 10/1
Rappels Modle de rgression simple: Chapitre 2
Econom etrie approfondie p. 11/1
Modle de rgression simple
Objectif: estimer un modle du type
wage =
0
+
1
educ + u. (1)
De manire gnrale:
y =
0
+
1
x + u. (2)
(??) est suppos tenir sur la population dintrt.
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.
Econom etrie approfondie p. 12/1
Modle de rgression simple
Pour estimer
0
et
1
et garder cette interprtation CP il
faut faire certaines hypothses.
E(u) = 0: normalisation on ne perd rien.
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).
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.
Econom etrie approfondie p. 13/1
Estimation de
0
et
1
(x
i
, y
i
) : i = 1, . . . , n = chantillon alatoire de taille n tir de
la population.
y
i
=
0
+
1
x
i
+ u
i
, 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
(.).
Econom etrie approfondie p. 14/1
Estimation de
0
et
1
n
1
n

i=1
(y
i

1
x
i
) = 0 (3)
n
1
n

i=1
[(y
i

1
x
i
)x
i
] = 0 (4)

0
= y

1
x (5)

1
=

n
i=1
(x
i
x)(y
i
y)

n
i=1
(x
i
x)
2
si > 0
. (6)
Estimation de
0
et
1
par la mthode des moments.
Econom etrie approfondie p. 15/1
Moindres carrs ordinaires (MCO)
min
b
0
,b
1

n
i=1
(y
i
b
0
b
1
x
i
)
2
2 quations de premier
ordre:
2
n

i=1
(y
i

1
x
i
) = 0 (7)
2
n

i=1
[(y
i

1
x
i
)x
i
] = 0 (8)

0
= y

1
x (9)

1
=

n
i=1
(x
i
x)(y
i
y)

n
i=1
(x
i
x)
2
si > 0
. (10)
Estimation de
0
et
1
par la mthode des MCO donne les
mme

0
et

1
.
Econom etrie approfondie p. 16/1
Proprits des estimateurs MCO
SLR=Simple Linear Regression.
SLR.1 y =
0
+
1
x + u linaire en les paramtres.
SLR.2 (x
i
, y
i
) : 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 x
i
dans notre
chantillon. Techniquement identique supposer x
i
xes dans des chantillons rpts (pas trs raliste).
SLR.4

n
i=1
(x
i
x)
2
= 0 variation dans les x.
Thorme 2.1: Sous les hypothses SLR.1 - SLR.4,
E(

0
) =
0
et E(

1
) =
1
.
Econom etrie approfondie p. 17/1
Proprits des estimateurs MCO
SLR.5 V ar(u|x) =
2
homoscdasticit.
Thorme 2.2: Sous les hypothses SLR.1 - SLR.5,
V ar(

0
) =

2
n
1

n
i=1
x
2
i

n
i=1
(x
i
x)
2
V ar(

1
) =

2

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

n
i=1
u
2
i
.
Econom etrie approfondie p. 18/1
Rappels Modle de rgression multiple: Chapitre 3
Econom etrie approfondie p. 19/1
Modle de rgression multiple
Objectif: estimer un modle du type
wage =
0
+
1
educ +
2
exper + u. (11)
De manire gnrale:
y =
0
+
1
x
1
+ . . . +
k
x
k
+ u. (12)
OLS: min
b
0
,b
1
,...,b
k

n
i=1
(y
i
b
0
b
1
x
i1
. . . b
k
x
ik
)
2
.
Econom etrie approfondie p. 20/1
Modle de rgression multiple
Exemple: y =
0
+
1
x
1
+
2
x
2
+ u.
Comment obtenir
1
?
Rgresser x
1
sur x
2
: x
1
=
0
+
1
x
2
.
Calculer r
1
= x
1
x
1
.

1
=

n
i=1
r
i1
y
i

n
i=1
r
2
i1
.

1
est bien leffet net de x
1
sur y, o net signie aprs
avoir tenu compte de leffet des autres variables.
Econom etrie approfondie p. 21/1
Goodness-of-Fit
Il est possible de dcomposer la variabilit observe sur y,
c--d SST

n
i=1
(y
i
y)
2
, en 2 quantits:
SSE

n
i=1
( y
i
y)
2
: variabilit explique par le
modle;
SSR

n
i=1
u
2
i
: variabilit non-explique par le
modle.
SST = SSE + SSR.
On peut donc dnir une mesure de qualit de la
rgression (GoF):
R
2
= SSE/SST compris entre 0 et 1.
Econom etrie approfondie p. 22/1
Proprits des estimateurs MCO
MLR=Multiple Linear Regression.
MLR.1 y =
0
+
1
x
1
+ . . . +
k
x
k
+ u linaire en les
paramtres.
MLR.2 (x
1i
, . . . , x
ki
, y
i
) : i = 1, . . . , n chantillon
alatoire de taille n tir de la population.
MLR.3 E(u|x
1
, . . . , x
k
) = 0 moyenne conditionnelle
nulle.
MLR.4

n
i=1
(x
ji
x)
2
= 0 j = 1, . . . , k et pas de
relation linaire parfaite entre les x
j
variation dans
les x
j
et pas de collinarit parfaite.
Thorme 3.1: Sous les hypothses MLR.1 - MLR.4,
E(

j
) =
k
j = 0, . . . , k.
Econom etrie approfondie p. 23/1
Proprits des estimateurs MCO
MLR.5 V ar(u|x
1
, . . . , x
k
) =
2
homoscdasticit.
Thorme 3.2: Sous les hypothses MLR.1 - MLR.5,
V ar(

j
) =

2
(1 R
2
j
)

n
i=1
(x
ij
x
j
)
2
o R
2
j
est le R
2
de le rgression de x
j
sur les autres x
(+ une constante).
Thorme 3.3: Sous les hypothses MLR.1 - MLR.5
(appeles hypothses de Gauss-Markov),
E(
2
) =
2
, o
2
=
1
nk1

n
i=1
u
2
i
.
Thorme 3.4 o thorme de Gauss-Markov: Sous
les hypothses MLR.1 - MLR.5,

j
est BLUE,
i = 0, . . . , k.
Econom etrie approfondie p. 24/1
Rappels Infrence: Chapitre 4
Econom etrie approfondie p. 25/1
Hypothse de normalit
Pour faire de linfrence statistique, il faut ajouter une
hypothse supplmentaire:
MLR.6 u N(0,
2
) et indpendant des x
j
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.
Econom etrie approfondie p. 26/1
Thorme Central Limite
Soit Y
1
, Y
2
, . . . , Y
n
un chantillon de variables alatoires
de moyenne et de variance
2
.
Z
n
=
Y
n

n
suit asymptotiquement une distribution
N(0,1).
Si Y
2
(1), = 1 et
2
= 2.
Exemple.
Econom etrie approfondie p. 27/1
Infrence
Thorme 4.1: Sous les hypothses MLR.1 - MLR.6,

j
N(
j
, V ar(

j
)), i = 0, . . . , k, o
V ar(

j
) =

2
(1R
2
j
)

n
i=1
(x
ij
x
j
)
2
.
Exemple.
Thorme 4.2: Sous les hypothses MLR.1 - MLR.6,

j
se(

j
)
t
nk1
, i = 0, . . . , k, o
se(

j
) =

V ar(

j
) et
2
est remplac par
2
.
On peut donc tester H
0
:
j
= a
j
contre
H
1
:
j
<, =, > a
j
.
Econom etrie approfondie p. 28/1
P-valeur
P-valeur: Quelle est le plus petit niveau de
signicativit auquel H
0
serait rejet.
Comment la calculer? Prendre la t-stat et regarder
quel pourcentile elle correspond dans la distribution de
Student approprie.
Rejeter H
0
si la P-Valeur < au seuil x (ex: 5%).
Econom etrie approfondie p. 29/1
Tests multiples de restrictions linaires
Si H
0
:
j
= 0 pour j 0, 1, . . . , k. Ex: H
0
:
1
=
2
= 0.
et H
1
: H
0
nest pas vrai.
1) Estimer le modle non contraint.
2) Estimer le modle contraint.
3) Calculer la statistique F
(SSR
c
SSR
nc
)/q
SSR
nc
/(nk1)
, o SSR
dnote la somme des carrs des rsidus et les indices c
et nc signient respectivement contraint et
non-contraint.
Sous H
0
, F F
q,nk1
, o F =Fisher.
Rejet H
0
, si F > c

, o c = F

q,nk1
.
Econom etrie approfondie p. 30/1
Exercices rcapitulatifs
Exercice 4.12.
Exercice 4.17.
Exercice 4.19.
Econom etrie approfondie p. 31/1
Rappels proprits asymptotiques des MCO: Chapitre 5
Econom etrie approfondie p. 32/1
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.
Econom etrie approfondie p. 33/1
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.
Econom etrie approfondie p. 34/1
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|x
1
, . . . , x
k
) = 0 moyenne
conditionnelle nulle.
On a vu que E(u|x
1
) = 0 implique Cov(u, x
1
) = 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:
plim

1
=
1
+
Cov(x
1
, u)
V ar(x
1
)
=
1
, si Cov(u, x
1
) = 0.
Econom etrie approfondie p. 35/1
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(x
j
, 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.
Econom etrie approfondie p. 36/1
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|x
1
, . . . , x
k
est normale.
distribution symtrique autour de sa moyenne.
peut prendre des valeurs sur .
plus de 95% des observations sont comprises entre
2 cart-types.
Econom etrie approfondie p. 37/1
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.
Econom etrie approfondie p. 38/1
Rappels Htroscdasticit: Chapitre 8
Econom etrie approfondie p. 39/1
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.
Econom etrie approfondie p. 40/1
Rgression avec des sries temporelles: Chapitre 10
Econom etrie approfondie p. 41/1
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 ?
Econom etrie approfondie p. 42/1
Sries temporelles
Il y a deux types principaux de modles de sries
temporelles simples:
les modles statiques du type:
y
t
=
0
+
1
z
t
+ u
t
, t = 1, . . . , n.
les modles dynamiques du type:
y
t
=
0
+
0
z
t
+
1
z
t1
+ . . . +
q
z
tq
+ u
t
, t = 1, . . . , n.
Econom etrie approfondie p. 43/1
Modles statiques
y
t
=
0
+
1
z
t
+ u
t
, t = 1, . . . , n.
y
t
=
1
z
t
si u
t
= 0 Effet immdiat.
Example 1. Courbe de Phillips (annuel):
inf
t
=
0
+
1
unem
t
+ u
t
.
Example 2. Consommation de tabac (mensuel):
ConsTabac
t
=
0
+
1
DepPubl
t
+ u
t
.
Econom etrie approfondie p. 44/1
Modles dynamiques
FDL(2): y
t
=
0
+
0
z
t
+
1
z
t1
+
2
z
t2
+ u
t
, 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 u
t
= 0.
Econom etrie approfondie p. 45/1
Modles dynamiques: temporaire
y
t1
=
0
+
0
c +
1
c +
2
c
y
t
=
0
+
0
(c + 1) +
1
c +
2
c
y
t+1
=
0
+
0
c +
1
(c + 1) +
2
c
y
t+2
=
0
+
0
c +
1
c +
2
(c + 1)
y
t+3
=
0
+
0
c +
1
c +
2
c
Multiplicateurs dimpact
Aprs un changement temporaire dune unit de z (c--d
z = 1)
y
t
y
t1
=
0
= effet immdiat sur y.
y
t+1
y
t1
=
1
= effet dans 1 priode sur y.
y
t+2
y
t1
=
2
= effet dans 2 priodes sur y.
Econom etrie approfondie p. 46/1
Modles dynamiques: permanente
y
t1
=
0
+
0
c +
1
c +
2
c
y
t
=
0
+
0
(c + 1) +
1
c +
2
c
y
t+1
=
0
+
0
(c + 1) +
1
(c + 1) +
2
c
y
t+2
=
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)
y
t
y
t1
=
0
= effet immdiat sur y.
y
t+1
y
t1
=
0
+
1
= effet dans 1 priode sur y.
y
t+2
y
t1
=
0
+
1
+
2
= effet dans 2 priodes sur y.

q
i=0

i
= multiplicateur de long-terme.
Econom etrie approfondie p. 47/1
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
x
1
+ . . . +
k
x
k
+ u linaire en les
paramtres.

TS.1 y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
linaire en les
paramtres. Ex: x
t3
= salaire
t2
.
MLR.2 (x
1i
, . . . , x
ki
, y
i
) : i = 1, . . . , n chantillon
alatoire de taille n tir de la population.

Pas ncessaire.
Econom etrie approfondie p. 48/1
Proprits des MCO
MLR.3 E(u|x
1
, . . . , x
k
) = 0 moyenne conditionnelle
nulle.

TS.2 E(u
t
|X) = 0 t moyenne conditionnelle nulle
tant donn les variables explicatives t
= exognit stricte.
implique exognit contemporaine (hypothse plus
faible) : E(u
t
|x
t
) = 0).
Pour des sries cross-section, pas ncessaire de
vrier E(u
t
|X) = 0 t , c--d Corr(u
i
, x
j
) pour i = j car
MLR.2.
! Ne dit rien sur Corr(u
t
, u
s
) ou Corr(y
t
, y
s
) pour t = s!
Econom etrie approfondie p. 49/1
Causes du rejet de TS.2
Modle statique simple: y
t
=
0
+
1
z
t
+ u
t
.
TS.2 Corr(u
t
, z
t
) = 0 et Corr(u
t
, z
s
) = 0 t = s.
Variables omises z
t1
Corr(u
t
, z
t1
) = 0.
Erreurs de mesure dans des variables exognes.
Corr(u
t
, z
t+1
) = 0.
Ex: mrdrte
t
=
0
+
1
polpc
t
+ u
t
o mrdrte = taux de
criminalit dans une ville et polpc = nombre de policiers
par personne.
Quand
+
mrdrte
t
non explique
+
u
t
.
Si dans ce cas la ville engage plus de policiers
(
+
polpc
t
) corr(polpc
t+1
, u
t
) > 0.
Econom etrie approfondie p. 50/1
Proprits des MCO
MLR.4

n
i=1
(x
ji
x)
2
= 0 j = 1, . . . , k et pas de
relation linaire parfaite entre les x
j
variation dans les
x
j
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).
Econom etrie approfondie p. 51/1
Proprits des MCO
MLR.5 V ar(u|x
1
, . . . , x
k
) =
2
homoscdasticit.

TS.4 V ar(u
t
|X) = V ar(u) =
2
t = 1, . . . , n
homoscdasticit.
Exemple de violation: NASDAQ, donnes journalires
(+ de 4000 observations).
TS.5 Corr(u
t
, u
s
|X) = 0, t = s pas de corrlation
srielle.
Exemple de violation: Corr(u
t
, u
t1
) = 0.5.
Thorme 10.2: Sous les hypothses TS.1 - TS.5
(appeles hypothses de Gauss-Markov des sries
temporelles), V ar(

j
) =

2
(1R
2
j
)

n
t=1
(x
tj
x
j
)
2
, o R
2
j
est le
R
2
de la rgression de x
j
sur les autres x (+ une cst).
Econom etrie approfondie p. 52/1
Proprits des MCO
Thorme 10.3: Sous les hypothses TS.1 - TS.5,
E(
2
) =
2
, o
2
=
1
nk1

n
t=1
u
2
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 x
j
normalit.

TS.6 u N(0,
2
) et indpendant de X normalit.
Linfrence classique est dapplication.
Econom etrie approfondie p. 53/1
Exemple 10.2 et exercice 10.7
En utilisant la base de donnes INTDEF.wf1, estimez le
modle de tx dintrt suivant:
i3
t
=
0
+
1
inf
t
+
2
def
t
+ u
t
,
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 ?
Econom etrie approfondie p. 54/1
Trend linaire
Beaucoup de sries ont un trend. Ex:
Output par heure aux USA (47-87).
Modle du type: y
t
=
0
+
1
t + e
t
, t = 1, . . . , n.
Quand e
t
= 0, y
t
= y
t
y
t1
=
1
.
Ceteris paribus,
1
mesure la y
t
due au passage
du temps.
E(y
t
) =
0
+
1
t. Croissant ou dcroissant en
fonction de
1
.
V ar(y
t
) = V ar(e
t
). Le trend na pas deffet sur la
variance de y
t
.
On appelle ce type de trend: trend linaire.
Econom etrie approfondie p. 55/1
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(y
t
) =
0
+
1
t + e
t
, t = 1, . . . , n.
comme log(y
t
)
y
t
y
t1
y
t1
pour log(y
t
) petit,
log(y
t
) =
1
est approximativement le taux de
croissance moyen par priode de y
t
.
Econom etrie approfondie p. 56/1
Trend quadratique
Autre modle: y
t
=
0
+
1
t +
2
t
2
+ e
t
, t = 1, . . . , n.

y
t
t
=
1
+ 2
2
t. Si
1
> 0 et
2
< 0, le trend a une
forme en bosse.
Econom etrie approfondie p. 57/1
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 R
2
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.
Econom etrie approfondie p. 58/1
Autre interprtation
Modle estim: y
t
=

0
+

1
x
t1
+

2
x
t2
+

3
t.
Il est facile de montrer que lon peut obtenir galement

1
et

2
de cette manire.
Rgresser par MCO:
y
t
sur cst et trend; sauver les rsidus: y

t
.
x
t1
sur cst et trend; sauver les rsidus: x

t1
.
x
t2
sur cst et trend; sauver les rsidus: x

t2
.
Rgresser par MCO y

t
sur x

t1
et x

t2
(avec ou sans
constante).
Revenons lexemple prcdant. Graphiques
log(invpc) et log(price).
Important: le R
2
= 0.008 sur les variables
dtrendes, log(price) nexplique rien de lvolution de
log(invpc).
Econom etrie approfondie p. 59/1
Sries temporelles (plus) avances: Chapitre 11
Econom etrie approfondie p. 60/1
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 y
ti
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.
Econom etrie approfondie p. 61/1
Stationnarit
Dnition formelle: Le processus {x
t
: t = 1, 2, . . .} est
strictement stationnaire si pour chaque collection
dindices de temps 1 t
1
< t
2
< . . . < t
m
, la distribution
jointe de (x
t
1
, x
t
2
, . . . , x
t
m
) est la mme que la
distribution jointe de (x
t
1
+h
, x
t
2
+h
, . . . , x
t
m
+h
), entier
h 1.
Les x
t
peuvent tre corrls mais la corrlation doit tre
constante.
Exemple de processus non-stationnaire:
y
t
=
0
+
1
t + e
t
, t = 1, . . . , n et e
t
iid(0, 1).
E(y
t
) =
0
+
1
t.
Par contre, y
t

1
t est stationnaire.
Il est trs difcile de tester lhypothse de stationnarit.
Econom etrie approfondie p. 62/1
Processus Covariance-stationnaire
Dnition: Un processus stochastique {x
t
: t = 1, 2, . . .}
avec second moment ni [E(x
2
t
) < ] est
covariance-stationnaire si:
i) E(x
t
) est constante;
ii) V ar(x
t
) est constante;
iii) t, h 1, Cov(x
t
, x
t+h
) dpend seulement de h et
non de t.
implique uniquement les 2 premiers moments.
Si un processus stationnaire a E(x
2
t
) < il est
covariance-stationnaire.
Linverse nest pas vrai.
Exemples : Rejet et non rejet de lhypothses de
covariance-stationnarit.
Econom etrie approfondie p. 63/1
Dpendance faible
Dnition 1: Un processus stationnaire {x
t
: t = 1, 2, . . .}
est faiblement dpendant si x
t
et x
t+h
sont
indpendant au fur et mesure que h .
Dnition 2: Un processus covariance-stationnaire
{x
t
: t = 1, 2, . . .} est faiblement dpendant si
Corr(x
t
, x
t+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.
Econom etrie approfondie p. 64/1
Exemple: MA(1)
MA(1) : x
t
= e
t
+
1
e
t1
, o e
t
i.i.d.(0,
2
e
).
Corr(x
t
, x
t+1
) =

1
1+
2
1
.
Corr(x
t
, x
t+h
) = 0 h > 1.
MA(1) est faiblement dpendent.
Exemple de processus MA(1).
Econom etrie approfondie p. 65/1
Exemple: AR(1)
AR(1) : y
t
=
1
y
t1
+ e
t
, o e
t
i.i.d.(0,
2
e
).
Si |
1
| < 1 Corr(y
t
, y
t+h
) =
h
1
h 1.
AR(1) est faiblement dpendent si |
1
| < 1 car dans ce
cas,
h
1
0 si h .
Exemple de processus AR(1) stable.
Voir les dtails mathmatiques dans le bouquin.
Econom etrie approfondie p. 66/1
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 y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
linaire en les
paramtres.

TS.1 y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
linaire en les
paramtres et (x
t
, y
t
) : t = 1, 2, . . . est stationnaire et
faiblement dpendant.
Econom etrie approfondie p. 67/1
Proprits asymptotiques des MCO
TS.2 E(u
t
|X) = 0 t moyenne conditionnelle nulle
tant donn les variables explicatives t
= exognit stricte.

TS.2 E(u
t
|x
t
) = 0 moyenne conditionnelle nulle
tant donn les variables explicatives contemporaines
= exognit contemporaine
implique que E(u
t
) = 0 et Cov(x
tj
, u
t
) = 0,
j = 1, . . . , k.
Econom etrie approfondie p. 68/1
Proprits asymptotiques des MCO
TS.3 Pas de variable explicative constante et pas de
collinarit parfaite.

TS.3 Idem.
Thorme 11.1: Sous les hypothses TS.1, TS.2 et
TS.3, plim

j
=
j
j = 0, . . . , k.
AR(1): y
t
=
0
+
1
y
t1
+ u
t
, o E(u
t
|y
t1
, y
t2
, . . .) = 0.
E(y
t
|y
t1
, y
t2
, . . .) = E(y
t
|y
t1
) =
0
+
1
y
t1
.
seulement y
t1
affecte la valeur espre de y
t
.
la valeur espre de y
t
est une fonction linaire de
y
t1
.
Econom etrie approfondie p. 69/1
Estimation du modle AR(1)
Comme x
t
contient seulement y
t1
,
E(u
t
|y
t1
, y
t2
, . . .) = 0 implique que lhypothse TS.2
tient.
Par contre TS.2 ne tient pas. En effet cette hypothse
implique que t, u
t
est non corrl avec
x
1
, . . . , x
t
, . . . , x
n
. Ceci est faux pour un processus
AR(1) car
Cov(x
t+1
, u
t
) = Cov(y
t
, u
t
) = Cov(
0
+
1
y
t1
+ u
t
, u
t
) =

2
1
Cov(y
t1
, u
t
) + Cov(u
t
, u
t
) = 0 +
2
> 0, alors que
Cov(y
t1
, u
t
) = 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).
Econom etrie approfondie p. 70/1
Proprits asymptotiques des MCO
TS.4 V ar(u
t
|X) = V ar(u) =
2
, t = 1, . . . , n
homoscdasticit.

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

TS.5 E(u
t
u
s
|x
t
, x
s
) = 0, t = s pas de corrlation
srielle.
En pratique on omet souvent le conditionnement sur x
t
et x
s
et on vrie que u
t
et u
s
sont non-corrls.
Econom etrie approfondie p. 71/1
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.
y
t
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 y
t
E(y
t
|y
t1
, y
t2
, . . .) = E(y
t
).
Estimer un AR(q) et tester H
0
: coefcient AR(q) sont
nuls. Econom etrie approfondie p. 72/1
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.
y
t
= y
t1
+ e
t
, t = 1, 2, . . ., o e
t
iid(0,
2
e
).
AR(1) avec
1
= 1.
y
t
= e
t
+ e
t1
+ . . . + e
1
+ y
0
.
E(y
t
) = E(e
t
) + E(e
t1
) + . . . + E(e
1
) + E(y
0
).
E(y
t
) = E(y
0
), t 1.
V ar(y
t
) =
V ar(e
t
) + V ar(e
t1
) + . . . + V ar(e
1
) + V ar(y
0
) = t
2
e
.
Econom etrie approfondie p. 73/1
Sries temporelles trs persistantes
Persistance ?
y
t+h
= e
t+h
+ e
t+h1
+ . . . + e
t+1
+ y
t
.
E(y
t+h
|y
t
) = y
t
, h 1.
Alors que pour un AR(1) : E(y
t+h
|y
t
) =
h
1
y
t
.
Corr(y
t
, y
t+h
) =

t/(t + h) 1 pour t grand.


une marche alatoire nest pas
covariance-stationnaire.
une marche alatoire nest pas faiblement
dpendante.
Illustration.
Econom etrie approfondie p. 74/1
Exemple de marche alatoire
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
2
4
6
8
10
12
14
Taux dintrt US obligataire 3 mois
Econom etrie approfondie p. 75/1
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.
Econom etrie approfondie p. 76/1
Marche alatoire avec tendance (drift)
y
t
=
0
+ y
t1
+ e
t
: AR(1) avec constante.
y
t
=
0
t + e
t
+ e
t1
+ . . . + e
1
+ y
0
.
E(y
t
) =
0
t si E(y
0
) = 0.
E(y
t+h
|y
t
) =
0
h + y
t
, h 1.
V ar(y
t
) = t
2
e
.
Exemple de marche alatoire avec tendance.
Comment dtecter une RU ?
Econom etrie approfondie p. 77/1
Inspection Visuelle
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700
60
80
100
120
140
160
180
NYSE stock price index
Econom etrie approfondie p. 78/1
Correlogramme
0 5 10 15 20 25 30 35 40 45 50
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0 ACFNYSE stock price index
Econom etrie approfondie p. 79/1
Difcile de distinguer RU et trend
0 50 100 150 200 250 300 350 400 450 500 550 600 650 700
0
50
100
y
t
= 0.1+0.2t+e
t

0 5 10 15 20 25 30 35 40 45 50
0.25
0.50
0.75
1.00
ACFy
t

Econom etrie approfondie p. 80/1
Tester la prsence dune RU
Modle AR(1) : y
t
= + y
t1
+ e
t
.
y
0
est suppos observ et E(e
t
|y
t1
, y
t2
, . . . , y
0
) = 0.
RU si = 1 H
0
: = 1 et H
1
: < 1.
Notons que: y
t
y
t1
= + ( 1)y
t1
+ e
t
.
y
t
= + y
t1
+ e
t
.
RU si H
0
: = 0 et H
1
: < 0.
Problme sous H
0
, y
t1
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).
Econom etrie approfondie p. 81/1
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 H
0
que
y
t
na pas dautocorrlation.
Econom etrie approfondie p. 82/1
Test ADF
Le test ADF (Augment) gnralise le test de DF:
y
t
= + y
t1
+
1
y
t1
+ . . . +
p
y
tp
+ e
t
.
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 y
t
a t modlise.
Exemple: Taux dintrt US obligataire 3 mois.
Econom etrie approfondie p. 83/1
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 y
t

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:
y
t
= + t + y
t1
+
1
y
t1
+ . . . +
p
y
tp
+ e
t
.
Sous H
0
: = 0 et sous H
1
: y
t
est stationnaire autour
dun trend.
Econom etrie approfondie p. 84/1
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.
Econom etrie approfondie p. 85/1
Que faire si y
t
a une RU ?
Si y
t
= + y
t1
+ e
t
y
t
y
t
y
t1
= + e
t
.
Si par contre y
t
est stationnaire, y
t
est dit Intgr
dordre 1 ou I(1) et y
t
est dit Intgr dordre 0 ou I(0).
Si lapplication le permet, on peut donc estimer par
MCO un modle sur y
t
.
Dans beaucoup dapplications conomiques, on dnit
des rendements en %: r
t
= 100log(y
t
) 100
y
t
y
t1
y
t1
.
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 y
t
et non r
t
.
Quest-ce quune rgression fallacieuse (ou spurious
regression) ?
Econom etrie approfondie p. 86/1
Corrlation srielle et htroskedasticit: Chapitre 12
Econom etrie approfondie p. 87/1
Biais des MCO et autocorrlation
Supposons que y
t
=
0
+
1
x
t
+ u
t
.
Supposons que le terme derreur suit un
AR(1) : u
t
= u
t1
+ e
t
avec | < 1| et e
t
iid(0,
2
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 y
t
soit faiblement dpendant et E(u
t
|x
t
) = 0.
Rien nest dit sur le fait que u
t
ne puisse pas suivre un
AR(1).
Par contre les MCO ne sont plus BLUE car violation de
TS.5 et TS.5.
Econom etrie approfondie p. 88/1
Efcience-Infrence des MCO
Estimation du modle y
t
=
0
+
1
x
t
+ u
t
par MCO, o
u
t
suppos iid(0,
2
) et pour simplier x = 0.
Rappelons que u
t
suit en ralit un AR(1).

1
=
1
+ SST
1
x

n
i=1
x
t
u
t
, o SST
x
=

n
i=1
x
2
t
.
V ar(

1
) = SST
2
x
V ar(
n

i=1
x
t
u
t
)
= SST
2
x

i=1
x
2
t
V ar(u
t
) + 2
n1

t=1
nt

j=1
x
t
x
t+j
E(u
t
u
t+j
)

=

2
SST
x
+ 2

2
SST
2
x
n1

t=1
nt

j=1

j
x
t
x
t+j
Econom etrie approfondie p. 89/1
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 u
t
= e
t
+ e
t1
. Montrez que
la formule traditionnelle pour calculer V ar(

1
) est
incorrecte si = 0.
Econom etrie approfondie p. 90/1
Tester la prsence dautocorrlation
Dans le modle gnral:
y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
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.
Econom etrie approfondie p. 91/1
Si X est strictement exogne
Supposons que y
t
=
0
+
1
x
t
+ u
t
.
Nous voulons tester si le terme derreur suit un
AR(1) : u
t
= u
t1
+ e
t
avec | < 1|.
H
0
: = 0.
Dveloppons tout dabord un test valide quand n est
grand et quand X est strictement exogne.
Hypothses supplmentaires disant en quelque sorte
que e
t
est iid:
E(e
t
|u
t1
, u
t2
, . . .) = 0 et V ar(e
t
|u
t1
) = V ar(e
t
) =
2
e
.
Si les u
t
taient observs on pourrait utiliser le
Thorme 11.2 pour valider lutilisation asymptotique
des t-tests dans la rgression u
t
= u
t1
+ e
t
.
Que ce passe-t-il si on remplace u
t
par u
t
? A noter que
u
t
dpend de

0
et de

1
.
Grce lhypothse que X est strictement exogne, la
Econom etrie approfondie p. 92/1
Marche suivre pour le t-test
Estimer y
t
=
0
+
1
x
t
+ u
t
et obtenir u
t
.
Estimer u
t
= u
t1
+ e
t
.
Utiliser un t-test pour tester H
0
: = 0 contre
H
1
: <=> 0.
Econom etrie approfondie p. 93/1
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
t=2
( u
t
u
t1
)
2

n
t=1
u
2
t
, o u
t
est le rsidu
dune rgression du type
y
t
=
0
+
1
x
1t
+ . . . + beta
k
x
kt
+ u
t
.
Il est facile de montrer que DW 2(1 ).
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.
Econom etrie approfondie p. 94/1
Test de Durbin-Watson
Notons que

n
t=2
( u
t
u
t1
)
2
=

n
t=2
u
2
t
+

n
t=2
u
2
t1
2

n
t=2
u
t
u
t1
.
Si = 1 DW = 0.
Si = 1 DW = 4.
Si = 0 DW = 2.
H
0
: = 0 contre gnralement H
1
: > 0.
Durbin et Watson (1951) reportent des valeurs critiques
infrieures d
L
et suprieures d
U
.
Si d
L
DW d
U
, on ne rejette pas H
0
.
La plupart des logiciels conomtriques reportent DW
mais pas les valeurs critiques.
Econom etrie approfondie p. 95/1
Table de Durbin-Watson pour H
1
: > 0
Econom etrie approfondie p. 96/1
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 y
t1
comme variable explicative.
i) Estimer le modle y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
et
obtenir u
t
, t = 1, 2, . . . , n.
ii) Estimer le modle u
t
=
0
+
1
x
t1
+. . . +
k
x
tk
+ u
t1
,
t = 2, 3, . . . , n et obtenir ainsi que t

.
iii) Utiliser t

de la manire usuelle pour tester
H
0
: = 0 contre H
1
: <=> 0.
On rgresse u
t
sur x
t
et u
t1
et donc on permet
chaque x
tj
dtre corrl avec u
t1
.
t

a approximativement une distribution en t si n est
grand.
Econom etrie approfondie p. 97/1
Tester un AR(q)
i) Estimer le modle y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
et
obtenir u
t
, t = 1, 2, . . . , n.
ii) Estimer le modle
u
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+
1
u
t1
+ . . . +
q
u
tq
,
t = q + 1, q + 2, . . . , n.
iii) Effectuer le F-test suivant H
0
:
1
= . . . =
q
= 0
contre H
1
: un des
j
<=> 0, j = 1, . . . , q.
Si les x
t
sont supposs strictement exognes, ont peut
les omettre dans les tapes i) et ii).
A noter que ces tests supposent
V ar(u
t
|x
t
, u
t1
, . . . , u
tq
) =
2
. Il existe une version de
ces tests robuste lhtroskedasticit comme on le
verra plus loin.
Econom etrie approfondie p. 98/1
Tester un AR(q)
Une alternative a F-test est dutiliser un Lagrange
Multiplier (LM) Test: LM = (n q)R
2
u
,
o R
2
u
est le R
2
de la rgression
u
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+
1
u
t1
+ . . . +
q
u
tq
,
t = q + 1, q + 2, . . . , n.
Sous H
0
, LM
2
q
asymptotiquement.
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.
ci3
t
=
0
+
1
ci3
t1
.
Econom etrie approfondie p. 99/1
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.
Econom etrie approfondie p. 100/1
cart-types robustes
Considrons le modle y
t
=
0
+
1
x
t1
+. . . +
k
x
tk
+u
t
,
t = 1, . . . , n.
Comment obtenir un cart-type pour

1
robuste la
corrlation srielle ?
x
t1
=
0
+
2
x
t2
. . . +
k
x
tk
+ r
t
, o E(r
t
) = 0 et
Corr(r
t
, x
tj
) = 0, j 2.
Il est possible de montrer que Avar(

1
) =
V ar
(

n
i=1
r
t
u
t)
(

n
i=1
E(r
2
t
)
)
2
,
o Avar dnote la variance asymptotique.
Sous lhypothse TS.5, a
t
r
t
u
t
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 a
t
et a
s
t = s.
Econom etrie approfondie p. 101/1
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 y
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ u
t
,
t = 1, . . . , n. se(

1
) dnote lcart-type de

1
et
lcart-type de u
t
.
ii) Estimer la rgression auxiliaire:
x
t1
=
0
+
2
x
t2
. . . +
k
x
tk
+ r
t
.
iii) Calculer a
t
= r
t
u
t
, t = 1, . . . , n.
iv) Pour une valuer g > 0 donne, calculer:
v =

n
t=1
a
2
t
+ 2

g
h=1
[1 h/(g + 1)]

n
t=h+1
a
t
a
th

.
g contrle la quantit" de corrlation srielle que
nous permettons.
Econom etrie approfondie p. 102/1
cart-types robustes
Ex: g = 1, v =

n
t=1
a
2
t
+

n
t=2
a
t
a
t1
.
v) Lcart-type robuste la corrlation srielle de

1
est:
se

1
) = [se(

1
)/
2
]

v.
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.
Econom etrie approfondie p. 103/1
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.
ci3
t
=
0
+
1
ci3
t1
.
Econom etrie approfondie p. 104/1
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.
Econom etrie approfondie p. 105/1
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
Econom etrie approfondie p. 106/1
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 u
t
sont non corrl
sriellementtester avant.
Test de Breusch-Pagan:
u
2
t
=
0
+
1
x
t1
+ . . . +
k
x
tk
+ v
t
; H
0
:
1
= . . . +
k
= 0.
Pour utiliser un F-test, il faut que les cart-types des
MCO soient valables et donct que v
t
satisfasse TS.4 ou
TS.4 et TS.5 ou TS.5.
Exemple:
AR(1) sur NYSE: Estimer u
2
t
=
0
+
1
return
t1
+ e
t
Econom etrie approfondie p. 107/1
Modles ARCH
Considrons un modle simple: y
t
=
0
+
1
z
t
+ u
t
.
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.
Econom etrie approfondie p. 108/1
Modles ARCH
La caractristique du modle ARCH(1) est que:
E(u
2
t
|u
t1
, u
t2
, . . .) = E(u
2
t
|u
t1
) =
0
+
1
u
2
t1
, alors
que E(u
2
t
|u
t1
, u
t2
, . . .) = 0.
Les u
t
sont non corrls sriellement alors que les u
2
t
le
sont.
Conditions de positivit: E(u
2
t
|u
t1
) > 0, t
0
> 0 et

1
0.
Si
1
= 0 homoscdasticit.
on peut tester la prsence deffets ARCH en
estimant ce modle (sur u
t
), voir une version plus
tendue (plus de retards).
On peut tester
1
, . . . ,
q
= 0 en utilisant un LMtest ou
Ftest.
Econom etrie approfondie p. 109/1
[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
Econom etrie approfondie p. 110/1
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(u
t
, u
s
) = 0, t = s et donc on
peut donc empiler les enqutes et effectuer une
analyse MCO traditionnelle.
Econom etrie approfondie p. 111/1
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.
Econom etrie approfondie p. 112/1
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.
Econom etrie approfondie p. 113/1
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).
Econom etrie approfondie p. 114/1
Variable dpendante: KIDS
Variable Coefcient Std. Error t-Statistic Prob.
C -7.742457 3.051767 -2.537040 0.0113
EDUC -0.128427 0.018349 -6.999272 0.0000
AGE 0.532135 0.138386 3.845283 0.0001
AGESQ -0.005804 0.001564 -3.710324 0.0002
BLACK 1.075658 0.173536 6.198484 0.0000
EAST 0.217324 0.132788 1.636626 0.1020
NORTHCEN 0.363114 0.120897 3.003501 0.0027
WEST 0.197603 0.166913 1.183867 0.2367
FARM -0.052557 0.147190 -0.357072 0.7211
OTHRURAL -0.162854 0.175442 -0.928248 0.3535
TOWN 0.084353 0.124531 0.677367 0.4983
SMCITY 0.211879 0.160296 1.321799 0.1865
Y74 0.268183 0.172716 1.552737 0.1208
Y76 -0.097379 0.179046 -0.543881 0.5866
Y78 -0.068666 0.181684 -0.377945 0.7055
Y80 -0.071305 0.182771 -0.390136 0.6965
Y82 -0.522484 0.172436 -3.030016 0.0025
Y84 -0.545166 0.174516 -3.123871 0.0018
R-squared 0.129512 Mean dependent var 2.743136
Adjusted R-squared 0.116192 S.D. dependent var 1.653899
S.E. of regression 1.554847 Akaike info criterion 3.736447
Sum squared resid 2685.898 Schwarz criterion 3.816627
Log likelihood -2091.224 F-statistic 9.723282
Durbin-Watson stat 2.010694 Prob(F-statistic) 0.000000
Econom etrie approfondie p. 115/1
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.
Econom etrie approfondie p. 116/1
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.
y
it
=
0
+
0
d2
t
+
1
x
it
+ a
i
+ u
it
, t = 1, 2.
i unit et t temps.
d2
t
= 0 si t = 1 et d2
t
= 1 si t = 2 intercept diffrent
pour t = 1 ou 2.
a
i
capture tous les facteur non-observ affectant y
it

effet non-observ ou xe
Ce modle sappelle donc modle effet non-observ
ou effet xe.
u
it
est le terme derreur idiosyncratique ou variant dans
le temps.
Econom etrie approfondie p. 117/1
Exemple
crmrte
it
=
0
+
0
d87
t
+
1
unem
it
+ a
i
+ u
it
, t = 1, 2.
a
i
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 ?
Econom etrie approfondie p. 118/1
Pooling
y
it
=
0
+
0
d2
t
+
1
x
it
+ v
it
, t = 1, 2.
v
it
= a
i
+ u
it
Pour estimer ce modle par MCO il faut supposer que
a
i
est non corrl avec x
it
sinon v
it
(erreur compos)
serait corrl avec x
it
.
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.
Econom etrie approfondie p. 119/1
Panel
Si a
i
est corrl avec x
it
, la technique du pooling est
donc inapproprie.
Solution simple: estimer un modle en diffrence
premire.
y
i1
=
0
+
1
x
i1
+ a
i
+ u
i1
(t = 1)
y
i2
= (
0
+
0
) +
1
x
i2
+ a
i
+ u
i2
(t = 2)
Par consquent,
(y
i2
y
i1
) =
0
+
1
(x
i2
x
i1
) + (u
i2
u
i1
)
y
i
=
0
+
1
x
i
+ u
i
Econom etrie approfondie p. 120/1
Panel
y
i
=
0
+
1
x
i
+ u
i
peut tre estim par MCO si les
hypothses traditionnelles sont valides.
En particulier, il faut que Corr(u
i
, x
i
) = 0, ce qui est
naturellement vrai si Corr(u
it
, x
it
) = 0, t = 1, 2.
Dans notre exemple Corr(u
i
, unem
i
) = 0 ?
Faux si par exemple si leffort dapplication de la loi
( u
it
) augmente plus dans des villes o le taux de
chmage diminue Corr(u
it
, unem
it
) < 0 biais des
MCO.
Important: on ne peut estimer par cette mthode leffet
de variables constantes au court du temps (z
i
).
Exemple: Distance par rapport la capitale z
i
= 0.
Exemple: CRIME.
Econom etrie approfondie p. 121/1