See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/357802745

La modélisation ARLD en utilisant logiciel R

Presentation · January 2022

DOI: 10.13140/RG.2.2.36096.35842

CITATIONS READS

0 4,018

1 author:

Sami Mestiri
Faculté des Sciences Économiques et de Gestion de Mahdia
60 PUBLICATIONS 28 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Credit Risk Prediction based on Bayesian estimation of logistic regression model with random effects View project

Using R for statistical analysis View project

All content following this page was uploaded by Sami Mestiri on 13 January 2022.

The user has requested enhancement of the downloaded file.

Chapitre 2 : La modélisation ARLD en utilisant
logiciel R

Sami Mestiri

Unité de recherche EAS-Mahdia

Faculté des sciences économiques et de gestion de Mahdia,
Email : mestirisami2007 ∂ gmail.com

13 janvier 2022

1
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Définitions

J Les modèles ARDL « AutoRegressive Distributed

Lag », ou « modèles autorégressifs à retards échelonnés » en
français, sont des modèles dynamiques.
J Les modèles dynamiques font intervenir des variables
décalées dans le temps contrairement aux modèles statiques.
JCes modèles ont la particularité de prendre en compte la
dynamique temporelle (délai d’ajustement, anticipations, etc.)
dans l’explication d’une variable (série chronologique),
améliorant ainsi les prévisions et efficacité des politiques
(décisions, actions, etc.), contrairement au modèle simple (non
dynamique) dont l’explication instantanée (effet immédiat ou
non étalé dans le temps) ne restitue qu’une partie de la
variation de la variable à expliquer.

2
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Spécification du modèle
Dans les modèles ARDL on y trouve, parmi les variables explicatives
(Xt ), la variable dépendante décalée ( Yt−p ) et les valeurs passées
de la variable indépendante (Xt−q ). Ils ont la forme générale
suivante :
Yt = f (Yt−p , Xt , Xt−q )
Sous sa forme générale, un modèle ARDL s’écrit comme suit :
Yt = a0 + a1 Yt−1 + · · · + ap Yt−p + b0 Xt + + · · · + bq Xt−q + εt
p
X q
X
Yt = a0 + Yt−i + Xt−j + εt
i=1 j=0
Avec ε ∼ (0, σ) terme d’erreur.
b0 traduit l’effet à court terme de Xt sur Yt .
Si l’on considère la relation de long terme ou d’équilibre suivante
Yt = k + φXt + u , l’onPpeut calculer l’effet à long terme de Xt sur
b
Yt comme suit :φ = Pj
1 − ai 3
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Le décalage optimal

Comme pour tout modèle dynamique, l’on se servira des

critères d’information (AIC, SIC et HQ) pour déterminer le
décalage optimal (p* ou q*) ; un décalage optimal est celui
dont le modèle estimé offre la valeur minimale d’un des
critères énoncés. Ces critères sont : celui d’Akaike (AIC), celui
de Schwarz (SIC) et celui de Hannan et Quinn (HQ). Leurs
valeurs d’Akaike (AIC) sont calculées comme suit :
 
SCRh 2h
AIC (h) = Ln +
n n
avec SCRh = Sommes des Carrés des Résidus pour le modèle
à h retards
n = Nombre d’observations
Ln = Logarithme népérien
4
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Estimation

J Les modèles ARDL souffrent généralement de problèmes

d’autocorrélation d’erreurs, avec la présence de la variable
endogène décalée comme explicative et de multi-colinéarité, ce
qui complique l’estimation des paramètres par les Moindres
Carrés Ordinaires/MCO.
J Il tient de recourir aux techniques d’estimation robuste
(méthode SUR, etc.) pour pallier à ces problèmes. Aussi, l’on
retiendra que les variables considérées dans ces modèles se
doivent d’être stationnaires pour éviter des régressions
fallacieuses.
J Les modèle ARDL permet d’estimer les dynamiques de
court terme et les effets de long terme pour des séries
cointégrées ou même intégrées à des ordres différents.

5
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Test de cointégration aux bornes
JLorsqu’on dispose de plusieurs variables intégrées d’ordres
différents (I(0), I(1)), l’on peut recourir au test de cointégration de
Pesaran et al. (2001) appelé « test de cointégration aux bornes ».
J Le modèle qui sert de base au test de cointégration par les
retards échelonnés est la spécification ARDL cointégrée suivante :
p
X q−1
X
∆yt = γ1 yt−1 + γ2 xt−1 + αi ∆yt−i + βj ∆xt−j + π0 + πt + et
i=1 j=0

p
X q−1
X
∆yt = π0 + πt + αi ∆yt−i + βj ∆xt−j + λεt−1 + et
i=1 j=0

Où λ est le terme de correction d’erreur, coefficient d’ajustement

ou force de rappel.
on conclure à l’existence d’une relation de cointégration entre xt et
_
yt si et seulement si 0 ≺ λ ≺ 1 et rejet H0 : λ = 0 .
6
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Test de cointégration aux bornes
Il y a deux étapes à suivre pour appliquer le test de
cointégration de Pesaran, à savoir : la détermination du
décalage optimal avant tout (AIC, SIC) et le recourt au test de
Fisher pour vérifier les hypothèses :
H0 : α1 = α2 = 0 existence d’une relation de cointegration
H1 : α1 6= α2 6= 0 absence d’une relation de cointegration
La procédure du test est telle que l’on devra comparer les
valeurs de Fisher obtenues aux valeurs critiques (bornes)
simulées pour plusieurs cas et différents seuils par Pesaran et
al. L’on notera des valeurs critiques que la borne supérieure
reprend les valeurs pour lesquelles les variables sont intégrées
d’ordre 1 I (1)et la borne inférieure concernent les variables
I (0).
Ainsi : Fc  B sup Le cointegration existe
Fc ≺ B inf Le cointegration n’existe pas
B inf ≺ Fc ≺ B sup Il n’ya pas de conclusion 7
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Application

J Nous illustrons le processus de modélisation ARDL les tests

de cointégration en utilisant des données provenant de Wright
(2017) sur les préoccupations du public concernant les
inégalités aux États-Unis.
J Pour notre exemple, supposons que les préoccupations du
public concernant les l’inégalité aux États-Unis, Concern est
fonction de la part du revenu allant aux dix pour cent les plus
riches, Income Top 10 (incshare10).
J Nous émettons également l’hypothèse que le taux de
chômage (urate), affecte les préoccupations à court terme
(c’est-à-dire qu’il ne co-intègre pas).
J Avant d’estimer un modèle à l’aide de package dynamac,
les utilisateurs doivent d’abord vérifier la stationnarité.
Divers tests de racine unitaire peuvent être effectués à l’aide
du package urca (Pfaff et al., 2016).
8
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Test de la stationnarité.

Les trois séries sont intégrées d’ordre I (1), car elles

apparaissent intégrées dans les niveaux mais stationnaires dans
les différences premières.
9
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Le modèle de correction d’erreur

J Étant donné que toutes les séries semblent être I(1), nous
procédons à l’estimation d’un modèle sous dynardl sous forme
de correction d’erreur, puis nous testons la cointégration entre
le souci d’inégalité et la part de revenu des 10 % les plus
riches.
Notre modèle de correction d’erreur apparaît comme :

∆Concernt = a0 + φ1 Concernt−1 + ∆1 IncomeTop10t−1 +

β1 ∆IncomeTop10t + β2 ∆Unemploymentt + t (1)

Où l’on suppose t ∼ N(0, σ 2 ).

10
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Estimation ARDL avec R

Jdynardl est simplement une régression qui permet aux

utilisateurs de se concentrer sur les spécifications théoriques
plutôt que sur le codage technique.
Toutes les variables du modèle sont entrées dans la formule.
En ce sens, dynardl peut être utilisé dans n’importe quel
contexte ARDL, pas seulement dans ceux dans lesquels
l’utilisateur attend également des tests de cointégration ou des
simulations dynamiques.
J Nous estimons notre exemple de modèle montré dans
l’équation 1 en utilisant dynardl comme suit :
data(ineq)
res1 <- dynardl(concern ∼ incshare10 + urate, data = ineq,
lags = list("concern" = 1, "incshare10" = 1),
diffs = c("incshare10", "urate"),
ec = TRUE, simulate = FALSE ) summary(res1)
11
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Estimation ARDL

12
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Interprétation

J Comme le montrent les résultats de la régression qui a inclus

une constante, la variable dépendante retardée, l.1.concern, la
première différence des deux régresseurs (Revenu Top 10 et
Chômage), ainsi que le retard de Income Top 10.
J Alors que les variations du revenu Top 10 affectent les
variations de la préoccupation à court terme, les variations du
chômage n’ont pas d’effet statistiquement significatif à court
terme.
Le décalage du revenu Top 10 est négatif et statistiquement
significatif.
J De plus, le paramètre sur la variable dépendante retardée
est négatif, entre 0 et -1, et statistiquement significatif, ce qui
nous donne rapidement preuve d’un processus de cointégration
en cours ; nous utilisons un test statistique pour cela .
13
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Diagnostics post-estimation
J Une composante essentielle de la modélisation ARDL est de
s’assurer que les résidus de toute estimation ARDL sont du bruit
blanc.
L’un des symptômes de l’autocorrélation résiduelle en présence
d’une variable dépendante retardée (où Φ1 = 0) est que les MCO
entraîneront des estimations biaisées et incohérentes.
J L’autocorrélation est particulièrement pernicieuse lors de
l’utilisation du test de cointégration des limites ARDL, car le test
repose sur l’hypothèse d’erreurs sans corrélation en série pour la
validité des tests de limites.
J La fonction dynardl.auto.correlated prend les résidus d’un
modèle ARDL estimé par dynardl et effectue deux tests
d’autocorrélation, le test de Shaprio-Wilk pour la normalité et le
test de Breusch-Godfrey pour la corrélation en série d’ordre
supérieur, et calcule les statistiques d’ajustement pour le critère
d’information d’Akaike ( AIC), Critère d’information bayésien (BIC)
et log-vraisemblance. 14
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Test de cointégration aux bornes

15
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
Interprétation

J Dans notre exemple en utilisant pssbounds, la valeur de

la statistique F dépasse la valeur critique à la borne supérieure
I(1) du test au niveau de 1%, nous pouvons conclure que les
revenus et les préoccupations concernant les inégalités sont
dans une relation de cointégration .
J Étant donné que la statistique t de -3,684 tombe en dessous
du seuil de la valeur critique I(1) de 5%, cela soutient
davantage la cointégration. Pris ensemble, ces résultats
indiquent qu’il existe une relation de cointégration entre les
préoccupations concernant les inégalités et la part des revenus
des 10 % les plus riches, et que l’équation ECM est
correctement spécifiée.

16
Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R
 MERCI POUR VOTRE ATTENTION

17
View publication stats Sami Mestiri Chapitre 2 : La modélisation ARLD en utilisant logiciel R