Académique Documents
Professionnel Documents
Culture Documents
--> Il s’agit d’une variable qui varie au cours des différentes périodes.
La plupart des séries chronologiques ont également une composante saisonnière à prendre en compte
dans leur analyse.
savoir si la tendance est présente ou non, mais également à la présentation d’un moyen de la
tester formellement.
la présence de composantes saisonnières ou irrégulières.
Généralement, le PIB trimestriel est utilisé comme une série de périodes se rapprochant de
l'activité économique.
processus stochastique.
série de temps yt, avec l'espérance µ et la dispersion σ2
Le bruit blanc
type gaussien
processus stochastique dans lequel les observations appartiennent à une distribution normale
de la moyenne 0 et de la dispersion σ2.
Marche aléatoire
--> Présence d'une espérance dépendante du temps ou d'une covariance dépendant du temps entraîne
la présence d'une non-stationnairite
Exemples:
processus de tendance
les marche aléatoires
Modèles AR
modèles autorégressifs
moyenne mobile.
Si, dans une série chronologique, chaque terme est calculé en ajoutant du bruit blanc au terme
précédent, on obtient ce qu'on appelle une marche aléatoire.
Le nom du modèle d'auto-régression vient du fait que l'on peut estimer les coefficients en
effectuant une régression de Xt avec Xt-1.
Comment la fonction d'autocorrélation partielle diminue progressivement:
Modèles MA
une série chronologique à partir du bruit blanc peut être obtenue en appliquant le procédé de
moyenne mobile à une série chronologique.
Un modèle MA (q) est donné par l'équation suivante:
Modèles ARMA
Identification du modèle
Estimation du modèle
Test de modèle
Lors de la phase d'identification, nous effectuons une première inspection visuelle de la série
chronologique analysée, ce qui nous permet de déterminer dans quelle mesure la série est
stationnaire ou non, s'il y a des observations absurdes, des observations manquantes ou des
modifications structurelles.
Seconde phase implique la comparaison de modèles utilisant deux principes, le principe de
parcimonie et la qualité de l'estimation basée sur l'indicateur R2.
Le principe de parcimonie fait référence au fait que nous devons rechercher le plus simple des modèles
offrant une bonne qualité d’estimation.
Dans la les modèles ARMA ne fournissent pas une bonne estimation de la série de données.
Une autre possibilité de tester les modèles ARMA est donnée par la prévision en dehors des
échantillons sur lesquels l'estimation doit être faite.
Marche aléatoire
la tendance stochastique
la tendance déterministe.
L'équation implique que le taux de croissance de cette série temporelle est donné par un bruit blanc:
Proprietes:
À partir des équations ci-dessus, pour le cas particulier où y0 est nul, nous pouvons en déduire que:
La présence d'une valeur positive pour a conduit à une série avec une tendance positive.
Une alternative au modèle de marche purement aléatoire est le mouvement aléatoire de bruit blanc.
La tendance déterministe
pour une série à tendance déterministe, la tendance est éliminée en éliminant la tendance
déterministe.
Pour une série de tendances stochastiques, la bonne approche consiste à différencier les séries.
bi-différenciation
La technique de différenciation convient aux séries stationnaires différentielles, une série I devant être
différenciée une fois.
Relations :
Après le modèl a èté spécifié, on doit collecter les variables représentatives des phénomènes
économiques
Validation du modèle
Il y a plusieurs raisons :
La corrélation simple
mesure le degré de liaison entre ces deux phénomènes représentés par des variables
En corrélation positive - quand une s’augmente (se diminue), l’autre s’augmente (se diminue)
aussie ;
En corrélation négative - lorsque les valeurs de l’une s’augments, les valeurs de l’autre
diminuent ;
Non corréées : il n’y a aucune relation entre les variations des valeurs de les deux variables ;
Si la coefficient de corrélation est nul, ça indique que la covariance entre la variable x et la variable y
este égale à 0 --> nécessaire de fournir une mesure de la confiance
Une covariance qui est significativement différente de 0 n’implique pas une liaison d’ordre économique
= corrélation fortuite
La statistique F ∗ est le rapport de la somme de carrés expliqués par xt sur la somme de carrés
des residus chacune de ces sommes étant divisée par son ´ degré de liberté respectif.
Si la variance expliquée est significativement supérieure à la variance résiduelle, la variable xt
este considérée commen étant une variable réellement explicative.
F ∗ suit une statistique de Fisher à 1 et n-2 degrés de liberté. Si F ∗ > F α 1;n−2 nous rejetons au
seuil α l’hypothese H0 d’egalité de variances et la variable xt peut être considerée comme
explicative.
Est-ce que l’ensemble des variables explicatives a une influence sur la variable a expliquer