Académique Documents
Professionnel Documents
Culture Documents
SOUSSE
ECONOMETRIE II
Réalisé par :
Mohamed BELHEDI
Ragnar Anton Kittil Frisch (Oslo, 3 mars, 1895 - 31 janvier, 1973), économiste norvégien et
lauréat du premier « prix Nobel » d'économie décerné en 1969, est l'un des pères de
l'économétrie.
Jan Tinbergen (La Haye, 12 avril 1903 - 9 juin 1994 ), économiste néerlandais et lauréat,
avec Ragnar Frisch du premier Prix de la Banque de Suède en sciences économiques en
mémoire d'Alfred Nobel décerné en 1969 et du Prix Érasme en 1967.
Faculté des Sciences Economiques et de Gestion de
Sousse
Cours d’économétrie II
Rédigé par :
Mohamed BELHEDI*
Objectifs du cours
Ce cours est destiné aux étudiants de licence et première année master (Maîtrise
Ancien régime) d’Econométrie, Economie Bancaire et financière et Finance.
Pré requis
Pour Comprendre ces notions l’étudiant devrait avoir des bonnes connaissances
en algèbre linéaire ainsi que les notions fondamentales de Statistique.
1
Cours d’Econométrie II BELHEDI Mohamed
On peut estimer le modèle par MCO en minimisant le score S()=U’U qui n’est autre que la
somme des carrées des résidus. On a donc :
U Y X
S ( ) U 'U (Y X ) '(Y X ) YY ' ' X ' Y Y ' X ' X ' X
Y ' Y 2 ' X ' Y ' X ' X
2
Cours d’Econométrie II BELHEDI Mohamed
S ( )
1) 0 2 X ' Y 2 X ' X ˆ 0 MCO ( X ' X ) 1 X ' Y
( ' X ' X ) ( ' X ' Y )
on rappele que : 2X ' X ; X 'Y
2 S S ( )
2) ( ) 2 X ' X qui est une matrice définie positive
2
(ayant des valeurs propres positives)
1) E( )= puisque : E ˆ E X ' X X ' X U E X ' X X 'U
1
1
car E(U)=0.
2) V E
'] E X ' X 1
X 'UU ' X X ' X = 2 X ' X
1
1
3) est le meilleur estimateur linéaire non biaisé BLUE (théorème de Gauss Markov1)
Ŷ Y
T T
u
2
2
i t
SCE SCR
5) R² t 1
1 t 1
1
Y Y
T
Y Y
T
2 SCT 2 SCT
t t
t 1 t 1
SCR T 1 T 1
6) R² 1 1 1 R²
SCT T k Tk
Supposons maintenant que certaines hypothèses classiques ne sont plus vérifiées. Que se
passent il si les résidus sont autocorrélés ou ne sont plus homoscédastiques (H2) ?
Dans ce cas les estimateurs des MCO ne sont plus à variance minimale et le théorème de
Gauss-Markov n’est plus vérifié. Nous verrons dans la section suivante que les estimateurs
par moindre carré généralisé vérifient ce théorème et que cet estimateur est sans biais
convergent et à variance minimale.
1
S’il existe un autre estimateur de alors il a une variance supérieur a celle de
3
Cours d’Econométrie II BELHEDI Mohamed
1) E
X 'X X 'VX X ' X ²X ' X X ' X X ' X ²X ' X
1 1 1 1 1
Posons t ut ut ut 1
E t E ut ut 1 0
Var t Var ut Var ut 1 2 Cov ut ; ut 1 2 ²
0
4
Cours d’Econométrie II BELHEDI Mohamed
Vérification :
Y X U Supposons qu’il existe une matrice P tel que : 1 P ' P
PY PX PU
Y * X * U *
E U * E PU PE U 0
Var U * V PU E PU PU ' E PUU ' P ' PE UU ' P '
P ² P ' ² PP ' ² IT
Les hypothèses classiques sont vérifiées pour U* et on peut appliquer les MCO pour le
modèle : Y * X * U *
Var G ² X * ' X * ² X ' 1 X X 'V 1 X
1 1 1
Comme ² est inconnue, nous allons chercher un estimateur sans biais de ² est définie par :
2
G
Y *
X * ˆG ' Y * X * ˆG PY PX ˆ ' PY PX ˆ
G G
T k T k
P Y X ˆG ' P Y X ˆG
Y X ˆG ' P ' P Y X ˆG
T k T k
Y X ˆG ' 1 Y X ˆG
T k
2ème cas : Si Y X U avec E(U) = 0, Var(U) = V (avec V est une matrice inconnue)
Il faut d’abord chercher un estimateur convergent Vˆ de V, ensuite appliquer les MCG estimés
ˆ
1
(appelé encore MCQG) : ˆG X 'Vˆ 1 X X 'Vˆ 1Y
5
Cours d’Econométrie II BELHEDI Mohamed
ˆ
On peut démontrer que P lim ˆG mais attention, en petits échantillons, on ne peut pas
ˆ ˆ
dire que E ˆG et Var ˆG est minimale.
1) G
N , ² X ' 1 X
1
avec -1 P ' P
2
G
2) T k 2 T k
²
N j , b jj avec b jj est le jième élément diagonal de ² X'-1 X
j 1
3) G
Remarques :
a U
N 0,V : si V est connue à 100%.
U N (0, ²) Alors
b U
N 0,V : si V= ² est connue à terme ² prés.
(a) on applique la loi normale dans le cas d’un test sur une hypothèse simple, et la loi de
Khi-deux dans le cas d’un test sur une hypothèse linéaire générale.
(b) on applique la loi de Student dans le cas d’un test sur une hypothèse simple, et la loi
de Fisher dans le cas d’un test sur une hypothèse linéaire générale.
6
Cours d’Econométrie II BELHEDI Mohamed
Rappel :
Le processus autorégressif AR(p) : ut AR(p)
ut = 1ut–1 + 2ut–2 + … + put–p + t ; t est un bruit blanc.
Le processus moyenne mobile MA(q) : ut MA(q)
ut = t + 1t–1 + 2t–2 + … + qt–q ; t est un bruit blanc.
Le processus mixte ARMA(p, q) : ut ARMA(p, q)
ut = 1ut–1 + 2ut–2 + … + put–p + t + 1t–1 + 2t–2 + … + qt–q ; t est un bruit blanc.
7
Cours d’Econométrie II BELHEDI Mohamed
Il arrive fréquemment, dans les séries temporelles, que les résidus présentent une
allure cyclique : soit un résidu positif tend à être suivi par un résidu positif ou un résidu
négatif tend à être suivi par un résidu négatif ; soit les résidus successifs alternent. Le premier
cas correspond à une autocorrélation positive ; le second, à une autocorrélation négative.
= 2 ( ut 3 t 2 ) t 1 t
= 3ut 3 2 t 2 t 1 t
8
Cours d’Econométrie II BELHEDI Mohamed
Ce qui implique :
E (ut ) i E ( t i ) 0
i 0
2
E (ut2 ) E ( t2 ) 2 E ( t21 ) 4 E ( t2 2 ) ... 2 (1 2 4 ...) .
1 2
De même :
2
E (ut , ut 1 ) E (ut , ( ut 1 t )) E (ut21 ) u2
1 2
ut
t
0
9
Cours d’Econométrie II BELHEDI Mohamed
ut
t
0
u
T 2
t u t 1
par : DW t 2
T
uˆ
t 1
2
t
10
Cours d’Econométrie II BELHEDI Mohamed
T T T T T T
u t u t 1 2 u t u t 1 2 u t 2 u t u t 1
2 2 2 2
u t u t 1
DW t 2
T
t 2 t 2
T
t 2
t 2
T
t 2
u u u
2 2 2
t t t
t 1 t 1 t 1
∑ ̂ ̂
Or lorsque T tend vers l’infini on a : ∑ ̂ ∑ ̂ et on a : ̂ ∑ ̂
∑ ̂ ̂
Donc : ( ∑ ̂
) ̂
On pourra résumer ces valeurs dans un tableau en indiquant deux valeurs critiques de
Durbin-Watson théorique qui prennent deux valeurs dU et dL et qui dépendent du nombre des
variables explicatives dans la régression ainsi que de la taille de l’échantillon. Notons enfin
que la présence de la constante et l’absence du retard sur la variable dépendante dans la
régression sont indispensables pour ce test.
0 dL dU 2 4-dU 4-dL 4
>0 ? =0 =0 ? <0
11
Cours d’Econométrie II BELHEDI Mohamed
Le test de DW n’est pas applicable quand on a des variables endogènes retardées en tant que
explicatives dans le modèle.
Exemple : yt 0 1x1t ... k x kt yt 1 u t avec t 1,...,T ;
T
h ˆ
assy
(0,1)
ˆ ˆ
1 T V yt 1
V̂ ˆ yt1 : La variance estimée par MCO associée au coefficient yt–1 dans la modèle.
H0 : 0
Avec un risque de 5%, si h 1,962 : on accepte H0.
H1 : 0
ˆ ˆ
Remarque : 1 T V 3
yt 1 peut être négative, Durbin propose une autre procédure de test .
H0 : 1 2 ... p 0
Il permet de tester l’hypothèse :
H1 : 1 0; 2 0;...; p 0
La statistique est obtenue en appliquant le principe des Multiplicateurs de Lagrange
(critère LM) dans le contexte du maximum de vraisemblance pour un modèle à erreurs
autorégressives.
2
Lu dans la table de la loi normale centrée réduite.
3
Voir Jhonston
12
Cours d’Econométrie II BELHEDI Mohamed
k p
yt 0 i xti j u t j vt
i 1 j 1
Où les u t s sont les résidus de la régression de yt sur les k variables explicatives xt par MCO.
La statistique est définie par :
LM = TR²
T est la taille de l’échantillon et R² est le coefficient de détermination de la régression des
résidus sur les explicatives.
Si H0 est vraie on peut montrer que la distribution limite (lorsque n) de cette statistique
est une 2p . Si TR² 2p 4 on accepte l’hypothèse d’indépendance des erreurs.
On pourra aussi utiliser un test de Fisher classique de nullité des coefficients i pour la
régression auxiliaire lorsque la taille de l’échantillon est faible (H0 : 1 = 2 =…= p = 0).
4
Lu dans la table khi deux au seuil et au p degrés de liberté.
13
Cours d’Econométrie II BELHEDI Mohamed
1 ² 0 0
1
1 0 1
P
1 2
0
0 1
0
Avec ut = ut–1 + t
Le modèle peut s’écrire en t–1 : yt 1 0 1x1t 1 ... k x kt 1 u t 1 avec t 2,...,T (2)
(1) – (2) :
y t y t 1 0 (1 ) 1 (x1t x1t 1 ) ... k (x kt x kt 1 ) (u t u t 1 ) avec t 2,..., T
y t b0 1x1t ... k x kt t
On peut écrire ce dernier modèle « transformé »sous la forme :
k k
yt yt 1 j X jt ( j ) X jt 1 t
j 1 j 1
t est un bruit blanc, donc le meilleur estimateur pour ce dernier modèle est celui des MCO.
Les coefficients estimés du modèle transformé sont les mêmes que ceux du modèle de départ
(1) sauf la constante : 0 = b0 / (1 – ).
Il convient donc de connaître ou d’estimer le paramètre . C’est l’objet des procédures
suivantes :
14
Cours d’Econométrie II BELHEDI Mohamed
1ère étape : Estimation directe de à partir des résidus de la régression sur le modèle initial
∑ ̂ ̂ DW
(i) : ̂ ∑ ̂
Ou à partir de la statistique de DW : ˆ 1
2
2ème étape : Transformation des variables (endogène et exogènes). Les paramètres estimés par
MCO sont alors : ˆ 1 , ˆ 2 ,..., ˆ k et ˆ 0 bˆ 0 /(1 ˆ ).
1ère étape : On commence par appliquer les MCO sur le modèle (1) pour obtenir un vecteur u
∑ ̂ ̂
2ème étape : On obtient ensuite en régressant u t sur u t 1 . Ceci donne : ̂ ∑ ̂
3ème étape : On applique alors la formule des moindres carrées généralisés en remplaçant par
̂ ̂ ̂
[̂ ̂ ̂ ]
On calcule . ̂ ̂ ̂
On recommence à partir de la 2ème étape : ce nouveau vecteur peut servir à calculer une
nouvelle estimation de , soit ̂̂…Cette dernière peut servir à calculer une troisième
estimation de , et ainsi de suite .
4ème étape : On peut poursuivre cette procédure jusqu’à la convergence5 des estimations de .
Remarque : il n’est pas certain que cette procédure converge vers un extremum global.
5
On dit qu’il y’a convergence si à l’itération i on a : ̂ ̂
15
Cours d’Econométrie II BELHEDI Mohamed
ˆ G et par la suite SCR Y Xˆ G 'V 1 Y Xˆ G
3ème étape : On choisie la valeur de qui minimise la SCR().
1 ² ... T 1
1 ... T 2
1
N (0, ) Avec ² . . .
2
U
1 ²
. . . .
T 1 . ² 1
1 1 1
T
1
T
Lorsque la variance des erreurs ne sont plus constantes sur la première diagonale
V (U ) 2 I on parle de présence d’hétéroscédasticité dans ce cas les estimateurs des MCO
sont sans biais mais non efficace (la variance n’est plus minimale) ce phénomène peut être
expliqué par plusieurs raisons:
16
Cours d’Econométrie II BELHEDI Mohamed
- la répétition d‘une même valeur de la variable à expliquer pour des valeurs différentes d’une
variable explicative ;
- la présence des moyennes calculée sur des échantillons de taille différente ;
- lorsque les erreurs sont liées aux valeurs prises par une variable explicative, dans un modèle
en coupe instantanée la variance de la consommation croit, par exemple, avec le revenu
disponible, etc.…
Nous avons dit que la matrice variance covariance des erreurs prend la forme suivante :
²diag(k1,…,kn) où les ki sont des constantes positives connues. Pour remédier ce problème
1
on peut adopter la transformation des observations en multipliant par .
ki
Plus généralement, on peut pourra adopter la méthode des moindre carrée pondérés pour
remédier le problème d’hétéroscédasticité. Si ce problème est dû à des variations aléatoires
des coefficients de régressions de régression, en illustrant cette situation par exemple simple.
Soit le modèle :
yt a bxt ut et supposons que b = b* + t où b* est constant en probabilité et où t est une
erreur aléatoire avec E(t) = 0, V(t) = 2 , E(t, s) = 0 pour t s, et E(ut, t) = 0. On peut alors
écrire :
yt a (b* t ) xt ut a b* xt vt avec vt ut t xt
t2 E (vt2 ) par xt2 on utilise ensuite les moindres carrés pondérés pour estimer a* et b*.
17
Cours d’Econométrie II BELHEDI Mohamed
V(ut) xj V(ut) xj
Exemples d’hétéroscédasticité.
Exemple d’homoscédasticité.
18
Cours d’Econométrie II BELHEDI Mohamed
SCR1 SCR2
2T c Et 2T c . Le rapport de deux khi deux rapporté chacun à son
²
2
( k 1)
²
2
( k 1)
Supposons que le modèle étudié est sous la forme matricielle suivante : Y = X + U et que la
variance 2 f (Z , ) avec Z X cela veut dire que la source de l’hétéroscédasticité est une
partie des variables explicatives. Breusch et Pagan propose de faire le test suivant :
1ère étape : Faire la régression Y=X+U. Par MCO.
2
u
2ème
étape : Faire la régression 2
0 1 z1 2 z2 ... l zl
3ème
étape : Faire le test H0 : 1 = 2 = … = l = 0
SCE
La statistique est S 2l
2
On teste ensuite la significativité de 1 dans l’estimation par MCO des modèles suivants :
19
Cours d’Econométrie II BELHEDI Mohamed
u t 0 1 xtk t
u t 0 1 xtk t Si 1 est statiquement significatif dans l’une des régressions citée on
u t 1
0 1
xtk
t
q q q l q
On voit donc le caractère général de ce test puisque dans les variables explicative on trouve
les xi leurs carrés et leurs produits croisés. La statistique de test de White repose sur le calcul
du coefficient de détermination R² tiré de la régression précédente (2). Sous H0 (les q, les q
et les ql sont nulles) on peut montrer que W TR² (2p ) p étant le nombre de régresseurs
k (k 3)
dans la régression précédente ( p k est le nombre de variable explicative dans la
2
régression du départ (1)). La règle de décision est toujours la même.
L’estimateur BLUE d’un modèle hétéroscédastique est alors celui des MCG :
1
𝛽̂𝐺 G X ' 1 X X ' 1Y ' et V G X 'V 1 X ² X ' 1 X
1 1
MCP :
Pour rendre les erreurs homoscédastiques il faut transformer le modèle du départ afin d’avoir
ut
une variance constante ceci est possible si on pose ut t = 1, …, T.
x jt
Y PY , X PX et U PU
20
Cours d’Econométrie II BELHEDI Mohamed
Cette forme est obtenue en multipliant toutes les équations par l’inverse des éléments de Xj.
yt 1 x x x u
2 2t 3 3t ... k kt t t=1,....,T
x jt 1 x jt x jt x jt x jt
1
x 0 0
1j
1
0 . .
x2 j
Donc la matrice de transformation est : P .
.
. . 0
1
0 0
xTj
1
x2 0 0
1j
1
0 . .
x22 j
PP '
1
.
.
. . 0
1
0 0
xTj2
V. La multicolinéarité
La multicolinéarité est un autre problème de violation des hypothèses classiques pour les
estimations par MCO. Cette violation est due à l’existence d’une dépendance linéaire entre les
vecteurs représentatifs des variables explicatives. On parle de multicolinéarité parfaite ou
stricte lorsque une des variables explicatives soit fortement corrélé avec une autre ou des
autres explicatives. Dans ce cas il est impossible d’estimer le modèle par MCO puisque la
matrice X ne soit pas de plein rang et le déterminant de X’X sera nul. Mais ce cas est extrême
et il arrive souvent que la dépendance linéaire des variables explicatives soit approximative.
Les conséquences de ce phénomène sont les suivant :
Les éléments de la matrice (X’X) sont élevés et sont déterminant tend vers 0.
21
Cours d’Econométrie II BELHEDI Mohamed
Cov( x ; x )
2
i j
multicolinéarité si R² < rx2i x j . Avec rx2i x j
V ( xi )V ( x j )
Les rx2i x j sont observées dans la matrice de corrélation qui est fournit par la majorité des
logiciels d’économétrie.
On pourra utiliser le test de Farrar et Glauber (1967) qui suggèrent de réaliser un test en
deux étapes :
1ère étape : Calculer le déterminant de ma matrice des coefficients de corrélation entre les
variables explicatives :
1 rx1x2 rx1x3 ... rx1xk
rx2 x1 1 rx2 x3 ... rx2 xk
D . . .
. .
rxk x1 rxk x2 ... rxk xk 1 1
Dans le cas opposé, où les séries explicatives sont orthogonales, le déterminant devient :
22
Cours d’Econométrie II BELHEDI Mohamed
1 rx1x2 1 0
D 1
rx2 x1 1 0 1
Si c2 21
: on accepte H 0 les séries sont orthogonales.
k ( k 1)
2
Exemple :
Soit me modèle linéaire suivant : yi 0 1 x1i 2 x2i 3 x3i 4 x4i i i 1,...,13
Les résultats d’une estimation par MCO de ce modèle sont résumés dans le tableau suivant :
Variable
Coefficient Ecart-type
62.41 C
70.07
1.5511 x1
0.7448
0.5102 x2
0.7238
0.1019 x3
0.7547
-0.1441 x4
0.7091
R² = 0.93024
La matrice des corrélations entre les variables explicatives est la suivante :
x1 x2 x3 x4
x1 1 0.229 0.824 0.245
x2 0.229 1 0.139 0.973
x3 0.824 0.139 1 0.03
x4 0.245 0.973 0.03 1
Avec, le déterminant de cette dernière matrice est égal à 0.00139533.
1
c2 13 1 2 5 5 6.5746 62.46
6
Si c2 62.46 21
=18.31 : on rejette H0 présemption de la multicolinéarité.
k ( k 1) 10
2
23
Cours d’Econométrie II BELHEDI Mohamed
certain seuil, on élimine soit x soit z). La question qui se pose ici, est ce qu’on peut
toujours éliminer des variables explicatives sans changer la structure du modèle ?
La régression Ridge : c’est l’idée de Kennard et Hoerl (1970), afin de rendre la matrice X’X
bien conditionnée et obtenir un estimateur assez stable ˆR X ' X cI X 'Y est
-1
l’estimateur Ridge. Avec c est un réel non stochastique appartenant à [0, 1].
Remarque :
max
l’indice de conditionnement d’une matrice A : J = A.A-1= avec les j
min
sont les valeurs propres de la matrice A.
Inférences statistiques :
E (ˆR ) E[( X ' X cI )1 X '( X U )] ( X ' X cI ) 1 X ' X si c 0. Car E(U)=0.
V ( R ) E R E R R E R ' E ( X ' X cI ) 1 X 'UU ' X ( X ' X cI ) 1
²( X ' X cI )1 ( X ' X )( X ' X cI )1
24
Cours d’Econométrie II BELHEDI Mohamed
Faire le choix entre deux estimateurs, l’un est sans biais mais de variance élevée et l’autre de
variance réduite mais biaisé. Ce choix se fera sur la base de l’erreur quadratique moyenne
EQM.
Théorème 2 : il existe toujours des valeurs positives de c tel que EQM( ˆR ) EQM( ˆMCO ).
²
Pour cela, il suffit de choisir c .
max
2
ˆ ²
Choix de c : Hoerl et Kennard (1975) proposent d’estimer c par : cHK k 1
ˆ ˆMCO
'
MCO
Uˆ 'Uˆ ˆ
, MCO X ' X X ' Y et k : nombre de paramètres à estimer dans le modèle.
1
Avec ²
T k
Calcul de l’estimateur Ridge :
Xt X Yt Y
Il faut toujours standardiser le modèle : ;
x y
On utilise un programme MCO pour l’estimation tout en écrivant le modèle comme suit :
Y1 X 11 X 12 ... X 1k
X ...
Y2 21
... ...
X X
1 u1
T
Y T 1 ... ... Tk
2 2
u
... ... Yc X c U c
0 c 0 ... 0
... k uT k
0 ...
... ... ...
0
0 c
(T k ,1) (T k , k ) (k ,1) (T k ,1)
6
Démonstration : voir Judge, G.G. (1988) pp 874-882.
25
Cours d’Econométrie II BELHEDI Mohamed
X
'
X
X c X c X ' X cI
'
cI cI
k k
' ˆR
X Y
X cYc X ' Y cI 0 X ' Y
'
cI 0
k
Exemple :
1 10 25
Y 2 ; X 15 17 ; c 0,1.
3 30 15
1 10 25
2 15 17
1
Alors Yc 3 ; X c 30 15 ˆR X c' X c X c' Yc
0
0,1 0
0
0 0,1
26
Cours d’Econométrie II BELHEDI Mohamed
Ct est la consommation, qui est une variable endogène du modèle , Rt est le revenu national,
qui est aussi une variable endogène, It est l’investissement, qui est une variable exogène du
modèle.
La première équation est une équation stochastique de comportement, la seconde est une
identité comptable qui n’est autre qu’une définition. Cette représentation est appelé forme
structurelle.
27
Cours d’Econométrie II BELHEDI Mohamed
2) Forme réduite :
La forme réduite (FR) est obtenue à partir de la forme structurelle lorsque l’on exprime
chaque variable endogène en fonction des exogènes du modèle.
Exemple 1 : Si on substitue la première dans la seconde on obtient :
a 1
Rt It t
1 b 1 b 1 b
L’application des moindres carrés ordinaire ne donne pas des estimateurs convergents.
Si on remplace Rt par sa valeur dans la première équation on obtient :
a b 1
Ct It t
1 b 1 b 1 b
a b 1
Ct 1 b 1 b I t 1 b t
D’où la forme réduite du modèle est :
R a 1 I 1
1 b 1 b 1 b
t t t
L’estimation de cette forme par MCO en régressant Ct et Rt sur une constante et It permet
d’estimer les coefficients de It et la constante mais ces derniers n’ont plus la même
signification économique suggéré pas la FS. Il y’a donc un problème d’identification.
28
Cours d’Econométrie II BELHEDI Mohamed
Exemple 2 : Si on fait légalité des deux fonctions, qui assure l’équilibre du marché, on pourra
déduire immédiatement la forme réduite du modèle.
b1 b2 c1 c2 1t 2t
pt a a rt a a xt a a a a
2 1 2 1 2 1 2 1
q a2b1 r a1b2 x a2c1 a1c2 a21t a1 2t
t a2 a1 t a2 a1 t a2 a1 a2 a1
En posant :
b1 b2 c c
1 , 2 ,3 1 2 ,
a2 a1 a2 a1 a2 a1
a2b1 ab a c ac
1 , 2 1 2 , 3 2 1 1 2 ,
a2 a1 a2 a1 a2 a1
1t 2t a21t a1 2t
u1t et u2t
a2 a1 a2 a1
pt 1rt 2 xt 3 u1t
On a la forme réduite suivante : qui vérifie H2. On peut avoir des
qt 1rt 2 xt 3 u2t
estimateurs sans biais et convergents des coefficients 1, 2, 3, 1, 2 et 3, mais n’ont pas de
signification économique et la aussi on un problème d’identification des paramètres.
29
Cours d’Econométrie II BELHEDI Mohamed
MCO X X
1
ˆ'
Cette forme peut être estimer par MCO il vient : '
X 'Y
30
Cours d’Econométrie II BELHEDI Mohamed
31
Cours d’Econométrie II BELHEDI Mohamed
On définie une matrice P, appelée matrice des structures qui est formée par la juxtaposition
des matrices B et A, soit P BA . P est donc de dimension [g, (g+k)].
Soit une matrice des restrictions i relative à l’équation i et construite de la façon suivante :
i ih 0 (i
P ème
ligne de P et hième colonne de i).
Exemples :
1) soit un modèle comportant trois variables endogènes Y1, Y2 et Y3 et deux variables
exogènes X1 et X2.
La forme structurelle à l’instant t est donnée par :
y1t c12 x2t 1t y1t 0 y2t 0 y3t 0 x1t c12 x2t 1t
b21 y1t y2t c21 x1t 2t b21 y1t y2t 0 y3t c21 x1t 0 x2t 2t
b y y c x b y 0 y y 0 x c x
31 1t 3t 2 2t 3t 31 1t 2t 3t 1t 2 2t 3t
1 0 0 0 c12
La matrice des structures est : P b21 1 0 c21 0
b c32
31 0 1 0
32
Cours d’Econométrie II BELHEDI Mohamed
0 c12 0
P1 1 c21 , P 2 0 et P 3 1 c21
1 1 c 0
32
A l’aide des critères préalablement définie nous pouvons en déduire que :
L’équation (1) est juste-identifiée car le rang de P1 = 2 = g – 1. Sauf si c21 = -1.
L’équation (2) est juste-identifiée car le rang de P2 = 2 = g – 1. Sauf si c12 = 0 ou
c32 = -1.
L’équation (3) est sous-identifiée car le rang de P1 = 1 < g – 1. c21.
0 0
0 1
1
0 1
Les variables Y2 et X1 ont le même coefficient.
1 0
La variable Y1t-1 est absente.
33
Cours d’Econométrie II BELHEDI Mohamed
0
0 0 0 a
2 Alors P1 ; P 2
1 c 1 0
0
L’équation (1) est juste-identifiée car le rang de P1 = 1 = g – 1.
L’équation (2) est juste-identifiée car le rang de P2 = 1 = g – 1. Sauf si a = 0.
Les méthodes d’estimation que nous pouvons proposer dans le cadre des équations
simultanées sont en fonction du critère d’identification du modèle :
Si le modèle est sous-identifiable : pas d’estimation possible.
Si l’équation est juste-identifiée : les moindres carrés indirects (MCI) ou les doubles
moindres carrés (DMC).
Si l’équation est sur-identifiée : les doubles moindres carrés (DMC).
34
Cours d’Econométrie II BELHEDI Mohamed
FS : BY AX FR : Y B 1 A X B 1
U
1
X ' Z X ' Y avec : Z Y1 X1
1
MCI
1
MCI
Démonstration :
1 1
ˆ ˆ1 ˆ
D'après (*) : ˆ ' 1 X ' X X ' Y ˆ1 1
1
0 0 0 0
1
ˆ ˆ
X 'X X ' Y 0 ˆ1 1 X ' X X ' Y Y1ˆ1 1
1 1
Y1
0 0 0
ˆ
X ' X X ' X X ' Y X ' X X ' X X ' Y1ˆ1 X ' X 1
1 1
0
ˆ ˆ
X ' Y X ' Y1ˆ1 X ' X 1 X ' Y X ' Y1ˆ1 X ' X 1
0 0
or , X X 1 X 0
ˆ
X ' Y X ' Y1ˆ1 X ' X 1 X 0 1
0
ˆ
X ' Y X ' Y1ˆ1 X ' X 1ˆ1 X ' Y1ˆ1 X 1ˆ1 X ' Y1 X1 1
Z ˆ1
35
Cours d’Econométrie II BELHEDI Mohamed
Exemple :
a b 1
Ct 1 b 1 b I t 1 b u1t Ct ( 1) I t t
R a 1 I 1 u Rt I t t
t 1 b 1 b t 1 b 1t
1 a u
avec : , et t 1t
1 b 1 b 1 b
La méthode des MCO permet d’estimer les paramètres et . Ces estimateurs sont sans
1 ˆ
biais et convergents. On peut déterminer dans ce cas bˆ 1 et aˆ ˆ (1- bˆ)
ˆ ˆ
Et on démontre que : bˆ b et aˆ a il ya convergence en probabilité.
On dit que les estimation de a et b on été obtenus par « régression indirecte ».
- E ˆ E X ' X X '
1
36
Cours d’Econométrie II BELHEDI Mohamed
1
1 1 1
- p lim ˆ p lim X ' X p lim X ' Q 1 p lim X '
T T T
Q 0
On suppose qu’il existe des variables proches de X et non corrélées en limite avec .
Soit Z : la matrice des observations de ces variables qui sont appelées les instrumentales.
Les propriétés à vérifier par les instrumentales :
1
- p lim Z ' 0.
T
1
- p lim Z ' X QZX Existe, de termes finis et non singulière.
T
1
- p lim Z ' Z QZZ Existe et de termes finis.
T
1
1 1
p lim ˆVI p lim Z ' X p lim Z '
T T
1 0
QZX
T1 p lim T ˆ
Asy Var ˆVI VI ˆ
VI
'
1
p lim T Z ' X Z ' ' Z Z ' X '
1 1
T
1 1'
1 1 1 1
p lim Z ' X p lim Z ' ' Z p lim Z ' X
T T T T
1 1 1 1
QZX p lim Z ' ' Z QZX '
T T
² TQZZ
1 1
QZX ²TQZZ QZX
1
' ²QZX
1 1
QZZ QZX '
T
T
VI
37
Cours d’Econométrie II BELHEDI Mohamed
Exemple : (pratique)
Quand on estime une fonction de production de type Cobb-Douglass :
Log Yt 0 1Log Lt 2 Log Kt t avec : t 1,...T
Le capital est souvent corrélé avec le terme d’erreur. Donc les MCO vont fournir des
estimateurs biaisés.
Problème : comment choisir une variable instrumentale pour K.
1ère possibilité : (une seule variable instrumentale)
1 Log L1 Log PK 1
Z On prend le prix du capital PK comme instrumentale pour K.
1 Log L Log P
T KT
Alors on peut créer une nouvelle variable qui est la combinaison linéaire des instrumentales :
1 Log L Log P
1 K1
Dans ce cas : Z
1 Log L Log P
T KT
38
Cours d’Econométrie II BELHEDI Mohamed
1ère étape : effectuer une régression de chacune des variables endogènes sur toutes les
variables exogènes :
y1t 11 x1t 12 x2t ... 1k xkt u1t
y2t 21 x1t 22 x2t ... 2 k xkt u2t
ygt g1 x1t g 2 x2t ... gk xkt u gt
2ème étape : remplacer les variables endogènes figurant à droite des équations structurelles par
leurs valeurs ajustées à l’aide des modèles estimés :
y1t b12 y 2t ... b1g y gt a11 x1t a12 x2t ... a1k xkt 1t
y2t b21 y1t ... b2 g y gt a21 x1t a22 x2t ... a2 k xkt 2t
y gt bg1 y1t bg 2 y 2t ... ag1 x1t ag 2 x2t ... agk xkt gt
3ème étape : appliquer les MCO sur le dernier modèle, équation par équation.
Propriétés asymptotiques de l’estimateur des DMC :
Y = Y11 + X11 + Y Y 11 X11 Y Y1 X1 1 Z
1
Z ' Z Z 'Y
1
DMC 1
1 DMC
1 1
1
p lim Yˆ1 ' p lim X ˆ ' p lim X X ' X X ' Y1 '
T T T
1
1
p lim Y1 ' X X ' X X '
1
T
1
1 1 1
p lim Y1 ' X p lim X ' X p lim X ' 0
T T T
QY1X Q 1 0
39
Cours d’Econométrie II BELHEDI Mohamed
Asy Var ˆDMC T1 p lim T ˆ DMC
ˆDMC '
1
p lim T Z ' Z Z ' ' Z Z ' Z
1 1
T
1 1
1 1 1 1
p lim Z ' Z p lim Z ' ' Z p lim Z ' Z
T T T T
1 1
or , p lim Z ' ' Z ² p lim Z ' Z
T T
1
Asy Var ˆDMC
²
T
1
p lim Z ' Z
T
Comme l’équation est juste identifiable : (X’Z) est une matrice carré.
Donc l’estimateur efficace dans ce cas est celui des MCG qui n’est que celui des DMC :
1
ˆDMC X ' Z ' X ' X X ' Z X ' Z ' X ' X X 'Y
1 1
X ' X X ' Z ' X ' Z ' X ' X X 'Y
1
X 'Z
1 1
2) L’estimateur TMC :
Méthode à information complète, proposée par Theil ZEILNER (1962).
On se limitera dans la présentation du cours à deux équations.
40
Cours d’Econométrie II BELHEDI Mohamed
Y1 Y2 1 X 11 1
Y2 Y1 2 X 2 2 2
On suppose que :
Les deux équations sont identifiables.
Les termes d’erreurs entre équations sont corrélés E 1t , 2t 12 0.
On déduit alors :
1 E 1
E 0.
2 E 2
11 ' 1 2 ' 12 IT 12 IT 12 12
Var E ' E I T ² I 2T
21 ' 2 2 ' 12 IT 22 IT 12 22
On rappelle que pour résoudre le problème des corrélations des endogènes (présents comme
exogènes dans le modèle) avec l’erreur, on utilise les DMC.
X ' Y1 X ' Y2 1 X ' X 11 X ' 1
X ' Y2 X ' Y
1 2 X ' X
2 2 X ' 2
avec : Z1 Y2 X 1 ; Z 2 Y1 X 2 ; 1 1 ; 2 2
1 2
E U 0;
X ' 1 X ' 1 X ' E 11 ' X X ' E 1 2 ' X
'
41
Cours d’Econométrie II BELHEDI Mohamed
'
Y1 Y2 ˆ1DMC X 1ˆ1DMC Y1 Y2 ˆ1DMC X 1ˆ1DMC
ˆ12 DMC
T
est un estimateur convergent de 12 .
'
Y2 Y1ˆ2 DMC X 2ˆ 2 DMC Y2 Y1ˆ2 DMC X 2ˆ 2 DMC
ˆ2
2 DMC
T
est un estimateur convergent de 2 . 2
'
Y1 Y2 ˆ1DMC X 1ˆ1DMC Y2 Y1ˆ2 DMC X 2ˆ 2 DMC
ˆ122 DMC
T
est un estimateur convergent de 12 .
2ème étape : appliquer en suite les MCG estimés :
ˆˆ ˆ '
1
ˆ 1 ' ˆ 1
ˆ12DMC ˆ12 DMC
X ' X
G TMC
avec : ˆ
ˆ
X ' X
ˆ12 DMC ˆ 22DMC
1
Var ˆTMC '
ˆ 1
Conclusion :
Lorsque est une matrice diagonale (les termes d’erreurs entres équations ne sont pas
corrélés) : alors TMC DMC.
Si en plus, toutes les équations sont juste-identifiables : alors TMC DMC MCI.
Dans le cas où certaines équations du modèles ne sont pas identifiables (p équations
non identifiables), on peut appliquer les TMC aux (g – p) équations identifiables.
Lorsque le nombre d’observations est faible (T < 50), utiliser les TMC :
o Augmente les degrés de liberté (gT – nombre d’exogènes).
o On empile les g équations du modèle, toute erreur de spécification sur une
équation du modèle entraîne un biais sur tout les coefficient du modèle. Or
lorsqu’on applique les méthodes à information limitée (DMC), le biais
n’affecte que les paramètres de l’équation en question.
42
Cours d’Econométrie II BELHEDI Mohamed
43
Cours d’Econométrie II BELHEDI Mohamed
Dans ce modèle on peut distinguer deux effets sur la variable dépendante y suite à une
variation de x. L’impact immédiat sur y suite à une variation d’une unité de x est donné par le
paramètre 0 c’est un effet de court terme, on l’appelle souvent multiplicateur d’impact.
L’effet total de long terme sur y suite à une variation de x définie par la somme des
coefficients i i=0,1,…q. On l’appelle multiplicateur de long terme ou multiplicateur
dynamique.
Si nous reprenons les deux modèles (2.3) et (2.4) sous les formes suivantes :
yt B( L) xt t (3.5)
A( L) yt B( L) xt t (3.6)
q
B( L) i Li
i 0
p
A( L) 1 i Li
i 1
44
Cours d’Econométrie II BELHEDI Mohamed
Pour mieux saisir les impacts de court et long terme dans un modèle dynamique on considère
un modèle ADL(1,0) :
yt 0 xt 1 yt 1 t
yt 1 0 xt 1 1 yt t 1
yt 2 0 xt 2 1 yt 1 t 2
....
yt j 0 xt j 1 yt j 1 t j
Sachant que :
yt y y y
0 , t 1 t 1 t 01
xt xt yt xt
yt 2 yt 2 yt yt 2 yt 1 yt
12 0 .....
xt yt xt yt 1 yt xt
yt s yt s yt
1s 0
xt yt xt
Le multiplicateur dynamique pour ce modèle est définie par :
MD 0 01 012 .... 01n ...
= 0 1i
i 0
0
-Si 1<1, le système est dit stable et le multiplicateur dynamique est défini par :
1 1
45
Cours d’Econométrie II BELHEDI Mohamed
B '(1)
RM (3.9)
B(1)
Exemple :
yt 2.14 0.34 xt 0.46 xt 1 0.6 xt 2
B( L) 0.34 0.46 L 0.6 L2
B(1) 0.34 0.46 0.6 1.4
B '(1) 0.46 2 0.6 1.66
1.66
RM 1.185 périodes
1.4
Donc en moyenne un changement d’une unité de x met 1.185 périodes avant d’affecter y. y
retrouve une nouvelle situation d’équilibre au bout de 1.185 périodes après le choc sur x.
Le multiplicateur d’impact est 0.34 c’est l’effet direct sur y. Une variation d’une unité de x
Augmentent la variable y de 0.34 unités.
Le MD est égale à 1.4 c’est l’effet total de long terme d’une augmentation de x d’une unité
qui se traduit par une hausse de 1.4 unités de y.
46
Cours d’Econométrie II BELHEDI Mohamed
Dans ce cas le multiplicateur d’impact est mesuré par 0, et le multiplicateur dynamique est
q
1 q 1
mesuré par : MD 0 i 0
i 0 1
0
Lorsque q tend vers l’infini le MD= et le retard moyen est RM c’est une
1 1
fonction croissante de . Pour =0.8 ; RM=4 pour =0 l’ajustement est immédiat. Pour des
valeurs faible de , l’ajustement est rapide est inversement.
Le modèle DL(q) dans le cas des retards géométriques peut êtres transformé en un modèle
ADL(1,o) en effet :
yt 1 0 ( xt 1 xt 2 2 xt 3 3 xt 4 ... xt q 1 ) t 1
yt yt 1 (1 ) 0 xt t t 1
D’ou finalement :
yt (1 ) yt 1 0 xt vt avec vt t t 1 (3.11)
Cette formulation réduit sensiblement le nombre des paramètres à estimés, néanmoins le
modèle reste non linéaire dans les paramètres et les termes d’erreurs sont autocorrélés car :
C ov(vt , vt 1 ) 2 . Les estimateurs des MCO sont biaisés et non convergents. Pour obtenir
des meilleurs estimateurs, on peut utiliser la méthode des variables instrumentales en adoptant
xt-1 comme instrument pour yt-1.
0 0
1 0 1 2
2 0 21 4 2
3 0 31 9 2
47
Cours d’Econométrie II BELHEDI Mohamed
q q q
En posant : z0t xt i , z1t ixt i et z2t i 2 xt i
i 0 i 0 i 0
On régresse uniquement y sur les variables z0, z1 et z2 pour obtenir des estimations de , 0,
1, et 2. En suite on utilise l’équation (3.12) pour estimer i.
Almon suggère d’utiliser des contraintes dites d’extrémités: -1=0 et q+1=0, dans ce cas on a
les deux relations suivantes : 0 1 2 0 et 0 1 (q 1) 2 (q 1)2 0
Notons au passage que l’imposition de ces contraintes n’a pas de fondement théorique mais
pourra être testé. Ce test permet aussi d’avoir une idée claire sur le nombre de retards.
48
Cours d’Econométrie II BELHEDI Mohamed
Y=XH+
Y=Z+
49
Cours d’Econométrie II BELHEDI Mohamed
yt* étant la valeur désiré (non observable) de y. Elle peut être le stock du capital d’une
entreprise qui dépend de l’output ou y alors le niveau d’utilité d’un ménage qui dépend du
niveau du revenu disponible. Le niveau optimal de y peut être différent de son niveau actuel.
Supposons que y* et y sont reliés par la relation :
yt yt 1 ( yt* yt 1 ); 0 1 (3.17)
est appelé paramètre d’ajustement (taux d’ajustement).Si =0, aucun ajustement n’a eu
lieu. Dans le cas extrême ou =1, l’ajustement dans la période actuel est intégral. mesure
l’écart entre yt* et yt-1 éliminé dans la période actuelle. Ce modèle est appelé modèle
d’ajustement partiel (graduel).
En substituant l’équation (3.17) dans (3.16) on obtient :
yt xt (1 ) yt 1 ut où ut t (3.18)
Il s’agit d’un modèle ADL(1,0). L’effet de court terme est mesuré par alors que l’effet de
long terme est mesuré par :
1 (1 )
50
Cours d’Econométrie II BELHEDI Mohamed
51
Cours d’Econométrie II BELHEDI Mohamed
Bibliographie
52