Économétrie financière I KHAOULA LAHLOU

S1 : 23/11/2020 Économétrie financière -M. Ragbi

Chapitre I : La nature de l’économétrie et la structure des données économiques
Section 1 : Qu’est-ce que l’économétrie
L’économétrie sert à répondes à des questions quantitatives (et non qualitatives).
L’économétrie a pour objectif de :
§ Estimer des relations économétriques
§ Tester des théories économiques
§ Évaluer et mettre en œuvre la politique du gouvernement et des E/ses.
L’économétrie s’intéresse aux problèmes inhérents à la collecte et à l’analyse de données
économiques non expérimentales (ne provenant pas d’expérimentations sur les individus, ou
les E/ses. Comme le PIB par exemple).
Section 2 : Les étapes de l’analyse économique empirique
1. Définir une question / une problématique
2. Élaborer un modèle économique formel composé d’équations mathématiques qui
décrivent des liens entre divers variables.
3. Transformer le modèle économique en modèle économétrique (Donner des
hypothèses sur les paramètres inconnus du modèle)
Exemple : Crime = 0 + 1 wage + 2 …. + u
u : terme d’erreur ou de perturbation (il contient les erreurs et les
facteurs inobservés, mais qui agissent directement sur la variable à
expliquer)
0 , 1 , … , n : les paramètres du modèle économétrique/ Coefficients de
régression ou d’élasticité (Ils décrivent dans quelle direction et dans
quelle mesure la variable crime est reliée aux facteurs utilisés dans le
modèle pour l’expliquer.)
=> Si un =0, cela veut dire que la variable liée à n’a pas d’effet sur la
variable à expliquer « la criminalité ».
1 : est le paramètre d’intérêt (Si on est intéressé par l’effet « wage »
sur la criminalité
4. Collecter les données concernant les variables pertinentes du modèle. Ces données
S2 : 30/11/2020 peuvent être sous plusieurs types.
Section 3 : La structure des données économiques
Il faut distinguer entre 2 branches d’économétrie :
Ø La macro-économétrie : Basée sur des phénomènes macro-économiques comme le PIB,
l’investissement public, l’épargne publique …
3.1. Séries chronologiques :
Une base de séries chronologiques est composée d’une ou de plusieurs variables observées au
cours du temps à plusieurs reprises. On peut citer les prix des actions, l’offre de monnaie, l’indice
des prix à la consommation, le PIB, ... (l’évolution des indicateurs macro-économiques)
ü Les séries chronologiques sont fortement dépendantes de leur passé récent.
Par exemple : L’estimation du PIB au cours du trimestre précédent nous renseignera plutôt
bien sur l’ordre de grandeur du PIB pour le trimestre en cours.
ü Les séries chronologiques se caractérisent également par la régularité / la fréquence
à laquelle les données sont collectées.
Les prix des actions sont souvent enregistrés à une journée d’intervalle.

1
 Économétrie financière I KHAOULA LAHLOU

De nombreuses séries macroéconomiques sont annoncés une fois par mois, notamment
l’inflation et le taux de chômage.
ð Une ou plusieurs variables, pour un échantillon de plusieurs individus à plusieurs
reprises. (En gardant le même échantillon – les mêmes individus)
Ø La micro-économétrie : Basée sur des données individuelles. C’est une économétrie qui
modélise le comportement des unités observées à l’échelle microéconomique.
3.2. Données en coupe transversale
Une base de données en coupe transversale est composée d’un échantillon d’unités observées
à un certain moment dans le temps. Ces unités peuvent être des individus, des ménages, des
entreprises, des villes, ...États, pays, ou autres.
ð Données individuelles issues d’enquête, réalisée une seule fois.
ð Données observées -des variables- (Gendre, statut, situation matrimoniale…), pour
un échantillon d’individus, sur une seule période.
3.3. Données empilées
Certaines bases de données ont à la fois des caractéristiques propres aux coupes
transversales et aux séries chronologiques.
Les données empilées peuvent être utilisées aussi bien au niveau micro économétrique qu’au
niveau macro économétrique.
Exemple : À une date N1, nous tirons aléatoirement un échantillon de ménages à partir desquels
nous obtenons des informations sur le revenu, l’épargne, la taille de la famille, etc.
À une date N2, un nouvel échantillon de ménages est tiré aléatoirement ; l’enquête est similaire
et permet de récolter le même type de données.
Afin d’accroitre la taille de notre échantillon, on peut combiner les deux années pour construire
des données empilées.
Empiler des coupes transversales pour différentes années est souvent efficace lorsqu’il s’agit
d’analyser les effets d’une nouvelle politique menée par les pouvoirs publics.
Même si l’ordre dans lequel les données sont conservées ne s’avère pas crucial, indiquer
l’année d’observation est en général très important.
ü Les données empilées sont plus ou moins analysées de la même façon que les
données en coupe transversale classiques.
ü Les données empilées peuvent être observées sur 2 ou 3 périodes au max,
contrairement aux données chronologiques et aux données de panel qui peuvent être observées
sur plusieurs périodes.
ü Les données empilées ne présentent pas de régularité, alors que les données de panel
et les données chronologiques présentent une certaine régularité.
ð Les données d’une enquête portant sur une ou plusieurs variables, pour un échantillon
de plusieurs individus, à une période donnée, combinées aux données des mêmes variables
recueillis pour un autre échantillon de plusieurs autres individus, à une autre période. Les unités
suivit au cours du temps ne sont pas les mêmes.
ð L’utilisation de données empilées permet d’augmenter la taille de l’échantillon et
surtout d’étudier l’évolution de la relation d’intérêt au cours du temps.
3.4. Données de panel / longitudinales
Les données de panel peuvent être utilisées aussi bien au niveau micro économétrique qu’au
niveau macro économétrique. Une base de données de panel (ou données longitudinales -
concernant une longue période) contient des séries chronologiques pour chacune des unités
reprises dans la coupe transversale.

2
Économétrie financière I KHAOULA LAHLOU

La caractéristique fondamentale des données de panel, qui les distingue des simples données
empilées, est que les unités que nous suivons au cours du temps restent les mêmes.
ð Données observées pour un même échantillon d’individus, sur plusieurs périodes.
Section 4 : La causalité et la signification de ceteris paribus dans l’analyse économétrique
L’objectif de l’économétrie et de tester la relation de causalité entre 2 variables
économiques. L’identification d’un lien de dépendance entre ces variables peut donner une
indication de leur lien causal.
La notion de Ceteris Paribus signifie « toutes choses étant égales par ailleurs », veut dire que
lorsqu’on veut évaluer l’impact de la variation d’une variable sur une autre variable, on doit
garder les autres paramètres constants.
Section 5 : La théorie de la corrélation
L’économétrie est basée essentiellement sur la notion de la variance (mesure la dispersion).
La variance est le carré des écarts entres les valeurs observées de X par rapport à leur
moyenne et les écarts entres les valeurs observées de Y par rapport à leur moyenne.
Définition de la corrélation :
o La corrélation simple mesure le degré de liaison existant entre deux phénomènes
représentés par des variables.
o La corrélation multiple mesure le degré de liaison entre trois variables ou plus.
Deux variables peuvent être :
§ En corrélation positive : une augmentation / ou diminution /ou constance simultanée
des valeurs des deux variables ;
§ En corrélation négative : lorsque les valeurs de l’une augmentent, les valeurs de
l’autre diminuent ;
§ Non corrélées, il n’y a aucune relation entre les variations des valeurs de l’une des
variables et les valeurs de l’autre ;
Le coefficient de corrélation linéaire :
On appelle coefficient de corrélation linéaire entre deux variables statistiques X et Y, le rapport
de leur covariance par le produit de leurs écarts-types ;
variables statistiques X et Y.

Il mesure l’intensité de la relation/ liaison entre deux 5 5

( , ) ( − )( − )

( , )= ( , )= () ( )
=

5 5
.

6 ( − ) ( − )

La covariance mesure la nature de la relation entre deux variables statistiques X et Y. Elle

quantifie leurs écarts conjoints par rapport à leurs espérances respectives.
Interprétation du coefficient de corrélation :
Ce coefficient est compris entre -1 et 1 :
• r = 1 : les points se trouvent tous sur une même droite croissante, on parle de
corrélation linéaire positive parfaite.
• r = -1 : les points se trouvent tous sur une même droite décroissante, on parle de
corrélation linéaire négative parfaite.
• r = 0 : il n’y a aucune dépendance linéaire entre les deux variables, on parle de
corrélation linéaire nulle.
• -1 < r < 0 : dans ce cas, les deux variables varient en sens inverse, la relation linéaire
est faible ou forte selon que le coefficient de corrélation linéaire est proche de 0 ou -1.
3
 Économétrie financière I KHAOULA LAHLOU

Chapitre II : Le modèle de régression linéaire simple

Section 1 : Définition du modèle de RLS
Le modèle de régression linéaire simple (RLS), appelé également modèle de régression linéaire
à deux variables ou modèle de régression linéaire bivarié, est utilisé pour étudier la relation
entre deux variables X et Y.
Le modèle de RLS reste limité, parce qu’en réalité il y a plusieurs variables en économie qui
influent sur la variable à expliquer Y.
L’équation simple du modèle de RLS : Y= β0 + β1X + u
Y : Variable dépendante/ expliquée/ prédite/ de réponse/ endogène/ contrôlée / résultat ;
X : Variable indépendante/explicative/prédictive/stimulus/exogène/de contrôle / Régresseur ;
L’objectif du modèle Y X
Dépendante Indépendante
Expliquer une variable par une autre
Expliquée Explicative
Faire des prévisions Prédite Prédictive
Évaluer l’impact De réponse Stimulus
Structurel Endogène Exogène
Évaluer le degré de contrôle Contrôlée De contrôle
- De résultat Régresseur
u : Terme d’erreur ou perturbation ou l’ensemble des variables « non observées ». Ce terme
traduit les perturbations qui affectent Y, et proviennent de facteurs autres que X.
S3 : 07/12/2020
Si les autres facteurs compris dans u sont maintenus constants, de telle sorte que la variation
de u soit nulle , ∆u = 0, alors X a un effet linéaire sur Y : ∆Y = β1 . ∆X si ∆u = 0 (Ceteris Paribus)
ð Cela signifie que β1 est le coefficient de la pente dans la relation entre Y et X, tous les
autres facteurs dans u étant maintenus constants;
β0 : Coefficient qui représente une constante (qui ne dépend pas de Y => Quand X=0 , Y= β0);
il est parfois dénommé ordonnée à l’origine.
β1 : est le coefficient de régression / de la pente dans la relation entre Y et X.
Ø L’équation théorique / réelle (observée) :
= + .

Ø En tant qu’économètre, on peut donner une estimation à Y pour approcher les

valeurs réelles de Y :
= = + .

> >
Fonction de Régression de l’Échantillo
ð On peut dire que β0 et β1 sont des estimateurs efficaces de Y (ce sont les estimateurs
qui permettent d’approcher au plus la valeur réelle de Y), à condition de mettre des hypothèses sur la
relation entre u et X.
ð Le principe de ces hypothèses est d’éviter au maximum une relation significative
entre u et X.
ère
§ 1 hypothèse: la valeur moyenne de u dans la population est égale à zéro.
E(u)= 0
ð Cette hypothèse définit essentiellement la constante β0.
ème
§ 2 hypothèse : porte sur l’indépendance de la variable x du terme d’erreur u.
o Une mesure naturelle de l’association entre les deux variables aléatoires est le
coefficient de corrélation.

4
 Économétrie financière I KHAOULA LAHLOU

o Si u et X ne sont pas corrélés, alors ils ne sont pas liés sur le plan linéaire, par contre ils
peuvent être corrélés avec des fonctions non linéaires de X comme X2.
o Une meilleure façon d’énoncer l’hypothèse que la valeur moyenne de u ne dépend
pas de la valeur de X est que la distribution conditionnelle de u étant donné X = la distribution de u =>
E(u/X) = E(u)
ð Cette hypothèse définit l’effet Ceteris Paribus.
NB : S’il y a une corrélation entre X et u, cela veut dire que nous avons omis des variables qui sont aussi déterminantes que
X, dans l’explication de Y. Cette corrélation (si jamais, elle existe) aura un impact négatif sur la qualité de notre estimation
A
de Y ( ).
§ Hypothèse 3 : Si on combine les 2 hypothèses précédentes, on obtient l’hypothèse
que l’espérance conditionnelle est égale à zéro => E(u/x) = E(u) = 0
§ Hypothèse 4 : portant sur la nullité de l’espérance conditionnelle offre une autre
interprétation à β1 .
En considérant E(y/x), et en utilisant E(u/X) = 0, on obtient : E(Y/X) = β0 + β1.X
E(y/x) = β0 + β1.X + E(u/x)
E(u/x) = E(u) = 0
E(y/x) = β0 + β1.X + 0
E(y/x) = β0 + β1.X
ð Cette hypothèse définit la fonction de régression de la population.
Ø La différence entre le réel/ observé et l’estimé constitue le terme d’erreur :
u représente les variables omises/ la marge ou le terme d’erreur : C

= −

Section 2 : La dérivation des estimateurs des Moindres Carrés Ordinaires

Il convient d’estimer les paramètres β0 et β1 de l’équation Y= β0 + β1X + u. Pour cela, nous
S4 : 12/01/2021 avons besoin d’un échantillon issu de la population.
Soit un échantillon aléatoire de taille n issu de la population, tel que ⌈( F, F): i=1 ,..., n ⌉

Sur base de l’équation Y= β0 + β1X + u, nous pouvons écrire que : Yi =β0 + β1.Xi + ui
i représente un individu => il s’agit de données en coupe transversale
Si on avait t (temps) => Données en séries chronologiques
Si on avait i et t => Données de panel.
Les hypothèses du modèle MCO :
1) L’indépendance de u par rapport à x => E(u/x) = E(u) = 0
2) La nullité de l’espérance conditionnelle => E(Y/X) = β0 + β1.X
3) La valeur moyenne de u dans la population = 0 => E(u)= 0
4) L’indépendance de u par rapport à x => Cov(x,u) = E(xu) = 0
Pour déduire les estimateurs β0 et β1 , on va se servir des 2 dernières hypothèses.

!
ème
ü Selon la 3 hypothèse => E(u)= 0
Et par définition de u, on a u = Y - β0 - β1X (u étant la différence entre Y et A
)
Donc E(u) = E( Y - β0 - β1X ) = 0 (10)

ème
ü Selon la 4 hypothèse => Cov(x,u) = E(xu) = 0
En remplaçant u par sa fonction de définition => Cov(x,u) = E(x (Y - β0 - β1X)) = 0 (11)
À ce stade, il convient de trouver les estimations , β0 et β1, qui permettent de résoudre les
deux équations précédentes, ce qui requiert l’utilisation d’un échantillon de données.

5
 Économétrie financière I KHAOULA LAHLOU

n-1 = 0 (12)
( − − . )
Sur la base de cet échantillon, on obtient : ∑

C C
Et n-1 ∑ K ( − − . )=0 K C C

(13)

Démonstration :
Le passage de l’équation (10) à l’équation (12), et de l’équation (11) à l’équation (13) nécessite
un raisonnement en terme de moyenne puisqu’on passe de la population à l’échantillon.
Le passage de l’équation (10) à l’équation (12) :
E(u) = E( Y - β0 - β1X ) = 0
On sait que la moyenne :

= = ∑
∑

& (Quand les modalités s’observent plusieurs fois)

5 K 5 K sachant que : les modalités & : les effectifs

-1
D’où : n =0
( − − . )
∑

Le passage de
l’équation (11) à l’équation (13) :

C C

Cov(x,u) = E(x (Y - β0 - β1X)) = 0

On sait que la moyenne :

= =
∑
∑

& (Quand les modalités s’observent plusieurs fois)

5 K 5 K sachant que : les modalités & : les effectifs

-1
D’où : n =0
( − − .)
∑

K C C

C C
Pour trouver les estimateurs et , on dérive les équation (11) et (12)
-1 C C
v L’équation (12) : n ∑ K ( − − . ) = 0

=> n-1 K = n-1 K + n-1 K <=> NNNN NNNN

C C 5 C C

∑ ( ) ∑ M ∑ M + N
L L =

On sait que la moyenne : K et NNNN K et NNNN P K

5
C
C C C

= ∑ = ∑ NNNN = ∑

Sachant que la moyenne de l’estimateur de β est l’estimateur de β lui-même

NNNN
=
et NNNN
= => D’où (14) =>
(15
C C C C 5 C C C C

=
+ N =5−
N
C C
v L’équation (13) : n -1 ∑ K ( − − . )=0

En remplaçant par sa valeur = − N dans l’équation (13)

On obtient n-1 C C
5 C
=0

-1 ∑ ( −( − N) − . )

n-1 K 5 C C
=0
∑ −( − N) −
. )
Q Q R

n K
5 C C
=0
/ => =1
∑ − + N− . ) =

K R R R
= 5 C C

( ) avec
∑ − 5 ∑ (
− N)

K C
K

( − 5) − N) ( − 5)
∑T ( S5)

S5 : 13/01/2021 =

∑ T ( S N) Et ∑ =∑ (
 C
K K
> 0

( − N) = ( − N)
∑ ∑

K K

Cov(x,y)
∑ T ( S N) ( S5) (17)
=

C ∑ T ( S N) Var(x)
L’équation (17) indique que l’estimation de la pente est égale à la covariance entre x et y
divisée par la variance de x, toutes deux calculées sur la base de l’échantillon.

6
 Économétrie financière I KHAOULA LAHLOU

La différence entre le coefficient de régression et le coefficient de corrélation :

Le coefficient de régression (β1) : On le calcul sur la base de la variance de x.
Le coefficient de corrélation : On le calcul sur la base du Produit des écarts types de x et y.
C C
Les estimations obtenues à partir de (15) et (17) sont appelées les estimations des moindres carrés ordinaires (MCO) de β 0 et β1 : = = + (18) Fonction de Régression de l’Échantillon

Il existe un résidu (terme d’erreur) pour chaque observation i : il est égal à la différence
entre la valeur observée de yi dans l’échantillon et sa valeur ajustée :
(19) == − == − −

0 1 de manière à minimiser la somme des carrés

La méthode des MCO consisteP à choisirP β et β C C

des résidus (SCR). =

(20)
∑ X ∑ ( − − )

C C
K P K

NB : On ne fait pas la somme de résidus mais plutôt la somme carrée des résidus parce qu’on
sait que l’espérance des résidus (qui est la somme des résidus) est nulle. (Les u i positifs et
des ui négatifs s’annulent).
Section 3 : Les propriétés des MCO en échantillon
3.1. Valeur ajustée et résidu
La valeur ajustée Y F est la valeur trouvée en utilisant les paramètres estimés.
Les résidus sont la différence entre les valeurs ajustées et les valeurs observées YF = F - YF
Ø Si Y est positif, YF est inférieur à F => pour cette observation, yi est sous-estimé. (La droite des MCO sous-estime yi)
Ø Si Y est négatif, YF est supérieur à F => pour cette observation, yi est surestimé. (La droite des MCO surestime yi)
Ø Le cas idéal pour l’observation i est lorsque Y est nul (uY = 0). On parle d’un ajustement parfait de la droite des MCO.

Les propriétés des valeurs ajustées et des résidus : ∑= 5==

(1) Comme la moyenne des résidus est égale à zéro i = 0 Donc 5

(2) Comme la covariance d’échantillon entre chaque variable indépendante et les résidus
des MCO est égale à zéro, la covariance d’échantillon entre les valeurs ajustées des
MCO et les résidus des MCO est aussi égale à zéro. ∑ =i = 0 => Cov ( , =i) =0
(3) Le point ( ̅, N) est toujours situé sur la droite de régression des MCO. yi = =P+ =P. Nous savons que la moyenne des résidus est égale à zéro ; dès lors,
5
la moyenne des valeurs
observées yi est égale à la moyenne des valeurs ajustée =y, soit 5 = = P

3.3. Qualité d’ajustement

Ø Somme des carrés totaux : est la variance de yi. Elle mesure le degré de dispersion des
yi dans l’échantillon. => variabilité totale SCT = ∑( F − N)^

Ø Somme des carrés Expliqués/ de la régression /du modèle : est la variance de =_. Elle mesure le degré de dispersion de =_ dans l’échantillon.

Ø Somme des carrés des Résidus : mesure la variation observée entre les YF
=> SCE = ∑( =_ − N)^ variabilité estimée
^ variabilité résiduelle=>SCR=∑ =_

ð La variation totale de y (SCT) peut donc être exprimée comme la somme de la

variation estimée (SCE) et de la variation résiduelle (SCR)
SCT = SCE + SCR
S9 : 02/02/2021 L’objectif est de définir la statistique qui permet de mesurer comment la variable explicative
2
xi explique la variabilité de la variable à expliquer y i : Coefficient de détermination R

S6 : 18/01/2021

7
 Économétrie financière I KHAOULA LAHLOU

2
Définition de R :
Le coefficient de détermination permet de mesurer de combien x explique la variabilité de y.
2
Le R2 est égal au carré du coefficient de corrélation entre y i et =_ au sein de l’échantillon .

Une caractéristique importante du R est qu’il ne diminue jamais;

2
Calcul de R :
En considérant que la SCT n’est pas nulle, nous pouvons diviser (31) par SCT et obtenir :
1 = `ab`ac + `ad`ac

Le coefficient de détermination peut être calculé de deux manières :

2
R2 = = ou R = ijkFlFmFné pqnFré
- = 1 - ijkFlFmFné kéqFvwpmmp

sjkFjlFmFné ntnjmp sjkFjlFmFné ntnjmp

Le coefficient de détermination est toujours compris entre 0 et 1, étant donné que SCE ne peut pas être plus élevé que SCT. 0 ≤ ^ ≤1.
2
Interprétation de R :
Il représente la fraction de la variation de y qui est expliquée par x au sein de l’échantillon.
2
Lorsqu’il s’agit d’interpréter R ,on le multiple par 100 pour obtenir un pourcentage.
2
Ainsi 100 R est le % de la variation de y présente dans l’échantillon, qui est expliquée par x.
o Lorsque R2 --> 1 , il s’agit d’un très bon modèle car xi explique totalement la variabilité de yi
o Lorsque R2 --> 0 , il s’agit d’un très mauvais modèle, car xi explique faiblement la variabilité de yi.
Exemple : 100 R2 = 80% => Il s’agit d’un bon modèle où x i explique à 80% la variabilité de yi
R2 = 1 : Si tous les points correspondant aux données observées se situent sur la même droite, la
méthode des MCO offre un ajustement parfait de la droite de régression aux données observées.
R2 = 0 : l’ajustement est de piètre qualité : la variation entre les =_ (qui se trouvent tous sur la droite de régression des MCO) ne capturent quasiment rien de la variation observée entre les yi .

Section 5 : espérances et variances des estimateurs des MCO

Il y a 2 statistiques importantes pour dire que les estimateurs sont les meilleurs estimateurs
non biaisés et pour dire que les estimateurs sont BLUE (Best Linear Unbiased Estimator) :
l’espérance et la variance.
5.1. Absence de biais des estimateurs des MCO C C
Le théorème d’absence de biais traduit par E( )= β0 et E( ) = β1 est vérifié à travers les 4 hypothèses suivantes (conditions sine qua non pour que β 0 et β1 ne soient pas biaisés) :

Ø H1 : Linéarité dans les paramètres : Dans le modèle issu de la population, la variable

dépendante y, est liée à la variable indépendante x, et au terme d’erreur u, comme suit : Y= β0
+ β1 X + u.
Ø H2 : Échantillonnage aléatoire : Afin de donner à l’ensemble des individus de la
population la même chance/ probabilité -ou avec une probabilité différente- de participer à
l’enquête, les données doivent être tirées suivant un échantillon aléatoire (pour qu’il soit
représentatif). Ce qui permettra l’inférence statistique (généraliser les résultats d’un
échantillon sur toute une population).
ð L’espérance de l’échantillon doit converger vers l’espérance de la population
Ø H3 : Variation de la variable explicative au sein de l’échantillon : Il est indispensable que la variable indépendante x affiche une variation
non nulle au sein de l’échantillon pour qu’il soit possible d’estimer la pente et la constante des MCO. ( F) ≠ 0
Ø H4 : Espérance conditionnelle de l’erreur égale à zéro : cette hypothèse est
impérative pour obtenir des estimateurs de β0 et β1 sans biais.
E(ui/xi) =0 <=> E(y/x) = β0 + β1x
ð En générale, la propriété d’absence de biais est violée dès que l’une des 4 hypothèses ne tient pas.

8
Économétrie financière I KHAOULA LAHLOU

5.2. Variances des estimateurs des MCO

C
Il importe maintenant de savoir dans quelle mesure sera éloigné de β1 en moyenne. (Dispersion = variance). Cela nous permettra de sélectionner le meilleur estimateur
parmi tous les estimateurs sans biais.

La mesure de dispersion la plus fréquente pour une distribution est la variance ou sa racine
carrée -l’écart-type.
Ø H5 : Hypothèse d’homoscédasticité ou de « variance constante » : La variance de
l’erreur u est constante, quelle que soit la valeur de x. (Constance de la variance).
Var(u/x) = Var(x) = E(x2) -E(x)2
Étant , [E(u/x)]

2 2 2
donné que Var(u/x) = E(u /x) – et que E(u/x)= 0 = E(u /x)
=0
ð Lorsque σ2 prend une valeur élevée, la distribution des facteurs non observés qui affectent
y est moins resserrée autour de la moyenne : elle affiche une dispersion plus grande. Dans ce cas, on
dit qu’il y a une forte dispersion autour de la moyenne.
L’espérance conditionnelle de y, étant donné x, est linéaire en x. Par contre, la
variance de y, étant donné x, est constante.
Lorsque Var(x/y) dépend de x, le terme d’erreur souffre d’hétéroscédasticité (ou
d’une variance qui n’est pas constante).
Puisque Var(u/x) = Var(y/x), d’hétéroscédasticité est présente chaque fois que
Var(y/x) est une fonction de x.
Ø H6 : Variance d’échantillonnage des estimateurs
L’objectif est de montrer que la dispersion entre „Q et Q et entre „‡ et ‡ est faible. Cette variance peut provenir de deux sources :

- La variance de l’erreur conditionnelle var(u/x) : V(u/x)

- La variance de x : V(x)
„ ˆ(‰/Š)
V( Q) = i(‹) à0

Donc, pour réduire la variance de β, il faut soit diminuer la variance de l’erreur

conditionnelle, soit augmenter la variance de X (augmenter la taille de l’échantillon).
Si, au contraire, la V(u/x) , cela signifie qu’il y a plusieurs variables qui peuvent
expliquer la variabilité de Y et qui ne sont pas intégrés dans l’équation de régression.
ð Solution : il faut ajouter d’autres variables explicatives.
Si, V(x) au cela signifie que la variance de x dans l’échantillon est faible.
ð Solution : augmenter la taille de l’échantillon.
V( Υ = Υ (

)= )=

•
„Q ∑(‹FS ‹̅) `ac „Q

„
NB : Plus la variance de l’erreur est élevé , plus Var( Q) l’est également .

Ce résultat est logique : une plus grande variation dans les facteurs non observés
rend l’estimation de β1 moins précise.
L’estimation de la variance de l’erreur :
= Q C_ <=>
^

∑
(RS^)

(n-2) est le degré de liberté. Le degré de liberté est en relation avec le nombre de
variables explicatives. Un DL de 1 veut dire qu’il y a une seule variable explicative.

9
 Économétrie financière I KHAOULA LAHLOU
S8: 29/01/2021

Chapitre III : Le modèle de régression multiple

Le modèle de RLM permet de prendre en compte de manière explicite de nombreux facteurs
qui affectent simultanément la variable dépendante.
Section 1 : Les avantages du modèle de régression linéaire
multiple 1.1. Le modèle à deux variables indépendantes
De manière plus générale, nous pouvons écrire ce modèle de la manière suivante :
y = β 0 + β 1 x1 + β 2 x2 + u
β0 : est l’ordonné à l’origine, ou la constante.
β1 : mesure la variation de y suite à une variation de x 1, les autres facteurs étant fixés.
β2 : mesure la variation de y suite à une variation de x 2, les autres facteurs étant fixés.
u : comprend les autres facteurs affectant y.
La RLM permet également d’affiner la modélisation de la relation fonctionnelle qui peut
exister entre plusieurs variables. Par exemple, supposons que la consommation familiale
(cons) soit une fonction quadratique du revenu familial (inc) :
2
cons = β0 + β1.inc + β2. inc + u
Par contre, la fonction de consommation peut être estimée facilement par un modèle de
2
régression à deux variables indépendantes, en posant : x1 = inc et x2= inc
1.2. Le modèle à k variables indépendantes
Le modèle de RLM dans la population peut prendre la forme générale suivante :
y = β0 + β1.x1 + β2.x2 + β3.x3 +...+ βkxk + u
β0 : est l’ordonné à l’origine, ou la constante.
β1 : le paramètre associé à x1, les autres facteurs étant fixés.
β2 : le paramètre associé à x2, les autres facteurs étant fixés.
u : est le terme d’erreur ,ou la perturbation. Il comprend les autres facteurs affectant y.
Le terme linéaire, dans un modèle de régression multiple, signifie que l’équation est linéaire par
rapport à ses paramètres, les βj.
L’hypothèse fondamentale du modèle de RLM est : l’indépendance du terme d’erreur par
rapport aux variables explicatives => E(u / x1,x2,...,xk) = 0
Cette hypothèse requiert qu’il n’existe aucune sorte de lien entre les facteurs inclus dans le
terme d’erreur et les variables explicatives présentes dans le modèle.
Section 2 : Méthode des moindres carrés ordinaires (MCO) -pour estimer les paramètres
2.1. Le calcul des estimateurs des MCO „ „
L’équation estimée par les MCO s’écrit de la manière suivante : = = ‡+ Q +
„
^
„
Avec ‡: L’estimation de β0 / l’estimation de l’ordonnée à l’origine
„
Q : L’estimation de β
„
1

^ : L’estimation de β 2

Comment pouvons-nous obtenir β0 , β1 , et β2 ?

La méthode des MCO sélectionne les estimations qui minimisent la somme des carrés des résidus. Les estimations des paramètres sont simultanément
„ „ „
sélectionnées de manière à ce que ∑ ( F − YF)^ autrement ∑ ( F − ‡ − Q FQ − ^ F^)^ soit e plus petit possible.
Ce problème de minimisation peut être résolu en utilisant le calcul multivarié.
2.2. L’interprétation de l’équation de régression des MCO
La droite de régression des MCO : „
==
„ „
‡+ Q +
„
^

„ „
‡ : valeur estimée (ou prédite) de y quand X = 0 et X = 0.
1 2

Q et ^ : sont es effets marginaux ou des effets Ceteris Paribus.

10
 Économétrie financière I KHAOULA LAHLOU

ð Si on veut calculer la variation de y par rapport à la variation de x 1, on doit supposer

les autres variables explicatives x2, x3 …. Xk restent fixes -constantes.
ð Le coefficient de x1 qui est „Qmesure le changement de y suite à une variation de x 1 d’une unité.

2.3. Valeurs ajustées et résidus des MCO

La valeur ajustée Y est la valeur trouvée en utilisant les paramètres estimés.
F
Les résidus sont la différence entre les valeurs ajustées et les valeurs observées YF = F - YF
Ø Si Y est positif, YF est inférieur à F => pour cette observation, yi est sous-estimé.
Ø Si Y est négatif, Y F est supérieur à F => pour cette observation, yi est surestimé.

Ø Le cas idéal pour l’observation i est lorsque Y est nul (uY = 0). On parle d’un ajustement parfait de la droite des MCO.

Les propriétés des valeurs ajustées et des résidus : ∑= 5==

(4) Comme la moyenne des résidus est égale à zéro i = 0 Donc 5

(5) Comme la covariance d’échantillon entre chaque variable indépendante et les résidus
des MCO est égale à zéro, la covariance d’échantillon entre les valeurs ajustées des MCO et les résidus des MCO est aussi égale à zéro. ∑ =i = 0 => Cov ( , =i) =0
(6) Comme, le point ( ̅1, ̅2, ... , ̅k , N) est toujours situé sur la droite de régression.
S9 : 02/02/2021

2.4. Comparaison des estimations par RLS et par RLM

2.5. Qualité de l’ajustement
Ø Somme des carrés totaux : est la variance de yi. Elle mesure le degré de dispersion des
yi dans l’échantillon. => variabilité totale SCT = ∑( F − N)^

Ø Somme des carrés Expliqués/ de la régression /du modèle : est la variance de =_. Elle mesure le degré de dispersion de =_ dans l’échantillon.

Ø Somme des carrés des Résidus : mesure la variation observée entre les YF
=> SCE = ∑( =_ − N)^ variabilité estimée
^ variabilité résiduelle=>SCR=∑ =_

ð La variation totale de y (SCT) peut donc être exprimée comme la somme de la

variation expliquée (SCE) et de la variation résiduelle (SCR)
SCT = SCE + SCR
L’objectif est de définir la statistique qui permet de mesurer comment la variable explicative
2
xi explique la variabilité de la variable à expliquer y i : Coefficient de détermination R
2
Définition de R :
Le coefficient de détermination permet de mesurer de combien x explique la variabilité de y.
2
2
Le R est égal au carré du coefficient de corrélation entre y i et =_ au sein de l’échantillon .

Une caractéristique importante du R est qu’il ne diminue jamais;

2
Calcul de R :
En considérant que la SCT n’est pas nulle, nous pouvons diviser (31) par SCT et obtenir :
1= `ab +`ad

Le coefficient de détermination peut être

calculé de deux manières :

`ac `ac

2
R = = ijkFlFmFné pqnFré ou R2 = - =1-
ijkFlFmFné kéqFvwpmmp

sjkFjlFmFné ntnjmp entre 0 et 1, étant

sjkFjlFmFné
donnéque
ntnjmp
SCE ne

Le coefficient de détermination est toujours compris

^
0≤ ≤1.
peut pas être plus élevé que SCT.
11
 Économétrie financière I KHAOULA LAHLOU

2
Interprétation de R :
Il représente la fraction de la variation de y qui est expliquée par x au sein de l’échantillon.
2
Lorsqu’il s’agit d’interpréter R ,on le multiple par 100 pour obtenir un pourcentage.
2
Ainsi 100 R est le % de la variation de y présente dans l’échantillon, qui est expliquée par x.
o Lorsque R2 --> 1 , il s’agit d’un très bon modèle car xi explique totalement la variabilité de yi
o Lorsque R2 --> 0 , il s’agit d’un très mauvais modèle, car xi explique faiblement la variabilité de yi.
2
Exemple : 100 R = 80% => Il s’agit d’un bon modèle où xi explique à 80% la variabilité de yi
2
R = 1 : Si tous les points correspondant aux données observées se situent sur la même droite, la
méthode des MCO offre un ajustement parfait de la droite de régression aux données observées.
R2 = 0 : l’ajustement est de piètre qualité : la variation entre les =_ (qui se trouvent tous sur la droite de régression des MCO) ne capturent quasiment rien de la variation observée entre
les yi .

Section 3 : L’espérance des estimateurs des MCO

3.1. L’espérance des estimateurs des MCO
Il y a 2 statistiques importantes pour dire que les estimateurs sont les meilleurs estimateurs
non biaisés et pour dire que les estimateurs sont BLUE (Best Linear Unbiased Estimator) :
l’espérance et la variance.
Théorème d’absence de „
biais des estimateurs des MCO
Le théorème d’absence de biais traduit par E( •)= βj est vérifié à travers les 4 hypothèses suivantes (conditions sine qua non pour que β 0 et β1 ne soient pas biaisés) :

Ø H1 : Linéarité dans les paramètres : Dans le modèle issu de la population, la variable

dépendante y, est liée aux variables indépendantes x1, x2, …, xk, et au terme d’erreur
u, comme suit : Y= β0 + β1 x1 + β2 x2 +…+ βk xk + u (équation de la population).
L’élément crucial à noter est que le modèle est linéaire par rapport aux paramètres
β0, β1, … , βk.
ð Il faut que la fonction soit linéaire non exponentielle et non quadratique.
Ø H2 : Échantillonnage aléatoire : Afin de donner à l’ensemble des individus de la
population la même chance/ probabilité -ou avec une probabilité différente- de participer à
l’enquête, les données doivent être tirées suivant un échantillon aléatoire (pour qu’il soit
représentatif). Ce qui permettra l’inférence statistique (généraliser les résultats d’un
échantillon sur toute une population).
- La moyenne des résidus est égale à zéro i= 0
variable indépendante et les résidus des

- La covariance d’échantillon entre chaque

MCO est égale à zéro. ∑ =i = 0 => Cov ( , =i) =0
∑ =

ð L’espérance de l’échantillon doit converger vers l’espérance de la population

Ø H3 : Pas de colinéarité parfaite : cette hypothèse s’intéresse à la relation entre les
variables explicatives. C’est pour cela qu’on ne la retrouve pas au niveau RLS.
Si une variable indépendante est une combinaison linéaire exacte des autres variables
indépendantes, alors nous disons que le modèle souffre de colinéarité parfaite ;
Ø H4 : Espérance conditionnelle de l’erreur égale à zéro : cette hypothèse est impérative
pour obtenir des estimateurs de β0 et β1, …, βk sans biais. E(u / x1,x2,...,xk) = 0
Si les variables explicatives sont corrélées avec le terme d’erreur, on parle de variables
endogènes. Dans ce cas E(u / x1,x2,...,xk) 0
biais est violée dès que l’une des 4 hypothèses

En règle générale, la propriété d’absence de ≠

ne tient pas.

12
Économétrie financière I KHAOULA LAHLOU

3.2. Inclusion de variables non pertinentes / redondante dans une régression

Le problème lié à l’inclusion d’une variable non pertinente / redondante dans une
régression, s’appelle également problème de sur-spécification du modèle.
L’effet d’une variable non pertinente est nul sur Y. Le β d’une variable non pertinente tend
vers zéro.
Quelles sont les conséquences liées à l’inclusion d’une variable non pertinente ?
ð Cela n’a aucun effet sur l’absence de biais des autres variables explicatives.
Faut-il en conclure que l’inclusion d’une variable redondante n’a aucun effet indésirable ?
ð Absolument pas. Inclure une variable superflue peut avoir des conséquences fâcheuses
sur la variance des estimateurs des MCO.
ð Ce problème n’a pas d’impact sur l’espérance mais il a un impact sur la variance.
3.3. Biais de variable omise : un cas simple
Le problème lié à l’omission d’une variable pertinente dans une régression, s’appelle
également problème de sous-spécification du modèle.
Lorsque la variable xj est omise dans le modèle
§ Si E(βj) > βj, alors βj est souffre d’un biais vers le haut.
§ Si E(βj) < βj, alors βj est affecté d’un biais vers le bas.
ð Ce problème n’a pas d’impact sur la variance, mais il a un impact sur l’espérance.
Section 4 : La variance des estimateurs des MCO
4.1. Variances des estimateurs des MCO
>
Il importe maintenant de savoir dans quelle mesure sera éloigné de βj en moyenne. (Dispersion = variance). Cela nous permettra de sélectionner le meilleur estimateur
parmi tous les estimateurs sans biais.

La mesure de dispersion la plus fréquente pour une distribution est la variance ou sa racine
carrée -l’écart-type.
Ø H5 : Hypothèse d’homoscédasticité ou de « variance constante » : La variance de
l’erreur u est constante, quelle que soit la valeur de x. (Constance de la variance).
Var(u/x1, x2,… ) = Var(x) = E(x2) -E(x)2
2 2
Var(u/x) = E(u /x) – [E(u/x)] = E(u /x)
Étant donné que ,
=0
ð Si cette hypothèse n’est pas respectée, alors le modèle souffre d’hétéroscédasticité.
ð Lorsque σ2 prend une valeur élevée, la distribution des facteurs non observés qui affectent
y est moins resserrée autour de la moyenne : elle affiche une dispersion plus grande. Dans ce cas, on
dit qu’il y a une forte dispersion autour de la moyenne.
Ø H6 : Variance d’échantillonnage des estimateurs de la pente des MCO L’objectif est de montrer que la dispersion entre „• et • est faible.

V(
„•
•

)=

Si on a deux variables explicatives qui sont liées, on est face à un problème de

colinéarité. Donc, on peut expliquer une variable par une autre.
2
De ce fait, on peut calculer R le coefficient de détermination entre les deux variables.
ð >
Plus grand est R2, plus petite sera la SCT (puisqu’elle est multiplié par (1- R 2), plus V( „•) va augmenter.
Pour que V( )ne change pas ou tend vers 0, il faut que :

- Que la variance de l’erreur soit constante

- S’assurer de l’absence de colinéarité entre les variables explicatives.

13
Économétrie financière I KHAOULA LAHLOU

Section 5 : Efficacité des MCO : Le théorème de Gauss-Markov

Sous les hypothèses RLM.1 à RLM.5, „‡, „Q, … „• sont les meilleurs estimateurs sans biais (BLUE) de β 0, β1, … βk respectivement.

Si l’une des hypothèses de Gauss-Markov est violée, alors le théorème de Gauss-Markov ne

tient plus.
Section 6 : Les tests statistiques

14
 Économétrie financière I KHAOULA LAHLOU

Économétrie II
Chapitre I : Généralités sur les séries temporelles (processus stationnaire)
Définition : Série temporelles et processus aléatoire
Série temporelle / série chronologique : est une suite de valeurs numériques représentant
l'évolution d'une quantité spécifique au cours du temps. Une série peut être observée de
manière discrète ou de manière continue. De telles suites de variables aléatoires sont être
exprimées pour comprendre son évolution passée et pour en prévoir le comportement futur.
ü Les séries chronologiques sont fortement dépendantes de leur passé récent.
Par exemple : L’estimation du PIB au cours du trimestre précédent nous renseignera plutôt bien
sur l’ordre de grandeur du PIB pour le trimestre en cours.
ü Les séries chronologiques se caractérisent également par la régularité / la fréquence à laquelle les
données sont collectées.
Les prix des actions sont souvent enregistrés à une journée d’intervalle.
Toute série chronologique est caractérisée par l’équation : Xt = t + C + S + U
T : tendance ou l’évolution de la variable (croissante, ou décroissante)
C : Cycle des fluctuations qui restent après une absence de tendance (variance)
S : composante saisonnière ( Vacance, rentrée scolaire …)
U : terme d’erreur
Processus aléatoire / stochastique : est un ensemble de variables aléatoires ordonnées dans
le temps. Le processus stochastique représente une évolution discrète ou continue, d'une
variable aléatoire.
Processus stochastique

Processus stationnaire Processus non stationnaire (DS)

Moyenne : E (Yt) = μ Un Test DS est effectué pour permettre à

un processus non stationnaire de devenir
Variance : var(Yt) = E(Yt - μ)2 =σ2
stationnaire.
Covariance : γk = E [(Yt - μ) (Yt+k - μ)]
Détecte l’origine de la non stationnarité
d’une série.
Processus faiblement stationnaire/ Processus stricte/
stationnaire dans la covariance/ fortement stationnaire
stationnaire du second ordre
loi temporelle est invariante Processus à racine unitaire
en fonction du temps.
Cas particulier : Processus de
bruit blanc / purement aléatoire Modèle à marche Modèle à marche
Moyenne = 0 aléatoire sans tendance aléatoire avec tendance
Variance = constante Yt= Yt-1+ ut Yt = δ + Yt-1 + ut
Pas corrélé sériellement COV = 0
Yt = β1 + β2 t + β3 Yt-1+ ut

Déterministe (TS) Stochastique

Tendance prévisible Tendance imprévisible
et non variable si β1=0 ; β2=0 ; β3 = 1
si β1≠0 ; β2 ≠ 0 ; β3=1
Cas particulier : Si β1 ≠ 0, β2 ≠ 0, β3<1 :
le processus devient stationnaire autour
d’un trend déterministe 15
Économétrie financière I KHAOULA LAHLOU

Processus stochastique stationnaire / faiblement stationnaire / stationnaire dans la

covariance/ stationnaire du second ordre : un processus stochastique est dit stationnaire si :
sa moyenne et sa variance sont constantes dans le temps, et si sa valeur de la covariance
1
(autocovariance ) entre les deux périodes (t) et (t+k) de temps ne dépend que de la distance
ou écart entre ces deux périodes et non pas du moment auquel la covariance est calculée.
Moyenne : E (Yt) = μ
Variance : var(Yt) = E(Yt - μ)2 =σ2
Covariance : γk = E [(Yt - μ) (Yt+k - μ)]
Donc, si une série chronologique est stationnaire, ses moyenne, variance, et autovariance
demeurent identiques quel que soit le point auquel elles sont mesurées.
Processus stochastique stricte/ stationnaire fort : revient à dire que la loi temporelle est
invariante en fonction du temps. En particulier les variables X t ont la même loi.
Un processus stochastique purement aléatoire / processus de bruit blanc : si sa moyenne est
2
nulle, sa variance σ constante et s’il n’est pas corrélé sériellement.
Le bruit blanc est un cas particulier du processus stationnaire où non seulement l'espérance
mais aussi toutes les covariances sont nulles.
Exemple : le terme d’erreur μt , entrant dans le modèle classique de régression linéaire est
un processus de bruit blanc.
Processus stochastique non stationnaire : est une série de variables aléatoires dont le
processus qui les décrit ne vérifie pas au moins une des conditions de la définition d’un
processus stationnaire du second ordre (Constance de la moyenne et de la variance dans le
temps, la covariance entre les deux périodes (t) et (t+k) de temps ne dépend que de la
distance ou l’écart entre ces deux périodes). Processus DS.
Série temporelle non stationnaire : présente une moyenne variable dans le temps ou une
variance fluctuante dans le temps ou les deux. L’exemple type d’une série temporelle non
stationnaire est le modèle à marche aléatoire (Exp : les actions ou les taux de change)
Processus stochastique à racine unitaire :
Deux types de marche aléatoire sont distingués :
1) Marche aléatoire sans tendance/ dérive (aucun terme constant n’est présent) : Une série
est dite de marche aléatoire sans tendance si Yt= Yt-1 + ut (c’est un modèle AR) ut :est un terme
2
d’erreur de type bruit blanc, avec une moyenne = 0 et une variance σ
2) Marche aléatoire avec tendance/ dérive (présence d’un terme constant) : Une série
est dite de marche aléatoire avec tendance si Yt = δ + Yt-1 + ut (c’est un modèle AR)
δ : de paramètre de tendance.
La stationnarité du trend (st) et la stationnarité différentielle du processus stochastique :
Dans un processus non stationnaire, il convient de vérifier le trend :
Yt = β1 + β2 t + β3 Yt-1+ ut

Ø Trend déterministe : Si le trend dans une série chronologique est entièrement

prévisible et non variable. ( si β1 ≠ 0, β2 ≠ 0, β3 = 1) Processus TS Yt
= β1 + β2 t + Yt-1+ ut

1 Autocovariance : covariance d’une variable aléatoire avec elle-même.

16
Économétrie financière I KHAOULA LAHLOU

Cas particulier : Si β1 ≠ 0, β2 ≠ 0, β3 < 1 : le processus devient stationnaire autour d’un

trend déterministe .
Ø Trend stochastique : à l’inverse, le trend dans une série chronologique est
imprévisible. (β1= 0 , β2 = 0 , β3 = 1)
Yt = Yt-1+ ut
β1 : constante
β2 : Coefficient associé à la tendance (peur être déterministe ou stochastique)
β3 : racine unitaire si β3 =1.
ut : Terme d’erreur de type bruit blanc
Les processus stochastiques intégrés :
Pour rendre une série chronologique non stationnaire, stationnaire, on effectue une
différenciation (Variation entre Yt et Yt-1)
ère
Ø Si à la 1 différenciation, on obtient une série stationnaire : Yt -Yt-1 =ut
ð On parle de processus stochastique à marche aléatoire intégré d’ordre 1, noté
par Yt~ I(1).
ère
Ø Si à la 1 différenciation, on n’obtient toujours pas une série stationnaire, on refait
la différenciation pour une deuxième fois.
ð On obtient donc un processus stochastique à marche aléatoire intégré d’ordre 2,
notée par Yt~ I(2).
Ø Si une série chronologique Yt est stationnaire au départ (elle n’a donc pas besoin d’être
différenciée), elle est dite intégré d’ordre 0 et notée par
Yt ~ I(0).
Le phénomène de la fausse régression :
2
§ Plus le coefficient de détermination R est proche de 0, plus il n’y a pas de corrélation
(relation) entre la variable à expliquer et la variable explicative. (à l’inverse, s’il s’approche de 1,
la corrélation est très forte entre X et Y : on parle ici d’un bon modèle)
§ Plus le coefficient d’autocorrélation « d » (Durbbin Watson) est petit, (pas de corrélation
entre X et Y) plus mon modèle est bon. (ce coefficient est compris entre 0 et 4% : plus il
s’approche de 4%, plus il y a une forte corrélation entre les variables X et Y).
ð Si j’ai deux séries chronologiques stationnaires X et Y, et en faisant une
2
régression, je trouve que R > d, donc il existe une fausse régression/ régression absurde/
fallacieuse. C’est-à-dire qu’il y a une intégration de deux variables non stationnaires.
5. Les tests de stationnarité :
5.1. L’analyse graphique :
La représentation graphique d’une série chronologique donne une première idée sur la
nature probable de la série (stationnaire ou non stationnaire en fonction de la variation du
trend). Un trend ascendant, peut sous-entendre une modification de la moyenne. Ainsi, la
série peut ne pas être stationnaire.
5.2. La fonction d’autocorrélation (FAC) ou le corrélogramme
Un test simple de stationnarité est basé sur la fonction d’autocorrélation qui se présente
comme suit :
Avec
–tsjkFjR–p —twk mp kpnjkv • -1 ≤ ≤1
• = •
sjkFjR–p

La représentation graphique de la fonction d’autocorrélation s’appelle un Corrélogramme de

la population.

17
 Économétrie financière I KHAOULA LAHLOU

Puisqu’en pratique nous n’avons qu’une réalisation (un échantillon) d’un processus
stochastique, on ne peut calculer que la fonction d’autocorrélation de l’échantillon (FACE). X
•
Pour la calculer, il faut d’abord calculer la covariance d’échantillon pour le décalage k, γX
•

‡
et la variance de l’échantillon, γX :

Où n est la taille de l’échantillon et la moyenne de l’échantillon.

d’autocorrélation de l’échantillon pour le décalag e k est :

En conséquence, la fonction N γX•

X• =
γX‡

•
Un graphique de X et k s’appelle un corré logramme d’échantillon.

La FAC est
notée par AC Plus le AC s’approche de 1, plus
la série est non stationnaire

Axe 0
A
Observations positives

Série non Série non

stationnaire stationnaire

Série
stationnaire

18
Économétrie financière I KHAOULA LAHLOU

Chapitre II : La non-stationnarité - les process TS et DS -

1. Les tests de stationnarité (TS et DS)
Les tests de stationnarité (TS et DS) permettent de savoir si la série est stationnaire ou non
stationnaire. Deux types de processus sont distingués pour l’analyse de la non-stationnarité:
Ø Les processus TS (Trend Stationary) qui représentent une non-stationnarité de type
déterministe ; xt = f t + ε t
où ft : une fonction polynomiale du temps (linéaire et non linéaire) tel que ft = a0+a1t
εt : un processus stationnaire (bruit blanc)
Le processus TS linéaire (le plus simple) s’écrit : xt = a0 + a1t + εt
ð L’intérêt du processus TS est d’éliminer la tendance « a 1 » pour rendre le
processus non stationnaire de type déterministe, stationnaire.
ð Les méthodes (les filtres de lissage) :
o La méthode de filtre simple : la moyenne mobile (somme des 2 années
précédentes + somme des 2 années à venir )/4
o La méthode des filtres composés : HP (Hodrick-Prescott)
Le filtre HP élimine ou réduit les fluctuations de long terme de la série, tout
en préservant ceux ayant approximativement des fréquences du court
terme. Il en résulte un cycle conjoncturel, qui a servi de base pour un très
grand nombre d'analyses économiques.
o La méthode des filtres structurels : VAR structurel, filtre de KALMAR.
Ø Les processus DS (Differency Stationary) pour les processus non stationnaires
aléatoires. (1- D)d xt = β + εt
où D : l’opérateur décalage (retard) noté également L
β : une constance réelle εt : bruit blanc
d : l’ordre du filtre aux différences (souvent =1)
Le processus est dit processus du premier ordre. Il s’écrit :
Dans ce cas D =
‹™š›
(1- D) xt = β + εt <=> xt = xt-1+ β + εt
‹™

En l'analyse des séries temporelles, l'opérateur retard, est l'opérateur qui, à tout
élément d'une série temporelle, associe l'observation précédente.
§ Si β = 0 : le processus DS est dit sans dérive/sans tendance (1- D) xt = εt <=> xt = xt-1 +
εt Modèle de marche au hasard ou de marche aléatoire.
§ Si β ≠ 0 : le processus DS est dit avec dérive /sans tendance. xt = xt-1 +β + εt
Pour stationnariser la marche aléatoire, on applique au processus le filtre aux
différences premières :(1- D)xt =β+εt <=> xt = xt-1+β + εt
Dans les processus de type DS, un choc à un instant donné se répercute à l’infini sur les
valeurs futures de la série ; l’effet du choc est donc permanant et va en décroissant.
Conséquence de prendre TS au lieu de DS :
§ Si le PIB est DS la croissance et le cycle sont liés et ne peuvent pas être étudiés de
façon séparés.
§ Prendre DS au lieu de TS crée artificiellement une forte autocorrélation des résidus
pour les premier retards

19
Économétrie financière I KHAOULA LAHLOU

2. Les tests de racine unitaire :

Les tests de racine unitaire détectent l’existence d’une non-stationnarité ;
Déterminent de quelle non-stationnarité il s’agit (processus TS ou DS);
Proposent la bonne méthode pour stationnariser la série ;
Ø Test de Dickey-Fuller
Les modèles servant de base à la construction de ces tests sont au nombre de trois.
[1] xt = φ1xt1 + εt Modèle autorégressif d’ordre 1 ;
[2] xt = φ1xt1 + β + εt Modèle autorégressif avec constante ;
[3]xt =φ1xt1+bt+β+εt Modèle autorégressif avec tendance
Principe du test :
Si l’hypothèse H0 : φ1 = 1 est acceptée dans l’un de ces trois modèles, le processus est alors
non stationnaire. (Processus DS)
Dans le modèle [3], si on accepte H1 : φ1 l1 et si le coefficient b est significativement
différent de 0, alors le processus est un processus TS.

Ø Test de Dickey-Fuller Augmentés :

Les 3 modèles du tests ADF sont fondés sur l’hypothèse H0 : φ1 = 1 :
p
[1] ∆xt = φ1xt-1 - ∑ j=2 φj xt-j+1 +εt
p
[2] ∆xt = φ1 xt-1 - ∑ j=2 φj xt-j+1 +β +εt
p
[3] ∆xt = φ1xt-1- ∑ j=2 φj xt-j+1 + bt + β + εt

Ø Test de Phillips et Perron (PP)

Ø Test KPSS

20
Économétrie financière I KHAOULA LAHLOU

Chapitre III : Processus ARMA (processus stationnaire)

n
Opérateur retard : transforme une variable Xt en sa valeur passée. L Xt =Xt-n
Lorsqu’une variable peut accepter plusieurs retards : On applique le polynôme retard Φ(L)
2 P
définit comme suit : Φ(L) = 1 – Φ1L – Φ2L - … - ΦPL (1 est la valeur instantanée)
À une série Xt, on a Xt Φ(L) = Xt – Φ1 Xt-1 – Φ2 Xt-2 - … - ΦP Xt-p
-1
L’opérateur retard est linéaire et inversible. Son inverse L = F est définit par F Xt = Xt+1 est
appelé opérateur avancé.
Processus bruit blanc : est un processus aléatoire stationnaire εt centré si :
E(εt) = 0
2
V(εt) = σ ε 2
Noté εt ~ BB (0, σε )
Cov (εt , ε’t) = 0

Processus ARMA (AutoRegressive Moving Average)

L’object est de modéliser une série temporelle en fonction de ses valeurs passées, mais aussi
en fonction des valeurs présentes et passée d’un bruit.
Afin de déterminer le processus ARMA adéquat, Box et Jenkins ont proposé une procédure
en quatre étapes :
Ø Identification du modèle ;
Ø Estimation des paramètres ;
Ø Validation du modèle (tests de diagnostic) ;
Ø Prévision à l’aide du modèle validé ;
1) Définition des processus ARMA
Processus autorégressif d’ordre p, -AutoRegressive- noté AR (p) : un processus stationnaire
Xt vérifiant une relation de type : εt = Xt – Φ1 Xt-1 – Φ2 Xt-2 - … - ΦP Xt-p
2 P
εt = Xt (1– Φ1 L – Φ2 L - … - ΦP L )
εt = Xt Φp(L)
Où les Φi (i = 1, … ,p) sont des réels
εt ~ BB (0, σε2) est un bruit blanc
Théorème de Wold : Tout processus stationnaire est inversible.
Processus moyenne mobile d’ordre q -Moving Average- , noté MA(q) : un processus Xt
stationnaire vérifiant une relation de type : Xt = εt - θ1εt-1 - …. - θq εt-q
q
Xt = εt (1- θ1L - …. - θq L )
Xt = θq (L) εt
εt = ( ) = Xt . Φ(L)-1

Où les θi (i = 1, … ,q) sont des réels

εt ~ BB (0, σε2) est un bruit blanc
NB :
ð Si le processus est stationnaire, alors on peut inverser ce polynôme écrire un
processus MA(q) sous la forme AR(∞)
ð Si le processus est stationnaire, on peut l’inverser et écrire le processus AR(p) sous la
forme d’un processus moyenne mobile d’ordre infini (MA(∞).

21
Économétrie financière I KHAOULA LAHLOU

Processus ARMA (p,q) : Ce sont en effet des processus mixtes- au sens où ils incorporent
simultanément des composantes AR et MA - ce qui permet d’obtenir une description plus
parcimonieuse (mesquine) des données.
Xt – Φ1 Xt-1 – Φ2 Xt-2 - … - ΦP Xt-p = εt - θ1εt-1 - …. - θq εt-q
AR MA
Xt Φp(L) = εt = Xt = θq (
Xt Φp(L) = θq (L) εt

Si le processus ARMA (p,q) est stationnaire, il peut s’écrire alors :

§ t=
Soit sous la forme MA (∞) : ε
. ( )

( )
§ Soit sous la forme AR (∞) : Xt = ( ).

( )

2) Identification et estimation des processus ARMA

Autocorrélation : La fonction d’autocorrélation des processus ARMA répond à la même
équation aux différences que celle des processus AR.
Autocorrélation partielle : La fonction d’autocorrélation partielle des processus ARMA n’a
pas d’expression simple. Elle dépend de l’ordre de chaque partie (p et q) et de la valeur des
paramètres.
On commence par déterminer la fonction d’autocovariance de ce processus : γ0 = E[XtXt]
La fonction d’autorrélation s’écrit donc : ρk = φ1 ρk-1 pour k > 1.
Estimation

T : Le nombre d’observations de Xt . N : La moyenne de Xt , t = 1, ..., T.

k = 1, 2, ..., K. Box et Jenkins suggèrent de retenir un nombre maximal de retards k= T/4 .

Pour un nombre d’observations T suffisamment important, Bartlett a montré que suit

X• = 0
une loi normale.
Pour tester l’hypothèse nulle selon laquelle les autocorrélations ne sont pas significativement
différentes de zéro, soit que , on calcule la valeur de la statistique de Student.
T =
¥X
¦ que l’on X• = 0

compare à la valeur critique lue dans la table de la loi de Student.

X• Œ= (¥X¦ )

La règle de décision est alors :

Si T • α , on accepte líhypothËse nulle : bρk níest pas
<t1 ¥X¦

k2 X Œ= (¥X¦
)

signiÖcative,

22
Économétrie financière I KHAOULA LAHLOU
Si tbρ > t1 α , on rejette lı́hypothE;se nulle : bρk est k2

signiO;cativement di§EIrent de zEIro,

L’estimation des processus ARMA repose sur la mÈthode du maximum de vraisemblance. On

2
suppose que les rÈsidus suivent une loi normale de moyenne nulle et de variance σ ε
3) Validation des processus ARMA Test 1 : Test de significativité :
On regarde si l’on peut diminuer d’une unité le nombre de retards intervenant dans la partie
AR.
On teste l’hypothèse nulle de processus contre l’hypothèse alternative.
H0: ARMA (p-1 , q) (φ=0)
H1 : ARMA (p ;q) (φ ≠ 0)
On calcule donc la statistique de Student du coeffcient t φp que l’on compare avec la valeur de
la loi de Student tabulée.

Test 2 : Tests d’absence d’autocorrélation et tests d’homoscédasticité :

Ces tests ont pour objet de vérifier que les résidues estimés suivent bien un processus de
bruit blanc. A cette fin, on peut appliquer :
1) Des tests d’absence d’autocorrélation :
Ø Le test de Box et Pierce / test de portmanteau : a pour objet de tester le
caractère non autocorrélé des résidus.
Ø Test de Ljung et Box : Ce test est à appliquer lorsque l’échantillon est de
petite taille.
Ø Test de Durbin-Watson : permet de tester la présence d’autocorrélation à
l’ordre 1 des résidus. La statistique de Durbin Waston est noté DW.
0 < DW < 4.
Si DW =2 => il y a absence d’autocorrélation à l’ordre 1 des résidus.
2) Des tests d’homoscédasticité :
Ø Le test de Goldfeld et Quandt : Ce test n’est valable que si l’une des variables
Xj est la cause de l’hétéroscédasticité.
Ø Le test de White : Ce test général d’homoscédasticité est fondésur l’existence
d’une relation entre le carré du résidu et une ou plusieurs variables explicatives (endogènes
retardées par exemple)
Ø Le test ARCH de Engle : Ce test a pour objectif de tester l’hypothèse nulle
d’homoscédasticité contre l’hypothèse alternative l’hétéroscédasticité conditionnelle.

23
Économétrie financière I KHAOULA LAHLOU

Conclusion :

4) Prévision des processus ARMA

24
Économétrie financière I KHAOULA LAHLOU

Stationnarité faible
- E(u)=constante
- Variance (x) = fine (maitrisé) ne s’écarte pas trop de la moyenne)
- Cov (Xt, Xt+1)
Stationnarité forte suppose que les lois associés à chaque observation restent inchangées Loi
uniforme (pas da variation ) écart type=0 (Exp : prix administré) variable stationnaire en
niveau I(0) rendre sa moyenne stable et sa variance fini
variable stationnaire nécessitant une seule transformation pour devenir stationnaire I(1)
variable stationnaire nécessitant deux transformations pour devenir stationnaire I(2). Exp :
variables boursières
les meilleurs modèles de prévision : les modèles statistiques (lorsque je régresse une variable
su son passé récent).

On ne s’intéresse pas aux variables qui ne varient pas.

Loi normale (variation ) écart type différent de 0 (Exp : taux directeur sur le LT)

Économiste Becker lire ses travaux

1/ Choisir une série chronologique d’une variable (croissance par exemple)

2/ Analyse graphique : présenter un graphique présentant la variation de cette variable
(croissance)
3/ Corrélogramme : pour décider de la stationnarité ou non de la variable.

Un corrélogramme contient 2 statistiques :

- Taux de corrélation : coefficient de régression (= Cov/V)
-
Les étapes de la comptabilité nationale
Prévisions : on ne se base sur de données. Les prévisions sont présentées sous forme de
fourchettes et non pas de valeurs ponctuelles, parce qu’elles présentent des marges d’erreur.
Estimation : on se base sur des informations antérieures (tendance des périodes passées)
Réalisation :
Révision :

Marché aléatoire (avec dérive ou sans dérive) =/ bruit blanc

processus Marché aléatoire non stationnaire
Si le coefficient de régression =1 => on parle de marche aléatoire
S’il est différent de 1 => on parle de
Variation lisse
Variation en dents de scie
1980 : Crise de la dette et mise en place du PAS
2000 : privatisation de IAM Maroc Telecom (qui était une administration publique)
2001 Vivendi a acheté 50% de IAM (la plus grande opération de privatisation de l’histoire du
Maroc). Dans le but de préparer le secteur pour une éventuelle concurrence. Tendance
baissière du secteur de la communication au Maroc.

25
Économétrie financière I KHAOULA LAHLOU

AltaDes a achaté Régie tabac

Le 17/05/2021 à 14H (présentiel)

Chapitre II : Processus ARMA (Processus stationnaire)
Modèle de prévision
Les modèles stationnaires sont des modèles qui ne font pas appel à des variables exogènes
(le régresseur de x est le passé de x et non pas y) contrairement aux modèles structurels.

On appelle estimation bayésienne du param`etre θ la moyenne de la loi a

posteriori. Cette moyenne est notée E[θ|x]. Formellement, on a: E[θ|x] = ∫Θ θπ(θ|x)dθ
= ∫Θ θf(x|θ)π(θ)dθ ∫Θ f(x|θ)π(θ)dθ .
L’inférence bayésienne est une méthode d'inférence par laquelle on calcule les probabilités de
diverses causeshypothétiques à partir de l'observationd'événements connus. Elle s'appuie
principalement sur le théorème de Bayes.

L’opérateur retard :
En l'analyse des séries temporelles, l'opérateur retard, noté L (ou B quelquefois), est
l'opérateur qui, à tout élément d'une série temporelle, associe l'observation précédente.
Le polynôme de retard :
2 p
Φ(L) = 1 φ1- Lφ2L - … φpL avec Xt = φ1L et

1 est la valeur instantanée (valeur sans retard)

Tout processus stationnaire est inversible selon le théorème de Wuld ??

Le modèle AR(p)
Xt = φ Xt-1 φ2 Xt-2 ε
1 +
Xt -φ Xt-1 φ2 Xt-2 +.. + t ε
1 - - - ... = t

1 2 p
Φ φ …φ ε
1- 1L - L
2
L
pL = t

Φ(L) X1 ε
Φ
= εt => AR(p)

-1
Xt = 1L t => MA(q)
Le modèle MA(q)

Le passage de MA à AR est possible et vice versa

26
Économétrie financière I KHAOULA LAHLOU

Le modèle ARMA(p,q)

Si le modèle ARMA est stationnaire je peux exprimer X comme suit :

24/05/2020
Chapitre 3 : diapo 21
ème
Il y a un 4 modèle appelé : Modèle
SCARMA Synthèse :
Étape 1 : Identification du Processus ARMA(p ;q)
§ Estimation de retard q (on insiste ici sur la composante MA) o Phase 1 : Estimation
de la fonction d’autocorrélation
o Phase 2 : Vérification de la significativité des coefficients de la fonction
d’autocorrélation
o Phase 3 : Retenir les coefficients significatifs comme retard potentiel

§ Estimation de retard p (on insiste ici sur la composante AR)

o Phase 1 : Estimation de la fonction d’autocorrélation partielle
o Phase 2 : Vérification de la significativité des coefficients de la fonction
d’autocorrélation partielle
o Phase 3 : Retenir les coefficients significatifs comme retard potentiel
Section 4 : Validation des processus ARMA (diapo 28)
Étape 2 : Estimation des Processus ARMA selon les retards identifiés
Étape 3 : Validation et comparaison des modèles estimés à travers les tests de validation
Ces tests sont :
1/ Test d’absence d’autocorrélation (diapo 32) : pour ce faire, il y a plusieurs
tests 2/ Test d’homoscédasticité (de la constante de la variance) (diapo 36)
o Phase 1 : Tester l’erreur : bruit blanc
o Phase 2 : Stabilité de la variance

27
Économétrie financière I KHAOULA LAHLOU

Chapitre 4 : La modélisation VAR

Définition du Var :
Un modèle VAR standard est une représentation autoégressive dans laquelle toutes les
variables sont supposées, a priori, comme des variables « endogènes ». Les seules variables
exogènes sont les termes d’erreur.
Dans la plus part des cas, les modèles VAR contiennent un petit nombre de variables (entre 3
et 6)
• Une variable endogène est une variable qui peut être impacté par une décision.
Exemple : L’investissement privé.
• Une variable exogène est une variable qu’on ne peut pas influencé. Cette variable
n’est pas explicable par elle-même.
Exemple : L’investissement public.
Le modèle VAR un modèle athéorique qui préfère la qualité statistique plutôt que le
fondement théorique.
Conditions de stationnarité du Var :
Un modèle VAR est stationnaire, s’il satisfait les trois conditions classiques :
1- E (Yt ) = μ
2- Var(Yt) = cte (finie)
3- Cov(Yt,Yt+k) = μ (dépend uniquement de k)
Important : Les variables du modèle VAR sont toutes stationnaires, il est nécessaire que les
mécanismes dynamiques engendrés par le modèle soient également stationnaires.
Les termes d’erreurs dans le modèle VAR :
Les termes d’erreurs/ innovations / perturbations / chocs : sont supposés être des bruits
blancs non autocorrélés et de variances constantes.
Limites du VAR :
Les modèles VAR présentent en effet deux critiques :
Ø Les modèles VAR sont des modèles à CT.
Ø Ce sont des modèles athéoriques (qui préfère la qualité statistique plutôt que le
fondement théorique.)

Choc endogène :
Sous une perspective économique : choc qu’on peut expliquer et déterminer.
Sous une perspective économétrique : Variable endogène est une variable qui
s’explique par elle-même et par d’autres variables.
Choc exogène :
Sous une perspective économique : choc qu’on subit (La crise sanitaire du COVID)
Sous une perspective économétrique : variable exogène est une variable qu’on
n’arrive pas à expliquer par d’autres variables (comme les erreurs).

28
 Économétrie financière I KHAOULA LAHLOU

Les formes du VAR :

Le VAR se présente sous 2 formes :
Questiond’examen
1)
Forme primitive / structurelle/ matricielle : c’est la forme où nous avons les valeurs
contemporaines (actuelles) des autres variables.
Exemple d’un modèle VAR avec trois variables :
§ Le taux d’inflation (π)
§ Le taux de chômage (u)
§ Le taux d’intérêt (r)

2) Forme réduite : c’est la forme où nous n’avons que les valeurs passées des autres
variables.
ð On peut aller d’un modèle de VAR réduit à un modèle primitif à travers une
matrice de passage.

ð L’inverse de cette matrice permet le passage du modèle primitif à un modèle

réduit. (l’inverse de la matrice des valeurs instantanées)

29
Économétrie financière I KHAOULA LAHLOU

Matrices de
passage

Quelles variables choisir ?

Avant de passer à l’estimation du modèle VAR, il est nécessaire de vérifier la stationnarité
des variables, à travers les Tests de racine unitaire (ADF, PP, KPSS)
NB : Les variables en taux de croissance sont généralement stationnaires.

30
Économétrie financière I KHAOULA LAHLOU

Détermination du nombre de retard :

Dans la pratique des modèles VAR, trois méthodes sont les plus retenues pour estimer le
nombre de décalages p optimal :
1. Une méthode basée sur l’examen des propriétés statistiques du vecteur d’innovations :
Il s’agit de vérifier si les résidus du modèle VAR(p) successivement estimés pour p = 1,2,. . . ,p
sont de type bruit blanc (BB) ;
Différents tests peuvent être utilisés :
Ø Test de non autocorrélation (test de Ljung-Box, test de multiplicateur de Lagrange, etc.)
Ø Test de normalité (Skewness, Kurtosis, JB)
Ø Test d’absence d’hétéroscédasticité conditionnelle (test d’absence d’effets ARCH).
2. Une méthode basée sur les tests de nullité emboîtés sur les paramètres associés au
dernier retard ajouté au modèle :
Cette procédure consiste à déterminer à priori a un nombre de décalage maximal p max et
d’estimer les deux modèles VAR(pmax) et VAR(pmax-1). On effectue le test du rapport de
vraisemblance associé à l’hypothèse nulle H0 : Bpmax =0 ;
Si cette hypothèse est rejetée, le modèle VAR(pmax ) est retenu.
3. Une méthode basée sur les critères d’information ;
Il s’agit d’estimer tous les modèles VAR pour des ordres p allant de 0 à un certain ordre h fixé
de façon arbitraire.
Pour chacun de ces modèles, on calcule les critères :
Ø Critère AIC (Akaike Information Criterion)
Ø Critère SC (Schwartz Criterion)
Ø Critère HQ (Hannan Quinn)
ð Pour déterminer le nombre de retard optimal : On choisira alors le nombre de retards qui
minimise l’un de ces trois critères d’information ;
NB : Il est fréquent de combiner ces trois méthodes pour s’assurer que le nombre de
décalage p obtenu est le plus adéquat ;
Généralement pour les modèles VAR trimestriels, le p=4 et pour les modèles VAR mensuels,
le p=12.
Diagnostic du modèle VAR :
Le diagnostic du modèle VAR se fait sur deux niveaux :
1) Analyse des résidus ;
Ø Correlograms ;
Ø Portmanteau Autocorrelation test ;
Ø Autocorrelation LM test ;
Ø Normality test ;
Ø White heteroskedasticity test ;
2) Stabilité du modèle VAR ;
Dynamique d’un modèle VAR :
Les modèles VAR sont souvent analysés au travers de leur dynamique et ce via la simulation
de chocs aléatoires et l’analyse de la décomposition de leur variance.
Il y a deux concepts qui sont fréquemment utilisés dans ce contexte :
Fonction de réponse impulsionnelle :
Décomposition de la variance

31
Économétrie financière I KHAOULA LAHLOU

Pour comprendre ces deux concepts, il est donc nécessaire de déduire, à partir de la forme
structurelle du modèle VAR, la forme moyenne mobile vectorielle (VMA).

1. Fonction de réponse impulsionnelle :

Pour cela, on procède à l’orthogonalisation des innovations. On utilise la méthode de Cholsky qui
consiste à décomposer la matrice de variances-covariances des résidus estimés de façon à
l’exprimer comme le produit d’une matrice triangulaire inférieure E et de sa transposée.
De façon générale dans l’écriture d’un VAR, la variable, que l’on suppose économiquement
être la variable explicative, doit figurer après la variable dont on veut expliquer les
évolutions. C’est ce qu’on appelle l’ordre de causalité. Par exemple : π => u => r .
2. Décomposition de la variance
L’objectif de cette décomposition est de calculer pour chaque choc sa contribution à la
variance totale de l’erreur de prévision.
L’interprétation des résultats est importante :
r
§ Si, par exemple, un choc sur le taux d’intérêt (ε t ) n’affecte pas la variance de l’erreur
de l’inflation quel que soit l’horizon de prévision, alors la variable taux d’inflation peut être
considérée comme exogène au système étudié.
Choc sur (r) n’affecte pas V(εt(π)) => taux d’inflation est donc une variable exogène.
r
§ A contrario, si un choc le taux d’intérêt (ε t ) affecte fortement (voir même
totalement) la variance de l’erreur de l’inflation, alors la variable taux d’inflation peut être
considérée comme endogène au système étudié.
Causalité au sens de Granger :
Principe : La variable X a est la cause de la variable Y a, si la prédictibilité de Y est améliorée
lorsque l’information relative à X est incorporée dans l’analyse.
Causalité au sens de Sims :
Principe : la variable X a est la cause de la variable Y a , si les valeurs futures de y permettent
d’expliquer les valeurs présentes de X.

32
Économétrie financière I KHAOULA LAHLOU

Production céréalière moyenne annuelle (Maroc) = 75 millions de quintaux.

La production céréalière en 2009 était de 102 millions de quintaux, contre 20 millions de
quintaux en 2019.

Après les chocs, on a un retour au niveau d’équilibre. La variable revient à son niveau
d’équilibre. Les chocs s’amortissent au fil des temps pour revenir à son niveau d’équilibre.
Les chocs permanents : comme les chocs technologiques, les chocs démographiques, …
Politique de l’enfant unique en Chine pour limiter le choc démographique à travers
l’imposition tarifaire des enfants.

Les étapes du modèle VAR :

1. Quelles variables on doit choisir ?
2. Estimation d’une équation par itération par la méthode des MCO/ Modélisation
linéaire ou multiple.
3. Détermination du nombre de retard :
Dans la pratique des modèles VAR, trois méthodes sont les plus retenues pour
estimer le nombre de décalages p optimal :
1 Une méthode basée sur l’examen des propriétés statistiques du vecteur
d’innovations ;
2 Une méthode basée sur les tests de nullité emboîtés sur les paramètres associés au
dernier retard ajouté au modèle ;
3 Une méthode basée sur les critères d’information ; (la plus utilisée)

33