Académique Documents
Professionnel Documents
Culture Documents
Exercice 3
1.
Il
faudrait
que
la
variable
mesurant
les
fluctuations
boursières
soit
exogène
ou
strictement
exogène
par
rapport
à
celle
mesurant
le
taux
de
crises
cardiaques
(c’est-‐dire
qu’il
n’y
ait
pas
de
facteurs
confondants
expliquant
les
deux
variables).
où
Yt
représente
le
taux
de
crises
cardiaques
et
Xt
la
variable
mesurant
les
fluctuations
boursières.
Le
paramètre
β1
mesure
l’impact
de
Xt
sur
Yt
et
les
paramètres
β2
à
βp+1
sont
les
multiplicateurs
dynamiques
mesurant
l’effet
des
retards
de
Xt.
Exercice 4
1.
Ce
test
est
un
test
de
racine
unité
qui
permet
de
tester
la
stationnarité
des
variables
Y1t
et
Y2t.
Pour
j
=
1,
2,
l’hypothèse
nulle
H0
est
«
Yjt
est
non
stationnaire
»
et
l’hypothèse
alternative
H1
est
«
Yjt
est
stationnaire
».
Ici,
pour
chaque
série,
la
p-‐valeur
est
supérieure
à
tous
les
seuils
de
significativité
conventionnels
et
on
ne
peut
donc
pas
rejeter
l’hypothèse
nulle
de
non-‐stationnarité.
On
conclut
donc
que
les
deux
séries
sont
non-‐stationnaires.
2.
Cette
fois,
les
p-‐valeurs
des
tests
de
Dickey-‐Fuller
augmentés
sont
inférieures
au
seuil
de
1%
pour
les
deux
séries.
On
rejette
donc,
pour
chaque
série
ΔYjt,
avec
j
=
1,
2,
l’hypothèse
nulle
de
non-‐stationnarité.
On
conclut
que
les
séries
différenciées
(en
différences
premières)
sont
stationnaires,
alors
que
les
séries
elles-‐mêmes
sont
non-‐
stationnaires.
Cette
propriété
caractérise
des
séries
intégrées
à
l’ordre
1.
Les
séries
Y1t
et
Y2t
sont
donc
toutes
deux
intégrées
à
l’ordre
1.
3.
Le
statisticien
aurait
pu
utiliser
un
test
de
Dickey-‐Fuller
par
les
MCG
(DF-‐MCG).
Le
principal
avantage
de
ce
test
est
qu’il
est
plus
puissant
que
le
test
de
Dickey-‐Fuller
augmenté.
Corrigé
de
l’examen
de
mai
2015
(fichier
“Partiel_mai15.pdf”)
Exercice
1.
1.
Ce
test
(Dickey-‐Fuller
augmenté)
est
un
test
de
racine
unité
qui
permet
de
tester
la
stationnarité
de
la
variable
Yt.
L’hypothèse
nulle
H0
est
«
Yt
est
non
stationnaire
»
et
l’hypothèse
alternative
H1
est
«
Yt
est
stationnaire
».
Ici,
la
p-‐valeur
du
test
est
supérieure
à
tous
les
seuils
de
significativité
conventionnels
et
on
ne
peut
donc
pas
rejeter
l’hypothèse
nulle
de
non-‐stationnarité.
On
conclut
donc
que
la
série
Yt
est
non-‐
stationnaire.
Le
statisticien
aurait
pu
également
utiliser
un
test
de
Dickey-‐Fuller
par
les
MCG
(DF-‐
MCG).
Le
principal
avantage
de
ce
test
est
qu’il
est
plus
puissant
que
le
test
de
Dickey-‐
Fuller
augmenté.
2.
Le
R2
(coefficient
de
détermination)
est
assez
faible,
autour
de
0,27
(il
convient
de
regarder
ici
le
R2
ajusté,
car
un
modèle
AR(3)
correspond
à
une
régression
linéaire
multiple).
L’ajustement
linéaire
du
modèle
est
correct,
mais
sans
plus.
Il
est
à
noter
qu’il
est
plus
difficile
d’établir
des
corrélations
sur
des
variables
mises
en
différences
que
sur
des
variables
en
niveau.
Avec
une
p-‐valeur
à
3,6
x
10-‐7,
le
test
de
Fisher
est
très
significatif.
On
rejette
donc
au
seuil
de
1‰
l’hypothèse
nulle
que
les
coefficient
associés
au
trois
premiers
retards
de
la
variable
dépendante
sont
tous
nuls.
L’un
d’eux
au
moins
est
non
nul.
En
regardant
les
coefficients,
on
vérifie
en
effet
que
le
premier
retard
a
un
effet
significatif
au
seuil
de
1‰,
le
premier
coefficient
étant
égal
à
0,47
environ.
Les
autres
retards
n’ont
pas
d’effet
sur
la
variable.
L’écart-‐type
des
résidus
est
calculé
sur
96
degrés
de
libertés,
et
le
test
de
Fisher
a
3
et
96
degrés
de
liberté.
L’estimation
a
donc
porté
sur
100
observations
(96
d.l.
+
3
d.l.
«
perdus
»
pour
les
coefficients
des
retards
+
1
d.l.
«
perdu
»
pour
la
constante).
Comme
le
modèle
AR(3)
utilise
3
retards,
on
perd,
de
surcroit,
3
observations
par
rapport
à
l’échantillon
de
la
série
différenciée,
qui
comptait
donc
103
observations.
Enfin,
comme
la
série
a
été
différenciée
avant
l’estimation,
on
a
perdu
une
observation
par
rapport
à
l’échantillon
de
départ,
qui
en
comptait
donc
104.
3.
Il
s’agit
d’un
test
d’hétéroscédasticité,
qui
permet
de
tester
l’hypothèse
nulle
d’homoscédasticité
(variance
constante
du
terme
d’erreur
du
modèle)
contre
l’hypothèse
alternative
d’hétéroscédasticité
(déformation
de
la
variance
du
terme
d’erreur
dans
le
temps).
Comme
la
p-‐valeur
du
test
est
inférieure
à
10%,
on
conclut
à
la
présence
d’hétéroscédasticité.
Même
si
la
significativité
du
test
est
faible,
il
est
plus
prudent
d’utiliser
la
formule
des
erreurs
standard
robustes
à
l’hétéroscédasticité.
4.
Le
test
de
Breusch-‐Godfrey
teste
l’autocorrélation
du
terme
d’erreur
du
modèle
(hypothèse
nulle
H0
«
absence
d’autocorrélation
»,
hypothèse
alternative
H1
«
présence
d’autocorrélation
»).
Ici,
la
p-‐valeur
du
test
est
supérieure
à
tous
les
seuils
de
significativité
conventionnels,
on
ne
peut
donc
pas
rejeter
l’hypothèse
nulle.
Le
test
conclut
que
le
terme
d’erreur
n’est
pas
autocorrélé,
il
n’y
a
donc
aucune
mesure
particulière
à
prendre
pour
améliorer
la
régression
réalisée.
Exercice
2
1.
La
relation
entre
dépenses
de
marketing
et
taille
de
l’entreprise
est
non-‐linéaire,
car
la
dérivée
de
Yit
par
rapport
à
Xit
dépend
de
Xit.
Plus
précisément,
on
a
:
La
dérivée
de
Yit
par
rapport
à
Xit
est
donc
positive
pour
de
faibles
valeurs
de
Xit,
puis
devient
négative
au-‐delà
d’un
certain
seuil.
Autrement
dit,
Yit
croît
puis
décroit
avec
Xit.
La
relation
entre
Yit
et
Xit
(entre
dépenses
de
marketing
et
taille
de
l’entreprise)
a
donc
la
forme
d’une
parabole
«
en
U
inversé
».
2.
Le
modèle
(1)
a
visiblement
été
estimé
par
les
MCO,
estimateur
qui
ne
contrôle
pas
pour
l’hétérogénéité
non
observée.
Il
serait
plus
judicieux
d’utiliser
l’estimateur
within,
qui
contrôle
pour
l’hétérogénéité
non
observée
tout
en
restant
parcimonieux
dans
le
nombre
de
paramètres
à
estimer.
On
le
trouve
ainsi
:
(2)
Yit
=
β0
+
β1Xit
+
β2(Xit)
+
ui
+
vt
+
wit
en
posant
εit
=
ui
+
vt
+
wit
dans
le
modèle
(1).
2
On écrit ensuite la relation « between » entre les moyennes des variables dans le temps
(4) Yit -‐ Yi• = β1(Xit -‐ Xi•) + β2(X2it – X2i•) + (vt -‐ v•) + (wit -‐ wi•)
Le
terme
ui
(hétérogénéité
individuelle
non
observée)
disparaît
dans
la
différenciation,
mais
les
coefficients
β1
et
β2
des
variables
d’intérêt
demeurent.
En
estimant
(4)
par
les
MCO
(estimateur
dit
«
within
»),
on
estime
ces
coefficients
nets
de
l’hétérogénéité
non
observée.
Exercice 3
1.
Ce
test
est
un
test
de
racine
unité
qui
permet
de
tester
la
stationnarité
de
la
variable
Yt
avec
pour
hypothèse
nulle
H0
«
Yt
est
non
stationnaire
»
et
pour
hypothèse
alternative
H1
«
Yt
est
stationnaire
».
Ici,
la
p-‐valeur
à
0,50
est
supérieure
à
tous
les
seuils
de
significativité
conventionnels
et
on
ne
peut
donc
pas
rejeter
l’hypothèse
nulle
de
non-‐
stationnarité.
On
conclut
donc
que
la
série
est
non-‐stationnaire.
2.
Cette
fois,
la
p-‐valeur
du
test
de
Dickey-‐Fuller
augmenté
est
inférieure
au
seuil
de
1%.
On
rejette
donc,
pour
la
série
ΔYt,
l’hypothèse
nulle
de
non-‐stationnarité.
On
conclut
que
la
série
différenciée
(en
différences
premières)
est
stationnaire,
alors
que
la
série
Yt
elle-‐
même
est
non-‐stationnaire.
Cette
propriété
caractérise
les
séries
intégrées
à
l’ordre
1.
La
séries
Yt
est
donc
intégrée
à
l’ordre
1.
3.
On
peut
en
déduire
que
les
séries
sont
cointégrées
avec
un
coefficient
de
cointégration
égal
à
0,90
environ.
Corrigé
de
l’examen
de
mai
2016
(fichier
“Partiel_GFFFE_Mai16.pdf”)
Exercice
1.
1.
Le
R2
(coefficient
de
détermination)
est
très
élevé,
au-‐dessus
de
0,98
(il
convient
de
regarder
ici
le
R2
ajusté,
car
un
modèle
AR(5)
correspond
évidemment
à
une
régression
linéaire
multiple).
L’ajustement
linéaire
du
modèle
est
très
bon,
la
variable
est
presque
parfaitement
«
expliquée
»
par
/
corrélée
à
ses
cinq
premiers
retards.
Avec
une
p-‐valeur
inférieure
à
2,2
x
10-‐16,
le
test
de
Fisher
est
très
significatif.
On
rejette
donc
au
seuil
de
1‰
l’hypothèse
nulle
que
les
coefficient
associés
aux
cinq
premiers
retards
sont
tous
nuls.
L’un
d’eux
au
moins
est
non
nul.
En
regardant
les
coefficients,
on
vérifie
que
les
deux
premiers
retards
ont
un
effet
significatif
sur
Yt.
Dans
le
volet
I,
ces
retards
sont
significatifs
aux
seuils
de
1‰
pour
le
premier
et
de
5%
pour
le
second.
Dans
le
volet
II,
les
seuils
de
significativité
sont
respectivement
de
1‰
et
de
10%.
Dans
les
deux
volets,
le
coefficient
du
premier
retard
est
égal
à
1,054
et
celui
du
second
à
-‐0,61.
Les
troisième
et
quatrième
retards
n’ont
pas
d’effet
sur
la
variable.
Dans
le
premier
volet,
les
erreurs
standard
des
coefficients
estimés
sont
calculées
avec
la
formule
valide
uniquement
sous
l’hypothèse
d’homoscédasticité
(variance
constante
du
terme
d’erreur).
Dans
le
second
volet,
elles
sont
calculées
avec
la
formule
de
White,
robuste
à
l’hétéroscédasticité
(variance
du
terme
d’erreur
non
constante).
Cette
formule
étant
plus
générale,
les
résultats
du
Volet
II
sont
plus
fiables.
On
constate
que
la
significativité
du
premier
coefficient
reste
peu
ou
prou
la
même,
alors
que
celle
du
second
coefficient
devient
moindre
(on
passe
du
seuil
de
5%
au
seuil
de
10%).
2.
Il
s’agit
d’un
test
d’autocorrélation
du
terme
d’erreur.
Ce
test
est
valide
pour
les
modèles
autorégressif,
contrairement
à
celui
de
Durbin-‐Watson.
L’hypothèse
H0
est
«
absence
d’autocorrélation
des
erreurs
»
et
l’hypothèse
alternative
H1
est
«
présence
d’autocorrélation
des
erreurs
».
Ici,
la
p-‐valeur
du
test
est
supérieure
à
tous
les
seuils
de
significativité
conventionnels,
on
ne
peut
donc
pas
rejeter
H0.
Les
termes
d’erreurs
ne
sont
donc
pas
autocorrélés.
3.
Le
BIC
est
le
critère
d’information
bayésien,
qui,
pour
un
modèle
AR(p),
dépend
du
nombre
de
retards
p.
Si
l’on
hésite
entre
plusieurs
valeurs
de
p
(et
donc
entre
plusieurs
AR(p)
avec
un
nombre
de
retards
différent),
on
peut
retenir
celle
qui
minimise
la
valeur
du
BIC(p).
Ici,
cette
valeur
est
minimale
pour
un
BIC(26),
il
conviendrait
donc
de
préférer,
sur
la
base
de
ce
critère,
un
AR(26)
aux
autres
modèles
AR(p)
estimés.
4.
Il
s’agit
de
tests
de
racine
unité
de
type
ADF
(Dickey-‐Fuller
Augmenté).
Le
second
test
se
base
sur
un
modèle
incluant
une
tendance
déterministe,
alors
que
le
premier
test
se
base
sur
un
modèle
qui
n’inclut
pas
de
tendance
déterministe.
Dans
les
deux
cas,
l’hypothèse
nulle
H0
est
«
non
stationnarité
de
Yt
»
et
l’hypothèse
alternative
est
«
stationnarité
de
Yt
».
Le
test
se
fait
toujours
de
manière
unilatérale
à
gauche.
Le
premier
test
conduit
à
rejeter
H0
au
seuil
de
1%
(et
donc
à
conclure
à
la
stationnarité
de
Yt)
car
la
statistique
de
test
est
−3,58,
ce
qui
est
inférieur
à
la
valeur
critique
correspondante
de
-‐3,43.
Le
second
test,
en
revanche,
ne
permet
de
rejeter
H0
qu’au
seuil
de
5%,
car
la
statistique
de
test
est
−3,85,
et
les
valeurs
critiques
sont
de
−3,96
pour
le
seuil
de
1%
et
−3,41
pour
le
seuil
de
5%.
Les
taux
de
change
étant
des
séries
financières
sans
tendance
déterministe,
il
convient
ici
de
retenir
le
premier
test.
On
peut
alors
conclure
à
la
stationnarité
de
la
série
Yt.
Exercice
2
La
fonction
d’autocorrélation
de
la
série
décroît
exponentiellement
vers
0,
et
la
fonction
d’autocorrélation
partielle
est
nulle
au-‐delà
de
1
retard.
Cela
caractérise
un
processus
AR(p).
Exercice
3
1.
Il
s’agit
de
données
de
panel,
car
les
variables
et
le
terme
d’erreur
du
Modèle
(1)
sont
indicées
en
i
et
en
t.
Pour
estimer
ce
modèle,
il
serait
judicieux
d’utiliser
l’estimateur
within,
qui
contrôle
pour
l’hétérogénéité
individuelle
non
observée
tout
en
restant
parcimonieux
dans
le
nombre
de
paramètres
à
estimer.
Pour
obtenir
l’écriture
within,
on
commence
par
poser
εit
=
ui
+
vt
+
wit
dans
le
Modèle
(1).
Le
terme
ui
représente
l’hétérogénéité
individuelle
non
observée.
On
obtient
alors
l’écriture
within
du
modèle
en
retranchant
terme
à
terme
au
Modèle
(1)
la
même
équation
dans
laquelle
toutes
les
variables
sont
des
moyennes
dans
le
temps
(indicées
i•
au
lieu
de
it).
L’estimateur
within
consiste
à
estimer
l’équation
ainsi
obtenue
par
les
MCO.
Le
terme
ui
disparaît
dans
la
différenciation
mais
les
coefficients
des
variables
d’intérêt
demeurent.
Avec
l’estimateur
within,
on
estime
ces
coefficients
nets
de
l’hétérogénéité
non
observée.
2.
Un
test
d’autocorrélation
du
terme
d’erreur
peut
être
pertinent
ici,
car
la
dimension
temporelle
du
panel
est
longue
(41
ans)
par
rapport
à
la
dimension
individuelle
(20
secteurs).
Le
modèle
comportant
une
variable
dépendante
retardée
(IDB),
il
convient
d’utiliser
le
test
de
Breusch-‐Godfrey.
On
ré-‐écrit
ensuite
l’équation
(2)
en
prenant
les
moyennes
de
chaque
variable
dans
le
temps
(relation
«
between
»)
:
(4) yit -‐ yi• = α (xit -‐ xi•) + (vt -‐ v•) + (wit -‐ wi•)
Le
terme
ui
(hétérogénéité
individuelle
non
observée)
disparaît
dans
la
différenciation,
mais
le
coefficient
α
de
la
variable
d’intérêt
demeure.
En
estimant
(4)
par
les
MCO
(estimateur
dit
«
within
»),
on
estime
ce
coefficient
net
de
l’hétérogénéité
non
observée.
L’estimateur
des
différences
premières
consiste
à
estimer
par
les
MCO
la
différence
entre
le
modèle
(2)
et
le
même
modèle
observé
à
la
date
t
-‐
1,
soit
:
(5) yit -‐ yit-‐1 = α (xit -‐ xit-‐1) + (vt -‐ vt-‐1) + (wit -‐ wi t-‐1)
Exercice 3
1.
Ce
test
est
un
test
de
racine
unité
de
type
Dickey-‐Fuller
Augmenté.
Il
permet
de
tester
la
stationnarité
de
la
variable
Yt
avec
pour
hypothèse
nulle
H0
«
Yt
est
non
stationnaire
»
et
pour
hypothèse
alternative
H1
«
Yt
est
stationnaire
».
Ce
type
de
test
est
toujours
unilatéral
à
gauche.
Ici,
la
p-‐valeur
à
0,50
est
supérieure
à
tous
les
seuils
de
significativité
conventionnels
et
on
ne
peut
donc
pas
rejeter
l’hypothèse
nulle
de
non-‐
stationnarité.
On
conclut
donc
que
la
série
est
non-‐stationnaire,
ce
qui
ne
permet
pas
de
faire
des
prévisions
sur
la
base
de
modèles
autorégressifs
estimés
par
les
MCO.
2.
Cette
fois,
la
p-‐valeur
du
test
de
Dickey-‐Fuller
augmenté
est
inférieure
au
seuil
de
1%.
On
rejette
donc,
pour
la
série
Wt,
l’hypothèse
nulle
de
non-‐stationnarité.
On
conclut
que
la
série
formée
par
la
différence
première
des
log-‐rendements
est
stationnaire
et
que
l’investisseur
peut
se
livrer
à
des
prévisions
sur
Wt.
La
limite
de
ces
prévisions
est
qu’il
est
beaucoup
difficile
de
les
interpréter,
de
leur
donner
un
sens
économique
ou
financier.
3.
Le
modèle
(1)
est
un
AR(p),
le
modèle
(2)
un
ARMA(p,
q).
Le
fait
que
l’ACF
et
la
PACF
de
Wt
soient
toutes
deux
exponentiellement
décroissantes
vers
zéro
suggère
que
la
série
suit
un
processus
ARMA(p,
q).
L’investisseur
devrait
donc
faire
ses
prévisions
avec
le
modèle
(2).
Corrigé
de
l’examen
d’avril
2018
(fichier
“Examen
M2
GFF
FAM
2018.pdf”)
Exercice
1
1.
Il
y
a
:
le
R2
(coefficient
de
détermination),
l’écart-‐type
des
estimateurs
Sest
et
la
statistique
F
de
Fisher.
Le
R2
est
toujours
supérieur
à
0,50,
ce
qui
traduit
un
bon
ajustement
linéaire
de
chaque
modèle.
On
remarque
que
le
R2
augmente
avec
le
décile,
passant
de
0,58
dans
le
modèle
estimé
sur
le
premier
décile
à
0,94
dans
celui
estimé
sur
le
dernier
décile.
On
remarque
de
même
que
Sest
diminue
avec
le
décile,
ce
qui
suggère
que
la
précision
de
l’estimation
augmente
à
mesure
que
l’on
utilise
des
déciles
plus
élevés.
Enfin,
la
statistique
F
augmente
avec
le
décile,
le
test
de
Fisher
étant
toujours
très
significatif
avec
une
p-‐valeur
inférieure
à
1‰,
ce
qui
signifie
que
le
beta
des
actifs
considérés
est
toujours
significativement
différent
de
zéro
(comme
les
régressions
présentées
ici
sont
des
régressions
simples,
le
test
de
Fisher
se
ramène
au
test
de
Student
sur
β1).
Concernant
les
coefficients
estimés,
on
constate
effectivement
que
la
p-‐valeur
du
test
de
Student
sur
β1
est
inférieure
à
1‰
dans
les
quatre
modèles
présentés,
c’est-‐à-‐dire
que
β1
est
toujours
significativement
différent
de
zéro
à
ce
seuil.
Sa
valeur
est
supérieure
à
1
pour
les
portefeuilles
1,
3
et
6,
et
inférieure
à
1
(mais
proche)
pour
le
portefeuille
10.
La
constante
β0
en
revanche
n’est
jamais
significativement
différente
de
zéro.
2.
L’écriture
théorique
du
modèle
CAPM
pour
un
actif
A
est
:
PRAt
=
β.PRMt
L’écriture
économétrique
du
modèle
est
:
PRAt
=
β0
+
β1PRMt
+
εt,
où
le
paramètre
β1
correspond
au
β
du
modèle
théorique,
lequel
ne
comporte
pas
de
constante.
Pour
que
le
CAPM
théorique
soit
validé,
il
faut
donc
que
le
paramètre
β0
ne
soit
pas
significativement
différent
de
zéro,
et
que
le
paramètre
β1
soit
significativement
différent
de
zéro.
D’après
la
question
1,
ces
deux
conditions
sont
vérifiées
dans
chacun
des
quatre
modèles
estimés
ici.
3.
Plus
la
valeur
de
β1
est
élevée,
plus
le
titre
est
risqué.
Le
classement
demandé
est
donc
Portefeuille
3,
Portefeuille
6,
Portefeuille
1
et
Portefeuille
10.
4.
Cette
nouvelle
série
d’estimations
fait
appel,
pour
l’inférence,
aux
erreurs
standard
robustes
à
l’hétéroscédasticité
(variance
du
terme
d’erreur
non
constante).
La
formule
de
ces
erreurs
standard
robustes
est
due
à
White
(1980).
L’utilisation
de
cette
formule
permet
de
se
prémunir
du
risque
d’hétéroscédasticité,
phénomène
qui
vient
biaiser
les
erreurs
standard
et
rend
de
ce
fait
l’inférence
inexacte.
Les
résultats
empiriques
ne
sont
pas
affectés
par
l’utilisation
de
cette
formule
:
β1
reste
significativement
différent
de
zéro
au
seuil
de
à
1‰
dans
les
quatre
modèles.
La
constante
β0
n’est
jamais
significativement
différente
de
zéro,
là
aussi
comme
dans
les
estimations
précédentes.
Pour
vérifier
si
cette
seconde
estimation
était
nécessaire,
on
aurait
pu
recourir
à
un
test
d’
hétéroscédasticité
de
White
ou
de
Breusch-‐Pagan.
Pour
ces
deux
tests,
l’hypothèse
nulle
H0
est
toujours
l’homoscédasticité
(variance
constante
du
terme
d’erreur
du
modèle)
et
l’hypothèse
alternative
l’hétéroscédasticité.
5.
Le
R2
(ajusté)
est
maintenant
supérieur
à
0,92,
ce
qui
traduit
un
bon
ajustement
linéaire
de
chaque
modèle.
On
remarque
que
le
R2
augmente
avec
le
décile,
passant
de
0,92
dans
le
modèle
estimé
sur
le
premier
décile
à
0,99
dans
celui
estimé
sur
le
dernier
décile.
On
remarque
de
même
que
Sest
diminue
avec
le
décile,
ce
qui
suggère
que
la
précision
de
l’estimation
augmente
à
mesure
que
l’on
utilise
des
déciles
plus
élevés.
Enfin,
la
statistique
F
augmente
avec
le
décile,
le
test
de
Fisher
étant
toujours
très
significatif
avec
une
p-‐valeur
inférieure
à
1‰,
ce
qui
signifie
qu’au
moins
un
des
beta
(en-‐dehors
de
la
constante)
est
significativement
différent
de
zéro.
Concernant
les
coefficients
estimés,
on
constate
effectivement
que
la
p-‐valeur
du
test
de
Student
sur
β1
est
inférieure
à
1‰
dans
les
quatre
modèles
présentés,
c’est-‐à-‐dire
que
β1
est
toujours
significativement
différent
de
zéro
à
ce
seuil.
Sa
valeur
estimée
est
proche
de
1,
légèrement
supérieure
pour
les
portefeuilles
3
et
6,
et
légèrement
inférieure
à
1
pour
les
portefeuilles
1
et
10.
La
constante
β0
en
revanche
n’est
jamais
significativement
différente
de
zéro,
sauf
pour
le
portefeuille
10
où
son
coefficient
est
estimé
à
0,07.
Les
variables
additionnelles
smb
et
hml
sont
significativement
différentes
de
zéro,
avec
un
effet
parfois
positif,
parfois
négatif.
La
variable
umd
n’est
jamais
significative,
sauf
pour
le
portefeuille
3,
où
elle
est
significative
au
seuil
de
5%
avec
un
coefficient
estimé
négatif.
L’ajout
de
ces
variables
a
modifié
les
résultats
des
modèles
simples,
le
paramètre
β1
est
inférieur
à
1
dans
deux
sous-‐échantillons
(Portefeuille
1
et
Portefeuille
10)
au
lieu
d’un
seul,
et
même
quand
il
est
supérieur
à
1
(Portefeuille
3
et
Portefeuille
6),
il
est
plus
faible
en
valeur
absolue
que
le
coefficient
obtenu
avec
un
modèle
simple.
Exercice 2
1.
Ce
test
est
un
test
de
racine
unité
de
type
Dickey-‐Fuller
Augmenté.
Il
permet
de
tester
la
stationnarité
de
la
série
considérée
avec
pour
hypothèse
nulle
H0
«
non
stationnarité
»
et
pour
hypothèse
alternative
H1
«
stationnarité
».
Ce
type
de
test
est
toujours
unilatéral
à
gauche.
Ici,
la
p-‐valeur
est
inférieure
à
1‰,
on
peut
donc
rejeter
l’hypothèse
nulle
de
non-‐stationnarité.
On
conclut
donc
que
la
série
est
stationnaire,
ce
qui
permet
de
faire
des
prévisions
sur
la
base
de
modèles
autorégressifs
estimés
par
les
MCO.
2.
Le
BIC
est
le
critère
d’information
bayésien,
qui,
pour
un
modèle
AR(p),
dépend
du
nombre
de
retards
p.
Si
l’on
hésite
entre
plusieurs
valeurs
de
p
(et
donc
entre
plusieurs
AR(p)
avec
un
nombre
de
retards
différent),
on
peut
retenir
celle
qui
minimise
la
valeur
du
BIC(p).
Ici,
cette
valeur
est
minimale
pour
un
BIC(15),
et
il
convient
donc
de
préférer,
sur
la
base
de
ce
critère,
un
AR(15)
à
un
AR(30).
3.
Le
premier
test
est
un
test
de
White,
qui
permet
de
tester
pour
la
présence
d’hétéroscédasticité
(déformation
de
la
variance
du
terme
d’erreur
dans
le
temps)
dans
les
données
utilisées
pour
l’estimation.
L’hétéroscédasticité
affecte
les
erreurs
standard
des
paramètres
estimés
et
rend
ainsi
l’inférence
invalide.
L’hypothèse
nulle
H0
est
l’homoscédasticité
(variance
constante
du
terme
d’erreur
du
modèle)
et
l’hypothèse
alternative
l’hétéroscédasticité.
Ici,
le
test
conclut
à
la
présence
d’hétéroscédasticité,
car
sa
p-‐valeur
est
inférieure
à
5%
(l’hypothèse
nulle
d’homoscédasticité
est
donc
rejetée
au
seuil
de
5%).
Il
convient
donc
d’utiliser
la
formule
des
erreurs
standard
robustes
à
l’hétéroscédasticité
développée
par
White
(1980).
Le
second
test
est
un
test
de
Breusch-‐Godfrey,
qui
permet
de
tester
l’autocorrélation
du
terme
d’erreur
du
modèle
autorégressif.
Le
test
de
Breusch-‐Godfrey
est
valable
pour
tester
une
autocorrélation
d’ordre
supérieur
à
1,
même
dans
un
modèle
avec
composante
autorégressive.
L’hypothèse
nulle
H0
est
l’absence
d’autocorrélation
du
terme
d’erreur,
et
l’hypothèse
alternative
H1
est
la
présence
d’autocorrélation
de
l’erreur
(autocorrélation
non-‐nulle,
test
bilatéral).
L’autocorrélation
du
terme
d’erreur
induit
une
perte
d’efficacité
de
l’estimateur
des
MCO
(qui
n’est
plus
le
BLUE),
et
le
rend
invalide
si
les
régresseurs
incluent
un
ou
plusieurs
retards
de
la
variable
dépendante
(autrement
dit,
si
le
modèle
inclut
une
composante
autorégressive).
Ici,
on
ne
peut
pas
rejeter
l’hypothèse
nulle
(p-‐valeur
à
0,50)
et
on
conclut
à
l’absence
d’autocorrélation
du
terme
d’erreur.
4.
Il
faudrait
vérifier
que
l’ACF
et
la
PACF
de
la
variable
d’intérêt
décroissent
toutes
deux
exponentiellement
vers
0.
Parmi
les
variables
susceptibles
d’être
incluses
dans
un
modèle
ADL,
on
pourrait
imaginer
des
variables
mesurant
la
vitesse
et
la
direction
des
courants
marins,
des
mesures
du
vent
et
des
tempêtes,
ou
encore
une
mesure
de
la
consommation
de
plastique
des
pays
avoisinant.