Vous êtes sur la page 1sur 32

conomtrie

Francesco Quatraro
M1 EFM 2010/2011

conomtrie 1
Francesco Quatraro 2010/2011
La violation des hypothses
Le modle des MCO considre que les hypothses suivantes
sont toutes respectes:

H1: le modle est linaire en xi,t


H2: les valeurs xi,t sont observs sans erreur
H3: E( )=0, lesprance mathmatique de lerreur est nulle
H4: E( )= , la variance de lerreur est constante
(homoscdasticit)
H5: E( t t+1), les erreurs sont non corrles (ou indpendants)
H6: Cov(xi,t t), lerreur est indpendante de la variable
explicative

conomtrie 2
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
La violation de lhypothse H5 concerne des sris
temporelles o les lments hors diagonale de la
matrice de covariance de lerreur est diffrente de 0
Dans ce cas les estimateurs obtenus par la mthode
des MCP sont sans biais mais ne sont plus
variance minimale
Il faut donc identifier des nouveaux estimateurs et
des techniques pour dtecter une ventuelle
autocorrlation des erreurs
conomtrie 3
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Considrons le modle linaire gnral:
Y= X a +
(n,1) (n,k+1) (k+1,1) (n,1)

Dans lequel E( ) I
Nous dsirons dterminer un estimateur de a qui
ait le mmes proprits que lestimateur MCO:
sans biais et variance minimale
conomtrie 4
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Il est dmontr que cet estimateur est donn par:

Cet estimateur est appel estimateur des


Moindres Carrs Gnraliss (MCG)
Lorsque les hypothses classiques sont
satisfaites, nous retrouvons lestimateur MCO

conomtrie 5
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
On a une autocorrlation des erreurs lorsque les
erreurs sont lies par un processus de reproduction.
On peut distinguer lautocorrlation positive de
lautocorrlation ngative.

conomtrie 6
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Lautocorrlation des erreurs peut tre observe
pour plusieurs raisons:
Absence dune variable explicative importante dont
lexplication rsiduelle permettrait de blanchir les
erreurs
Mauvaise spcification du modle: les relations
entre les variables explicatives et la variable
expliquer ne sont pas linaires
Un lissage par moyenne mobile ou une
interpolation cre un autocorrlation artificielle
conomtrie 7
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Lautocorrlation des erreurs se rencontre
essentiellement dans les modles en srie
temporelle o linfluence dune erreur dune
priode sur lautre est plausible
Dans le cas de modle spcifi en coupe
instantane, on ne peut pas concevoir un
autocorrlation des erreurs que si les
observations ont t pralablement tries en
fonction de la variable expliquer
conomtrie 8
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
La dtection dune ventuelle dpendance des
erreurs ne peut seffectuer qu partir de lanalyse
des rsidus.
Lanalyse graphique des rsidus permet le plus
souvent de dtecter un processus de reproduction
des erreurs lorsque:
Les rsidus sont pendant plusieurs priodes
conscutives soit positifs, soit ngatifs
(autocorrlation positive)
Les rsidus sont alterns (autocorrlation ngative)
conomtrie 9
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Le test de Durbin et Watson permet de dtecter
une autocorrlation des erreurs dordre 1 selon
la forme:

Le test dhypothse est le suivant:


H0: =0
H1: 0

conomtrie 10
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Pour tester lhypothse nulle H0, nous calculons la
statistique de Durbin et Watson:

Ou et sont les rsidus de lestimation du modle


Par sa construction, cette statistique varie entre 0 et
4, et nous avons DW=2 lorsque
Afin de tester lhypothse H0, ils ont tabul les
valeurs critiques de DW au seuil de 5% en fonction
de la taille de lchantillon et du nombre de
variables explicatives (n, k)

conomtrie 11
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
La lecture de la table permet de dterminer deux
valeurs d1 et d2 comprises entre 0 et 2 qui
dlimitent lespace entre 0 et 4
Selon la position du DW empirique dans cet espace,
nous pouvons coclure:
d2<DW<4-d2 on accepte H0
0<DW<d1 on rejette H0; >0
4-d1<DW<4 on rejette H0; <0
d1<DW<d2; 4-d2<DW<4-d1 : indetermin
conomtrie 12
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Pour utiliser ce test, le modle doit comporter
imprativement un terme constant
La variable expliquer ne doit pas figurer parmi les
variables explicatives
Pour les modles en coupe instantane, les
observation doivent tre ordonnes en fonction de
la variable expliquer
Toutefois, le test de Durbin et Watson est un test
prsomptif dindpendance des erreurs de fait quil
utilise les rsidus
conomtrie 13
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Le test de Breusch-Godfrey est fond sur un test de
Fisher de nullit de coefficient ou de Multiplicateur
de Lagrange
Il permet de tester une autocorrlation dun ordre
suprieur 1, et il reste valide en presence de la
variable expliquer retarde parmi les variables
explicatives
Lide gnrale de ce test rside dans la recherche
dune relation significative entre le rsidu et ce
mme rsidu dcal
conomtrie 14
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Le test est men en trois tapes
Estimation par les MCO du modle et calcul du
rsidu
Estimation par les MCO de lquation
intermdiaire:

Test dhypothse sur lquation intermdiaire,


dont lhypothse H0: 1= 2== p=0
conomtrie 15
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Si nous retenons lhypothse dune
autocorrlation dordre 1, le modle scrit:

Processus autorgressif dordre 1 : AR(1)


En procdant par substitution successive du
modle autorgressif, on obtient:

conomtrie 16
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Nous avons E( t)=0

En gnral:

conomtrie 17
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
On a dj vu que lestimateur des MCG est gal
:

Cependant, nous ne connaissons ni le terme ni


la variance ;
Nous allons donc chercher une transformation
matricielle M telle que le modle MY=MXa+M
ait ses erreurs indpendantes et
homoscdastiques
conomtrie 18
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Soit:

Dans ce cas on peut dterminer lestimateur BLUE


de a par la mthode des MCO:

En comparant les deux spcifications de


lestimateur de a, MM= -1
Lgalit est vrifie pour chaque transformation de
la matrice de covariance
conomtrie 19
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Donc on peut crire:
La matrice M que remplit cette condition est la
suivante:

Ainsi, nous pouvons substituer la mthode des


MCG la mthode MCO applique au modle
linaire MY = MXa + M
conomtrie 20
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
Puisque nous nobservons pas , il convient de
trouver des procdures pour lestimer
Il y a diffrentes procdures. Considrons le cas
o
a) estimation directe de partir des rsidus de la
regression:
Estimation de ou
Transformation des variables et MCO
conomtrie 21
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
(b) Estimation itrative du vecteur a et
(Cochrane-Orcutt)
Valeur initiale:
Rgression sur le quasi-diffrences
Restimation de en utilisant les rsidus obtenus en
appliquant les coefficients estims dans ltape
prcdent
Rgression sur les quasi-diffrences
Et ainsi de suite jusqu la stabilisation des
coefficients
conomtrie 22
Francesco Quatraro 2010/2011
Autocorrlation des erreurs
c) mthode du balayage (Hildreth-Lu)
Determination du type de autocorrlation au travers
du test de Durbin-Watson
Rgression pour lintervalle des valeurs possibles de

d) Maximum de vraisemblance
Consiste estimer conjointement le vecteur a e la
valeur par maximisation dune fonction de
vraisemblance
conomtrie 23
Francesco Quatraro 2010/2011
Htroscdasticit
On dit que le modle est htroscdastique quand le
variances des erreurs ne sont constantes le longue
de la diagonale de la matrice de covariance
Ce problme se rencontre plus frquemment pour
les modles spcifis en coupe instantane, ou bien
que les observations sont reprsentatives de
moyennes
La variance de lerreur est alors lie aux valeurs de la
variable explicative
conomtrie 24
Francesco Quatraro 2010/2011
Htroscdasticit

conomtrie 25
Francesco Quatraro 2010/2011
Htroscdasticit
Les consquences de lhtroscdasticit sont identiques
celles de lautocorrlation des erreurs, c..d.:
Estimateur sans biais
Estimateur nest plus variance minimale
Les causes de lhtroscdasticit sont multiples:
Les observations reprsentent des moyennes calculs sur des
chantillons diffrentes
Rptition du mme valeur de la variable expliquer pour
diffrentes valeurs de la variable explicative
Les erreurs sont lies aux valeurs prises pare une variable
explicative

conomtrie 26
Francesco Quatraro 2010/2011
Htroscdasticit
Lestimateur BLUE du modle
htroscdastique est alors celui des MCG

Il nexiste pas une mthodologie unique de


correction
La rgle gnrale consiste dterminer une
transformation concernant les donnes afin de
se ramener un modle variances constantes
conomtrie 27
Francesco Quatraro 2010/2011
Erreurs sur les variables
La mthode des MCO porte sur lhypothse que la
variable endogne et les variables exognes sont
mesurs sans erreur
Toutefois, dans certains modles, les variables
conomiques peuvent tre entaches dune erreur
relative importante
Cest le cas pour exemple des donnes collects par
denqutes
Dans ce cas il convient de distinguer les valeurs
vrais (y*,x*) des valeurs observs (y,x)
conomtrie 28
Francesco Quatraro 2010/2011
Erreurs sur les variables
Soit le modle Y* = X*a +
Posons:
X = X* + ; Y = Y* +
En substituant dans le modle initial:
Y - = (X - )a +
Y = Xa - a + +
Y = Xa + ; = - a+

conomtrie 29
Francesco Quatraro 2010/2011
Erreurs sur les variables
Les proprits stochastiques de sont les
suivantes:
E( ) = 0
E(X* ) = 0
E (X ) = -E( )a 0
Donc, lhypothse H6 du modle gnral nest
pas vrifie
Lestimateur est biais
conomtrie 30
Francesco Quatraro 2010/2011
Erreurs sur les variables
Lorsquon se trouve en prsence dun modle
erreurs sur les variables Y = Xa + , lestimateur
ne converge pas vers la valeur vraie a.
Le but de la technique des variables
instrumentales est de dterminer k variables z1,
z2, ,zk telles que
E(Z ) = 0 o Z=(z1, z2, ,zk)
Cov(ZX)0
conomtrie 31
Francesco Quatraro 2010/2011
Erreurs sur les variables
Nous avons alors:
E(ZY)=E{Z(Xa+ )}=E(ZX)a+E(Z )=E(Z
X)a

La difficult de mise en ouvre de cette mthode


rside dans la slection des variables
instrumentales Z qui doivent tre non corrles
avec et fortement corrles avec X.
conomtrie 32
Francesco Quatraro 2010/2011