Site internet de Mazamba Tédie http://mazambatedie.free.fr/spip.php?

article18

L’autocorrélation
mercredi, 9 mai 2007 / Mazamba Tédie

Plan de la rubrique :

1. L’économétrie
1. La méthode du maximum de vraisemblance
2. La méthode des MCO
3. Les tests de significativité
4. L’autocorrélation

This plug-in isn't supported

1. Set up : les problèmes liés à l’autocorrélation

La question fondamentale que l’on se pose est la suivante : les propriétés d’absence de biais et de
convergence sont-elles sauvegardées en situation d’autocorrélation ? Pour répondre à cette
question, il convient de définir ce que nous entendons par autocorrélation.

Définition : Nous dirons qu’il y a autocorrélation des résidus lorsqu’il existe un lien statistique
entre les éléments du vecteur ε et plus précisément si : E (εiεj) ≠ 0

En d’autres termes, la matrice des variances-covariances de ε, Σε, n’est plus une matrice
diagonale. Les covariances ne sont pas tous nulles.

Dans quelles situations il y a t-il autocorrélation ? Le plus souvent, on observe qu’il y a

autocorrélation lorsque les variations d’une variable à la date t-1 ne sont pas instantanées et se
reportent sur d’autres périodes en t, t+1, t+2, etc. Dès lors, en considérant le premier cas,
l’erreur en t sera liée à l’erreur en t-1 selon la relation suivante :

Où |ρ| < 1 (qui est une condition de stationnarité), v est une variable normale centrée et de
variance σv2. Nous dirons alors qu’il y a autocorrélation d’ordre 1.

Connaissant, les propriétés de v, nous pouvons en déduire celles de ε. En effet, nous pouvons
montre aisément que :

Il est alors clair que l’espérance de cette variable aléatoire est nulle. Qu’en est-il de la variance ?
On a directement à partir de (1) :

Et donc σε2 = σv2 / (1 - ρ2). La nature de cette variance ne remet pas en cause les propriétés des
estimateurs des MCO. Ce qui n’est pas le cas pour la covariance comme nous allons le voir
maintenant. Multiplions (1) des deux côtés par εt-1 et prenons l’espérance :
Refaisons la même chose avec εt-2 et ainsi de suite. Nous pouvons ainsi réécrire la matrice de
variances-covariances du vecteur comme suit :

Ou encore,

En conséquence, les covariances ne sont plus nulles.

Quelles sont les implications pour notre estimateur des moindres carrés ? Nous savons que (voir la
preuve de la proposition 2),

L’espérance de cette matrice s’écrit maintenant,

Il devient alors clair à nos yeux que si nous utilisons les coefficients de la matrice σ2(X’X)- au lieu
de ceux de la matrice σv2(X’X)-1(X’ΨX)(X’X)-1 pour tester la significativité des estimateurs, nous
introduisons de facto un biais. La conséquence immédiate de ceci est que les intervalles de
confiance qui seront calculés ne seront pas corrects puisque nous savons que l’estimateur par la
méthode des moindres carrés de A, est à variance minimale dans la classe des estimateurs sans
biais. Toutefois, la propriété d’absence de biais est sauvegardée.

2. La détection de l’autocorrélation

Après avoir défini le problème, il faut pouvoir en détecter la présence. Pour cela, plusieurs tests
ont été proposés mais le test de Durbin-Watson semble le plus usité à cause de sa relative
simplicité.

2.1 Un test pour de grands échantillons

Supposons que nous ayons une relation de départ du style : yt= a + b xt + et. Après avoir estimé
cette relation sur la période [1,T], nous trouvons :

La différence est appelée résidu d’estimation et sera

notée . Si nous postulons que la

relation entre et et et-1 peut être modélisée par et = ρ et-1+vt alors l’estimateur par la méthode
des moindres carrés de ρ sera donné par définition par (on remplace et directement par les
résidus d’estimation) :

Nous pouvons montrer que l’estimateur de ρ est distribué normalement avec ρ comme moyenne
et (1-ρ2)/T pour variance. Sous ces conditions la statistique,

Soit maintenant le test,

Sous l’hypothèse nulle notre statistique devient,

Il est alors possible de comparer la valeur de u à celle donnée par la table de la loi normale. Nous
adopterons la règle de décision suivante : si,

Avec Zα la valeur lue dans la table normale, alors rejeter l’hypothèse nulle. Pour un risque de α =
5 %, nous avons Z&alpha=5% = 1.96. Il faut toutefois avoir à l’esprit que c’est un test
asymptotique c’est à dire pour de grands échantillons. Si ce n’est pas le cas, il faut recourir au test
de Durbin-Watson.

2.2 Le test de Durbin-Watson

La statistique du test de Dusrbin-Watson (DW) est la suivante,

Nous pouvons montrer aisément que,

Si l’autocorrélation est nulle, la valeur de la statistique dw devrait être proche de 2. Sinon, elle
devrait être proche de 0 dans le cas d’une forte autocorrélation positive et proche de 4 pour une
forte autocorrélation négative. Toutefois ce raisonnement ne tient compte ni de la taille de
l’échantillon dont nous disposons et ni du nombre de variables explicatives. De plus, cela ne nous
dit pas à partir de quelle valeur critique nous devons rejeter ou non l’hypothèse nulle.

Pour pouvoir conclure, Durbin et Watson montrent que, si e suit bien une loi normale, alors la
statistique dw est le ratio d’une somme pondérée de variables aléatoires normales élevées au
carré et d’une somme non pondérée des mêmes variables aléatoires normales élevées au carré. Le
problème étant que ces pondérations dépendent des variables explicatives. Pour arriver à leur test
les auteurs, Durbin et Watson montrent que la statistique dw évolue toujours dans un corridor
dont les valeurs limites sont dl et du. Pour K=2 et 3 variables explicatives (en tenant compte de la
constante) et pour des échantillons de taille T=6, 7 et 8, les valeurs critiques sont :

Valeurs critiques du test de DW

K=2 K=3
T dl du dl du
6 0.61 1.40
7 0.70 1.356 0.467 1.896
8 0.763 1.332 0.559 1.777

La règle de décision du test est la suivante pour un test dont l’hypothèse alternative est la
présence d’une autocorrélation positive :

si dw < dl, rejeter l’hypothèse nulle.

si dw > du, accepter l’hypothèse nulle.
si dl < dw < du, on ne peut conclure.

Dans le cas où nous voudrions tester plutôt la présence d’une autocorrélation négative, la règle de
décision serait la suivante :

si dw > 4 - dl, rejeter l’hypothèse nulle. Il y a autocorrélation négaitve.

si dw < 4 - du, accepter l’hypothèse nulle. Il n’y a pas autocorrélation.
si 4 - du < dw < 4 - dl, on ne peut conclure.

On voit qu’il existe dans les deux cas (autocorrélation positive et négative) une zone d’indécision.
Le tableau des valeurs critiques présenté plus haut nous montre que l’amplitude de ces zones
d’indécision, dl < dw < du et 4 - du < dw < 4 - dl, se réduit au fur et à mesure que la taille
d’échantillon s’agrandit. Pour lever cette indécision, une procédure assez attrayante est de trouver
le nombre d* qui satisfait : d* = a + b du et où les constantes a et b sont données par : E(d)= a
+ b E(du) et Var(d) = b² Var(du). Les valeurs E(du), Var(du) sont tabulées. En ce qui concerne
l’espérance et la variance de d, elles sont données par des formules assez compliquées. Il ne reste
plus qu’à trouver les constantes a et b et ensuite à calculer d* par la formule précédente. Dans le
cas d’un test ayant pour hypothèse alternative une autocorrélation positive, la règle
complémentaire est : si dw < d*, on rejette l’hypothèse nulle ; sinon (dw>d*), on accepte
l’hypothèse nulle. Pour une autocorrélation négative, la règle complémentaire est : si dw > d*
alors rejeter l’hypothèse nulle ; sinon l’accepter.

Remarques : Le test de Durbin Watson tel que nous l’avons présenté n’est valable que si les
variables explicatives ne sont pas stochastiques. De plus, il n’est pas permis de tester un modèle
sans constante.

3. Exemples

3.1 Les importations

Travaillons à l’aide de la "fonction d’importation" du modèle Micro-DMS. Cette équation se

présente comme suit :

Où M, DI, tu et η représentent respectivement les importations, la demande intérieure, le taux

d’utilisation du capital et le taux d’ouverture de l’économie française. Cette équation met en
évidence une élasticité unitaire des importations par rapport à la demande intérieure. En d’autres
termes, la demande intérieure sera toujours satisfaite. De plus, il est clair que plus le taux
d’utilisation du capital est élevé et plus les importations trouveront leur justification dans une
incapacité de l’économie à satisfaire la demande.

Les résultats d’estimation sont les suivants :

Avec T = 29, R2 = 0.9606, F(2,26) = 317, SSR = 0.01668 et dw = 0.95286. On lit dans la table
de Durbin-Watson, dl = 1.270 et du = 1.563. Comme dw < dl, on en conclut, d’après la règle de
décision, qu’il y a autocorrélation positive.

3.2 L’investissement

Soit l’équation suivante qui décrit l’investissement des entreprises dans le modèle Micro-DMS :
Où I, K, TP, Y, U et β représentent respectivement l’investissement, le stock de capital, le taux de
profit, la production, le taux d’utilisation du capital et une valeur moyenne de cette dernière
variable sur la période étudiée. Ici le taux d’accumulation du capital, I/K, dépendra : 1- d’un
mécanisme autorégressif. 2- du taux de profit. Dans cette optique, on souhaiterait que c soit
positif ce qui indiquerait que plus les entreprises engrangent du profit et plus elles seront incitées
à investir. 3- d’un phénomène d’accélérateur. Après estimation, on trouve :

Avec T = 27, R2 = 0.978, F(3.23) = 346 et dw = 1.7995. On lit dans la table de Durbin-Watson :
dl = 1.162 et du = 1.651. Comme dw < 4 - du, nous concluons qu’il n’y a pas autocorrélation.