Le Modèle à Retards

Echelonnés 

Préparé par: Encadré par:

HAFID Rachid Mr. Abdenbi ELMARZOUKI
KACHANI Oussama
LAKHRISSI Abdelhay
LATMANI Moncef
MOSSADAK Anas

1
 Introduction :

La théorie économique postule couramment l’existence d’effets étalés dans

le temps entre les différentes grandeurs économiques, l’ignorance de ce cas de
figure et le fait de se contenter uniquement de variables prises de façon
instantanée pourrait induire en erreur lors de la prise de décision.

D’où tout l’intérêt d’étudier les modèles qui prennent en considération la

notion de temps dans l’établissement des relations entre les variables étudiés.

Il existe plusieurs types de modèles qui permettent d’inclure la notion de

décalage temporel dans l’analyse, dans ce qui suit nous allons nous limiter à la
présentation d’un de ces modèles en l’occurrence le modèle à retards
échelonnés.

1- Présentation générale :

Il s’agit de modèle économétriques temporels, dans lesquels la variable

endogène dépend des valeurs prises par une variable exogène à des époques
antérieures, tel que :

yt = b0+axt+axt-1+a2xt-2+…+ahxt-h+εt = ∑ajxt-j+b0+εt (J allant de 0 à h)

De manière générale, l’effet de la variable exogène est supposé de plus en

plus faible avec le temps :

a0 > a1 > a2 >…> ah

2
 On peut encore plus simplifier l’écriture déjà présentée en considérant D
comme opérateur de décalage tel que :

Dixt = xt-i

On aura donc :

yt =∑ajxt-j+b0+εt = ∑ajDjxt+b0+ εt = [ ∑ajDj ] xt+b0+ εt (J allant de 0 à h)

Donc yt = A(D)xt + b0 + εt

Avec

A(D) = a0+a1D1+a2D2+…+ahDh

Le nombre de retards h, peut être fini ou infini, Cependant la somme des

coefficients aj tend vers une limite finie.

Exemple :

Pour D = 1, on a A(1) = a0 + a1 + a2 +…+ah, ce polynôme permet de mesurer l’impact

de la variable explicative xt d’une quantité Δx sur la variable yt. Les coefficients aj
représentent les multiplicateurs instantanés et leur somme le multiplicateur cumulé.

L’estimation des paramètres du modèle soulève une certaine difficulté :

- En pratique la valeur de h qui mesure l’importance du nombre des

retards est rarement connue.

3
 - D’autre part, le problème de colinéarité entre les variables exogènes

peut biaiser l’estimation des coefficients, ceci est d’autant plus vrai que le
nombre de décalages est important.

C’est ce qui fera l’objet du prochain développement.

2- Détermination du nombre de retards.

Lorsque la valeur du nombre de retards est inconnue, il existe des critères

statistiques permettant de la définir.

Pour cela on peut utiliser plusieurs méthodes, nous nous limiterons à la

présentation de trois d’entre eux à savoir :

Le test de Fisher, La méthode de Akaike et la méthode de Schwarz.

1-2 le teste de Fisher :

Le test de Fisher nous permet de tester l’hypothèse de la nullité des

coefficients de régression pour les retards supérieurs à h.

La formulation des hypothèses est la suivante lorsqu’on test de manière

descendante, une valeur de h comprise entre 0<h<M.

H01 : M-1 → aM =0
H02 : M-2 → aM-1 =0
……………
H0i : M-i → aM-i +1 = 0

4
 Les hypothèses alternatives sont:

H11: h = M →aM ≠0
H12: h = M-1 →aM-1 ≠ 0
…….
H1i : M-i+1 →aM-i+1 ≠ 0

Chacune des hypothèses fait l’objet du classique test de Fisher, et on aura

donc:
F* = (SCRM-i – SCRM-i+1)/1 / SCRM-i+1/(n-M+i-3)

Qu’on compare au Ft à 1 et n-M+i-3 dll, dès que pour un seuil donné le F

calculé est supérieur au F tabulé, nous rejetons l’hypothèse H0i et la procédure
est terminée. La valeur du retard est donc égale à :

h = M-i+1

Afin de pouvoir procéder à ce test, il faut que la SCT reste constante d’une
estimation à l’autre, ceci indique qu’il faut estimer les différents modèles avec
un nombre d’observations identique qui correspond au nombre d’observations
disponible pour le décalage le plus important, chaque décalage entraînant la
perte d’une donnée.

2-2 La méthode Akaike :

La valeur du nombre de retards h est le paramètre qui minimise la fonction

dite de Akaike qui est donnée par :

5
 AIC(h) = Ln ( SCRh / n) + 2h / n
Avec
SCRh : la somme des carrés résiduels pour le modèle à h retard.
n : le nombre d’observation

2-3 La méthode de Schwarz :

C’est une méthode très proche de celle de Akaike, la valeur de h est celle
qui minimise la fonction suivante :

SC(h) = Ln ( SCRh / n) + (h-Ln(h) / n)

Le problème évident avec un modèle à retards échelonnés est que, parce

que xt sera souvent fortement corrélée à xt¡1, xt¡2, et ainsi de suite, les
estimations par moindres carrés des coefficients tendront à être assez imprécises.

De nombreux moyens pour manipuler ce problème furent proposés et nous

en Parlerons dans ce qui suit.

3- Distribution finie des retards (Retards d’Almon) :

Après avoir déterminer le nombre de retards, il s’agit à présent d’estimer

les coefficients ai du modèle. Pour éviter d’avoir des résultats erronés en utilisant
la MCO du fait de la multicolinéarité entre les variables, nous optons pour la
méthode d’Almon qui permet de minimiser le nombre de paramètre à estimer.

6
 La distribution des coefficients peut revêtir plusieurs formes, la méthode
des retards d’Almon permet de dégager des profils de retards s’adaptant à des
représentations différentes, d’où sa notoriété et sa grande utilisation.

Cette technique consiste à imposer aux coefficients d’appartenir à un même

polynôme de degré q, tel que :

ai = α0 + α1i+ α2i²+…+ αqi² = Σαji²

Par exemple pour un polynôme de degré 2 on a:

a0 = α0
a1= α0+ α1+ α2
a2 = α0+ 2α1+ 4α2
a3 = α0+ 3α1+ 9α2

Le modèle initiale Y = Xa + ε peut alors s’écrire : Y = Z α + ε

Avec Z = XH la matrice des observations des nouvelles variables
explicatives.

Ainsi l’estimation par la méthode des MCO des q+1 coefficient α permet
d’obtenir les estimations des h+1 paramètres de a.

Le degré du polynôme q, q<h, peut être déterminé à l’aide d’un test portant
sur la significativité par rapport à 0, du coefficient αq, de la dernière nouvelle
variable explicative.

7
 On partant d’une valeur q = h-1 on teste la significativité du coefficient α
du terme le plus élevé à l’aide d’un test de Student, et on réduit le degré du
polynôme jusqu’à ce que le coefficient soit significatif.

4- Distribution infinie des retards (Retards de Koyck) :

Le nombre de retards est supposé ici infini, mais il s’estompe avec le

temps. C'est-à-dire que l’effet de la variable exogène est étalé dans le temps de
manière indéfini, et que son pouvoir explicatif est minime pour les périodes les
plus lointaines et au contraire important pour les périodes les plus récentes.

Le modèle de Koyck postule que les cœfficients a suivent une progression

géométrique

a1 = λa0
a2 = λ²a0
a3 = λ3a0
….

Le modèle originel:

yt = b0+a0xt+a1xt-1+a2xt-2+…+ahxt-h+εt

Devient :

yt = b0+a0xt+a0 λ xt-1+a0λ 2xt-2+…+a0 λ hxt-h+εt

On met yt – λyt-1, on aura donc en définitif

8
 yt = a0xt+ a(1- λ)+ λyt-1+εt+ λ εt-1

On estime les coefficients du modèle pour retrouver les coefficients du

modèle de départ.

Conclusion :

L’utilisation des modèles à retards échelonnés est très répandue dans le

domaine économique, et ceci est du à l’existence de nombreuses grandeurs qui
peuvent être expliquées par des variables exogènes étalées dans le temps. La
meilleure illustration est sans aucun doute le marché financier dans lequel les
cours des produits dépendent étroitement des valeurs prises précédemment, les
processus les plus connus de ce type de modèle sont ARMA et ARIMA.