Ch4 PDF

22/06/2022
Université Cadi Ayyad Marrakech
Faculté des Sciences Juridiques Economiques

et Sociales
MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE
3ème Semestre (Promotion 3)
ECONOMETRIE
Lahcen AIT DAOUD
Année Universitaire 2021/2022
Université Cadi Ayyad Marrakech
Faculté des Sciences Juridiques Economiques

et Sociales
MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE
3ème Semestre (Promotion 3)
ECONOMETRIE
Chapitre 4 : Problèmes de violation des
hypothèses de la méthode OLS
Lahcen AIT DAOUD
Année Universitaire 2021/2022
1
22/06/2022
Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS
Introduction
Jusqu’à maintenant, nous avons considéré que, lors de l’estimation des
paramètres du modèle, les hypothèses suivantes sont toutes respectées
H1 : Les valeurs de la variable X sont observées sans erreur.
H2 : E(𝜺𝒊 ) = 0, l’espérance mathématique de l’erreur est nulle.
H3 : E(𝜺𝟐𝒊 ) = 𝝈𝟐𝜺 , la variance de l’erreur est constante (∀i) (homoscédasticité).
H4 : E(𝜺𝒊 𝜺𝒊 ’) = 0 si i ≠ i’, les erreurs sont non corrélées (ou encore indépendantes).
H5 : 𝑪𝒐𝒗(𝒙𝒊 , 𝜺𝒊 ) = 𝟎 , l’erreur est indépendante des variables explicatives.
H6 : absence de colinéarité entre les variables explicatives, cela implique que la
matrice (𝑿 𝑿) est régulière et que la matrice inverse 𝑿 𝑿 𝟏 existe.
(𝑿 𝑿)
H7 : tend vers une matrice finie non singulière.
𝒏
H8 : n > k + 1, le nombre d’observations est supérieur au nombre des séries

explicatives.
3
1. L’autocorrélation des erreurs

A. Présentation du problème
Lorsque l’hypothèse H5 n’est plus vérifiée, la matrice 𝑬 𝜺𝜺 = 𝛀𝜺 ≠ 𝝈𝟐𝜺 𝑰𝒏 n’a plus

cette forme particulière (elle n’est plus composée de 0 à l’extérieur de la première
diagonale, puisque 𝑬 𝜺; 𝜺 ≠ 𝟎) :
𝝈𝟐𝜺 𝟎 … 𝟎
𝟎 𝝈𝟐𝜺 … 𝟎
𝑬 𝜺𝜺 = 𝛀𝜺 ≠ = 𝝈𝟐𝜺 𝑰𝒏
⋮ ⋮ 𝝈𝟐𝜺 ⋮
𝟎 𝟎 … 𝝈𝟐𝜺
Les estimateurs obtenus par la méthode des MCO sont sans biais mais ne sont plus à
variance minimale.
𝛀𝜶 = 𝑿 𝑿 𝟏 𝑿 𝑬 𝜺𝜺 𝑿 𝑿 𝑿 𝟏
𝟏 𝟏
𝛀𝜶 = 𝑿 𝑿 𝑿 𝛀𝜺 𝑿 𝑿 𝑿
4
2
22/06/2022

Nous sommes donc amenés à nous poser trois questions :
• Comment détecter une éventuelle autocorrélation des

erreurs ?
• Comment déterminer un nouvel estimateur pour α ?
• Quelles méthodes d’estimation doit-on utiliser ?

B. Les causes et la détection de l’autocorrélation des erreurs
a- Définition et causes
Nous sommes en présence d’une autocorrélation des erreurs lorsque les erreurs
sont liées par un processus de reproduction.
L’autocorrélation des erreurs se rencontre essentiellement dans les modèles en série

temporelle
Dans le cas de modèle spécifié en coupe instantanée, nous ne pouvons concevoir une
autocorrélation des erreurs que si les observations ont été préalablement triées
3
22/06/2022

a- Définition et causes
L’autocorrélation des erreurs peut être observée pour plusieurs raisons :
• Absence d’une variable explicative importante dont l’explication résiduelle

permettrait de « blanchir »1 les erreurs ;
• Mauvaise spécification du modèle, les relations entre la variable à expliquer

et les variables explicatives ne sont pas linéaires et s’expriment sous une autre
forme que celle du modèle estimé (logarithmes, différences premières, etc.) ;
• Lissage par moyenne mobile ou une interpolation des données crée une
autocorrélation artificielle des erreurs due à l’usage de ces deux opérateurs.

b- Détection
La détection d’une éventuelle dépendance des erreurs ne peut s’effectuer qu’à partir
de l’analyse des résidus :
• L’analyse graphique des résidus permet le plus souvent de détecter un
processus de reproduction des erreurs lorsque :
– Les résidus sont pendant plusieurs périodes consécutives soit positifs, soit
négatifs : autocorrélation positive ;
– les résidus sont alternés : autocorrélation négative.
4
22/06/2022

b- Détection
• Test de Durbin et Watson
Conditions d’utilisation :
• Le modèle doit comporter impérativement un terme constant C ;

• La variable à expliquer ne doit pas figurer parmi les variables
explicatives (en tant que variable retardée) ;
• Pour les modèles en coupe instantanée, les observations doivent être
ordonnées en fonction des valeurs croissantes ou décroissantes de la
variable à expliquer ou d’une variable explicative soupçonnée être la
cause de l’autocorrélation ;
• Le nombre d’observations doit être supérieur ou égal à 15 9

b- Détection
Le test de Durbin et Watson (DW) permet de détecter une autocorrélation des
erreurs d’ordre 1 selon la forme :
𝜺𝒕 = 𝝆𝜺𝒕 𝟏 + 𝒗𝒕 𝐚𝐯𝐞𝐜 𝒗𝒕 → 𝑵(𝟎; 𝝈𝟐𝒗 )
Le test d’hypothèses est le suivant :
𝑯𝟎 ∶ 𝝆 = 𝟎 𝒆𝒕 𝑯𝟏 ∶ 𝝆 ≠ 𝟎
La statistique de Durbin et Watson :
∑𝒏
𝒕 𝟐 𝒆𝒕 𝒆𝒕 𝟏
𝟐
𝑫𝑾 = ∑𝒏 𝟐 . cette statistique varie entre 0 et 4 10
𝒕 𝟏 𝒆𝒕
5
22/06/2022

b- Détection
La table de DW au seuil de 5 % contient les valeurs critiques en fonction de la taille
de l’échantillon n et du nombre de variables explicatives (k).
La lecture de la table permet de déterminer deux valeurs d1 et d2 comprises entre 0
et 2 qui délimitent l’espace entre 0 et 4 selon le schéma suivant :
Selon la position du DW empirique dans cet espace, nous pouvons conclure :

• On accepte l’hypothèse H0 si d2 < DW < 4 − d2 ;
• On rejette l’hypothèse H0 si 0 < DW < d1 ou 4 − d1 < DW < 4
• Zone d’indétermination si d1 < DW < d2 ou 4 − d2 < DW < 4 − d1 11

b- Détection
• Test de Breusch-Godfrey
L’idée générale de ce test réside dans la recherche d’une relation significative entre le
résidu et ce même résidu décalé. Une autocorrélation des erreurs d’un ordre p s’écrit
𝜺𝒕 = 𝝆𝟏 𝜺𝒕 𝟏 + 𝝆𝟐𝜺𝒕 𝟐 + ⋯ + 𝝆𝒑 𝜺𝒕 𝒑 + 𝒗𝒕
Ce test est mené en trois étapes :
• Estimation par les MCO du modèle et calcul du résidu et , puisque les erreurs
sont inconnues, le test porte sur les résidus.
• Estimation par les MCO de l’équation intermédiaire :
𝒚𝒕 = 𝜶𝟎 + 𝜶𝟏 𝒙𝟏𝒕 + 𝜶𝟐 𝒙𝟐𝒕 + ⋯ + 𝜶𝒌 𝒙𝒌𝒕 + 𝝆𝟏 𝜺𝒕 𝟏 + 𝝆𝟐𝜺𝒕 𝟐 + ⋯ + 𝝆𝒑 𝜺𝒕 𝒑 + 𝒗𝒕
• Test d’hypothèses sur l’équation intermédiaire :
𝑯𝟎 ∶ 𝝆𝟏 = 𝝆𝟐 = ⋯ 𝝆𝒑 = 𝟎 12
6
22/06/2022

b- Détection
• Test de Breusch-Godfrey
• Test d’hypothèses sur l’équation intermédiaire
𝑯𝟎 ∶ 𝝆𝟏 = 𝝆𝟐 = ⋯ 𝝆𝒑 = 𝟎
Pour mener ce test, nous avons deux possibilités :

• Soit effectuer un test de Fisher classique de nullité des coefficients ρi,
R2⁄𝒌
On rejette H0 si 𝑭 = > 𝑭𝟏 𝜶;𝒏 𝒌 𝟏
(𝟏 R2) (𝒏 𝒌 𝟏)
• Soit recourir à la statistique LM qui est distribuée comme un χ2 à p degrés de
liberté ; si n × R2 > χ2(p) lue dans la table au seuil α, on rejette l’hypothèse
d’indépendance des erreurs. 13

c- Exercice : Tests d’indépendance des erreurs

Soit un modèle à trois variables explicatives. Les résultats de l’estimation à partir de
Eviews sont les suivants :
14
7
22/06/2022

1. Analyser le graphique des résidus
2. Effectuer le test de Durbin et Watson
3. Effectuer le test de Breusch-Godfrey
15

Vous pouvez visuellement détecter vos résidus pour voir si la corrélation est présente
ou non.
1. Ouverez le feuille qui contient votre estimation dans votre workfile.
2. Cliquez sur View sur le menu de la boîte de dialogue Equation.
3. Sélectionner Actual, Fitted, residual → Residual graph.
16
8
22/06/2022

Une autre approche visuelle est de regarder le corrélogramme qui

montre le modèle empirique de corrélation entre les résidus et leurs
propres valeurs passées.
Corrélogramme des résidus :
1.Cliquer sur Feuille Equation pour l'ouvrir.

2. Cliquez View → Residual Diagnostics → correlogram-Q-
statistics.
3.La boîte Lag Specification s’ouvre. Sélectionnez le nombre de
retards (la valeur par défaut 20, est très bien).
4.Cliquez sur OK. 17

On constate que les rectangles du

corrélogramme sont à l’intérieur
de la bande stylisé en pointillés,
ce qui indique que les erreurs
sont indépendantes.
18
9
22/06/2022

L’analyse de ce graphique révèle des

résidus qui semblent cycliques, ceci est
symptomatique
d’une autocorrélation
positive des résidus.
19

Les conditions d’utilisation du test de Durbin et Watson sont bien respectées :
• Le modèle est spécifié en série temporelle,

• Le nombre d’observations (n = 20) est supérieur à 15 et,
• Le modèle estimé comporte un terme constant.
20
10
22/06/2022


Eviews calcul directement la statistique de DW et on peut aussi la calculer à partir
des résultats en utilisant la formule suivante :
∑𝒏𝒕 𝟐 𝒆𝒕 − 𝒆𝒕 𝟏 𝟐 𝟏𝟕𝟏, 𝟐𝟑
𝑫𝑾 = = = 𝟏, 𝟎𝟓𝟑
∑𝒏𝒕 𝟏 𝒆𝟐𝒕 𝟏𝟔𝟐, 𝟒𝟗
Cette statistique est à comparer à celle lue sur la table DW à n=20 et k = 3 :
21

La valeur DW se situe dans la zone de doute (d1 < DW < d2 → incertitude),

cependant à proximité immédiate de la zone de rejet de H0, nous pouvons plutôt
conclure à une autocorrélation positive des résidus, donc à une présomption de
dépendance des erreurs d’un ordre supérieur à 1.
22
11
22/06/2022


Ce test permet de tester une autocorrélation d’un ordre supérieur à 1.
Nous allons donc tester l’autocorrélation d’ordre 2, pour cela nous estimons le modèle
suivant :
𝒆𝒕 = 𝜶𝟎 + 𝜶𝟏 𝒙𝟏𝒕 + 𝜶𝟐 𝒙𝟐𝒕 + 𝜶𝟑 𝒙𝟑𝒕 + 𝝆𝟏 𝒆𝒕 𝟏 + 𝝆𝟐 𝒆𝒕 𝟐 + 𝒗𝒕
Soit :
𝒆𝒕 = −𝟏𝟕, 𝟐𝟔 + 𝟎, 𝟓𝟐𝟖𝟕𝒙𝟏𝒕 − 𝟎, 𝟎𝟑𝟔𝟗𝒙𝟐𝒕 − 𝟎, 𝟑𝟏𝟒𝟗𝒙𝟑𝒕 + 𝟎, 𝟓𝟖𝟗𝒆𝒕 𝟏 − 𝟎, 𝟒𝟗𝟕𝒆𝒕 𝟐
ℛ𝟐 = 𝟎, 𝟑𝟑 , 𝒏 = 𝟏𝟖
Calcul de la statistique LM :
𝑳𝑴 = 𝒏ℛ𝟐 = 𝟓, 𝟗𝟒 < 𝝌𝟐𝟎,𝟎𝟓 = 𝟓, 𝟗𝟗
Décision :
Nous sommes à la limite d’acceptation de l’hypothèse H0 pour un seuil de 5 %
23


sur Eviews
Pour effectuer le test de de BREUSCH-
GODFREY, sélectionnez :
View --> Residuals Tests --> serial
correlation LM Test …
La probabilité du test de Breusch-Godfrey est

ici de 0,4557, qui est supérieur à 0,05=5%, ce
qui veut dire qu’on accepte l’hypothèse nulle
de non autocorrélation des termes d’erreurs.
En d’autres termes, les erreurs ne sont pas auto-

corrélées d’ordre 1. 24
12
22/06/2022


sur Eviews
Pour effectuer le test de de BREUSCH-
GODFREY, sélectionnez :
View --> Residuals Tests --> serial
correlation LM Test …
La probabilité du test de Breusch-Godfrey est

ici de 0,4557, qui est supérieur à 0,05=5%, ce
qui veut dire qu’on accepte l’hypothèse nulle
de non autocorrélation des termes d’erreurs.
En d’autres termes, les erreurs ne sont pas auto-

corrélées d’ordre 1. 25

C. Les procédures d’estimation en cas d’autocorrélation des
erreurs
Lorsque le test conclut à une corrélation, la correction se fait en utilisant la méthode

des MCG
La MCG consiste simplement en l’application des MCO sur les données
transformées.
Considérons un modèle simple ou le terme d’erreur suit un processus AR(1) :
𝒀𝒕 = 𝑿𝒕 𝜷 + 𝜺𝒕 avec 𝜺𝒕 = 𝝆𝜺𝒕 𝟏 + 𝒗𝒕
En substituant, on obtient :
𝒀𝒕 − 𝝆𝒀𝒕 𝟏 = (𝑿𝒕 − 𝝆𝑿𝒕 𝟏 )𝜷 + 𝒗𝒕
∗ ∗
On obtient donc 𝒀𝒕 = 𝑿𝒕 𝜷 + 𝒗𝒕 avec un terme erreur vérifiant les hypothèses des
MCO.
Une telle transformation est appelée : transformation en quasi-différences.
26
13
22/06/2022

C. Les procédures d’estimation en cas d’autocorrélation des
erreurs
Si ρ est connu, l’application des MCO sur ce dernier modèle donne un estimateur
BLUE.
Si ρ n’est pas connu il faudra l’estimer :
• Estimer le modèle par MCO.

𝑫𝑾
• Calculer DW et estimer ρ par 𝝆 = 𝟏 − ou par régression directe de et sur et−1.
𝟐
IL existe d’autres méthode d’estimation de ρ (méthode de Cochrane-Orcutt)
• Calculer les variables transformer et réestimer le modèle avec les données en
quasi différence.
27
2. L’hétéroscédasticité
• L’hypothèse d’homoscédasticité requiert que la variance des termes

d’erreur soit la même pour chaque observation
• Il y a hétéroscédasticité dans le modèle 𝒀 = 𝑿𝜷 + 𝜺 lorsque :
𝝈𝟐𝜺𝟏 𝟎 … 𝟎
𝟎 𝝈𝟐𝜺𝟐 … 𝟎
𝑬 𝜺𝜺 = ≠ 𝝈𝟐𝜺 𝑰𝒏
⋮ ⋮ ⋱ ⋮
𝟎 𝟎 … 𝝈𝟐𝜺𝒏
28
14
22/06/2022
• Les conséquences de l’hétéroscédasticité sont identiques à celles de

l’autocorrélation des erreurs, c’est-à-dire :
– Estimateur sans biais
– L’estimateur de MCO n’est plus à variance minimale.
• Les causes de l’hétéroscédasticité sont multiples :

– Lorsque les observations représentent des moyennes calculées sur des
échantillons de taille différente ;
– La répétition d’une même valeur de la variable à expliquer pour des valeurs
différentes d’une variable explicative ;
– Lorsque les erreurs sont liées aux valeurs prises par une variable explicative,
dans un modèle en coupe instantanée.
29
B. Tests de détection de l’hétéroscédasticité
Il existe toute une batterie de tests permettant de détecter l’hétéroscédasticité : Le

test de Breusch-Pagan-Godfrey, Le test de Harvey, Le test de Glejser, Le test ARCH,
Le test de White
Nous verrons les test de ARCH et White
30
15
22/06/2022
1. Test White
1. Soit ei les résidus estimés par MCO.

2. On estime par MCO le modèle suivant :
𝒆𝟐𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒙𝟏𝒕 + 𝒃𝟏 𝒙𝟐𝟏𝒕 + 𝒂𝟐𝒙𝟐𝒕 + 𝒃𝟐 𝒙𝟐𝟐𝒕 + ⋯ + 𝒂𝒌 𝒙𝒌𝒕 + 𝒃𝒌 𝒙𝟐𝒌𝒕 + 𝒗𝒕
Il s’agit d’une relation qui peut exister entre le carré du résidu et une ou plusieurs
variables explicatives en niveau et au carré au sein d’une même équation de
régression
H0 : a1 = b1 = a2 = b2 = ... = ak = bk = 0
Si on refuse l’hypothèse nulle, alors il existe un risque d’hétéroscédasticité.
3. On calcule ensuite le R2 et la statistique de test LM = nR2
Si 𝑳𝑴 = 𝒏ℛ𝟐 > 𝝌𝟐𝟎,𝟎𝟓 lu dans la table au seuil α=0,05 , on rejette l’hypothèse

d’homoscédasticité des erreurs. 31
2. Test ARCH : AutoRegressive Conditional Heteroscedasticity
1. Soit ei les résidus estimés par MCO.

2. On estime par MCO le modèle suivant :
𝒆𝟐𝒕 = 𝒂𝟎 + 𝒂𝟏𝒆𝟐𝒕 𝟏 + 𝒂𝟐 𝒆𝟐𝒕 𝟐 + ⋯ + 𝒂𝒌 𝒆𝟐𝒕 𝒌 + 𝝁𝒕
H0 : a0 = a1 = &2 = ... = ak = 0
Si on refuse l’hypothèse nulle, alors il existe un risque d’hétéroscédasticité.
3. On calcule ensuite le R2 et la statistique de test LM = nR2
Si 𝐋𝐌 = 𝒏ℛ𝟐 > 𝝌𝟐𝟎,𝟎𝟓 lu dans la table au seuil α=0,05 , on rejette l’hypothèse

d’homoscédasticité des erreurs.
32
16
22/06/2022
• Le test d’absence d’Hétéroscédasticité “White”.
• EViews vous permet d'utiliser un certain nombre de tests d’hétéroscédasticité.
Pour effectuer le test, procédez comme suit:
1. Dans la boîte de l'équation, sélectionnez
View → Residual Diagnos cs → heteroskedasticity Tests.

2. La fenêtre de ce test s’ouvre. Sélectionner White dans le
menu déroulant (Test type).
3. Vous pouvez choisir d'inclure ou d'exclure les termes

croisés en décochant la case «Include White cross terms»
4. Cliquez sur OK.
33
• Le test d’absence d’Hétéroscédasticité “White”.
• La zone supérieure montre les résultats du test White,

tandis que la zone inférieure montre la régression
auxiliaire utilisée pour calculer les statistiques de test.
• le obs* R-squared statistique (dans la zone

supérieure) est la statistique White avec une
distribution (khi-deux).
• De Prob. Chi-Square value <= 0,05, nous rejetons

l'hypothèse nulle d’homoscedascité (H0 : Absence
d’hétéroscédastique) .
• Cela signifie que le terme d'erreur est

hétéroscédastique.
• En conséquence, nous devrions ajuster les écart-

34
types.
17
22/06/2022
• Le test d’absence d’Hétéroscédasticité “Breusch-Pagan-Goldfeld”.
Pour effectuer le test, procédez comme suit:
1. Dans la boîte de l'équation, sélectionnez
View → Residual Diagnos cs → heteroskedasticity Tests.
2. La fenêtre de ce test s’ouvre. Sélectionner Breusch-

Pagan-Goldfeld dans le menu déroulant (Test type).
3. Cliquez sur OK.
35
• Le test d’absence d’Hétéroscédasticité “Breusch-Pagan-Goldfeld”.
Les résultats du test d’hétéroscédasticité

montrent que toutes les probabilités
associées aux coefficients sont toutes
supérieures à 0,05.
Donc nous rejetons l'hypothèse nulle

d’homoscedascité et supposons
l’hétéroscédasticité des résidus.
36
18
22/06/2022
C. Correction de l’hétéroscédasticité
En général tous les tests sont concordants, il convient donc d’en corriger les effets.
• Il n’existe pas de méthodologie unique pour corriger l’hétéroscédasticité mais

uniquement des méthodes qu’on applique en fonction des causes
• La correction se fait en appliquant la méthode des moindres carrées pondérées
• En général l’examen des causes de l’hétéroscédasticité passe par un examen

visuel du graphe des résidus
• Ceci consiste à appliquer les moindres carres ordinaires sur des données
transformées
37
Lorsque nous avons détecté une hétéroscédasticité, il convient de transformer les données
selon le type hétéroscédasticité afin de se ramener à un modèle homoscédastique et ensuit
appliquer la MCO le modèle transforme :
– Hétéroscédasticité de type : 𝑬 𝜺𝟐𝒕 = 𝒏𝟐𝒕 𝝈𝟐
𝒚𝒕 𝒂 𝟎 𝒙𝟏𝒕 𝒙𝟐𝒕 𝒙𝒌𝒕 𝜺𝒕

= + 𝒂𝟏 + 𝒂𝟐 + ⋯ + 𝒂𝒌 +
𝒏𝒕 𝒏𝒕 𝒏𝒕 𝒏𝒕 𝒏𝒕 𝒏𝒕
– Hétéroscédasticité de type : 𝑬 𝜺𝟐𝒊 = 𝒙𝟐𝟏𝒕 𝝈𝟐
𝒚𝒕 𝒂𝟎 𝒙𝟐𝒕 𝒙𝒌𝒕 𝜺𝒕
= + 𝒂𝟏 + 𝒂𝟐 + ⋯ + 𝒂𝒌 +
𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕
– Hétéroscédasticité de type : 𝑬 𝜺𝟐𝒊 = 𝒙𝟏𝒕 𝝈𝟐
𝒚𝒕 𝒂𝟎 𝒙𝟏𝒕 𝒙𝟐𝒕 𝒙𝒌𝒕 𝜺𝒕

= + 𝒂𝟏 + 𝒂𝟐 + ⋯ + 𝒂𝒌 + 38
𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕 𝒙𝟏𝒕
19
22/06/2022
• Supposons que vous connaissez la nature exacte de l'hétéroscédasticité.

• Par exemple, supposons que vous pensez que l’heteroscedastité est présente
parce que la variance, des facteurs inobservés affectant la quantité vendue
(QUAVEND), augmente avec les dépenses de la publicité papier
(DEPPUBLPAPI).
• Pour exprimer cela comme une équation :
𝑉𝑎𝑟(𝑒𝑟𝑟𝑜𝑟_𝑖│ DEPPUBLPAPI = DEPPUBLPAPI_i*𝜎²
• Vous pouvez transformer le modèle en divisant par DEPPUBLPAPI comme

indiqué ici.
• Cette approche est compliquée et aussi n’est pas idéale pour définir le
modèle.
39
• Heureusement, EViews posséde une méthode intégrée qui

nous permet d'effectuer des moindres carrés (WLS)
pondérés de manière beaucoup plus facile et intuitive.
Pour mettre en œuvre WLS dans EViews, procédez

comme suit:
1. Cliquez sur de la fenêtre Equation.
2. La boîte Equation Estimation s’ouvre. Cliquez ensuite
sur Options.
3. Sous Weights→ type choisir Inverse std. dev.
4. Sous Weight → Weights series, Spécifiez le type de
poids que vous utiliserez pour transformer vos
𝟏
données (dans ce cas ).
DEPPUBLPAP
5. Cliquez sur OK.
40
20
22/06/2022
2. Normalité des résidus

Test de Jarque-Bera
Pour un Test de normalité Sélectionnez :
View/
Residuals Diagnostics/
Histogram-Normality Test
41
2. Normalité des résidus

Test de Jarque-Bera
Dans le tableau de droite, vous avez les trois statistiques

: Skewness, Kurtosis et Jarque-Bera.
Le Jarque-Bera a une probabilité de 0,759 qui est

supérieure à 0,05=5%, ce qui veut dire qu’on accepte
l’hypothèse nulle de normalité des termes d’erreurs ou
résidus.
42
21
22/06/2022
4. Modèles avec multicolinéarité

A. Définition, et conséquences de la multicolinéarité
• La multicolinéarité est le fait qu’une variable explicative est une combinaison

linéaire des autres variables explicatives. Par exemple si une variable X3 en
faisant la somme pondérée de deux autres variables X1 et X2, par exemple X3 =
2X1 + 3X2, alors X1, X2 et X3 seront multicolinéarité et on parle de
multicolinéarité parfaite.
• En pratique on rencontre rarement ce genre de situation. Par contre, on

rencontre assez souvent la situation ou X3 est très proche d’une combinaison
linaire de X1 et X3. Cela veut dire que la régression de X3 sur X1 et X2 est très
significative.
• Dans ce cas la variable X3 partage une partie de sa variabilité avec X1 et X2.
43

A. Définition, et conséquences de la multicolinéarité
• Si la multicolinéarité est parfaite alors la matrice (X’X)−1 n’est pas inversible,
l’estimateur MCO n’est pas calculable
• Lorsque l’une des variables explicatives est proche d’une combinaison linaire des
autres variables alors X’X serait mal conditionnée (det(X’X) proche de 0).
((X’X)−1 aura des éléments très grands.
• En cas de multicolinéarité, certaines des variances estimées des coefficients vont
être très grands
• L’écart-type d’un coefficient est un indicateur de la stabilité de l’estimation de ce
dernier. Si l’écart-type d’un paramètre est du même ordre de grandeur que le
paramètre lui même, ce dernier est mal déterminé
• Les t de Student sont sous-estimés, certaines variables ne paraissent pas
significatives
• Les valeurs et signes de certains coefficients sont contradictoires : coefficient
d’une variable explicative négatif alors que la corrélation de celle-ci avec y est
positive. 44
22
22/06/2022

B. Détection de la multicolinéarité
Critère de Klein :
Il s’agit simplement d’un critère de présomption de la multicolinéarité. Il y a
présomption de multicolinéarité si au moins un des coefficients de corrélation simple
rxi,x𝒋 élevé au carre est supérieur au R2
Le test de Farrar et Glauber

Soit D la matrice des coefficients de corrélation entre les variables explicatives.
• La première étape consiste à calculer le déterminant de la matrice D. Lorsque la
valeur du déterminant tend vers zéro, le risque de multicolinéarité est important.
• La deuxième étape consiste à effectuer un test du χ2, en posant les hypothèses
suivantes :
H0 : D = 1 (les séries sont orthogonales) ;
H1 : D < 1 (les séries sont dépendantes).
45

B. Détection de la multicolinéarité
Le test de Farrar et Glauber
Ce test est base sur la statistique du χ2 :
𝟏
χ2𝒄 = − n − 1 − 2k + 5 . 𝒍𝒏(𝑫)~χ2𝟏
𝟔 𝟐
k(k+1)
𝟏
• Si χ2𝒄 > χ2 lu dans la table à k(k+1) degrés de liberté et au seuil α choisi,
𝟐
alors l’hypothèse H0 est rejetée, il y a donc présomption de multicolinéarité.
• Si χ2𝒄 < χ2 , alors nous acceptons l’hypothèse d’orthogonalité.
46
23
22/06/2022

C. Remédier à la multicolinéarité
Nous ne ferons que citer les différentes techniques permettant d’apporter des
solutions au problème de multicolinéarité, le lecteur intéressé par les développements
méthodologiques peut se rapporter à Judge.
• Augmenter la taille de l’échantillon : cette technique n’est efficace que si l’ajout

d’observations diffère significativement de celles figurant déjà dans le modèle,
sinon il y aura reconduction de la multicolinéarité.
• La « Ridge Regression » est une réponse purement numérique, il s’agit de
transformer la matrice X’X en (X’X + cI) où c est une constante choisie
arbitrairement qui, en augmentant les valeurs de la première diagonale, réduit
les effets « numériques » de la multicolinéarité.
Face à ces artifices de calcul, la seule parade vraiment efficace consiste, lors de la
spécification de modèle, à éliminer les séries explicatives susceptibles de représenter
les mêmes phénomènes et donc d’être corrélées entre elles, ceci afin d’éviter l’effet de
masque.
47
5. Statbilité de modèle
Test de Chow
Pour exécuter un Test de Chow, sélectionnez :
View/
Stability Diagnostics/
Chow Breakpoint …
A ce niveau, vous devez connaître la tendance de vos

séries et repérer le point de rupture que vous devez
indiquer dans la fenêtre qui s’ouvre.
48
24
22/06/2022
5. Statbilité de modèle
Test de Chow
La probabilité du test de Chow est de 0,007 inférieure à 0,05, donc on

rejette l’hypothèse de changement structurel du modèle.
49
25

Ch4 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ch4 PDF

Transféré par

Droits d'auteur :

Formats disponibles

22/06/2022

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Année Universitaire 2021/2022

Université Cadi Ayyad Marrakech

Faculté des Sciences Juridiques Economiques

MASTER ECONOMIE APPLIQUEE EN ENVIRONNEMENT ET CHANGEMENT CLIMATIQUE

3ème Semestre (Promotion 3)

Année Universitaire 2021/2022

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

H8 : n > k + 1, le nombre d’observations est supérieur au nombre des séries

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Lorsque l’hypothèse H5 n’est plus vérifiée, la matrice 𝑬 𝜺𝜺 = 𝛀𝜺 ≠ 𝝈𝟐𝜺 𝑰𝒏 n’a plus

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Nous sommes donc amenés à nous poser trois questions :

• Comment détecter une éventuelle autocorrélation des

• Comment déterminer un nouvel estimateur pour α ?

• Quelles méthodes d’estimation doit-on utiliser ?

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

L’autocorrélation des erreurs se rencontre essentiellement dans les modèles en série

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

• Absence d’une variable explicative importante dont l’explication résiduelle

• Mauvaise spécification du modèle, les relations entre la variable à expliquer

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

• Le modèle doit comporter impérativement un terme constant C ;

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Selon la position du DW empirique dans cet espace, nous pouvons conclure :

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Pour mener ce test, nous avons deux possibilités :

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

c- Exercice : Tests d’indépendance des erreurs

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

c- Exercice : Tests d’indépendance des erreurs

1. Analyser le graphique des résidus

2. Effectuer le test de Durbin et Watson

3. Effectuer le test de Breusch-Godfrey

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

c- Exercice : Tests d’indépendance des erreurs

1. Analyser le graphique des résidus

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs

Une autre approche visuelle est de regarder le corrélogramme qui

1.Cliquer sur Feuille Equation pour l'ouvrir.

Chapitre 4 : Problèmes de violation des hypothèses de la méthode OLS

1. L’autocorrélation des erreurs