Académique Documents
Professionnel Documents
Culture Documents
STATISTIQUE APPLIQUEE
Par
Avertissements
Il nexiste pas douvrage dintroduction aux sries temporelles qui vite un discours trop technique et qui
prsente des exemples concrets de procdure destimation-modlisation. Ainsi, ce recueil dapplications,
rsultat dun effort consistant prsenter dans un langage plus ou moins simplifi et rigoureux les
concepts appartenant aux sciences dures, est rdig en fonction dun tudiant attentif. Il a pour objet
lexplication de diffrentes techniques permettant destimer et de prvoir les chroniques financires et la
prsentation de techniques statistiques dvaluation de portefeuille.
Et comme objectif, ce recueil se propose dinitier ltudiant { lutilisation de la statistique en tant quoutil
permettant la structuration, lanalyse, linterprtation des donnes (chiffres) financires et conomiques.
Pour y aboutir, nous clatons le cours (partie thorie) et le regroupons en deux grands points.
Le recueil dbute par un rappel des fondamentaux du cours, avant de sintresser aux tudes des cas. Ces
dernires permettront de mettre en vidence les modles appropris pour les analyses utilisant des
chroniques financires ; puisqu{ ce jour, la finance, en tant que sous-discipline de lconomie, ne se limite
plus une gestion et un recueil de pratiques. Mais elle va au-del en empruntant { lconomie, ses
raisonnements formaliss et ses mcanismes d'optimisation.
Par ailleurs, notez que les applications retenues dans ce recueil aideront ltudiant se prparer { lexamen
final. Le logiciel Eviews 7 a t utilis pour confectionner les applications. Enfin, ltudiant est invit { bien
apprhender les concepts thoriques noncs pendant le cours et aussi de ne pas hsiter de consulter les
ouvrages de rfrences suivants disponibles sur internet : Charpentier (2006) ; Droesbeke, Fichet, Tassi
(1994) ; Hurlin (2006-2007) ; Raggad et Trabelsiy (2003).
Je ddie ce recueil aux tudiants de la premire promotion du CCAM de master Microfinance
(2009-2010). Leurs multiples questions et interventions mont permis, via le mcanisme du
learning by spillover, damliorer cet expos.
Jean-Paul Tsasa V.
Plan de travail
1 /. Rappel des concepts techniques
Chronique Processus stochastique Stationnarit, Bruit blanc et Marche alatoire Modles dynamiques
Mthodologie de Box et Jenkins Analogie des modles AR/ ARMA et ARCH/ GARCH
Mthode de maximum de vraisemblance Modlisation AR(I)MA ou Modlisation (G)ARCH
2/. De modles AR/ MA/ ARMA aux modles ARCH/ GARCH : une tude du cas de
3/. Estimations des paramtres des modles ARCH /GARCH par la mthode maximum de vraisemblance
4/. Optimisation de portefeuille selon le critre de la Value at Risk (VaR) et Backtesting
5/. Credit scoring
CHRONIQUE
Synonyme : srie chronologique, srie temporelle.
Une chronique est une suite finie de valeurs numriques reprsentant lvolution dune variable alatoire
index par le temps. Cest une suite dobservation des variables { des intervalles de temps rguliers.
Autrement, pour une chronique, les observations doivent tre conscutives et dune frquence identique.
Lobjet des sries temporelles est donc ltude des processus temporels.
A titre illustratif, lvolution des indices boursiers ou des prix dactifs financiers, des donnes conomiques
ou financires des entreprises, des agrgats macroconomiques, des ventes et achats de biens ou celle des
productions agricoles ou industrielles sont, parmi tant dautres, des chroniques qui intressent
particulirement les conomistes et les financiers. Donc, une chronique nest que la ralisation dun
processus alatoire.
NOTE 1 : les sries financires et certaines sries conomiques sont caractrises par de volatilit ; o lon retrouve des
valeurs qui semblent tre aberrantes. La spcification de telles sries exige de modles non linaires.
2.
Un processus stochastique correspond { lvolution dune variable alatoire Yt dans le temps. Une variable
alatoire est la valeur prise par Yt chaque instant du temps.
3.
*Processus stationnaire
La stationnarit est un concept cl pour la validit dune rgression sur sries temporelles. Dun point de
vue statistique, la stationnarit suppose que le pass est comparable au prsent et au futur. Ainsi, une srie
chronologique est stationnaire, au sens strict, si sa distribution de probabilit ne change pas au cours du
temps : cette dfinition forte de la stationnarit implique que la distribution jointe (Yr+1, Yr+2, . . . , Yr+n ) ne
dpende pas de r ; si cest le cas, on conclut que Yt est non stationnaire.
ARMA ; Auto Regressive (autorgressif) : puisque la spcification de ces modles utilisent des valeurs lages de Yt
et Moving Average (Moyenne Mobile) : parce que la variable reprsentant les chocs alatoires (bruit blanc) dans ce
modle est retarde. Rappelons que la moyenne mobile est une moyenne statistique qui supprime les fluctuations
transitoires dans une chronique en vue de ressortir les tendances plus long terme. Elle est dite mobile puisquelle est
recalcule de faon continue, en utilisant chaque calcul un sous-ensemble de valeurs dans lequel une nouvelle valeur
remplace la plus ancienne.
Un processus est stationnaire si celui-ci na ni trend, ni saisonnalit et de ce fait, fluctue autour dune
moyenne constante. Il apparait donc sue la stationnarit est une exigence qui assure lutilisation du modle
en dehors de la priode sur laquelle il a t estim.
NOTE 2 : Un processus stationnaire possde de volatile lorsquil possde certaines ralisations qui scartent
sensiblement de la moyenne constante.
*Processus non-stationnaire
Une chronique qui ne vrifie pas les hypothses ci-dessus est dite non stationnaire. Donc, il faudra la
stationnariser avant lestimation. La mthode de stationnarisation dpend de la source de la non
stationnarit. Pour identifier cette source, le modle suivant doit tre test :
Yt = 0 + iYt-i + jt + t
*Critre de slection :
Le paramtre sera significatif si et seulement si : Prob < 0.05 et t > 1.96. Dans le cas contraire, il est non
significatif.
En estimant le modle Yt = 0 + iYt-i + jt + t :
Dcision
Type de modle
Processus
Mthode de
stationnarisation
i est significatif
Ecart la tendance
Intercept
Procdure :
**
1/ Estimer le modle Yt = 0 + jt + t
2/ Gnrer les rsidus
3/ Tester si est stationnaire
Si le modle est un TS
Si le modle est un DS : il faut diffrencier ou intgrer Yt d fois pour obtenir une chronique
stationnaire, soit Yt I(d).
La fonction dautocovariance k = Cov[Yt, Yt+k] = E[Yt E(Yt)][Yt+k E(Yt+k)] dun processus stationnaire Yt vrifie
les proprits : 1) k =Cov(Yt, Yt) = Var[Yt] = E(Yt2) = 2 0, avec Var[Yt] = E[Yt E(Yt)2] ;
2) |k| 0 ;
3) k = -k, la fonction dautocovariance est une fonction paire, Cov(Yt, Yt+k) = Cov(Yt, Yt-k).
: Yt = Yt Yt-1
: (1 L)Yt = Yt
* Taux de croissance
NOTE 3 : les modles intgrs sont trs prsents dans les sries conomiques et financires, notamment les
sries dindices boursiers, dindice de production, dindice de prix.
*Bruit blanc
Un processus t est un bruit blanc lorsque :
4.
Un modle dynamique est un modle pour lequel lon trouve parmi les variables explicatives des variables
endognes dcales et/ou des variables exognes dcales. Les modles ayant parmi ses variables
explicatives que de variables endognes dcales sont dits autorgressifs. Paralllement, ceux ayant parmi
les variables explicatives des variables exognes dcales sont dits chelonns (modles retards
chelonns). En un premier temps, les modles dynamiques qui retiennent notre attention est ceux
proposs par YULE et SLUTSKY.
Les modles proposs par Yule et Slutsky se prsentent, respectivement comme suit :
AR
Yt = 1Yt-1 + 2Yt-2 + t
(1)
MA
Yt = t 1t-1 2t-2
(2)
En gnralisant les modles (1) et (2), on obtient les processus AR(p) et MA(q).
Dans les sries temporelles, le terme de lerreur est souvent appel innovation. Comme on le verra, le terme de lerreur
sera la seule information nouvelle qui interviendra dans le processus la date t.
* Processus autorgressif dordre p, not AR(p) ; cest un processus stationnaire Yt vrifiant la relation
du type :
Yt 1Yt-1 pYt-p = t ; o i (i=1, , p) sont des rels et t un bruit blanc gaussien.
En introduisant un oprateur retard [tel que LiYt = Yt-i] et un polynme retard de degr h [tel que (L) = 1 1L
(L)Yt = t
* Processus moyenne mobile dordre q, not MA(q) ; cest un processus Yt stationnaire vrifiant une
relation du type :
Yt = t 1t-1 + qt-q ; o i (i=1, , p) sont des rels et t un bruit blanc gaussien.
En introduisant un oprateur retard et un polynme retard de degr h, le processus MA(q) scrit donc :
Yt = (1 1L pLp) t
Soit :
Yt = (L) t
processus AR(p) et MA(q), cest donc un processus mixte qui vrifie la relation suivante :
Yt 1Yt-1 pYt-p = t 1t-1 + qt-q
En se servant de distributeur retard, la relation ci-dessus scrit : (L)Yt = (L) t
* Processus
5.
La mthodologie de Box et Jenkins permet de dterminer le processus ARMA adquat pour la modlisation
dune chronique. La mthodologie BJ suggre quatre tapes, noter : lidentification, lestimation, la
validation et la prvision.
*Lidentification : cette premire tape consiste trouver les valeurs p et q des processus ARMA en se
basant sur ltude des fonctions dautocorrlation simple et dautocorrlation partielle.
*Lestimation
: aprs avoir identifi les valeurs p et q dun ou plusieurs processus ARMA, il sera question
destimer les coefficients aux termes autorgressifs et moyenne mobile.
*La validation
: aprs avoir estim les diffrents processus ARMA, il convient prsent de valider ces
modles, en servant dune part, des tests de significativit des paramtres (test de
student) pour les coefficients et dautre part, les tests dhypothse nulle
dhomoscdasticit (tests ARCH, White, Breusch-Pagan) et dhypothse nulle
dautocorrlation pour les rsidus (tests de Box-Pierce, Ljung-Box, Breusch-Godfrey)
Autrement, ltape de validation du modle consiste tester si les rsidus sont de bruits blancs. Au cas o
les rsidus sont de bruits blancs ; il faudra que la srie de rsidus soit stationnaire (fluctuant autour dune
moyenne constante nulle) et par ailleurs, aprs application des tests Box-Pierce et ARCH, que lon rejette les
hypothses alternatives.
NOTE 4 : Si, { lissue de lapplication de ces diffrents tests diagnostics, plusieurs modles sont valids,
ltape de validation doit se poursuivre par une comparaison des qualits de ces modles. Les critres de
choix du modle retenir peuvent tre standards ou dinformation. Les critres les plus utiliss sont repris
dans le tableau ci-dessous.
CRITERES STANDARDS
Erreur Absolue
Moyenne ou
Mean Absolute Error
Racine de lErreur
Quadratique
Moyenne ou
Root Mean Squared
Error
Erreur Absolue
Moyenne en
Pourcentage ou
Mean Absolute
Percent Error
CRITERES DINFORMATION
:
Critre dAkaike
(1969)
Critre de Schwarz
(1978)
*La prvision
Le terme
signifie que la valeur de Yt est prvue sur base des observations passes Yt-1, Yt-2, en
utilisant la valeur estime des coefficients.
Notez que la prvision et lestimation des effets causaux sont des objectifs trs diffrents. Pour un modle
de prvision, par exemple :
Le coefficient de dtermination corrig a beaucoup dimportance, alors que le biais domission
nest pas vraiment un problme ;
On ne cherche pas { interprter les coefficients dun modle de prvision (cest ce que lon qualifie
galement dconomtrie sans thorie), ce qui importe cest la validit externe du modle ;
Le modle estim sur des donnes du pass (prdiction) doit tre valable dans le futur
(prvision).
Il existe une nette diffrence entre prdiction et prvision ; une valeur prdite ou valeur ajuste (prdiction) fait
rfrence { la valeur calcule par la rgression pour une date { lintrieur de lchantillon destimation, (en anglais
predicted value), alors quune valeur prvue fait rfrence la valeur calcule pour une date postrieure { lchantillon
destimation,
(en anglais forecasted value).
Pour les calculs de lerreur de prvision et de lintervalle de prvision, le tableau suivant est si loquent, {
cet effet.
Calcul de lerreur de prvision
La diffrence entre erreur de prvision et rsidu est de mme nature que celle entre valeur prvue et valeur prdite ( lintrieur ou
lextrieur de lchantillon destimation).
6.
R. F. ENGLE
Professeur de finance amricain, Robert F. Engle a partag le prix Nobel d'conomie 2003 avec
le Britannique Clive W. Granger, avec qui il avait publi nombre d'articles sur les sries
chronologiques tout au long des annes 1980 et 1990. Il obtient avec la plus haute distinction
une licence de physique au Williams College de New York en 1964, une matrise de physique
deux ans plus tard, puis un doctorat de sciences conomiques en 1969. Ses travaux ont ouvert
les recherches sur de nouvelles mthodes d'analyse des sries chronologiques et acclr le
renouvellement des techniques conomtriques dans lanalyse conomique.
Lincapacit des modles de type ARMA, { saisir les phnomnes non linaires, a pouss les conomtres
dvelopper les modles non linaires. En vue de prendre en compte la volatilit conditionnelle caractrisant
certaines chroniques, telles que financires, et leur non linarit, Robert F. Engle a introduit en 1982 la
classe des modles ARCH***, puis Tim P. Bollerslev la gnralis en 1986.
Lorsque la variance conditionnelle dune srie Yt sachant Yt-1 est est constante, soit :
Var(Yt/ Yt-1) = 2 o V(t) = 2, on parle dans ce cas de variance homoscdastique.
R.F. Engle a construit un modle dans lequel la variance conditionnelle de Yt sachant Yt-1 dpendrait de Yt-1
et plus particulirement :
Var(Yt/ Yt-1) = [ + Y2t-1] 2
Pour cela, il a considr les modles de la forme
o ht = 0 + Y2t-1
ARMA
GARCH
Note 5 : les modles ARCH ou GARCH sont normment utiliss dans les modles financires parce quils
sont caractriss par de longues priodes de forte volatilit, appele volatility clustering.
"Autoregressive Conditional Heteroskedasticity With Estimates of the Variance of U.K. Inflation", Econometrica 50
(1982): 987-1008.
***
Modle ARCH : Modle Autorgressif conditionnellement htroscdastique.
7.
Fonction de Vraisemblance
Soit y = (y1, yn), la ralisation de taille n dun vecteur Y. On appelle fonction de vraisemblance ou tout
simplement la vraisemblance, la fonction de y et de :
V(y, ) = V(y1, , yn, )
Ainsi, dans le cas particulier o :
8.
A lissue de ces tests diagnostics, sil se dgage que la srie des rsidus est stationnaire en moyenne ; reste
dterminer si les erreurs sont autocorrles ou non et/ou leurs variances sont htroscdastiques ou non.
Ces deux derniers tests permettent de prciser le modle utiliser pour la prvision.
Absence
dautocorrlation
Homoscdastique
Modlisation
ARMA
Htroscdastique
Modlisation
(G)ARCH
Homoscdastique
Ecarter le
modle
Htroscdastique
Ecarter le
modle
Si
Test de
validation
Prsence
dautocorrlation
Si
RAPPEL
Avant de passer aux exercices dentrainement, notez que les applications retenues se feront en deux
temps. Le schma suivant savre assez loquent pour illustrer la dmarche suivre.
APPLICATIONS
Construction de modles
de prvision
Optimisation du
portefeuille
110
100
90
80
97
98
99
00
01
02
03
04
05
06
07
08
On peut galement travailler avec de donnes logarithmiques. Dans ce cas, le plot de la srie linarise se
prsente comme suit :
GENR LDJI = LOG(DJI)
5.1
5.0
4.9
4.8
LDJI
4.7
4.6
4.5
4.4
97
98
99
00
01
02
03
04
05
06
07
08
10
B. ETUDE DE LA STATIONNARITE
t-Statistic
-2.546403
-4.028496
-3.443961
-3.146755
1% level
5% level
10% level
Prob.*
0.3057
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
-0.101732
10.92612
0.016493
0.039951
4.162216
0.012938
-2.546403
2.625073
1.274799
0.0121
0.0097
0.2047
0.049707
0.035087
4.276247
2377.218
-380.4607
1.856615
0.135338
4.353302
5.766327
5.831523
3.399982
0.036369
11
1% level
5% level
t-Statistic
Prob.*
-11.13513
-3.480425
-2.883408
0.0000
Coefficient
Std. Error
t-Statistic
D(DJI(-1))
C
-0.979538
0.140529
0.488171
0.484234
4.384610
2499.225
-381.4015
1.970918
0.087968
0.381913
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
-11.13513
0.367961
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Prob.
0.0000
0.7135
-0.022727
6.105267
5.809114
5.852793
123.9912
0.000000
1% level
5% level
t-Statistic
Prob.*
-17.02519
-4.029595
-3.444487
0.0000
Coefficient
Std. Error
t-Statistic
Prob.
D(DDJI(-1))
C
@TREND(1997M06)
-1.385233
-0.070517
6.99E-05
0.081364
1.020420
0.013115
-17.02519
-0.069106
0.005332
0.0000
0.9450
0.9958
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.693677
0.688891
5.676221
4124.093
-411.8169
2.340458
-0.076336
10.17661
6.333083
6.398927
144.9301
0.000000
Il se dgage que la tendance nest pas significativement diffrente de zro car la probabilit critique
associe au trend est suprieure 5 pour cent.
12
1% level
5% level
10% level
t-Statistic
Prob.*
-17.09165
-3.480818
-2.883579
-2.578601
0.0000
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(DDJI(-1))
C
-1.385234
-0.065762
0.081047
0.494008
-17.09165
-0.133118
0.0000
0.8943
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.693677
0.691303
5.654177
4124.094
-411.8169
2.340455
-0.076336
10.17661
6.317816
6.361712
292.1246
0.000000
1% level
5% level
10% level
t-Statistic
Prob.*
-17.15677
-2.582734
-1.943285
-1.615099
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Variable
Coefficient
Std. Error
t-Statistic
Prob.
D(DDJI(-1))
-1.385248
0.080741
-17.15677
0.0000
0.693635
0.693635
5.632775
4124.661
-411.8259
-0.076336
10.17661
6.302686
6.324634
2.340119
On accepte donc lhypothse alternative selon laquelle la srie DDJI est stationnaire et donc :
DDJI I(0) : la srie DDJI suit un processus ARMA OU DJI I(1) : la srie DJI suit un processus ARIMA.
13
-5
-10
-15
-20
97
98
99
00
01
02
03
04
05
06
07
08
Il ressort de ce graphique (aprs diffrence premire) que la srie fluctue autour dune moyenne constante.
C.
Il ressort de ces corrlogrammes que la deuxime autocorrlation (simple et partielle) de la srie DDJI est
significativement diffrente de zro.
14
MA(2)
AR(2)
MA(2)
AR(1)
MA(1)
MA(2)
MA(2)
Rappelons quil existe quatre types de rgression, { noter : la rgression standard, la rgression
hirarchique, la rgression statistique ou rgression pas--pas et la rgression set wise. Pour estimer les
processus ARIMA(2, 1, 2), nous optons pour la rgression set wise.
*Modle AR(1)
*Modle AR(2)
*Modle AR(1) AR(2)
*Modle AR(2) MA(1)
*Modle AR(1) AR(2) MA(1)
*Modle AR(2) MA(1) MA(2)
*Modle AR(1) AR(2) MA(2)
*Modle AR(2) MA(2)
*Modle AR(1) MA(1)
*Modle MA(1)
*Modle AR(1) MA(1) MA(2)
*Modle MA(1) MA(2)
*Modle AR(1) MA(2)
*Modle MA(2)
*Modle AR(1) AR(2) MA(1) MA(2)
Comment estimer ?
COMMANDE EVIEWS : LS DDJI AR(p) MA(q)
Par exemple pour un modle AR(1), la commande passer est : LS DDJI AR(1)
Alors que pour un modle ARMA(1, 2), la commande est dans ce cas : LS DDJI AR(1) MA(1) MA(2)
: DDJIt = 0.200963DDJIt-2
* MA(2)
: DDJIt = 0.252652t-2
* AR(1) MA(1)
* AR(2) MA(2)
Lire Tsasa, 2009, Vers lconomtrie approfondie : une prsentation en schmas, CRES. Des auteurs, comme
Kintambu M. (2008) prfre la rgression statistique.
15
Analyse de rsidus
Test dhypothse nulle de centralit : cette hypothse veut quen moyenne les rsidus soient gaux une
constante nulle.
En appliquant le test de racine unitaire, il ressort que le processus rsiduel est stationnaire :
Null Hypothesis: DDJI_RESIDUALS has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
1% level
5% level
10% level
t-Statistic
Prob.*
-11.09590
-2.582599
-1.943266
-1.615111
0.0000
Coefficient
Std. Error
t-Statistic
Prob.
DDJI_RESIDUALS(-1)
-0.972381
0.087634
-11.09590
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.484485
0.484485
4.179631
2288.480
-375.5874
-0.023432
5.821264
5.705870
5.727709
1.979203
Cependant, le plot indique que le processus rsiduel semble tre stationnaire en moyenne et non en
variance, pour se faire, il faut passer au test dhypothse nulle dhomoscdasticit pour sen assurer.
10
5
0
DDJI_RESIDUALS
-5
-10
-15
-20
97
98
99
00
01
02
03
04
05
06
07
08
En effet, si le processus nest pas stationnaire en variance, il est conseiller dutiliser, non plus un processus
ARIMA, mais plutt un processus (G)ARCH afin de prendre compte la volatilit et le caractre non linaire
du modle.
16
:
:
:
:
:
:
DDJIt = 0.200963DDJIt-2
DDJIt = 0.252652t-2
DDJIt = 0.815359DDJIt-1 + 0.933094t-1
DDJIt = 0.453573DDJIt-2 0.701201t-2
DDJIt = 0.504959DDJIt-1 + 0.546070t-1 0.181535 t-2
DDJIt = 0.619501DDJIt-1 0.153935DDJIt-2 0.642420t-1
Cependant, pour choisir le modle retenir pour la prvision, nous allons recourir aux critres
dinformation et au coefficient de dtermination. Ces critres permettent dvaluer la qualit dune modle.
MODELE
AIC
SIC
R
5.751928
5.773876
0.039808
MA(2)
5.738369
5.760101
0.047693
AR(1) MA(1)
5.764665
5.808344
0.043874
AR(2) MA(2)
5.720381
5.764278
0.083722
AR(1) MA(1) MA(2)
5.770850
5.836368
0.052408
AR(1) AR(2) MA(1)
5.761109
5.826954
0.060094
Daprs ces critres, il ressort que le modle AR(2) MA(2) dispose dune qualit suprieure. Le fait de
retenir ce modle ne signifie pas que les autres modles ne peuvent pas tre utiliss pour la prvision. Ces
critres naccordent au modle retenu quune certaine prminence sur les autres.
AR(2)
****
View (dans la fentre destimation du modle sous analyse) Residual Tests Correlogram Squared Residuals.
17
C.4. Prvision
La prdiction a t obtenue { ltape 3. A prsent, nous allons prvoir lvolution du processus AR(2) MA(2)
la priode t+h.
Soit :
16
Forecast: DDJIF
Actual: DDJI
Forecast sample: 1997M06 2008M07
Adjusted sample: 1997M09 2008M07
Included observations: 131
12
8
4
0
-4
-8
4.161955
3.103631
95.26647
0.752537
0.001366
0.579237
0.419397
-12
98
99
00
01
02
03
04
05
06
07
08
DDJIF
20
10
0
10
-10
-20
0
-5
-10
-15
-20
98
99
00
01
Residual
02
03
04
Actual
05
06
07
08
Fitted
Aprs avoir gnrer les rsidus (resid) et la variable prdite [= (DDJI) (Resid)], aller dans VIEW DATED DATA TABLE.
18
Une lecture minutieuse de ce tableau (traduisant en chiffre le rsultat de la figure prcdente) prouve, par
ailleurs, galement que la prdiction nest pas trs bonne.
Jan
Feb
Mar
Apr
May
Jun
Aug
Sep
Oct
Nov
Dec
----
Jul
1997
-1.0
0.77
-1.77
5.0
0.89
4.11
7.0
1.21
5.79
5.0
3.69
1.31
-2.0
-0.89
-1.11
4.0
1.35
2.65
Year
1997
3.0
1.17
1.83
DDJI
FITTED
RESIDUAL
----
----
----
----
----
DDJI
FITTED
RESIDUAL
-1.0
-0.13
-0.87
-3.0
-0.05
-2.95
-3.0
0.16
-3.16
4.0
0.71
3.29
5.0
0.85
4.15
1.0
-0.49
1.49
1998
-9.0
-0.64
-8.36
0.0
-0.59
0.59
5.0
1.78
3.22
-4.0
-0.42
-3.58
0.0
0.01
-0.01
1.0
0.70
0.30
1998
-0.3
0.16
-0.49
DDJI
FITTED
RESIDUAL
3.0
0.01
2.99
0.0
0.24
-0.24
-6.0
-0.74
-5.26
3.0
0.17
2.83
0.0
0.97
-0.97
0.0
-0.62
0.62
1999
1.0
0.68
0.32
-8.0
-0.44
-7.56
2.0
0.23
1.77
8.0
1.67
6.33
-2.0
-0.33
-1.67
-4.0
-0.81
-3.19
1999
-0.3
0.09
-0.34
DDJI
FITTED
RESIDUAL
-1.0
0.26
-1.26
-12.0
0.42
-12.42
0.0
0.43
-0.43
6.0
3.27
2.73
2.0
0.30
1.70
0.0
0.81
-0.81
2000
-1.0
-0.28
-0.72
7.0
0.57
6.43
-4.0
0.05
-4.05
-1.0
-1.34
0.34
-6.0
1.02
-7.02
0.0
-0.69
0.69
2000
-0.8
0.40
-1.24
DDJI
FITTED
RESIDUAL
2.0
2.20
-0.20
3.0
-0.48
3.48
2.0
1.05
0.95
1.0
-1.08
2.08
-3.0
0.24
-3.24
-6.0
-1.01
-4.99
2001
3.0
0.91
2.09
3.0
0.78
2.22
-17.0
-0.10
-16.90
3.0
-0.20
3.20
12.0
4.14
7.86
-1.0
-0.88
-0.12
2001
0.2
0.46
-0.30
DDJI
FITTED
RESIDUAL
1.0
-0.07
1.07
-3.0
-0.37
-2.63
2.0
-0.30
2.30
1.0
0.48
0.52
4.0
-0.70
4.70
4.0
0.09
3.91
2002
1.0
-1.48
2.48
-3.0
-0.93
-2.07
1.0
-1.29
2.29
-3.0
0.09
-3.09
3.0
-1.15
4.15
-3.0
0.81
-3.81
2002
0.4
-0.40
0.82
DDJI
FITTED
RESIDUAL
-1.0
-1.55
0.55
2.0
1.31
0.69
-2.0
-0.84
-1.16
4.0
0.42
3.58
3.0
-0.09
3.09
-2.0
-0.69
-1.31
2003
2.0
-0.81
2.81
0.0
0.01
-0.01
-4.0
-1.06
-2.94
1.0
0.01
0.99
1.0
0.25
0.75
0.0
-0.24
0.24
2003
0.3
-0.27
0.61
DDJI
FITTED
RESIDUAL
1.0
-0.08
1.08
-1.0
-0.17
-0.83
-2.0
-0.30
-1.70
4.0
0.13
3.87
1.0
0.28
0.72
1.0
-0.90
1.90
2004
1.0
-0.05
1.05
2.0
-0.88
2.88
1.0
-0.28
1.28
1.0
-1.11
2.11
-4.0
-0.44
-3.56
1.0
-1.03
2.03
2004
0.5
-0.40
0.90
DDJI
FITTED
RESIDUAL
2.0
0.68
1.32
3.0
-0.97
3.97
5.0
-0.02
5.02
2.0
-1.42
3.42
2.0
-1.25
3.25
1.0
-1.49
2.49
2005
2.0
-1.37
3.37
-4.0
-1.29
-2.71
5.0
-1.46
6.46
7.0
0.08
6.92
1.0
-2.26
3.26
2.0
-1.68
3.68
2005
2.3
-1.04
3.37
DDJI
FITTED
RESIDUAL
-5.0
-1.83
-3.17
4.0
-1.67
5.67
3.0
-0.05
3.05
-7.0
-2.16
-4.84
2.0
-0.78
2.78
-9.0
0.22
-9.22
2006
-2.0
-1.04
-0.96
-2.0
2.38
-4.38
5.0
-0.23
5.23
2.0
2.17
-0.17
-8.0
-1.40
-6.60
-8.0
1.02
-9.02
2006
-2.1
-0.28
-1.80
DDJI
FITTED
RESIDUAL
2.0
1.00
1.00
-4.0
2.70
-6.70
1.0
0.20
0.80
-1.0
2.88
-3.88
4.0
-0.10
4.10
7.0
2.27
4.73
2007
-3.0
-1.06
-1.94
-1.0
-0.14
-0.86
1.0
-0.00
1.00
6.0
0.15
5.85
0.0
-0.25
0.25
3.0
-1.38
4.38
2007
1.3
0.52
0.73
DDJI
FITTED
RESIDUAL
6.0
-0.18
6.18
1.0
-1.71
2.71
-2.0
-1.61
-0.39
-17.0
-1.45
-15.55
-2.0
-0.63
-1.37
0.0
3.19
-3.19
2008
-4.0
0.05
-4.05
----
----
----
----
----
2008
-2.6
-0.33
-2.24
19
Le coefficient dingalit de Theil tant lev, soit 75.25 pour cent ; Il est possible de rduire sa valeur en
transformant le modle ARIMA(p, d, q) un modle ARIMA(p+1, 0, q).
Dans ce cas, comme il sagit dun ARIMA (2, 1, 2), ainsi, nous aurons aprs transformation :
ARIMA(3, 0, 2)
En effectuant successivement une rgression statistique, on obtient (voir loutput en annexe 2) :
Estimation Command:
=====================
LS DJI C AR(1) AR(2) AR(3) MA(2)
Estimation Equation:
=====================
DJI = C(1) + [AR(1)=C(2),AR(2)=C(3),AR(3)=C(4),MA(2)=C(5),BACKCAST=1997M09]
Substituted Coefficients:
=====================
DJIt = 118.9092118 + 0.9340609646DJIt-1 0.8875797139DJIt-2 + 0.8404905899DJIt-3 + 0.8400971652t-2
(19.57424)
(19.04214)
(-8.731020)
(9.030868)
(6.992286)
(0.0000)
(0.0000)
(0.0000)
(0.0000)
(0.0000)
R= 0.885822
AIC = 5.760724
SIC =5.870464
Prob(F-Statistic) = 0.000000
150
140
130
120
110
100
90
4.150611
3.035962
2.615235
0.017600
0.000002
0.031708
0.968290
80
98
99
00
01
02
03
04
05
06
07
08
DJIF
Il existe quatre types de rgressions, parmi celles, la rgression statistique, appele galement rgression pas--pas.
Cette dernire repose sur le test de Student ; cest--dire, elle se refre la rgle de pousse pour dcider sur la
prdictibilit dun modle.
20
80
0
-10
-20
98
99
00
01
02
Residual
03
04
05
Actual
06
07
08
Fitted
Pour prvoir lvolution de la valeur actuelle de lindice Dow Jones, nous allons nous rfrer au rsultat de
lquation estime :
DJIt+h = 118.9092118 + 0.9340609646DJIt-1+h + 0.8875797139DJIt-2+h + 0.8404905899DJIt-3+h + 0.8400971652t-2+h
Pour ce faire, nous avons besoin de donnes suivantes (VIEW Actual, Fitted, Residual Table) :
OBS
ACTUAL
FITTED
RESIDUAL
RESIDUAL PLOT
2008M01
2008M02
2008M03
2008M04
2008M05
2008M06
2008M07
142.000
143.000
141.000
124.000
122.000
122.000
118.000
135.513
141.054
140.731
139.203
124.531
123.073
121.205
6.48678
1.94598
0.26927
-15.2033
-2.53127
-1.07260
-3.20512
|
. | .*
|
. |* .
|
. * .
| * . | .
|
.* | .
|
. *| .
|
.* | .
|
|
|
|
|
|
|
Modle de prvision :
Aot 2008
h=1
Septembre 2008
h=2
Octobre 2008
h=3
Novembre 2008
h=4
Dcembre 2008
h=5
21
Proprit 2 (Autocorrlations des carrs des variations de prix) : La srie r2t associe aux carrs des
rendements prsente gnralement de fortes autocorrlations, tandis que les autocorrlations de la srie r t
sont souvent trs faibles (hypothse de bruit blanc).
NOTE : Lorsquun processus Xt vrifie les proprits 1 et 2, on dit quil vrifie la dfinition dune diffrence de
martingale homoscdastique et dun bruit blanc.
Proprit 3 (Queues de distribution paisses) : Lhypothse de normalit des rendements est gnralement
rejete. Les queues des distributions empiriques des rendements sont gnralement plus paisses que
celles dune loi gaussienne. On parle alors de distribution leptokurtique.
Proprit 4 (Clusters de Volatilit) : On observe empiriquement que de fortes variations des rendements
sont gnralement suivies de faibles variations. On assiste ainsi un regroupement des extrmes en cluster
ou paquets de volatilits. Dans ces conditions, le processus Xt est conditionnellement htroscdastique.
C
Proprit 5 (Queues paisses conditionnelles) : Mme une fois corrige de la volatilit clustering (par
exemple avec des modles ARCH), la distribution des rsidus demeure leptokurtique mme si la kurtosis est
plus faible que dans le cas non conditionnel.
Proprit 6 (Effet de levier) : Il existe une asymtrie entre leffet des valeurs passes ngatives et leffet des
valeurs passes positives sur la volatilit des cours ou de rendements. Les baisses de cours tendent
engendrer une augmentation de la volatilit suprieure celle induite par une hausse des cours de mme
ampleur.
Cette proprit nest pas confondre avec celle dasymtrie de la distribution des cours ou des rendements
(proprit 8). Il sagit ici dune asymtrie de la relation liant les valeurs passs des cours ou rendements la
volatilit de ces derniers.
Proprit 7 (Saisonnalit) : Les returns prsentent de nombreux phnomnes de saisonnalit (effets weekend, effet janvier, etc..).
Proprit 8 (Asymtrie perte/gain) : La distribution des cours est gnralement asymtrique : il y a plus de
mouvements forts { la baisse qu{ la hausse.
22
Construisons, { prsent, un modle (G)ARCH { partir de la srie de laction General Electric Co, note VAGE.
Les donnes considres { cet effet sont hebdomadaires et la priode retenue pour ltude va du 3 janvier
1972 au 25 Janvier 2010, 1987 observations.
23
On peut galement travailler avec de donnes logarithmiques dans ce cas, le plot de la srie linarise
(not, LVAGE) se prsente comme suit :
B. ETUDE DE LA STATIONNARITE
B.1. Corrlogramme
Au regard de ce corrlogramme, il y a lieu de souponner que la srie nest pas stationnaire niveau.
24
En se rfrant la rgle de pousse et aux probabilits critiques, il ressort que le trend et la drive sont tous
significatifs.
Faudra-t-il appliquer la modlisation ARMA avec la mthodologie BJ ou la modlisation ARCH avec la mthode de
maximum de vraisemblance ? Pour se dcider sur la mthodologie suivre, nous nous basons sur deux tests.
Analyse du plot de la srie rsiduelle
Ce graphique indique la prsence de volatilit, il y a donc lieu de suspecter la prsence dune srie non stationnaire en
variance. Pour sen convaincre, formellement, nous effectuons aussitt le test dhypothse nulle dhomoscdasticit. Il
existe plusieurs tests, cet effet. Dans le cadre de ce cours, on recourt au test ARCH.
25
Test ARCH
Le rsultat repris dans le tableau ci-dessous nous pousse rejeter lhypothse nulle. Donc, on admet que la variance
rsiduelle est non homoscdastique.
Donc, la prvision de lvolution de la variable VAGE sera faite sur base dun modle (G)ARCH estim par la mthode de
maximum de vraisemblance.
La comparaison des modles estims se fera ensuite { laide des critres suivants : AIC, SIC, R, log-likehood.
On choisira le modle qui vrifiera un maximum de ces critres.
26
ESTIMATION
Pour estimer les modles (G)ARCH, on va dans Quick puis dans Estimate Equation. Ensuite, cliquer la pointe
de la flche l o on a Least Squares pour slectionner ARCH. Dans la partie intitul Mean Equation
Specification : on tape VAGE C T AR(1) AR(2) MA(1) MA(2).
NOTE : les coefficients estims par la modlisation ARCH doivent tre toujours tre positif (contrainte de positivit*****).
ARCH(2)
*****
Loptimisation de la fonction de vraisemblance est ralise sous certaintes conraintes, notamment celle de non
ngativit.
27
Le coefficient du modle ARCH(2) ntant pas significatif ; estimons, prsent, un modle ARCH(1).
ARCH(1)
Le coefficient ARCH(1) est positif et significativement diffrent de zro. On garde donc ce modle.
28
GARCH(1,1)
29
GARCH(1,2)
30
GARCH(2,1)
31
GARCH(2,2)
Au bout de ces estimations, il ressort donc que le seul modle retenu pour la prvision de la volatilit est le
modle ARCH(1).
32
CONCLUSION
Il y avait en plus un grand nombre de profanes cest--dire dauteurs qui soutenaient des systmes
thoriques de leur cru, et condamnaient la thorie professionnelle sans se soucier de la matriser. Il y avait
enfin autre chose. Comme toujours, la majorit des conomistes tait absorbe par ltude des faits et des
problmes pratiques des divers dpartements de la politique publique. La thorie ne servait pas grand
chose pour cette majorit.
Schumpeter, J., 1983, Histoire de lanalyse conomique, Tome 3, Gallimard, Paris, p. 273.
Le seul moyen daccs { une position telle que notre science puisse donner un avis positif pour de
nombreux politiciens et hommes daffaires repose sur des travaux quantitatifs. Aussi longtemps que nous
ne serons pas capables de traduire nos arguments en chiffres, la voix de notre science, bien quelle puisse
occasionnellement aider viter des erreurs grossires, ne sera jamais entendue par les praticiens. Ils sont
tous, par instinct, conomtres, du fait de leur incrdulit pour toute chose dont il nexiste pas une preuve
exacte.
Schumpeter, J.A., 1933, The common sense of econometrics, vol. 1, Econometrica, p. 12.
33
Bibliographie
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Charpentier, A., 2006, Cours de sries temporelles : thorie et applications, Universit Paris Dauphjine.
Cobbaut, R., 1997, Thorie Financire, Economica.
Droesbeke, J-J., Fichet, B., et Tassi, P. (eds), 1994, Modlisation ARCH. Thorie statistique et Applications
dans le domaine de la finance, disponible en ligne http://digistore.bib.ulb.ac.be/DL2826626_000_f.pdf.
Engel, R.F. and Bollerslev, T.P., 1986, Modelling the persistence of conditional variances, Econometric
reviews, 5, 1-50, pp.81-87.
Friedman, B.M. and Kuttner, K.N., 1988, Time varying risk perceptions and the pricing of risk assets,
unpublished manuscript, Departement of economics, Havard University and NBER, Working paper,
n2694.
Hurlin, C., 2006-2007, Economtrie pour la finance: Modles ARCH-GARCH, Applications la VaR, Master
economtrie et Statistique applique, Universit dOrlans, disponible en ligne http://www.univorleans.fr/deg/masters/ESA/CH/churlin_E.htm .
Kintambu, E.G., 2008, Principes dconomtrie, 3me dition, Presse de lUniversit Kongo.
Mankiw, N.G. and Shapiro, M.D., 1986, Risk and Return: consumption versus Market Beta, Review of
Economics and statistics, 68.
Mukoko, D., 2010, Cours de Statistique applique aux finances, Centre Congolais-Allemand de
Microfinance, UPC, Kinshasa.
RAGGAD, B. et TRABELSIY, A., 2003, Value at Risk et Prvision de la volatilit dun panier de taux de
change, Institut Suprieur de Gestion de Tunis.
Taylor, S.J., 1984, Estimating the variances of autocorrelations calculated from financial time series,
Journal of the royal statistical association, series C (Applied statistics), 33, pp 300-308.
Taylor, S.J., 1986, Modelling financial time series, John Wiley and Sons, Chichester.
Tsasa, J.P., Vers lconomtrie approfondie : une prsentation en schmas, CRES.
34
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
0.021704
0.087613
0.247728
0.8047
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots
-0.000625
-0.000625
4.370117
2501.828
-381.4702
0.143939
4.368752
5.795004
5.816843
1.970832
.02
Coefficient
Std. Error
t-Statistic
Prob.
AR(2)
-0.200563
0.085744
-2.339098
0.0209
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.039808
0.039808
4.276878
2377.919
-375.7513
0.106870
4.364634
5.751928
5.773876
1.938085
En estimant le modle AR(2), il ressort que AR(1) est non significatif, on lcarte ds lors du modle et on
obtient :
DDJI = AR(2)
35
Coefficient
Std. Error
t-Statistic
Prob.
MA(1)
0.036413
0.087261
0.417289
0.6771
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted MA Roots
-0.000188
-0.000188
4.353712
2502.035
-383.8638
0.135338
4.353302
5.787425
5.809157
2.007848
-.04
Coefficient
Std. Error
t-Statistic
Prob.
MA(2)
-0.252652
0.085593
-2.951775
0.0037
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.047693
0.047693
4.248223
2382.257
-380.6015
Inverted MA Roots
.50
0.135338
4.353302
5.738369
5.760101
1.926493
-.50
En estimant le modle MA(2), il ressort que MA(1) est non significatif, on lcarte ds lors du modle et on
obtient :
DDJI = MA(2)
36
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
MA(1)
-0.815355
0.933094
0.106831
0.073167
-7.632190
12.75288
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots
Inverted MA Roots
0.043874
0.036519
4.288239
2390.569
-378.4679
0.143939
4.368752
5.764665
5.808344
2.097860
-.82
-.93
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
MA(1)
MA(2)*
-0.504959
0.546070
-0.181535
0.235592
0.236989
0.102377
-2.143368
2.304195
-1.773200
0.0340
0.0228
0.0786
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Inverted AR Roots
Inverted MA Roots
0.052408
0.037717
4.285572
2369.230
-377.8761
-.50
.23
0.143939
4.368752
5.770850
5.836368
1.980523
-.78
37
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
AR(2)*
MA(1)
0.619501
-0.153935
-0.642420
0.210899
0.089664
0.207155
2.937434
-1.716807
-3.101161
0.0039
0.0884
0.0024
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.060094
0.045407
4.264389
2327.682
-374.3527
Inverted AR Roots
Inverted MA Roots
.31+.24i
.64
.31-.24i
0.106870
4.364634
5.761109
5.826954
1.963489
Coefficient
Std. Error
t-Statistic
Prob.
AR(2)
MA(2)
0.453573
-0.701201
0.194064
0.158860
2.337233
-4.413952
0.0210
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.083722
0.076619
4.194094
2269.165
-372.6850
Inverted AR Roots
Inverted MA Roots
.67
.84
0.106870
4.364634
5.720381
5.764278
1.942155
-.67
-.84
En estimant le modle ARMA(2, 2), il ressort que AR(1) et MA(1) sont non significatifs, on les carte ds lors
du modle et on obtient un modle :
DDJI = AR(2) MA(2)
38
TEST DHETEROSCEDASTICITE
Aprs avoir identifi le nombre de retards, on ds lors effectue le test ARCH : VIEW RESIDUAL TESTS ARCH LM Test
39
Modle AR(2)
Test dautocorrlation
Les probabilits affectes aux autocorrlations sont toutes suprieures 5 pour cent. On dcide donc quil y a absence
dautocorrlation des erreurs ; soit on rejette lhypothse alternative de prsence dautocorrlation des erreurs.
40
0.489736
1.498843
Probability
Probability
0.690038
0.682537
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/24/10 Time: 19:55
Sample (adjusted): 1997M12 2008M07
Included observations: 128 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
18.15252
-0.091697
0.043795
0.034063
4.558358
0.089684
0.089912
0.089452
3.982249
-1.022446
0.487087
0.380790
0.0001
0.3086
0.6271
0.7040
0.011710
-0.012201
39.51697
193637.3
-650.2137
1.998437
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
17.93201
39.27809
10.22209
10.31121
0.489736
0.690038
41
Modle MA(2)
Test dautocorrlation
Les probabilits affectes aux autocorrlations sont toutes suprieures { 5 pour cent. On dcide donc quil y a absence
dautocorrlation des erreurs ; soit on rejette lhypothse alternative de prsence dautocorrlation des erreurs.
42
ARCH Test:
F-statistic
Obs*R-squared
0.524552
1.603587
Probability
Probability
0.666191
0.658577
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/24/10 Time: 20:02
Sample (adjusted): 1997M10 2008M07
Included observations: 130 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
18.24174
-0.097171
0.037953
0.034929
4.458063
0.088843
0.089204
0.088819
4.091854
-1.093737
0.425459
0.393257
0.0001
0.2762
0.6712
0.6948
0.012335
-0.011181
38.42745
186060.2
-656.7709
2.003703
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
17.80579
38.21441
10.16571
10.25394
0.524552
0.666191
43
Test dautocorrlation
Les probabilits affectes aux autocorrlations sont toutes suprieures 5 pour cent. On dcide donc quil y a absence
dautocorrlation des erreurs ; soit on rejette lhypothse alternative de prsence dautocorrlation des erreurs.
44
ARCH Test:
F-statistic
Obs*R-squared
0.302495
0.929773
Probability
Probability
0.823543
0.818238
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/24/10 Time: 20:04
Sample (adjusted): 1997M11 2008M07
Included observations: 129 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
17.23746
-0.047793
0.067421
0.012564
4.620924
0.089455
0.088857
0.088991
3.730305
-0.534275
0.758756
0.141184
0.0003
0.5941
0.4494
0.8880
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.007208
-0.016619
41.30206
213232.5
-661.0091
1.997196
17.85585
40.96307
10.31022
10.39890
0.302495
0.823543
45
Test dautocorrlation
Les probabilits affectes aux autocorrlations sont toutes suprieures { 5 pour cent. On dcide donc quil y a absence
dautocorrlation des erreurs ; soit on rejette lhypothse alternative de prsence dautocorrlation des erreurs.
46
ARCH Test:
F-statistic
Obs*R-squared
0.495518
1.516330
Probability
Probability
0.686050
0.678506
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/28/10 Time: 22:53
Sample (adjusted): 1997M12 2008M07
Included observations: 128 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
17.62215
-0.090771
0.048596
0.031668
4.368494
0.089673
0.089901
0.089637
4.033918
-1.012234
0.540547
0.353287
0.0001
0.3134
0.5898
0.7245
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.011846
-0.012061
37.78869
177070.1
-644.4895
2.000400
17.44264
37.56285
10.13265
10.22177
0.495518
0.686050
47
Test dautocorrlation
Les probabilits affectes aux autocorrlations sont toutes suprieures { 5 pour cent. On dcide donc quil y a absence
dautocorrlation des erreurs ; soit on rejette lhypothse alternative de prsence dautocorrlation des erreurs.
48
ARCH Test:
F-statistic
Obs*R-squared
0.454391
1.391846
Probability
Probability
0.714659
0.707447
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/28/10 Time: 22:54
Sample (adjusted): 1997M12 2008M07
Included observations: 128 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
17.69121
-0.088161
0.045513
0.027634
4.373277
0.089688
0.089907
0.089655
4.045298
-0.982975
0.506219
0.308225
0.0001
0.3275
0.6136
0.7584
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.010874
-0.013057
37.86379
177774.7
-644.7436
2.000406
17.43300
37.61900
10.13662
10.22574
0.454391
0.714659
49
Test dautocorrlation
Les probabilits affectes aux autocorrlations sont toutes suprieures { 5 pour cent. On dcide donc quil y a absence
dautocorrlation des erreurs ; soit on rejette lhypothse alternative de prsence dautocorrlation des erreurs.
50
ARCH Test:
F-statistic
Obs*R-squared
0.794439
2.413805
Probability
Probability
0.499211
0.491070
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/28/10 Time: 22:56
Sample (adjusted): 1997M12 2008M07
Included observations: 128 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
RESID^2(-3)
17.16682
-0.094886
0.078145
0.066204
4.481736
0.089643
0.089747
0.089655
3.830395
-1.058488
0.870726
0.738435
0.0002
0.2919
0.3856
0.4616
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.018858
-0.004879
39.04670
189056.0
-648.6813
1.997104
18.04914
38.95178
10.19815
10.28727
0.794439
0.499211
51
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
AR(2)
AR(3)
MA(2)
118.9092
0.934061
-0.887580
0.840491
0.840097
6.074779
0.049052
0.101658
0.093069
0.120146
19.57424
19.04214
-8.731020
9.030868
6.992286
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
0.885822
0.882198
4.232163
2256.812
-372.3274
1.893536
.94
-.00+.95i
117.3053
12.33063
5.760724
5.870464
244.3858
0.000000
-.00-.95i
52
Note : la liste des ouvrages, bien quobissant au principe dessentialit, apparait non exhaustive puisque la roue de la
recherche scientifique demeure trs dynamique dans le temps et dans lespace.
N
1
AUTEUR(S)
ANDREFF, M.
OUVRAGE
Statistique : traitement des donnes dchantillon, PUG, Grenoble,
1994 :
1er tome : Les mthodes, 158p.
2me tome : Les applications, 142p.
Statistique applique en 11 questions et 120 exemples et une annexe
sur les probabilits pour Michle Mallens, Ed. dorganisation, Paris,
1985, 221p.
Economtrie : Manuel et exercices corrigs, 5 d. Dunod, Paris, 2003,
329p
BLUMENTHORL, S.
BOURBONNAIS, R.
BOURSIN, J.L.
DUBUS, A.,
Statistiques descriptives.
COHEN, M. et PRUDEL, J.
10
11
DAUNHA-CASTELLE, D. et M.
DUFLS
DAGNIELIE, P.
12
DHRYMES, P.J.
13
DREPREZ, M. et DUVANT, M.
14
DUTHIL, G. et D. VANHAECKE
CODE
311
ARS
519.53
BLU
330.015 195
BOU
2003
310
BOU
519.2
BOY
005.4
DUB
310
CAR
310
CHA
310.02
DAC
310
DAG
1998
339.5
DHR
658.15
DEP
310
DUT
1990
53
Suite...
N
15
AUTEUR(S)
DUGHOUE, L.T.
16
FOURASTIE, J. et S. Levy
17
GHORBANZADEH, D.
18
GIARD, V.
19
GIARD, V.
20
GIRAUD, R. et CHOIX, N.
21
GRAIS, B.
22
HOWELL, D.C.
23
INADES-FORMATION
24
JOHNSTON, J.
25
JOHNSTON, J.
26
27
JUSTENS, D.
28
KAUFFMANN, P.
29
KAZMIER, L.J.
30
HAMBURG, M.
31
LARSEN, R.J.
32
LAVIEVILLE, M.
33
LECOUTRE, J.P.
34
35
36
37
MASIERI, W.
38
MASIERI, W.
OUVRAGE
Manuel de statistique, 5me d. Ottawa, d. De lUniversit dOttawa,
1979, 586p.
Statistiques appliques lconomie.
CODE
310.2
DAY
310
FOU
Probabilits : exercices corrigs, Ed. Technip, Paris, 1998, 270p.
519.2
GHO
1998
Statistique applique la gestion : avec 70 exercices dapplication
310.02
corrigs, Economica, 6me Ed. Paris, 1992, 512p.
GIA
Statistique descriptive pour les gestionnaires, Economica, Paris, 1995,
658.403 3
112p.
GIA
1995
Economtrie, PUF, Paris, 1989, 354p.
330.015.195
GIR
Mthodes statistiques : techniques statistiques
310
DRA
Mthodes statistiques en sciences humaines, trad. De M. Rogier,
310
Revue scientifique de V. Yvebyt et Y. Bestgzn., Paris, DE Boeck,
HOW
Universit, ITP, 1998, 821 p.
Calcul conomique : quelques lments de mathmatiques et
331.028
statistiques conomiques, Kinshasa, 76p.
INA
Mthodes conomtriques, trad. Par Bernard Guerrien, 3me d. Paris, 330.015.195
Economica, 1995, 359p.
JOH
1995
Mthodes conomtriques, trad. Par Bernard Guerrien, 3me d. Paris, 330.015.195
Economica, 1988, 648p., tome 2.
JOH
1988
Mthodes conomtriques, trad. Prf. de Bernard Guerrien, 4me d. 330.015.195
Paris, Economica, 1999, 383p.
JOH
Statistique pour dcideurs.
519.5
JUS
Statistiques : information, estimation, tests.
310.02
KAU
Statistiques de la gestion : thorie et problmes, MC Graw-Hill, Srie
310.02
Schaum, Montral, 1982, 374p.
KAZ
Statistical analysis for decisions making, Brace and World Inc. Cop.,
519.5
New-York, 817p.
MOR
Statistics, Prentice-hall, 1990.
310
LAR
Statistique et probabilits : prcis de cours accompagn dexercices
310.02
corrigs, dun formulaire danalyse combinatoire et des tables
LAV
numriques.
Probabilits : Exercices corrigs avec rappels de cours.
519.2
LEC
Statistique : Exercices corrigs avec rappels de cours, 2me Ed.
519.5
complte, Paris, A990, 278p.
LEC
Econom2trie, 2me d., PUF, Paris, 1971, 127p.
658.403 3
Statistique en gestion et en conomie.
310.02
MAR
Statistique et calcul des probabilits.
310
MAS
Statistique et calcul des probabilits, Ed. Dalloz, 2001.
519.2
MAS
2001
54
Suite...
N
39
AUTEUR(S)
MONIERS, J-L. et J-L. SOL
40
RAFFIN, C.
41
42
SANDERS, D.H.
OUVRAGE
Statistique et probabilits : accs luniversit, Dunod, Paris, 1994,
179p.
Statistique et probabilits : dogmes scientifiques, Armand Colin, Paris,
1993, 267p.
Probabilit et statistiques : rsum des cours, exercices et problmes
corrigs.
Statistiques : une approche nouvelle.
43
SINCICH, T.
44
SMITH, L.
45
47
SNEDECOR, L. et W. COCHRAN Statistical methods, 6me Ed. Anes : The Iowa State University Press,
1967, 593p.
SCHWARTZ, D.
Mthodes statistiques lusage des mdecins et des biologistes, 4me
d. Paris : Flammarion, 1993, 314p.
TRIGNAN, J.
Probabilits statistiques et leurs applications.
48
VERLAUT, B. G. SAINT-PIERRE
49
VESSEREAU, A.
50
VESSEREAU, A.
51
WEIMER, R.C.
46
CODE
310.02
MON
310.02
RAF
519.2
REA
310
SAN
519.5
SIN
519.2
SMI
310
SNE
311
SCH
519.2
TRI
519.2
VER
1998
310
VES
1988
311
VES
310
WEI
55
ANNEXE 5
Avril 2010
Numro
Avertissement
Ce papier est le fruit dun effort consistant { rapprocher lanalyse thorique et celle de phnomnes rels
en conomie. Noter dj{ { ce niveau que cest par un processus continu de dfis et de rponses que la
Science conomique volue. Sinscrivant dans la logique de la prfrence pour la simplicit dans la rigueur,
nous nous sommes propos dlaborer un papier qui montrerait lintrt de loutil conomtrique dans
lanalyse conomique.
Objectif : encourager les intresss { se servir de lconomtrie comme outil de travail et de ne pas la
considrer comme un instrument de torture scientifique.
0. Introduction
Dans ce papier, nous nous proposons de montrer ltudiant inscrit en conomie le rle de loutil
conomtrique dans lanalyse conomique. Tout au long de son parcours universitaire et mme aprs
luniversit, ltudiant est appel { raliser des tudes ou analyses (travail pratique, mmoire, sminaire,
etc.) ; alors parmi les multiples outils danalyse disponibles, lconomtrie occupe sans nul doute une place
de choix.
Prenons un cas simple o il est demand { ltudiant de mener une analyse sur les interactions existant
entre le Produit Intrieur Brut (PIB) et la variation de lindice gnral des prix, gnralement qualifie de
taux dinflation (INFLA). Plusieurs approches sont { la porte de ltudiant pour mener cette tude. Dans le
cas o il dcide de recourir { loutil conomtrique, il pourra procder comme suit. Avant de chercher
explorer le monde conomtrique, lintress doit tre { mme de dfinir l conomtrie , cest--dire de
cerner ses contours. Aprs avoir apprhend les contours de lconomtrie, lintress peut ensuite
sinterroger sur la nature de relations qui lient les variables sous examen. Il ne suffirait pas de prciser
uniquement la nature de relation caractrisant les variables, faudra-t-il encore dterminer linfluence
quexerce une variable sur lautre tout en respectant les hypothses sous-tendant la mthode utilise pour
lanalyse.
Enfin, dune part, pour plus de rigueur et de rapidit lors de ltude et dautre part, pour aboutir { de
rsultat fiable et gnralement admissible, lintress sera oblig de matriser au moins lutilisation dun
logiciel conomtrique. Le tableau suivant rsume les diffrentes tapes { suivre pour linitiation {
lutilisation de loutil conomtrique.
Tableau 1. Analyse conomtrique
Etape 1
Avoir une ide
sur
lconomtrie
avant de lutiliser
Etape 2
Prciser le degr de
relation
entre
les
variables (dans ce cas PIB
et
INFLA)
avant
dapprofondir lanalyse
Etape 3
Construire
un
modle danalyse
permettant saisir
les
interactions
entre variables.
Etape 4
Etablir
les
diffrents
tests
permettant
de
diagnostiquer
la
validit du modle.
Etape 5.
Recourir un
logiciel
pour
lestimation du
modle.
56
ANALYSE ECONOMETRIQUE
CONSTRUCTION
DU MODELE
VALIDATION DU
MODELE
TESTS DE SIGNIFICATIVITE
*Test de Student
*Test de Fisher
TESTS DE DIAGNOSTIC
*Test dautocorrlation
*Test dhtroscdasticit
*Test de multicolinarit
TESTS COMPLEMENTS
*Test de normalit
*Test de stabilit
CONTOUR DE
LECONOMETRIE
ETUDES
DE CORRELATION
*Quest-ce que
lconomtrie ?
*Quest-ce que la
corrlation ?
*Ses objectifs ?
*Coefficient de corrlation ?
*Format de donnes
utilises ?
*Corrlation VS Rgression.
*Limites de la corrlation.
*Principaux lments
prsents dans les modles ?
*Modle de rgression
linaire (Simple & multiple).
*Modle quations
simultanes ou
multiquationnel
1.1.
Contour de lconomtrie
1.1.1.
Quest-ce que lconomtrie ?
o
o
Lconomtrie pourrait donc tre comprise comme une utilisation des mathmatiques et de la
statistique pour valuer les relations de la thorie conomique.
Lire R. Barre, 1975, Economie Politique, Presse universitaire de France, Paris, pp 58-64, pour avoir une ide sur la
gense de lconomtrie.
57
1.1.2.
-
1.1.3.
Types de donnes ?
Il existe 3 types de donnes gnralement utilises en Economtrie.
DONNEES DE PANEL
Syn. : DONNEES CROISEES
Syn. : CHRONIQUE,
SERIE CHRONOLOGIQUE
DONNEES INDIVIDUELLES,
DONNEES EN COUPE
Correspondent un ensemble de
donnes indexes par des indices
indiquant lindividu concern (i) et le
temps correspondant (t).
T
2000
2001
2002
2003
2004
2005
Yt : Taux de
croissance
-7.18
-2.66
3.22
5.73
6.64
6.20
Yi
RDC
6.20
Lybie
4.28
Gambie
4.70
Indice : t=temps
Indice : i=individu
Source : ralis par lauteur sur base de statistiques de la BAD.
1.1.4.
RDC
Yit
2000
2001
2002
2003
2004
2005
Lybie
Gambie
Taux de croissance en %
-7.18
-2.66
3.22
5.73
6.64
6.20
1.15
4.52
3.26
9.13
4.39
4.28
5.33
7.57
-3.80
7.70
5.10
4.70
58
Variable
quantitative
Continue :
Lorsquelle
prend une
infinit des
valeurs dans
un intervalle
donn.
Discrte
Variable
qualitative
Nominale
Ordinale
RELATIONS
On distingue :
- Relations comptables
Exemple : YM = CM + SM T
- Relations de dfinition
ou Relations didentit
Exemple : RT = Q*P ou
Yd = C + S
- Relations dquilibre
Exemple :
Y=C+I+XM
- Relations
fonctionnelles :
*Relations de comportement
Exemple : C = a + bY
*Relations techniques ;
Exemple : Q = AKaLb
.
- Relations institutionnelles.
PARAMETRES
Les valeurs prises par les
paramtres peuvent tre fixes
priori, estims par rfrence au
pass ou inconnus.
Il y a lieu de distinguer :
- Les propensions moyennes et
marginales ;
-
Les lasticits ;
59
1.2.
Etude de la corrlation
ETUDE DE LA CORRELATION
CORRELATION
AJUSTEMENT
proprement dite
Outil danalyse :
* Diagramme de dispersion
* Droite dajustement,
Droite destimation ou
Droite de rgression.
Mthodes :
* Mthode de 3 points ;
* Mthode de moindres carrs
METHODE QUALITATIVE
METHODE QUANTITATIVE
: covariance entre Y et X et
: cart-type de i.
CORRELATION
NEGATIVE :
Exemple : Prix et
Quantit demande
(loi de la
demande).
NULLE :
MAXIMALE:
60
APPLICATION 1
Ci-aprs est reprise lvolution du taux de croissance conomique et du taux dinflation (en moyenne
annuelle) en R.D. Congo de 2000 2008.
Tableau 5. Evolution du PIB et du taux dinflation en RDC
T
2000
2001
2002
2003
2004
2005
2006
2007
2008
Yt
-6.9
-2.1
3.5
5.8
6.6
7.2
5.6
6.3
5.9
Xt
511.2
135.1
15.8
4.4
9.2
18.2
21.3
9.9
27.6
-6.9
-2.1
3.5
5.8
6.6
7.2
5.6
6.3
5.9
511.2
135.1
15.8
4.4
9.2
18.2
21.3
9.9
27.6
=3.5
=83.6
-10.4
-5.6
0
2.3
3.1
3.7
2.1
2.8
2.4
A savoir :
La moyenne arithmtique de
w est donne par :
427.6
51.5
-67.8
-79.2
-74.4
-65.4
-62.3
-73.7
-56.0
-4447.04
-288.4
0
-182.16
-230.64
-241.98
-130.83
-206.36
-134.4
108.16
31.36
0
5.29
9.61
13.69
4.41
7.84
5.76
=186.12
182841.76
2652.25
4596.84
6272.64
5535.36
4277.16
3881.29
5431.69
3136
=218624.99
61
Note : En gnral, plus le coefficient est proche de 1, meilleure est la corrlation. Cependant, cest le
nombre dobservations n, ou plutt le nombre de degrs de libert (n - 2 pour une rgression
simple), qui dtermine plus prcisment une valeur limite, pour un niveau de risque derreur donn,
et il existe pour cela des tables du r. Elles sont rarement reprises dans les manuels de statistiques.
Ce tableau indique que pour un niveau de confiance de 0.95, le coefficient de 0,919 est significatif
puisquil est suprieur { 0.67 (n-2 = 7 degrs de libert).
Par ailleurs, le test t-Student permet galement dvaluer la signification du coefficient de corrlation
cest--dire de prciser si la relation entre Y et X nest pas le fait dun hasard.
62
1.895
Comme
, on rejette lhypothse nulle ; le coefficient de corrlation entre le
taux de croissance conomique et le taux dinflation est donc significatif.
Etant donn que le coefficient de corrlation est une mesure qualitative, la relation entre X
et Y serait :
parfaite si r = 1
d'intensit moyenne si r se situe entre 0,2 et
trs forte si r > 0,8.
0,5.
forte si r se situe entre 0,5 et
faible si r se situe entre 0 et 0.2.
0,8.
nulle si r = 0
63
Application dentranement :
Effectuer la mme tude sur les donnes suivantes :
- Taux de change annuel moyen (cours indicatif) et
- Taux de croissance de la masse montaire (M1)
Note : Considrer la priode allant de 1990 2009, ce qui correspond 18 observations.
To be continued
1.3. Construction du modle danalyse
1.4. Validation du modle danalyse
64
Voici juste une brve incursion de ce que nous aurons dvelopper aux points 1.3 et 1.4 dans les prochaines
ditions :
I.
ESTIMATION PAR LA METHODE DES MOINDRES CARRES ORDINAIRES
Instruction Eviews :
Cliquer sur QuickEstimate Equationcrire son modle et aprs valider.
Par exemple : aprs instigations on remarque que le taux de croissance la priode t (variable dpendante
ou endogne) est fonction du taux de croissance au temps t-1, du taux dinflation au temps t (variable
dpendant ou exogne) ; on pourrait donc crire dans la fentre : TXCROIS C TXCROIS(-1) TXINFL.
Commande Eviews :
Ou encore, on peut directement passer la commande suivante : LS suivi du modle.
Donc, on crira : LS TXCROIS C TXCROIS(-1) TXINFL.
O LS = Least Squares (Moindres carrs)
Cest ainsi quon obtient lestimation du modle linaire simple.
II.
TEST DE SIGNIFICATIVITE DES VARIABLES EXPLICATIVES
Daprs ce test, appel aussi test de student, la variable explicative (ou variable exogne) a une influence
significative sur la variable expliqu (ou variable endogne) si :
Probability < 0.05 et
t-statistic > 1.96 (rgle de pousse)
Note : Prob = Probability =Probabilit critique.
III.
TEST DE SIGNIFICATIVITE GLOBALE DU MODELE
Daprs ce test, appel aussi test de Fisher, le modle est globalement significatif si :
Prob(F-Statistic) < 0.05
ou encore si F-statistic > F-thorique.
IV.
TEST DHYPOTHESE NULLE DHOMOSCEDASTICITE : TEST DE WHITE
Ce test permet dvaluer lhypothse de la constance de la variance rsiduelle dans le temps et dans
lespace :
H0 : modle homoscdastique
H1 : modle htroscdastique
O H0 : hypothse nulle et H1 : hypothse alternative ou hypothse de soutien.
Instruction Eviews :
Cliquer sur : VIEW RESIDUALS TESTS WHITE HETEROSKEDASTICITY (no cross terms).
Rejeter H1 : Si Probability > 0.05
Rejeter H0 : Si Probability 0.05
Si lon dcide de rejeter H1, ce que les estimations obtenues par les MCO sont optimales.
V.
TESTS DAUTOCORRELATION DES ERREURS
Une des hypothses de moindre carr veut que les erreurs de la priode prcdente ninflue naient aucune
relation avec celles de priodes venir.
i. TEST DE DURBIN-WATSON : t = t-1 + t
Ce test nest utilis que si les conditions suivantes sont respectes :
a. Le modle doit imprativement comporter un terme constant ;
b. Le nombre dobservation doit tre 15 ;
c. Le modle doit tre spcifi en srie temporelle ;
d. La variable expliquer ne doit pas figurer parmi les variables explicatives en tant que variable
retarde (si cest le cas, alors utiliser le test du h de Durbin)
Exemple : Yt = C + Xt +Xt-1 + Yt-1 + ut ; dans ce cas, on ne doit pas utiliser le test de D-w car la
variable explicative(Yt) apparat encore dans le modle comme variable retarde parmi les
variables endognes.
65
Soit,
H0 : Erreurs non corrles ( = 0)
H1 : Erreurs corrles ( 0)
La statistique de Durbin-Watson est obtenue aprs estimation du modle par la mthode des moindres
carrs ordinaires.
Comment prendre la dcision ?
Pour commenter le rsultat, il faut matriser quelques notions indispensables lies la lecture de la table de
Durbin-Watson.
et et1)2/
et2) :(1)
DW = 22
= -1 : DW = 4 (Autocorrlation ngative)
Si
= 0 : DW = 2 (Absence dautocorrlation)
= +1 : DW = 0 (Autocorrlation positive)
TABLE DE DURBIN-WATSON
2
0
Autocorrlation
positive
Absence
dautocorrlation
DOUTE
dL
dV
DOUTE
4-dV
Autocorrlation
ngative
4-dL
Observation
K=1
dL
K=2
dV
dL
dV
dL
K=m
dV
6
7
8
9
10
11
12
13
14
15
16
17
18
.
.
.
n
66
Lors dune application, si vous tombez dans la zone de doute, dites-vous quil y a prsomption
dautocorrlation. Il ny a absence dautocorrlation que si cette condition est remplie : dV < D-W < 4dV.
En cas dautocorrlation, on peut utiliser dautres mthodes la corriger :
- La mthode destimation de COCHRANE ORCUTT ou
- Celle de HILDRETH-LU.
avec = 1
67
VIII.
TESTS DE STABILITE DES COEFFICIENTS DU MODELE
Ce test est important lorsquon cherche { comprendre les mcanismes de lvolution dune conomie et
aussi, lorsquon se propose de raliser des projections. Lconomie est soumis { des chocs (chocs de
demande ou chocs doffre), ainsi, au passage de temps linstabilit des coefficients dans le modle traduit
ces vnements.
i. TEST DE CHOW(1960)
Le test de Chow, appel aussi test de changement structurel examine si les coefficients dune rgression
sont stables par rapport aux observations utilises. Comme tout mdaille comporte un rvre, le test de
Chow prsente un inconvnient majeur : le choix du point de rupture par le modlisateur.
Soit,
H0 : modle stable
H1 : modle instable
Instruction Eviews :
Cliquer sur :
VIEW STABILITY TESTS CHOW BREAKPOINT TESTS choisir une anne (par exemple : 1973)
Le point de rupture est 1973 (premier choc ptrolier)
Si toutes les probabilits critiques (Probability) sont suprieure 0.05, ce que lon rejette H1 ; donc, on
dcide que le modle est stable sur la priode sous analyse.
ii.
CRITERE DE STABILITE
- Si la courbe sort du corridor, ce que les coefficients du modle sont instables
- Par contre, si la courbe ne sort pas du corridor, ce que les coefficients du modle sont stables.
Note : Corridor = intervalles defines par les pointills.
68
Instruction Eviews :
Cliquer sur :
VIEW STABILITY TESTS RECURSIVE ESTIMATES (OLS only)
69