Les séries chronologiques sont des variables qui dépendent du facteur temps.

 la série d'inflation varie dans le temps.

 la démographie, peut être celui de la série de population annuelle.

--> 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.

Caractéristiques d'une série temporelle

 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.

Caracteristiques du bruit blanc

 la série chronologique fluctue autour d'une moyenne ( autour de zéro).

 chaque choc n’a qu’un effet temporaire. (tout changement pendant une certaine période ne
modifie pas la moyenne du processus stochastique.)

Marche aléatoire

 l'existence d'un milieu constant, la variance fluctue

 tout choc temporaire a également un effet permanent, l'observation à l'instant t étant
influencée par tous les chocs ayant affecté la série
 une tendance pour certaines sous-périodes n’est pas nécessaire, elle n’est que le résultat d’un
plus grand nombre de chocs positifs.
Série temporelle stationnaire

 stationnarité signifie que la série chronologique analysée ne présente pas de moyenne ni de

covariance dépendant du facteur temps
 nous écrivons qu'un processus stochastique est stationnaire dans un sens faible

= ne dépend pas de t, est un nombre fini

= ne dépend pas de t, est un nombre fin

= ne dépend pas de t ou s, mais dépend de t-s en valeur absolue

--> 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

Exmples des types qui ne sont pas stationnaires:

 la moyenne dépend du facteur temps

 un modèle de marche aléatoire, la stationnarité n’est pas vérifiée car la variance dépend du
temps, bien que la série fluctue autour d’une moyenne constante.

Modèles AR

Séries chronologiques réalistes peuvent être construites en considérant deux approches :

 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:

--> Le taux de décélération de la fonction d’autocorrélation dépend de la valeur du coefficient

d’autocorrélation - plus le coefficient est faible, plus la fonction est faible. Dans le même temps, la
fonction d'autocorrélation partielle présente un retard unique avec une valeur significativement
différente de zéro.

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

 ne combinaison d'un modèle AR (p) et d'un modèle MA (q).

 Un modèle ARMA est donné par la formule générale suivante:


La méthode de Boxe et Jenkins

Peut être synthétisée en trois étapes essentielles:

 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:

Un modèle de parcours aléatoire a des propriétés fondamentales spécifiques

Proprietes:

 l'existence d'une moyenne à long terme si y0 est égal à zéro.

 tout choc temporaire a également un effet permanent, l'observation à l'instant t étant
influencée par tous les chocs ayant affecté la série

À partir des équations ci-dessus, pour le cas particulier où y0 est nul, nous pouvons en déduire que:

Un autre processus aléatoire est la déviation aléatoire, donnée par la formule:

Second type de déplacement aléatoire, s'il est résolu par itération, conduit à la solution suivante:

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

 peut provenir d'une fonction linéaire ou d'une fonction polynomiale.

Techniques pour éliminer la tendance

 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.

Filtrer à l'aide d'un filtre MA

 Se fait en calculant une moyenne mobile centrée sur yt.

 La somme des coefficients est égale à 1 pour que chaque saison ait un poids égal. La procédure
peut être facilement généralisée pour des données d'une autre fréquence.

Nous distinguons le filtrage et le lissage .

 La filtration implique l'utilisation d'informations antérieures pour trouver la valeur d'une

observation à l'instant
 Lissage, les informations de l'ensemble de l'échantillon sont utilisées implique l'utilisation d'un
intervalle central à l'instant t, mais nous ne pouvons pas calculer les valeurs à la fin de
l'intervalle. Avec la fonction de filtrage, nous pouvons calculer les valeurs aux extrémités de
l'intervalle, les valeurs à l'instant t étant calculées en tenant compte des valeurs passées.
Technique de différenciation

 bi-différenciation

La technique de différenciation convient aux séries stationnaires différentielles, une série I devant être
différenciée une fois.

 Le filtre Hodrick Prescott

Décomposition des séries chronologiques en présence de saisonnalité

 Le langage R a également sa propre fonction de décomposition de la série chronologique. Cette

fonctionnalité permet d’estimer la tendance, la composante saisonnière et la composante
aléatoire.

Econometrie = une présentation formalisée d’un phénomène" en utilisant d’équations

Considerons la théorie keynésienne - il y a plusieurs propositions fondamentales, dont :

 La consommation et le revenu sunt liés ;

 Le niveau d’investisement autonome et le taux d’intérêt sont aussie liés

Relations :

 La consommation est fonction de revenu : C = f (Y), f ′ > 0 ;

 L’investisement privé dépend du taux d’intérêt : I = g(r ), g ′ < 0 ; le produit national est égal à la
consommation plus l’investissement privé et public.

Formalisations des relations

 relations linéaires - les effets sont proportionnel ;

 relations non-linéaires ;

 Une choix de spécification précise du modèle est appellé une "forme fonctionelle"
Sélection et mesures des variables

Après le modèl a èté spécifié, on doit collecter les variables représentatives des phénomènes
économiques

 Faut-il raisonner en euros constants ou en euros courants ?

 Les données sont elles corrigées des variations saisonnières ?

Validation du modèle

 Les relations spécifiées sont-elles valides ?

 Les coefficients sont-ils stable ?

L”econométrie comme validation de la théorie

Une question se pose : pourqoui estimer ces relations.

Il y a plusieurs raisons :

 Estimer la relations force à établir et à estimer les interrelations

 Si on utilise que la confiance, on peut ignorer des liaisons importantes
 C’est aussi nécessaire de fournir une mesure de la confiance

L”econométrie comme outil d’investigation

Apporte une aide à la modélisation et aussi à l’action économique :

 La mise en évidence de relations qui n’étaient pas a priori évidentes ;

 Inférer , à partir des charactéristiques d’un échantillon , les charactéristiques d’une population ;
 La prévision par l’utilisation de modèles économétriques

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 ;

 pour valuers proche de 1, il y a une corélation positive ;

 pour valuers proche de -1, la corrélation est negative ;
 si le coefficient est proche de zero, les variables ne sont pas corrélées ;

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

On rejete l’hypothese nulle si :

 la test t (t-stat) est plus grande que 2 ;

 La valeur p este moins que 0.10 ;
 Interpretation de la valeur p (p-value) : la probabilite d’observer la même valeur ou une valeur
encore plus extrême si l’hypothese nulle est vraie ;

La variable revenu est appelée la variable explicative ou la variable exogène ;

Modèle est une présentation schématique

Trois sources des erreurs :

 une erreur de specification

 errerur de mesure
 erreurs déchantillonage

Il y a deux formes dans lequelles on peut écrire le modèle de régression simple

 Le modèle théorique avec l’erreur inconnue

 Le modèle estimé à partir d’un échantillon d’observation
Hypothése de normalité des erreur

 construire de tests statistique concernant la validité du modèle estimé

Équation d’analyse de la variance

 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.

Modele de regression simple

Il y a deux types des hypothèses :

 stochastiques (liées à l’erreur )

 Hypothese structrelle

Nous interrogeons la signification globale du modèle de regression.

La question que se pose :

 Est-ce que l’ensemble des variables explicatives a une influence sur la variable a expliquer

La regression est jugée significative si la variabilité expliquée est significativement différente de 0.