Académique Documents
Professionnel Documents
Culture Documents
Économétrie Financière I Et II
Économétrie Financière I Et II
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.
( , ) ( − )( − )
( , )= ( , )= () ( )
=
5 5
.
6 ( − ) ( − )
> >
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
= −
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 :
= = ∑
∑
Le passage de
l’équation (11) à l’équation (13) :
C C
= =
∑
∑
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
C C 5 C C
∑ ( ) ∑ M ∑ M + N
L L =
= ∑ = ∑ NNNN = ∑
=
+ N =5−
N
C C
v L’équation (13) : n -1 ∑ K ( − − . )=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
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) == − == − −
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.
(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
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=∑ =_
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 .
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 .
8
Économétrie financière I KHAOULA LAHLOU
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 :
)= )=
•
„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
^ : L’estimation de β 2
„ „
‡ : valeur estimée (ou prédite) de y quand X = 0 et X = 0.
1 2
10
Économétrie financière I KHAOULA LAHLOU
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.
(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
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=∑ =_
`ac `ac
2
R = = ijkFlFmFné pqnFré ou R2 = - =1-
ijkFlFmFné kéqFvwpmmp
^
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 .
ne tient pas.
12
Économétrie financière I KHAOULA LAHLOU
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(
„•
•
)=
13
Économétrie financière I KHAOULA LAHLOU
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
16
Économétrie financière I KHAOULA LAHLOU
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 :
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
stationnaire
18
Économétrie financière I KHAOULA LAHLOU
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
20
Économétrie financière I KHAOULA LAHLOU
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
( )
§ Soit sous la forme AR (∞) : Xt = ( ).
( )
k2 X Œ= (¥X¦
)
signiÖcative,
22
Économétrie financière I KHAOULA LAHLOU
Si tbρ > t1 α , on rejette lı́hypothE;se nulle : bρk est k2
23
Économétrie financière I KHAOULA LAHLOU
Conclusion :
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).
Loi normale (variation ) écart type différent de 0 (Exp : taux directeur sur le LT)
25
Économétrie financière I KHAOULA LAHLOU
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
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 modèle ARMA(p,q)
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
27
Économétrie financière I KHAOULA LAHLOU
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
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.
29
Économétrie financière I KHAOULA LAHLOU
Matrices de
passage
30
Économétrie financière I KHAOULA LAHLOU
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).
32
Économétrie financière I KHAOULA LAHLOU
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.
33