Dr.

Khalil Mhadhbi Économétrie Avancée des Modèles Linéaires

Chapitre 3.
Les modèles dynamiques et à retards échelonnés
Lors de la modélisation des relations entre les variables, la nature des données collectées a une influence
importante sur le choix approprié d'un modèle économétrique. En particulier, il est important de faire
la distinction entre les données transversales (données sur un certain nombre d'unités économiques à un
moment donné) et les données chronologiques (données collectées au fil du temps sur une unité
économique particulière). Des exemples des deux types de données ont été donnés à l’introduction.
Lorsque nous disons «unités économiques», nous pourrions faire référence à des individus, des ménages,
des entreprises, des régions géographiques, des pays ou une autre entité sur laquelle des données sont
collectées. Étant donné que les observations transversales sur un certain nombre d'unités économiques à
un moment donné sont souvent générées au moyen d'un échantillon aléatoire, elles ne sont
généralement pas corrélées. Le niveau de revenu observé dans le ménage de Chokri, par exemple,
n’affecte pas, ni n’est affecté par le niveau de revenu du ménage de Ali. En revanche, les observations de
séries chronologiques sur une unité économique donnée, observées sur un certain nombre de périodes,
sont susceptibles d'être corrélées. Le niveau de revenu observé dans le ménage de Chokri au cours d’une
année est probablement lié au niveau de revenu du ménage de Chokri au cours de l’année précédente.
Ainsi, une caractéristique qui distingue les données chronologiques des données transversales est la
corrélation probable entre les différentes observations.
Une deuxième caractéristique distinctive des données de séries chronologiques est leur ordre naturel en
fonction du temps. Avec les données transversales, il n'y a pas d'ordre particulier des observations qui
soit meilleur ou plus naturel qu'un autre. On pourrait changer l’ordre des observations puis procéder à
l'estimation sans perdre aucune information. Si l'on change l’ordre des observations de séries
chronologiques, on risque de confondre ce qui est leur caractéristique distinctive la plus importante:
l'existence possible de relations dynamiques entre les variables. Une relation dynamique est une relation
dans laquelle le changement d'une variable a maintenant un impact sur cette même variable, ou d'autres
variables, dans une ou plusieurs périodes futures. Par exemple, il est courant qu'un changement du
niveau d'une variable explicative ait des implications comportementales pour d'autres variables au-delà
de la période au cours de laquelle il s'est produit. Les conséquences des décisions économiques qui
entraînent des changements dans les variables économiques peuvent durer longtemps. Lorsque le taux
d'imposition sur le revenu est augmenté, les consommateurs ont moins de revenu disponible, ce qui
réduit leurs dépenses en biens et services, ce qui réduit les bénéfices des fournisseurs, ce qui réduit la
demande d'intrants productifs, ce qui réduit les bénéfices des fournisseurs d'inputs, etc. L'effet de
l'augmentation des impôts se répercute sur l'économie. Ces effets ne se produisent pas instantanément
mais sont répartis ou répartis sur des périodes futures. Comme le montre la figure 3.1, les actions ou
décisions économiques prises à un moment donné, t , ont des effets sur l'économie au temps t , mais
aussi aux instants t + 1 , t + 2 etc.
NATURE DYNAMIQUE DES RELATIONS

Étant donné que les effets des changements de variables ne sont pas toujours instantanés, nous devons
nous demander comment modéliser la nature dynamique des relations. Nous commençons par
reconnaître trois façons différentes de le faire.
1. Une façon est de spécifier qu'une variable dépendante y est une fonction des valeurs actuelles
et passées d'une variable explicative x .
yt = f ( xt , xt −1 , xt −2 , .......) (1)

92
Dr. Khalil Mhadhbi Économétrie Avancée des Modèles Linéaires

Action économique
au temps t

Effet au temps t Effet au temps t + 1 Effet au temps t + 2

Figure 3.1 L'effet de retard échelonné
Nous pouvons penser à ( yt , xt ) comme désignant les valeurs de y et x dans la période courante; xt −1
signifie la valeur de x dans la période précédente; xt −2 est la valeur de x il y a deux périodes, et ainsi
de suite. Pour le moment, f (.) est utilisé pour désigner toute fonction générale. Plus tard, nous
remplaçons f (.) par une fonction linéaire, comme celles utilisées jusqu'ici. Des équations telles que (1)
disent, par exemple, que le taux d'inflation actuel yt dépend non seulement du taux d'intérêt actuel xt ,
mais aussi des taux des périodes précédentes xt −1 , xt −2 ,. . . . En inversant cette interprétation comme
dans la figure 3.1, cela signifie qu'une variation du taux d'intérêt maintenant aura un impact sur
l'inflation maintenant et dans les périodes futures; il faut du temps pour que l'effet d'un changement de
taux d'intérêt se fasse pleinement sentir dans l'économie. En raison de l'existence de ces effets décalés,
(1) est appelé un modèle à retard échelonné.
2. Une deuxième façon de saisir les caractéristiques dynamiques des données de séries
chronologiques consiste à spécifier un modèle avec une variable dépendante décalée
comme l'une des variables explicatives.
yt = f ( yt −1 , xt ) (2)

où encore f (.) est une fonction générale que nous remplacerons plus tard par une fonction linéaire.
Dans ce cas, nous disons que le taux d'inflation dans une période yt dépendra (entre autres) de ce qu'il
était dans la période précédente, yt −1 . Dans l'hypothèse d'une relation positive, les périodes d'inflation
élevée auront tendance à suivre des périodes d'inflation élevée et les périodes d'inflation faible auront
tendance à suivre des périodes d'inflation faible. Ou, en d'autres termes, l'inflation est positivement
corrélée à sa valeur décalée d'une période. Un modèle de cette nature est une façon de modéliser la
corrélation entre les valeurs actuelles et passées d'une variable dépendante. De plus, nous pouvons
combiner les caractéristiques de (1) et (2) de sorte que nous ayons un modèle dynamique avec des
valeurs décalées des variables dépendantes et explicatives, telles que
yt = f ( yt −1 , xt , xt −1 , xt −2 , .......) (3)

Ces modèles sont appelés modèlesautorégressif à retards échelonnés ARDL (AutoRégressifs Distribués
Lag), avec «autorégressif» signifiant une régression de yt sur son ou ses propres retards.
3. Une troisième façon de modéliser l'impact continu du changement sur plusieurs périodes
consiste à utiliser le terme d'erreur. Par exemple, en utilisant les fonctions générales f (.) et g (.)
, qui sont toutes deux remplacées ultérieurement par des fonctions linéaires, nous pouvons
écrire
y t = f ( xt ) + ε t ε t = g (ε t −1 ) (3)

93
Dr. Khalil Mhadhbi Économétrie Avancée des Modèles Linéaires

où la fonction ε t = g (ε t −1 ) est utilisée pour désigner la dépendance de l'erreur sur sa valeur dans la
période précédente. Dans ce cas, ε t est corrélé à ε t −1 ; nous disons que les erreurs sont corrélées ou
autocorrélées. Puisque (3) implique ε t +1 = g (ε t ) , la nature dynamique de cette relation est telle que
l'impact de tout choc imprévisible qui alimente le terme d'erreur sera ressenti non seulement à la
période t , mais également aux périodes futures. L'erreur actuelle et affecte non seulement la valeur
actuelle de la variable dépendante yt , mais également ses valeurs futures yt +1 , yt + 2 .......... ; À titre
d'exemple, supposons qu'un acte terroriste crée la crainte d'une pénurie de pétrole, faisant grimper le
prix du pétrole. L'acte terroriste est un choc imprévisible qui fait partie du terme d'erreur ε t . Il est
susceptible d'affecter le prix du pétrole à l'avenir ainsi que pendant la période actuelle.
Dans ce chapitre, nous examinons ces trois façons dont la dynamique peut intégrer dans une relation de
régression - valeurs décalées de la variable explicative, valeurs décalées de la variable dépendante et
valeurs décalées du terme d'erreur. Ce que nous découvrons, c'est que ces trois voies ne sont pas aussi
distinctes qu'on pourrait le penser à première vue. L'inclusion d'une variable dépendante retardée yt −1
peut capturer des effets similaires à ceux obtenus en incluant une erreur retardée ε t −1 , ou un long
historique des valeurs passées d'une variable explicative, xt −1 , xt −2 ........ Ainsi, nous ne considérons pas
seulement les trois types de relations dynamiques, nous explorons les relations entre eux. Le concept
important de prévision est lié à l'idée de modéliser les relations dynamiques entre les variables de séries
chronologiques. Nous ne sommes pas seulement intéressés à retracer l'impact d'un changement de
variable explicative ou d'un choc d'erreur dans le temps. La prévision des valeurs futures des séries
chronologiques économiques, telles que l'inflation, le chômage et les taux de change, attire l'attention
des entreprises, des gouvernements et du grand public. Décrire comment les modèles dynamiques
peuvent être utilisés pour la prévision est un autre objectif de ce chapitre.

94