Vous êtes sur la page 1sur 384

MODLISATION FINANCIRE

2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N Tous droits de reproduction, de traduction ou dadaptation rservs

PRESSES DE LUNIVERSIT DU QUBEC Le Delta I, 2875, boulevard Laurier, bureau 450 Sainte-Foy (Qubec) G1V 2M2 Tlphone : (418) 657-4399 Tlcopieur : (418) 657-2096 Courriel : puq@puq.uquebec.ca Internet : www.puq.uquebec.ca Distribution : CANADA et autres pays DISTRIBUTION DE LIVRES U NIVERS S . E . N . C . 845, rue Marie-Victorin, Saint-Nicolas (Qubec) G7A 3S8 Tlphone : (418) 831-7474 / 1-800-859-7474 Tlcopieur : (418) 831-4021 FRANCE DIFFUSION DE L DITION QUBCOISE 30, rue Gay-Lussac, 75005 Paris, France Tlphone : 33 1 43 54 49 02 Tlcopieur : 33 1 43 54 39 15 SUISSE

GM DIFFUSION SA
Rue dEtraz 2, CH-1027 Lonay, Suisse Tlphone : 021 803 26 26 Tlcopieur : 021 803 26 29

La Loi sur le droit dauteur interdit la reproduction des uvres sans autorisation des titulaires de droits. Or, la photocopie non autorise le photocopillage sest gnralise, provoquant une baisse des ventes de livres et compromettant la rdaction et la production de nouveaux ouvrages par des professionnels. Lobjet du logo apparaissant ci-contre est dalerter le lecteur sur la menace que reprsente pour lavenir de lcrit le dveloppement massif du photocopillage .

2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N Tous droits de reproduction, de traduction ou dadaptation rservs

MODLISATION FINANCIRE

Franois-ric Racicot Raymond Thoret

2001

Presses de lUniversit du Qubec


Le Delta I, 2875, boul. Laurier, bur. 450 Sainte-Foy (Qubec) Canada G1V 2M2

2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N Tous droits de reproduction, de traduction ou dadaptation rservs

Donnes de catalogage avant publication (Canada) Racicot, Franois-ric Trait dconomtrie financire : modlisation financire Comprend des rf. bibliogr. ISBN 2-7605-1123-5 1. Finances Modles conomtriques. 2. conomtrie. 3. Mathmatiques conomiques. 4. Modles linaires (Statistique). 5. Htroscdasticit. 6. Statistique mathmatique. I. Thoret, Raymond. II. Titre. HG106.R32 2001 332'.01'5195 C2001-940210-4

Nous reconnaissons laide financire du gouvernement du Canada par lentremise du Programme daide au dveloppement de lindustrie de ldition (PADI) pour nos activits ddition.

Mise en pages : INFO 1000 MOTS INC. Couverture : RICHARD HODGSON

1 2 3 4 5 6 7 8 9 PUQ 2001 9 8 7 6 5 4 3 2 1
Tous droits de reproduction, de traduction et dadaptation rservs 2001 Presses de lUniversit du Qubec Dpt lgal 2e trimestre 2001 Bibliothque nationale du Qubec / Bibliothque nationale du Canada Imprim au Canada

2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N Tous droits de reproduction, de traduction ou dadaptation rservs

Table des matires

vii

TABLE DES MATIRES

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chapitre 1 Rappels statistiques . . . . . . . . . . . . . . . . . . . . . .

1 5 5 8 8 9 11 17 18 18 27 38 40 41 42 44

1. Notion de variable alatoire . . . . . . . . . . . . . . . . . . . . . . . . 2. Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1. Mesure de la tendance centrale dune variable alatoire . . . . . . . . . . . . . . . . . . . . . . . . 2.2. Mesures de dispersion dune variable alatoire . . . . . 2.3. Mesure du degr dasymtrie et daplatissement dune distribution empirique . . . . . . . . . . . . . . . . . . . 2.4. Test de Kolmogorov-Smirnov (K-S) . . . . . . . . . . . . . 3. Modles probabilistes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1. Lois de probabilit discrtes univaries . . . . . . . . . . . 3.2. Lois de probabilit continues univaries et concepts bivaris . . . . . . . . . . . . . . . . . . . . . . . . . . . 4. Notions dindpendance, de densit jointe et de densit marginale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. Probabilits conditionnelles et densits conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . 6. Thorme central limite (cas univari) . . . . . . . . . . . . . . . . 7. La loi normale multivarie . . . . . . . . . . . . . . . . . . . . . . . . . 8. Estimation de la moyenne et de la variance dans un modle simple . . . . . . . . . . . . . . . . . . . . . . . . . . . .

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

viii

Trait dconomtrie financire

9. Thorme de Gauss-Markov . . . . . . . . . . . . . . . . . . . . . . . 10. La mthode destimation du maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11. Tests dhypothses et intervalles de confiance . . . . . . . . . . 12. Applications numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . Annexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Chapitre 2 1. 2. 3. 4. 5. Le modle linaire deux variables . . . . . . . .

46 47 51 60 67 69 69 71 73 78 79 79 81 82 89 97 97

Spcification du modle deux variables et proprits des erreurs rsiduelles . . . . . . . . . . . . . . . . . . Estimateur des MCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Proprits des MCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tests dhypothses et intervalles de confiance . . . . . . . . . . Prvision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1. Prvision de E(y0) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Prvision de y0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mesures du degr dajustement . . . . . . . . . . . . . . . . . . . . . . Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le modle linaire gnral . . . . . . . . . . . . . . . .

6. 7.

Chapitre 3 1. 2. 3. 4. 5. 6. 1. 2. 3.

Formulation matricielle et hypothses de base . . . . . . . . . .

Proprits de lestimateur des MCO . . . . . . . . . . . . . . . . . . 102 Hypothses sur les erreurs et consquences . . . . . . . . . . . . 104 Tests dhypothses et intervalles de confiance . . . . . . . . . . 105 Prvision dans le modle linaire gnral . . . . . . . . . . . . . . 114 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Oprations matricielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Matrices carres importantes . . . . . . . . . . . . . . . . . . . . . . . 119 Des matrices importantes : la matrice variance-covariance dun portefeuille de titres et la covariance entre deux portefeuilles . . . . . . . . 126 Quelques applications du calcul matriciel en finance . . . . . 129

Annexe : Rappels de calcul matriciel . . . . . . . . . . . . . . . . . . . . . . 117

4.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Table des matires

ix

Chapitre 4 1. 2.

Variations sur les modles linaire et non linaire : Partie I . . . . . . . . . . . . . . . . . . . 143

Erreurs de spcification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 Tests relis aux erreurs de spcification . . . . . . . . . . . . . . . 146 2.1. Test sur la forme logarithmique . . . . . . . . . . . . . . . . . 146 2.2. La transformation de Box-Cox . . . . . . . . . . . . . . . . . . 147 Mthodes des moindres carrs non linaires et transformation Box-Cox . . . . . . . . . . . . . . . . . . . . . . . . . 149 Critres de slection des variables explicatives . . . . . . . . . . 156 Variables auxiliaires et modlisation des changements structurels . . . . . . . . . . . . . . . . . . . . . . . . 159 Variations sur les modles linaire et non linaire : Partie II . . . . . . . . . . . . . . . . . . 169

3. 4. 5.

Chapitre 5 1.

Thorie asymptotique : convergence, tests asymptotiques et variables instrumentales . . . . . . . . . 169 1.1 Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 1.2. Tests asymptotiques : LR, LM et Wald . . . . . . . . . . . 173 Problmes au chapitre des variables explicatives : multicollinarit et endognit des variables explicatives . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 Les mthodes numriques en conomtrie : une introduction . . . . . . . . . . . . . . . . . . . . . . . . . 185

2.

Chapitre 6 1. 2. 3.

Simulation de Monte Carlo : le cas dune option asiatique . . . . . . . . . . . . . . . . . . . . . . . . 185 La mthode du bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . 193 Rgression non paramtrique : une simulation Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . 196 Lhtroscdasticit . . . . . . . . . . . . . . . . . . . . . . 201

Chapitre 7 1. 2. 3.

Proprits de lestimateur des MCO lorsque les erreurs sont htroscdastiques . . . . . . . . . . . . 201 Lestimateur des moindres carrs gnraliss : MCG . . . . . 205 Matrice de White pour lhtroscdasticit . . . . . . . . . . . . 207

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

x 4.

Trait dconomtrie financire

Tests dhtroscdasticit . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Test de Goldgeld et Quandt (1965) . . . . . . . . . . . . . . 4.2. Test de Breusch-Pagan (1979) . . . . . . . . . . . . . . . . . . 4.3. Test de White (1980) . . . . . . . . . . . . . . . . . . . . . . . . . .

208 208 209 211

5. 6.

Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 Note sur linfrence statistique en prsence dhtroscdasticit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214 Lautocorrlation des erreurs rsiduelles . . . . 215

Chapitre 8 1. 2. 3. 4. 5.

Proprits de lestimateur des MCO lorsque les rsidus sont autocorrls . . . . . . . . . . . . . . . . . . 215 Correction du modle original lorsque nest pas connu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222 Tests dautocorrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224 Prvision dans le modle linaire avec erreur de la forme AR(1) . . . . . . . . . . . . . . . . . . . . . . . 226 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227 Les sries temporelles . . . . . . . . . . . . . . . . . . . . 229

Chapitre 9

1. Processus stochastiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 1.1. Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230 1.2. Processus autorgressifs stationnaires : reprsentation et estimation . . . . . . . . . . . . . . . . . . . . 230 2. Estimation du processus autorgressif AR(p) . . . . . . . . . . . 232 3. Fonction dautocorrlation partielle (PACF) . . . . . . . . . . . 234 3. Processus de moyennes mobiles : MA(q) . . . . . . . . . . . . . . 236 4. Estimation dun MA(q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239 5. Modles ARMA (p, q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240 6. Introduction aux processus stochastiques non stationnaires : modles ARIMA (p, d, q) . . . . . . . . . . . 242 7. La mthode de Box et Jenkins . . . . . . . . . . . . . . . . . . . . . . . 243 8. Autres critres de slection pour les modles ARMA . . . . . 246 9. Prvisions laide de modles statistiques de sries chronologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Table des matires

xi

10. valuation de la prcision des prvisions . . . . . . . . . . . . . . 249 11. Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250 12. Processus stochastiques non stationnaires . . . . . . . . . . . . . 258 13. Modles de tendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260 14. Racines unitaires et rgressions fallacieuses . . . . . . . . . . . . 263 15. Tests de racine unitaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265 16. Cointgration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268 Chapitre 10 Lhtroscdasticit conditionnelle (ARCH) . 273 1. Notions desprances conditionnelle et non conditionnelle ; notions de variance conditionnelle et non conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273 Lhtroscdasticit conditionnelle et les faits . . . . . . . . . . 275 Le modle ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276 Estimation du modle ARCH . . . . . . . . . . . . . . . . . . . . . . . 278 Gnralisation du modle ARCH . . . . . . . . . . . . . . . . . . . . 5.1. Le modle ARCH(q) . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Le modle ARCH-M . . . . . . . . . . . . . . . . . . . . . . . . . 5.3. Le modle EGARCH . . . . . . . . . . . . . . . . . . . . . . . . . 5.4. Le modle TARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5. Prvision partir du modle GARCH . . . . . . . . . . . . 5.6. Test ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Une digression : la thorie de lAPT . . . . . . . . . . . . . . . . . . 6.1. Le principe de larbitrage . . . . . . . . . . . . . . . . . . . . . . 6.2. LAPT : aperu gnral . . . . . . . . . . . . . . . . . . . . . . . . 6.3. Drivation du modle de lAPT . . . . . . . . . . . . . . . . . 6.4. Tests de lAPT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280 280 282 283 284 284 286 308 308 314 315 322

2. 3. 4. 5.

6.

Chapitre 11 La mthode des moments gnraliss . . . . . . 325 1. 2. 3. Introduction la mthode des moments . . . . . . . . . . . . . . . 325 La mthode des moments et les MCO . . . . . . . . . . . . . . . . 328 La mthode des moments et lestimateur des variables instrumentales . . . . . . . . . . . . . . . . . . . . . . . . 329

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

xii 4. 5. 6.

Trait dconomtrie financire

GMM et conditions dorthogonalit . . . . . . . . . . . . . . . . . . 332 Maximum de vraisemblance et GMM . . . . . . . . . . . . . . . . 333 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335

Annexe Tables statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . 353 A1. Rpartition de la loi normale centre rduite . . . . . . . . . . . 354 A2. Rpartition du t de Student . . . . . . . . . . . . . . . . . . . . . . . . . 355 A3. Rpartition du
2

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356

A4. Rpartition du F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 358 A5. Statistique de Durbin et Watson au seuil de 5 % . . . . . . . . 362 Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Introduction

INTRODUCTION

Jusquau dbut des annes 1980, lconomtrie sest dveloppe un rythme relativement lent. Elle avait beaucoup de mal se librer du paradigme statistique classique. Mais avec la pousse fulgurante de linformatique, lconomtrie a connu un essor fort apprciable ces vingt dernires annes. Que lon pense simplement la multiplication effrne des modles conomtriques non linaires, des modles de volatilit et des nouvelles techniques destimation comme le GMM ou la mthode des moments simuls, pour ne nommer que quelques nouveaux champs de lconomtrie contemporaine. Mais ce qui est encore plus saisissant, cest lavance au pas de charge de lconomtrie dans le domaine de la thorie financire. En effet, la thorie des produits drivs, qui prend sa source au dbut des annes 1970, fait de plus en plus appel aux modles conomtriques de volatilit, tels les modles GARCH, et la mthode du GMM pour estimer les paramtres des quations diffrentielles stochastiques qui servent la dtermination des prix des options, entres autres. Lconomtrie a galement permis au modle du CAPM, bien connu en thorie financire, de saffranchir de son cadre statique. On peut maintenant parler de btas variables dans le temps et la transposition de lapproche GARCH au CAPM a permis de le situer dans un cadre multivari. La finance corporative emprunte galement de plus en plus lconomtrie. Ainsi, lanalyse des investissements des entreprises dans un contexte dincertitude donne lieu la formulation dquations diffrentielles stochastiques dont lestimation des paramtres exige le recours lconomtrie, entre autres la mthode conomtrique du GMM.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

Trait dconomtrie financire

Lincursion de lconomtrie dans le domaine de la finance a donn lieu lapparition dune nouvelle discipline : lconomtrie financire. Lconomtre financier, en plus de matriser lconomtrie moderne, doit disposer de bases solides en thorie financire de faon pouvoir oprer une symbiose des deux disciplines que sont lconomtrie et la finance. La formation de lconomtre financier est donc trs exigeante. Le prsent Trait dconomtrie financire sattaque cette discipline complexe en visant exposer au lecteur les fondements de lconomtrie financire. Les applications des mthodes conomtriques prsentes dans notre Trait seront donc tires de la thorie financire moderne. Il nexiste pas notre avis de manuel rdig en franais qui se soit donn notre objectif. Du fait de limportance de plus en plus grande de la finance empirique, notre Trait vient combler une grave lacune qui existe encore aujourdhui au sein des outils pdagogiques la disposition des tudiants de la finance et de lconomie financire. Il vise la clientle des tudiants de troisime anne du baccalaurat spcialis en finance ou en conomie financire et des tudiants des divers programmes de MBA, de matrise en finance applique ou de DESS en finance. Il sadresse galement au spcialiste de la finance analyste financier, gestionnaire de portefeuille, ingnieur financier qui souhaite effectuer un tour dhorizon complet et rigoureux de lconomtrie financire moderne. Tout en se voulant une introduction lconomtrie financire moderne, notre Trait dconomtrie financire vise galement approfondir certains domaines-clefs de cette discipline, parfois jugs complexes par ltudiant, comme les modles GARCH et le GMM. Dans son souci de rigueur, notre Trait fournit trs souvent au lecteur les preuves des diverses formules qui y apparaissent. Dans son souci pdagogique, notre Trait renferme galement des chapitres ou sections consacrs des rappels de la statistique ou du calcul matriciel. Voici un bref survol de notre Trait dconomtrie financire. Le chapitre 1 porte sur des rappels de notions statistiques de base qui sont utilises par la suite dans notre manuel. On y expose, entre autres, une version toffe de la mthode destimation du maximum de vraisemblance. Les chapitres 2 et 3 sont les chapitres classiques de tout manuel dconomtrie. Ils prsentent le modle linaire deux

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Introduction

variables et le modle linaire gnral. Les chapitres 4 et 5 ont trait des variations sur les modles linaire et non linaire. Y sont prsents, entre autres : le modle des moindres carrs non linaires et le modle Box-Cox ; les tests J et RESET ; le test de Chow ; une introduction la thorie asymptotique ; les tests LM, LR et de Wald ; une introduction la thorie des variables instrumentales et au phnomne de la multicollinarit. Le chapitre 6 se penche sur les mthodes numriques utilises en conomtrie. On y aborde la simulation de Monte Carlo, la technique dite du bootstrapping et celle du kernel. On y montre incidemment comment valuer le prix dune option asiatique partir dune simulation de Monte Carlo. Les chapitres 7 et 8 sattardent aux problmes conomtriques classiques de lhtroscdasticit et de lautocorrlation des erreurs rsiduelles. Le chapitre 9 concerne la thorie conomtrique des sries temporelles. Y font figure les processus stochastiques, les modles ARMA et ARIMA, les prvisions laide de sries chronologiques, les tests de racines unitaires et le phnomne de la cointgration. Le chapitre 10 dirige son collimateur sur un problme statistique important dans le domaine des sries financires : lhtroscdasticit conditionnelle. Une attention particulire est accorde aux modles ARCH, ARCH-M, GARCH, EGARCH et TARCH. La prvision des sries chronologiques dans un contexte dhtroscdasticit conditionnelle y est tudie. Finalement, les applications que contient ce chapitre concernent le modle financier du CAPM. On y montre entres autres comment estimer le modle du CAPM dans le cadre dun modle GARCH multivari. Finalement, le chapitre 11 sattaque la mthode des moments gnraliss, dont lacronyme est : GMM. Nous y dmontrons comment cette technique destimation intgre les modles classiques destimation : modle des moindres carrs linaires, des doubles moindres carrs et du maximum de vraisemblance. Comme application de la mthode du GMM, nous estimons les paramtres du modle stochastique de taux dintrt de Schaefer et Schwartz dans un contexte canadien.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

Trait dconomtrie financire

Lconomtrie financire est une discipline captivante. en juger par lvolution acclre quelle connat depuis vingt ans, elle est appele un brillant avenir. Nous esprons que le lecteur partagera, au fil de la lecture des chapitres de notre Trait dconomtrie financire, notre trs vif intrt pour cette nouvelle discipline.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Introduction

CHAPITRE

1
RAPPELS STATISTIQUES1

Ce chapitre vise prsenter les principaux outils probabilistes et statistiques qui sont essentiels la comprhension de ce Trait dconomtrie financire. Nous prsentons dans un premier temps les notions de variables alatoires et de modles probabilistes en temps discret et continu. Les modles probabilistes regroupent les principales lois de probabilit en temps discret, soit les distributions binmiale et de Poisson, et les lois de probabilit en temps continu, soit les lois normales univarie et bivarie, le chi-carr, le t de Student, le F de Fisher, la loi uniforme. Dans un second temps, nous nous penchons sur les moments de certaines distributions et sur le thorme central limite. Lestimation de certains de ces moments, entre autres par la mthode des moindres carrs ordinaires et celle du maximum de vraisemblance, est aborde. Leurs intervalles de confiance sont calculs.

1. NOTION

DE VARIABLE ALATOIRE

Il existe deux dfinitions pour une variable alatoire, lune heuristique, lautre base sur la thorie de la mesure. Selon la dfintion
1. Les rfrences des chapitres 1 et 2 sont les suivantes : Amemiya, T. (1994), Introduction to Statistics and Econometrics, Harvard University Press, Cambridge, Massachusetts ; Baillargeon, G. et J. Rainville (1979), Statistique applique, tomes 1 et 2, 5e dition, ditions SMG, Trois-Rivires ; Judge, G.G. et al. (1988), Introduction to the Theory and Practice of Econometrics, 2e dition, Wiley, New York ; Kendalls Advanced Theory of Statistics (1999), Arnold, London ; Rao, C.R. (1973), Linear Statistical Inference and Its Applications, 2e dition, John Wiley and Sons, New York.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

Trait dconomtrie financire

heuristique, une variable alatoire est une variable qui prend des valeurs suivant une certaine fonction de distribution2. Dans sa version formelle, une fonction valeur relle X(.) dfinie sur lespace ( , , P) est appele variable alatoire (ou mesurable dans le langage de la thorie de la mesure) si lensemble { : X( ) < x } pour tout x dans o le triplet ( , , P) est appel espace probabiliste, tant dfini comme lespace chantillonnal et tant lensemble de Borel. Un ensemble de Borel est une famille de sous-ensembles contenant tous les vnements de la droite des rels pour lesquels on peut calculer une probabilit de ralisation. Formellement, on appelle aussi une -algbre. Pour sa part, P est une mesure de probabilit sur . Donc, on peut voir la fonction X(.) comme une application de : x 3. On distingue les variables alatoires continues et discrtes. Par exemple, les ralisations de lindice S&Ps 500 aux tats-Unis et du TSE 300 au Canada font partie des variables alatoires continues, car elles peuvent prendre nimporte quelle valeur dans lensemble des rels. Les variables dichotomiques font partie de lensemble des variables alatoires discrtes. Par exemple, mettre ou ne pas mettre un dividende est un exemple de variable dichotomique. On donnerait la valeur 1 lorsquil y a mission de dividende et 0 autrement. On distingue galement les variables dterministes des variables alatoires. Une variable y*t = f ( x t ) , o xt est connu et parfaitement contrl, est dite dterministe et donc parfaitement prvisible. Par exemple, si f ( x t ) = mx t + b , alors y * t = mx t + b . On peut illustrer cette relation par la figure 1.1. On observe sur cette figure que pour une valeur donne de x, la valeur de y est automatiquement dtermine. Connaissant la valeur de x, on peut donc prvoir parfaitement la valeur de y. Il existe des formes beaucoup plus complexes de variables dterministes. Par exemple, dans la thorie du chaos dterministe, les formes fonctionnelles sont de nature hautement non linaire, mais elles nous amnent

2. La notion de fonction de distribution sera dfinie ultrieurement. 3. Pour des dtails additionnels, voir : Rao, C. (1973), Linear Statistical Inference and Its Applications, John Wiley and Sons, New York.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

la prvision exacte de certains phnomnes physiques4. Tel nest pas le cas pour une variable alatoire. Une variable dfinie comme : y t = f ( x t ) + e t , o et est une variable alatoire IID5(0, 2) yt tant la somme dune fonction non stochastique et dune composante alatoire (stochastique) est donc une variable alatoire. FIGURE 1.1

yt*

xt

La figure 1.2 reprsente la fonction : y t = b + mx t + e t yt peut prendre plusieurs valeurs pour une valeur donne de xt. Ceci est d la prsence du terme alatoire et dans la fonction de yt. yt ntant plus prvisible parfaitement, mais seulement lintrieur dun intervalle de confiance, il sagit donc dune variable alatoire.

4. Les exemples classiques de fonctions de variables dterministes en physique sont : la tent map, la logistic map et le modle du chaos dterministe de Makey et Glass (1977) qui a servi, entre autres, modliser la reproduction des cellules rouges du sang. ce sujet, on consultera galement : Racicot, F.E. (2000), Notes on Nonlinear Dynamics, document de travail, CRG, 16-2000, ESG, UQAM. 5. IID pour identiquement et indpendamment distribu .

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

Trait dconomtrie financire

FIGURE 1.2
yt

X X X

xt

2. STATISTIQUES

DESCRIPTIVES

une variable alatoire donne sont associes plusieurs statistiques descriptives. Dans ce qui suit, nous analysons les plus utilises en finance empirique.

2.1. Mesure de la tendance centrale dune variable alatoire


Soit une variable alatoire X et ses ralisations xi {x1, , xT}. Alors la moyenne des ralisations se dfinit comme suit :

x=

xi
i =1

Supposons maintenant que lon ait plusieurs variables alatoires : Xi {X1, , XT} o les Xi ~ IID (m, 2), o m est la moyenne de la

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

population et s2, sa variance. Alors lestimateur X est dit sans biais si

E X =

( )

E( X i )
i =1

T T

= . Le biais de X se dfinit comme suit :


biais(X) = E X

( )

Dautres mesures de la tendance centrale sont la mdiane et le mode. La mdiane se dfinit comme tant la valeur qui spare lchantillon en deux. Si le nombre dobservations est impair, la mdiane est gale : . Pour sa part, le mode est la valeur la plus frquente 2 observe dans un chantillon. Soulignons que la mdiane fait figure destimateur robuste de la tendance centrale en ce sens quelle ne dpend pas de la normalit dune distribution, contrairement la moyenne qui, elle, dpend de cette hypothse. En effet, si la distribution chantillonnale diffre de la normale, la moyenne est alors un mauvais estimateur de la tendance centrale, ce qui nest pas le cas de la mdiane.

N +1

2.2. Mesures de dispersion dune variable alatoire


Nous voulons calculer la variance chantillonnale, mesure de dispersion de cet chantillon, dsigne par s2. Pour les ralisations xi de X, celle-ci est gale :

T 1 Supposons, comme dans le cas prcdent, que lon ait plusieurs variables alatoires : Xi {X1, , XT} o les Xi ~ IID ( , 2), o est la moyenne de la population et s2, sa variance. Alors lestimateur S2 est

s2 =

(x i x)
i =1

dit sans biais si : S 2 =

(Xi X)
i =1

T 1

et E S 2 = 2 .6

( )

6. La preuve de cette formule est donne lannexe de ce chapitre.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

10

Trait dconomtrie financire

Lcart-type est dsign par s 2 . Intuitivement, s2 peut tre vu comme une moyenne dcarts par rapport la moyenne au carr, le carr liminant les signes ngatifs de cette moyenne. Cette statistique nous donne ltendue dune distribution. Pour un petit cart-type, les observations seront concentres autour de la moyenne alors que dans le cas dun grand cart-type, elles seront plus disperses. Les figures 1.3 et 1.4 illustrent les distributions empiriques associes un petit cart-type et un grand cart-type. FIGURE 1.3
Nombre dobservations

FIGURE 1.4
Nombre dobservations

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

11

Une autre mesure de la variabilit des ralisations dune variable alatoire est le coefficient de variation, dsign par CV. Il se dfinit comme suit pour la variable X :

CV =

sX x

100

Si lon veut comparer la variabilit des ralisations de deux variables alatoires X et Y, on recourt au CV de chacune de ces variables pour pallier le problme de lchelle des mesures. En effet, supposons que sX soit gal 3,6 et sY , 631,4, on pourrait tre port croire que Y est plus variable que X, la variabilit tant mesure par lcart-type. Tel nest pas le cas puisquil y a ici un problme dunit de mesure : la variable X est mesure en pourcentage (p. ex., le taux dintrt) et la variable Y, en dollars (p. ex., le volume des transactions boursires). On peut remdier ce problme en dgonflant sX et sY par leur x moyenne respective : est gal 8,8 et y 2915,3. Les coefficients respectifs de variation pour X et Y sont de 0,409 et de 0,217. On ralise donc aprs coup que X est plus variable que Y sur la base du coefficient de variation mme si, a priori, on concluait linverse. Comme autre exemple, on peut noter que les variables mesures en millions de dollars sont plus volatiles en termes absolus que celles mesures en units de dollars, ce qui nest pas le cas sur une base relative, qui sobtient en divisant ces variables par leur moyenne respective.

2.3. Mesure du degr dasymtrie et daplatissement dune distribution empirique


2.3.1. Le coefficient dasymtrie (skewness) Ce coefficient mesure le degr dasymtrie dune distribution. Il se dfinit comme suit :
E g(X ) =

] g ( x ) f ( x ) dx

o E(.) est lesprance et V(.), la variance. E, dans les petits chantillons, est estim par la moyenne arithmtique des ralisations de la variable alatoire :

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

12

Trait dconomtrie financire

3 E ( X )

(x i x)
i =1

= 3

est estim par x.

Par ailleurs, on estime 2 par 2 =

(x i x)
i =1

= 0 , alors la distribution est symtrique, linstar de la 3 normale, qui apparat la figure 1.5.
Si FIGURE 1.5

Notons que dans le cas dune distribution normale, tous les moments impairs sont nuls.

> 0 , alors la densit de la distribution est concentre vers 3 la droite, comme le montre la figure 1.6.
Si

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

13

FIGURE 1.6

< 0 , alors la densit de la distribution est concentre vers 3 la gauche, comme le montre la figure 1.7.
Si FIGURE 1.7

Lintuition ici est que lon compare les moments empiriques de nos donnes aux moments thoriques dune distribution qui est la distribution normale.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

14

Trait dconomtrie financire

2.3.2. Le coefficient daplatissement (Kurtosis) Comme son nom lindique, le coefficient daplatissement dune distribution mesure son degr daplatissement. Il est associ lpaisseur des queues (tails) de la distribution. On le dfinit comme suit :
4 4 E ( X )4
2

] = E[ ( X ) ] ( V ( X )) ( )
4 2 2

Dans la pratique on estime ce coefficient de la faon suivante. Lesprance E est estime par la moyenne chantillonnale, cest-dire :

4 E ( X )

(x i x)
i =1

= 4

et Si

sont estims comme ci-devant.

= 3 , il ny a pas de biais leptocurtique. On dit alors que la 4 distribution est msocurtique comme cest le cas pour la distribution normale qui sert de point de rfrence. Par ailleurs, si 4 > 3 , on est 4 confront au cas dune distribution leptocurtique. Plus communment, on dit quune telle distribution prsente des queues paisses, toujours en rapport avec les extrmits dune distribution normale, comme on peut le constater la figure 1.8. < 3 , on parle alors de distribution platicur4 tique. Plus communment, on dit quune telle distribution prsente des queues minces (thin tails), toujours en rapport avec les extrmits dune distribution normale, comme on peut le constater la figure 1.9.
Finalement, si

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

15

FIGURE 1.8

Normale (msocurtique) Leptocurtique (queues paisses)

FIGURE 1.9

Normale

Platicurtique (queues minces)

Si les coefficients estims dasymtrie et daplatissement sont respectivement prs de 0 et de 3 pour une distribution donne, on pourrait conclure quon est en prsence dune distribution gaussienne (normale). Certains logiciels trs connus comme EViews, SAS et RATS sont dj prprogramms pour le calcul de ces coefficients.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

16

Trait dconomtrie financire

Comme cest toujours le cas en statistique, un seul coup dil graphique ne suffit pas mesurer les dviations de ces coefficients par rapport la normale. Comme laccoutume, il faut dvelopper un test pour juger du caractre significatif de ces dviations. Le test de Jarque et Bera (1984) est conu cette fin. Ce test est dfini sur la somme des coefficients dasymtrie et daplatissement levs au carr. Plus prcisment, le test de Jarque et Bera est bas sur la statistique suivante :

JB =

TK 2 1 2a 2 AS + ( KUR 3) ~ ( 2) 6 4

o AS est le coefficient dasymtrie et KUR, le coefficient de kurtosis. Le test dhypothses est le suivant. Lhypothse nulle H0 est que la distribution est normale alors que lhypothse alternative H1 est que la distribution nest pas normale. La rgle consiste rejeter H0 si JB est plus grand que 2 avec deux degrs de libert au seuil de signification habituel de 5 % ou si la p-value associe la statistique JB est infrieure 0,05. Une mise en garde vis--vis lutilisation de ce test simpose cependant. Ce test est asymptotique comme lindique le a symbole ~ dans la formule de JB. Ce test nest donc pas exact parce que lon ne connat pas la distribution de JB dans de petits chantillons. On ne connat sa distribution que dans les grands chantillons7. On peut effectuer directement ce test de normalit dans le logiciel EViews.

7. Si lon rgressait les y sur X, on obtiendrait le vecteur e = y X . Pour tester la normalit des erreurs rsiduelles, on calcule les inputs de la formule de JB
comme suit : 3 = i e3 ;
4

T T T gorie des tests LM. Notons que lon pourrait aussi le voir comme un test de Wald.

i e i4 ; 2 = e 2 . Ce test fait partie de la cat

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

17

2.4. Test de Kolmogorov-Smirnov8 (K-S)


Ce test est utilis pour comparer une distribution empirique une distribution donne. Ce test peut notamment servir de test de normalit. La statistique relie au test de K-S, dsigne par D, se calcule comme suit :
D = max S N ( x ) P ( x )
< x <

o SN(x) est un chantillon de donnes et P(x) est une cdf9 connue. La reprsentation graphique des variables du test apparat la figure 1.10. FIGURE 1.10

cumulative probability distribution

D Sn(x)

P (x)

x x

8. Cette section sinspire du livre suivant : Press, W.H. et al. (1989), Numerical Recipes : The Art of Scientific Computing (FORTRAN Version), Cambridge University Press, Cambridge (reproduit avec la permission de lditeur). 9. cdf est labrviation de cumulative distribution function.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

18

Trait dconomtrie financire

Sur cette figure, D est la statistique de K-S. La distribution empirique des valeurs de x, soit le graphique de SN(x), est compare une distribution thorique o la densit de probabilit cumule est reprsente par P(x). SN(x) est une fonction par paliers qui augmente dun montant identique pour chaque observation mesure. La valeur de D reprsente la plus grande distance entre ces deux distributions cumules, soit SN(x) et P(x). Pour le cas o il y a deux fonctions de distribution cumulatives dobservations diffrentes, SN1(x) et SN2(x), la statistique K-S scrit :

D = max S N 1 ( x ) S N 2 ( x )
< x <

Les hypothses tester sont les suivantes. H0 : les deux distributions sont identiques ; H1 : les deux distributions sont diffrentes. Pour ce faire, il faut calculer le caractre significatif de D (p-value), cest--dire : Prob (D > valeur observe) = Q K S

Q K S ( ) = 2

( 1)
j=1

ND , o

j1

e 2 j et o Q K S ( 0 ) = 1 et Q K S ( ) = 0 . N
2 2

reprsente le nombre dobservations. Dans le cas o lon compare deux distributions, le niveau de signification se calcule comme suit : Prob (D > valeur observe) =

N1N 2 Q K S D . remarquer que ce test est asympototique N1 + N 2 mais en pratique, on peut considrer que N = 20 est un seuil tolrable, dautant plus si le degr de conservatisme est important (seuil de signification de 0,01 ou moins).

3. MODLES

PROBABILISTES

3.1. Lois de probabilit discrtes univaries


3.1.1. La fonction de distribution et de rpartition Rappelons dabord les statistiques descriptives associes aux lois de probabilit discrtes univaries. La distribution dune variable alatoire discrte qui rend compte de ses probabilits de ralisation peut tre reprsente par la figure en btonnets 1.11.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

19

FIGURE 1.11

Distribution discrte de X

f(x) = p(X = x)

f(x3) f(x2)

f(x1)

x1

x2

x3

La probabilit que X soit plus petit ou gal x est reprsente par :

P( X x ) = F ( x ) =

Xx

f ( x ) , o F(.) est la fonction de rpartition (pro-

babilit cumulative). La reprsentation de la probabilit cumulative apparat la figure 1.12. Notons sur cette figure que les probabilits se cumulent mesure que les xi augmentent puisque la fonction F(xi) est la probabilit de ralisation jusqu xi. Par exemple F(x3) = f ( x 1 ) + f ( x 2 ) + f ( x 3 ) = 1. Voici quelques proprits de ces distributions. i)

F( ) =

f ( x i ) = 1 ; F ( ) = 0
i =1

ii) Si x > y, F ( x ) F ( y ) iii) P x i X x j = F x j F ( x i 1 ) . Par exemple, P( x 2 X x 4 ) = F ( x 4 ) F ( x 1 )

) ( )

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

20

Trait dconomtrie financire

iv) P ( x i < X ) = 1 P ( X x i ) v) P( x i X x i ) = f ( x i ) Fonction de rpartition

FIGURE 1.12
F (x)

F(x3) = 1

F(x1)

x1

x2 x3

F (x2)

3.1.2. Esprance et variance en discret Lesprance Lesprance mathmatique pour une variable alatoire discrte se dfinit comme suit :
E( X ) =

f ( x i ) x i o f(x i ) = P( X = x i )
i

Plus gnralement, E g ( X ) =

] g ( x ) f ( x ). Par exemple, dans


i i i

le cas prcdent : g(xi) = xi. Lesprance mathmatique est donc la

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

21

moyenne pondre des ralisations de la variable alatoire X sur la population, les facteurs de pondration tant les probabilits respectives de ces ralisations. Les proprits de loprateur esprance sont les suivantes : i) Pour n variables alatoires X1, X2, ..., Xn,
n n E ci X i = c i E ( X i ) o ci est une constante. i =1 i =1 Par exemple, E ( c1 X 1 + c 2 X 2 ) = c1 E ( X 1 ) + c 2 E ( X 2 ) .

Par ailleurs, la moyenne dune suite de variables alatoires X1, X 2 , ..., X n , o X i ~ NID 10

(, ) ,
2

est de : X =

Xi
i

E X =

( )

E( X i )
i

n n

= .

La variance La variance dune variable alatoire discrte se dfinit comme suit.


2 V ( X ) = E X E( X ) =

f ( x i )( x i E ( X ) )
i

f (x i )
i

x 2 E( X ) i

= E X 2 E( X )

( ) [
[

Plus gnralement, la variance scrit : E g ( X ) = o g ( x i ) = x i E ( X ) .


2

] g(x ) f (x )
i i i

Les proprits de loprateur variance sont les suivantes :

10. NID : variables normales indpendamment distribues.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

22

Trait dconomtrie financire

Pour n variables alatoires X1, X2, ..., Xn, on a : i)


V

c i X i = c i2 V ( X i ) + 2 c i c j cov ( X i , X j )
i i i j

i j

o les ci sont des constantes. ii) Si c est une constante V ( c ) = 0 iii) V ( a cX ) = c 2 V ( X ) o a et c sont des constantes. Par exemple, supposons que X i ~ NID , 2 . Alors, V X = V

( )

Xi V(Xi ) 2
i

n2

n2

n n2

2 =

2 n

3.1.3. Distribution binmiale La loi binmiale se dfinit comme suit : b ( i ; n , p ) = P ( X = i ) = C n p i (1 p ) i


n i

, i = 0,..., n, o 0 < p < 1

n! n . Cette fonction permet de calculer la et o C n = = i i i!( n i )! probabilit associe i succs parmi n expriences. La distribution binmiale sert entre autres modliser des expriences du type succschec, chaque exprience tant indpendante lune de lautre. Lexemple classique de ce type dexprience est le lancer rpt dune pice de monnaie. Cest le jeu communment appel pile ou face. Si on la lance 3 fois, alors la probabilit davoir pile deux fois est de :
1 1 P ( X = 2) = 1 2! (3 2)! 2 2 3!
2 3 2

3 8

o p, soit la probabilit

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

23

davoir pile, est gale . Il est noter que lon pourrait galement utiliser cette formule pour calculer la probabilit davoir au moins i succs parmi n expriences. La distribution binmiale prsente les proprits suivantes. Son esprance E ( X ) = np . Sa variance est de : V ( X ) = np (1 p ) . Voici maintenant un exemple dutilisation de la loi binmiale en finance, soit celui de lvaluation dune option europenne11. Cet exemple est celui du modle binmial de Cox, Ross et Rubinstein (1979). Considrons dabord lvaluation dune option dachat. En vertu de la loi binmiale, la prime de cette option svalue par la formule suivante :

c = e rt E * Max (S t X , 0 ) = e rt

i p i (1 p )
i =0

i=n

n i

Max S 0 u i d n i X , 0

o r est le taux sans risque ; t, la dure en annes de loption ; n, le nombre de priodes ; S0, la valeur du prix de laction au temps 0 ; u, le multiple de hausse du prix de laction ; d, le multiple de baisse ; et X, le prix dexercice. Les u et d se calculent comme suit : u = e
t/n

d = e t / n . Dans ces relations, s reprsente la volatilit annuelle du rendement de laction sous-jacente loption. Les p sont ici calculs dans un univers neutre au risque et sobtiennent comme suit :
p= e
t rn

ud

Expliquons plus prcisment la formule du prix de loption dachat. Selon celle-ci, le prix de cette option est la valeur actualise de lesprance des cash-flows lchance de cette option. Cette esprance, note E* pour la distinguer de lesprance classique, est drive dans un univers sans risque. Cette formule montre encore une fois que le prix de tout titre est la valeur actualise de ses cash-flows.

11. Loption europenne, par opposition loption amricaine, ne peut tre exerce avant son chance.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

24

Trait dconomtrie financire

La version binmiale du prix de loption prcise le calcul de lesprance. On note que les facteurs de pondration des cash-flows sont
n n i ceux de la binmiale, soit : p i (1 p ) . i

Illustrons la procdure numrique du calcul du prix de loption lorsque lon recourt la loi binmiale. Il faut alors construire un arbre binmial de lvolution du prix de laction puis du prix de loption. Nous nous en tenons ici larbre des prix de laction puisque celui des prix de loption obit au mme principe. Voici comment se prsente larbre binmial du prix de laction si lon suppose trois priodes dun mois.

u3 S0 u2 S0

uS0 S0 dS0 d2 S0 t=0 t = 1/12 t = 2/12 t = 3/12 ud S0

On laisse au lecteur le soin de remplir les cases manquantes. Pour plus de dtails, on consultera : Racicot, F.-. et R. Thoret (2000)12.

12. Racicot, F.. et R. Thoret (2000), op. cit.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

25

3.1.4. La distribution de Poisson La distribution de Poisson nest rien dautre que la limite de la distribution binmiale sous certaines conditions. Elle se formule comme suit : lim b ( i ; n , p )
n

( n p ) i e np =
i!

= P * ( i; n p ) = P( X = i )

Si on pose = n p , on a : P( X = i ) = P * ( i; ) = i e i!

Lesprance de cette distribution est de : E(X) = et sa variance est de : V(X) = . Lesprance de la distribution de Poisson est donc gale la variance. Il est noter que la loi de Poisson peut servir dapproximation la loi binmiale. La loi de Poisson peut donc servir modliser des expriences du type succs-chec si les conditions suivantes sont ralises : p 10 % et np < 5. Par exemple, on veut calculer la probabilit (p) dobtenir exactement deux pices dfectueuses dans un procd de production qui maintient en moyenne 4 % de pices dfectueuses lorsque la taille de lchantillon est n=100. Notons que les conditions dapproximation sont ici respectes : = 4, donc plus petit que la borne suprieure de 5, et p est gal 4 %, donc plus petit que la borne suprieure de 10 %. On obtient le rsultat suivant laide de la binmiale :

100 2 100 2 P ( X = 2) = b ( 2; 100, 0, 04 ) = = 0,1449 ( 0, 04 ) (1 0, 04 ) 2


Lapproximation de cette probabilit par la loi de Poisson est de : P ( X = 2) = P * ( 2; 4 ) = 4 2 e 4 2 = 0,1465

On voit que la loi de Poisson se rapproche beaucoup de la loi binmiale.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

26

Trait dconomtrie financire

La distribution de Poisson a donn lieu de multiples applications. Donnons quelques exemples. Hausman et al. (1984)13 utilisent la loi de Poisson pour modliser la distribution des brevets accords aux entreprises pour une anne. Leur distribution de Poisson pour la variable yi scrit comme suit : P( y i = j) = f ( j|R i )

( + R i ) j e ( +R ) =
i

j!

o i = + R i = E ( y i | R i ) . Dans cette quation, Ri reprsente les dpenses en recherche et dveloppement dune entreprise reprsentative et j, le nombre de brevets accords cette entreprise dans une anne. Selon cette quation, plus une entreprise investit en recherche, cest--dire plus R est important, plus lesprance des brevets qui lui sont accords est leve. Une autre application, cette fois-ci financire, a t formule par Greene (1995)14 et a trait aux cartes de crdit. La variable qui dans son modle obit une loi de Poisson est le nombre de dfauts enregistrs dans lhistoire du crdit dun chantillon de clients pour une catgorie de cartes de crdit. Cette variable est en fait la plus importante pour dterminer si une demande demprunt ou de carte de crdit sera accepte. La variable dpendante est une variable discrte de score qui mesure le nombre de dfauts observs durant lhistoire du crdit dun client. Par exemple, si un client na jamais fait dfaut, son score est nul. Sil a enregistr deux dfauts de paiement, son score est de 2. Et ainsi de suite. La probabilit que yi prenne la valeur j est la suivante : P( y i = j) = ie i
j

j!

Encore une fois, lesprance de yi est i qui peut tre reprsente par une forme fonctionnelle linaire, non linaire ou tout autre forme pertinente.

13. Hausman, J., B. Hall et Z. Griliches (1984), Economic Models for Count Data with an Application to the Patents R&D Relationship , Econometrica, 52, p. 909938. 14. Greene, W.A. (1995), Sample Selection in the Poisson Regression Model, document de travail , #EC-95-6, Stern School of Business.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

27

3.2. Lois de probabilit continues univaries et concepts bivaris


La loi normale ou gaussienne est traditionnellement la plus utilise en conomtrie. Sa fonction de densit (pdf)15 scrit comme suit :

f (x i ) =

1 2
2

1 x u i 2

La variable X suit une loi normale centre rduite dsigne par : X ~ N( , 2). Les proprits de la pdf normale sont les suivantes : i) ii) La fonction f ( x ) 0, x ( , ) .16

f ( x ) dx = F ( ) = 1. F reprsente ici la cdf17 dune variable


X quelconque.

iii) F ( ) = 0 iv) f ( x ) = v) dF ( x ) dx

P ( x < X < x + dx ) = f ( x )dx

vi) P ( X = x ) =

x f ( x )dx = F ( x ) F ( x ) = 0 .
x

vii) P x i X x j =

) f ( x )dx = F ( x ) F ( x ) .
xj xi j i
j i

Cette relation est aussi gale :

( = P( x

P xi X xj = P xi < X < xj
i

) ( X < x ) = P( x

) < X x ).
j

15. pdf est labrviation de probability density function. 16. Pour simplifier la notation, nous omettons lindice i la variable x. 17. cdf est labrviation de cumulative density function et reprsente la probabilit suivante : P(X x).

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

28

Trait dconomtrie financire

la suite de ces relations, plusieurs remarques simposent. a) Lorsquune variable est continue, les probabilits ne se calculent pas par rfrence un point mais bien par rapport une densit. Ainsi, la probabilit que la variable alatoire X prenne une valeur ponctuelle est gale 0 alors que ce ntait pas le cas pour les variables discrtes. b) Si la variable X est dfinie par : X ~ N( , et V(X) =
2. 2),

alors, E(X) =

, suit une loi normale centre rduite note N(0,1). Lesprance de Z, note E(Z), est de :
X E( X ) E( Z ) = E = = 0. =

La statistique, dfinie comme : Z =

Par ailleurs, la variance de Z, note V(Z), est de :

X 1 V (Z ) = V + V = V ( X ) + 0 = 1. 2
c) Le kernel18 gaussien, qui scrit : K ( z ) = 1 2
1 z2 e 2 ,

est une

fonction telle que

K ( x )dx = 1.

Notons quil existe

dautres kernels statistiques importants : le bipondr, lepanechnikov, le rectangulaire et le triangulaire. Ces kernels sont utiliss pour estimer des distributions empiriques lintrieur dune classe trs gnrale destimateurs non paramtriques du type Rosenblatt-Parzen. Nous abordons maintenant les dfinitions de lesprance et de la variance en temps continu.

18. La dfinition du kernel est la suivante. Soit une fonction compose f(g(x)). La fonction g(x) est le kernel et f, la fonction extrieure.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

29

Lesprance Soit une variable alatoire X continue. Lesprance de X se dfinit comme suit :

E( X ) =

xf ( x ) dx

Cette intgrale est une intgrale de Riemann habituelle. Par xdF , ce ailleurs, si lon formulait lintgrale de la faon suivante : serait alors une intgrale Lebesgue-Stieljes. La variance La variance de X se dfinit comme suit :
V(X) =

( x E ( X ) ) f ( x )dx

Plus gnralement :
E g(X ) =

] g ( x ) f ( x ) dx

Dans le cas de lesprance simple, g(x) = x ; dans le cas de la 2 variance : g ( x ) = x E ( X ) .

noter quen temps continu, les proprits des oprateurs de lesprance et de la variance sont les mmes quen temps discret. Supposons maintenant deux variables alatoires X et Y. Calculons la covariance et la corrlation de ces deux variables en temps discret et continu, ce qui nous introduit dans le domaine des concepts bivaris. La covariance La covariance entre X et Y se dfinit comme suit :

Cov ( X , Y ) = E X E ( X ) Y E ( Y )

[(

)(

)]

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

30

Trait dconomtrie financire

En temps discret, cette expression est gale :


Cov ( X , Y ) =

( x E ( X ) )( y E ( Y ) ) f ( x , y )
x y

Comme dans le cas de lesprance, il existe une formulation plus gnrale pour la covariance qui la ramne dans le domaine de lesprance :
Cov ( X , Y ) =

g( x, y ) f ( x, y )
x y

o g ( x , y ) = ( x E ( X ))( y E ( Y )). Par ailleurs, en temps continu, la covariance entre X et Y est donne par :
Cov ( X , Y ) =

g ( x , y ) f ( x , y )

Au plan chantillonnal, la covariance sXY se calcule comme suit :

s XY =

(x i x )( y i y )
i =1

n 1

La figure 1.13 est une reprsentation graphique de la covariance : Si les ralisations de X et de Y se distribuent majoritairement dans les quadrants I et III, alors la covariance entre ces deux variables est positive. Si par contre les ralisations de X et de Y se distribuent majoritairement dans les quadrants II et IV, la covariance entre ces deux variables est ngative. Finalement, si les ralisations de ces deux variables sont distribues galement entre ces quadrants, la covariance est nulle.

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

31

FIGURE 1.13

II ()

I (+)

III (+)

IV ()

Corrlation de Pearson La notion de covariance donne lieu celle de la corrlation de Pearson , soit :

s XY sXsY

( x i x )( y i y )
i =1

(x i x) (y i y)
2 i =1 i =1

La corrlation nous indique sil existe un lien linaire entre deux variables. Elle corrige la covariance de linfluence des units de mesure des variables X et Y. Plus la valeur absolue de rho, soit | |, se

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

32

Trait dconomtrie financire

rapproche de 1, plus le lien linaire entre les deux variables est important. Certes, si est gal 0, il ny a pas de lien linaire. Un exemple thorique montre que si le lien linaire est parfait, le coefficient de corrlation est gal 1. Soit Y = a + bX. On peut alors crire : Cov ( X , Y ) = E X E ( X ) Y E ( Y ) = bE X E ( X ) Par ailleurs on a :

)( )] [( = E[ ( X E ( X ) )( a + bX E ( a + bX ) ) ]

= bV ( X )

V ( Y ) = b2V (X )
Cela implique que : = bV ( X ) = bV ( X ) =1

V(X) V(Y )

b V(X) V(X)

Le mme exercice peut tre refait pour obtenir = 1 en supposant que Y = a bX. Il est important de souligner que la corrlation ne mesure que le lien linaire entre deux variables et que si la corrlation se rapproche de 0, cela nimplique pas quil nexiste pas dautres formes de liens entre ces deux variables. cet effet, il existe un coefficient de corrlation non linaire pour capter le lien non linaire entre deux variables. Ce coefficient sera discut plus en profondeur lintrieur du chapitre ayant trait aux mthodes de rgression non linaires. Prcisons une rgle de calcul de la covariance pour les cas continu et discret. Supposons des constantes a, b, c et d, et deux variables alatoires X et Y, alors on peut crire : Cov ( aX + bY , cX + dY ) = acV ( X ) + bdV ( Y ) + ( ad + bc ) Cov ( X , Y )

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

33

La distribution uniforme (continue) La variable alatoire U est uniformment distribue dans lintervalle [a,b] dsign par U ~ U (a,b) si elle obit la pdf suivante :
1 f (u) = b a 0 si a u b autrement

o u est une ralisation de U. Les proprits de cette distribution sont les suivantes : i) Lesprance de U, soit E(U), est gale :

E( U ) =

a+b 2

La dmonstration est la suivante.


b b

E ( U ) = uf ( u ) du =
a

1 ba

du =

u2 2

1 ba

+c
a

b a 1
2 2

ba 2

( a + b )( b a ) 1 = a + b
ba 2 2

ii) La variance de U, soit V(U), est gale :


2 (b a) V ( U ) = E U E( U ) = 12

o E ( U 2 ) = u 2 f ( u ) du =
a

b a du .
a

u2

Illustrons la distribution uniforme partir de lexemple suivant. On suppose que a = 0 et b = 1. On obtient alors la distribution uniforme trs connue U(0,1). Cette distribution est reprsente la figure 1.14.

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

34

Trait dconomtrie financire

FIGURE 1.14

1 f (u) = = 1 ba

a=0

0,1

0,3

b=1

Sur la figure 1.14, la rgion hachure nous indique la probabilit que la variable alatoire U soit infrieure ou gale 0,3 ou suprieure ou gale 0,1. La cdf de la distribution uniforme se calcule comme suit :

F ( u ) = P( U u ) =
o : 0 u-a F( u ) = b-a 1

f ( t )dt

si u < a si a u < b si u b

La fonction F(u) apparat la figure 1.15. Il importe de fournir quelques exemples dutilisation de la distribution uniforme : a) Gnration de nombres alatoires

Les programmes informatiques qui servent calculer des variables qui obissent la loi normale et ses drives sont bass sur un gnra-

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

35

teur de variables pseudo-alatoires de loi uniforme. On applique alors une transformation Box-Mller pour passer de la loi uniforme la loi normale. FIGURE 1.15
F(u)

u=a

u=b

b)

Calcul du coefficient de corrlation de Spearman

Le coefficient de corrlation de Pearson nest pas robuste, en ce sens que lorsque les donnes dvient de la loi normale, ce coefficient doit tre utilis avec circonspection. Un coefficient de corrlation (non paramtrique) robuste aux dviations de la normalit est celui de Spearman. Il est souhaitable de toujours comparer le coefficient de Pearson celui de Spearman ; si le premier dvie significativement du second, il serait prfrable dtablir des conclusions partir du coefficient de Spearman. Pour calculer le coefficient de corrlation non paramtrique de Spearman, on doit dans un premier temps transformer les donnes en rang ; pour ce faire, on utilise la distribution uniforme U(a,b). Plus prcisment, le calcul du coefficient de Spearman stablit comme suit pour deux variables X et Y : Spear = Cov ( R , S ) V ( R ) V (S)

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

36

Trait dconomtrie financire

Lestimateur de ce coefficient, soit Spear , est de :

Spear =

( ( R i R ) (S i S ) )
n i =1

( R i R ) (S i S )
2 i =1 i =1

o R est le rang de X et S, le rang de Y. On peut illustrer cette formule par un exemple. Les ralisations de X sont les suivantes :
33 44 x = 32, 3 24 55

partir de ce vecteur, illustrons la transformation de X en rang R. Pour obtenir R, on transforme X comme suit et on numrote les ralisations. On obtient alors R* :
1 24 2 32, 3 x * = 33 r * = 3 4 44 5 55

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

37

Par consquent, x implique le vecteur r suivant :


3 33 4 44 x = 32, 3 r = 2 1 24 5 55

o r = 3 = s est gal :

n +1 2

ri o n = 5. De faon analogue, le vecteur


n
3 1 s = 4 2 5

Donc, par cette transformation des donnes, on obtient une distribution uniforme. Comme le coefficient de Spearman, le coefficient de Kendall est galement utilis dans la pratique comme alternative au coefficient de Pearson et se dfinit comme suit :
= S S* = # de paires concordantes # de paires discordantes n 2

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

38

Trait dconomtrie financire

Lavantage de sur le coefficient de Spearman est quil nest point besoin dutiliser le rang pour calculer cette statistique. On compare simplement les grandeurs relatives des combinaisons possibles :

Cn = 2

2! ( n 2)!

n!

n ( n 1)( n 2)! 2! ( n 2)!

1 2

n ( n 1) de paires : (xi, yi ).

Il faut noter que lon nutilise ici aucune distribution pour effectuer les comparaisons. En ce sens, le coefficient de Kendall est encore moins restrictif que celui de Spearman.

4. NOTIONS DINDPENDANCE,
ET DE DENSIT MARGINALE

DE DENSIT JOINTE

Pour n variables alatoires X1, X2, , Xn, discrtes ou continues, on dit que lon a indpendance entre ces variables si lon peut crire la densit jointe (continue) des ralisations de ces variables alatoires comme le produit des distributions marginales de ses ralisations. La densit jointe de X1, X2 , Xn scrit donc : f ( x 1 , x 2 ,..., x n ) = f1 ( x 1 ) f 2 ( x 2 )...f n ( x n ) o, par exemple,

f1 ( x 1 ) =

marginale de la variable alatoire continue X1. Dans le cas discret, la fonction de distribution marginale scrit

... f ( x 1 , x 2 , x 3 , x 4 ,..., x n )dx 2dx 3dx 4 ...dx n est la densit

f1 ( x 1 ) =

... f ( x 1 , x 2 , x 3 , x 4 ,..., x n ) .
x 2 x3 x 4 xn

Pour deux variables alatoires X1 et X2, on a comme fonctions de distribution marginales : f ( x 1 , x 2 ) = f1 ( x 1 ) f 2 ( x 2 )

2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN D1123N Tir de : Trait dconomtrie financire, Franois-ricRacicot et Raymond Thoret, ISBN 2-7605-1123-52-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

Rappels statistiques

39

o f 2 ( x 2 ) =
f2 (x 2 ) =

f ( x 1 , x 2 ) si X1 et X2 sont discrtes.
x1

f ( x 1 , x 2 ) dx 1 si X1 et X2 sont continues et

La consquence de lindpendance au chapitre de la covariance est la suivante. Dans le cas de deux variables alatoires X1 et X2, lindpendance implique une covariance nulle :

Cov ( X 1 , X 2 ) = E X 1 E ( X 1 ) X 2 E ( X 2 ) = E( X 1X 2 ) E( X 1 )E( X 2 ) = 0

[(

)(

)]

Ceci implique : E( X1X 2 ) = E( X1 )E( X 2 ) Prouvons maintenant ce rsultat, savoir que la covariance est nulle si les deux variables alatoires sont indpendantes, en utilisant les rsultats prcdents ayant trait la forme des distributions jointes et marginales dans le cas o il y a indpendance entre deux variables alatoires. La preuve est la suivante :
E g ( X1 , X 2 ) =

] f (x , x ) g(x , x )
1 2 1 2 x1 x 2

o g ( X 1 , X 2 ) = X 1 E ( X 1 ) X 2 E ( X 2 ) pour la covariance. Dans ce cas,

)(

E g ( X 1 , X 2 ) = Cov ( X 1 , X 2 ) = E X 1 E ( X 1 ) X 2 E ( X 2 )
1 1 2 2 1 2 x1 x 2

)( )] = ( x E ( X ) )( x E ( X ) ) f ( x , x )

[(

En vertu de lindpendance, on a : f ( x 1 , x 2 ) = f1 ( x 1 ) f 2 ( x 2 ) . Alors,

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca
difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond 2-7605-1123-5 D1123N Tir de : Trait dconomtrie financire,Franois-ric Racicot et Raymond Thoret, ISBNThoret, ISBN 2-7605-1123-5 Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses de lUniversit du Qubec

2001 Presses de lUniversit du Qubec

40

Trait dconomtrie financire

Cov ( X 1 , X 2 ) = =

( x 1 E ( X 1 ) ) ( x 2 E ( X 2 ) ) f1 ( x 1 ) f 2 ( x 2 ) ( x 1 E ( X 1 ))f1 ( x 1 ) ( x 2 E ( X 2 ))f 2 ( x 2 )
x1 x2 x1 x 2

f1 ( x 1 ) x 1 E ( X 1 )f1 ( x 1 )
x1 x1

x2

f2 ( x 2 )x 2

x2

= E( X1 ) E( X1 ) E( X 2 ) E( X 2 ) = 0 Expliquons ces dernires quations. Par dfinition,

)(

E ( X 2 )f 2 ( x 2 )

f1 ( x 1 ) x 1 = E ( X 1 ) . Par ailleurs,
x1

E ( X 1 ) f1 ( x 1 ) = E ( X 1 ) f1 ( x 1 ) = E ( X 1 ) 1 = E ( X 1 ) ,
x1 x1

ce qui dmontre la formule. On se rend donc compte que lindpendance implique une covariance nulle. Mais linverse nest gnralement pas vrai sauf pour des variables alatoires normalement distribues. Par exemple, supposons une combinaison non linaire des variables alatoires X et Y, soit X2 + Y2 = 1. Leur covariance peut tre trs rapproche de 0, mais il existe pourtant un lien vident entre ces deux variables.

5. PROBABILITS

CONDITIONNELLES ET DENSITS CONDITIONNELLES

Soit deux variables alatoires X et Y. La probabilit de X conditionnelle Y scrit : f x y =


P(( X = x ) ( Y = y )) f x, y ( ) f( y ) = P( x y ) = P Y=y
y

( )

o fy(y) est la distribution marginale de y. Ces galits sont valables en totalit dans le cas discret mais seules les deux premires le sont dans

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

41

le continu. Pour n variables alatoires, le principe est le mme. Considrons par exemple trois variables alatoires X, Y et Z. La densit conditionnelle de Z scrit comme suit :
f z x, y =

f x, y,z ) f( x , y )

De cette quation, il dcoule que la densit jointe peut scrire comme le produit de densits conditionnelles :
f ( x, y,z) = f z x, y f ( x, y ) = f z x, y f y x f ( x )

)( )

Si lon suppose que les variables X, Y et Z sont indpendantes, cette dernire quation scrit alors comme suit : f ( x , y , z ) = f ( x )f ( y )f (z ) ce qui reprsente le produit des densits marginales.

6.

THORME

CENTRAL LIMITE (CAS UNIVARI)

Nous allons maintenant introduire un thorme trs important en thorie statistique, soit le thorme central limite. Ce thorme justifie lutilisation de la loi normale en conomtrie. Ce thorme est trs important parce que beaucoup de concepts conomtriques sont bass sur lui. Par exemple, en thorie asymptotique, on se sert de ce thorme pour formuler certains tests statistiques comme le test de Jarque et Bra qui, la limite, suit une distribution 2 qui, elle, est une normale au carr. Le thorme central limite snonce comme suit. Si X1, X2, , Xn sont des variables alatoires IID ( ,

X=

Xi
i =1

2)

et que Xu

, alors la statistique Z =

XE X

n dispose dune pdf qui sapproche de la loi normale centre et rduite N(0,1) mesure que n tend vers linfini.

( ) = X = V(X)

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

42

Trait dconomtrie financire

Selon ce thorme, la moyenne de n variables indpendantes qui obissent une distribution quelconque (en autant que la distribution ait une moyenne et une variance) sapproche donc dune N(0,1) aprs lavoir centre et rduite sur un chantillon suffisamment grand. Plus formellement, ces rsultats se formulent comme suit.

Xn y = lim P n n
Ceci implique que :
nX n

1 2

1 Z2 e 2 dZ

N(
d

n, 2

ou, en termes quivalents,

Xn

~
a

2 N , n

Il est souligner quil sagit ici de la convergence en distribution. Il existe en effet dautres modes de convergence, soit la convergence en probabilit, en moyenne quadratique et la convergence presque sre. Ces diffrents types de convergence seront discuts ultrieurement.

7. LA

LOI NORMALE MULTIVARIE

Nous avons prsent prcdemment la loi normale univarie qui sapplique une srie dobservations sur une seule variable alatoire. Mais il convient de gnraliser cette distribution plusieurs variables alatoires. On parle alors de distribution normale multivarie. La pdf multivarie scrit comme suit : f(x) =

( 2 ) 2

1 2

1 T exp ( x ) 1 ( x ) 2

o x est un vecteur de k variables alatoires supposes dpendantes, est le vecteur de leurs moyennes et , la matrice variance-covariance. La distribution de x stablit comme suit : x ~ N( , ). Si les variables

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques
2I,

43

alatoires sont indpendantes, alors

I tant la matrice identit.

Sachant que dans ce cas particulier = 2k , la pdf multivarie scrit : 1 1 T exp ( x ) 2

(2 )
2

k 2

( x )

i =1

1 ( x )2 i i exp = f ( x 1 ) f ( x 2 )...f ( x k ) 2 2 2 1

Par consquent, la densit jointe est le produit des densits marginales dans le cas de variables indpendantes. On retrouve le rsultat prcdent, leffet quune covariance (corrlation) nulle entre des variables normalement distribues donne lieu lindpendance statistique. Dans le cas bivari, cest--dire que lorsquil ny a que deux variables alatoires, la pdf scrit :

f ( x, y ) =

1 2 x y

1 exp 2 1 2 2 1

( )

2 2 y y x x 2 x x y y + x y y x

La distribution bivarie est utilise en finance pour calculer par exemple le prix doptions crites sur deux actifs ou encore dans le modle de Whaley19, qui consiste calculer de faon analytique le prix dune option dachat amricaine crite sur une action versant un dividende.

19. Pour plus de dtails, voir : Racicot, F.-. et R. Thoret (2000) , Trait de gestion de portefeuille : titres revenus fixes et produits drivs, Presses de lUniversit du Qubec, chapitre 6.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

44

Trait dconomtrie financire

8. ESTIMATION

DE LA MOYENNE ET DE LA VARIANCE DANS UN MODLE SIMPLE

Supposons que la variable alatoire Y se formule comme suit : Yi = + e i , i = 1,..., n

o ei ~ IID (0, 2). est une constante et Yi est alors une variable alatoire. ei est une variable alatoire appele terme derreur et suppose provenir dune population de moyenne 0 et de variance 2. Par hypothse, les ei sont supposs indpendants, cest--dire Cov(ei, ej) = 0 i j. En termes matriciels, on peut rcrire ce modle comme suit :
Y = +e

o
1 Y1 1 Y2 . , = . et e = Y= . . . . 1 n 1 Yn n 1 e1 e2 . . . e n n 1

Notre objectif est destimer la moyenne de Y partir de ce modle. Comme E ( Yi ) = E ( + e i ) = , il suffit de trouver un estimateur de pour obtenir un estimateur de la moyenne de Y. Pour ce faire, nous recourons la mthode des moindres carrs ordinaires (MCO). Selon cette mthode, il faut minimiser la somme des ei au carr pour trouver lestimateur recherch. Nous disposons de n ralisations de Yi notes par yi, i = 1, , n. Le principe des MCO consiste minimiser la somme suivante :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques
n

45

S=
2

i d2 i =1

o d i = ( y i ) est une distance euclidienne. Plus prcisment, le problme de minimisation est le suivant :

Min S = Min

i =1

d 2 = Min i

( y i )
i =1 n

On peut dvelopper la sommation comme suit :


i i ( y i ) = ( y 2 2y i + 2 ) = y 2 2 y i + n 2 n 2 n n i =1 i =1 i =1 i =1

o la somme des est gale n Pour obtenir le minimum de S, il suffit dgaliser sa drive premire par rapport 0 :
dS d = 02 y i + 2n = 0
i =1 n

2.

Il rsulte que :

yi
i =1

Donc, par ce problme de minimisation, on a trouv que lestimateur de , soit , est la moyenne arithmtique de lchantillon. Cet esti-

mateur est valable pour tout chantillon, cest--dire que : =


Lesprance de est de :

Yi
i =1

E = E

()

Yi
i =1

E
i =1

Yi = E ( Yi ) = n

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

46

Trait dconomtrie financire

Le biais dun estimateur est gal : biais ( ) = E . Dans le cas qui nous intresse, le biais est nul. Par consquent, si on simule des chantillons en recourant la mthode de Monte Carlo et que lon calcule pour chaque chantillon, alors en moyenne on trouve que est gal la moyenne de la population, cest--dire .
La variance de , ici gal la moyenne, se calcule comme suit :

()

= V V

()

Yi i =1 = n
n

i =1

V ( Yi ) n2 =

V ( + ei )
i =1

n2

2 n

Pour estimer 2 , on utilise 2 qui est gal :

2 =

i e2 n 1

o e i = Yi . Lestimateur 2 de 2 est sans biais parce que


E 2 = 2 . La dmonstration de ce rsultat est prsente lappen-

( )

dice de ce chapitre.

9. THORME

DE

GAUSS-MARKOV

Lestimateur des MCO de est lestimateur BLUE20 de ce paramtre. Un estimateur est dit BLUE si, parmi tous les estimateurs linaires non biaiss, il est le plus efficace. Cette proposition repose sous lhypothse peu restrictive que les ei ~ IID(0, 2). Un estimateur BLUE est par dfinition : i) sans biais ; ii) efficace, cest--dire variance minimale dans sa classe. Incidemment, on peut trouver des estimateurs non linaires biaiss mais variance infrieure celle des MCO. Lcart quadratique de tels estimateurs peut mme tre plus faible que celui des MCO. Notons que lcart quadratique moyen (EQM) de 2 se dfinit comme suit : EQM ( ) = Biais + V .

() ()

20. BLUE est lacronyme anglais de lexpression : Best Linear Unbiaised Estimator.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

47

10. LA

MTHODE DESTIMATION DU MAXIMUM DE VRAISEMBLANCE

On veut estimer le paramtre de lquation de y prsente la section prcdente par la mthode du maximum de vraisemblance. On rappelle que y21 est gal : y i = + ei ei suit une NID(0, 2). La mthode du maximum de vraisemblance requiert que la distribution des rsidus soit spcifie, ce qui nest pas le cas des MCO comme nous lindique le thorme de Gauss-Markov. La densit jointe des rsidus sexprime donc comme suit : f ( e1 , e 2 ,..., e n ) = f ( e1 ) f ( e 2 )...f ( e n ) en vertu de lindpendance des rsidus. La mthode du maximum de vraisemblance exige que lon passe des rsidus y. Pour ce faire, on recourt la transformation jacobienne. Pour circonscrire ce concept, supposons une fonction monotone reliant y e, reprsente la figure 1.16. Dmontrons informellement la provenance de la transforme jacobienne. partir de la figure 1.15, on observe que la probabilit de se situer dans lintervalle y est gale la probabilit de se situer dans lintervalle e, ceci tant d au fait que y est li e par une fonction monotone. Mathmatiquement, on peut reprsenter cette relation comme suit :

y f ( y ) = e f ( e )
partir de cette expression, on obtient la transformation jacobienne en recourant aux transformations suivantes :

f ( y ) = f (e )

e y

21. Par la suite, dans le but dallger lexpos, on ne fait plus de distinction entre variable alatoire et ralisation.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

48

Trait dconomtrie financire

FIGURE 1.16
y

Si on prend la limite quand e 0 , on obtient le rsultat suivant :


f ( y ) = f (e ) de dy

o |.| dsigne ici valeur absolue. Si lon prend la valeur absolue de

, dy cest pour sassurer de la positivit de f(y) puisque lon a suppos une fonction monotone croissante. Gnralisons ce rsultat au cas de plusieurs variables alatoires e1, e2, e3, en. On a alors, en termes vectoriels : f (y) = f ( e ) e y

de

reprsente la valeur absolue du dterminant de la matrice de y drives partielles suivante :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

49

e1 y 1 e 2 y 1 . . . e n y 1

e1 y 2 e 2 y 2 . . . e n y 2

. . .

. .

. .

. . . . .

e1 y n e 2 y n . . . e n y n

La valeur absolue du dterminant de cette matrice est connue sous le nom de jacobien de transformation de e y. On recourt ce jacobien pour passer de la fonction de densit de e la fonction de densit de y. Pour simplifier, considrons le cas univari. On a : ei = y i

= 1 . Ce qui implique la transformation jacobienne suidy i vante : f ( y i ) = 1 f ( e i ) . Dans le cas multivari, la matrice des drives partielles est gale la matrice identit.
Alors, Les dveloppements qui prcdent servent crire la fonction de densit jointe du vecteur y partir de celle du vecteur e. La densit jointe de y est de : f ( y 1 , y 2 ,... y n ) = f ( y 1 ) f ( y 2 )...f ( y n ) 1 y 2 o f ( y i ) = exp i . On a ici utilis la rgle de 2 2 2 transformation de la fonction de densit des yi celle des ei qui vient dtre tablie. Puisque la densit jointe est ici le produit des densits 1

de i

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

50

Trait dconomtrie financire

marginales, les ei tant indpendants par hypothse, et par consquent les yi, on peut crire : f y 1 ,..., y n ,

) = ( 2 ) ( )
n 2 2

n 2

1 n y 2 i exp 2 i =1

Notons que f(.) est dtermin en fonction de valeurs donnes pour et 2, do le caractre conditionnel de la densit jointe. La fonction de vraisemblance est pour sa part une fonction des paramtres, conditionnelle aux valeurs observes de y, cest--dire : L , y 1 , y 2 ,..., y n = ( 2 )
2

n 2

( )
2

n 2

1 n y 2 i exp 2 i =1

La mthode du maximum de vraisemblance consiste trouver les paramtres et 2 qui maximisent la probabilit (densit de probabilit) de gnrer lchantillon observ. Pour allger, exprimons cette fonction en termes de logarithme :

yi l = ln l = ln ( 2 ) ln 2 2 2 i =1 n n
2

Pour estimer

et

2,

il suffit de maximiser
, 2

par rapport ces

paramtres, cest--dire Max l . Pour ce faire, on galise les drives de par rapport ces paramtres 0 :
l = 1 2( y i ) 2 = 0 2 1

On obtient la valeur de

par les manipulations suivantes :

( y i ) = 0 y i n = 0 =

yi
n

Pour obtenir un estimateur de 2, on suit la mme procdure que pour . Pour simplifier le calcul, posons 2 = u. On drive donc la fonction de vraisemblance par rapport u et on lgale zro :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

51

l u l u

n1 2u

u 2 ( y i ) 2
2

=0

Si on remplace dans cette quation u par

, on a :
i

n 1 2 2

( ) (y 2
2
2
2

=0

En simplifiant, on obtient :
( y i ) 2 = n

On constate donc que lestimateur de donn par le maximum de vraisemblance est identique celui qui rsulte des MCO. Par cons quent, nous nous sommes permis de substituer . Cependant, 2 est biais alors que lestimateur du maximum de vraisemblance de celui associ des MCO, not 2 , ne lest pas. Donc, en supposant la normalit des rsidus, utiliser la mthode des MCO revient utiliser celle du maximum de vraisemblance en ce qui concerne lestimateur de , cest--dire : = . Mais par contre, lestimateur du maximum de vraisemblance de la variance est biais dans les petits chantillons mais convergent, cest--dire que le biais disparat dans les grands chantillons.

11. TESTS DHYPOTHSES


ET INTERVALLES DE CONFIANCE
Supposons le modle suivant : y i = + ei , i = 1,..., n

et ei ~ NID(0, 2), o 2 est connu. Si on applique les MCO ce modle, on obtient alors . Selon les hypothses qui concernent les rsidus, on peut crire :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

52

Trait dconomtrie financire

2 2 ~ N , ~ N 0, z = ~ N ( 0,1). / n n n

Les tests dhypothse sont bass sur cette statistique z. Pour tester si est significativement diffrent dune valeur donne (test bilatral), cest--dire tester les hypothses suivantes :
H 0: = 0 H1: 0 ,

on construit z en remplaant par 0 et le test sera de rejeter H0 au niveau de signification si et seulement si :


z = 0 / n > zc

Le test bilatral est reprsent la figure 1.17. FIGURE 1.17


f (z)

/2

/2

Zc

Zc

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

53

= P(z > z c ) = P(z < z c ) =

zc

f (z ) dz = f (z ) dz

zc

o f(z) est le kernel de la normale. On peut aussi crire, en recourant la cdf :

2
Par consquent,

= F( z c ) = 1 F(z c )

F ( z c ) + 1 F ( z c ) = 1 P( z c < z < z c ) =

Notons que si F(zc) est monotone, F ( z c ) =

z c = F 1 . 2 2

En vertu de cette dernire quation, lintervalle de confiance de est : 1 1 P ( z c z z c ) . On a donc, en substituant z par sa valeur :

P z c < < zc = 1 / n

En effectuant quelques manipulations, on obtient lintervalle de confiance pour :

< < + zc P z c = 1 n n
Antrieurement, on a suppos que cas ici.
2

tait connu, ce qui nest plus le

Tests et intervalles de confiance lorsque 2 nest pas connu


, on obtient En substituant dans lquation de z, soit z = / n la statistique t de Student :
Test t

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

54

Trait dconomtrie financire

t=
i e2

/ n

~ t ( n 1)

o =

( n 1)

, e i = y i et (n 1) tant le nombre de degrs de

libert. La statistique t est en fait le ratio dune normale N(0,1) et dune 2 . Ouvrons ici une parenthse sur la distribution
2

n 1 est une N(0,1) au carr. Plus gnralement, la somme de n variables normales au carr suit une distribution 2 (n). Plus formellement,

. Une

2(1)

z 2 ~ 2 ( n ). Lallure de cette distribution apparat la figure 1.18.


i =1

FIGURE 1.18
f ( 2)

0
2 c 2

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

55

ei ( n 1) 2 ~ 2 n 1 , = Dans le cas o lon substitue i ei, ( ) 2 i =1

Pour fixer les ides, supposons que : ei ~ N(0, 2). Ceci implique e que : i ~ N ( 0,1) . 2 n ei 2 En vertu des explications antrieures, ~ ( n ). i =1

n 1 tion de la variance qui consomme un degr de libert parce quelle requiert lestimation de la moyenne. Par consquent,
= ( n 1) 2 ( n 1) 2 / n = / n . CQFD.

i e 2 . Il reste (n 1) degrs de libert en raison de lestima=

t=

2 ( n 1) n 1

N ( 0,1)

Nous voulons maintenant tester si est significatif au niveau de confiance . Ce test, caractre bilatral, est le suivant :

H 0: = 0 H1: 0
Nous voulons ici effectuer ce test pour le cas du modle prcdent. La rgle du test est ici de rejeter H0 au niveau , qui est gal 5 % sauf indication contraire, si :
t = 0 / n > t c ( n 1)

o tc est la valeur critique de la distribution t associe . La figure 1.19 reprsente la distribution t. Cette distribution a grosso modo la mme forme que la normale partir dun nombre de degrs de libert gal 120 et sen rapproche de plus en plus par la suite pour devenir identique la normale lorsque le nombre de degrs de libert tend

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

56

Trait dconomtrie financire

vers linfini. En de de 120 degrs de libert, la forme de cette distribution dpend du nombre dobservations et a incidemment des queues plus paisses que la normale. FIGURE 1.19
f(t)

/2

/2

tc

tc

Lintervalle de confiance de se construit exactement comme dans le cas o est connu, sauf quil faut remplacer par . Cet intervalle se construit comme suit :
Pt c < < tc = 1 / n

Ce qui implique :

P t c / n < < + t c / n = 1
Cette quation signifie que la probabilit que soit contenu dans lintervalle alatoire est gale (1 a). Cest--dire que dans 100 chantillons gnrs, lintervalle contiendra 95 fois si est fix 5 %. On crit aussi de manire plus succincte cet intervalle comme suit : t / n.
c

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

57

Passons maintenant au test unilatral sur . Ce test est le suivant.


H 0: 0 H1: > 0

Ce test se formule comme suit :

t=

0 / n

~ t c ( n 1)

La rgle de dcision est la suivante. On rejette H0 si t > tc (n 1). La figure 1.20 illustre le test unilatral sur . FIGURE 1.20
f (t)

tc

Soit lexemple suivant pour illustrer les deux tests prcdents. Dans le cas du test bilatral, si le nombre de degrs de libert est suprieur 120 et que est suprieur 5 %, tc est gal 1,96, puisque la probabilit dexcder ce nombre, qui est mesure par la surface sous la distribution t comprise entre tc et linfini, est gale 0,025. Dans le cas du test unilatral, tel que lillustre la figure 1.20, le tc sera de 1,645, toujours pour un nombre de degrs de libert suprieur 120. On trouve ce nombre dans la table de la distribution t qui apparat lannexe X.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

58

Trait dconomtrie financire

Erreur de type I et II et puissance dun test ce stade-ci, il convient dintroduire certains concepts utiles dans la thorie des tests, en loccurrence lerreur de type I et la puissance dun test. Lerreur de type I se dfinit comme la probabilit de rejeter H0 alors que cette hypothse est vraie. Par consquent, la probabilit de lerreur de type I est gale . Plus prcisment,

P t > t c = P t > t c + P t < t c =

] [

] [

Pour sa part, lerreur de type II est la probabilit de ne pas rejeter H0 alors que H0 est fausse. La probabilit de lerreur de type I est inversement relie la probabilit de lerreur de type II. La puissance est dfinie en termes de lerreur de type I : Puissance = nombre de fois quun test a commis une erreur de type I On peut valuer la puissance dun test en recourant la simulation de Monte Carlo. Dans ce contexte, une simulation de Monte Carlo consiste gnrer plusieurs chantillons et calculer le nombre total de fois que le test a commis une erreur de type I sur lensemble des chantillons gnrs. Un autre concept frquemment utilis dans la pratique est la p-value. La p-value associe une statistique donne est la probabilit dobtenir (par hasard), pour une exprience alatoire quelconque, une valeur au moins aussi grande, en valeur absolue, que la valeur obtenue pour ladite statistique.

p value ( t *) = 2 1 F t , n 1 = 2 P t > t * = 2 P 1 P( t < t * )

))

o t* est la valeur estime de la statistique t. La figure 1.21 illustre le calcul de la p-value. La p-value reprsente la probabilit que la variable alatoire t soit dans lune ou lautre des deux zones hachures. Au seuil de confiance de 5 %, la p-value doit tre infrieure 0,05 pour que la statistique associe la p-value soit significative. Par exemple, dans le cas de la statistique t, une p-value infrieure 0,05 est associe un t suprieur 1,96 pour un

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

59

nombre de degrs de libert suprieur 120. Incidemment, la p-value peut tre calcule pour toute autre statistique, telles la F et la chi-carr. FIGURE 1.21

/2

/2

t*

t*

Test F partir de la statistique t de Student, soit : t = w= ( n 1) 2


2

z w / ( n 1)

~ 2 ( n 1) et z ~ N(0,1), en mettant le t au carr, on

obtient : t2 = z2 w / ( n 1) = 2 (1) / 1 2 ( n 1) / ( n 1) = F (1, n 1)

La distribution F est donc le ratio de deux variables alatoires de distributions chi-carr indpendantes divises par leurs degrs de libert respectifs, soit 1 et (n 1). La distribution F est reprsente la figure 1.22.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

60

Trait dconomtrie financire

FIGURE 1.22
f(F)

0 Fc F

On pourrait remettre en question lutilit de la statistique t tant donn la relation directe entre t2 et F. La rponse est simple. Alors que la statistique t permet deffectuer des tests unilatraux, ce nest pas le cas pour la statistique F, puisquelle est le carr du t. Nous exposerons plus en dtails le test F ultrieurement.

12. APPLICATIONS

NUMRIQUES

Les donnes utilises pour illustrer les concepts exposs antrieurement concernent les dpenses mensuelles effectues partir de cartes de crdit de 72 individus. Ces donnes ont t colliges par Greene (1992)22. Au tableau 1.1, on retrouve un histogramme des observations ainsi que les diffrents moments de la distribution et le test JB de normalit ainsi que sa p-value.

22. Greene, W. (1992), A Statistical Model for Credit Scoring, document de recherche n EC-92-29, Universit de New York, dpartement dconomie, Stern School of Business.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

61

TABLEAU 1.1
30 25 20 15 10 500 400 800 1200 1600

Series : CARTE Sample 1 100 Observations 72 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 262,5321 158,3200 1898,030 9,580000 318,0468 2,958400 14,04712 471,1422 0,000000

Sur ce tableau, on constate que la moyenne des dpenses mensuelles effectues partir de cartes de crdit est gale 262,53 $. La mdiane, hauteur de 158,32 $, savre ici trs diffrente de la moyenne, ce qui est un signe de non-normalit. Lcart-type de la variable CARTE indiqu par Std.Dev., est de 318,05 $. Cela reprsente une variation importante puisque le minimum de cette variable est de 9,58 $ et le maximum de 1898,03 $. En effet, les coefficients dasymtrie et daplatissement sont respectivement de 2,96 et de 14,05, ce qui diffre substantiellement des valeurs correspondantes pour la normale, soit 0 et 3. La valeur de la statistique Jarque-Bera est de 471,14 (p-value : 0,00), ce qui indique que la distribution empirique des donnes nest pas normale. Ceci tait anticip puisque cette statistique est base sur lasymtrie et laplatissement. Au tableau 1.2, lestimation par les moindres carrs ordinaires du paramtre reprsent par la variable C est de 262,53, ce qui correspond la moyenne de la variable CARTE qui apparat au tableau 1.1. Lcart-type de ce coefficient est de 37,48. Supposons que lon veut tester lhypothse H0 : 158,32 (mdiane) contre lhypothse H1 : < 158,32. Ce test est donc unilatral. La statistique t associe la moyenne est de 262, 53 158, 32 37, 48 = 2, 78 . Par ailleurs, la valeur critique

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

62

Trait dconomtrie financire

de t avec (n 1) = 71 degrs de libert est approximativement de 1,66. Ce test invalide donc lhypothse nulle H0 : = 158,32 au niveau de = 5 %. TABLEAU 1.2
Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 19 :21 Sample : 1 100 IF X3 > 0 Included observations : 72 Variable C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Coefficient 262.5321 0.000000 0.000000 318.0468 7181919. 516.5384 Std. Error 37.48218 t-Statistic 7.004184 Prob. 0.0000 262.5321 318.0468 14.37607 14.40769 1.785861

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 18 :15 Sample : 1 100 IF X3 > 0 Included observations : 72 Variable C REVENU REVENU^2 R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 304.1486 225.6555 14.24923 0.239702 0.217665 281.3115 5460396. 506.6727 1.679384 Std. Error 160.7096 74.60287 7.185293 t-Statistic 1.892535 3.024757 1.983111 Prob. 0.0626 0.0035 0.0513 262.5321 318.0468 14.15758 14.25244 10.87696 0.000078

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

63

Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 18 :14 Sample :1 100 IF X3 > 0 Included observations : 72 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C REVENU REVENU^2 R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 304.1486 225.6555 14.24923 0.239702 0.217665 281.3115 5460396. 506.6727 1.679384 Std. Error 167.3797 86.57141 7.084070 t-Statistic 1.817118 2.606582 2.011447 Prob. 0.0735 0.0112 0.0482 262.5321 318.0468 14.15758 14.25244 10.87696 0.000078

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Nous prsentons maintenant un exemple qui illustre le calcul de la p-value. On veut tester lhypothse que la moyenne des dpenses sur cartes de crdit est gale 0, soit H0 : = 0 (test bilatral). La statistique t, toujours calcule partir de lchantillon prcdent, est gale : t* = est :
p value (7, 00 ) = 2P 1 P ( t < 7, 00 ) = 2P 1 F (7, 00; 71) = 0, 0000 ,

262, 53 0 37, 48

= 7, 00 . La p-value associe cette statistique

o F est la cdf. Au seuil = 5 %, on rejette fortement H0 car la p-value est trs nettement en de de ce seuil. Par ailleurs, lintervalle de confiance de est de : 318, 04 tc = 262, 53 1, 99 = 262, 53 74 , 58 . 72 n

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

64

Trait dconomtrie financire

Le coefficient de corrlation de Pearson pour le cas o lon veut valuer la relation linaire entre les dpenses sur cartes de crdit et le niveau du revenu des individus est de : = V ( CARTE ) V ( REVENU ) Cov ( CARTE, REVENU ) = 0, 44.

Par ailleurs, le coefficient de corrlation de Spearman, calcul par


Spear = Cov ( R , S ) V ( R ) V (S ) = 0, 53. Finalement le coefficient de corrlation

de Kendall, calcul par =


tableau 1.3. TABLEAU 1.3 Correlations

S S*

= 0, 37. Ces calculs apparaissent au

CARTE CARTE Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N 1.000 . 72 .443** .000 72

REVENU .443** .000 72 1.000 . 72

REVENU

** . Correlation is significant at the 0.01 level (2-tailed).

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

65

Nonparametric Correlations
REVENU Kendalls tau_b CARTE Correlation Coefficient Sig. (2-tailed) N 1.000 . 72 CARTE .374** .000 72

REVENU Correlation Coefficient Sig. (2-tailed) N Spearmans rho CARTE Correlation Coefficient Sig. (2-tailed) N

.374** 1.000 .000 . 72 72 1.000 . 72 .534** .000 72

REVENU Correlation Coefficient Sig. (2-tailed) N


** . Correlation is significant at the .01 level (2-tailed).

.534** 1.000 .000 . 72 72

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

66

Trait dconomtrie financire

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Rappels statistiques

67

ANNEXE

Dans cette annexe, nous voulons dmontrer que lestimateur 2 de 2 2 2 est sans biais, cest--dire : E = . Supposons une suite de variables n

( )

alatoires IID( ,

2) :

X1, X2, , Xn. On a : 2 =

(Xi X)
i =1

n 1

. On

labore le numrateur comme suit :

( X i X ) = [( X i ) ( X )]
n 2 i =1 i

. On a donc :

E 2

( )

= E =

[( X i ) ( X )]
i

n 1

2 E (Xi ) X n 1 i 1 2 2 E ( X i ) 2( X i ) X + X = n 1 i 1 2 2 2 E ( X i ) 2n X + n X = n 1 i 1 2 2 = E( X i ) nE X n 1 i 1

)]

) (

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

68

Trait dconomtrie financire

Par dfinition, E( X i ) = 2 et E X
2

=V X =

( )

2 n

. Alors

on a :
E 2 =

( )

n 1
i

n 2 n 1 n

n n 1

2 n 1

n 1 n 1

2 = 2

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

69

CHAPITRE

2
LE MODLE LINAIRE DEUX VARIABLES

Ce chapitre vise prsenter le modle de rgression linaire une variable explicative. Dans ce contexte, nous exposerons les moindres carrs ordinaires (MCO)1 pour estimer les paramtres de cette quation. Nous nous attarderons aux diverses formes fonctionnelles que peut prendre lquation estimer ainsi quaux tests statistiques et intervalles de confiance pertinents. Par la suite, nous dirigerons notre collimateur vers les indices de performance dune rgression et les diverses techniques de prvision en coupe instantane. Finalement, quelques exemples financiers serviront illustrer lestimation du modle linaire deux variables.

1. SPCIFICATION

DU MODLE DEUX VARIABLES ET PROPRITS DES ERREURS RSIDUELLES

Le terme rgression tire son origine de Galton (1889), qui a utilis ce terme pour dsigner le phnomne de rgression vers la mdiocrit quil notait dans une tude sur les tailles relatives des individus. Une rgression linaire se reprsente comme suit : y t = 1 + 2 x t + e t Dans cette quation, yt est la variable dpendante ou explique. xt est le rgresseur, dite encore variable indpendante ou explicative, o

1. Soit les Ordinary Least Squares (OLS) en anglais.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

70

Trait dconomtrie financire

t = 1, , T, soit lindice des observations contenues dans lchantillon. Dans cette quation linaire, deux paramtres sont estimer : 1 et 2. Les hypothses du modle de rgression linaire simple sont les suivantes : i) et est une variable alatoire appele erreur rsiduelle IID (0, 2). Cette hypothse implique que E(et) = 0, t ; que Cov(et, es) = E(et, es) = 0, t s2 ; que V(et) = E(et2) = 2, t. Cette dernire hypothse est celle de lhomoscdasticit. Cette proprit dsigne la constance de la variance des erreurs rsiduelles, une fonction scdastique dsignant une fonction de la variance, le prfixe homo se rapportant au caractre constant de cette fonction.

ii) xt est suppos non stochastique, ce qui signifie que dans des chantillons rpts, xt est fix. Cette hypothse implique que : Cov ( x t , e t ) = 0 E ( x t e t ) = 0 La figure 2.1 donne une reprsentation du modle de rgression linaire une variable explicative. FIGURE 2.1
yt e3

y2 y3

e2

e1 y1

x1

x2

x3

xt

2. On dit alors que et est orthogonal es (ou que et est indpendant de es).

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

71

Comme on peut le constater sur cette figure, il nexiste pas de relation exacte entre yt et xt. Par exemple, si xt = x1, y1 ne tombe pas exactement sur la droite de rgression. Il existe un cart de e1 par rapport la droite qui constitue le terme derreur de la rgression pour cette valeur de x. Et ainsi de suite pour tous les autres x. La droite apparaissant la figure 2.1 est lesprance mathmatique suivante : E ( y t ) = 1 + 2 x t en vertu des hypothses prcdentes. La variance de yt est donne par lexpression suivante :
2 2 2 V ( y t ) = E y t E ( y t ) = E ( y t 1 2 x t ) = E e t = 2

( )

Par consquent, la variance de la variable alatoire yt se confond avec celle des erreurs rsiduelles, cest--dire : yt ~ IID ( 1 + 2 xt , 2)

2. ESTIMATEUR

DES

MCO

On vise estimer les paramtres 1 et 2 du modle linaire de rgression deux variables. La rgle de la minimisation de la somme des erreurs rsiduelles au carr introduite au chapitre 1 est de nouveau utilise ici. Elle se formule comme suit :

Min S( 1 , 2 )
1 , 2

o S( 1 , 2 ) = S, on obtient :
S ( 1 , 2 ) =

t =1

e2 = t

( y t 1 2 x t )
t =1
t t

. En laborant le carr de

t 2 y 2 + T12 + 2 x 2t 21 y t 2 2 x t y t + 21 2 x t . t t t

Pour minimiser S(.), il suffit de calculer les drives partielles de cette fonction par rapport aux deux paramtres et de les galer zro, cest-dire :

S 1

= 2T1 2

y t + 2 2 x t ;
t t

S 2

= 2 2

x t2 2 x t y t + 21 x t
t t t

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

72

Trait dconomtrie financire

S 1 S 2

= 0 2 T1 +

y t 2 x t ) = 0

= 0 2 2

t x 2 + y t x t 1 x t ) = 0

Ces deux quations peuvent tre rcrites comme suit : ( y t 1 2 x t ) = e t = 0 (x tet ) = 0 Ces deux quations sont appeles : quations normales. Exprime sous forme vectorielle, la dernire quation scrit : xT = 0. Un vecteur tel que , orthogonal tout vecteur de lhyperplan engendr par x, est dit normal lhyperplan. Do le qualificatif normal . Pour dterminer et , on solutionne les deux quations
1 2

normales pour ces deux inconnues. Selon la premire quation normale, on a :


e t = 0 y t = T1 + 2 x t En multipliant cette quation par x t , on a : x t y t = x t T1 + x t x t 2. Par ailleurs, selon la deuxime

quation normale :

t ( x t e t ) = 0 x t y t = x t 1 + x 2 2

En multipliant cette quation par T et en soustrayant le dernier rsultat de cette quation, on a : T

xtyt


xt T

y t = 2 T

x2 t

( )
xt

Il en rsulte que : 2 =

( x y ) ( x y ) T x ( x )
t t t 2 t 2 t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

73

On peut simplifier cette expression de la faon suivante : T

2 =

( ( x
T
t

x )( y t y )
2

( ( x

(x t x)
2

x )( y t y ) / ( T 1) / ( T 1)

Cov ( x , y ) xy = x 2 V(x)

(x t x)

Connaissant 2 ,on dduit 1 partir de la premire quation normale en la divisant pralablement par T :

yt
T

= 1 + 2

xt
T

y = 1 + 2 x 1 = y 2 x

3. PROPRITS

DES

MCO

On peut reprsenter sous forme matricielle lquation de la rgression linaire : y=X +e o :


y1 y2 . y = X = x1 . . y T T1 1 1 . = . . 1 x1 x2 . . . x T T 2 e1 e2 . e= . . e T T1

x2

1 = 2 21

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

74

Trait dconomtrie financire

De faon quivalente, on peut reprsenter ce systme comme suit :

y = x 1 1 + x 2 2 + e = x 1

x2

1 + e = X + e 2

o e ~ IID (0, 2I) : E(e) = 0 et V(e) = E(eeT) = 2I. Comme auparavant, X est une matrice de variables non stochastiques. Sous forme matricielle, lestimateur des MCO scrit comme suit :
= XTX

XTy

Les proprits des MCO sont les suivantes : i) les MCO sont sans biais sous les hypothses nonces cidevant. Cette proprit se dmontre comme suit3 :

= XTX

= + XTX

X T ( X + e ) = X T X

X T X + X T X

XTe

XTe

Lesprance de est donc de :


E = E( + X T X

()

X T e ) = + ( X T X ) 1 X T E ( e ) =

cette dernire opration se justifiant par le caractre non stochastique de X. Il sensuit que le biais de , donn par : biais = E , est gal zro. ii) Lestimateur est un estimateur linaire. En effet :

() ()

= XTX

X T y = Ay = f ( y )

la fonction f(.) est une fonction linaire de y.

3. Les principales rgles du calcul matriciel concernant ce chapitre apparaissent dans lappendice de celui-ci.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

75

iii) lintrieur de la classe des estimateurs linaires sans biais, les MCO sont efficients, cest--dire que pour tout autre vecteur * associ un autre estimateur linaire, on a :

V c T V c T *

( ) (
[

o c' est une combinaison linaire des coefficients estims par la mthode des MCO. Dans le cas qui nous concerne, c T est gal :

c T = c1

c2

1 2

Si la variance de cet estimateur est gale celle des MCO et que cet estimateur est sans biais, cet estimateur ne peut tre que celui des MCO. Il convient maintenant de calculer la matrice variance-covariance . On a : V = E E E T . Sachant que de 1 = X T X X T e , on a :

()

( )) (

( ))

T 1 1 V = E X T X X T e X T X X T e 1 1 = E X T X X T ee T X X T X

()

= XTX

= 2 XT X

X T E ee T X X T X

( ) (

Les principales rgles du calcul matriciel apparaissent dans lappendice. Telles sont les principales proprits de lestimateur des moindres carrs ordinaires. Il importe de spcifier la composition de la matrice variance-covariance de .

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

76

Trait dconomtrie financire

V = E E( E( 1 1 = E 1 1 2 2

()

)(

2 2 2 2

2 1 1 1 1 2 2 = E 2 2 2 2 2 1 1 2 E 1 1 E 1 1 2 2 = 2 E 2 2 E 2 2 1 1 V Cov 1 , 2 1 = Cov , V 2 1 2

)(

)(

( ((

) )(

))

((

( ) ( )

)(

)) ( ( ) ( )

tant donn que lon se situe encore dans le cas de la rgression deux variables, on peut reprsenter, comme on la vu antrieurement, la matrice variance-covariance4 de faon compacte comme suit :

Cov = 2 X T X
o X = i

()

x . Plus explicitement :

4. noter que lon utilise indiffremment Cov(.) ou V(.) (en gras) pour dsigner la matrice variance-covariance.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

77

Cov = 2 i x

() () ()

[[ ]

[ i x ]] [i
iTx x T x

iT Cov = 2 x T iTi Cov = 2 T x i o iTi = T. On a finalement : T Cov = 2 x t

()

Cov = 2

()

x x T(x x) (x x)
2 t 2 t

x2 t
t

x
t

(x

x)

2 t 1 2 (x t x)
2.

Pour calculer la covariance de , il suffit maintenant destimer a le modle suivant :

On

y = 1 i + 2 x + e En appliquant les MCO sur ce modle, on obtient le vecteur des erreurs rsiduelles :

e = y y = y X e = y X(X T X) 1 X T y = My
o M = (I X(XTX)1XT). Cette matrice a la proprit dtre symtrique et idempotente. On a galement : MX = 0 = My = Me

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

78 Do :

Trait dconomtrie financire

=
2
2

eTe T2

i e2 =
2,

T2
on a :

tant un estimateur non biais de

E 2 = 2
Dmontrons ce rsultat. E 2 =

( )

( )

E( eT e ) T2

laborons le numrateur de cette quation.


E e T e = E e T M T Me = E e T Me = E tr e T Me
T 2 2

( ) (

) ( ) ( ( )) = E( tr ( Mee )) = tr ( ME ( ee ) ) = tr ( M I ) = tr ( M ) = tr ( M ) = ( T 2)
T 2 2

o tr(M) = tr(I) tr(X(XTX)1XT) = tr(I) tr(XTX(XTX)1) = T 2. En substituant ce rsultat dans lesprance de 2 , on a : E 2 = 2 ( T 2)

( )

( T 2)

= 2

Il va de soi que la dmonstration est la mme dans le cas multivari (plusieurs variables explicatives).

4. TESTS DHYPOTHSES

ET INTERVALLES DE CONFIANCE

De manire construire les tests dhypothses et les intervalles de confiance sur le modle de rgression suivant : y t = 1 + 2 x t + e t il faut identifier la distribution des rsidus. En vertu du thorme central-limite, on suppose que et ~ NID(0, 2). Nous rappelons que cette spcification peut tre vrifie empiriquement par le test BeraJarque. Si et ~ NID(0, 2), en vertu des MCO, on peut crire :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

79

1 ~ N 1 , V 1

( ))
2

; 2 ~ N 2 , V 2

( ))
)

o : V 1 =

( )

2 T

(x t x)

xt

V 2 =

( )

2 (x t x)

; Cov 1 , 2 =

2x
2 (x t x)

On dispose maintenant des outils pour construire les tests. On applique la mme procdure quau chapitre prcdent. tant donn la

2 2 ~ N ( 0 ,1) . Mais comme distribution de 2, on a : V 2

( )

est

gnralement inconnu, on a :

2 2 V 2

V(.) par V ( .) et o
2 2 t c

( )

~ t ( T 2) o on a remplac
e' e T 2
. Par consquent,

est estim par 2 =


2

lintervalle de confiance pour V 2 , 2 + t c


V 2 .

est de :

( )

peut crire : 2 t c

( )

V 2 . De faon plus concise, on

( )

5. PRVISION
5.1. Prvision de E(y0)
On veut prvoir les dpenses moyennes partir des cartes de crdit dsignes par E(y0) en fonction du revenu moyen represent par x0. Dans le cadre du modle de rgression linaire, on a : y0 = 1 + 2x0 + e0 o e0 ~ N(0,
2

) y 0 ~N 1 + 2 x 0 , 2

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

80

Trait dconomtrie financire

Par consquent, E ( y 0 ) = 1 + 2 x 0 y 0 = E ( y 0 ) + e 0 y0 est constitu de deux parties : i) E(y0), soit les dpenses moyennes partir de cartes de crdit pour un revenu y0 ; ii) e0, une erreur horschantillon. La valeur exacte de y0 est donc inconnue car 1, 2 et e0 sont inconnus. Par contre, on obtient 1 et 2 par les moindres carrs ordinaires et on sait que E(e0) = 0 et que cette erreur nest corrle avec aucune autre, i.e. Cov(e0 ,e t ) = 0 t 0 . Lestimateur de E(y0) est obtenu en remplaant 1 et 2 par 1 et 2 . On obtient donc la ( y ) = + y . Lestimateur y est un 0 prvision suivante : y 0 = E 0 1 2 0 estimateur sans biais de y0 puisque :
E ( y 0 ) = E 1 + x 0 E ( 2 ) = 1 + 2 x 0 . En fait, lestimateur E(y 0 ) est

( )

le meilleur estimateur linaire de E(y0). La variance de cet estimateur se calcule comme suit :
V ( y 0 ) = E y 0 E( y 0 )

= E x o

( ( ))( x ( ))
T T o

1 o x 0 = et = x0

1 . 2

T V ( y 0 ) = E x 0 = x0
2 T

)(

x0
2

(X X)
T

x0 =

( x 0 x )2 + 2 T (x0 x)
1

Lestimateur de V(y 0 )

1 est V ( y 0 ) = 2 + T

( x 0 x )2 2 xt x) (

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

81

Fort de ces rsultats, nous sommes en mesure de construire lintervalle de confiance de E(y0) :
y0 tc V(y0 )

Cet intervalle est reprsent la figure 2.2. FIGURE 2.2


y0 + tc V(y0 )

y0

y 0 = 1 + 2 x 0

y0 tc V(y0 )

x0

5.2. Prvision de y0
Nous voulons prdire les dpenses effectues partir de cartes de crdit et non les dpenses moyennes comme dans la section prcdente pour un revenu x0 donn. On a le modle suivant : y 0 = 1 + 2 x 0 + e 0 Pour obtenir la prvision de y0, on procde comme dans la section prcdente. On obtient :
y 0 = 1 + 2 x 0

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

82

Trait dconomtrie financire

On calcule ici la variance de lerreur de prvision. T V ( y 0 y 0 ) = 1 + x 0 X T X


2

1 2 x0 = 1+ + T

( x 0 x )2 2 (x t x)

6. MESURES

DU DEGR DAJUSTEMENT

La mesure la plus utilise pour valuer le degr dajustement dune rgression est le coefficient de dtermination, dsign par R2. Il se dfinit comme suit :
R2 = 1 SCR SCT = 1 t e2 = 1 eTe y ' y Ty 2 = 1 2 e y 2

(y t y)

On peut dmontrer cette relation comme suit. Soit le modle de rgression suivant : yt = 1 + 2zt + et. On exprime ce modle en dviation de la moyenne et on obtient : y t y = 1 + 2 x t + e t y , o
y = 1 + 2 x . On a aussi : y t y = y t y + e t . ( x x ) + e . En levant au carr cette dernire t Do : y t y = 2 t

quation et en sommant, on obtient :

alors :

(e t ( y t y )) + (e t ) , 2 2 o ( y t y ) = 2 ( x t x ) . Puisque 2 ( e t ( y t y ) ) = 0 , on obtient (y t y) = (y t y)
2 2

+2

( y t y ) = ( y t y ) + (e t )
2 2

SCT = SCE + SCR

o SCT dsigne la somme des carrs totale, SCE, la somme des carrs expliqus et SCR, la somme des carrs rsiduels. En divisant les deux cts par SCT, on a :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

83

SCT SCT SCT ajust de Theil se calcule comme suit :


eTe R2 = 1

1=

SCE

SCR

= R2 +

SCR

R2 = 1

SCR SCT

.5 Pour sa part, le R2

2 T2 = 1 e y 2 y ' y Ty 2

T 1
On notera que lon a ici corrig pour les degrs relatifs de libert. Le R2 traditionnel augmentera tant que lon ajoutera des variables mme si celles-ci sont non significatives, alors que le R2 ajust pnalise lajout de variables explicatives un modle, quelles soient significatives ou pas. Le R2 sinterprte comme suit. Dans le cas de deux variables alatoires, ce coefficient est gal au coefficient de corrlation de Pearson au carr. Il mesure donc la force du lien entre les deux variables. ( ( x t x )( y t y ) ) = ( 2 ( x t x ) ) 2 R = 2 2 2 (y t y) (x t x) (y t y)
2 2

= 2 . Dans le cas

o il existe plusieurs variables explicatives, il mesure leffet quont les variations des variables explicatives sur la variable dpendante. Par exemple, si R2 est gal 30 %, cela signifie que 30 % de la variance de la variable dpendante est attribuable la variance de lensemble des variables explicatives.

Autres formes fonctionnelles pour la relation dpenses sur carte de crdit et revenus qui se ramnent au modle linaire standard
Le modle de rgression linaire qui vient dtre expos ne sapplique pas seulement lquation dcrivant une relation linaire entre deux ou plusieurs variables. En effet, certaines formes fonctionnelles peuvent
5. Ce R2 est dit centr car il est calcul en dviation de la moyenne.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

84

Trait dconomtrie financire

tre linarises trs facilement. Une fois cette transformation opre, on peut alors estimer ces quations par les MCO. Voici les formes fonctionnelles les plus courantes qui sont facilement linarisables. 1) Forme quadratique

La forme quadratique scrit comme suit :

y t = 1 + 2 x 2 + e t t
Le graphique de cette relation apparat la figure 2.3. FIGURE 2.3
yt E(yt) =
1

xt2

xt

Mettre les donnes au carr pourrait viser capter les nonlinarits que pourraient incorporer les donnes. La contribution marginale de x dans lexplication de y est value par la drive premire, soit :

dy t dx t

= 2 2 x t . On voit ici que la drive nest pas cons-

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

85

tante mais proportionnelle x. La drive seconde :

( dx t )

d2y t

= 2 2 .

Dans cet exemple, 2 est positif. On peut ramener cette forme la formulation standard antrieure du modle de rgression par la simple transformation suivante : z = x2. Do on obtient : yt = 1 + 2zt + et. Du point de vue de la rgression, on retrouve le modle linaire bien connu. 2) La forme log-linaire (exponentielle)

Cette relation sexprime comme suit : y t = exp ( 1 + 2 x t + e t ) Par la transformation logarithmique, on obtient le modle linaire suivant : ln y t = 1 + 2 x t + e t La forme log-linaire contribue corriger les problmes dasymtrie au chapitre de la distribution empirique des observations ayant trait la variable dpendante. Elle permet galement de stabiliser la variance de la variable dpendante. 3) La forme semi-log

Cette forme scrit comme suit :

exp ( y t ) = exp ( 1 + e t ) x t

Aprs transformation logarithmique, on obtient : y t = 1 + 2 ln ( x t ) + e t Cette forme peut servir au traitement du problme de lhtroscdasticit dont il sera question dans un autre chapitre.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

86 4)

Trait dconomtrie financire

La forme log-log

Cette forme scrit comme suit :

exp( y t ) = 1x 2 exp( e t ) t
En appliquant la transformation logarithmique, on obtient : ln y t = 1 + 2 ln x t + e t ce qui se ramne un modle linaire standard. Cette forme est souvent utilise pour reprsenter les fonctions de demande et de production (type Cobb-Douglas). En valeur absolue, llasticit de la

dy t
fonction est ici mesure par :

d ln y t d ln x t

yt = 2 . Quand 2 > 1, la dx t xt

fonction est dite lastique. Dans le cas inverse, elle est dite inlastique. Llasticit est un concept que lon retrouve frquemment en finance. titre dexemple, dans la thorie des options, on peut calculer llasticit du prix dune option dachat ou de vente. Pour loption dachat, llasticit de son prix celui de laction sous-jacente se calcule comme suit :
c c S = N ( d1 ) S c S

o c reprsente le prix de loption dachat ; S, le prix de laction sousjacente et N(d1), la probabilit cumulative sous la normale de moins linfini d16. Briys et al.7 donnent lexemple suivant. On suppose que
6. Pour plus de dtails sur ce sujet, voir : Racicot, F.-. et R. Thoret (2000), Trait de gestion de portefeuille : titres revenus fixes et produits drivs, Presses de lUniversit du Qubec, Ste-Foy, chap. 6. On consultera galement : Briys, ., M. Bellalah, H.M. Mai et F. de Varenne (1998), Options, Futures and Exotic Derivatives : Theory, Application and Practice, Wiley, New York. 7. Briys et al., op. cit.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

87

S = 18, X = 15, rf = 10 %, T = 0,25, = 15 %. Alors, N(2,8017) = 0,997 et c = 3,3659. Alors, llasticit du prix de loption dachat est de : 0 , 997 = 5, 3317. Llasticit indique le change3, 3659 ment procentuel du prix de loption quand le prix de laction varie de 1 %. Ici, un accroissement de 1 % du prix de laction, cest--dire de 0,18, induit un accroissement de 5,33 % au chapitre du prix de loption dachat. Il sensuit que lorsque le prix de laction passe de 18 18,18, le prix de loption dachat se voit modifi de 3,3659 3,5453 (3,3659 (1 + 0,0533)). Pour sa part, llasticit du prix de loption de vente se calcule comme suit : lasticit = 18

lasticit =

S p p S

S p

[ N (d ) 1]
1

En utilisant les donnes prcdentes, on obtient le rsultat suivant pour llasticit du prix de loption de vente : 0 , 997 1 = 12. Cela signifie que le prix de loption de 0 , 0045 vente diminue de 12 % quand le prix de laction augmente de 1 %. 5) La forme rciproque 18

Cette forme scrit comme suit :


1 y t = 1 + 2 + e t xt

Cette spcification est notamment utilise pour estimer la courbe de Phillips, qui est la relation entre linflation et le taux de chmage. La reprsentation graphique de cette fonction pour le cas o 2 est positif apparat la figure 2.4.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

88

Trait dconomtrie financire

FIGURE 2.4
yt

yt =

+
2

2 (1/xt)

>0

xt

6)

La forme log-inverse

Cette forme sexprime comme suit :


1 y t = exp 1 + 2 + et xt

En appliquant la transformation logarithmique sur cette forme, on obtient :


ln ( y t ) = 1 + 2 1 xt + et

Cette forme sapparente beaucoup la forme rciproque sauf que la variable dpendante est exprime sous forme logarithmique. Quand x augmente, ln(yt) diminue.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

89

7. APPLICATIONS
Fort des enseignements prcdents, nous revenons dans ce chapitre lexemple des dpenses sur carte de crdit. On doit effectuer une rgression du type suivant : y t = 1 + 2 x t + e t o yt reprsente les dpenses moyennes mensuelles sur carte de crdit8 et xt, le revenu des dtenteurs de carte. Sur le fichier original, celui-ci est exprim sur une base annuelle et est divis par 10000. On rgresse cette quation selon les MCO, qui comprennent 72 individus. Le rsultat est prsent au tableau tableau 2.1. TABLEAU 2.1
Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 18 :10 Sample :1 100 IF X3 >0 Included observations : 72 Variable C REVENU R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 22.50933 82.93119 0.196368 0.184888 287.1440 5771618. 508.6683 1.668577 Std. Error 76.78067 20.05219 t-Statistic 0.293164 4.135768 Prob. 0.7703 0.0001 262.5321 318.0468 14.18523 14.24847 17.10458 0.000097

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

la lecture du tableau 2.1, on constate que le R2 (R-squared) est de 0,20. Pour sa part, le R2 ajust se situe 0,18. Comme il sagit ici de donnes microconomiques, on sattend des R2 plutt modrs, de lordre de 0,25. En dpit du caractre trs modr du R2, on observe que le coefficient associ au revenu, hauteur de 82,9, a une

8. Soit les dpenses annuelles divises par 12.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

90

Trait dconomtrie financire

= 4 ,14 avec 70 degrs de 20 , 05 libert et une p-value de 0,00, infrieure au seuil critique de 0,05. Pour illustrer, considrons deux exemples. statistique t significative gale Exemple 1 On veut maintenant prvoir les dpenses sur carte de crdit associes un niveau de revenu de 40 000 $. Les dpenses prvues pour ce niveau de revenu seront de :

82, 93 0

40 000 y 0 = 22, 51 + 82, 93 = 309, 21 $ 10 000


Nous voulons calculer lintervalle de confiance de cette prvision. Nous devons donc valuer la variance de celle-ci. Elle est gale :
2 ( y ) = 1 + ( 4 , 00 3, 44 ) ( 287,14 ) 2 = 1269 , 76 V 0 72 205, 06

Lintervalle de confiance de la prvision de E(y0 ) est donc de :


309 , 21 1, 99 1269 , 76 o 1,99 est le t critique correspondant 70 degrs de libert.

Exemple 2 Lexercice suivant vise calculer le ratio de couverture optimal partir de contrats terme. Les contrats choisis sont les BAX qui sont transigs la Bourse de Montral. Ces contrats sont crits sur des acceptations bancaires trois mois. Nous disposons de donnes journalires sur le prix de ce contrat pour lanne 1999, ce qui quivaut 250 observations. De faon calculer le ratio de couverture optimale, on recourt la mthode de lappariement des positions au comptant et terme. En vertu de cette mthode, le nombre optimal de contrats

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

91

terme (NF) que lon doit dtenir pour couvrir de faon optimale le nombre de contrats dtenus au comptant (NS) est de :

NF =

S F

NS . Or,

S F

= SF

S F

= . On peut calculer ce coeffi-

cient en rgressant S sur F, cest--dire : S t = + Ft + t . Pour la priode 1999, on obtient lestimation suivante :

S t = 76, 00 + 0 , 24 Ft + t . Entre parenthses, on retrouve les statis( 184 ) ( 606 ) tiques t. La Durbin-Watson est de 1,77 et le R2 est 0,99, ce qui indique que les sries semblent cointgres9. Le ratio de couverture, hauteur de 0,24, est donc plutt faible pour cette priode mais historiquement, on remarque quil peut beaucoup fluctuer, du moins en juger par certaines tudes de la Banque du Canada10.
Exemple 3 Lexemple suivant est un test de la relation du CAPM11. On suppose quil existe un actif sans risque dont le taux dintrt est de rf. On a la relation suivante qui relie le rendement espr du titre i celui du portefeuille du march12 :
E( ri ) = rf + i E( rm ) rf

o E(ri) est le rendement espr du titre i, (E(rm)-rf), la prime de risque du portefeuille du march, E(rm) tant le rendement espr du portefeuille du march et i, le bta du titre i. Cette quation est appele SML (Security Market Line). Cette relation exprime la relation
9. Pour lexplication de ce concept, voir le chapitre 9. 10. Watt, D.G. (1997), Canadian Short-Term Interest Rates and the BAX Futures Market : An Analysis of the Impact of Volatility on Hedging Activity and the Correlation of Returns between Markets, document de travail, Banque du Canada. 11. On retrouvera ce test dans Benninga, S. (1997), Financial Modeling, MIT Press. Pour une introduction au modle du CAPM, on consultera : Gagnon, J.M. et N. Khoury (1988), Trait de gestion financire, 3e dition rvise, Gatan Morin, Boucherville, chap. 8. 12. noter quil est trs courant de dduire le taux sans risque du rendement espr du titre i pour formuler la SML. Benninga (1997) na toutefois pas retenu cette approche.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

92

Trait dconomtrie financire

dquilibre entre le rendement espr du titre i et son risque. Selon le CAPM, cette relation est linaire. i mesure la sensibilit du rendement du titre i celui du portefeuille du march. Plus i est important, plus le rendement espr du titre i ragit une variation donne du rendement espr du portefeuille du march. On estime le bta partir de lquation suivante : rit = i + i rmt + e it On suppose les hypothses habituelles pour le terme derreur, entre autres et~NID(0, 2), ce qui est une hypothse de base du CAPM13. Pour estimer cette quation, on dispose de la matrice de donnes qui apparat au tableau 2.2. TABLEAU 2.2
1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 AMR 0 , 3505 0 , 7083 0 , 7329 0 , 2034 0 ,1663 0 , 2659 0 , 0124 0 , 0264 1, 0642 0 ,1942 BS 0 ,1154 0 , 2472 0 , 3665 0 , 4271 0 , 0452 0 , 0158 0 , 4751 0 , 2042 0 ,1493 0 , 3680 GE 0 , 4246 0 , 3719 0 , 2550 0 , 0490 0 , 0573 0 , 0898 0 , 3350 0 , 0275 0 , 6968 0 , 3110 HR 0 , 2107 0 , 2227 0 ,5815 0 , 0938 0 , 2751 0 , 0793 0 ,1894 0 , 7427 0 , 2615 0 1, 8682 MO 0 , 0758 0 , 0213 0 ,1276 0 , 0712 0 ,1372 0 , 0215 0 , 2002 0 , 0913 0 , 2243 0 , 2066 UK 0 , 2331 0 , 3569 0 , 0781 0 , 2721 0 ,1346 0 , 2254 0 , 3657 0 , 0479 0 , 0456 0 , 2640 S & P' s 0 , 2647 0 , 3720 0 , 2384 0 , 0718 0 , 0656 0 ,1844 0 , 3242 0 , 0491 0 , 2141 0 , 2251

13. Si lon exclut cette hypothse, il faut supposer que la fonction dutilit des individus est quadratique, ce qui semble cependant une hypothse encore plus restrictive que celle de la normalit du terme derreur.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

93

o AMR : American Airlines ; BS : Bethlehem Steel ; GE : General Electric ; HR : International Harvester ; MO : Philip Morris ; UK : Union Carbide ; S&Ps : lindice Standard & Poors 500, considr ici comme lapproximation du rendement du portefeuille du march.

P Les rendements sont calculs par la formule suivante : rt = ln t . Pt 1


Prcisons davantage la mthode destimation des btas. Nous sommes ici confronts 6 compagnies, donc 6 actions. Dans lquation prcdente, i = 1, , 6. Nous disposons de dix annes. Considrons le calcul du bta de la premire compagnie (i = 1) , ici AMR. Sous forme matricielle, la rgression scrit comme suit pour cette compagnie : r1 = 1 + 1 rS&P 's + e1
r11 0, 3505 rm 1 0, 2647 r1 2 0, 7083 rm 2 0, 3720 . . . . = = , rm = rS&P 's = = . . . . . . . . r 0,1942 rm 10 0, 2251 110

o : r1 = r AMR

Les rgressions des rendements des compagnies sont effectues par les MCO. On obtient alors le vecteur suivant des btas estims pour ces six compagnies :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

94

Trait dconomtrie financire

1 1, 48 2 1, 08 1, 31 3 = = 1, 30 4 0 , 26 5 6 0 , 49
Par ailleurs, pour estimer E(ri) dans la relation du CAPM, on calcule la moyenne des rendements sur lensemble de la priode pour la

compagnie i : ri =

rit
t =1

10

10

= E( ri ) . Pour lensemble des six compagnies,

r1 0 , 2032 r2 0 , 0531 r3 0 ,1501 on obtient : R = = r4 0 ,1529 r 0 ,1025 5 r6 0 ,1210

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire deux variables

95

Une fois les vecteurs R et estims, on peut estimer la prime de risque du march en rgressant R sur et sur une constante, qui est suppose le taux sans risque. On obtient : R = rf + E ( rm ) rf + e , ( r ) = 0 , 0766 + 0 , 0545 . Si la constante est le taux sans risque soit : E i i et comme la prime de risque estime est gale 0,0545, on peut dduire lesprance du rendement du march comme suit : (rm) = 0,0766 + 0,0545 = 0,1311.

La statistique t de la constante est de 1.61 et celle de la prime de risque, 1,24. Le R2 est de 0,28 et le R2 ajust, de 0,10. On en conclut que ce modle nest pas vrifi si lon en juge par la faiblesse des statistiques t et du R2. Notons cependant que le nombre de degrs de libert est trs rduit mais il nen reste pas moins quavec un chantillon plus grand, les conclusions pourraient tre similaires. Nous avons galement recouru ici une mthode destimation trs simple. Nous aurions pu sophistiquer davantage en recourant aux techniques du panel et leurs variantes. Pour estimer le bta de chaque titre, on aurait pu se servir de la technique ARCH-M sur chaque srie en ajoutant la racine carre de la variance conditionnelle dans lquation qui sert estimer le vecteur . Cette procdure sera analyse au chapitre 10.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

97

CHAPITRE

3
LE MODLE LINAIRE GNRAL

Jusquici, nous ne nous sommes intresss qu une seule variable explicative. Le chapitre que voici se veut plus gnral en introduisant plusieurs variables explicatives. Encore une fois, ce chapitre se penche sur les problmes destimation, de spcification, dinfrence et de prvision. Lorsque lon passe au niveau de plusieurs variables explicatives, force est dutiliser le calcul matriciel. Les principes du calcul matriciel sont prsents lannexe de ce chapitre.

1. FORMULATION

MATRICIELLE ET HYPOTHSES DE BASE

Soit le modle linaire suivant, qui incorpore plusieurs variables explicatives : y t = 1x t1 + 2 x t 2 + ... + k x tk + e t o xt1 = 1, t. Si lon dispose de T observations sur yt et les xtk, on peut crire :

y 1 = 1 + 2 x 12 + 3 x 13 + ... + k x 1k + e1 y 2 = 1 + 2 x 22 + 3 x 23 + ... + k x 2k + e 2 ... y T = 1 + 2 x T 2 + 3 x T 3 + ... + k x Tk + e T

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

98

Trait dconomtrie financire

En exprimant ce systme dquations sous forme matricielle, on a :

y 1 1 y 2 1 . . = . . . . y T 1

x 12 x 22

x 13 x 23

. .

. .

. .

x T2

x T3

x 1k 1 e1 x 2k 2 e 2 . . . + . . . . . . x Tk k e T

Sous forme compacte, ce systme scrit :

y = X + e
Les hypothses de base du modle classique linaire gnral de la rgression multiple sont les suivantes : i) Les innovations e sont IID ~ (0, 2IT). Cette hypothse implique que E(e) ; V(e) = E(eeT) = 2IT. Cette hypothse implique quil ny a pas de corrlation entre les rsidus : Cov(et, es) = 0, t s. De plus, 2 = 2 , t , s . Cest l lhypot s thse de lhomoscdasticit des rsidus.

ii) Les variables explicatives x sont supposes non stochastiques, cest--dire quelles sont fixes dans des chantillons rpts. Cette hypothse implique que E(xTe) = 0. Cette hypothse est ncessaire pour assurer que lestimateur des MCO sera sans biais. Cest aussi une condition de moments utilise dans la mthode des moments gnraliss (GMM) qui sera traite au chapitre 11. On veut estimer le paramtre du modle de rgression : y = X + e. linstar du chapitre 2, la mthode des MCO consiste solutionner le problme de minimisation suivant :
MIN S( ) = MIN

t =1

e 2 , o t

e
t =1

2 t

= e T e . On a :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

99

e T e = ( y X )

( y X ) = ( y T T X T ) ( y X )
T

= y T y y T X T X T y T X T X = y T y 2 T X T y T X T X

Pour calculer , on calcule la drive suivante :


S( ) = 2X T y 2X T X . On galise ce rsultat zro et on obtient :

= XTX

X T y . Prcisons ce calcul en introduisant les formes

quadratiques et les techniques de drivation matricielle. Dabord la forme quadratique. Sa forme gnrale est la suivante :
x T Ax =

x i x j a ij , o A est une matrice symtrique. Soit lexemple


i j

suivant o i = 1, 3 et j = 1, 3. Soit A = XTX, cette matrice tant tire de lestimateur des MCO et x = dans cette forme quadratique. Par consquent :

T A =

j =1 i =1

i j a ij =
2 1 a 11

(1 j a1j + 2 j a 2j + 3 j a 3j )
3 j =1

( a

+ 21a 21 + 31a 31 +

2 1 12

2 2 + 2a 22 + 3 2a 32 + 31a 13 + 3 2a 23 + 3 a 33

) (

Parce que A est une matrice symtrique, on a :


2 T A = a 111

+2a 121 2 + a 22 2 2

+2a 131 3 +2a 23 2 3


2 + a 33 3

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

100

Trait dconomtrie financire

La drive de la forme quadratique tume, cest--dire : T A a 11 a 12 1 T T A A a 22 = = 2 a 12 2 T A a a 23 13 3

seffectue comme laccou-

( ( (

) ) )

a 13 1 a 23 2 = 2 A = 2X T X. a 33 3

Cest l la drive recherche qui constitue le second terme de , en la faisant certes prcder dun terme ngatif. Pour sa part, son premier terme se calcule comme suit. Posons :
T X T y

S( )

) = ( a ) , cette substitution :
T

a1 a = a2 = XT y a 3 tant effectue pour simplifier les calculs. On a donc : Ta = 1a1 + 2a2 + 3a3. La drive partielle recherche se rduit donc un simple calcul habituel, cest--dire : Ta 1 T Ta a = 2 T a 3

( ( (

) ) )

a1 = a = a = X T y. 2 a 3

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

101

Nous avons donc dmontr comment calculer la drive recherche : S( ) = 2X T y 2X T X

Comme cela a t voqu plus haut, en galant cette drive 0, on obtient sous forme matricielle les quations normales nonces au chapitre 2, cest--dire :

X T y = X T X = XTX

)
. . .

XTy

ce qui est lquation des MCO. En dveloppant les matrices, on a :


1 2 . = . . k

x 2t1 x t1x t2
. . .

x t1x t2 x 2t2
.

. . .

. . .

x t1x tk x t1y t
.

x t2 x tk x t2 y t
. . . . . x tk y t .

x t1x tk x t2 x tk
2S ( ) T

x 2tk

Pour tre certain dobtenir un minimum, on requiert la condition second ordre suivante : = 2X T X, soit une matrice dfinie posi-

tive, cest--dire que les dterminants des sous-matrices de XTX soient tous positifs.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

102

Trait dconomtrie financire

2. PROPRITS

DE LESTIMATEUR DES

MCO

Dans le cas de la rgression multiple, lestimateur des MCO possde les mmes proprits que celles voques au chapitre 2 : i) lestimateur des MCO du vecteur est sans biais et efficient dans la classe des estimateurs linaires. Cela se rsume par le thorme de GaussMarkov : sous les hypothses du modle classique linaire gnral, lestimateur des MCO est lestimateur BLUE1 de bta. Par consquent, en supposant que les rsidus ei ~ IID(0, 2) et que X est non stochastique, on obtient le meilleur estimateur linaire du modle de rgression. Il reste dmontrer ces proprits. Dabord, celle ayant trait labsence de biais. On sait que = (XTX)1 XTy, o y = X + e. En remplaant y par sa valeur dans lexpression de et en insrant ) = + (XTX)1 lesprance lintrieur de lexpression, on a : E( XTE(e) puisque Xe. Par consquent, ne prsente pas de biais. Passons maintenant la proprit de lefficience. Rappelons le calcul de la variance de . On a : V( ) = E[( )( )T] = (XTX)1 TE(eeT)X(XTX)1 = 2(XTX)1. partir de ce rsultat, on peut X dduire que lestimateur des MCO est lestimateur linaire dont la variance est la plus faible dans la classe des estimateurs linaires. En effet, si lon suppose un autre estimateur linaire * , cela revient dire que V V * et que pour toute autre combinaison linaire : V c T V c T * .

() ( ) ( ) ( )
(
)
1

Envisageons maintenant lestimateur de la variance de ,

V = 2 X TX

()

, o 2 =

eTe Tk

, et o 2 est lestimateur sans

biais de 2 puisque le dnominateur de 2 reprsente le nombre de degrs de libert.

1. Soit le best linear unbiaised estimator.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

103

R2 et R2
Le coefficient de dtermination R2 se calcule comme suit partir de lquation de SCT, soit la somme des carrs totale : SCT = SCE + SCR, o SCE dsigne la somme des carrs explique et SCR, la somme des carrs rsiduelle. En divisant les deux membres de lquation par SCT, on obtient :

R2 = 1
T

SCR SCT

= 1

(y

e
i

2 i 2

y)

= 1

eTe y T Ay

est la matrice de transformation des donnes en dT viation de la moyenne. Par exemple, si R2 = 87 %, cela signifie que 87 % de la variation de la variable explique est attribuable aux variations des variables explicatives. Il peut tre montr que :
2 R = Cov ( y t , y t ) , qui est le coefficient de corrlation au V(yt )
2

o A = I

V(yt )

carr entre y t et yt. Comme y t est une prvision de la valeur de yt, R2 est un indicateur du caractre explicatif de lquation de rgression bien modliser yt. La valeur de R2 est comprise entre 0 et 1. Plus R2 est rapproch de 1, plus le caractre explicatif du modle est important. Comme cela a t expliqu au chapitre 2, cette mesure a la dficience daugmenter au fur et mesure que lon ajoute des variables explicatives mme si celles-ci ne sont pas significatives. noter que linterprtation du R2 comme coefficient de corrlation de Pearson entre une variable explicative et la variable dpendante nest plus valable, puisque lon est videmment ici en prsence de plusieurs variables explicatives. Une mesure alternative qui corrige ce problme associ aux degrs de libert est le R2 ajust de Theil. Elle se dfinit comme suit :
R =1
2

2 ( y i y ) / ( T 1)

i e2 / ( T k )

=1

e 2 y 2

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

104

Trait dconomtrie financire

Cette mesure utilise les estimateurs sans biais de la variance des erreurs rsiduelles et de la variance de y. Il faut galement souligner que les deux mesures du degr dajustement du modle de rgression que nous avons prsentes sont centres, cest--dire quelles sont dfinies en dviation de la moyenne. On pourrait galement exprimer ces mesures en donnes brutes.

3. HYPOTHSES

SUR LES ERREURS ET CONSQUENCES

Supposons le modle de rgression suivant : y t = 1 + 2 x t 2 + ... + k x tk + e t , t = 1, , T ). Lapplication des moindres carrs ordinaires (MCO) 1 ce modle implique que ~ N , 2 X T X . Prcisons les impli cations de ces hypothses : o et ~ N(0,
2

i)

Sous lhypothse de normalit des erreurs, non seulement lestimateur des MCO est BLUE par le thorme GaussMarkov, mais il devient le meilleur estimateur sans biais de . La variance des MCO atteint la borne Cramer-Rao, borne infrieure pour tous les estimateurs. Cela signifie que sans lhypothse de normalit, il peut exister un estimateur non linaire biais de , mais qui comporte une variance chantillonnale infrieure celle des MCO.

ii) Lestimateur des MCO de se confond avec celui du maximum de vraisemblance. Pour ce qui concerne la variance, lestimateur de la variance de 2 du maximum de vraisemblance est toutefois biais, ce qui nest pas le cas pour les MCO. iii) Sous lhypothse de normalit, on obtient des tests exacts. 1 Sachant que ~ N , 2 X T X , cela revient dire que lon connat les distributions exactes des tests. On peut donc construire les tests t, de 2 et de Fisher dans les petits chantillons. Advenant le cas o lon ne connat pas la distribution des erreurs, on recourt aux distributions asymptotiques de nos estimateurs pour ainsi effectuer les tests LM, LR et de

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

105

Wald. Il existe dautres mthodes de tests pour les petits chantillons, tels les tests non paramtriques.

4. TESTS DHYPOTHSES
ET INTERVALLES DE CONFIANCE
Tel quon vient de le mentionner, lhypothse de la normalit des rsidus nous permet deffectuer des tests dinfrence et de calculer des intervalles de confiance.

Tests t
Considrons le cas o 2 est inconnu. Soit H0 : k = 0 et H1 : k 0, cest--dire que lon veut tester si k est significativement diffrent de 0. Pour construire ce test, on procde de la mme faon quau chapitre 2, cest--dire, sous H0 :
t= k 0 V k

( )

k 0 c kk 2

~ t c (T k )

o ckk provient de la diagonale de la matrice (XTX)1. La reprsenta tion matricielle de la variance de est la suivante : = 2 V T

x t2 x 2t2
.

. . .

. . .

. . . .

x tk

x t2
. . .

()

x tk x t2 x tk

x t 2 x tk . . . 2 x tk

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

106

Trait dconomtrie financire

Par exemple, pour k = 2, c22 est gal : c 22 =

x 2t2 .

Intervalles de confiance
Pour 2 inconnu, la technique pour construire un intervalle de confiance est exactement la mme que celle prsente aux chapitres 1 et 2, cest--dire :
P t c < t < t c = 1 P k t c V k < k < k + t c

( )

V k = 1

( )

Lintervalle de confiance pour k scrit : k se k t c , o se est lcart-type de . Le test qui vient dtre prsent est bilatral. Pour
ce qui concerne les tests unilatraux, la technique est identique celle expose aux chapitres 1 et 2.
k

( )

Test F
Dans le chapitre prcdent, on a prsent le test F dans le cas univari comme tant un t2. Mais dans sa forme la plus classique, le test F est utilis pour effectuer un test conjoint sur lensemble des paramtres. En effet, pour tester lhypothse H0 : 2 = 3 = ... = k = 0 : s = 0 contre H1 : au moins lun des k est diffrent de 0 : s 0. Le test F correspondant est le suivant. Tout dabord, nous savons que : s ~ N s , 2 M . Posons :

w1 = s s

) [ ( )] ( ) [ M] ~ = ( ) ( )

V s

2 c

( k 1)

o M = X 2 AX 2

) = (X
1

T *

X*

. Posons :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

107

w2 =

2 (T k )
2

~ c

(T k )
2

Sachant que le test F est construit partir du ratio de deux par leurs degrs de libert respectifs, on a alors :

divises

F=

( k 1) (T k)
w2

w1

(
=

s s

M 1 s s 2 k 1 2 (T k )

( = ( =

) ( M ) (
T 2 1

2 Tk
s

) )
~ Fc ( k 1, T k )

) ( V ( )) (
T 1 s

k 1

k 1
s

tant donn que lon teste H0 :


T s V s

= 0, on peut crire :
~ Fc ( k 1, T k )

F=

( ( ))
k 1

Comme F =

( k 1) (T K)
w2

w1

, que w 1 =

T T s X * X * s
2

SCE 2

et que

w2 =

2 (T k ) 2

SCR 2

, on a :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

108

Trait dconomtrie financire

puisque R 2

(1 R ) / T k SCT = SCE et (1 R ) SCT = SCR .


SCR / T k
2

F=

SCE / k 1

R2 / k 1

Estimation en prsence de contraintes linaires sur les paramtres Dans la section prcdente, nous avons prsent la procdure gnrale pour tester lensemble des paramtres. Dans cette section, nous nous attaquons la procdure pour tester un sous-ensemble de paramtres faisant partie de cet ensemble. cet effet, supposons que lon

2 0 veut tester H0 : s = = qui est le sous-ensemble de lensemble 3 0 des paramtres ( 2, 3,, k), contre lalternative H1 : 2 0 s = . En utilisant la notation habituelle, on peut crire les 3 0 contraintes linaires sur les comme suit :

R = r
Le test H0 est ici le suivant si lon suppose un ensemble de cinq paramtres : H 0: R = r H1: R r o :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

109

0 R = 0

1 0

0 1

0 0

1 2 0 = 3 0 4 5

2 3

Pour construire le test F en utilisant cette notation, il faut estimer la covariance de s , cest--dire :
V s = RV R T = R 2 X T X
V 1 Cov 2 , 1 . . . Cov 5 , 1

( )

()

RT
Cov 1 , 5 Cov 2 , 5 . . . V 5

( ) ( )

Cov 1 , 2
2

( ) V ( )

. .

. .

. .

( (

) )

0 = 0

1 0

0 1

0 0

0 0

) . . V ( ) Cov ( , ) = Cov , ( ) V ( )
Cov 5 , 2
2 2 3 2 3 3

( )

0 1 0 0 0

0 0 1 0 0

Aprs avoir calcul cette variance et sachant que R = s et que R r = s s , on peut crire le test F bas sur la notation gnrale des contraintes linaires sur les paramtres comme suit :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

110

Trait dconomtrie financire

(R r ) [RCov ( )R ] (R r ) F=
T T 1

R r

SCR R =

1 T T R X X R 2 q SCR U T

(R r )

q SCR U Tk

~ Fc ( q, T k )

Envisageons maintenant lestimation en prsence de contraintes. Nous traitons toujours le cas du modle de rgression linaire cinq paramtres o H0 : 2 = 3 = 0. Si lon incorpore ces contrainte, dans ce modle, on a : y t = 1 + 4 x 4 t + 5 x 5 t + e Rt En appliquant les MCO sur cette quation, on obtient les rsidus suivants :
eR = y X R R

o
1 1 . = . . 1 x 41 x 42 x 51 x 52 . . . x5T

1R = 4 R 5R

XR

x4T

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

111

La somme des carrs rsiduels contraints est donc gale :

SCR R = y X R

) ( y X ) = e
T R

T R

eR

Par ailleurs la somme des carrs rsiduels non contraints, soit SCRU, T y X T est gale : SCR U = y X U U = e U e U . Par cons-

)(

2 quent, le test dhypothse H0 : s = = 3

0 0 contre H1 : s 0 0

SCR R SCR U

scrit comme suit : F =

2 SCR U

~ Fc ( 2, T k ) . Si H0 est

Tk vraie, on devrait sattendre ce que SCRR soit trs rapproch de SCRU. En effet, les variables 2 et 3 nexercent pas alors dincidence sur la rgression. La statistique F est alors rapproche de 0, trs en de du seuil critique au-del duquel H0 serait rejete. Par ailleurs, si F > Fc, SCRU est sensiblement plus faible que SCRR et les contraintes ne sont pas valables. H0 est alors rejet2.

Supposons maintenant que lon veut estimer et tester le modle contraint suivant. Dans le modle prcdent, nous imposons les contraintes suivantes. Sous H0 : 2 + 3 + 4 + 5 + 0

2. La variance de lestimateur contraint sera toujours infrieure ou gale celle de lestimateur non contraint puisque, linstar de la statistique bayesienne, on fait appel de linformation supplmentaire lextrieur de lchantillon.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

112

Trait dconomtrie financire

Cest--dire, en notation matricielle :


R = r , o 1 2 R = 0 1 1 1 1 3 = 0 + 2 + 3 + 4 + 5 4 5

et r = 0. Par ailleurs, sous H1 : R r. Linterprtation de H0 est la suivante. Imaginons que le modle prcdent concerne la demande dun bien, par exemple la demande de contrats au comptant sur les carcasses de porc, sur lesquelles peuvent tre aussi crits des contrats terme. Les variables explicatives x2, x3 et x4 sont les prix relatifs habituels et x5 est le revenu. Supposons que lon double le prix des carcasses (x2), de mme que les prix des autres viandes (x3 )et les prix des biens et services restants (x4). On double galement le niveau du revenu (x5). Dans ce contexte, lhypothse H0 signifie que la quantit demande de carcasses de porc demeurerait la mme en dpit de ces variations de prix et de revenu. Pour tester H0, on estime lquation restreinte suivante. Remplaons 4 par 2 3 5.3 En substituant cette valeur dans lquation prsente prcdemment, nous obtenons le modle contraint suivant : y t = 1 + 2 x 2 t + 3 x 3 t + ( 2 3 5 ) x 4 t + 5 x 5 t + e Rt En rarrangeant cette quation, on obtient : y t = 1 + 2 ( x 2 t x 4 t ) + 3 ( x 3 t x 4 t ) + 5 ( x 5 t x 4 t ) + e Rt
3. Ce qui est bien sr une faon dexprimer lhypothse H0 :
2

= 0.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

113

Dans une premire tape, on estime ce modle par les MCO pour obtenir les rsidus contraints e R et lon peut ainsi calculer la somme T des carrs rsiduels contraints : SCR R = e R e R . Dans une deuxime tape, on estime le modle non contraint do lon dduit la somme T des carrs rsiduels non contraints : SCR U = e U e U . laide de ces informations, on formule le test F comme suit :

F=

( SCR R SCR U ) / 1 ~ F 1, T 5 )) c( ( SCR U / ( T 5 )

o q = 1 et k = 5. La rgle est de rejeter H0 si F > Fc (1, (T 5)) ou si la p-value(F) < 0,05. Notons que pour J = 1, un test de Student aurait pu convenir. En effet, lhypothse H0 se formule alors comme suit : H0 : contre lalternative H1 : seffectue en deux temps.
2 2

+
3

+
4

+
5

=0

0. La procdure du test
4x4t

1) On estime la rgression : yt = 1 + 2x2t + 3x3t + par les MCO, do on obtient 2 , 3 , 4 et 5 .

5x5t

2) On fait la somme de ces coefficients estims et on construit le test t de Student de la faon habituelle.

( t=
(

+ 3 + 4 + 5 0

V 2 + 3 + 4 + 5

~ t c ( T 5)

o V se calcule comme suit :

V 2 + 3 + 4 + 5 =

i=2

V i +

( )

Cov ( i , j )
4 5 i = 2 j =3

et o Cov i , j provient de la matrice variance-covariance de :


: V = 2 X T X

()

. La rgle est de rejeter H0 au seuil

= 5 % si

t > t c ( T k ) , ou lorsque la p-value(t) < 5 %.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

114

Trait dconomtrie financire

Il est signaler que le test F aurait pu tre formul en termes de R2. Le test F pour tester un sous-ensemble de paramtres sexprime comme suit :
2 U ( SCR R SCR U ) / q = ( R 2 R R ) / q F= SCR U / ( T k ) (1 R 2U ) / ( T k )

Cette dernire galit repose sur les relations suivantes :


2 SCR R = 1 R R SCTR ; SCR U = 1 R 2 SCT U . U

5. PRVISION

DANS LE MODLE LINAIRE GNRAL

Nous transposons ici les techniques de prvision introduites au chapitre 2 au modle linaire gnral. Soit le modle suivant quatre variables explicatives : y t = 1 + 2 x t 2 + 3 x t 3 + 4 x t 4 + 5 x t 5 + e t o et ~ N(0, 2). Supposons que lon veuille prdire y partir des valeurs suivantes des variables explicatives : x0 = [1 x02 x03 x04 x05]T. On veut donc prdire E(y0). En substituant le vecteur x0 dans lquation de yt, on obtient : y 0 = x 0 + e0 o = [ 2 E(y0) est :
3 4 T 5] .
T

Le meilleur estimateur linaire sans biais de


T y0 = x0

o est lestimateur de la rgression de yt sur le terme constant et ses quatre variables explicatives. Lintervalle de confiance de cet estimateur est :
T y 0 t / 2 x 0 X T X

x0

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

115

6. APPLICATIONS
Pour illustrer ce chapitre, nous renouons avec lexemple des dpenses sur les cartes de crdit que nous avons trait en partie dans les chapitres prcdents. Nous voulons effectuer la rgression suivante, qui renferme plusieurs variables explicatives : y = x 11 + x 2 2 + x 3 3 + x 4 4 + x 5 5 + e o x1 est un vecteur unitaire ; x2 est le vecteur des donnes sur les revenus ; x3, le vecteur des revenus au carr qui sert capter la nonlinarit de la fonction des dpenses ; x4, un vecteur des ges en annes ; x5, un vecteur de variables dichotomiques qui prend la valeur 1 si lindividu possde une maison et 0 sil est loyer. En appliquant les MCO sur ces donnes, on obtient les rsultats qui apparaissent au tableau 3.1. TABLEAU 3.1
Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 18 :09 Sample :1 100 IF X3 >0 Included observations : 72 Variable C REVENU REVENU ^2 AGE LOYERMAISON R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
smpl if x3 = 0 series carte = na series loyermaison = na series age = na series revenu = na

Coefficient 237.1465 234.3470 14.99684 3.081814 27.94091 0.243578 0.198418 284.7508 5432562. 506.4888 1.682310

Std. Error 199.3517 80.36595 7.469337 5.514717 82.92232

t-Statistic 1.189589 2.915999 2.007788 0.558835 0.336953

Prob. 0.2384 0.0048 0.0487 0.5781 0.7372 262.5321 318.0468 14.20802 14.36612 5.393722 0.000795

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
smpl if x3 > 0 series carte = x3 series loyermaison = x4 series age = x1 series revenu = x2

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

116

Trait dconomtrie financire

On observe entre autres que seules les variables revenus et revenus au carr sont significatives au seuil de 5 % puisque leur p-value est respectivement de 0,005 et de 0,049, soit infrieures au seuil critique de 0,05. Les R2 et R2 ajust sont respectivement sont de 24,3 % et de 19,8 %, soit du mme ordre que dans lexemple du chapitre 2. En regard de cet exemple, laugmentation du R2 ajust est faible puisque dans cet exemple, celui-ci se situait 18,5 %. Par ailleurs, le R2 ordinaire a beaucoup plus augment puisque dans lexemple du chapitre 2 il se situait 19,6 %. Cette situation tait anticipe puisque le R2 ordinaire nest pas corrig pour les degrs de libert. Finalement, le test F sur lensemble des variables explicatives dgage une statistique F de 5,39 et sa p-value est de 0,000. Les variables explicatives sont donc significatives et tel que mentionn plus haut, les tests t nous permettent de discriminer entre les variables explicatives.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

117

ANNEXE

RAPPELS DE CALCUL MATRICIEL

1. OPRATIONS

MATRICIELLES

1.1. Addition et soustraction


Soit deux matrices carres A et B dordre 2 deux matrices seffectue comme suit : 2. La somme de ces

a 12 b11 b12 a 11 A+B= + a 21 a 22 b 21 b 22 a 11 + b11 a 12 + b12 = a 21 + b 21 a 22 + b 22 Pour la soustraction des deux matrices A et B, on remplace les + par des au niveau des lments de la matrice B. Soit trois matrices A, B et C conformables. La loi de lassociativit vaut galement pour la somme des matrices, cest--dire :

( A + B) + C = A + (B + C )

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

118

Trait dconomtrie financire

1.2. Multiplication et produit Kronecker


Nous voulons maintenant multiplier les matrices A et B. Ces deux matrices sont conformables pour la multiplication puisque le nombre de lignes de A est gal au nombre de colonnes de B. Nous procdons comme suit pour multiplier A et B : a 11 b11 + a 12 b 21 AB = a 21 b11 + a 22 b 21 a 11 b12 + a 12 b 22 a 21 b12 + a 22 b 22 2 2

Par ailleurs, A B, ou le produit Kronecker de A et B, dsigne le produit de chaque lment de A par B, cest--dire : a 11 B AB = a 21 B a 12 B a 22 B 4 4

Soit trois matrices conformables A, B et C. La loi de lassociativit vaut pour le produit de ces trois matrices :

( AB )C = A ( BC )
1.3. Transpose dune matrice
Soit la matrice prcdente A. Sa transpose est linterversion de ses lignes et colonnes, cest--dire :

a 11 = a 12

a 21 a 22

Soit trois matrices conformables A, B et C. On a :

( A + B + C )T = A T + BT + C T

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

119

Par ailleurs, la rgle concernant la transpose dune multiplication est la suivante :

( ABC ) T = C T B T A T
2. MATRICES
CARRES IMPORTANTES

2.1. La matrice I
La matrice identit de dimension (n
1 0 . In = . . 0

n) scrit comme suit :


0 0 . . . 1

0 1 . . . 0

. 0 . . . 0

. .

. .

. . . . .

Cette matrice est diagonale car les triangles suprieurs et infrieurs contiennent des lments qui sont nuls. Seuls les lments de la diagonale principale ne sont pas nuls. Supposons maintenant un vecteur y de dimension (n 1). On a : Iny = y. La transpose de cette T opration est la suivante : ( I n y ) = y T I T = y T . n La matrice In est un cas de matrice symtrique. En effet, une matrice symtrique est une matrice carre, cest--dire de dimension (n n), qui est gale sa transpose. Soit une matrice carre A. A est symtrique si : AT = A. Pour fixer les ides, dans le cas de la mthode

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

120

Trait dconomtrie financire

des MCO, la matrice (XTX) est une matrice symtrique puisque la transpose de cette matrice est gale au rsultat initial.

2.2. Matrice idempotente


La matrice A est idempotente si A = A2 = ... = An. Cest--dire que lorsque lon multiplie la matrice A par elle-mme autant de fois que lon veut, on revient la matrice originale. Une matrice idempotente trs connue est la matrice dite residuals maker matrix4 que lon peut traduire en franais par matrice gnratrice des rsidus :

M = I X ( X T X ) 1 X T
Cette proprit signifie, par exemple, que M2 = M. Cette matrice a galement la proprit dtre symtrique, cest--dire que : MT = M. ce stade-ci, il convient dintroduire la trace dune matrice carre. Elle se dfinit comme la somme des lments de sa diagonale principale, cest--dire : tr ( A ) =

a ii , o A est une matrice carre.


i

Soit maintenant deux matrices A et B, dont les dimensions respectives sont de (m n) et de (n m). Par consquent, AB et BA sont deux matrices carres et : tr ( AB ) = tr ( BA ) Pour trois matrices A, B et C, si le produit donne des matrices carres, on a : tr ( ABC ) = tr ( CAB ) = tr ( BCA ) est un Tk estimateur non biais de 2. En effet, pour dmontrer cette proprit, il faut calculer lesprance de 2 , et pour effectuer cette opration, on doit calculer E(T), cest--dire : Cette proprit nous a servi dmontrer que 2 = eTe

4. Cette matrice est ainsi appele car lorsquelle prmultiplie y, on obtient les rsidus estims. En effet, My = [I X(XTX)1 XT] y = y XTX)1XTy = y X = .

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

121

E e T e = E e T M T Me
T

( ) ( = E(e

Me

= E tr e T Me

((

))

car la trace dun scalaire est gale ce scalaire5. Il sensuit que :

( ( )) = tr ( ME ( ee ) )
= E tr Mee T
T

= tr ( M 2 I ) = 2 tr ( MI ) = 2 tr ( M )

Pour terminer ce calcul, il nous suffit de calculer la trace de la matrice M. Ce calcul seffectue comme suit :

tr ( M ) = tr ( I ) tr X X T X = n tr X T X

XT

X T X = n tr ( I k ) = n k

2.3. Le dterminant dune matrice


Soit une matrice B de dimension 3 b11 B = b 21 b 31
5. En effet, eTMe est un scalaire.

3: b13 b 23 b 33

b12 b 22 b 32

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

122

Trait dconomtrie financire

Le dterminant de B se calcule comme suit :

B =

i , j ,k

b1i b 2j b 3k

= b11b 22b 33 + b12b 23b 31 + b13b 21b 32 b11b 23b 32 b12b 21b 33 b13b 22b 31
Loprateur commande toutes les permutations des indices 1, 2 et 3, le signe moins simposant lorsque lordre naturel des indices est invers. De faon plus gnrale, le dterminant dune matrice A est :

A =

i , j ,...,s

a1i a 2j ...a ns

Voici quelques proprits des dterminants : i) Le dterminant dune matrice triangulaire B b11 B = b 21 b 31 0 b 22 b 32 0 0 b 33

est gal au produit des lments de sa diagonale principale, soit sa trace : B = b11 b 22 b 33 ii) Le dterminant du produit de deux matrices carres A et B de mme dimension est gal : AB = A B Un corollaire cette rgle est que : A 1 = 1 A

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

123

iii) La multiplication de toute ligne ou colonne dune matrice par une constante a le mme effet sur le dterminant de cette matrice. Pour illustrer, multiplions par c la premire ligne de la matrice B prcdente : cb11 b 21 b 31 cb12 b 22 b 32 cb13 b 23 b 33

cB

Par ailleurs, multiplier tous les lments dune matrice (n n) par la constante c revient multiplier son dterminant par cn. iv) Si une ou plusieurs lignes ou colonnes dune matrice sont linairement dpendantes, alors le dterminant de cette matrice est nul. On dit quune telle matrice est singulire par rapport une matrice rgulire dont le dterminant est diffrent de 0.

2.4. Linverse dune matrice


Linverse dune matrice se calcule comme suit en utilisant la mthode de ladjointe (adj). Soit une matrice B de dimension (3 3). Son -1 se calcule comme suit : inverse dsign par B C11 1 = C 21 B C 31 C12 C 22 C 32 C13 C 23 C 33
T

B 1 =

1 B

adj( B )

o C ij = ( 1)
i+ j

M ij

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

124

Trait dconomtrie financire

Cij est appel le cofacteur et Mij est le mineur, obtenu en calculant les dterminants des sous-matrices obtenues en supprimant la ie ligne et la je colonne. titre dexemple, pour la matrice B (3 3) prcdente, C11 est gal :
C11 = ( 1)
1+1

b 22 b 32

b 23 b 33

Voici les proprits de linverse. i) Linverse de linverse dune matrice carre B donne la matrice B, cest--dire : (B1)1 = B.

ii) Le produit dune matrice par son inverse donne la matrice unitaire : BB1 = I. iii) Linverse de la transpose dune matrice est gale la transpose de linverse : (BT)1 = (B1)T. On a donc : (B1)T BT = I. iv) Linverse dune matrice triangulaire suprieure ou infrieure est galement une matrice triangulaire suprieure ou infrieure. v) Linverse dune matrice partitionne est galement une matrice partitionne. Soit la partition suivante de A : A 11 A 12 o A et A sont des matrices carres A= 11 22 A 21 A 22 rgulires. Linverse de cette matrice est alors :
B11 = A 1 A B 22 21 11 1 1 1 A 22 + A 22 A 21 B11 A 12 A 22
1 B11 A 12 A 22 1 A 11 A 12 B 22 B 22

1 1 1 A 11 + A 11 A 12 B 22 A 21 A 11 = 1 B 22 A 21 A 11

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

125

1 o : B11 = A 11 A 12 A 22 A 21

1 et B 22 = A 22 A 21 A 11 A 12

Pour illustrer, prenons lexemple suivant. Dans le cas du maximum de vraisemblance dune rgression linaire plusieurs variables explicatives, la matrice dinformation6, qui sert calculer la matrice variance-covariance des estimateurs 1 XTX 2 et de 2 , est la suivante : I = 2 0

de

0 . 2 4 n

A 11 0 Cette matrice partitionne est de la forme : . 0 A 22 En vertu de la formule de linverse de la matrice partitionne qui vient dtre expose, linverse dune telle matrice est la
A 1 11 suivante : 0 1 . I (.) est donc gale : 1 A 22 0

2 T X X 1 = I 2 0

. Cette matrice est partin 2 4 0

culirement utile pour le calcul des tests asymptotiques de Wald et LM o elle apparat explicitement.

6. Cette matrice est ainsi appele car elle informe sur la courbure de la fonction de vraisemblance.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

126

Trait dconomtrie financire

3. DES

MATRICES IMPORTANTES : LA MATRICE VARIANCE-COVARIANCE DUN PORTEFEUILLE DE TITRES ET LA COVARIANCE ENTRE DEUX PORTEFEUILLES

Imaginons quun portefeuille soit compos de deux titres : le titre 1 et le titre 2. La pondration du titre 1 dans ce portefeuille est w1 et celle du titre 2, w2. De plus : w1 + w2 = 1. Lesprance du rendement de ce portefeuille est de :
E R p = w 1E ( R 1 ) + w 2E ( R 2 )

( )

Par ailleurs, la variance du rendement du portefeuille est pour sa part :

Var R p = E R p E R p

( ) [

( )]

En remplaant Rp et E(Rp) par leur valeur respective, on a :


Var R p = E w 1R 1 + w 2R 2 w 1 E ( R 1 ) w 2 E ( R 2 )

( ) [

En regroupant les termes, on obtient : Var R p = E w 1 R 1 E( R 1 ) + w 2 R 2 E( R 2 )


2 1 2 1 1 1 2 1

) ( ( ) [ ( = w [ R E( R ) ] + 2w w E[ ( R + w [ R E( R ) ]
2 2 2 2 2 2 2 = w 1 1 + 2w 1w 212 + w 2 2 2 2

E( R 1 ) R 2 E( R 2 )

)]

)(

)]

2 o 1 dsigne la variance du rendement du titre 1 ; 2 , la variance du 2 rendement du titre 2 et 12, la covariance entre les rendements des titres 1 et 2. Plus gnralement, dans le cas dun portefeuille de N titres, la variance du rendement de ce portefeuille scrit :

Var R p =

( ) w w
N N i j i =1 j =1

ij

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

127

Lquation de la variance du rendement dun portefeuille est une forme quadratique. On peut recourir la forme matricielle quadratique pour lexprimer de faon plus compacte et combien plus facile manipuler. Dans le cas de deux titres, lesprance du rendement du portefeuille antrieur scrit :

E R p = w1

( ) [

E(R1 ) T w2 =w E E(R 2 )

o E est le vecteur des esprances de rendement. La variance de Rp est de :

Var R p = w 1

( ) [

2 1 w2 21

12 w 1 T w = w 2 2 w 2

o dsigne la matrice variance-covariance des rendements des deux titres. La variance du rendement dun portefeuille est donc une forme quadratique matricielle. Certes, cette matrice est symtrique puisque 12 = 21. Le lecteur gnralisera trs facilement les rsultats antrieurs au cas de N titres. Nous envisageons maintenant deux portefeuilles qui renferment les titres 1 et 2, mais avec des pondrations diffrentes. Dans le premier, que nous dsignons par p, les pondrations des deux titres sont de w1 et w2. Dans le second, que nous dsignons par s, les pondrations sont de z1 et z2. Certes, pour chacun de ces deux portefeuilles, la somme des pondrations est gale 1. Nous voulons calculer la covariance entre les rendements des portefeuilles p et s. Cette covariance en vertu mme de la dfinition de la covariance, est gale : Cov R p , R s = E R p E R p

[(

( ) )( R

E( R s )

)]

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

128

Trait dconomtrie financire

En remplaant Rp et Rs par leur quivalent en termes des rendements des titres 1 et 2, on obtient :
w 1R 1 + w 2R 2 w 1E( R 1 ) w 2E( R 2 ) Cov R p , R s = E z 1R 1 + z 2R 2 z 1E( R 1 ) z 2E( R 2 )

( (

En regroupant les termes, on a : w R E(R ) + w R E(R ) 1 2 2 2 1 1 Cov R p , R s = E z1 R 1 E(R 1 ) + z 2 R 2 E(R 2 )

) ( ) ] ) ) ( )] = w z E[ R E ( R ) ] + w z [ ( R E ( R ) )( R E ( R ) ) ] + w z [ ( R E ( R ) )( R E ( R ) ) ] + w z [R E (R )]
2 1 1 1 1 2 1 2 2 1 1 1 2 1 1 2 2 2 2 2 2 2

[ ( [ (

On obtient finalement :
2 Cov R p , R s = w 1z 11 + w 2z 1 21 + w 1z 212 + w 2z 2 2 2

Cette expression finale de la covariance entre les rendements de deux portefeuilles est dj lourde et pourtant les portefeuilles ne comprennent que deux titres. Le recours au calcul matriciel simplifie de beaucoup le calcul de cette covariance. Pour le cas prcdent, on a :

Cov R p , R s = w 1

) [

w2

2 1 21

12 z 1 T z =w 2 2 z 2

o w dsigne le vecteur de pondrations du portefeuille p et z, celui du portefeuille s. Cette expression se transpose immdiatement au cas de N titres.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

129

4. QUELQUES

APPLICATIONS DU CALCUL MATRICIEL EN FINANCE

Dans le but dillustrer lutilisation du calcul matriciel en finance, nous prsentons dans cette section trois applications : i) la couverture optimale dun bilan bancaire par des contrats terme ; 2) la construction de la frontire efficiente ; 3) le modle de lerreur de suivi (tracking error) de Roll.

4.1. Couverture optimale dun bilan bancaire4


Le modle que nous prsentons dans cette section est une simple transposition de la thorie du portefeuille de Markowitz au bilan bancaire. En effet, un bilan peut tre considr comme un portefeuille de titres. Les actifs sont assimilables des titres que dtient un investisseur, ici une banque. Pour leur part, les passifs peuvent tre considrs comme des actifs ngatifs, soit des titres vendus dcouvert dans le cadre de notre analogie. Lobjectif de la banque est de maximiser le rendement de lavoir des actionnaires. Le bilan de la banque se prsente comme suit : Bilan de la banque XYZ
Actifs V1 V2 Passifs V3 V4 S

o V1 dsigne les actifs court terme ; V2, les actifs long terme ; V3, les passifs court terme ; V4, les passifs long terme et S, lquit. Lavoir des actionnaires peut pour sa part, tre considr comme un investissement dans un portefeuille qui est en compte (long) dans les actifs et dcouvert (short) dans les passifs.

4. Pour rdiger cette sous-section, nous nous inspirons de : Copeland, T.E. et J.F. Weston (1988), Financial Theory and Corporate Policy, Addison Wesley, New York, chap. 6.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

130

Trait dconomtrie financire

Chacune des rubriques du bilan, actif et passif, comporte un taux de rendement Ri et un coefficient de pondration wi. Ces coefficients sont dfinis par rapport lavoir des actionnaires :

S o Vi dsigne la valeur de lactif (ou du passif) et S, lquit. La somme de ces coefficients de pondration est bien sr gale lunit en vertu de lidentit comptable du bilan.
Le rendement de lavoir des actionnaires scrit comme suit : R s = w 1R 1 + w 2R 2 + w 3R 3 + w 4 R 4 o w3 et w4, associs des passifs, sont ngatifs. La banque veut minimiser la variance de lavoir de ses actionnaires. Pour ce faire, elle recourt des contrats terme. Le prix dun contrat terme est de P5 et son rendement, de R5.. On veut dterminer le nombre de contrats terme, dsign par N, qui minimise la variance du rendement des actionnaires. Les contrats terme, selon quils soient achets ou vendus, deviennent un nouvel actif ou passif dans le portefeuille que constitue le bilan bancaire. la suite de lintroduction des contrats terme, le rendement de lavoir des actionnaires scrit :

wi =

Vi

R s = w 1R 1 + w 2R 2 + w 3R 3 + w 4 R 4 +

NP5 S

R5

Pour trouver le nombre de contrats qui minimise la variance de Rs, on gale la drive de la variance de Rs par rapport N 0. La variance de Rs est gale :

Var ( R s ) = w T w
o :

NP5 w T = w1 w2 w3 w4 S soit la transpose des coefficients de pondrations et est la matrice variance-covariance des rendements de tous les actifs et passifs prsents dans le bilan de la banque, y compris les contrats terme, cest-dire :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

131

11 21 = . . 51

12 22

. . .

. .

. 52 . .

15 25 . . . 55

Nous tirons parti des rgles de la drivation matricielle pour calculer N. Rappelons rapidement lune delles que nous utilisons lintrieur de cet exercice. La variance de Rs est une forme matricielle quadratique du type :
y = x T Ax

o A est une matrice ( N N ) et x, un vecteur ( N 1) . La drive de y par rapport x est gale :

dy dx

= 2 Ax

Dans le cas o A est une matrice ( 2 2) , cette drive est gale : dy dy dx 1 = = dx dy dx 2 2a 11 x 1 + 2a 12 x 2 2a 21 x 1 + 2a 22 x 2

Dans le cas qui nous intresse, si lon drive la variance de Rs par rapport w, on obtient :

dVar ( R s ) dw

=2 w

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

132

Trait dconomtrie financire

Pour le cinquime actif, soit le contrat terme, cette drive est gale :

dVar ( R s ) dw 5
o w 5 =

=2

5w

= 2 51 w 1 + 2 52 w 2 + ... + 2 55 w 5

NP5 S

et

dsigne la 5e ligne de la matrice V.

Revenons au problme qui nous intresse. On veut dterminer le N qui minimise la variance de Rs. Pour ce faire, on recourt la rgle de la chane :

dVar ( R s ) dN
soit,

dVar ( R s ) dw 5 dw 5 dN

=0

5w

P5 S

=0

Puisque (P5/S) ne peut tre nul, cette galit implique que : 2


5w

=0
Vi

Et comme :
S cette condition doptimisation scrit, en termes de V : wi =

5V

=0

En isolant la valeur du cinquime actif, soit celle du contrat terme qui est gale NP5, on obtient :
2 5 NP5 =

Vi i 5
i

La valeur de N qui minimise la variance de lavoir des actionnaires est donc gale : Vi i 5 N= 2 P5 5

On est donc mme de constater que ce sont les covariances entre le rendement du contrat terme et celles des autres actifs et passifs du

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

133

bilan qui importent du point de vue de la couverture. linstar de la thorie de Markowitz, les covariances des rendements tiennent le haut du pav comme mesure du risque dans ce modle de couverture optimale dun bilan. Il est plus simple de manipuler cette dernire formule lorsquelle est exprime en termes de corrlation des rendements. La relation entre la covariance i5 et la corrlation ri5 scrit bien sr comme suit : i5 = ri5 i 5 En termes de corrlation, le nombre optimal de contrats terme requis pour la couverture du bilan est gal :

N=

P i i r i5
5 5

Cette formule nous indique que la couverture optimale dun bilan par des contrats terme dpend de trois facteurs : i) le ratio de la valeur de la rubrique du bilan couvrir au prix . En fait ce facteur est associ une P5 couverture nave. Celui qui est tranger la finance divise la valeur couvrir par le prix dun contrat pour dterminer le nombre de contrats optimal. Mais la formule signale que ce dilettante oublie deux lments dont tout bon spcialiste de la finance doit tenir compte : dun contrat terme : ii) le rapport entre la volatilit de lactif couvrir et celle du contrat terme : . En effet, plus la volatilit de lactif (ou 5 du passif) couvrir est leve par rapport celle du contrat terme, plus il faut acheter de contrats. On exerce alors un effet de levier sur la volatilit du contrat terme, ce qui la rapproche de celle de lactif (ou du passif ) couvrir ;
i

Vi

iii) la corrlation entre le contrat et lactif couvrir : ri5. Sil nexiste aucune corrlation entre le rendement du contrat terme et celui dun actif (ou dun passif), inutile de couvrir cet actif (ou ce passif). Par ailleurs, si la corrlation est de 1,

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

134

Trait dconomtrie financire

cela correspond la situation idale au plan de la couverture. Sil appert que cette corrlation est de 1 pour chaque rubrique du bilan, la variance de Rs savrera nulle aprs couverture, cest--dire que la variance minimale de lavoir des actionnaires est alors nulle. La formule de la couverture optimale nous rvle dautres informations. Considrons dabord le cas dun actif. Le V correspondant est alors positif dans la formule. Si la corrlation entre le rendement du contrat terme et celui de cet actif savre positive, la formule indique quil faut alors vendre des contrats terme pour les fins de la couverture (N ngatif) puisque la formule est prcde dun signe ngatif. Dans pareil cas, les prix de lactif et du contrat terme ont tendance voluer dans la mme direction. De faon couvrir lactif par le contrat terme de manire diminuer sa volatilit, il faut donc inverser cette corrlation entre les prix de lactif et ceux du contrat terme. Cest en vendant des contrats terme quon pourra y parvenir. Les pertes que lon essuiera sur lactif seront alors compenses par les gains raliss sur la vente de contrats terme, ce qui est le principe mme de la couverture (hedging). Supposons maintenant un cas de corrlation positive entre le rendement dun passif et celui du contrat terme. V entre alors ngativement dans la formule de la couverture. Celle-ci indique alors quil faut acheter des contrats terme pour les fins de la couverture (N positif). En vertu de la corrlation positive, les prix du passif et ceux du contrat terme tendent voluer lunisson. Mais le passif tant une dette, lorsque la valeur du passif augmente, on espre rcuprer cette perte par un gain sur le contrat terme. Comme les prix du passif et du contrat terme voluent dans le mme sens, cest en dtenant des contrats terme que lon pourra alors compenser cette perte par un gain sur le contrat terme. Donc, lorsquil existe une corrlation positive entre le rendement dun passif et celui dun contrat terme, il faut acheter des contrats pour se couvrir. On laisse au lecteur le soin de dvelopper les cas de couverture qui se rapportent une corrlation ngative entre le rendement dun actif (ou dun passif) et celui du contrat terme5.

5. Nous avons estim le ratio de hedging pour le cas des BAX la fin du chapitre 3. Cette section permet videmment de mieux linterprter.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

135

4.2. Une mthode gnrale pour calculer une frontire efficiente


Nous nous attaquons maintenant au cas de la construction dune frontire efficiente. Celle-ci est le lieu des combinaisons rendementrisque optimales de portefeuilles. Pour chaque esprance de rendement donne, la frontire efficiente donne le portefeuille qui comporte lcart-type minimal, soit le risque minimal, pour cette esprance de rendement. La frontire efficiente classique apparat la figure A3-1. FIGURE A3-1 La frontire efficiente classique
E(Rp)

(Rp)

o E(Rp) dsigne lesprance du rendement dun portefeuille et (Rp), son cart-type. Le problme de la construction dune frontire efficiente consiste donc minimiser la variance du rendement du portefeuille :
Var R p =

( ) w w
i j i ,j

ij

wi tant la pondration du titre i dans le portefeuille p, sous deux contraintes :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

136 i)

Trait dconomtrie financire

la contrainte dun niveau donn de rendement espr E* :

w i E(R i ) = E *
E(Ri) dsignant lesprance de rendement du titre i ; ii) la contrainte que la somme des pondrations des titres dans le portefeuille soit gale lunit :

wi = 1
Pour solutionner ce problme en termes des wi, nous devons crire la fonction de Lagrange qui lui correspond :

z=

w i w j ij + 1 [ w i E ( ri ) E * ] + 2 [ w i 1]
i. j

Pour trouver le minimum, nous devons galer les drives premires de cette fonction par rapport aux wi et aux i 0. La solution donne alors les wi optimaux associs E*. Lon insre ces wi dans la formule de lcart-type, ce qui nous donne lcart-type minimal associ E*. On obtient un point de la frontire efficiente : ( *, E*). Et lon refait cet exercice pour dautres niveaux de E* de faon gnrer toute la frontire efficiente. Notre propos est ici de formuler ce problme doptimisation sous forme matricielle. En termes matriciels, la fonction de Lagrange prcdente scrit :
z = wT w + 1 w T E E * + 2 w T 1 1

Les drives pour trouver le vecteur w* optimal associ E* sont les suivantes :
z w z 1 z 2 = 2 w + 1E + 2 1 = 0 = w' E E * = 0 = wT 11 = 0

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

137

Pour mieux visualiser comment solutionner ce systme dquations en termes des wi, concentrons-nous sur le cas dun portefeuille qui ne comprend que trois titres. En termes matriciels, ce systme scrit alors :
2 21 2 21 2 31 1 E1

212 2 2 2 2 32 1 E2

213 2 23 2 33 1 E3

E1 E2 E3 0 0

1 w1 1 w 2 1 w 3 = 0 1 0 2

0 0 0 1 E *

En termes plus compacts, ce systme scrit comme suit : Cy = k o y est le vecteur des inconnues, soit les wi et les sobtient en inversant la matrice C :
i.

La solution

y = C 1 k
On obtient alors le vecteur w* associ E*. On peut ds lors calculer le * correspondant, ce qui nous fournit un point de la frontire efficiente : ( *, E*). On refait par la suite le mme exercice pour dautres niveaux de E* de manire pouvoir tracer toute la frontire efficiente6.

6. remarquer quil est trs facile de construire une frontire efficiente sur Excel lorsque lon dispose de la matrice variance-covariance des rendements des titres analyss en recourant aux fonctions matricielles PRODUITMAT (produit matriciel) et INVERSEMAT (inversion matricielle). En effet, le calcul de la frontire efficiente ne met en jeu que ces deux oprations matricielles.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

138

Trait dconomtrie financire

4.3. Le modle de lerreur de suivi (tracking error) de Roll7


Nous envisageons ici le cas du gestionnaire qui contrle un fonds investi dans une catgorie dactifs donne. Il apparat logique de mesurer sa performance par rapport un indice de rfrence (benchmark) qui se compare bien la composition dudit fonds. cet effet, plusieurs maisons de courtage publient des indices de portefeuilles spcialiss. On peut alors comparer la performance dun gestionnaire de portefeuille lindice publi qui correspond le mieux la composition de son portefeuille. Roll a propos une telle comparaison dans un article publi en 1992 dans le Journal of Portfolio Management : A Mean/Variance Analysis of Tracking Error . Son but : est dvaluer la performance dun gestionnaire en le comparant au rendement dun indice de rfrence (benchmark) apparent au comportement du fonds gr par ledit gestionnaire. Mais avant de poursuivre, dfinissons un concept utilis dans cet article : lerreur de suivi ou tracking error. Cet indicateur traduit une dviation de performance. Cest la diffrence entre le taux de rendement priodique du fonds et le taux de rendement de lindice de rfrence. Un critre pertinent pour valuer un gestionnaire est la minimisation du tracking error, mais cette minimisation doit certes seffectuer sous contrainte. Fixons au gestionnaire lobjectif suivant : minimiser la variance du tracking error sous la contrainte dun certain cart positif de rendement relativement lindice de rfrence. La valeur espre de lerreur de performance (G) se dfinit comme suit :

G = ( q p q b )T R = x T R
o qp est le vecteur de pondration du portefeuille du gestionnaire vis--vis des N titres qui constituent le benchmark et qb, le facteur de pondration de ces titres lintrieur du benchmark. Dans le portefeuille du gestionnaire comme dans le benchmark, la somme des pon-

7. Roll, R. (1992), A Mean/Variance Analysis of Tracking Error , Journal of Portfolio Management, Summer 1992.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

139

drations des titres est gale lunit. Le vecteur x : de dimension (N 1) reprsente des altrations de portefeuille qui sautofinancent, cest--dire : o 1 est un vecteur ( N 1) dunits et x, lcart entre les vecteurs qp et qb. Finalement, R : ( N 1) est le vecteur des rendements anticips des N titres. Fixons G un niveau cible, soit lexcdent positif de rendement impos au gestionnaire en regard du benchmark. Soit (Rp Rb)* cet excdent-cible. On a donc :
G = Rp Rb * Soit dsigner par V la matrice variance-covariance des N titres en cause. La variance du tracking-error est donc :

xT1= 0

( q p q b ) T V(q p q b ) = x T Vx Le problme doptimisation auquel est soumis le gestionnaire est le suivant. Il doit minimiser la variance du tracking error :
x T Vx sous les deux contraintes suivantes : i) les ramnagements de portefeuille queffectue le gestionnaire par rapport au benchmark doivent comporter une esprance de gain G positive, ce qui correspond la cible recherche :

xTR = G ii) les ramnagements par rapport au portefeuille de rfrence doivent sautofinancer : xT1= 0 La fonction de Lagrange qui correspond ce problme doptimisation est la suivante :

x T Vx + 1 G x T R + 2 0 x T 1

] [

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

140

Trait dconomtrie financire

Pour trouver le vecteur x optimal, on gale les drives premires de la fonction de Lagrange par rapport x et aux i 0. Si nous drivons cette fonction par rapport au vecteur x et galons cette drive 0, nous obtenons : Vx 1 R 2 1 = 0 Mettons le vecteur x en vidence :

Vx = R

1 1 2

En multipliant les deux cts par V-1, on obtient :


1

x=V

[R

1 1 2

Pour trouver la solution, nous devons liminer les deux multiplicateurs de Lagrange. Pour y arriver, on multiplie les deux cts de la dernire quation par le vecteur R

]T :
[R
1 1 2

[R

x= R

Nous remplaons le terme de gauche par les drives de la fonction de Lagrange par rapport aux i, qui sont gales 0 dans la solution optimale. Ces drives correspondent videmment aux contraintes du problme doptimisation. En effectuant cette substitution, on obtient :

1 G = A 2 0

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Le modle linaire gnral

141

En multipliant les deux cts de la dernire quation par A1, on trouve finalement les valeurs des deux recherches :

1 G 1 =A 2 0
Et en se rfrant aux calculs prcdents, on trouve lexpression de la matrice A :

R T V 1 R A= R T V 1 1

R T V 1 1 = T 1 1 V 1

a b

b c

Le vecteur optimal x des ramnagements est le suivant :


1

x=V

[R

1A

G 0

On a donc trouv les ramnagements du portefeuille de rfrence (benchmark) qui minimisent la variance du tracking error et qui assurent un rendement espr positif G.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

143

CHAPITRE

4
VARIATIONS SUR LES MODLES LINAIRE ET NON LINAIRE
PARTIE I
Dans ce chapitre, nous dveloppons plusieurs thmes rattachs au modle linaire gnral. Dans un premier temps, nous abordons les erreurs de spcification de la forme fonctionnelle et les tests qui sy rattachent. Certains de ces tests font appel aux techniques destimation non linaires : ces techniques seront donc introduites dans ce chapitre. Puis, nous nous penchons sur les critres de slection des variables explicatives dans le modle de rgression et sur dautres critres associs : critres dAkaike, de Schwartz, test J, test RESET. Ensuite, nous considrons les variables dichotomiques (dummy) et les tests ayant trait aux changements structurels.

1. ERREURS

DE SPCIFICATION

Nous abordons ici les erreurs de spcification de la forme fonctionnelle relies au cas des variables explicatives omises. Supposons que le vrai modle estimer soit le suivant : y = X 11 + X 2 2 + e 2 alors que, par ignorance, on estime le modle suivant : y = X 11 + e1

o e1 = X 2 2 + e 2 ~ IID 0, 2 I T . Quelles sont les consquences de


cette erreur de spcification sur lestimateur des MCO ? En estimant par les MCO la dernire quation, on a :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

144

Trait dconomtrie financire

T 1 = X 1 X 1 T

( = (X
1

) X X ) X = + (X X )
1 1 1 1 T 1 1

1 T 1

( X11 + X 2 2 + e 2 )
X 1 X 2 2 + X 1 X 1
T

X1 e 2

Calculons maintenant lesprance de 1 :


1 T T E 1 = 1 + E X 1 X 1 X 1 X 2 2 + 0 1 T T = 1 + X 1 X 1 X 1 X 2 2 1

( )

De ces dveloppements, il rsulte que si lon omet une variable explicative et si X1 nest pas orthogonal X2 et 2 0 , alors 11 est biais. Examinons maintenant le cas o lon ajoute trop de variables explicatives. Le vrai modle est les suivant : y = X 11 + e1 Or, on estime plutt le modle suivant : y = X 11 + X 2 2 + e 2 o e1 = e2 puisque 2 = 0. Appliquons les MCO sur le dernier modle et dgageons-en les consquences.

= X X
T

1 = = 2

T X X T X X

( X 11 + e1 ) X T 2 X
T 1

T X 1 X 1e1 1 1 T T T X 2 X 11 + X X X 2 X 1e1
1

X 1 X 11 + X T X

( (

) )

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

145

Calculons lesprance de :

E E = E

()

( ) = ( ) 0
1 1 2

puisque X2 est suppos orthogonal X1, X2 napparaissant pas dans le vrai modle. Lestimateur de est donc sans biais. Cependant, il est inefficient parce que lon sait que cest le premier modle qui est correctement spcifi. Ce problme est donc moindre que celui de lomission de variables explicatives. Passons maintenant aux problmes suscits par les erreurs de spcification sur la variable dpendante. Supposons que lon ait estim le modle suivant : y t = 1 x t + e1 t alors que le vrai modle est : ln ( y t ) = 2 x t + e 2t y t = exp ( 2 x t + e 2t ) = exp ( 2 x t ) exp ( e 2t ) En appliquant les MCO sur lquation correspondant la mauvaise spcification, on a :

= XTX

X T exp ( 2 X ) exp ( e 2 )

En calculant lesprance de , on a :

E = XTX
T

() ( ) = (X X)

X T exp ( 2 X ) E exp ( e 2 )
T

2 X exp ( 2 X ) exp 2

Nous recourons certains rsultats de la distribution lognormale pour calculer lesprance de e2. Soit x = ln(y), o x ~ N(0, 2). Alors E( y ) = E e

( )=e
x

1 E ( x )+ V ( x ) 2

e2

. La variance de y est par ailleurs

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

146

Trait dconomtrie financire

de : V ( y ) = e

( 2E ( x )+ V ( x ) ) e ( V ( x ) ) 1 = e 2 e 2 1 . Une erreur de

spcification sur la variable dpendante entrane galement un biais au chapitre de lestimateur des MCO.

2. TESTS

RELIS AUX ERREURS DE SPCIFICATION

2.1. Test sur la forme logarithmique


On veut choisir lun des deux modles suivants :
ln ( y t ) = 1 + 2 x 2t + 3 x 3t + e LLt y t = 1 + 2 x 2t + 3 x 3t + e Lt

Box et Cox ont formul un test pour discriminer entre ces deux modles. Il faut dabord exprimer le premier modle en units comparables au second. Pour ce faire, on calcule la moyenne gomtrique de yt : y G = ( y 1 y 2 ... y T ) T . On peut crire une formule quivalente de la moyenne gomtrique en exprimant cette dernire quation sous forme logarithmique :
1

ln y t y G = e T t =1 . Ce rsultat est utilis pour T t =1 calculer la somme des carrs rsiduels transposs en units comparables celles du deuxime modle. On obtient, aprs application des MCO sur le premier modle : SCR L = T eL eL
2 yG

ln ( y G ) =

ln y t

Par ailleurs, en appliquant les MCO sur la deuxime quation, on a : T SCR LL = e LL e LL On est maintenant en mesure de construire le test suggr par BoxCox en 1964 :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

147

l=

T 2

ln

SCR L / y G SCR LL

~ 2 (1)

La formulation du test est la suivante : H0 : les deux modles sont quivalents H1 : les deux modles ne sont pas quivalents La premire tape du test consiste calculer la statistique l. On rejette H0 si l >lc au niveau a. Dans une deuxime tape, on discrimine entre les deux modles. On choisit le modle linaire si :
SCR L
2

yG On choisit le modle logarithmique dans le cas inverse.

< SCR LL .

2.2. La transformation de Box-Cox


Le test prcdent est plutt restrictif car il nous limite au couple modle linairemodle logarithmique. La transformation Box-Cox savre beaucoup plus flexible, car elle nous laisse le choix entre plusieurs modles, entre autres les modles linaire simple, logarithmique et beaucoup dautres comme le modle non linaire. Pour effectuer une telle transformation, il faut reformuler les variables dpendantes et indpendantes comme suit. Supposons cet effet le modle suivant : y t = 1 + 2 x 2 t + 3 x 3 t + e t La transformation Box-Cox des variables de ce modle est la suivante :
y 1 ( ) x 2t 1 ( ) x 3t 1 y( ) = t ; x 2t = ; x 3t = t

Cette transformation implique les relations suivantes pour y :


yt 1 y( ) = t ln y ( t)

si 0 si = 0

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

148

Trait dconomtrie financire

Et ces relations valent galement pour les xit. Dmontrons ces relations. Pour ce faire on doit calculer la limite de lexpression suivante :
d yt 1

lim

yt

d d d

Pour pouvoir effectuer ce calcul, on recourt deux rgles : la rgle de lHpital et une rgle de drivation. La rgle de lHpital scrit comme suit :
lim m(x ) n( x ) = lim m'( x ) n' ( x )

x 0

x 0

o m(x) et n(x) sont des fonctions continment diffrentiables. Par ailleurs, la rgle de drivation requise est la suivante. Soit la fonction :

f (.) = x b
La drive de cette fonction est :

df (.) db

= ln ( x ) x b

On se sert de cette rgle pour dterminer le numrateur de la rgle de lHpital :


d yt 1

)=y

ln ( y t )

La drive du dnominateur de la rgle de lHpital est triviale. Ces calculs impliquent que :
lim y t ln ( y t ) = ln ( y t ) 0

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

149

Prcisons les diverses formes dquations que peut accommoder la transformation Box-Cox. Si = 1, on revient au modle linaire. Si = 0, on a la forme logarithmique. Si = 2, on a une forme quadratique. Et ainsi de suite. Ce modle non linaire sestime par la mthode du maximum de vraisemblance. Il convient de souligner que pour les modles non linaires, les tests ne valent quasymptotiquement. On veut maintenant tester les deux hypothses suivantes : H0 : = 0 H1 : 0 On construit le ratio t asymptotiquement normal : 0 d t= N ( 0,1) . On rejette H0 si : t > 1,96 pour V

()

= 5 %.

3. MTHODES

DES MOINDRES CARRS NON LINAIRES ET TRANSFORMATION BOX-COX

La mthode des moindres carrs non linaires se prsente comme suit. Soit le modle de rgression non linaire suivant : y t = f ( x t , ) + e t Pour estimer le vecteur de paramtres b, on minimise :

Min S( ) = Min

( y t f ( x t , ))
t =1

Les mthodes non linaires recourent des algorithmes doptimisation. Nous prsentons dabord le plus connu, soit lalgorithme de Newton-Raphson, qui fait appel au processus itratif suivant :
n +1 = n S' ( n ) S( n )

Reprsentons la figure 4.1 la procdure dcrite par cette quation.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

150

Trait dconomtrie financire

FIGURE 4.1

S( )

S( 0)

On veut trouver le minimum de S( ) qui correspond au point o S' ( ) = 0 . La procdure Newton-Raphson consiste initier lalgorithme au point b0 et valuer ce point S( ) et S( ). Si S' ( 0 ) > 0, cela implique que

S' ( 0 )

S( 0 )

> 0 . Mais comme ce ratio est affect dun

signe ngatif, alors sur la figure 4.1 la direction sera vers la gauche. On obtient alors 1, que lon remet dans lquation prcdente pour obtenir 2 et ainsi de suite jusqu ce que lcart entre n et n+1 soit trs petit. La mthode de Newton-Raphson qui vient dtre prsente ne tient pas compte de la courbure de S( ). Une mthode qui en tient compte est celle de Newton. Cet algorithme scrit comme suit :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

151

n +1 = n

S'' ( n )

S' ( n )

Cette quation est drive de lapproximation de Taylor. Dans cette expression, la courbure de S( ) est value par sa drive seconde. Envisageons ici le cas des moindres carrs linaires1. Situonsnous la premire itration. La formule de Newton scrit alors :

2 = 1

S'' ( 1 )
T

S' ( 1 )

Il suffit alors de minimiser la somme des carrs rsiduels : ( y X ) ( y X ). Calculons les drives premires qui apparaissent dans la formule itrative. S' ( 1 ) = ( y X )
T

( y X ) = 2X T ( y X ) , soit
T

les quations normales. S'' ( )

2 ( y X )

( )

( y X ) = 2X T X . La for-

mule de Newton scrit donc dans ce cas :


2 = 1 + X T X

) (X
1

y X T X1 = 1 + 1 =

Pour les MCO, la mthode de Newton converge en une seule itration. La drive premire reprsente la direction du dplacement et la drive seconde, lacclration du mouvement2. Le problme reli aux calculs numriques est quils savrent intensifs en calculs. La mthode de Gauss-Newton vient pallier en partie ce problme en valuant la drive seconde par un produit de drives premires. Cette mthode scrit comme suit : n +1 = n p n d n

1. Hendry, D.F. (1995), Dynamic Econometrics, Oxford University Press, Oxford. 2. Ou encore, elle tient compte de la courbure de la fonction minimiser.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

152

Trait dconomtrie financire


1

o d n =

dS d
n

2 1 T df t et p n = . 2 t =1 d

Pour illustrer la mthode Gauss-Newton et, par le fait mme, les autres mthodes, supposons la rgression non linaire suivante, qui nous sert estimer le coefficient 13. Ce modle est de la forme : y t = f ( ) + e t . Cette quation fait apparatre un produit de paramtres, cest--dire que lorsque lon minimise la somme des carrs rsiduels, on nobtient pas une forme explicite pour lestimateur de . Supposons en effet quon minimise S( ), qui est gal :
y t = x 1t + 2 x 2t + e t

S( ) =

( y t x 1t 2 x 2t )
T t =1

En galant la drive de cette fonction 0, on obtient :

dS d

=0

( y t x 1t 2 x 2t )( x 1t 2x 2t ) = 0
T t =1

On remarque quil ny a pas de solution analytique pour . On doit donc recourir aux mthodes numriques pour trouver une solution pour . Dans ce cas-ci, ft, qui apparat dans lalgorithme de Gauss-

= x 1t + 2x 2t , ce qui d est requis pour le calcul de pn. Finalement, dn est gal la drive de S par rapport valu n. Par consquent, le processus itratif est le suivant :
Newton, est gal : f t = x 1t + 2 x 2t . Do :
n +1 1 T = n ( x 1t + 2x 2t ) 2 2 t =1
1

df t

dS d

3. Cet exemple est emprunt : Griffiths, W.E., C. Hill et G.G. Judge (1993), Learning and Practicing Econometrics, John Wiley, New York.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

153

Une autre application des moindres carrs non linaires est destimer la transformation Box-Cox du modle de rgression suivant de la demande de monnaie aux tats-Unis4 :
ln ( M t ) = 1 + 2 rt ( ) + 3 y t ( ) + e t

o Mt est la masse montaire amricaine au sens de M2, rt, le taux descompte de la Rserve fdrale amricaine et yt, le produit national brut en dollars constants. Pour estimer les paramtres de cette quation, on applique les moindres carrs non linaires. Les hypothses tester sont les suivantes : H 0: = 0; H1: 0 . Pour ce faire, il faut construire la statistique t qui obit asymptotiquement la distribution normale. On rejettera H0 si le t calcul est suprieur au seuil critique donn par la loi normale. Jusquici, lintrieur de la prsentation des mthodes numriques, nous navons envisag que le cas univari. Le cas de la rgression de Box-Cox en est cependant un o il existe plusieurs paramtres estimer. La formulation gnrale du modle de rgression non linaire multivari est la suivante : y t = f ( x t , ) + e t . Pour le cas de la rgres . Pour estimer ces parasion Box-Cox : T = 1 2 3 mtres, lalgorithme doptimisation requiert lvaluation

S S S S = . Ce vecteur est appel : gradient, 1 2 3 qui est un vecteur de drives premires. Dans le cas multivari, pour utiliser les algorithmes de Newton-Raphson, de Gauss-Newton ou de Newton, il suffit donc simplement de remplacer les drives simples par les drives partielles. S

titre dexemple dune rgression non linaire, considrons un modle de dtermination de la structure terme des taux dintrt. Ce modle, associ Haugen (1993)5, relie le rendement des obligations amricaines leur chance, de faon dterminer la courbe de leur structure terme. Cette quation est la suivante :

y i = ( a 1 + a 2 t i ) e a3t i + a 4
4. Voir Greene, W.H. (2000), Econometric Analysis, Prentice Hall, New York. 5. Haugen, R.A. (1993), Modern Investment Theory, troisime dition, Prentice Hall, New York.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

154

Trait dconomtrie financire

o yi est le rendement lchance de lobligation de catgorie i, ti, lchance correspondante de cette obligation et ai, les divers coefficients qui servent ajuster la courbe. Cette rgression est lvidence non linaire. Les paramtres a1 a4 sont estims par le logiciel Eviews par la mthode des moindres carrs non linaires. Il faut bien sr fixer des valeurs de dpart (seed values) pour les coefficients a1 a4. Les commandes pour effectuer cette rgression sur EViews apparaissant au tableau 4.1. TABLEAU 4.1
smpl 1 50 ' Estimation de la courbe des rendements lchance partir de yld6 et tm ' Dclaration des paramtres de dpart : PARAM c(1) -.49 c(2) .1 c(3) .1 c(4) .1 NLS yld=((c(1)+c(2)*tm)/exp(c(3)*tm))+c(4)

Les coefficients estims par NLS sont les suivants : a1 = 45,96 ; a2 = 0,6285 ; a3 = 5,5842 ; a4 = 0,0783. La reprsentation graphique de la structure terme observe un 13 mars pour les obligations fdrales amricaines de diverses chances et de la structure terme estime apparat aux figures 4.2 et 4.3.

6. yld dsigne le rendement lchance et tm, lchance.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

155

FIGURE 4.2
0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 00,00

Structure terme observe


Courbe des rendements chance

Srie 1

0,50

1,00

1,50

2,00

2,50

3,00

FIGURE 4.3
0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 00,00

Structure terme estime


Courbe des rendements chance estime

Srie 1

0,50

1,00

1,50

2,00

2,50

3,00

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

156

Trait dconomtrie financire

4. CRITRES

DE SLECTION DES VARIABLES EXPLICATIVES

Dans cette section, nous abordons les diffrents tests statistiques qui servent vrifier les modles thoriques. Rappelons dabord rapidement les diffrents tests examins jusquici pour la mme fin. Nous avons tudi le test t, servant tester un seul paramtre dans sa prsentation classique, le test F, servant tester un sous-ensemble ou lensemble des paramtres dune rgression, et le R2 ajust, qui sert galement valuer lensemble des paramtres dune rgression. Il convient maintenant de prsenter dautres critres classiques pour slectionner les variables explicatives dun modle. Dans la mme veine que le critre du R2 ajust, les critres dinformation dAkaike et de Schwartz visent galement valuer le degr dajustement dun modle tout en tenant compte de lajout de nouvelles variables explicatives. Le critre dAkaike pour le modle i, dsign par AICi7, se dfinit comme suit :
SCR i ki AIC i = ln +2 T T

o SCRi est la somme des carrs rsiduels du modle i ; T, la taille de lchantillon ; ki, le nombre de variables explicatives. On est confront plusieurs modles et celui qui minimise le critre AIC est celui qui sera retenu. linstar du R2 ajust, ce critre prend en compte le nombre de degrs de libert. En raison de la prsence du logarithme, ce critre peut donner lieu des nombres ngatifs. On choisit alors le modle qui comporte lAIC le plus faible. Un autre critre, celui de Schwarz, dsign par SC ou SBC8, se dfinit comme suit :

SCR i k i SC i = ln + ln ( T ) T T
Le critre SC sinterprte de la mme faon que le critre AIC, cest-dire que lon choisit le modle qui minimise le critre SC. Le critre SC comporte des proprits asymptotiques suprieures au critre AIC. Le critre AIC est biais en faveur des modles surparamtriss.
7. Abrviation de Akaike information criterion. 8. Abrviation de Schwarz criterion (SC) et de Schwarz Bayesian Criterion (SCB).

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

157

Le test J
Le test J propos par Davidson et McKinnon9 tire son appellation de lexpression anglaise jointly estimating. Si les critres de dcision prcdents favorisent un modle, il nen reste pas moins que la procdure suivie est plus ou moins rigoureuse. Une procdure plus satisfaisante consiste tester conjointement (simultanment) deux modles concurrents. Le test J est alors tout dsign. La procdure du test J est la suivante. On veut tester les deux hypothses. H0 : y = X + e1 contre H1 : y = Z + e 2 . Thoriquement, on teste ces hypothses en recourant la stratgie du nesting, que lon peut traduire par stratgie de limbrication , pour crire la relation suivante : y = (1 ) X + Z + e Tester H0 revient vrifier si = 0. En pratique, le test, qui fait appel la technique des rgressions artificielles, seffectue en trois tapes : i) rgresser y sur Z. On obtient : y * = Z ; ii) rgresser y sur X et y * : * + . On obtient ; iii) on construit le test t asymptoy = X + y tique : t = 0 V ( ) N ( 0,1) . On rejette H0 si la valeur absolue de t
d

excde la valeur critique.

Le test RESET
Par ailleurs, le test RESET10, qui est lacronyme de lexpression anglaise REgression Specification Error Test, est, comme son nom lindique, un test gnral derreurs de spcification, par exemple les erreurs omises ou les erreurs de forme fonctionnelle. Pour effectuer ce test,

9. Davidson, R. et J. McKinnon (1981), Several Tests for Model Specification in the Presence of Alternatives Hypotheses , Econometrica, 49, p. 781-793. 10. Ce test est redevable Ramsey, J.B. (1969), Tests for Specification Error in Classical Linear Least Squares Analysis , Journal of the Royal Statistical Society, Series B, 31, p. 350-371. Voir aussi : Ramsey, J.B. et P. Schmidt (1976), Some Further Results on the Use of OLS and BLUS in Residuals in Specification Error Tests , Journal of the American Statistical Association, 71, p. 389-390.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

158

Trait dconomtrie financire

on suit la procdure suivante. On veut tester si le modle y = X + e , o e ~ N(0, 2I), est spcifi correctement. Ce test comporte trois tapes : i) on applique dabord les MCO sur cette quation et on obtient y = X ; ii) on crit la rgression suivante :
y = X + 1 y 2 + 2 y 3 + 3 y 4 + u

o u ~ N(0, 2I). On applique les MCO sur cette quation pour obtenir les et les ; iii) on construit la statistique F pour tester les hypothses suivantes en supposant que le vecteur q comporte trois paramtres : H0 : R = r contre H1 : R r , soit :
1 2 3 = 1 2 3

0 R = 0 0

0 0 0

0 0 0

1 0 0

0 1 0

0 0 1

0 0 0

Le test F scrit :

F=

SCR R SCR U / q SCR U / T k

~ F(q, T k )

o q est gal au nombre de restrictions, 3 dans le cas qui nous intresse, et k, le nombre de paramtres estimer, est gal 6. SCRR est la somme des carrs rsiduels du modle contraint ( = 0) et SCRU est la somme des carrs rsiduels du modle non contraint ( 0). On rejette H0 si F est suprieur au F critique. Si ce test rejette lhypothse H0, cela indique la prsence probable dune erreur de spcification au chapitre du modle. Mais le test reste muet sur lidentit de lerreur de spcification.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

159

5. VARIABLES

AUXILIAIRES ET MODLISATION DES CHANGEMENTS STRUCTURELS

La thorie des options sest normment dveloppe depuis que Black et Scholes ont prsent leur fameux modle sur la dtermination du prix dune option dachat europenne en 1973. Depuis cette poque, les catgories doptions se sont dmultiplies. Elles ont mme dbord le secteur financier pour envahir le secteur rel. titre dexemple, il existe plusieurs catgories doptions dans le secteur de lnergie tels les caps sur le prix de la gazoline. Il est donc important dans cas de se donner un modle de fixation du prix de la gazoline qui reprsente ici le sous-jacent du cap. Examinons comment lconomtrie peut nous aider dfinir un tel modle. Cet exemple nous sert galement de prtexte pour introduire les variables auxiliaires11. Supposons cet effet un modle trs simple de dpenses en gazoline dfinies en fonction du revenu et du prix, les deux premires variables tant dfinies sur une base relle et per capita. Le modle se prsente comme suit : ln dep t = 1 + 2 ln y t + 3 ln p t + e t t = 1930,...,1970

o dept reprsente les dpenses en gazoline, yt, le revenu et pt, le prix de la gazoline. Nous savons que de 1939 1945, il y eut une guerre mondiale qui sest traduite par une diminution marque des dpenses de consommation, entre autres de la gazoline. Durant cette priode, les paramtres de la fonction des dpenses en gazoline se sont modifis. Une faon de capter ce changement est dintroduire dans le modle une variable auxiliaire. Les variables de cette catgorie sont du type dichotomique ou binaire qui, dans notre cas, prend la forme suivante :
1 D= 0 si la caractristique est prsente sinon

Dans le cadre de notre modle, D = 1 si t = 1939,, 1945 et D = 0 ailleurs. Cette variable sintroduit comme suit dans notre modle de rgression :

ln dep t = 1 t + 2 t ln y t + 3t ln p t + e t
11. Qui sont dsignes par dummies en anglais.

t = 1920,...,1970

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

160

Trait dconomtrie financire

Ce modle est dit coefficients variables o 1t = 1 + D t et 2t = 2 + D t . Pour simplifier, nous supposons que : 3t = 3. Ce modle est reprsent la figure 4.4 en fixant p au niveau constant p. FIGURE 4.4
(1) ln (dep) (2)

(3)

ln (y) (1) : E(lndep) = b1 + b2 ln y + b3 ln p (2) : E(lndep) = b1 + d + b2 ln y + b3 ln p (3) : E(lndep) = b1 + d + (b2 + g) ln y + b3 ln p

On peut tester les hypothses suivantes : i) H0 : 0 ; ii) H0 : = 0 contre H1 : 0 ;

= 0 contre H1 :

0 0 . Le premier test concerne le iii) H0: = contre H1: 0 0 changement de la pente de la droite de rgression. Ce test peut tre effectu laide dun test t standard. Il peut tre formul comme suit :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

161

t=

0 V( )

~ t ( T 5) , en supposant certes que les rsidus sont nor-

malement distribus. Le second test concerne le dplacement parallle de la droite de rgression. Cest l le test classique dun changement structurel. Si lon rejette H0, il y a alors ici diminution des dpenses en priode de guerre. linstar du premier, ce test peut aussi seffectuer par le test t. Finalement, le troisime test est le F de Fisher. Cette statistique se construit comme laccoutume, en faisant appel aux rsidus contraints et non contraints. Ce test sert vrifier les hypothses conjointes dun dplacement parallle et dun changement de pente. Le cas suivant sert galement utiliser lemploi des variables instrumentales. Il consiste estimer limpact de certains jours de la semaine sur le cours des actions. Comme on le sait, les cours des actions a tendance baisser systmatiquement le lundi. Pour tester cet effet, on recourt lquation suivante associe Connolly (1989)12 : rt = 0 + 1 m t + 2 Tt + 3 th t + 4 f t + e t o rt dsigne le rendement journalier de lindice Standard & Poors 500 pour les annes 1972 et 1973 ; mt, Tt, th, et ft sont des variables auxiliaires qui identifient respectivement les jours suivants : lundi, mardi, jeudi et vendredi ; et et est le terme derreur. Pour gnrer les variables auxiliaires, nous avons effectu en recourant au logiciel EViews le programme apparaissant au tableau 4.2.

12. Connolly, R.A. (1989), An Examination of the Robustness of the Weekend Effect , Journal of Financial and Quantitative Analysis, juin, vol. 24, n 2.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

162

Trait dconomtrie financire

TABLEAU 4.2
smpl 1 503 genr m72=0 genr t72=0 genr w72=0 genr th72=0 genr f72=0 ' Debut de la boucle for for !i=0 to 502 if day72(!i+1)=1 genr m72(!i)=1 else genr m72(!i)=0 endif if day72(!i+1)=1 genr t72(!i)=1 else genr t72(!i)=0 endif if day72(!i+1)=1 genr w72(!i)=1 else genr w72(!i)=0 endif if day72(!i+1)=1 genr th72(!i)=1 else genr th72(!i)=0 endif if day72(!i+1)=1 genr f72(!i)=1 else genr f72(!i)=0 endif next then

then

then

then

then

En appliquant les MCO lquation prcdente, on obtient les rsultats apparaissant au tableau 4.3.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

163

TABLEAU 4.3
LS// Dependent Variable is LOG(SP50072/SP50072(1))*100 Date : 12/13/99 Time : 21:54 Sample (ajusted) : 2 503 Included observations : 502 after adjusting endpoints Variable C M72 T72 TH72 F72 R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.043659 0.319821 0.028880 0.015556 0.017636 0.023408 0.015548 0.819264 333.5829 609.7212 1.562695 Std. Error 0.080335 0.117947 0.114167 0.113887 0.113887 t-Statistic 0.543455 2.711565 0.252962 0.136589 0.154857 Prob. 0.5871 0.0069 0.8004 0.8914 0.8770 0.008239 0.825708 0.388788 0.346770 2.978156 0.018937

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

On observe au tableau 4.3 que seule la variable mt, dont le coefficient estim est de 0,3198, est significative avec une p-value gale 0,0069. On vrifie donc que, parmi les jours de la semaine, seul le lundi prsente une anomalie. Les rendements boursiers nauraient donc tendance diminuer que le lundi. Cependant, il semble que cette anomalie ait eu tendance se rsorber par la suite.

Le test de Chow
Ce test, issu de Chow13, vise vrifier la stabilit des paramtres dune rgression. Supposons le modle suivant :

o x t = x 1t x 2t . . . x kt . Le test de Chow consiste, dans le cadre de ce modle temporel, sparer lchantillon en deux :

y t = T x t + et

t = 1, ..., T

13. Chow, G.C. (1960), Test of Equality between Sets of Coefficients in Two Linear Regressions , Econometrica, 52, p. 211-222.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

164

Trait dconomtrie financire

1) la premire partition stire du dbut de lchantillon jusqu la date du changement structurel ; 2) la deuxime partition a trait lchantillon observ aprs la date du changement structurel. On effectue une rgression sur chacune de ces deux sous-priodes et sur lensemble de la priode, soit la somme des deux sous-priodes. Le test F se formule alors comme suit :
F=

(SCR T ( SCR1 + SCR 2 ) ) / k (SCR1 + SCR 2 ) / T 2k

o SCRT est la somme des erreurs rsiduelles sur lensemble de lchantillon ; SCR1, la somme des erreurs rsiduelles sur la premire sous-priode et SCR2, la somme des erreurs rsiduelles sur la deuxime sous-priode. On retrouve un test de Chow appliqu un exemple financier dans Mills (1999)14. Il vise vrifier la stabilit des paramtres de lquation du CAPM en faisant appel des statistiques corporatives. Un extrait de son tude apparat au tableau 4.4, o NONLIN signifie RESET ; NORM : Jarque-Bera ; et HET : test dhtroscdasticit. Prenons le cas de Citicorp. La rgression suivante de lquation de la SML est estime pour cette compagnie sur des donnes mensuelles de janvier 1978 dcembre 1987. rit rft = + rmt rft + e t o rit dsigne le rendement de la compagnie i, ici Citicorp ; rft est le taux sans risque ; rmt, le taux de rendement du march et et est le terme derreur. On veut tester la stabilit conjointe des coefficients et . Selon le CAPM, doit tre gal 0 et doit demeurer constant dans le temps. Pour effectuer le test de Chow, on fixe le point de rupture dcembre 1984. On divise donc lchantillon en deux parties, soit de janvier 1978 dcembre 1984 et de janvier 1985 dcembre 1987. On effectue des rgressions sur lensemble de lchantillon et sur ses deux partitions et on calcule la somme des carrs rsiduels pour ces trois rgressions. On obtient :

14. Mills, T.C. (1999), The Econometric Modelling of Financial Time Series, deuxime dition, Cambridge University Press, Cambridge.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie I

165

F=

(SCR T ( SCR1 + SCR 2 ) ) / k = 6, 44 (SCR1 + SCR 2 ) / T 2k

Ce test est significatif au niveau de 5 %. On rejette lhypothse nulle de la stabilit du dun sous-chantillon lautre. Lauteur effectue galement dautres tests sur cette quation, dont le test RESET que nous avons dj prsent. Ce test vise ici tester la forme fonctionnelle de lquation de la SML. Sous H0 : le modle est bien spcifi. Et sous H1 : le modle est mal spcifi. La valeur du test RESET15 est ici de 0,40, ce qui donne penser que le modle est bien spcifi. On retrouve ce test au tableau 4.4. Le test de Chow prsente le dsavantage suivant. Dans certains sous-chantillons, il est possible quil y ait une pnurie dobservations puisque le point de rupture peut sparer lchantillon total en deux partitions trs ingales. Le test de Chow (predictive) corrig par Fisher en 1970 vient pallier ce dsavantage. Ce test scrit comme suit :
F=
T

T e * e * e T e / n1 eTe / n 2 k

~ F ( n1 , n 2 k )

o e * e * est la somme des carrs rsiduels (contraints)16 sur lensem ble de lchantillon (SCRT) et e T e , la somme des carrs rsiduels (non contraints) dfinie sur le sous-chantillon qui comporte le plus grand nombre dobservations.

15. Pour effectuer le test RESET, on a rgress les rsidus de lquation de la SML sur (rm rf) et (ri rf)2 estims. 16. La contrainte tant que les paramtres sont identiques travers lensemble de lchantillon.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

TABLEAU 4.4
166

Table 6.1. Estimates of the CAPM regression (6.13)

Company dw NONLIN NORM HET ARCH CHOW 2.69 6.44* 0.05 0.06 0.15 0.66 0.43 2.64 8.38* 0.06 7.14* 1.14 0.94 0.27 0.17 16.03* 2.46 2.16 1.72 3.06 2.56 1.89 5.67 3.67 14.90* 6.62* 6.68* 8.69* 2.50 5.04 9.57* 10.33* 0.20 0.37 3.21 4.72 1.20 1.12 2245* 5.03 9.23* 2.55 2.95 0.40 0.74 0.45 7.20* 0.72 0.01 0.14 2.17 1.84 2.15 2.07 2.08 2.14 1.99 2.08 2.25 1.88 0.43 0.32 0.02 0.11 0.31 0.34 0.12 0.08 0.24 0.28


R2

BOISE

CITCRP

CONED

Trait dconomtrie financire

CONTIL

DATGEN

DEC

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec

DELTA

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca

Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5

difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Tous droits de reproduction, de traduction ou dadaptation rservs

GENMIL

GERBER

IBM

0.0031 (0.0068) [0.0053] 0.0025 (0.0062) [0.0058] 0.0110 (0.0046) [0.0036] 0.0132 (0.0131) [0.0128] 0.0067 (0.0098) [0.0094] 0.0068 (0.0074) [0.0066] 0.0014 (0.0083) [0.0082] 0.0078 (0.0058) [0.0050] 0.0051 (0.0071) [0.0065] 0.0005 (0.0046) [0.0054] 0.94 (0.10) [0.13] 0.67 (0.09) [0.14] 0.09 (0.07) [0.06] 0.73 (0.19) [0.24] 1.03 (0.14) [0.19] 0.85 (0.11) [0.13] 0.49 (0.12) [0.15] 0.27 (0.08) [0.10] 0.63 (0.10) [0.11] 0.46 (0.07) [0.07]

MOBIL 0.37 2.09 0.55 34.6* 6.93* 1.68 0.29 2.05 0.14 0.03 0.13 3.10 15.07* 5.99
2 2

0.01 1.86 0.90 2.23 0.97 0.73 4.46 10.46* 0.66 2.52 1.64 2.76 2.59 10.9* 92.5* 6.13* 127.5* 1.44 5.99
2 2

0.15 2.21 0.51 0.25 3.27 0.00 1.76 3.84


2 1

0.02 1.88 1.89 2.02 2.29* 1.72 2.28 0.32 0.28 0.43

0.14 9.97* 7.81


2 3

0.72 (0.09) [0.09] 0.10 (0.12) [0.10] 0.74 (0.16) [0.15] 0.21 (0.15) [0.10] 1.05 (0.14) [0.14] 0.61 (0.09) [0.10] 0.82 (0.09) [0.10] 9.88* 5.99
2 2

0.0042 (0.0059) [0.0051] MOTOR 0.0069 (0.0083) [0.0077] PANAM -0.0086 (0.0112) [0.0103] PSNH -0.0126 (0.0100) [0.0105] TANDY 0.0107 (0.0097) [0.0100] TEXACO 0.0007 (0.0062) [0.0049] WEYER -0.0031 (0.0059) [0.0046] Asymptotic distribution Critical 0.05 value

Variations sur les modles linaire et non linaire : Partie I

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca

Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5

difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec

167

Notes : * : Significant at 0.05 level. () : Conventional standard error ; [] : Newey-West (1987) standard error from (6.3). dw : Durbin-Watson statistic. NONLIN : Ramseys (1996) RESET test for functional form, calculated from the regression of t on xt and y t2 . NORM : Jarque-Bera (1980) test for normality. HET : Test for heteroskedasticity, calculated from the regression of t2 on a constant. y t and y t2. CHOW : Chows (1960) test for coefficient stability : break point taken to be December 1984. Source : Mills, T.C. (1999), The Econometric Modelling of Financial Time Series, 2e edition, Cambridge University Press, Cambridge. (Reproduit avec la permission de lditeur)

Variations sur les modles linaire et non linaire : Partie II

169

CHAPITRE

5
VARIATIONS SUR LES MODLES LINAIRE ET NON LINAIRE
PARTIE II
Dans ce chapitre, nous introduisons dabord la thorie asymptotique et les tests sy rapportant : LM, LR et Wald. Puis nous examinons les problmes causs par la multicollinarit au chapitre des variables explicatives. Finalement, nous nous penchons sur le phnomne de lendognit des variables explicatives.

1. THORIE

ASYMPTOTIQUE : CONVERGENCE, TESTS ASYMPTOTIQUES ET VARIABLES INSTRUMENTALES

1.1

Convergence

La thorie asymptotique est maintenant ce point avance que la plupart des proprits linaires et non linaires des estimateurs et, partant, des tests, font appel cette thorie. Les proprits des estimateurs relis aux petits chantillons sont beaucoup moins connues mme si, ces dernires dcennies, il sest produit une grande amlioration au chapitre des techniques de travail empirique en matire dvaluation de ces proprits1. Il existe quatre modes de convergence.

1. On pense ici par exemple lutilisation beaucoup plus pousse de certaines techniques de simulation de type Monte Carlo et bootstrapping et des mthodes de rduction de la variance.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

170 i)

Trait dconomtrie financire

La convergence en probabilit. Cest le mode de convergence le plus connu. Elle se dfinit comme suit. Supposons un estimateur T de . On dit que lestimateur T converge en p probabilit vers , cest--dire : , si :
T T

lim Pr T < = 1

au fur et mesure que la taille de lchantillon devient importante. Une notation plus compacte de ce mode de convergence frquemment utilise dans la littrature est la suivante :

p lim T =
Les conditions suffisantes pour vrifier la convergence asymptotique en probabilit sont les suivantes, en termes de lesp rance et la variance de T :
T

E T = et

( )

Sous certaines conditions trs gnrales, on peut vrifier la convergence asymptotique en probabilit seulement en calculant lesprance asymptotique. Pour un traitement rigoureux de ce dernier sujet, on consultera White (1984)2. Et pour une application de ce concept, on se reportera : Racicot (2000)3. ii) La convergence en moyenne quadratique. On dit quun estimateur m .s. converge en moyenne quadratique vers q, i.e. ,
T

V T = 0 .

( )

si :
r lim E T = 0 T

Ce mode de convergence est plus fort que celui de la convergence en probabilit. En effet, si les conditions antrieures ayant trait lesprance et la variance asymptotique sont
2. White, H. (1984), Asymptotic Theory for Econometricians, Academic Press, New York. 3. Racicot, F.-. (2000), Estimation et tests en prsence derreurs de mesure sur les variables explicatives : vrification empirique par la mthode de simulation Monte Carlo, Centre de recherche en gestion, srie Finance empirique et quantitative, document de travail CRG-09-2000.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II


m .s.

171

respectes, alors T . Il sensuit que : p lim T = , soit

en notation courante : T ; iii) la convergence quasi sre (almost sure, abrg pas a.s.). On a ici la forme de convergence la plus forte. On dit quun estia.s. mateur converge de faon quasi sre vers q, i.e. , si :
T

Pr lim T = = 1 T

iv) la convergence en distribution Supposons deux sries : T et q. Une srie T converge en distribution vers une srie si la fonction de distribution fT de T converge vers la distribution f de pour chaque point de f. Par exemple, supposons un estimateur T de . La notation utilise pour montrer que T converge par exemple en distribution vers une normale desprance nulle

et de variance

est la suivante : T N 0, 2 .

En rsum, tablissons la structure hirarchique des modes de convergence. Elle stablit comme suit4 :

m .s . p d et a.s. p
Exceptionnellement, on peut observer :
dp

Concluons cette section en prcisant quun estimateur sans biais nest pas ncessairement convergent. En effet, lune des conditions pour la convergence en probabilit est que la variance asymptotique soit nulle. Supposons que lon ait le modle de rgression suivant :
y = c+e

4. Voir cet effet : Amemiya, T. (1985), Advanced Econometrics, Harvard University Press, Cambridge.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

172

Trait dconomtrie financire

o e est une variable alatoire de moyenne nulle et de variance constante et la corrlation entre ses valeurs est constante et gale , ce qui peut se reprsenter par :
1 = . . . 1 . . . . . 1 . . . . . . . . . . . . . . . . 1

La matrice X est ici gale un vecteur colonne dont toutes les composantes sont gales 1, ce qui implique que lestimateur des MCO de dans la formule de la matrice variance-covac est y. En insrant riance de , ici c, estim partir du modle de rgression gnralis, on a :

2 1 XTX V = T T V(y) = 2 T

()

1 1 XT X XTX T T

(1 + T)

Si lon prend la limite de cette expression, on obtient : 2 . Dans cet exemple, lapplication des MCO en prsence dautocorrlation fournit un estimateur sans biais mais non convergent puisque la variance asymptotique nest pas nulle. Lautocorrlation est en effet fort prononce dans cet exemple. Dans les modles de sries temporelles, on

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II

173

exige que la corrlation entre les observations diminue au fur et mesure que la distance entre celles-ci augmente. Ici, certe, cette condition est viole.

1.2. Tests asymptotiques : LR, LM et Wald


1.2.1. Test du ratio de vraisemblance : LR Le terme LR est labrviation anglaise de likelihood ratio. On veut tester lhypothse H0 : R = r contre H1 : R r . R est une matrice de dimension (q k), o q < k, et r est un vecteur de dimension (q 1). De manire effectuer ce test, on doit obtenir la valeur estime de la fonction de vraisemblance non contrainte : L , 2 et
2 sa valeur contrainte : L R , R . Le ratio de vraisemblance se dfinit comme suit :

2 L R , R L ,

)
est faible. Le

Intuitivement, on sattend rejeter lhypothse nulle si test asymptotique gnral se formule comme suit :

2 LR = 2 ln = 2 ln L , 2 ln L R , R

[ ( )
T 2

)] ~ (q )
a 2
T 2

o L , 2 = ( 2e )

T 2

( )
2

( 2e ) = T

T 2

( )
eTe

= cste e T e

( )

T 2

Le maximum de vraisemblance contraint est obtenu en maximisant la fonction suivante :

l * = l u T ( R r )

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

174

Trait dconomtrie financire

o u est un vecteur de dimension (q 1) de multiplicateurs de Lagrange et , le logarithme de la fonction de vraisemblance, cest-dire :

l = ln f y 1 , y 2 ,... y n X = ln f ( e1 , e 2 ,..., e n ) = T 2 ln 2 T 2 ln 2 1 2

( y X ) T ( y X ) 2

On peut montrer que R est simplement le vecteur contraint obtenu des MCO satisfaisant lquation : R R = r . Les rsidus qui en rsul . Le MV contraint de 2 est : tent sont les suivants : e R = y X R T 2 R = e R e R / T . Par consquent, la fonction de vraisemblance est :

2 T L R , R = cste e R e R

T 2

2 En substituant L R , R

) et L( , ) dans LR, on obtient :


2

e Te e Te T LR = T ln e R e R ln e T e = T ln 1 + R R e Te

1 T T e e e e = T ln 1 R R T eR eR

Cette quation exige donc destimer les modles contraint et non contraint. On peut galement considrer le test LR comme une transformation du test F :
T 1 LR = T ln 1 + qF qF Tk Tk

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II

175

1.2.2. Test de Wald Dans le test de Wald, seul le modle non contraint est estim alors que pour effectuer le test LR, il fallait estimer les modles contraint et non contraint. Le test de Wald scrit comme suit :

W= =

R r

T T eR eR e T e eTe

1 R XTX RT 2

( R r )

) ~ (q )
a 2

Dans la premire galit de cette expression, le vecteur R r nous indique si lestimateur du maximum de vraisemblance non contraint est rapproch ou loign de r, associ lhypothse nulle. Si R r est voisin de 0, cela implique que lhypothse nulle ne sera pas rejete. loppos, si R r est lev, cela milite en faveur du rejet de lhypothse nulle.

Par ailleurs, on remarque dans la deuxime galit que les erreurs contraintes interviennent dans le test de Wald. Cela est attribuable 1 T T T r R T X T X 1 R la relation suivante : e R e R e e = R r . Par consquent, le test sur les contraintes peut tre effectu R en faisant la rgression non contrainte et en substituant la valeur de dans la premire galit. Alternativement, une rgression contrainte T peut tre estime et le test portera sur la diffrence e R e R e T e . est asymptotiquement distribu comme une N , I 1 ( ) , o I est la matrice dinformation. Sous H0, R r est asymptotiquement distribu comme une loi normale multivarie de moyenne 0 et une matrice

notation standard : R r ~ N 0, RI 1 ( ) R T . laborons davantage sur la matrice dite dinformation. Cette matrice peut se calculer comme suit :

variance-covariance RI 1 ( ) R T , o I1( ) = 2 X T X

) (
a

. Soit, en

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

176

Trait dconomtrie financire

1 XTX 2 I() = I = 2 0

0 T 2 4

Puisque cette matrice est diagonale, linverse de cette matrice est donc de :

2 T X X 1 1 = I () = I 2 0

4 2 T 0

tant donn que cette matrice est diagonale, on peut se concentrer sur la partition relie et crire que : tique vaut encore quand 2 est remplac par sa valeur estime : eTe . Il en rsulte la statistique W prsente antrieurement : 2 = T 1 T 1 R r R X T X R T R r W= . 2

R r

)[
T

RI 1 ( ) R T

] (
1

R r ~ 2 ( q ) . La distribution asympto-

1.2.3. Test LM5 Le test LM, aussi connu sous le nom de test score, se formule de la faon suivante : 2 2 2 LM = S T R I 1 R S R ~ 2 ( q )
2 o R reprsente lestimateur contraint et S( ), le vecteur score. linverse du test de Wald, on na ici qu calculer lestimateur contraint. Le vecteur score :
5. LM est labrviation anglaise de lexpression Lagrange Multiplier Test.

( ) ( ) ( )

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II

177

l = S( ) = l 2
e eR
R

1 T X e 2 T eTe 2 + 2 4
2

2 valu R , est obtenu en remplaant e par e R = y X R et


T

par

2 R =

1 T 2 X eR S R = R 0 Expliquons le calcul du deuxime lment de ce vecteur. En effet :

( )

T 2 2 R

T eR eR eTe 2 R R T
2

T 2 2 R

T 2 2 R

=0

En substituant ces calculs dans lexpression de LM, on obtient :


e X LM = 2 R
T R

2 X T X R 0 0

0 R 2 4 T

X TeR T T eR X X X = R 2 0

X TeR

T Te R X X T X

X TeR

T eR eR

= TR 2 6

6. Fournissons une interprtation intuitive de ce rsultat qui a dj t dmontr. La matrice X(XTX)1XT effectue une projection dans lespace des rsidus expliqus. Le numrateur est donc la somme des carrs explique. En divisant cette somme par la somme des carrs rsiduelle, on obtient R2.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

178

Trait dconomtrie financire

En termes de rsidus, la reprsentation du test LM est de :

LM =

T T eR eR e T e T eR eR

Enfin, on peut montrer que les tests asymptotiques de Wald, du ratio de vraisemblance et du multiplicateur de Lagrange sont relis comme suit : W LR LM . Ces tests sont asymptotiquement quivalents, mais en gnral, ils diffrent dans les petits chantillons. 1.2.4. Variables instrumentales et estimation
X T e 0 . On T pense ici une situation o les X ne sont pas orthogonaux aux e, cest-dire dans le cas o, par exemple, les X sont stochastiques et sont corrls avec les e. Pour traiter ce problme, on recourt aux variables dites instrumentales. Supposons le modle de rgression linaire suivant :

Dans cette section, on sintresse au cas o : p lim

Y = X + e
o lon suppose que E(XTe) 0. Une matrice de variables instrumentales Z se dfinit par les deux critres suivants : i) les variables incluses dans Z sont la limite non corrles avec les rsidus e, cest--dire : 1 p lim Z T e = 0 ; ii) les variables incluses dans Z sont corrles avec T 1 X et, la limite : p lim Z T X = ZX , cette dernire matrice tant T finie et de plein rang7. Lestimateur des variables instrumentales IV sobtient par la procdure suivante : i) on rgresse dabord X sur Z, 1 do on obtient : X = Z = Z Z T Z Z T X ; ii) on rgresse par la 1 T T suite Y sur X . On obtient alors : = X X X Y . On peut ga lement utiliser la notation suivante : = IV = 2SLS . En effet, lesti-

7. Cest--dire quaucune ligne ou colonne nest linairement dpendante des autres.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II

179

mateur des variables instrumentales est ici gal lestimateur des doubles moindres carrs (2SLS : two-stage least squares), lestimateur des doubles moindres carrs sobtenant en effet en appliquant les deux tapes prcdentes. On laborera davantage sur ces sujets dans le chapitre 11 consacr la mthode des moments gnraliss8.

2. PROBLMES

AU CHAPITRE DES VARIABLES EXPLICATIVES : MULTICOLLINARIT ET ENDOGNIT DES VARIABLES EXPLICATIVES

Multicollinarit
Dans le modle de rgression linaire classique : y = X + e , la multicollinarit parfaite signifie quil existe une relation linaire entre les variables explicatives. Dans la pratique, la multicollinarit nest pas parfaite. Elle prsente cependant les consquences suivantes : i) la prsence de collinarit au chapitre des variables de la matrice X, que lon dsigne par multicollinarit, se traduit par une matrice (XTX), singulire lorsque cette multicollinarit est parfaite, cest--dire

X T X = 0 . Il en rsulte que (XTX)-1 nest pas dfinie. Dans la cas o


la multicollinarit est trs leve sans tre parfaite, (XTX)1 sera important, ce qui se traduira par une matrice de variances des MCO trs leves ; ii) la deuxime consquence dcoule de la premire. En effet, si les carts-types des estimateurs sont levs, les statistiques t seront faibles mme si les R2 ou les F indiquent que lensemble des variables explicatives sont significatives ; iii) les estimateurs pourront tre trs sensibles lajout ou au retrait de variables explicatives apparemment sans signification ; iv) on peut effectuer des prvisions suffisamment prcises en prsence de multicollinarit si la collinarit entre les variables demeure stable. Pour identifier la multicollinarit, il existe plusieurs mthodes. Nous en retenons deux. La plus simple consiste calculer la matrice de corrlation de Pearson. Cette matrice donne une mesure approximative de la liaison linaire entre les paires de variables explicatives.
8. On trouvera un exemple dapplication des variables instrumentales dans : Racicot, F.-. (2000), op. cit., CRG 09-2000.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

180

Trait dconomtrie financire

Le seuil partir duquel la collinarit peut tre juge importante stablit au voisinage de 0,8. La deuxime mthode pour juger de limportance de la multicollinarit fait appel aux rgressions auxiliaires. Lavantage de cette mthode sur la premire est quelle permet dexprimer une variable en fonction de plusieurs autres : x k = a 1 x 1 + a 2 x 2 + ... + a k 1 x k 1 + v . Cette rgression est dite auxiliaire car elle exprime une variable explicative laide dautres variables explicatives. Le terme v est une variable alatoire appel diffrence. Une collinarit importante sera associe une somme des carrs rsiduelle faible ou un R2 lev. Quelles sont les solutions possibles au problme de multicollinarit ? Nous en retenons quatre : i) on peut dabord ajouter des variables explicatives de bonne qualit, mais celles-ci ne sont pas toujours disponibles ; ii) on peut exclure les variables qui font problme si tant est que cela soit possible. Cette procdure quivaut imposer des contraintes sur les paramtres, mais nous avons vu antrieurement que si nous procdons de la sorte, les MCO sont biaiss dans le cas o les contraintes ne sont pas valables. Les MCO seront cependant sans biais dans le cas o les contraintes sont valables ; iii) si (XTX) est singulire et que lon a besoin dinverser cette matrice, on peut utiliser linverse gnralis de Moore-Penrose, aussi appel pseudo-inverse. Posons : Z = (XTX), une matrice carre, alors Z+ est linverse gnralis de Moore-Penrose. Cette matrice a la proprit T dtre unique et se dfinit comme suit : Z + = C1 1C1 , o 1 est la 1 matrice diagonale qui renferme les valeurs propres (eigenvalues) de (XTX) non nulles, cest--dire :

1 0 . 1 = . . 0

0 2

. 0 .

. .

. .

. . 0 . . .

0 0 . . . k

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II

181

et C1 est la matrice regroupant les vecteurs caractristiques de (XTX). Pour fixer les ides, considrons un cas du calcul des valeurs propres et des vecteurs propres. Soit A et c, un vecteur dont les lments sont non nuls. On cherche solutionner le systme dquations suivant : ( A I ) c = 0 . Pour obtenir une solution non triviale ce systme, il faut que : A I = 0 . On trouve les valeurs de qui satisfont la valeur de ce dterminant. Une fois ces calculs, on trouve le vecteur c partir de la relation prcdente : ( A I ) c = 0 . Pour illustrer ces calculs, considrons le cas dune matrice A de dimension (2 2). Lquation : ( A I ) c = 0 peut alors se reprsenter comme suit :
a 11 a 21 a 12 c1 = a 22 c 2 0 0

Le dterminant A I = 0 est ici de :

( a11 )( a 22 ) ( a12a 21 ) = 0 .
tion caractristique. Le

On appelle cette quation : lquaest obtenu en solutionnant ce polynme du

second degr, qui est de la forme : ax 2 + bx + c = 0 . La solution est :

x 1, 2 =

b b 2 4 ac 2a

iv) la quatrime solution pour traiter le problme de multicollinarit consiste utiliser lestimateur de la ridge regression. Cet estimateur, 1 dsign par r , est gal : r = X T X + rD X T y o r est approximativement gal 0,01 et est obtenu par simulation et o D est une matrice diagonale qui contient les lments de la diagonale de (XTX). Lesprance de cet estimateur est gal : 1 E = X T X + rD X T X , ce qui montre que lestimateur de

la ridge regression est biais. Par contre, sa variance est infrieure celle des MCO, cest--dire : 1 1 V = 2 X T X + rD X T X X T X + rD <V .

( ) (
r

) (

( )
r

) (

)(

()

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

182

Trait dconomtrie financire

Ici, lintuition est la suivante. Lorsque lon a multicollinarit quasi parfaite, le dterminant de (XTX) est trs rapproch de 0. Le stratagme est ici dajouter la matrice (XTX) des lments de nature rendre ce dterminant diffrent de 0, en loccurrence rajouter rD (XTX). On obtiendra ce faisant un estimateur biais mais ayant une variance plus faible que les MCO, cest--dire comportant un cart quadratique moyen plus faible que les MCO, i.e. : EQM r < EQM .

( )

()

Endognit des variables explicatives


Pour prsenter ce problme, nous recourons au systme dquations de loffre et de la demande. On veut ici estimer la demande. Or, lestimateur des MCO des paramtres de la fonction de demande sera gnralement biais et non convergent. Les quations doffre et de demande sont reprsentes la figure 5.1. FIGURE 5.1
p O

qd = q0

Le systme dquations doffre et de demande sexprime comme suit : q d = 11 + 12 p t + e1t t qo t = 21 + 22 p t + e 2t (D) (O)

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Variations sur les modles linaire et non linaire : Partie II

183

On suppose que les innovations sont des bruits blancs. Sur la figure 5.1, lquilibre se situe au point de jonction de loffre et de la demande. ce point, on a :
qd = qo = qt t t

En exprimant la demande sous sa forme inverse (appele demande inverse) et aprs avoir remplac q d par sa valeur dquilibre qt, on t obtient :
pt = 11 12 + 1 12 qt 1 12 e1 t

Par consquent, une variation dans linnovation e1t se rpercute sur le prix (pt) et par ricochet, par lintermdiaire de la fonction doffre, sur qt. Cela dmontre que : E ( p t , e1 t ) 0 Par consquent, lestimateur des MCO appliqu aux paramtres de lquation de demande est biais et non convergent. La non-prise en compte de loffre se traduit ici par ce quon appelle un biais de simultanit puisque la dtermination du prix et de la quantit correspondant lquilibre provient dun systme dquations. Pour traiter ce problme, on recourt gnralement aux doubles moindres carrs (2SLS) qui se traduisent par un estimateur convergent. En finance corporative, lestimation de la demande et de loffre dobligations, qui donne lieu la dtermination du taux dintrt dquilibre du march des obligations, est confronte au mme problme. Il faut recourir des variables instrumentales pour identifier ces deux fonctions. Ces fonctions dcoulent surtout des travaux de Miller (1977)9.

9. Miller, M. (1977), Debt and Taxes, Journal of Finance, mai, p. 261-276.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

185

CHAPITRE

6
LES MTHODES NUMRIQUES EN CONOMTRIE
UNE INTRODUCTION
Dans ce chapitre, nous envisageons certaines techniques de simulation qui sont utilises en conomtrie financire pour gnrer des distributions, telles la simulation de Monte Carlo et la technique dite du bootstrapping. Ce chapitre sattarde galement sur une brve introduction au calcul stochastique dans ses rapports avec lconomtrie financire.

1. SIMULATION DE MONTE CARLO : LE CAS DUNE OPTION ASIATIQUE1


Une simulation de Monte Carlo vise gnralement gnrer la distribution dune variable conomique ou financire, du moins dans ses rapports avec la science conomique et la thorie financire. En conomtrie, linput dune simulation de Monte Carlo est gnralement une distribution tandis quen finance, linput est gnralement une quation diffrentielle stochastique discrtise. Le but est alors par exemple de calculer le prix thorique dun instrument financier, telle une option, ou dvaluer le risque thorique dun portefeuille, par exemple lors dune simulation de Monte Carlo qui met en cause la VaR2.
1. Ce chapitre est bas sur le cahier de recherche suivant : Racicot, F.E. et R. Thoret (2001), Les mthodes numriques en conomtrie financire. Analyse de quelques cas : La simulation de Monte Carlo, le bootstrap et le kernel, Document de travail du CRG, cole des sciences de la gestion, UQAM. 2. VaR est lacronyme anglais de Value at Risk.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

186

Trait dconomtrie financire

Pour mieux comprendre la technique de la simulation de Monte Carlo, nous recourons un cas, celui de la dtermination du prix dune option de vente asiatique. Le prix dexercice dune telle option est la moyenne des prix de laction sous-jacente du dbut de la dure de loption jusqu son chance. Lexpression gnrale du prix dune option, comme dailleurs du prix de tout instrument financier, en termes de ses cash-flows est la suivante : Prix = er(Tt) E* [Cash-flows(S)] o r dsigne le taux sans risque ; (T t), le temps quil reste jusqu lchance de loption ; E*, lesprance neutre au risque et Cash-flows, les cash-flows finaux de loption selon les divers tats de la nature donns ici par les prix probables de laction sous-jacente. Avant de progresser davantage dans cette prsentation de la simulation de Monte Carlo applique au calcul du prix dune option asiatique, effectuons une courte digression3 sur lquation diffrentielle stochastique du prix dune action dont nous nous servons ici pour construire notre simulation. Dans sa forme gnrale, cette quation, appele mouvement brownien gomtrique, est la suivante : dS t = rS t dt + S t dW t o S dsigne le prix de laction ; dt dsigne la priode de temps ; s est lcart-type du rendement de laction ; dW est un processus de Wiener desprance nulle et de variance dt. Pour en dduire lquation du prix de laction, soit S, divisons dabord cette dernire quation par S et intgrons cette quation de 0 t :

0 S u

t dS u

0 rdu + 0 dWu

La premire intgrale est une intgrale de Riemann standard gale rt et la seconde intgrale contient un terme alatoire dW, mais son coefficient est constant dans le temps. Cette intgrale peut donc se

3. Pour plus de dtails, voir : Neftci, S.N. (1996), An Introduction to the Mathematics of Financial Derivatives, Academic Press, New York ; Wilmot, P. (1998), Derivatives : The Theory and Practice of Financial Engineering, John Wiley and Sons, New York ; Briys, E. et al., (1998), Options, Futures and Exotic Derivatives, John Wiley and Sons, New York.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

187

calculer de la faon habituelle : ( W t W0 ) = W t puisque W0 = 0. Par consquent,

0 S u

t dS u

= rt + W t

Toute solution de cette intgrale stochastique doit satisfaire cette intgrale. En particulier, lune des solutions est la solution suivante :

S t = S0 e

1 2 r t + W t 2

Cette solution est fonction des paramtres , r et Wt. On peut vrifier lexactitude de cette solution en diffrenciant cette dernire quation par le biais du lemme dIt. Ouvrons ici une parenthse pour introduire ce lemme trs important en calcul stochastique. Supposons que la variable alatoire x suive le processus dIt suivant : dx = a ( x , t ) dt + b ( x , t )dW o W dsigne un processus de Wiener et a et b des fonctions de x et de t. La tendance (drift) de x est de a et sa variance est de b2. Soit une autre fonction de x et t dsigne par G. En vertu du lemme dIt, la fonction G suit le processus suivant :

G G G 1 2G 2 dG = a+ + b dt + bdW 2 x t 2 x x
o dW dsigne le mme processus de Wiener que celui auquel obit x. G suit galement un processus dIt. Son terme tendanciel est le

G 2 contenu de la parenthse de dt et sa variance est b . Par x exemple, supposons que S suive le processus suivant : dS = adt + bdW = uSdt + SdW . Supposons que G = lnS. En appliquant le lemme dIt, on a :
2 dG = u dt + dW 2

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

188

Trait dconomtrie financire

= 0 . On peut montrer que S S S 2 S2 t le lemme dIt est au calcul stochastique ce quest lexpansion de Taylor au calcul diffrentiel classique. puisque et et On obtient, en appliquant le lemme dIt S qui, on le rappelle, est gal : S t = S 0 e
1 2 r t + W t 2

2G

1 2 r t + W t 1 2 1 2 S e 2 dS t = 0 r dt + dW t + dt 2 2

On retrouve alors lquation diffrentielle initiale : dSt = rStdt + StdWt. Cette digression avait pour but de justifier la forme de lquation du prix de laction qui sert de base la simulation de Monte Carlo : S t = S 0 e
1 2 r t + W t 2

. Comme St suit une loi lognormale,

lnSt suit une loi normale. Ce dernier est obtenu en prenant directement le logarithme de la dernire quation, crite sous forme diffrentielle :
1 d ln S t = r 2 dt + dW t 2

Cette quation participe de la nature des mouvements browniens gnraliss4. Cependant, avant denclencher la simulation de Monte Carlo, nous devons discrtiser5 cette quation. On peut cet effet utiliser la mthode dEuler pour obtenir une discrtisation du premier degr6. Pour y parvenir, discrtisons dans un premier temps lquation diffrentielle qui sert de base lquation du prix, soit :
4. Un mouvement brownien gnralis est de la forme : dX = udt + dW alors quun mouvement brownien gomtrique est de la forme : dX = uXdt + XdW . 5. Discrtiser signifie convertir en temps discret une quation en temps continu. 6. remarquer quil existe des mthodes dapproximation plus exactes comme celle de Milstein, qui est du second degr. Pour des claircissements sur ce sujet, voir : Jegadeesh, N. et B. Tuckman (2000), Advanced Fixed-Income Valuation Tools, Wiley, New York.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

189

S t = rS t t + S t t

o reprsente une variation finie et lement sa solution, soit :

~ N(0, 1). On discrtise ga-

S t + t = S t e

1 2 r t + t 2

Les dveloppements antrieurs avaient pour but de donner quelques fondements thoriques au cas de simulation de Monte Carlo qui nous intresse, soit la dtermination du prix dune option de vente asiatique. Nous effectuons cette simulation en recourant au logiciel Excel. La mthode de Monte Carlo consiste gnrer des sries de prix dactions en utilisant la formule du prix dune action qui vient dtre drive. Pour dterminer la valeur du put asiatique, on calcule ensuite la moyenne des prix de laction que lon retranche au prix dexercice. Une srie est gnre sur une priode de dure 1 par tranche de 0,01 priode ( t). Chaque srie comporte donc 100 priodes. Au bout de chacune de ces priodes, on calcule la moyenne de ces prix, que lon retranche au prix dexercice. Pour les rsultats, on consultera les colonnes moyenne et profit du chiffrier Excel qui apparat au tableau 6.1. Attardons-nous maintenant sur la technique du calcul dune srie. Pour calculer le prix dun put asiatique7, nous avons besoin des donnes suivantes. Le prix de dpart de laction sous-jacente au put asiatique est ici fix 80 et le prix dexercice du put est de 85. Le terme tendanciel8, soit r ou taux sans risque puisque lon effectue une valuation neutre au risque, est fix 5 %. La volatilit du rendement de laction sous-jacente au put asiatique stablit 0,20 (20 %). t est de 0,01. Calculons, pour la premire simulation9, qui apparat au tableau 6.1 la ligne SIM1 (t = 0,01), la formule qui nous sert calculer lvolution du prix de laction par incrment dune priode partir de son prix
7. Voici quelques rfrences en franais dans le domaine de la thorie des options : Khoury, N. et P. Laroche avec la collaboration de E. Briys et M. Crouhy (1990), Options et contrats terme, Nathan ; Khoury, N. et P. Laroche, Options et contrats terme, 2e dition, Presses de lUniversit Laval, Ste-Foy. 8. Drift en anglais. 9. 5 000 simulations similaires seront effectues. Nous donnons ici un cas-type de simulation.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

190

Trait dconomtrie financire

initial de 80. La formule mathmatique utilise a t donne prcdemment, soit : S t + t = S t e dExcel, elle scrit : = E8*EXP(($B $10 0.5*($B $8^2))*$B$9 +$B $8*($B $9^(0.5))*(LOI.NORMALE.STANDARD.INVERSE(ALEA()))) TABLEAU 6.1
Simulation de Monte Carlo effectue pour le calcul dun put asiatique Programm par : Franois-E. Racicot P. laction Drift (u=r) Volatilit Incrment Interet r PV PUT P.exercice 80 Simulation Temps 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 80 t= 0.01 79.2891205 78.66499431 81.17816896 79.25448317 80.33680191 78.31094261 79.8205457 80.82829744 78.6009229 79.85180274 80.5444967 82.41977267 78.7899294 82.94541457 80.88513922 81.86096848 81.06315519 78.69561097 79.56165587 79.62973861 80.85553489 76.24670934 81.01945084 80.0000912 79.27836197 81.47731027 79.65430822 80.67799503 80.72992357 80.38681647 t= 0.02 79.27126577 81.95555147 81.7754605 81.57007378 78.61477857 78.56076837 79.23789559 79.19169645 77.80161597 79.96214356 82.36397261 82.92348779 79.51720458 83.96704888 81.31031068 83.49307978 80.34279928 77.63004399 78.62794456 81.73153194 79.22527776 78.53087555 82.32192909 78.49258051 79.81361149 80.59582096 80.22714671 79.62513833 80.77637017 79.93164664
1 2 r t + t 2

. En terme du langage

0.05 Sim 0.2 0.01 delta t 0.05 5.19 $ 85

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

191

o le contenu des cellules est le suivant : E8 est le prix initial de laction, soit 80 ; B10, le taux dintrt sans risque (drift) ; B8, lcarttype du rendement de laction ( ) ; B9, lincrment priodique ( t) ; ALEA, le gnrateur de variables alatoires dExcel. La fonction LOI.NORMALE.STANDARD.INVERSE() exprime ALEA en une valeur obissant une loi normale N(0, 1). Pour ce qui concerne la premire simulation, on copie la cellule dans les colonnes de 0,01 jusqu 1. Rendu 1, on ouvre une autre cellule (DC8 dans le cas de notre chiffrier) dans laquelle on calcule la moyenne des prix obtenus dans lintervalle [0, 1]. La formule de DC8 est la suivante : =MOYENNE(E8:DA8)
t = 0.03 80.85290647 80.48461538 80.49076078 79.62603839 74.29885889 81.2310313 77.63445005 78.26866563 79.38815434 79.37309059 84.87106345 85.01618452 78.54671554 82.75009397 80.11606546 84.7212354 80.06404572 79.22190591 78.5616171 81.82941669 78.17742773 80.27823954 80.93960323 76.39817994 81.01382557 82.14333057 81.46243778 81.40768541 81.26770213 81.09882507 t=1 121.1143472 92.71114888 87.95487337 94.88866876 61.70866471 87.44423868 64.58821663 59.96705756 90.62379039 82.5227778 102.7100865 73.09447992 130.097093 61.4196164 96.81254171 120.8615132 78.51878392 70.70213568 62.461891 64.18020385 61.4891354 62.80009254 109.0163873 92.98605881 47.250664197 70.41452489 97.62815574 106.275939 61.93170253 82.88289369 Moyenne 96.52243117 76.75135139 83.61684531 78.89180296 73.06788345 77.69186473 76.93485993 64.53758041 81.72143152 75.06513338 90.46294143 83.18424521 108.1235819 72.65938023 93.34845228 97.96073286 77.69767106 75.25370363 71.48802002 69.87013862 74.121112 69.24875683 94.25784774 84.8702347 65.34312409 76.38069633 100.1983943 88.3070333 70.60894538 83.16753639 cash-flow 0 8.248648605 1.383154694 6.108197036 11.93211655 7.308135266 8.065140071 20.46241959 3.278568483 9.93486622 0 1.815754793 0 12.34061977 0 0 7.302328944 9.746296368 13.51197998 15.12986138 10.878888 15.75124317 0 0.129765301 19.65687591 8.619303674 0 0 14.39105462 1.832463614 Esprance 5.4577

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

192

Trait dconomtrie financire

On peut alors calculer le cash-flow final du put associ la premire simulation dans la cellule DD8, toujours dans notre chiffrier Excel, dont la formule est la suivante : =MAX($B $14-DC8,0) o la cellule B14 contient le prix dexercice. On reproduit cette simulation 5000 fois dans notre exemple. Finalement, on calcule lesprance risque-neutre (E*), qui, on le rappelle, est gale : E* [Cash-flows(S)], sexprime, dans le langage dExcel : =SOMME(DD8:DD5007)/NB(DD8:DD5007). o la colonne stirant de DD8 jusqu DD5007 renferme les cashflows du put. Le rsultat de cette opration apparat dans la cellule DG6 en ce qui concerne notre chiffrier. Pour obtenir le prix du put asiatique, il reste actualiser lesprance E*, cest--dire : =$DG$6*EXP(-$B $10*$DA$6) o DA6 est la cellule qui renferme la priode 1, soit le temps terminal de chaque simulation. Ce rsultat est report dans la cellule B12 qui nous fournit le prix du put asiatique, soit 5,24 $. Dans lexemple prcdent, nous avons effectu 5000 simulations. Dans certains cas, ce nombre peut savrer insuffisant. Par exemple, dans le cas de la discrtisation dEuler du modle de Cox, Ingersoll et Ross (1985)10 servant la modlisation de la structure terme des taux dintrt, il peut tre requis deffectuer jusqu 10 millions de simulations. En effet, lapproximation cause deux types derreurs : lerreur sys tmatique et lerreur statistique. Plus prcisment : e = e SYS + e STAT , o dsigne lerreur totale, eSYS, lerreur systmatique et e STAT , lerreur statistique. Dans le modle de Cox, Ingersoll et Ross, lerreur statistique ne se rsorbe quau bout de 10 millions de simulations. Cela donne penser que lapproximation dEuler fait problme et quil faudrait peut-tre recourir des approximations de degrs plus levs que 1, telle lapproximation de Milstein qui est une discrtisation du second degr11.
10. Cox, J.C., J.E. Ingersoll et S.A. Ross (1985), A Theory of Term Structure of Interest Rates , Econometrica, vol. 53. 11. Pour plus de dtails, voir : Jegadeesh, N. et B. Tuckman (2000), Advanced FixedIncome Valuation Tools, John Wiley and Sons, New York, chap. 13.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

193

Mentionnons finalement que certains gnrateurs de variables alatoires, telle la fonction ALEA dExcel, finissent par reproduire les mmes variables partir dun certain nombre de simulations. titre dexemple, si lon veut gnrer 1 million de variables alatoires partir de la version dExcel 1995, il pourrait y avoir jusqu 30 copies du mme ensemble de nombres alatoires. Si lon veut par exemple gnrer 10 millions de nombres alatoires, le logiciel Mathematica serait requis dans ce cas. Il peut en effet gnrer 10445 nombres alatoires avant de se rpter12. Incidemment, pour le cas de lvaluation du prix dun titre, lerreur de mesure dcrot en proportion inverse de la racine carre du nombre (N) de simulations. Prenons par exemple le cas de la simulation du prix dun produit driv dsign par f par la mthode de Monte Carlo. On peut alors construire lintervalle de confiance de f qui nous donnera le nombre de simulations requises pour en arriver une prcision suffisamment leve. Cet intervalle, au seuil de 95 %, est le suivant :
1, 96 N <f <+ 1, 96 N

est la valeur estime de f lors de la simulation et , lcart-type13.

2. LA

MTHODE DU BOOTSTRAP

La mthode du bootstrap est due Efron (1979)14. Cette mthode est trs apparente la simulation de Monte Carlo, mais elle a lavantage de ne pas requrir de distribution a priori dans le mcanisme de gnration des variables alatoires. Nous avons dj mentionn que la mdiane est un estimateur robuste de la tendance centrale alors que la moyenne ne lest pas dans le cas dune distribution non normale. Supposons que lon ait un chantillon de dpart X dont la distribution thorique est inconnue. La mthode du bootstrap peut tre utilise

12. Bhansani, V. (1998), Pricing and Managing Exotic and Hybrid Options, McGrawHill, New York, chap. 5. 13. Pour des informations additionnelles, voir : Hull J.C., (2000), Options, Futures and Other Derivatives, quatrime dition, Prentice Hall, New Jersey, chap. 16. 14. Efron, B. (1979), Bootstrap Methods : Another Look at the Jacknife , Annals of Statistics, n 7, p. 1-26.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

194

Trait dconomtrie financire

pour gnrer certaines informations relies cette distribution. Par exemple15, la mthode du bootstrap peut servir calculer lcart-type de la mdiane de cet chantillon. Pour ce faire, on recourt la formule suivante :
BOOT = 1

B 1 i =1

[
B

M i M (.)

dsigne lcart-type de la mdiane ; B, le nombre de simula1 B M i , soit la tions ; M i , la mdiane du nouvel chantillon ; M ( . ) = B i =1 moyenne des M dcoulant des simulations. Attardons-nous expliBOOT

quer la procdure du bootsrap pour le calcul de lcart-type de la mdiane. i) La premire tape consiste gnrer un chantillon alatoire Xi de taille n avec remise partir de lchantillon initial, galement de taille n. Toute observation de cet chantillon de nombre alatoires comporte la mme probabilit doccurrence, soit 1/n.

ii) La seconde tape revient calculer la mdiane pour lchantillon qui vient dtre gnr. iii) Et lon rpte ces deux tapes B fois. On peut alors calculer lcart-type de la mdiane partir de la formule pertinente. On peut gnraliser cette procdure toute statistique (y) calcule partir dun chantillon yt (t = 1, n) dont on ne connat pas la distribution dans un petit chantillon16. Lopration bootstrap vise ici approximer la distribution de cette statistique partir de lchantillon des y observs. Pour ce faire, on doit tirer un nombre B dchantillons de taille n. Cet chantillonnage est effectu avec remise. Certains de ces chantillons pourront contenir les mmes observations plus dune fois et les observations qui y apparatront seront dans un ordre com-

15. Nous nous inspirons ici de : Johnston, J. et J. Dinardo (1997), Econometric Methods, 4e dition, McGraw-Hill, New York, chap. 11. 16. Nous nous inspirons ici de : Davidson, R. et J.G. McKinnon (1993), Estimation and Inference in Econometrics, Oxford University Press, New York, chap. 21.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

195

pltement diffrent de lchantillon initial. On calcule (y*(i)) pour chacun de ces chantillons, o i = 1, B. En bout de piste, on obtient ainsi B statistiques (y*(i)). On peut alors calculer toute statistique relie la distribution de (y), comme lcart-type ou autres moments. On peut galement illustrer la mthode du bootstrap dans le cas dun modle de rgression linaire17. Le but est ici de calculer lesp rance de . Soit le modle de rgression linaire suivant : y t = x t + et t = 1,..., n

Nous disposons dun chantillon de dpart pour les y et les x. On peut calculer le premier , dsign par (1) partir de ces observations. On effectue des bootstraps sur les y et x et chaque fois on recalcule (i), i = 1, , B. On peut alors calculer partir de ces derniers lesp-

1 B ( i ) . rance de , cest--dire : E B i =1 Wilmott (1998)18 donne un exemple de bootstrap appliqu une srie de rendements dactions. Il dispose de 1000 rendements journaliers sur chaque action. Il reporte ces rendements dans un chiffrier. Les cellules sont numrotes de 1 1000, une pour chaque journe de lchantillon et chacune de ces journes sont associs les rendements des actions retenues pour cette journe. Il effectue des tirages avec remise 1000 fois en utilisant une distribution uniforme. Cela constitue un premier scnario pour les rendements de son chantillon dactions sur lhorizon dinvestissement envisag. Et il refait ce processus autant de fois quil le faut pour gnrer une distribution prcise des rendements futurs de son portefeuille dactions. Il peut alors calculer par exemple la VaR de son portefeuille, qui correspond la perte maximale que peut subir celui-ci un seuil de confiance gnralement fix 95 % ou 99 %.

()

17. On peut galement utiliser la mthode du bootstrap dans le cadre du modle de rgression non linaire, mais celle-ci est alors trs intensive en calculs. 18. Wilmott, P. (1998), Derivatives : The Theory and Practice of Financial Engineering, Wiley, New York, chap. 42.

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

196

Trait dconomtrie financire

3. RGRESSION

NON PARAMTRIQUE : UNE SIMULATION MONTE CARLO

Dans un chapitre prcdent, nous avons prsent les corrlations non paramtriques de Spearman et de Kendall. Pour poursuivre la discussion sur les mthodes non paramtriques, on peut montrer comment ces mthodes peuvent sappliquer au domaine de la rgression. cette fin, nous envisageons un cas bas sur des observations gnres par la simulation de Monte Carlo et mettant en cause la rgression recourant aux kernels. Soit le modle de rgression suivant : y t = m(x t ) + et o m(.) est une fonction arbitraire non linaire et et, un terme derreur. Il sagit ici destimer m par la mthode de rgression non paramtrique, le kernel. Dans les rgressions du type kernel, la fonction de poids wt,T(x) construite partir de fonctions de densit de probabilit (pdf) k(x) et justement appele kernel possde les proprits suivantes : i) ii) k(x) 0 ;

k ( u )du = 1 ;

Et mme si le kernel ne joue aucun rle sur le plan probabiliste dans lanalyse qui suit, on recourt une fonction de densit connue pour dterminer les pondrations comme le kernel gaussien qui est retenu dans le cas de notre exemple. Ce dernier a la forme suivante :
1 x 1 2 kh (x) = k = e 2h h h 2 h x2

Il est remarquer que nous avons ici effectu un changement dchelle de la variable x en la reportant dans un intervalle h compris entre 0,1 x et 0, 5 x o x est lcart-type de {xt}. Notons que h est choisi de faon minimiser un critre : h = arg min h Q( h ) . Ce critre nous incite choisir la valeur 0,1 x . La proprit ii) du kernel sexprime, dans le cas de la transmutation dchelle : k h ( u )du = 1

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les mthodes numriques en conomtrie

197

o k h ( u ) =

1 u k . Dfinissons la fonction de poids wt,T(x) qui entre h h

dans notre moyenne pondre comme suit :


w t ,T ( x ) = k h (x x t ) g h (x)

o g h ( x ) =

1 T

k h ( x x t ).
t =1

La technique de lissage des donnes de Nadaraya-Watson, lestimateur kernel de m, se dfinit comme suit :

m h (x) =

1 T

w t ,T ( x ) y t = t =1T t =1 k h (x x t )
t =1

k h (x x t )y t

On remarquera dans cette formule que lon effectue une moyenne pondre des yt. Si h est trs petit, la moyenne sera calcule dans un voisinage trs concentr autour de x. Par ailleurs, quand lintervalle est important, la moyenne sera calcule dans un voisinage plus tendu autour de x. h est donc le paramtre de lissage. Passons maintenant un exemple programm dans le logiciel Excel. Dans un premier temps, nous gnrons les variables y partir dune simulation de Monte Carlo. Nous gnrons cette fin 200 variables y partir de la relation suivante : y t = sin ( x t ) + e t o et ~ N(0, 1). Dans Excel, en faisant varier xt de 0 2 , on crit : = SIN ( B 4 ) + LOI. NORMALE.STANDARD.INVERSE ( ALEA ()) et on copie cette cellule autant de fois quon le dsire, 200 dans notre cas. Ce faisant, on obtient la variable y de notre simulation de Monte Carlo. La figure 6.1 reproduit les y obtenus par cette simulation :

2001 Presses l lUniversit Qubec 2001 Presses dedeUniversit dudu Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

198

Trait dconomtrie financire

FIGURE 6.1

Y 00 1 -

4-

3-

2-

1-

2 -

3 -

On se sert ensuite de ces donnes pour calculer lestimateur kernel obtenu, rappelons-le, partir de la formule suivante :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

4 -

X (0 2 )

Les mthodes numriques en conomtrie

199

m h (x) =

w t ,T ( x ) y t = t =1T T t =1 k h (x x t )

k h (x x t )y t
t =1

. Incidemment, m h ( x )

est lestimateur de : E y t x t = sin ( x t ) . Le rsultat apparat la figure 6.2. Pour gnrer kh(x xt) dans le logiciel Excel, on recourt la formule suivante : =(1/$E$4*RACINE(2*PI())))/(EXP((($F$2-B4)^2)/(2*$E$4^2))) La cellule E4 renferme la valeur de h. Elle se calcule comme suit : =ECARTYPE(B4:B204)*0.1 Les valeurs de x sont situes dans les cellules B4 B204. Pour calculer m h ( x ) , on recourt la formule suivante :

=SOMMEPROD(K4:K204;$C $4:$C$204)/NB(B4:B204) o les cellules K4 K204 renferment les valeurs de kh(.), et les cellules C4 C204, les valeurs gnres de y. Finalement, il faut donner des valeurs x pour le calcul de m h ( x ) . Nous avons choisi les cinq valeurs suivantes programmes dans Excel : 0, =PI()/2, =PI(), =3PI()/2, =2PI(). En finance, la rgression kernel peut servir estimer les btas des titres. Par exemple, si nous disposons des rendements mensuels, disons de IBM et du TSE300, on peut gnrer lestimateur kernel du bta dIBM. Les mthodes non paramtriques peuvent servir aussi estimer des distributions empiriques et effectuer des prvisions19. cet effet, Diebold et Nason appliquent les mthodes non paramtriques pour prvoir le taux de change20.

19. Pour cette section, nous nous sommes rfrs aux documents suivants : Campbell, J.Y. et al. (1997), The Econometrics of Financial Markets, Princeton University Press ; Oxley, L. et al. (1995), Surveys in Econometrics, Blackwell ; Johnston et Dinardo (1997), op. cit, chap. 11. 20. Diebold, F.X. et J.A. Nason (1990), Nonparametric Exchange Rate Prediction ? , Journal of International Economics, 28, p. 315-332.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

200

Trait dconomtrie financire

FIGURE 6.2

1.5 -

0.5 -

0.5 -

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

1.5-

1-

0-

1 -

X (0 2 )

Lhtroscdasticit

201

CHAPITRE

7
LHTROSCDASTICIT

Dans ce chapitre, nous examinons dabord comment la prsence de lhtoroscdasticit vient modifier les proprits classiques des MCO. Puis nous envisageons les correctifs au problme de lhtroscdasticit, soit les estimateurs des moindres carrs pondrs et des moindres carrs gnraliss. Dans le cas pour lequel la matrice variance-covariance est inconnue, nous montrons comment on peut construire lestimateur des moindres carrs quasi gnraliss partir de diffrentes formes dhtroscdasticit en guise de correction de ce problme. cet effet, nous prsentons la matrice de White pour traiter ledit problme. Suivront les tests classiques pour circonscrire lhtroscdasticit, soit les tests de Goldfeld et Quandt, de Breusch-Pagan, de White et un test gnral asymptotique. Finalement, nous prsentons quelques applications.

1. PROPRITS

DE LESTIMATEUR DES MCO LORSQUE LES ERREURS SONT HTROSCDASTIQUES

Le terme htroscdasticit comporte les racines suivantes. Dabord scdastique est associ fonction scdastique , qui signifie variance conditionnelle . La racine htro fait rfrence plusieurs . Htroscdasticit signifie donc diffrentes variances. Bien que lhtroscdasticit se retrouve la fois dans les sries en coupe instantane et dans les sries temporelles, nous ntudierons dans ce chapitre que la premire forme. La seconde sera aborde ultrieurement.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

202

Trait dconomtrie financire

Prcisons maintenant ce que nous entendons par htroscdasticit. Soit le modle de rgression linaire suivant ne comportant quune seule variable explicative : o E(et) = 0 et V ( e t ) = 2 = 2 x t . Analysons maintenant ces nout velles hypothses. Nous supposons donc que les rsidus sont desprance nulle mais que la variance nest pas fixe comme dans le cas homoscdastique mais bien variable. Elle varie ici en proportion directe de xt. En termes matriciels, la matrice variance-covariance scrit :
x1 0 . T 2 E ( ee ) = V = . . 0 0 x2 . . . 0 . . . . . . 0 . . 2 = . . xT

y t = 1 + 2 x t + e t

Si on applique les MCO sur lquation crite plus haute, on obtient encore un estimateur sans biais, cest--dire : E = . Mais la va est de : riance de

()

= 2 XT X

E E

XT

( ))( E( )) X( X X ) ( X X )
T T 1 2 T

Cela implique que les MCO sont inefficients en prsence dhtroscdasticit puisque la variance des MCO est biaise. Reprsentons graphiquement le phnomne de lhtroscdasticit en reprenant lexemple

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

203

de la relation entre les dpenses sur cartes de crdit et les revenus. Cette relation apparat la figure 7.1. FIGURE 7.1

yt

X X X X X X

xt

o yt dsigne les dpenses sur cartes de crdit et xt, les revenus. La figure 7.1 indique que la variance des dpenses sur cartes de crdit, circonscrite par le cne, augmente en fonction du revenu individuel. En effet, plus le revenu est lev, plus les dpenses font montre dune dispersion importante en raison de la marge de manuvre plus leve des gens riches. Comme lhtroscdasticit est ici de la forme : 2 = 2 x t et que t lon voudrait revenir lhypothse dhomoscdasticit, cest--dire : E e 2 = 2, ce quil faut alors faire pour corriger ce problme est de t

( )

diviser et par

e 1 1 xt : V t = V ( e t ) = 2 x t = 2 . On en dduit xt xt xt

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

204

Trait dconomtrie financire

que la solution au problme de lhtroscdasticit des erreurs est de corriger la rgression par 1 / x t :
yt xt = 1 1 xt + 2 xt xt + et xt

o suit :

et xt

~ IID 0, 2 . On peut rcrire le modle corrig comme

y *t = 1 x *1t + 2 x * 2t + e *t Et sous forme matricielle, ce modle scrit comme suit :


y* = X * + e *
2I).

o e* ~ IID(0, Si on applique les MCO sur cette rgression, on obtient les moindres carrs pondrs :
WLS = X * T X *

X*y*

Les proprits de cet estimateur sont les suivantes :


E WLS = V WLS

( ) ) = (X *
2

X*

o lestimateur de

est de :

1 TK

e * T e * , o k est ici de 2.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

205

2. LESTIMATEUR DES MOINDRES GNRALISS : MCG

CARRS

Soit P la matrice diagonale de transformation des variables de la rgression : 1 x1 0 . . . 0 0 x2 . . . 0 . . . 1 . y* = Py ; X* = PX et P T P = = . . . . . . 0 . . . xT 0 Puisque 1 est diagonale, P est gal linverse de la racine carre de la diagonale de . Si lon applique les MCO sur la rgression transforme par P, on obtient lestimateur des moindres carrs gnraliss (MCG) :

GLS = X T

XT

y = X T V 1 X

X T V 1 y

GLS a la proprit dtre lestimateur BLUE de . On a en effet les


relations suivantes : E GLS = ; V GLS = X T V 1 X . La = est ici la variance minimale dans la classe des variance de E
estimateurs linaires. On a ici suppos que V est connu. Si V est inconnu, on peut lestimer par V . On obtient ainsi les moindres carrs quasi gnraliss (MCQG). Cet estimateur scrit comme suit : = X T V 1 X

GLS

) (

T X V 1 y = t 2 x t x T t t =1
T

T 2 t x t y t t =1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

206

Trait dconomtrie financire

o xt est un vecteur de variables explicatives. Pour cet estimateur,


t 2

peut prendre un grand nombre de spci-

fications. Par exemple, il peut tre gal z T ou encore z T . t t Considrons par exemple le second cas. On a :
T 2 = ( 1 + 2 x 2t + 3 x 3t + ... + k x kt ) = z t . Cette spcification t 2 2

reprsente une forme linaire dhtroscdasticit qui dpend des variables explicatives. Pour rendre oprationnelle cette spcification, nous devons calculer les rsidus estims de la rgression : y = X + e et effectuer la rgression suivante : e t = z tT + v t On estime cette rgression par les MCO et lon obtient les du modle dhtroscdasticit. On peut alors crire le modle dhtroscdasticit comme suit :
t 2 = z T t

Ayant postul cette forme dhtroscdasticit, nous pouvons substituer cette valeur dans lestimateur des MCQG et obtenir : T T zt = t =1

xtxT t

T T zt t =1

xtyt

Cette technique est utilise dans le cas o plusieurs variables explicatives sont susceptibles de causer lhtroscdasticit. Donnons un exemple simplifi de cette technique de correction de lhtroscdasticit. Soit le modle dj considr deux variables explicatives qui relie les dpenses sur cartes de crdit aux revenus et aux revenus au carr.
yt t = 1 t 1 + x 2t t 2 + x 3t t 3 + et t

Il reste appliquer cette quation les MCO pour obtenir les MCQG.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

207

Notons ici deux proprits des MCQG. Dabord, ils sont sans biais : E X * = . On ne peut dterminer si cet estimateur est variance minimale dans les petits chantillons parce quil est nest gure possible de calculer la matrice variance-covariance. Par contre, cet estimateur est convergent : p lim = . Ensuite, les proprits asymptotiques de cet estimateur sont les mmes que celles des MCG.

3. MATRICE

DE

WHITE

POUR LHTROSCDASTICIT

Au vu des dveloppements prcdents, la correction pour lhtroscdasticit peut savrer un processus ardu, ne serait-ce quen raison de la spcification de la forme de lhtroscdasticit. White (1980)1 a propos un estimateur pour la matrice crite antrieurement : 1 1 V ( ) = 2 X T X X T X X T X . Cet estimateur a la forme suivante :

V = T XTX
o S 0 =
1

() (

S0 X T X

t e 2 x t x T o xt est un vecteur de variables explicatives. t T t =1 Cet estimateur est pr-programm dans le logiciel EViews. En pratique, il suffira simplement destimer la rgression linaire : y = X + e par la mthode des MCO et de calculer la matrice de White de faon obtenir des carts-types corrigs pour lhtroscdasticit qui serviront la construction des tests t corrigs. Un exemple de cet estimateur sera fourni dans la section des applications2.

1. White, H. (1980), A Heteroscedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroscedasticity , Econometrica, vol. 48, p. 817-838. 2. Notons que la transformation Box-Cox peut tre galement utilise pour traiter le problme de lhtroscdasticit. cet effet, on consultera par exemple : Gaudry, M.J.I. et M.G. Dagenais (1979), Heteroscedasticity and the Use of Box-Cox Transformations , Economics Letters, vol. 2, p. 225-229.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

208

Trait dconomtrie financire

4. TESTS DHTROSCDASTICIT
Dans cette section seront prsents les tests de Goldfeld et Quandt, de Breusch-Pagan, un test gnral et finalement celui de White.

4.1. Test de Goldgeld et Quandt (1965)


Lorsque lon peut identifier la variable la source de lhtroscdasticit, le test de Goldfeld et Quandt (GQ) est appropri. Soit le modle de rgression linaire suivant : y t = 1 + 2 x t + e t , o et ~ N(0, t2), t2 = xt 2. xt tant la cause de lhtroscdasticit, on ordonne les observations par ordre dcroissant des xt. On spare par la suite lchantillon en trois partitions gales et lon effectue la rgression linaire sur les partitions extrmes, numrotes respectivement 1 et 2. On obtient alors la variance des termes derreur de chacune de ces rgressions, cest--dire : 2 1 = T e1 e1 T1 2 2 et 2 = T e2 e2 T2 2

o k = 2 puisque, dans notre rgression, nous avons deux paramtres estimer : le paramtre du terme constant et celui de la variable explicative. Le test GQ scrit comme suit : GQ = 2 1 2 2 ~ F ( T1 k , T2 k )

2 Lhypothse teste par GQ est la suivante : H0 : 1 = 2 versus H1 : 2 2 2 1 > 2 . Ce test est unilatral et il consiste rejeter H0 si F > Fc pour un seul de confiance de 5 %. La version bilatrale de ce test existe galement et consiste aussi ordonner les observations par ordre dcroissant et mettre au numrateur de F la variance estime la plus leve. Notons que la puissance du test dpend du nombre dobservations exclues3.

3. Il est signaler que lon peut galement effectuer le test GQ en ordonnant les observations par ordre croissant de xt. La variance de la partition 2, qui est ventuellement la plus leve, apparat alors au numrateur de F.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

209

4.2. Test de Breusch-Pagan (1979)


Dans la version prsente ci-devant, le test de Goldfeld-Quandt a pour dfaut que la variable qui cause lhtroscdasticit doit tre connue. Dans le cas o la variance de linnovation dpend de plus dune variable explicative, le test de Breusch-Pagan (BP) savre plus appropri. Soit le modle de rgression suivant : y t = x T + e t o t xtT = [1 x2t x3t . . . xkt] et o et ~ N(0,
T=[ t 2)

et 2 = h z T , t t

T,

est un

vecteur : 1 2 ... k]. La fonction h(.) peut inclure toutes les variables explicatives. Cette formulation prend galement en compte les diffrentes spcifications suivantes. Une premire spcification est la forme multiplicative de lhtroscdasticit due Harvey (1976)4, qui est incidemment une forme trs flexible :

2 = 2e t

(x )
T t

Deux autres spcifications de lhtroscdasticit sont les suivantes : 2 = x T t t 2 t

( ) = (x )
T t

Le test de BP vise tester lhypothse suivante : H0 :

= 0 . . . 0 contre H1 : T 0 . . . 0 . Si H0 nest pas rejete, alors t2 = 1, ce qui implique lhypothse dhomoscdasticit. Pour effectuer ce test, on na qu suivre la procdure suivante : i) Obtenir les rsidus estims du modle : e = y X ;
T

ii) Substituer e 2 t

pour obtenir :

t e2 = zT + v t t

Ce type de rgression est qualifi dauxiliaire ou dartificielle. Cette rgression respecte le test BP puisque BP ne dpend

4. Harvey, A. (1976), Estimating Regression Models with Multiplicative Heteroscedasticity , Econometrica, vol. 44, p. 461-465.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

210

Trait dconomtrie financire

pas de h(.). En appliquant les MCO sur cette rgression, on obtient ainsi la somme des carrs expliqus (SCE) :

SCE =

SCR 1 R2

SCR = SCT SCR . On calcule par la suite :

T vraisemblance de

2 =

t e 2 , qui est incidemment lestimateur maximum de


2

. = 0. On a donc :

iii) Calculer la statistique BP sous H0 :

BP =

SCE 2 4

~ 2 (s )
a

o s est le nombre de variables incluses dans la rgression artificielle, incluant le terme constant. On rejette H0 si BP > 2c. Pour fixer les ides, dirigeons notre collimateur vers lexemple suivant. On suppose que lon a deux variables explicatives pour expliquer y, y tant les dpenses sur carte de crdit de lindividu i et les deux variables explicatives : le revenu et le revenu au carr de lindividu i. En appliquant la procdure dcrite prcdemment, on suit les tapes suivantes pour implanter le test BP : i) On effectue la rgression suivante :
t e 2 = 1 + 2 x 2t + 3 x 3t + v t

ii) On obtient la SCE de cette rgression et on calcule gale ment 2 , tel quexpliqu prcdemment. iii) Sous lhypothse que les rsidus sont normalement distribus et sous H0 : 2 = 3 = 0 , on construit la statistique BP :

2 scdasticit, si BP >
4

BP =

SCE

~ 2 ( s ) . On rejette H0, soit lhypothse dhomoa

c.

Si les rsidus ne sont pas distribus normalement, on recourt la rgression artificielle prsente prcdemment et lon obtient le R2. On construit alors le test gnral asymptotique suivant :
a TR 2 ~ 2 ( s )

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

211

Ce test fait partie de la classe des tests LM. Le test BP et le test gnral LM qui se confondent asymptotiquement sous lhypothse de la non-normalit des rsidus sont des tests assez gnraux, on le rappelle, pour intgrer les formes dhtroscdasticit non linaire.

4.3. Test de White (1980)


Le test de White est un test gnral de lhtroscdasticit. Ce test recourt la matrice de White expose prcdemment :

V = T XTX

celui de la variance des moindres carrs ordinaires. Sous lhypothse dhomoscdasticit, lestimateur de la variance des MCO est convergent tandis que sous lhypothse dhtroscdasticit, cest lestimateur de White qui lest. Le test de White se fonde sur ce rsultat. Ce test consiste comporte donc les tapes suivantes : i)
t Effectuer la rgression de e 2 sur une constante et chaque variable de X X .

() (

S0 X T X

. Il consiste comparer cet estimateur

ii) Calculer TR2 de cette rgression et formuler le test :

TR 2 ~ 2 ( k 1) , o k est le nombre de rgresseurs incluant la constante.


iii) On rejette lhypothse H0 : 2 = 2 t contre H1 : 2 2 , t t si TR 2 > 2 . c

5. APPLICATIONS
Pour illustrer le problme de lhtroscdasticit dans les coupes instantanes, nous allons revenir au modle des dpenses sur cartes de crdit en fonction du revenu de lindividu i, de son revenu au carr, de son ge et de la variable loyer-maison. Les rsultats apparaissent au tableau 7.1.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

212

Trait dconomtrie financire

TABLEAU 7.1
Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 18:09 Sample : 1 100 IF X3 > 0 Included observations : 72 Variable C REVENU REVENU^2 AGE LOYERMAISON R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 237.1465 234.3470 14.99684 3.081814 27.94091 0.243578 0.198418 284.7508 5432562. 506.4888 1.682310 Std. Error 199.3517 80.36595 7.469337 5.514717 82.92232 t-Statistic 1.189589 2.915999 2.007788 0.558835 0.336953 Prob. 0.2384 0.0048 0.0487 0.5781 0.7372 262.5321 318.0468 14.20802 14.36612 5.393722 0.000795

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Le test de White
La matrice X X qui est la base de ce test comprend 13 variables, soit les variables initiales, les variables initiales leves au carr et les produits croiss des variables initiales. La rgression suivante devra donc tre effectue : t e 2 = 1 + 2 ( ge ) + 3 ( ge ) + 4 ( ge revenu ) + ... + v t
2

la suite de cette rgression, on calcule le R2 que lon multiplie par le nombre dobservations et que lon compare ensuite au c2, cest-dire dans notre cas :

TR 2 = 72 0,199 = 14 , 33
Par ailleurs, le 2(12) est gal 21,03 au seuil = 5 %. Selon H0 : 2 = 2 , soit lhypothse dhomoscdasticit. Contrairement nos t attentes, lon ne peut ici rejeter lhypothse H0, soit labsence

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

213

dhtroscdasticit. Signalons que les tests de Breusch-Pagan et de Goldfeld et Quandt rejettent pour leur part H0, ce qui est conforme au graphique antrieur reliant les dpenses sur cartes de crdit au revenu individuel sur lequel il y avait apparence dhtroscdasticit. Finalement, le tableau 7.2 prsente les statistiques t corriges construites partir des carts-types de la matrice de White. TABLEAU 7.2
Dependent Variable : CARTE Method : Least Squares Date : 04/13/00 Time : 18:12 Sample : 1 100 IF X3 > 0 Included observations : 72 White Heteroskedasticity-Consistent Standard Errors & Covariance Variable C REVENU REVENU^2 LOYERMAISON AGE R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 237.1465 234.3470 14.99684 27.94091 3.081814 0.243578 0.198418 284.7508 5432562. 506.4888 1.682310 Std. Error 220.7950 92.12260 7.199027 95.56573 3.422641 t-Statistic 1.074058 2.543860 2.083177 0.292374 0.900420 Prob. 0.2866 0.0133 0.0411 0.7709 0.3711 262.5321 318.0468 14.20802 14.36612 5.393722 0.000795

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Pour obtenir ces rsultats, il suffit dutiliser loption du logiciel Eviews permettant de calculer la matrice de White tout en effectuant une rgression ordinaire pour obtenir les coefficients de rgression. On ne remarque ici que peu de diffrence entre les statistiques t corriges et non corriges : aprs correction, les variables non significatives demeurent non significatives et les variables significatives le demeurent.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

214

Trait dconomtrie financire

6. NOTE

SUR LINFRENCE STATISTIQUE EN PRSENCE DHTROSCDASTICIT

Les tests t et F de la rgression corrige ne sont pas valables, car on ignore la forme exacte de la matrice variance-covariance dans les petits chantillons. Il faut se mfier du R2 associ cette rgression. Ce R2 tendra en effet tre plus lev aprs rgression, mais cette augmentation peut tre due au calcul de y* qui est utilis dans le calcul de ce R2. Qui plus est, ce R2 nest pas ncessairement situ entre 0 et 1, mais on peut remdier cette situation en utilisant le R2 corrig suivant :

R2 GLS

( y X ) ( y X ) = 1
T GLS T GLS

(y t y)
t =1

o X et y sont les variables originales.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit

215

CHAPITRE

8
LAUTOCORRLATION DES ERREURS RSIDUELLES

Lautocorrlation des erreurs est un phnomne qui se retrouve dans le domaine des sries temporelles. Un autre type plus rare de corrlation des rsidus retrouv dans les coupes instantanes est appel corrlation spatiale1. Nous allons cependant nous consacrer ici au premier type de corrlation des rsidus. Nous envisagerons dabord les proprits de lestimateur des MCO lorsque les rsidus sont autocorrls. Puis nous verrons comment on peut traiter ce problme partir des moindres carrs gnraliss.

1. PROPRITS

DE LESTIMATEUR DES MCO LORSQUE LES RSIDUS SONT AUTOCORRLS

Il y a essentiellement deux causes classiques au phnomne de lautocorrlation. Dabord, lomission dune variable pertinente au modle envisag ou laddition de variables inadquates peut causer lautocorrlation. Ensuite, le traitement des donnes effectu par les agences statistiques pourrait se traduire par lautocorrlation des erreurs rsiduelles lorsque lon estime un modle. Considrons maintenant un modle de rgression linaire appliqu des sries temporelles. Ce modle scrit :
y t = x T + et t
1. Voir cet effet : Racicot, F.-. (2000), Notes on Nonlinear Dynamics, CRG, op. cit. On consultera aussi : Jonhston, J. (1988), Mthodes conomtriques, tome 2, Economica, Paris.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

216

Trait dconomtrie financire

o t reprsente le temps. Nous introduisons ici une modification au processus suivi par linnovation par rapport au modle classique. En effet, on postule que et suit un processus autorgressif dordre p, dsign par AR(p). Nous nous limiterons dans cette section au processus autorgressif dordre 1, cest--dire : p = 1. Ce processus stochastique se dfinit ainsi : e t = e t 1 + t o t est un bruit blanc (white noise) et o < 1. Considrons dabord certains aspects du processus AR(1) avant de nous dplacer vers les proprits de lestimateur MCO comme tel en prsence dautocorrlation. Dans le processus AR(1), nous avons postul que t est un bruit blanc. Cela signifie que :
E( t ) = 0

Cov ( t , s ) = 0

V ( t ) = 2

t,s

Avoir suppos que < 1 implique que le processus stochastique de et est stationnaire. La stationnarit dune srie signifie entre autres que sa moyenne et sa variance sont constantes et que lautocovariance ne dpend que de la distance entre les ralisations. Nous reconsidrerons plus en dtails ces allgations dans le prochain chapitre. Pour dgager les proprits de lestimateur des MCO en prsence dautocorrlation, crivons un modle simple qui ne renferme quune seule variable explicative, soit : y t = 1 + 2 x 2 t + e t t = 1, ..., T o t suit un processus AR(1). La matrice variance-covariance des rsidus se prsente comme suit :

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lautocorrlation des erreurs rsiduelles

217
T 1 T 2 T 3 . . 1

E ee T = V = 2

( )

1 2 1 = 2 1 2 . . T 1

2 1

. . . .

. . .

. T 2 . . .

Voyons comment se calculent lun des lments de la diagonale principale et un autre hors-diagonale. Les lments sur la diagonale sont les variances de et. On a :

V ( e t ) = V ( e t 1 + t ) = 2 V ( e t 1 ) + V ( t )
puisque Cov ( e t 1 , t ) = 0 . Comme nous avons suppos que le processus est stationnaire, on a :
V (e t ) = 2 V (e t ) + 2 V (e t ) = 2 1
2

= 2 e

Pour obtenir les lments hors-diagonale, nous avons calcul lautocovariance qui est requise pour le calcul de lautocorrlation.
Cov ( e t , e t 1 ) = E e t E( e t ) e t 1 E( e t 1 ) = E( e t e t 1 )
2 = E ( e t 1 + t )e t 1 = E( e t 1 ) + E( t e t 1 ) = e = 2

[(

)(

)]

2 1 2

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

218

Trait dconomtrie financire

Il en rsulte la formule suivante pour lautocorrlation :


Corr ( e t , e t 1 ) = Cov ( e t , e t 1 ) V (e t ) = 2 e 2 e =

Par consquent, r reprsente la corrlation entre lerreur dune priode lautre et est donc dsign : coefficient dautocorrlation. Par ailleurs, lautocovariance entre et et et-k est gale : k e2 et est obtenue par substitutions rptes. On peut donc crire :

Corr ( e t , e t k ) = k
pour k = 1, 2, . Par rapport au modle classique des MCO, la matrice variancecovariance des rsidus nest plus gale 2I mais e2 . Comme dans le cas de lhtroscdasticit, en prsence dautocorrlation, lestima teur des MCO de est sans biais, cest--dire : E = . Mais cet qui dcoule de estimateur est inefficient puisque la variance de

()

lestimateur des MCO est gale : 2 X T X

qui est certes diffrent de 2 X T X . La variance donne par les MCO comporte donc un biais, do linefficience de cet estimateur. Revenons au modle simple une variable o le terme derreur suit un processus AR(1). Nous voulons dmontrer comment traiter le problme dautocorrlation dans ce cas. Substituons la valeur de et dans ce modle. Nous avons : y t = 1 + 2 x 2t + e t 1 + t o e t 1 = y t 1 1 2 x 2,t 1 . En remplaant et1 par sa valeur, on a : y t y t 1 = 1 (1 ) + 2 x 2t x 2,t 1 + t Une telle transformation est appele : transformation en quasi-diffrences. Un telle quation peut tre estime en recourant aux moindres carrs non linaires. En effectuant les regroupements suivants, cette dernire scrit : y * t = 1 x * 1 t + 2 x * 2 t + t t = 2, 3,..., T

X T X X T X

, ce

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lautocorrlation des erreurs rsiduelles

219

o t est un bruit blanc. Si on applique les MCO sur ce dernier modle, on obtient un estimateur BLUE pour quand est connu. Par contre, deux problmes subsistent. En premier lieu, la transformation en quasi-diffrences se traduit par une perte dinformation, en loccurrence y1* et x21* . En deuxime, la valeur de nest gnralement pas connue. Pour pallier ce dernier problme, Cochrane et Orcutt (1949)2 ont suggr la procdure itrative suivante qui fait litire de la premire observation. Soit les deux quations : y t y t 1 = 1 (1 ) + 2 x 2t x 2,t 1 + t

) y t 1 2 x 2t = ( y t 1 1 2 x 2,t 1 ) + t

La premire tape de la procdure itrative consiste postuler une valeur initiale hypothtique pour , dsigne par (1) . On obtient les y t ( 1 ) y t 1 et x 2t ( 1 ) x 2,t 1 que lon substitue dans la valeurs : premire quation . On applique les MCO sur cette quation et lon obtient : 1( 1 ) et 2( 1 ) . Ceci constitue la premire tape de litration. Dans une deuxime itration, on substitue ces deux coefficients dans la deuxime quation et lon obtient, en appliquant les MCO, une seconde valeur de , dsigne par ( 2) . Le processus itratif se termine quand on note la convergence, cest--dire quand les coefficients estims ne varient plus sensiblement dune rgression lautre. Comme cette mthode nglige la premire observation, elle peut donner lieu des estimateurs relativement inefficients dans les chantillons restreints. Ce problme tend sestomper mesure que la taille de lchantillon augmente. Prais et Winsten (1954) ont propos de prendre en compte la premire observation en utilisant la procdure suivante. On calcule comme suit la premire observation :
1 2 y 1 = 1 1 2 + 2 1 2 x 21 + 1 2 e1

2. En prsence derreurs de mesure sur les variables, la procdure de Cochrane et Orcutt et celle de Prais et Winsten pourraient savrer perverses, en ce sens quelles amplifieraient les prolmes causs par les erreurs de mesure. Pour plus de dtails, voir : Dagenais, M.G. (1994), Parameter Estimation in Regression Models with Errors in the Variables and Autocorrelated Disturbances , Journal of Econometrics, vol. 64, p. 145-163.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

220

Trait dconomtrie financire

En transposant le tout sous forme matricielle, on obtient :


y* = X * +

o :

1 2 y 1 y 2 y 1 . = Py y* = . . y T y T 1 1 2 e 1 2 . = Pe = . . T

1 2 1 . X* = . . 1

1 2 x 21 x 22 x 21 . = PX . . x 2T x 2,T 1

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lautocorrlation des erreurs rsiduelles

221

1 2 0 o P = . . 0

0 1

. 0 1

. . 0 .

. . .

. . . .

0 0 0 . . 1 T T

En appliquant les MCO sur les variables transformes par P, on obtient lestimateur BLUE de :
= X *T X *
T 1

( = (X

X * T y * = X T P T PX XT
1

X T P T Py

y = GLS

o 1 = P T P. On est ici en prsence de lestimateur des moindres carrs gnraliss pour un r donn. La variance de cet estimateur est de :
V GLS = 2 X T

Dans cette quation, on estime 2 par : T y * X * GLS y * X * GLS o k = 2 pour le cas qui nous 2 = Tk intresse.

)(

En rsum, si est connu, en remplaant y, X et e par y*, X* et e* dans le modle ci-haut prsent et en appliquant les MCO sur le modle ainsi transform, on obtient lestimateur des moindres carrs gnraliss, qui est lestimateur BLUE de . Quant eux, les tests dhypothses et les intervalles de confiance valent toujours tant et

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

222

Trait dconomtrie financire

aussi longtemps que les estimateurs MCG de et de 2 sont utiliss. Par contre, si est inconnu et estim, alors les tests ne sont valables quasymptotiquement. Le R2 souffre du mme problme que dans le cas de lhtroscdasticit. Aprs correction pour lautocorrlation, le R2 tendra diminuer. La procdure propose pour corriger ce problme est la mme que celle tablie dans le cas du problme de lhtroscdasticit, qui, on le rappelle, est de calculer le R2 comme suit :

R2 GLS

( y X ) ( y X ) = 1
T GLS T GLS

(y t y)
t =1

o y et X sont les variables non transformes.

2. CORRECTION
LORSQUE

DU MODLE ORIGINAL NEST PAS CONNU

Tel que mentionn, la mthode Cochrane-Orcut est un algorithme itratif pour dterminer la valeur des paramtres du modle de rgression avec autocorrlation. La mthode de Prais et Winsten, quant elle, tient compte de la premire observation. Une faon denclencher lalgorithme est de prendre comme initial celui qui rsulte de la rgression suivante : e t = e t 1 + t Lestimateur de , biais mais convergent, est donn par :
e t e t 1
t =2 T T

t e 21
t =2

qui est le coefficient dautocorrlation estim entre et et et1. Bien quil soit prfrable de se servir de cet estim comme point de dpart lalgorithme itratif Cochrane-Orcut, de faon simplifier lexpos,

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lautocorrlation des erreurs rsiduelles

223

nous substituons directement cette valeur dans la formule des MCG de manire obtenir les moindres carrs quasi gnraliss (MCQG)3, ce qui est une procdure qui est galement acceptable. On obtient :

MCQG = X T
o V = 2 X T

XT

et o lestimateur de 2 est :
T

2 =

y * X * MCQG y * X * MCQG Tk

Procdures rcentes pour la correction de lautocorrlation


Comme nous lavons mentionn antrieurement, le modle de rgression classique peut scrire comme suit en prsence dautocorrlation : y t = (1 )1 + y t 1 + 2 x 2t 2 x 2,t 1 + t t = 2, 3, ..., T

Cette quation contient des produits de paramtres, ce qui implique quelle est non linaire. On peut donc recourir aux moindres carrs non linaires (NLS) pour estimer cette quation :

1 , 2 ,

Min S * ( 1 , 2 , ) = Min
1 2

( y t (1 )1 y t 1 2 x 2t + 2 x 2,t 1 ) , ,
t =2

Cet estimateur, on le rappelle, ne comporte pas de solution analytique. Pour estimer les paramtres, on aura recours lalgorithme doptimisation dont il fut question dans la section des moindres carrs non linaires. Si les rsidus sont normalement distribus, lestimateur des moindres carrs non linaires se confondra avec celui du maximum de vraisemblance. Sa performance quivaudra alors celle des FGLS.

3. Soit les FGLS en anglais, ce qui est labrviation de :Feasible Generalized Least Squares.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

224

Trait dconomtrie financire

La mthode dintgration de la premire observation dveloppe par Prais et Winsten peut tre incorpore dans le modle de rgression non linaire. On obtient alors : S ( 1 , 2 , ) = S * ( 1 , 2 , ) + ( e * 1 )
2 2 2

o ( e *1 ) = ( y *1 1 x *11 2 x * 21 ) . Pour dterminer la valeur des paramtres, on minimise la fonction S en ayant recours lalgorithme doptimisation. Dans les cas o le terme derreur suit un processus AR(p), il existe une procdure en deux tapes pour corriger lautocorrlation.

3. TESTS DAUTOCORRLATION
Pour dtecter la prsence dautocorrlation dordre 1, le test DurbinWatson (1951) demeure le plus populaire. La statistique associe ce test est :
(e t e t 1 )
t =2 T 2

DW = d =

e t2
t =1

Pour comprendre pourquoi d est une statistique pertinente pour tester lautocorrlation, on rcrit d comme suit : d= t e 2 2 e t e t 1 + e t21 e t2

En clatant cette somme en ses composantes, on a :

d=


t =1 t =2 T

t e2 + t e2

t =2 T

t e 21 t e2

t =1

2 t = 2T

e t e t 1

t =1

1 + 1 2 = 2(1 )

t e2

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lautocorrlation des erreurs rsiduelles

225

Si = 0 , il en rsulte donc que d est environ gal 2 et si = 1, d est approximativement gal 0. Le calcul de la statistique d nous indique donc si les rsidus sont autocorrls ou non. Il reste que cette dmarche savre plus ou moins rigoureuse.

La procdure classique pour tester la prsence dautocorrlation est la suivante. i) Soit du la borne suprieure du test et dL, la borne infrieure, le test comportant en effet deux bornes. Soit H0 : = 0 et H1 : 0. On a les cas suivants : a) d u < d < 4 d u ne pas rejeter H0 ; b) 0 < d < d L rejeter H0 > 0 ; c) 4 d L < d < 4 rejeter H0 < 0; d) d L < d < d u ou 4 d u < d < 4 d L zone dindtermination Il faut cependant remarquer que dans le cas o la rgression comporte, parmi les variables explicatives, la variable dpendante retarde (yt1) et que les rsidus sont autocorrls dordre 1, la statistique d est alors biaise vers 2. Elle ne peut donc tre utilise directement pour tester lautocorrlation. La statistique h dveloppe par Durbin (1970) doit alors tre utilise. Celle-ci se dfinit alors comme suit :
h= T 1 TV ( 2 )

o est le coefficient dautocorrlation du processus AR(1) calcul laide des rsidus des MCO et V 2 est lestim de la variance du a coefficient de yt1. Sous H0, la distribution de h est de : h ~ N(0, 1). Si lon dtecte de lautocorrlation en prsence dune variable dpendante retarde, lestimateur des MCO est alors biais et non convergent : le terme derreur nest pas dans ce cas orthogonal yt1. Il faut alors recourir dautres mthodes pour estimer une telle rgression4.

( )

4. Pour plus de dtails, on consultera : Judge, G.G. et al., (1985), The Theory and Practice of Econometrics, John Wiley and Sons, New York.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

226

Trait dconomtrie financire

4. PRVISION

DANS LE MODLE LINAIRE AVEC ERREUR DE LA FORME AR(1)

Dans les chapitres prcdents, nous avons tudi comment prvoir lintrieur du modle linaire. Nous suivons la mme procdure ici en venant toutefois nous situer dans le domaine temporel. Quand les rsidus sont autocorrls, lestimateur des MCO de y0, dsign par y 0 , souffre dinefficience. On recourra alors aux moindres carrs gnraliss (MCQG). Pour fixer les ides, reprenons le modle linaire de base :

y t = x T + et , t

o e t = e t 1 + t , o t ~ WN 0, 2 et o < 1, soit lhypothse de stationnarit. Si lon veut prdire yT+1, on peut crire :
y T +1 = x T +1 + e T + T +1 T Pour obtenir la prvision, on substitue MCQG , On trouve e T comme suit :

t = 1, ..., T

et e T eT.

e T = y T x T MCQG T
On dgage la prvision suivante de yT+1 :

y T +1 = x T +1 MCQG + e T T
e T tenant lieu de prvision de eT+1, qui incidemment nest valable quasymptotiquement. Si lon dsire effectuer une prvision plusieurs priodes lavance, par exemple h priodes, on procde de la faon suivante. Il faut pour ce faire calculer lesprance conditionnelle du terme derreur du modle, qui est gale :

e T + h = E T ( e T + h ) = h e T + h 1 E T ( T +1 ) + ... + E T ( T + h )
Cette quation est obtenue par substitutions rptes. Comme lesprance des T+j est gale 0, on obtient la prvision de yT+h qui est de :

y T + h = E T ( y T + h ) = x T + h MCQG + h e T T

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lautocorrlation des erreurs rsiduelles

227

La variance de cette prvision( 2 ), qui vaut asymptotiquement, se AF calcule comme suit :


AF 2 2 h 1 2 = F + 2 h 2 ( ) / T

o :
2 F = 2 1 2h / 1 2

[(

)(

)] + ( x
2

T +h

h x T

) (X
T

1 X

) (x
1

T +h

h x T

5. APPLICATIONS
Nous recourons de nouveau au modle de limpact des jours de la semaine sur les indices boursiers que nous avons introduit dans la section sur les variables auxiliaires. Nos rsultats sont compils au tableau 8.1. TABLEAU 8.1
LS // Dependent Variable is LOG(SP50072/SP50072(-1))*100 Date : 12/13/99 Time : 21:54 Sample(ajusted) : 2 503 Inclued observations : 502 after adjusting endpoints Variable C M72 T72 TH72 F72 R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.043659 0.319821 0.028880 0.015556 0.017636 0.023408 0.015548 0.819264 333.5829 609.7212 1.562695 Std. Error 0.080335 0.117947 0.114167 0.113887 0.113887 t-Statistic 0.543455 2.711565 0.252962 0.136589 0.154857 Prob. 0.5871 0.0069 0.8004 0.8914 0.8770 0.008239 0.825708 0.388788 0.346770 2.978156 0.018937

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

228

Trait dconomtrie financire

La statistique Durbin-Watson (d) est de 1,56, ce qui, en vertu des tables qui apparaissent la fin de ce volume, donne lieu au rejet de lhypothse H0 (absence dautocorrlation). d est en effet infrieur dL qui est de 1,73 pour un nombre de degrs de libert k5 = 4, cest-dire 4 variables explicatives excluant la constante, au niveau de confiance de 5 % et pour un nombre dobservations (T) de 200. Cette conclusion vaut toujours si nous excluons les variables qui ne sont pas significatives dans le tableau 8.1. Dans le logiciel EViews, il est suggr une procdure simple de correction du problme dautocorrlation, savoir rajouter la rgression la variable dpendante retarde et restimer le modle. On vrifie alors, par le biais de la statistique h, sil y a encore autocorrlation, tout en tenant compte du problme qui se cre sil y a autocorrlation. Sil ny a pas autocorrlation, on conserve alors la variable dpendante retarde comme variable explicative du modle.

5. Nous mettons un k car le test exclut la constante du modle.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

229

CHAPITRE

9
LES SRIES TEMPORELLES

La modlisation des sries chronologiques vise la prvision court terme sans sintresser au caractre structurel des modles conomiques et financiers, cest--dire les modles qui expliquent le comportement des variables conomiques et financires. La modlisation vise simplement le data-fitting, cest--dire lajustement dune srie ses propres observations de faon maximiser la vraisemblance de cet chantillon. La modlisation en sries temporelles remonte ltude publie par Box et Jenkins1 en 1976. Bien que les conomtres aient alors accueilli cet ouvrage avec une certaine froideur, les techniques relies aux sries temporelles ont par la suite envahi le champ de lconomtrie financire. Louvrage de Hamilton2 (1994) prend acte de la complexit qua atteint cette branche de lconomtrie.

1. PROCESSUS

STOCHASTIQUES

Un processus stochastique est une suite de variables alatoires dfinie sur un mme espace W, appel espace fondamental ou espace des tats de la nature. Un processus stochastique se formule comme suit : y = (y t ,t N)

1. Box, G.E.P. et G.M. Jenkins (1976), Time Series Analysis : Forecasting and Control, Holden-Day, San Francisco. 2. Hamilton, J.D. (1994), Time Series Analysis, Princeton University Press, New Jersey.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

230

Trait dconomtrie financire

o N dsigne lensemble des nombres naturels. Nous recourons la notation plus compacte suivante : y = {yt } Par exemple : { y 1 , y 2 ,..., y T } est une ralisation du processus stochastique { y t } . Une telle ralisation est souvent appele trajectoire du processus.

1.1. Stationnarit
Il sera ici question de stationnarit faible ou stationnarit de second ordre. Un processus {yt} est dit stationnaire si et seulement si : i) E ( y t ) = E ( y t s ) = , cest--dire que la moyenne du processus est de , donc constante ;
2 2

ii) E ( y t ) = E ( y t s ) = 2 , cest--dire que la variance y est invariable dans le temps ; iii) E ( y t )( y t s ) = E y t j y t s j = s . Lautocovariance ne dpend donc que de la distance entre deux points dans le temps et non dune date particulire.

] [(

)(

)]

1.2. Processus autorgressifs stationnaires : reprsentation et estimation


Un processus autorgressif dordre p, not AR(p), se dfinit comme suit :
y t = + 1 y t 1 + 2 y t 2 + ... + p y t p + e t t = 1, ..., T

o t dnote le temps et ~ WN(0, e2), et WN est un bruit blanc homoscdastique, cest--dire que Cov(et, es) = 0 pour tout t et s, E(et) = E(es) = 0 pour tout t et s et V(et) = V(es) = e2 pour tout t et s. Une autre reprsentation de AR(p) couramment utilise est celle qui recourt loprateur de retard L, qui retarde une variable dune priode : ( L ) y t = + e t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

231

o ( L ) = 1 1 L 2 L2 ... p Lp . Voici quelques proprits de loprateur L : i)


Lc = c , o c est une constante ;

ii) L L ... L = Ln ; iii) Ln y t = y t n iv)

sion gomtrique de raison L.

(1 L ) 1 = 1 + L + L2 + ..., ce qui est la formule de la progres-

On peut exprimer AR(p) sous la forme dune moyenne mobile infinie : yt = ( L ) + ( L ) et

Par exemple, dans le cas particulier dun AR(1), on a :


yt = 1 1 +

e t ( L 1 )
i =0

Nous abordons maintenant les proprits statistiques du processus AR(1). Lesprance du processus AR(1) est la suivante : Et si le processus est stationnaire, alors E ( y t ) = E ( y t 1 ) , ce qui implique : E ( y t ) = + 1 E ( y t 1 ) + E ( e t )

E ( y t ) = + 1 E ( y t ) + 0 =

1 1

Pour que E(yt) soit finie, il faut que 1 1. En fait, pour respecter les conditions de stationnarit, il faut que : 0 < < 1. Par ailleurs, la variance de yt est gale :
2 2 V ( y t ) = 2 = 1 V ( y t 1 ) + V ( e t ) = 1 V ( y t ) + 2 y e

Do, V(yt ) =
2 e 2 1 1

= 2 y

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

232

Trait dconomtrie financire

Lautocovariance entre yt et yt1 se calcule comme suit :


Cov ( y t , y t 1 ) = E ( y t )( y t 1 )

Pour simplifier les calculs, supposons que ant yt par sa valeur, on obtient :

est gal 0. En rempla-

Cov ( y t , y t 1 ) = E ( y t y t 1 ) = E ( 1 y t 1 + e t ) y t 1

2 2 2 e = 1 E ( y t 1 ) + E ( e t y t 1 ) = 1 E ( y t 1 ) + 0 = 1 2 = 1 y 2 1 1
k La covariance entre yt et ytk est gale 1 2 = k . y

partir de la fonction dautocovariance, on peut dfinir la fonction dautocorrlation (ACF)3 comme suit :
k = corr ( y t , y t k ) = = Cov ( y t , y t k ) V(yt ) = Cov ( y t , y t k ) k 0
k 1 2 y

V ( y t ) V ( y t k ) = 2 y
k = 1

k = 0, 1, 2, ... On constate que la corrlation sattnue avec k, soit la mesure de la distance. La fonction dautocorrlation est symtrique, cest--dire que : k = k . Comme 0 = 1 et que la fonction dautocorrlation est symtrique, on utilisera k 1 lorsquon analyse une fonction dautocorrlation.

2. ESTIMATION

DU PROCESSUS AUTORGRESSIF

AR(P)

On peut rcrire le processus AR(p) sous la forme suivante : ( L ) y t = e t

3. ACF est labrviation de Autocorrelation function en anglais.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

233

Pour estimer les paramtres du polynme (L) et du paramtre , il suffit de minimiser la fonction suivante :
Min S( , ) = Min
, , t e2 t =1 T

La minimisation de cette somme nous ramne la mthode des MCO. Cependant, dans le contexte de ce processus autorgressif, lestimateur des MCO est biais mais convergent. De faon illustrer ce problme de biais et pour expliciter davantage comment on estime ce type de modle, on rcrit le processus AR(p) pour chaque observation de la faon suivante :
y p +1 = + 1 y p + 2 y p 1 + ... + p y p ( p 1 ) + e p +1 y p + 2 = + 1 y p +1 + 2 y p + ... + p y 2 + e p + 2 . . . . . . = + 1 y T 1 + 2 y T 2 + ... + p y T p + e T

yT

Sous forme matricielle, ce systme scrit :


y = X + e

Considrons le cas dun processus AR(1). Sous forme matricielle, on a alors :


y2 y3 . y= . . yT 1 1 . X= . . 1 y1 y2 . . . y T 1 e2 e3 . e= . . e T

= 1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

234

Trait dconomtrie financire

On remarque que la variable explicative y2 est relie e2, que la variable explicative y3 est relie e3 et ainsi de suite. En appliquant les MCO sur ce processus, on obtient videmment que :
= XTX

XT y

Or,
p lim =
Mais E X T e 0 E . Les MCO sont par consquent biaiss.

Ce cas se gnralise facilement celui du processus AR(p). Dans le modle AR(p), la variance de est donne par :

()

2 V = e XT X

()

e o 2 est gal :
e 2

( y X ) ( y X ) =
T

T 2p 1

3. FONCTION DAUTOCORRLATION

PARTIELLE

(PACF)4

Pour dterminer lordre p dun processus autorgressif, on recourt la fonction dautocorrlation partielle. Dans un processus AR(2), 2 value lautocorrlation partielle note par 22 qui peut tre estime par les MCO. Si lon estime un processus AR(3) alors que le vrai processus est un AR(2), on devrait observer que 3 nest pas significatif. Pour un modle AR(p), lautocorrlation partielle dordre p, note par pp, est estime par p. Plus prcisment, lautocorrlation partielle pp mesure lassociation linaire entre yt et ytp, compense pour leffet des autres variables, soit yt1, yt2 jusqu ytp1. La fonction dautocorrlation

4. PACF est labrviation anglaise de partial autocorrelation function.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

235

partielle est la suite { 11, 22, , pp}. La figure 9.1 reprsente le graphique dune PACF pour un AR(1) dune srie y1 simule dans le logiciel EViews. FIGURE 9.1
Nombre dobservations : 100 Auttocorrlation Corrlation partielle 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 AC : coefficient dautocorrlation PAC : coefficient dautocorrlation partielle Q-stat : statistique de Box-Pierce-Ljung [16.581] Prob. : probabilit de lhypothse que tous les coefficients dautocorrlation soient nuls en ce point. Source : Johnston, J. et J. Dinardo (1997), op. cit., p. 217. AC 0.882 0.781 0.706 0.593 0.535 0.474 0.415 0.361 0.296 0.256 0.185 0.092 0.021 0.055 0.146 0.185 0.194 0.204 PAC 0.882 0.015 0.062 0.196 0.177 0.070 0.047 0.100 0.019 0.043 0.166 0.145 0.048 0.022 0.186 0.130 0.089 0.043 Q-stat 80.153 143.67 196.04 233.45 264.21 288.58 307.49 321.93 331.73 339.18 343.10 344.08 344.13 344.49 347.05 351.21 355.81 360.97 Prob. 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Les droites en pointills verticales reprsentent une marge de deux fois lerreur.

Lordre p dun modle AR(p) sera choisi de telle sorte que kk 0 pour k = p et kk = 0 pour k > p. Donc, si kk est significativement diffrent de 0 pour p = k et gal 0 pour k > p, on peut alors dterminer lordre par le test suivant : H0 : kk = 0 pour k > p H1 : kk 0 pour k = p

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

236

Trait dconomtrie financire

Sous lhypothse nulle, on sait que : kk est asymptotiquement nor1 malement distribu avec moyenne 0 et variance gale : V kk = . T On peut alors construire la statistique t asymptotique suivante :

( )

t=

kk 1 T

T kk N ( 0,1)

Le test bilatral se formule comme laccoutume. On rejette H0 2 5 . pour = 5 % si t > 2. Do lintervalle de confiance : kk T

3. PROCESSUS

DE MOYENNES MOBILES :

MA(q)6

Un processus de moyenne mobile, not MA(q), stationnaire par dfinition, scrit comme suit7 :
y t = + e t + 1e t 1 + 2e t 2 + ... + q e t q

On peut exprimer cette quation sous forme plus compacte en utilisant loprateur de retard : y t = + ( L )e t o
( L ) = 1 + 1 L + 2 L2 + ... + q Lq

et et ~ WN(0,

2).

5. Nous avons retenu comme seuil critique pour = 5 % la valeur 2. En fait, quand T se dirige vers linfini, le seuil critique est de 1,96. 60 observations, ce seuil est de 2. Do lapproximation de 2 que nous avons retenue. 6. MA est labrviation de lexpression anglaise : moving average. q reprsente lordre de la moyenne mobile. 7. Nous avons ici incorpor une constante dans le modle gnral dun MA(q). Notons toutefois quil est dusage de lomettre.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

237

Le thorme de Wold
Nous ouvrons ici une parenthse sur le thorme de la dcomposition de Wold (1938), considr comme fondamental dans le domaine des sries temporelles. En vertu de ce thorme, tout processus stochastique {yt } stationnaire au sens faible et purement non dterministe peut tre crit comme une combinaison linaire (dite encore filtre linaire) dune squence non corrle de variables alatoires. Ce filtre linaire est justement le modle de moyenne mobile que nous avons reprsent prcdemment mais dont lordre q est infini :

y t = e t + 1e t 1 + 2e t 2 + ... =

i e t i
i =0

o 0 = 1 . En termes plus concrets, on peut inverser tout processus stationnaire sous forme dun MA infini qui peut tre approxim par un ARMA(p, q) dordre faible. Ce thorme prend acte de limportance du phnomne de stationnarit dans lanalyse des sries temporelles.

Proprits du processus MA(1)


Pour dmontrer quun processus MA est stationnaire, on calcule dabord lesprance dun tel processus, ici dordre 18. y t = + e t + 1e t 1 et et ~ WN(0, e2). Son esprance est de stationnaire. La variance de yt est de : puisque et est un processus

2 2 2 2 2 V ( y t ) = V ( + e t + 1e t 1 ) = 0 + e + 1 e = 1 + 1 e = 0

8. Les MA(q) de q faible sont dits de courte mmoire (short memory).

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

238

Trait dconomtrie financire

Par ailleurs, 1 = Cov ( y t , y t 1 ) = E y t E ( y t ) y t 1 E ( y t 1 )

[ = E[ ( e
=E

= E ( + e t + 1e t 1 )( + e t 1 + 1e t 2 )

[(

)(

[ = E[ e ]
2 1 t 1

+ 1e t 1 )( e t 1 + 1e t 2 )

)]

2 e t e t 1 + 1e t e t 2 + 1e t 1

2 + 1 e t 1e t 2

= 1 2 e Pour sa part, 2 = Cov ( y t , y t 2 ) = 0 . On peut dmontrer que pour tout k plus grand que 1, toutes les autocovariances sont nulles pour le cas du MA(1). On en dduit la proprit suivante pour la fonction dautocorrlation dun MA(1) :

k 1 = 2 k = 0 1 + 1 0

pour k = 1 pour k > 1

Gnralisons maintenant pour le cas dun MA(q). Sa fonction dautocorrlation se prsente comme suit :
q-k i i+k k i =0 = pour k = 0, 1, 2, ..., q q k = 0 2 i i =0 0 pour k > q Parce que la fonction dautocorrlation est gale 0 pour les retards suprieurs q, on peut donc identifier lordre dun MA(q) partir de la fonction dautocorrlation. En pratique, on estimera la fonction dautocorrlation par :

k =

t = k +1

( y t y ) ( y t k y ) (y t y)
t =1 T 2

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

239

Pour identifier lordre dun MA(q), on utilise le test t comme on la vu prcdemment pour tester H0 : rk = 0 versus H1 : k 0. Le test se formule comme suit :

t=

k k

V (k )

T k N ( 0,1)

On rejette H0 au seuil de = 5 % si la valeur absolue de t excde 2. On peut galement construire lintervalle de confiance de k comme suit :
k 2 T

4. ESTIMATION DUN MA(q)


linstar du modle autorgressif, pour estimer les paramtres dun MA(q) on crit lquation des et et on minimise par la suite la somme des erreurs au carr. Plus prcisment :

1 , 2 ,..., q

MIN S 1 , 2 ,..., q =

1 , 2 ,..., q

MIN

e t2
t =1

o e t = y t ( L ) e t . S(.) tant une fonction non linaire de , on aura alors recours aux mthodes destimation non linaires, telles que les moindres carrs non linaires ou encore le maximum de vraisemblance. Pour constater que le modle dun MA(q) requiert une mthode destimation non linaire, on peut se servir dun modle MA(1) qui se gnralisera par la suite au MA(q). Celui-ci scrit : y t = e t + 1e t 1 o on a suppos que est gal 0. Substituons la valeur de et1 de faon rpte, cest--dire :
y t = e t + 1 y t 1 1 ( y t 2 1e t 3 )
2 3 = e t + 1 y t 1 1 y t 2 + 1 e t 3

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

240

Trait dconomtrie financire

Nous pourrions continuer ces substitutions en remplaant et3 par sa valeur. On obtient alors que :
2 3 n n e t = y t 1 y t 1 + 1 y t 2 1 y t 3 + ... 1 1 y t n +1 + 1 e t n

On peut rcrire une MA(1) de faon compacte en recourant loprateur de retard : y t = 1 ( L )e t = (1 + 1 L )e t Le processus MA(1) peut tre invers pour donner un processus AR dordre infini condition bien sr que 1 < 1. On a :

(1 + 1L ) 1 y t = e t
o

(1 + 1L ) 1 = [1 ( 1 ) L ]

= 1 + ( 1 ) L + ( 1 ) L2 + ( 1 ) L3 + ...
2 3

On voit donc ici que et est effectivement une fonction non linaire de ses paramtres. Cest pourquoi lon recourt une mthode destimation non linaire.

5. MODLES ARMA (p, q)


Le modle ARMA(p, q) est mixte en ce sens quil combine modle autorgressif (AR) et modle de moyenne mobile (MA), do son appellation ARMA. Le modle ARMA(p, q) scrit comme suit : y t = + 1 y t 1 + 2 y t 2 + ... + p y t p + e t + 1e t 1 + 2e t 2 + ... + q e t q Sous forme compacte, ce processus scrit : ( L ) y t = + ( L )e t o et est un bruit blanc homoscdastique de moyenne nulle.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

241

Proprits du modle ARMA(1, 1)


Avec le modle AR(1), le modle ARMA(1, 1) est celui que lon rencontre le plus souvent dans la littrature financire. Il scrit comme suit : y t = + 1 y t 1 + e t + 1e t 1 o et est un bruit blanc de moyenne nulle et de variance 2. Lesprance non conditionnelle de yt nous donne lexpression suivante :
E( y t ) = 1 1

Pour le calcul de la variance de yt, nous faisons lhypothse que nul.


2 1 + 1 + 21 1 2 V ( y t ) = 0 = E y t E( y t ) = 2 e 2 1 1

est

o lon suppose que E(yt) est nulle. Alors lautocovariance se calcule comme suit :

= E y t E ( y t ) y t 1 E ( y t 1 ) = 1 0 + 1 2 e
et o k = 1 k 1 pour k 2

[(

Cov ( y t , y t 1 ) = 1

)(

)]

La fonction dautocorrlation pour le modle ARMA(1, 1) est de : 1 = et k = 1 k 1 pour k 2 1 0 =

(1 + 11 )( 1 + 1 )
2 1 + 1 + 21 1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

242

Trait dconomtrie financire

Gnralisons maintenant au cas du ARMA(p, q). La fonction dautocorrlation de ce modle est donne par :

k = 1 k 1 + 2 k 2 + ... + p k p
pour k > q.

6. INTRODUCTION

AUX PROCESSUS STOCHASTIQUES NON STATIONNAIRES : MODLES ARIMA (p, d, q)

Jusquici, nous avons considr des processus stationnaires. Cependant, en finance, les sries financires sont bien souvent non stationnaires. Le modle ARIMA9 (p, d, q) est tout dsign pour cette catgorie de sries. Lajout du I dans lacronyme ARMA dsigne lordre dintgration requis pour atteindre la stationnarit. En effet, on peut rendre stationnaire une srie non stationnaire simplement en la diffrenciant. Par exemple, un processus intgr dordre 1 (d = 1) doit tre diffrenci une fois pour atteindre la stationnarit. Le qualificatif intgr provient du calcul diffrentiel et intgral. En effet, comme :

xt =
alors, yt est gal :

dy t dt

y t = x t dt
Transposons ces quations au cas discret. On a : x t = y t o, par analogie avec le cas continu, yt est une somme infinie de xt, cest--dire :

x t = y t = (1 L ) y t y t = (1 L ) x t = 1 + L + L2 + ... x t
1

ce qui est en fait une somme infinie de xt. On voit donc quune srie intgre dordre 1 se ramne une somme infinie de retards, do le

9. ARIMA est labrviation de : autoregressive integrated moving average.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

243

concept dintgration. Ce cas se gnralise une srie intgre dordre d, qui revient diffrencier la srie d fois, donc effectuer d intgrales. Un modle ARIMA (1,1,0) a la forme suivante : y t = y t 1 + e t et est en fait un modle AR(1) o 1 = 1, aussi appel marche alatoire. Ce modle doit tre diffrenci une fois pour atteindre la stationnarit, cest--dire :
1 y t = y t y t 1 = e t

o et, nous lavons mentionn, est un bruit blanc, par consquent stationnaire. Par consquent, un processus intgr dordre d, cest-d dire : d y t = (1 L ) y t , doit tre diffrenci d fois pour atteindre la stationnarit. titre dexemple, supposons un processus stochastique xt qui est intgr dordre 2, soit :

2 x t = (1 L ) x t = 1 2L + L2 x t = x t 2x t 1 + x t 2
2

Pour les processus intgrs (non diffrencis), les ACF sont trs significatives jusqu des k (retards) contrairement aux ACF de processus stationnaires qui se dirigent vers 0 pour des k levs.

7. LA

MTHODE DE

BOX

ET JENKINS10

La mthode de Box et Jenkins consiste dceler la forme du modle ARIMA qui reproduit le mieux la srie financire analyse. Cette mthode comporte trois tapes : i) lidentification ; ii) lestimation ; iii) les tests et diagnostics. Dans ce qui suit, nous allons dvelopper ces trois tapes.

10. Box, G.E.P. et G.M. Jenkins (1976), Time Series Analysis : Forecasting and Control, Holden-Day, San Francisco. Un autre livre qui est aussi lorigine de lanalyse des sries temporelles et qui adapte la mthode de Box et Jenkins aux sciences de la gestion est : Nelson, C.R. (1973), Applied Time Series Analysis for Managerial Forecasting, Holden-Day, San Francisco.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

244 i)

Trait dconomtrie financire

Lidentification

Lidentification se base principalement sur lanalyse des ACF et PACF des sries conomiques et financires considres. On peut distinguer les cas despce suivants : 1) Si lACF dcrot lentement vers 0, cest--dire que pour des retards loigns, les coefficients dautocorrlation demeurent significatifs, on considre alors que cette srie est non stationnaire. On devra alors diffrencier cette srie une fois et parfois mme deux fois pour la rendre stationnaire. Un modle ARMA dordre p et q peu lev pourra tre ensuite estim sur la srie stationnarise. 2) Pour un processus MA(q), lACF : (k) est gale 0 pour k > q et la PACF dcrot gomtriquement vers 0. Pour dterminer lordre q de ce processus, il faut comparer lACF : 2 ( k ) avec . T 3) Pour un processus AR(p), la PACF : kk est gale 0 pour k > p et lACF dcrot gomtriquement vers 0. Pour dterminer lordre p de ce processus, on compare la PACF : kk avec

2 T

4) Si lon ne trouve pas de point de rupture prcis, un modle ARMA pourrait tre pertinent. Par exemple, tant donn quun ARMA(1, 1) est une combinaison dun modle AR et dun modle MA, on sattend ce que lACF ait les caractristiques des modles AR et MA combins. La portion MA disposant dune mmoire dune priode seulement, le point de rupture devrait se produire aprs une priode. Par ailleurs, la composante AR dispose dune ACF qui dcrot gomtriquement et on anticipe ce profil pour des retards suprieurs une priode. ii) Lestimation

Si un modle AR a t identifi, alors lestimation se fera par les MCO. Par ailleurs, si on a identifi un modle MA, lestimation se

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

245

fera par les moindres carrs non linaires (NLS) ou par la mthode ML. Si un modle ARMA a t identifi, lestimation seffectuera par la mthode des NLS ou la mthode ML, ou encore par la mthode des MCO en deux tapes11. iii) Tests et diagnostics

Dans cette sous-section, nous traitons de la surparamtrisation (overfitting) et des tests sur les rsidus. La surparamtrisation Si un modle ARIMA(p, d, q) a t identifi, la surparamtrisation consiste estimer un modle ARIMA(p + 1, d, q) ou un modle ARIMA (p, d, q + 1) ou les deux et faire un test sur le ou les paramtres additionnels. Si le vrai modle est un ARIMA(p, d, q), les tests sur les paramtres additionnels ne devraient pas tre significativement diffrents de 0. Analyse des rsidus Une fois lestimation des modles ARIMA complte, on calcule les rsidus de faon dgager les ACF et PACF de ces rsidus. On devrait trouver que la fonction dautocorrlation est non significative pour

tous les retards en comparant k

. Une procdure plus scientiT fique est de calculer le test Ljung-Box (1978). Ce test, que lon dsigne par la statistique Q, se formule comme suit :
Q = T ( T + 2)

Tk
k =1

k 2

11. Au sujet de la mthode des moindres carrs en deux tapes, on consultera : Gouriroux, C. et A. Monfort (1990), Sries temporelles et modles dynamiques, Economica, Paris.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

246

Trait dconomtrie financire

Lhypothse H0 est la suivante : 1 = 2 = ... = k = 0 . Ce test est asymptotiquement distribu comme une 2(k p q).

8. AUTRES

CRITRES DE SLECTION POUR LES MODLES ARMA

On peut distinguer deux critres de choix de modles : celui dAkaike (1973) et celui de Schwarz (1978). Le critre dAkaike, dsign par AIC12, se dfinit comme suit :
e T e 2( p + q + 1) AIC = ln + T T

Par ailleurs, le critre de slection de Schwarz, dsign par SC13, se calcule comme suit :
eTe p + q + 1 SC = ln ln ( T ) + T T

Ces deux critres remplacent le R2 dans lanalyse des sries temporelles. On cherche le modle qui donne la valeur minimale ces deux statistiques. Par exemple, si un ARMA(1, 1) se traduit par des statistiques AIC et SC plus faibles quun ARMA(2, 1), on choisira le modle ARMA(1, 1). On remarquera que les deux critres pnalisent lajout de degrs de libert, ce qui milite en faveur du principe de la parcimonie dans ltablissement dun modle, ce qui se compare davantage au R2 ajust quau R2 non ajust.

12. AIC est labrviation anglaise de : Akaike Information Criterion. 13. SC est labrviation anglaise de : Schwarz Criterion.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

247

9. PRVISIONS

LAIDE DE MODLES STATISTIQUES DE SRIES CHRONOLOGIQUES

Une fois un modle spcifi, estim et test, on peut lutiliser pour effectuer des prvisions. Envisageons dabord le cas dun modle ARMA(1, 1).

Prvision laide dun modle ARMA(1, 1)


Le modle ARMA(1, 1) se formule comme suit : y t = + 1 y t 1 + e t + 1e t 1 Soit h le nombre de priodes lavance au chapitre de la prvision. Considrons dabord le cas o h est gal 1. Nous sommes la fin de lchantillon T. Nous voulons prvoir lobservation en (T + 1) qui se trouve dans le futur immdiat. On a, en vertu du modle ARMA(1, 1) : y T +1 = + 1 y T + e T +1 + 1e T Lesprance conditionnelle (ET) de cette quation correspond la prvision MMSE (minimum mean square error) de yT+1 : o lesprance conditionnelle14 de eT+1 est nulle et E T ( 1e T ) = 1e T . Incidemment, on se sert de lesprance conditionnelle pour formuler des prvisions court terme et de lesprance inconditionnelle pour formuler des prvisions long terme. La variance de lerreur de prvision se calcule comme suit : y T +1 = E T ( y T +1 ) = + 1 y T + 0 + 1e T

V ( e T +1 ) = V ( y T +1 y T +1 ) = V ( e T +1 ) = 2 e
Soit ensuite le cas o h = 2, cas o lon calcule la prvision de y deux priodes lavance. Toujours en vertu du modle ARMA(1, 1), on a :
y T + 2 = E T ( y T + 2 ) = E T ( + 1 y T +1 + e T + 2 + 1e T +1 ) = + 1 E T ( y T +1 ) = + 1 y T +1

14. Conditionnelle linformation disponible jusqu la fin de lchantillon T.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

248

Trait dconomtrie financire

Lerreur de prvision est bien sr :


e T + 2 = y T + 2 y T + 2 = + 1 y T +1 + e T + 2 + 1e T +1 1 y T +1 = ( 1 + 1 ) e T +1 + e T + 2 = 1 ( y T +1 y T +1 ) + e T + 2 + 1e T +1

Fort de ces calculs, on calcule la variance de lerreur de prvision :


2 2 2 2 V ( e T + 2 ) = ( 1 + 1 ) e + e = 2 ( 1 + 1 ) + 1 e

En procdant de la sorte, pour h = 3, on obtient : y T + 3 = + 1 y T + 2 et la variance de lerreur de prvision est de :


2 2 2 V ( e T +3 ) = e 1 + ( 1 + 1 ) + 1 + 1 1

)
2

Comme on laura constat, les prvisions sont obtenues par substitutions rptes dans le modle initial ARMA(1, 1). Dplaons-nous vers le modle gnral ARMA(p, q) qui se formule comme suit :
y t = + 1 y t 1 + 2 y t 2 + ... + p y t p + e t + 1e t 1 + ... + q e t q

On peut effectuer une prvision pour h priodes priodes lavance ; on calcule lesprance conditionnelle et on obtient :
y T + h = + 1 y T + h 1 + 2 y T + h 2 + ... + h 1 y T +1 + h y T + ... + p y T p + h + h e T + ... + q e T q + h

Lintervalle de confiance de cette prvision est de :

y T +h z c V (e T +h ) 2
o zc est la valeur critique dune N(0, 1) au niveau retenu. Mentionnons que cet intervalle de confiance est asymptotique, cest--dire que lchantillon doit tre suffisamment grand si lon utilise des estims des paramtres la place des paramtres comme tels pour effectuer les calculs prcdents.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

249

10. VALUATION

DE LA PRCISION DES PRVISIONS

On distingue quatre critres pour valuer la prcision des prvisions : i) le RMSE (root mean square error) ; 2) le MAE (mean absolute error) ; les deux statistiques U de Theil. Ces critres donnent lieu au choix dun modle qui minimise lesdits critres. Le RMSE est gal : (y i y i )
i 2

RMSE =

n0

o n0 reprsente le nombre de priodes prdites. Pour sa part, MAE se dfinit comme suit :
yi yi
i

MAE =

n0

Remarquons que ces deux critres sont sujets des problmes dunits de mesure. Les deux statistiques U de Theil corrigent pour ce problme. La premire, dnote par U, est gale :
(1 / n 0 ) ( y i y i ) 2

U=

(1 / n 0 ) y 2 i
i

Remarquons que cette mesure est relie au R2 mais nest pas limite lintervalle (0, 1). Une mesure apparente consiste calculer les variations de y :

U =

(1 / n 0 ) ( y i y i ) 2

(1 / n 0 ) y i2
i

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

250

Trait dconomtrie financire

Toutes ces mesures mesurent la capacit des modles capter les diffrents points de retournement des sries temporelles.

11. APPLICATIONS
Pour illustrer ce chapitre ayant trait aux sries chronologiques, nous nous basons sur une srie chronologique ayant trait au march obligataire. Le rendement retenu est celui de lobligation corporative amricaine cote Aaa selon le systme de notation Moodys. Les donnes sont mensuelles et stirent de 1990 199415. La figure 9.2 retrace lvolution de ladite srie sur la priode considre, dnomme Y. Ce graphique a t gnr par le logiciel EViews. FIGURE 9.2
10

6 1990 1991 1992 1993 1994

15. Cette srie est tire de Greene (2000), op. cit.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

251

Un examen rapide de la figure 9.2 semble rvler que cette srie nest pas stationnaire. Pour vrifier lhypothse de stationnarit, nous prsentons, la figure 9.3, les calculs et graphiques quant aux autocorrlations totales et partielles. FIGURE 9.3 Corrlogramme de Y

Date : 08/30/00 Time : 11:48 Sample : 1990:01 1994:12 Included observations : 60 Auttocorrlation Corrlation partielle 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 AC 0.967 0.909 0.853 0.795 0.736 0.674 0.606 0.530 0.451 0.379 0.318 0.260 0.209 0.165 0.127 0.095 0.059 0.014 0.030 0.069 0.103 0.136 0.165 0.190 0.218 0.251 0.284 0.311 PAC 0.967 0.384 0.143 0.150 0.020 0.101 0.123 0.090 0.082 0.110 0.015 0.043 0.106 0.025 0.053 0.000 0.207 0.131 0.020 0.035 0.072 0.003 0.026 0.092 0.116 0.070 0.094 0.028 Q-stat 58.904 111.90 159.37 201.33 237.93 269.26 295.02 315.15 330.00 340.70 348.36 353.59 357.04 359.25 360.57 361.33 361.63 361.65 361.74 362.17 363.19 365.00 367.75 371.47 376.50 383.42 392.54 403.81 Prob. 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

En examinant la structure des autocorrlations totales, on peut observer des autocorrlations persistantes pour des retards loigns, ce qui pourrait indiquer que lhypothse de non-stationnarit pourrait tre viole. Mais, pour linstant, nous mettons en veilleuse ce problme

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

252

Trait dconomtrie financire

pour nous concentrer sur les ACF de la srie qui semblent indiquer quun modle AR(2) est appropri. Lestimation de ce modle apparat au tableau 9.1. TABLEAU 9.1
Dependent Variable : Y Method : Least Squares Date : 08/30/00 Time : 11:51 Sample : (ajusted) : 1990:03 1994:12 Included observations : 58 after adjusting endpoints Convergence achieved after 3 iterations Variable C AR(1) AR(2) R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Coefficient 7.876779 1.156648 0.208293 0.962990 0.961644 0.155511 1.330096 27.18212 1.418410 .93 Std. Error 0.441819 0.110660 0.110161 t-Statistic 17.82807 10.45226 1.890803 Prob. 0.0000 0.0000 0.0639 8.254138 0.794039 0.833866 0.727292 715.5335 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .22

Examinons la stationnarit de cette srie partir des coefficients estims des retards sur la variable dpendante. Mais auparavant, rappelons les conditions de stationnarit pour un AR(2). Dans ce cas, la srie converge si les coefficients du AR(2) respectent les conditions suivantes : 1) 2 < 1 ; 2) 1 + 2 < 1 ; 3) 2 1 < 1 . Nous pouvons vrifier au tableau 9.1 que ces trois conditions sont respectes pour la srie analyse. De faon plus gnrale un processus autorgressif dordre p est stationnaire si les racines de lquation caractristique suivante :
C( z ) = 1 1z 2z 2 ... p z p

ont un module suprieur 1 ou, de faon quivalente, se situent lextrieur du cercle unitaire.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

253

La figure 9.4 prsente lanalyse des rsidus du modle estim. On observe que les ACF et les PACF pour tous les retards ne sont pas significatifs. Cela confirme que les rsidus obissent un processus de bruit blanc. Et lon en conclut que le modle choisi est le bon puisquil capte toute lautocorrlation prsente dans la srie. FIGURE 9.4 Corrlogramme des rsidus

Date : 08/30/00 Time : 11:56 Sample : 1990:03 1994:12 Included observations : 58 Q-statistic probabilities adjusted for 2 ARMA term(s) Auttocorrlation Corrlation partielle 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 AC 0.213 0.007 0.022 0.108 0.079 0.045 0.062 0.032 0.065 0.069 0.038 0.134 0.141 0.136 0.206 0.058 0.086 0.051 0.057 0.029 0.044 0.026 0.086 0.060 PAC 0.213 0.055 0.009 0.120 0.030 0.028 0.072 0.059 0.104 0.049 0.080 0.189 0.059 0.092 0.194 0.031 0.114 0.054 0.061 0.061 0.077 0.044 0.076 0.075 Q-stat 2.7781 2.7814 2.8127 3.5635 3.9770 4.1134 4.3771 4.4499 4.7470 5.0933 5.1980 6.5464 8.0869 9.5540 12.994 13.277 13.905 14.129 14.419 14.497 14.677 14.740 15.482 15.856 Prob.

0.094 0.168 0.264 0.391 0.496 0.616 0.691 0.748 0.817 0.767 0.705 0.655 0.448 0.505 0.533 0.589 0.637 0.696 0.743 0.791 0.798 0.823

Sries temporelles non linaires


Selon Franses (1998)16, une srie temporelle est non linaire quand des chocs importants ont un impact diffrent de chocs de moindre
16. Franses, P.H. (1998), Time Series Models for Business and Economic Forecasting, Cambridge University Press, Cambridge.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

254

Trait dconomtrie financire

envergure dans le sens que limpact dun choc nest pas proportionnel son importance. La non-linarit peut aussi signifier que limpact dun choc dpend de son signe. Pour modliser le caractre non linaire des sries temporelles, nous envisageons ici deux mthodes destimation : la mthode STAR, soit un processus autorgressif de transition lisse ou sans cassures (smooth), et le modle conomtrique bas sur les rseaux de neurones, que nous dsignerons par ANN.

Le modle STAR
Supposons que la srie temporelle yt suive le processus suivant : y t = + y t 1 + F ( y t d )( + y t 1 ) + t o F(ytd) est une fonction quelconque de la variable ytd , dite variable de transition. Ce modle, dsign par STAR17, est la combinaison dun modle linaire AR(1) et dun modle non linaire quand F(ytd) nest pas nul. On peut interprter F(ytd) et F(ytd) yt1 comme des composantes qui rendent variables dans le temps lintercept et le paramtre autorgressif de premier ordre. La fonction de transition F(.) est habituellement choisie de telle sorte que ses ralisations se situent dans lintervalle [0, 1]. Par consquent, quand F(.) = 0, yt peut tre dcrit comme un processus autorgressif AR(1) pur : + y t 1 . Par ailleurs, quand F(.) = 1, un processus AR(1) avec les paramtres ( + ) et ( + ) savre pertinent. Finalement, quand 0 < F(.) < 1, yt peut tre dcrit comme une somme pondre de deux processus AR linaires. Cela suggre une forme alternative pour yt :
y t = 1 F ( y t d ) ( 1 + 1 y t 1 ) + F ( y t d )( 2 + 2 y t 1 ) + t

On remarquera que lorsque 1 = 1 (ou mme suprieur 1), les effets des innovations t sur la srie yt peuvent encore ntre que transitoires. En dautres mots, la stationnarit de yt dpend de 1 , 2 et de la forme spcifique de la fonction F(.). Franses (1998) note que tester la stationnarit de yt est une entreprise difficile.

17. Soit labrviation de lexpression anglaise : smooth transition autoregressive.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

255

La fonction de transition F(.) peut prendre plusieurs formes : i) la forme exponentielle suivante, qui donne lieu au modle ESTAR : F ( y t d ) = 1 e
y ( t d c ) 2

o > 0 ; ii) la fonction logistique suivante, qui donne lieu au modle LSTAR :

( ( y t d c ) ) F ( y t d ) = 1 + e

o > 0 ; la fonction suivante, qui donne lieu au modle AR paliers ou seuils, encore dsign par modle TAR18 :
F ( y t d ) = 0 pour y t-d c F ( y t d ) = 1 pour y t-d > c

Le paramtre c est appel : paramtre de palier (threshold parameter). Le modle AR est un cas spcial du modle LSTAR quand . Dans le modle ESTAR, yt ragit de faon symtrique aux valeurs positives et ngatives de (ytd c) tandis que dans le modle TAR, le changement de rgime est abrupt. Le modle LSTAR comporte pour sa part des changements lisses ou sans cassures (smooth) et des ractions asymtriques aux chocs, ce qui rehausse son attrait par rapport aux deux autres modles.

Le modle conomtrique bas sur les rseaux de neurones (ANN)


Le modle ANN (artificial neural network) peut tre combin une srie temporelle qui obit une dynamique autorgressive de premier ordre. En supposant quil ny ait quune seule couche cache dans le rseau de neurones, ce modle conomtrique scrit comme suit :
y t = + y t 1 +

j G ( j + j y t 1 ) + t
j =1

18. TAR est labrviation anglaise de : threshold autoregressive.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

256

Trait dconomtrie financire

o q dsigne le nombre de cellules caches dans la couche. Contrairement au modle STAR, le modle ANN se traduit par un intercept variable dans le temps. La fonction G(.) prend habituellement la forme de la fonction logistique suivante :
G j + j y t 1

( ( j + j y t1 ) ) = 1 + e

La fonction G(.) est appele fonction dactivation logistique puisque la composante non linaire du modle ANN ne devient active que si largument j + j y t 1 est assez important. linstar du modle LSTAR, le modle ANN peut dcrire des changements de rgimes dans les sries temporelles, en autant que ces changements se confinent aux intercepts.

Quand q devient relativement important, le modle ANN peut approximer de faon trs prcise toute fonction : f ( y t ) = f ( y t 1 ) + t Par consquent, le R2 dun modle ANN peut se rapprocher facilement de 1 lorsque q est lev. Puisque le modle ANN fait la somme dun ensemble de fonctions logistiques, il est toutefois difficile dinterprter les valeurs des paramtres des fonctions G(.). Pour estimer les paramtres des modles STAR et ANN, on recourt un algorithme destimation non linaire. Franses (1998) suggre dadopter la stratgie suivante pour estimer ces paramtres. On fixe dabord les paramtres et c des niveaux donns et on estime les autres paramtres par la mthode des MCO. On estime ensuite les paramtres et c par tapes par la mthode des moindres carrs non linaires. Certes, la valeur de d dans ytd est incertaine et il faut effectuer plusieurs essais sur cet indice de faon dterminer la rgression qui comporte le R2 le plus lev. Franses (1998)19 a appliqu le modle LSTAR la premire diffrence du taux de chmage trimestriel allemand sur une priode stirant de 1962 1990. Il a trouv que le d optimal tait de 1. Le rsultat de son estimation est le suivant :

19. Franses (1998), op. cit., p. 183.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

257

y t = 1 F ( y t 1 ) ( 0, 040 + 0, 454 y t 1 ) + F ( y t 1 )(1, 901 1, 840 y t 1 ) + t

( 9 ,231( y t 1 0 ,500 ) ) . On peut tirer plusieurs infor o F ( y t 1 ) = 1 + e mations dune telle estimation qui alterne entre le rgime de reprise conomique et celui de rcession. Dabord, en vertu de lestimation, si y t1 > 0, 500 , la fonction F prend une valeur rapproche de 1, ce qui se traduit dans ce modle par une rcession du point de vue de lemploi. En traant le graphique de F en fonction du temps, on peut ainsi identifier les priodes de rcession et de reprise conomique. Ensuite, on peut relier graphiquement F et y t1 , F tant sur lordonne et y t1 sur labscisse. On obtient alors la fonction de transition des rcessions aux reprises conomiques. Finalement, si lon identifie un trimestre de rcession une valeur de F excdant 0,5, on peut identifier les sommets et les creux du cycle conomique classique.
Lajout de composantes non linaires aux modles autorgressifs largit donc de beaucoup le champ de lanalyse conomtrique des sries chronologiques et augmente dautant lattrait de ce type danalyse. En recourant aux rseaux de neurones, on peut mme en arriver reproduire quasi exactement toute srie temporelle yt ! Par ailleurs, les rseaux de neurones ont galement t utiliss dans un contexte GARCH par Donaldson et Kamstra (1997)20 pour estimer la volatilit du S&P500, entre autres. Pour plus de dtails sur ce domaine captivant de lconomtrie, le lecteur consultera avec intrt : Granger et Tersvirta (1993) ; Tersvirta, Tjostheim et Granger (1994) ; De Gooijer et Kumar (1992) ; Tong (1990) ; Bishop (1995) ; Ripley (1994) ; Kuan et Liu (1995) ; Kuan et White (1994) ; Swanson et White (1995)21.

20. Donaldson, R.G. et M. Kamstra (1997), An Artificial Neural Network-GARCH Model for International Stock Return Volatility , Journal of Empirical Finance, 4, p. 17-46. 21. Granger, C.W.J. et T. Tersvirta (1993), Modelling Nonlinear Economic Relationships, Oxford University Press, Oxford ; Tersvirta, T., D. Tjostheim et C.W.J. Granger (1994), Aspects of Modelling Nonlinear Time Series , dans : Engle, R.F. et D.L. McFadden (dir.), Handbook of Econometrics, volume IV, North Holland, Amsterdam ; De Gooijer, J.G. et K. Kumar (1992), Some Recent

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

258

Trait dconomtrie financire

12. PROCESSUS

STOCHASTIQUES NON STATIONNAIRES

Dans cette section, nous nous penchons sur les sujets suivants : processus de marche alatoire, processus de marche alatoire avec tendance, tests de stationnarit et cointgration.

Marche alatoire (random walk)


Une marche alatoire est un processus stochastique non stationnaire qui se dfinit comme suit dans sa version simplifie : y t = y t 1 + e t o et ~ WN(0, 2). Ce processus est un AR(1) sans constante o 1 = 1. Si lon diffrencie une fois ce modle, i.e. y t = y t y t 1 = e t , on obtient alors un processus stationnaire. Si lon veut tester lefficience des marchs financiers dans ce contexte, lhypothse nulle est alors : H0 : 1 = 1, o yt est le rendement dun titre. Si cette hypothse est vrifie, les marchs financiers sont alors efficients. Un autre faon de vrifier lefficience est dexaminer le profil de lACF de yt. Sil correspond celui dun bruit blanc, on a alors efficience. Le processus qui vient dtre dcrit correspond celui dune marche alatoire avec tendance stochastique (tendance non temporelle). Prcisons ce point. Par substitutions successives dans lquation de base de la marche alatoire, on obtient :

yt = y0 +

ei
i =1

Developments in Non-linear Time Series Modelling, Testing and Forecasting , International Journal of Forecasting, 8, p. 135-156 ; Tong. H. (1990), Non-linear Time Series. A Dynamical System Approach, Oxford University Press, Oxford ; Bishop, C.M. (1995), Neural Networks for Pattern Recognition, Oxford University Press, Oxford ; Ripley, B.D. (1994), Neural Networks and Related Methods for Classification , Journal of the Royal Statistical Society, 56, p. 409-456 ; Kuan, C.M. et T. Liu (1995), Forecasting Exchange Rates using Feedforward and Recurrent Neural Networks , Journal of Applied Econometrics, 10, p. 347-364 ; Kuan, C.M. et H. White (1994), Artificial Neural Networks : An Econometric Perspective , Econometric Reviews, 13, p. 1-91 ; Swanson, N.R. et H. White (1995), A Model Selection Approach to Assessing the Information in the Term Structure Using Linear Models and Artificial Neural Networks , Journal of Business and Economic Statistics, 13, p. 265-275.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

259

Selon cette quation, ce processus de marche alatoire ne comporte pas de tendance temporelle particulire. Si on calcule lesprance non conditionnelle de cette valeur, on a : E( y t ) = y 0 On en dduit donc la proprit que la moyenne dune marche alatoire avec tendance stochastique est constante. Lesprance conditionnelle, quant elle, du processus de marche alatoire se calcule : E t ( y t +1 ) = y t Par consquent, du processus de marche alatoire avec tendance stochastique, on dduit le rsultat que lesprance conditionnelle, qui est une prvision court terme, est non constante alors que lesprance non conditionnelle est pour sa part constante. De faon similaire :
y t +s = y t +

e t +i
i =1

Ce processus comporte un trend stochastique parce que le trend stochastique est la somme des termes derreur. Il en rsulte que lesprance conditionnelle nest pas affecte par ce trend de termes derreur inconnus, cest--dire : E t ( y t +s ) = y t Pour sa part, la variance de yt est de :

V(yt ) = 0 +

V (e i ) = t 2
i =1

Daprs ce rsultat, la marche alatoire nest donc un processus stationnaire puisque sa variance augmente avec le temps. En finance, une martingale correspond en temps discret une marche alatoire. On dit en effet quun processus stochastique est une martingale relativement lensemble dinformation It si : E t ( y t +1 ) = y t

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

260

Trait dconomtrie financire

Autrement dit, la meilleure prvision de yt+1 est yt, soit lobservation antrieure. On retrouve bien ici le processus de marche alatoire. En finance, des exemples de sries suivant une martingale sont les cours des actions et les taux dintrt.

Marche alatoire avec tendance


Nous prsentons ici le modle avec drift. Ce modle est celui dune marche alatoire auquel sajoute une constante. Ce modle est le suivant : y t = a 0 + y t 1 + e t o a0 est une constante. Il convient de montrer la prsence dune tendance dans un tel processus. Par substitutions rptes, on a :

y t = y 0 + a0t +

ei
i =1

Ce processus prsente deux formes de trends : i) un trend dterministe reprsent par a0t ; ii) un trend stochastique, reprsent par

e i . On
i =1

voit que lesprance dun tel processus se modifie dans le temps. La prvision E(yt+h) est : E t ( y t +h ) = y t + a 0 h

13. MODLES

DE TENDANCE

Une quation de diffrence peut tre clate en trois composantes : yt = trend + composante saisonnire + composante irrgulire Nous avons vu auparavant comment modliser la composante irrgulire partir dun modle ARMA(p, q). Nous faisons ici litire de la composante saisonnire, aborde sommairement dans une section antrieure ayant trait leffet du lundi sur les cours boursiers. Nous nous concentrons plutt ici sur la composante tendancielle ou trend dune srie chronologique. Nous faisons ici rfrence lindice boursier amricain S&P500 qui fait montre dune tendance la hausse.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

261

Comment peut-on modliser cette tendance de faon rigoureuse ? Deux techniques sont couramment utilises cet effet : i) le trend temporel linaire ; ii) le trend temporel polynomial. Le trend linaire se prsente comme suit : y t = a 0 + a1t + e t Pour sa part, le trend polynomial se formule comme suit :
y t = a 0 + a 1 t + a 2 t 2 + ... + a n t n + e t

Ces deux quations peuvent tre estimes par les MCO. Ces deux quations peuvent galement comporter des retards sur yt et et. On obtient alors un modle ARMA(p, q) auquel sadditionne un trend polynomial. Pour enlever la tendance, il existe deux techniques : i) la diffrenciation ; ii) la technique du retrait de la tendance (detrending). Dabord la diffrenciation. Considrons la solution du modle de marche alatoire avec tendance non temporelle : y t = y 0 + a 0 t + En calculant la diffrence premire, on obtient : y t = 0 + a 0 + e t Lesprance de yt est de : E ( y t ) = a 0 La variance de yt est de :

ei .
i =1

V ( y t ) = 2
et : Cov ( y t , y t s ) = 0 Toutes les proprits dun modle stationnaire sont donc au rendezvous. Lautre technique utilise pour enlever la tendance est le detrending. Nous venons de voir quun modle non stationnaire peut tre transform en un modle stationnaire seulement en le diffrenciant.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

262

Trait dconomtrie financire

Cela ne signifie pas que tous les modles non stationnaires peuvent tre transforms en modles stationnaires. Pour illustrer, considrons le modle suivant. y t = a 0 + a1t + e t Pour extraire le trend, on estime le modle par les MCO. On obtient : y t y t = et o y t = a 0 + a1t On pourrait par la suite appliquer un modle ARMA sur les rsidus et dterminer les techniques tudies auparavant pour dterminer lordre de ce modle. Au lieu deffectuer cette rgression, on aurait pu exprimer yt en premire diffrence, soit : y t = a 0 + e t e t 1 On constate que la partie en moyenne mobile (MA) comporte une racine unitaire. Ce modle ne peut donc pas tre invers sous une forme autorgressive. De faon gnrale, pour liminer la tendance, on estime le modle trend polynomial par les MCO et, pour dterminer le degr de ce polynme, on recourt aux tests t, aux tests F ou aux critres Akaike et Schwartz. Le modle trend polynomial scrit :
y t = a 0 + a 1 t + a 2 t 2 + ... + a n t n + e t

En appliquant les MCO sur cette quation, on obtient y t . En soustrayant y t de yt , on obtient alors la srie stationnaire : { t }.

Sries en diffrence stationnaire (DS) ou en tendance stationnaire (TS)


Jusquici, nous avons examin deux catgories de sries non stationnaires : i) la srie en diffrence stationnaire (DS) ii) la srie en tendance stationnaire (TS)

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

263

Les sries DS sont transformes en diffrence stationnaire en les diffrenciant. Quant elles, les sries en tendance stationnaire sont rendues stationnaires en liminant le trend par la modlisation de ce dernier. Mais un srieux problme se prsente lorsque, dans ce dernier cas, lon enlve le trend en diffrenciant plutt quen le modlisant. Pour le constater, considrons le modle ARMA(p, q) suivant : ( L ) y t = 0 + 1t + ( L )e t o les racines du polynme (L) et (L) se situent en dehors du cercle unitaire. Ce modle est TS puisquil ne comporte aucune racine unitaire. Supposons quand mme que lon limine le trend en le diffrenciant. On obtient : ( L ) y * t = 1 + (1 L ) ( L )e t La diffrenciation a fait apparatre une racine unitaire dans la partie MA du processus. De faon parallle, liminer par modlisation du trend le trend dun modle DS ne se traduit par aucun retrait du trend stochastique.

14. RACINES

UNITAIRES ET RGRESSIONS FALLACIEUSES

Comme nous lavons vu, une racine unitaire dans un modle AR(1) correspond un coefficient unitaire dans lautorgression. Nous obtenons alors une marche alatoire relie lefficience des marchs financiers. Attardons-nous maintenant au problme de racine unitaire dans une rgression linaire. Soit le modle de rgression suivant : y t = a 0 + a 1z t + e t o lon suppose que E(ztet) = 0. Les modles o les variables explicatives sont stochastiques requirent quelles soient stationnaires. Mais si yt et zt sont non stationnaires, on pourrait tre confront une rgression fallacieuse (spurious regression). Une telle rgression na aucune valeur. Elle prsente les symptmes suivants : 1) une faible Durbin-Watson ; 2) un R2 lev ; 3) des statistiques t significatives. Les rsultats pourraient paratre acceptables prime abord mais lestimateur des MCO est alors non convergent et les tests statistiques usuels sont non valables. Par exemple, Granger et Newbold (1974)

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

264

Trait dconomtrie financire

relatent des rgressions quils ont effectues sur des variables suivant chacune une marche alatoire et ont pourtant obtenu un R2 important mme si ces deux processus nont apparemment aucun lien entre eux. Considrons maintenant tour tour quatre cas despce ayant trait deux sries chronologiques yt et zt : 1) les sries yt et zt sont stationnaires ; 2) les deux sries sont intgres de diffrents ordres ; 3) les deux sries sont non stationnaires mais intgres du mme ordre ; les rsidus emmagasinent un trend stochastique ; 4) les deux sries sont intgres du mme ordre et les rsidus sont stationnaires. Examinons dabord le premier cas. Quand les deux sries sont stationnaires, alors les MCO peuvent tre utilises. Pour ce qui concerne le second cas, soit celui o les sries ont des ordres dintgration diffrents, la rgression par les MCO na aucune valeur. Pour fixer les ides, analysons la rgression suivante : y t = a 1z t + e t o zt obit au processus AR(1) suivant :
z t = z t 1 + t

et yt suit la marche alatoire suivante : y t = y t 1 + v t Les rsidus et de cette rgression peuvent tre crits sous la forme suivante :
et =

i =0

v t i a1

i t i
i =0

Dans cette quation, la premire somme ne converge pas alors que la deuxime somme converge en supposant que < 1. On en conclut que et nest pas stationnaire : cette rgression na donc aucune valeur. Passons maintenant au troisime cas, soit celui de deux sries non stationnaires mais intgres du mme ordre et o les rsidus incorporent un trend stochastique. Dans un pareil cas, lapplication des MCO lquation reliant yt zt se traduira par une rgression fallacieuse. Il est alors recommand de diffrencier les deux sries : y t = a 1 z t + e t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

265

o y t = y t 1 + t z t = z t 1 + t e t = e t 1 + t Finalement, dans le quatrime cas, les sries sont intgres du mme ordre et les rsidus sont censs stationnaires. Dans ce cas, on dit que les deux sries sont cointgres. Lestimateur des MCO pour la rgression de y sur z est alors convergent22. Les sries cointgres sont relies entre elles par un quilibre de long terme. Par exemple, on a constat que les taux dintrt sont des sries cointgres en vertu des thories de la structure terme des taux dintrt. Incidemment Wilmott23 voit la cointgration comme une mesure de corrlation.

15. TESTS

DE RACINE UNITAIRE

Dans cette section, nous portons notre attention sur deux tests principaux : le test de Dickey-Fuller et le test de Dickey-Fuller augment. Il existe galement le test de Perron, dont nous ferons une brve mention. Pour tester la prsence dune racine unitaire, on utilise le test d Dickey-Fuller et publi en 1979. Ces auteurs se basent sur les rgressions suivantes, qui sont des transformations du modle autorgressif AR(1) : y t = y t 1 + e t y t = a 0 + y t 1 + e t y t = a 0 + a 1 t + y t 1 + e t Les diffrences entre ces trois quations sont videntes. Par rapport la premire, un drift a t ajout dans la seconde et la troisime comporte en plus un trend. Le test de racine unitaire est le

22. Notons que lestimateur est mme super-convergent. 23. Wilmott (1998), op. cit.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

266

Trait dconomtrie financire

suivant. Sous H0, = 0, ce qui correspond une racine unitaire puisque = 1. On effectue le test de racine unitaire en effectuant le test t standard :

t=

V( )

Selon cette dernire quation, sous H0, la statistique t na pas sa distibution habituelle. Elle obit plutt une distribution calcule par Dickey-Fuller, nomme . Les valeurs critiques respectives de t pour les trois quations pour des seuils de 1 % 10 % sont reportes au tableau 9.2. TABLEAU 9.2 Valeurs critiques asymptotiques pour les tests de racine unitaire
1% 2,56 3,43 3,96 2,5 % 2,23 3,12 3,66 5% 1,94 2,86 3,41 10 % 1,62 2,57 3,13

Statistique du test
sc c ct

Source : Davidson, R. et J.G. McKinnon (1993), Estimation and Inference in Econometrics, Oxford University Press, New York.

titre dexemple, si lon applique le test Dickey-Fuller la troisime rgression, on rejettera lhypothse nulle pour un seuil = 5 % si la statistique t de est suprieure au ct qui est gal en valeur absolue 3,41. Cela indiquerait labsence dune racine unitaire au niveau = 5 %. Envisageons maintenant le test Dickey-Fuller largi publi en 1981, abrg par ADF24. Pour construire ce test, on effectue la rgression suivante :

y t = a 0 + a 1 t + a 2 t 2 + ... + a n t n + y t 1 +

i y t i+1 + e t
i=2

La version largie du test de Dickey-Fuller comporte donc des retards additionnels sur la variable y. Cet ajout vise prendre en compte la
24. ADF est labrviation de Augmented Dickey-Fuller.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

267

prsence ventuelle dautocorrlation dans les rsidus. Dans la pratique, on se limite au cas pour lequel n = 1 et p = 2. Il en rsulte : y t = a 0 + a 1 t + y t 1 + 2 y t 1 + e t Les hypothses testes sont : H0 : contre : H1 : 0 o = 1. On rejette H0 si la valeur absolue de t est suprieure ct. Sous H0, la distribution asymptotique du test t associe cette rgression est la mme que celle du test DF prsente prcdemment. On peut aussi recourir cette dernire rgression pour tester si la srie financire est TS ou DS de la faon suivante. On calcule les statistiques t associes aux paramtres et a1. Si ces coefficients sont statistiquement diffrents de zro, on est prsence dune srie TS. Par ailleurs, si le coefficient nest pas significativement diffrent de 0, alors la srie est DS, ce qui implique que est alors gal 1. Ce test est cependant plus ou moins rigoureux. Phillips et Perron (1988) ont propos une gnralisation des tests Dickey-Fuller qui impose moins de restrictions sur la distribution des termes derreur. Plus prcisment, Dickey et Fuller supposaient que les rsidus de leurs rgressions taient indpendants et de distribution homogne. Le test Phillips-Perron suppose seulement que les rsidus sont faiblement dpendants et quils peuvent tre distribus de faon htrogne. La rgression quils proposent est la suivante :
t T y t = + + y t 1 + e t 2

=0

o t = 1, , T. Sous H0, les donnes sont gnres par : y t = y t 1 + e t soit une marche alatoire o E(et) = 0. Perron et Phillips ont modifi les statistiques t de Dickey-Fuller pour prendre en compte lhtrognit des termes derreur. Il faut calculer les statistiques t , t et t qui sont les tests t usuels pour lhypothse nulle : = 0, = 1 et = 0. Par la suite, il suffit simplement de calculer les statistiques de Perron-

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

268

Trait dconomtrie financire

Phillips associes ces trois tests. Les valeurs critiques de ces statistiques de Perron-Phillips sont identiques celles qui apparaissent dans la table de Dickey-Fuller. Pour plus de dtails ce sujet, on consultera Enders (1995)25. Par la suite, Perron (1989) a largi le test de racine unitaire au cas des changements structurels. Il considre lhypothse dun seul sursaut dans le niveau du processus de racine unitaire contre lalternative dun changement au niveau du terme constant dun processus TS.

16. COINTGRATION
La cointgration se rattache la corrlation de deux sries dans le temps. On dit que deux sries yt et xt sont cointgres si les rsidus de la rgression de yt sur xt sont stationnaires : y t = + x t + e t Par exemple, si yt et xt sont intgres dordre 1 et si et est intgre dordre 0, on a cointgration des deux sries. Dans ce cas, mme si les deux sries sont non stationnaires, la rgression par les MCO ne sera pas fallacieuse en autant que les dites sries soient cointgrs. Lune des implications est la suivante. Si les sries ne sont pas stationnaires, il nest pas ncessairement obligatoire de les stationnariser pour autant quelles soient cointgrs. Par ailleurs, lorsque les sries sont cointgres, lestimateur des MCO est super-convergent : est alors un excellent estimateur de puisque lorsque les deux sries sont cointgres, lestimateur des MCO converge plus rapidement quautrement. La rgression par les MCO dcrit alors un quilibre long terme, soit un quilibre stationnaire entre yt et xt. Pour tester si yt et xt sont cointgres, il suffit de recourir un test de racine unitaire sur les rsidus, tel le test Dickey-Fuller. Les tapes du test tel que dvelopp par Engle et Granger (1987)26 sont les suivantes : 1) on rgresse yt sur xt : y t = + x t + e t
25. Enders, W. (1995), Applied Econometric Time-Series, John Wiley and Sons, New York. 26. Engle, R.F. et C.W.J. Granger (1987), Cointegration and Error Correction : Representation, Estimation and Testing , Econometrica, 55, p. 251-276.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

269

on en dduit t ; 2) on calcule : e t = e t e t 1 et on rgresse ensuite xt sur xt1 :

e t = ( 1)e t 1 + v t e t = * e t 1 + v t
3) on effectue le test bilatral suivant : H0 : = 1 ou * = 0 H1 : 1 ou * 0 Ce test est le test t habituel :

t=

* 0 V ( *)

4) on rejette H0 si : t > c . Il est noter que les valeurs critiques doivent tre recalcules puisque t est le rsultat dune rgression dans laquelle le vecteur de cointgration est lui-mme estim. Pour plus de dtails, voir Mills (1999)27.

Application
Pour illustrer les tests de racines unitaires et de cointgrations, considrons lexemple suivant. Cet exemple se fonde sur la relation entre le prix terme et le prix au comptant dun instrument financier. Nous abordons le cas de lacceptation bancaire28 canadienne trois mois et du contrat terme crit sur cet instrument. Le contrat terme sur lacceptation bancaire se transige la Bourse de Montral et est dsign par lacronyme BAX. Thoriquement, il existe une relation stricte entre le prix au comptant dun instrument financier et son prix terme. Mais dans la pratique, les prix peuvent dvier de cette relation. Il reste que ces deux catgories de prix devraient tre des sries
27. Mills, T.C. (1999), The Econometric Modelling of Financial Time Series, 2e dition, Cambridge University Press, p. 269. 28. Une acceptation bancaire est un titre de financement court terme mis par une entreprise et garanti par une banque.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

270

Trait dconomtrie financire

cointgres. Cette cointgration est dailleurs la base de la couverture dun portefeuille de titres court terme par les BAX. Ntait la cointgration, la couverture serait impensable. Pour tester la cointgration entre ces deux sries, nous appliquons une version du test de Engle et Granger qui, en mme temps, illustre bien le test de racine unitaire, ici la version Dickey-Fuller largie. Dans un premier temps, nous rgressons le prix au comptant (S) sur le prix terme (F). Les donnes sont journalires et stirent du dbut la fin de 1997. Les rsultats de cette rgression apparaissent au tableau 9.3. TABLEAU 9.3
Dependent Variable : SER01 Method : Least Squares Date : 10/03/00 Time : 13:08 Sample : (ajusted) : 1 250 Included observations : 250 after adjusting endpoints Variable C F R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 76.30243 0.236687 0.993567 0.993541 0.008110 0.016313 849.9254 1.828987 Std. Error 0.116647 0.001209 t-Statistic 654.1325 195.7090 Prob. 0.0000 0.0000 99.13103 0.100913 6.783403 6.755231 38302.01 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Nous retenons les rsidus de cette rgression et nous effectuons la rgression auxiliaire suivante qui est en fait le test ADF : e t = c + *1 e t 1 + 2 e t 1 + * t + u t Les rsultats apparaissent au tableau 9.4.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Les sries temporelles

271

TABLEAU 9.4

Augmented Dickey-Fuller Unit Root Test on RES


8.668564 1 % Critical Value* 5 % Critical Value 10 % Critical Value 3.9983 3.4292 3.1378

ADF Test Statistic

* MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable : D(RES) Method : Least Squares Date : 10/03/00 Time : 13:17 Sample (ajusted) : 3 250 Included observations : 248 after adjusting endpoints Variable RES(-1) D(RES(-1)) C @TREND(1) R-squared Ajusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.740128 0.191772 0.000404 2.98E-06 0.479433 0.473033 0.007966 0.015485 848.5886 2.000846 Std. Error 0.085381 0.063091 0.001021 7.07E-06 t-Statistic 8.668564 3.039631 0.395437 0.422159 Prob. 0.0000 0.0026 0.6929 0.6733 1.45E-05 0.010974 6.811198 6.754530 74.90664 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

La statistique t associe e t1 est gale 8.66. Cette statistique doit tre compare aux valeurs critiques asymptotiques pour les tests de cointgration. En effet, ces statistiques diffrent des valeurs critiques habituelles des tests de racines unitaires. Un aperu de ces valeurs critiques est prsent au tableau 9.5. TABLEAU 9.5
Statistique du test m=2
c ct

1% 3,90 4,32

2,5 % 3,59 4,03

5% 3,34 3,78

10 % 3,04 3,50

97,5 % 0,30 1,03

Source : Davidson, R. et J.G. MacKinnon (1993), op. cit.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

272

Trait dconomtrie financire

Comme on peut le constater, la statistique t associe e t1 dpasse largement la valeur de ct au seuil de 5 %, ce qui nous conforte dans notre attente dune forte cointgration entre le prix au comptant et le prix terme des acceptations bancaires. Revenons la rgression de S sur F. On constate que le coefficient de rgression associ F est approximativement gal 0,24. Or, cette information est trs importante pour une opration de couverture, car elle reprsente la valeur absolue du ratio de couverture (h) :

h=

S F

= 0, 24

Ce ratio nous indique que pour chaque contrat dtenu au comptant, il faut vendre 0,24 contrat terme pour couvrir sa position. En effet, la relation qui relie le nombre de contrats terme (NF) au nombre de contrats au comptant (NS) est la suivante :
NF = NS S 29 F

29. Pour plus de dtails, voir : Racicot, F.-. et R. Thoret (2000), op. cit.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

273

CHAPITRE

10
LHTROSCDASTICIT CONDITIONNELLE (ARCH)

Ce chapitre se penche sur une proprit de certaines sries conomiques ou financires, savoir que leur volatilit ou leur variance se modifie dans le temps. Pour traiter ce problme en conomtrie financire furent introduits les modles dhtroscdasticit conditionnelle. Ces modles sont relativement rcents. Le principal instigateur est Engle (1982). Dans un article intitul Autoregressive Conditional Heteroscedasticity with Estimate of the Variance of United Kingdom Inflations , paru dans Econometrica en 1982, Engle a propos le modle ARCH, soit lacronyme de : AutoRegressive Conditional Heteroscedasticity. Bollerslev, dans un article paru dans 1986 dans le Journal of Econometrics et intitul Generalized Autoregressive Conditional Heteroscedasticity , a prsent une version gnralise du modle dEngle : le GARCH. Toute une panoplie de versions plus sophistiques de ce modle devait sensuivre. Lensemble de ces modles fait lobjet de ce chapitre.

1. NOTIONS DESPRANCES

CONDITIONNELLE ET NON CONDITIONNELLE ; NOTIONS DE VARIANCES CONDITIONNELLE ET NON CONDITIONNELLE

Pour introduire ces notions, nous considrons un modle du taux dintrt court terme. Pour ce faire, on recourt un processus autorgressif AR(1) stationnaire : y t = a 0 + a 1 y t 1 + e t

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

274

Trait dconomtrie financire

o e t ~ WN ( 0, 2 ) . Dans cette quation, yt est la valeur du taux dintrt au temps t. Nous voulons prvoir yt+1 en utilisant lesprance non conditionnelle. On procde comme suit :
y t +1 = a 0 + a 1 y t + e t +1 E ( y t +1 ) = a 0 + a 1 E ( y t ) + E ( e t +1 )

Lesprance non conditionnelle sert calculer des prvisions long terme dune variable, soit sa moyenne long terme. Sachant par ailleurs que la moyenne dune srie stationnaire est constante, on peut crire : E ( y t +1 ) = a 0 + a 1 E ( y t ) puisque : E ( e t ) = E ( e t +1 ) = 0 Il en rsulte que : t

E ( y t +1 ) =

a0 1 a1

Cest l lesprance non conditionnelle de yt+1. Nous nous intressons maintenant la prvision court terme de yt+1. Lesprance conditionnelle nous donne alors une prvision suprieure lesprance non conditionnelle. Lesprance conditionnelle prend en effet compte de toute linformation disponible jusquau temps t. Elle suppose que toutes les variables sont connues et fixes jusqu cette priode. On peut donc crire E t ( y t +1 ) = a 0 + a 1 E t ( y t ) + E t ( e t +1 ) = a 0 + a 1 y t + 0 yt est en effet connu au temps t et nest donc pas alatoire. Par ailleurs et+1 est inconnu la priode t. Son esprance conditionnelle est donc nulle. Pour introduire les notions de variances conditionnelle et non conditionnelle, nous au recourons au processus autorgressif suivant : y t = y t 1 + t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

275

o t ~ N 0, 2 . Nous supposons galement que y est une srie stationnaire, cest--dire que est infrieur 1. En vertu des calculs antrieurs nous pouvons crire la variance conditionnelle comme suit : Vt ( y t ) = E t y t E t ( y t )

]2 = 2

Pour calculer la variance non conditionnelle, nous recourons lquation qui relie yt au dcalage de linnovation. Pour tablir cette relation, nous exprimons lquation de yt comme suit : y t (1 L ) = t o L dsigne loprateur de retard. En multipliant les deux cts de cette expression par (1 L)1, on obtient :
y t = (1 L ) 1 t

et en utilisant une proprit bien connue de loprateur de retard, on a :


y t = t + t 1 + 2 t 2 + ... + n t n n

La variance non conditionnelle est donc gale :


V ( y t ) = 2 (1 + 2 + 4 + ...)

Lexpression entre parenthses est une progression gomtrique de raison 2. La variance non conditionnelle de yt se simplifie donc comme suit : v( y t ) = 2 1 2

La variance non conditionnelle est donc diffrente de la variance conditionnelle.

2. LHTROSCDASTICIT CONDITIONNELLE ET LES FAITS


Traditionnellement, lhtroscdasticit tait associe aux donnes en coupe instantane (cross sectional data), les sries temporelles tant tudies dans un contexte dhomoscdasticit. En analysant les donnes macroconomiques, Engle (1982) et Cragg (1982) ont trouv que la variance, dans les sries temporelles, tait moins stable quil ntait

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

276

Trait dconomtrie financire

gnralement suppos. Pour pallier ce problme dans son modle dinflation, Engle a ralis que les grandes et petites erreurs de prvision taient groupes (clustered), ce qui suggrait une forme dhtroscdasticit dans laquelle la variance de lerreur de prvision dpend de limportance de lerreur prcdente. En examinant certaines sries financires comme les taux dintrt et les cours boursiers, on remarque le mme phnomne. On peut donc dire que la variance de ces sries est htroscdastique dans le temps. Une autre caractristique des sries financires est leur leptokurticit, ce qui les loigne dune distribution normale. Gouriroux (1992)1 rapporte les coefficients de kurtosis de certains titres cots en bourse ainsi que ceux de certains mtaux. Tous comportent un coefficient plus lev que celui qui est associ la loi normale. Les titres aurifres ont mme un coefficient de 11,4, donc trs loign de celui qui est associ la loi normale, qui se situe trois. Selon Gouriroux, les modles ARCH sont de nature modliser la leptokurticit prsente dans les donnes financires puisque si lon calcule le coefficient de kurtosis associ au modle ARCH, on trouvera que celui-ci gnre des coefficients suprieurs 3.

3. LE

MODLE

ARCH
y t = T x t + et

On a le modle de rgression suivant :

o xt nest pas alatoire et o et suit le processus suivant :

e t = u t 0 + 1e 21 t

1/ 2

o 0 > 0 et 0 < 1 < 1, ces hypothses assurant une variance conditionnelle finie et non ngative. On postule ici que ut ~ N(0, 1) et E(utet1) = 0. Calculons lesprance conditionnelle de linnovation :

E ( e t e t 1 , e t 2 ,...) = E u t ( 0 + 1e 21 )1/ 2 e t 1 , e t 2 ,... t

1. Gouriroux, C. (1992), Modles ARCH et applications financires, Economica, Paris.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

277

Dsignons par Et1 lesprance conditionnelle linformation disponible jusquen t 1 : on suppose alors que cette information est une donne pour les fins de lanalyse. On peut donc crire :

E t 1 ( e t ) = E t 1 u t ( 0 + 1e 21 )1/ 2 t

= E t 1 ( u t ) E t 1 ( 0 + 1e 21 )1/ 2 t =0

Passons maintenant au calcul lesprance non conditionnelle de linnovation.

E ( e t ) = E u t ( 0 + 1e 21 )1/ 2 t
et puisque ut et et1 sont indpendants :

]
)

2 E ( e t ) = E ( u t ) E ( 0 + 1e t 1 )1/ 2 = 0

Notons encore une fois que E(.), soit lesprance non conditionnelle, sert calculer une prvision long terme associe la moyenne. Par contre, Et1(.), soit lesprance conditionnelle, sert calculer une prvision court terme en utilisant linformation disponible jusquau temps t 1. La variance conditionnelle de linnovation, identifie par ht est gale :
h t = 2 = V e t e t 1 , e t 2 ,... = E e 2 e t 1 , e t 2 ,... t t = E t 1 u 2 0 + 1e 21 t t = 0 + 1e 21 t

( (

)) = E ( u )E (
t 1 2 t t 1

+ 1e 21 = 1 0 + 1e 21 t t

Il est certes vident que :


V y t y t 1 , y t 2 ,... = V e t e t 1 , e t 2 ,... =
2 0 + 1e t 1

2 t

Tel est le modle ARCH(1) propos par Engle en 1982. Il est noter que lon suppose que 0 > 0 et 0 < 1 < 1, ceci pour obtenir une variance conditionnelle finie, cest--dire sassurer de la stationnarit du pro-

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

278

Trait dconomtrie financire

cessus et de la non-ngativit de la variance conditionnelle. On pourrait par ailleurs dmontrer la supriorit des prvisions effectues partir de lesprance conditionnelle, cela parce que lerreur de prvision est alors infrieure celle qui est associe lesprance non conditionnelle. En effet, comme nous lavons dmontr dans la section prcdente, lerreur de prvision associe lesprance conditionnelle est de 2 et celle relie lesprance non conditionnelle est . Comme 0 < < 1, la variance conditionnelle est donc inf1 2 rieure la variance non conditionnelle. de 2

4. ESTIMATION

DU MODLE

ARCH

Tel quil vient dtre prsent, le modle ARCH respecte les hypothses du modle classique des MCO. Ses paramtres peuvent donc tre estims par la mthode des MCO puisque la variance non conditionnelle nest pas htroscdastique : lestimateur des MCO est alors efficace. On estimerait alors les paramtres de la variance conditionnelle par une rgression auxiliaire ou artificielle. Par contre, il existe un estimateur non linaire qui prend en compte lhtroscdasticit conditionnelle et qui est plus efficace asymptotiquement que les MCO. Cette mthode, telle que prconise par Engle (1982), est le maximum de vraisemblance. crivons cette fonction de vraisemblance en posant que et ~ N(0, t2) = N(0, 0 + 1et12). La densit conjointe des innovations est :

f e1e 2 ...e T , 0 , 1 =
o

) f (e
t =1

, 0 , 1

e E e 2 1 t ( t) f (e t ) = exp 2 2 t 2 t Pour passer la densit conjointe des observations sur y, on utilise la transformation jacobienne suivante : 1

f ( y t ) = f (et )

de t dy t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

279

On pourra vrifier facilement que

de t dy t

= 1. Il sensuit :

f y t , 0 , 1 =
Ceci implique :

2 T 1 y t x t exp 2 t 2 2 t

L , 0 , 1 y 1 , y 2 ,..., y T =

) f (y
t =1

, 0 , 1

On recherche donc les valeurs des paramtres qui maximisent la probabilit de gnrer lchantillon observ. laborons la fonction de vraisemblance :

L , 0 , 1 y 1 , y 2 ,..., y T = ( 2 )
T

T/2

t ( 2 ) t =1

2 T 1 y t x t = exp 2 t t =1 2 2 t 2 1/ 2 1 T y t T x t exp 2 t =1 t T

Exprimons cette expression sous forme logarithmique :


T T 1 T yt xt ln L = ln 2 ln h t ht 2 2 t =1 2 t =1

o h t = 2 = 0 + 1e 21. Lalgorithme doptimisation utilis pour t t solutionner cette quation dj t prsent au chapitre 4. Enders (1995) montre comment on peut trouver les valeurs des paramtres qui maximisent la fonction de vraisemblance en utilisant le logiciel RATS. Ce programme apparat au tableau 10.1.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

280

Trait dconomtrie financire

TABLEAU 10.1
NONLIN 0 1 FRML = y x FRML h = 0 + 1* t12 FRML LIKELIHOOD = 0.5*[log(ht) + ( t2/ht)] COMPUTE = initial guess, 0 = initial guess, 1 = initial guess MAXIMISE(RECURSIVE) LIKELIHOOD 2 end
Source : Enders (1995).

Dans le langage EViews, la fonction de vraisemblance dun modle de rgression linaire simple se formule comme au tableau 10.2. TABLEAU 10.2
smpl 1 n logl fctvrai fctvrai.append @logl logl1 fctvrai.append res=y-c(1)-c(2)*x fctvrai.append logl1=log(@dnorm(res/@sqrt(c(3)))) log(c(3))/2 fctvrai.ml(b, d)

Pour largir ce programme au modle ARCH, le lecteur naura qu ajouter une ligne qui dfinit le modle ARCH des rsidus de la rgression et introduire cette variable dans la fonction de vraisemblance logl1.

5. GNRALISATION

DU MODLE

ARCH

5.1. Le modle ARCH(q)


Le modle ARCH(1) ne comporte quun seul retard sur linnovation leve au carr, cest--dire :
2 2 = h t = 0 + 1e t 1 t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

281

Par contre, dans le modle ARCH(q), q retards sont utiliss :


2 2 2 2 E t 1 e t = t = h t = 0 + 1e 21 + ... + q e t q = 0 + ( L )e t t

( )

De cette dernire quation, il rsulte que lon peut crire linnovation comme suit :

e t = u t h 1/ 2 = u t 0 + t

i e 2 i t i =1
q

Pour avoir une variance conditionnelle finie et positive, on impose que 0 > 0 et que les racines caractristiques du (L) se situent lextrieur du cercle unitaire. Bollerslev (1986)2 gnralise le modle de Engle (1982) en permettant la variance conditionnelle de suivre un processus ARMA(p, q). Le modle gnral GARCH(p, q) scrit comme suit :

h t = 0 +

i =1

i e 2 i t

t j h t j = 0 + ( L )e 2 + ( L ) h t j =1

Il est noter que le modle GARCH(1, 1) approxime de trs prs un modle ARCH(q) pour un indice q assez lev. Ce modle scrit comme suit : h t = 0 + 1e t 1 + 1 h t 1 La variance conditionnelle de linnovation se calcule comme suit :
V e t e t 1 , e t 2 ,... = h t = 0 + 1e 21 + 1 h t 1 t

Pour sassurer de la stationnarit du processus et du caractre fini de la variance conditionnelle, on impose aux trois paramtres dtre positifs ainsi que la relation suivante : 1 + 1 < 1. Si 1 + 1 = 1, on a le modle IGARCH(1, 1), soit le integrated GARCH. Soulignons finalement quun modle GARCH peut reprsenter de faon parcimonieuse un processus ARCH(q), par exemple, un
2. Bollerslev, T. (1986), Generalized Autoregressive Conditional Heteroscedastity , Journal of Econometrics, vol. 31, p. 307-327.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

282

Trait dconomtrie financire

processus GARCH(1, 1) a pu se rvler une approximation parcimonieuse dun processus ARCH(8). Il en rsulte moins de restrictions sur les paramtres estims.

5.2. Le modle ARCH-M


Ce modle, d Engle, Lilien et Robins (1987)3, scrit comme suit : y t = X t + h t + e t Dans cette quation, et obit au modle GARCH suivant :
et = 0 +

i =1

i e 2 i t

+ jh tj j =1

1/ 2

u t = h 1/ 2 u t t

On voit que, dans ce modle, la moyenne de yt dpend aussi de la variance conditionnelle. Cette classe de modles se prte bien lanalyse des actifs financiers. Contrairement au CAPM classique, la prime de risque nest pas ici considre comme fixe mais devient plutt une fonction croissante de la variance conditionnelle des rendements de lactif financier. Engle, Lilien et Robins se sont servis de ce modle pour modliser lcart de rendement entre un actif long terme et un actif court terme. Leur quation est la suivante : y t = u t + e t = + h t + e t o yt = cart de rendement entre un actif long terme et celui dun bon du Trsor ; ut = prime de risque incorpore dans lactif long terme ; et = terme derreur.

3. Engle, R., D. Lilien et R. Robins (1987), Estimating Time Varying Risk Premia in the Term Structure : The ARCH-M Model , Econometrica, 55, p. 391-407.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

283

5.3. Le modle EGARCH


Le modle EGARCH (exponential GARCH), d Nelson (1991)4, a t dvelopp pour modliser non seulement lexcs de leptokurticit mais aussi les effets asymtriques quont les rendements sur la volatilit. Dans la littrature, cet effet est appel : leverage effect. Il sagit dune corrlation ngative entre les rendements prsents et la volatilit future. En effet, une baisse du rendement dune action est associe une diminution de la valeur marchande de lavoir des actionnaires de lentreprise qui la mise. Il en rsulte une hausse du levier de cette entreprise, soit le ratio de sa dette lquit. Lentreprise est alors perue plus risque sur le march, ce qui augmente la volatilit future du rendement de cette action. La baisse du rendement de cette action exerce donc un effet de levier sur sa volatilit future5. Le modle EGARCH(p, q) se formule comme suit :
ln( h t ) = ln( 2 ) t = 0 +
p

i [ u t i + ( u t i E u t i )]
q i =1

t j ln( 2 j ) j =1

o ut ~ NID(0, 1) et et = utht1/2 = ut t. On suppose ici que les conditions concernant la stationnarit du processus sont respectes. Expliquons sommairement le deuxime terme du logarithme de la variance conditionnelle. Rappelons auparavant que dans le modle GARCH classique, la volatilit dpend de limportance des chocs sur linnovation et et non de leur signe. Cela nglige le leverage effect prsent dans les sries financires. Le modle EGARCH le prend en compte par le biais du deuxime terme de son quation. Contrairement au modle GARCH, le modle EGARCH nimpose aucune contrainte de nonngativit sur les paramtres i et j de faon sassurer que la variance conditionnelle soit positive. Toutefois, comme cela a t spcifi auparavant, le processus est suppos stationnaire.
4. Nelson, D.B. (1991), Conditional Heteroskedasticity in Asset Returns : A New Approach , Econometrica, 59, p. 347-370. 5. Pour plus de dtails sur ce sujet, on consultera : Bollerslev, T., R.Y. Chou et K.F. Kroner (1992), ARCH Modelling in Finance : A Review of the Theory and Empirical Evidence , Journal of Econometrics, 52, p. 55-59.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

284

Trait dconomtrie financire

Voici comment le modle EGARCH intgre le leverage effect. Si i < 0 , alors la variance conditionnelle ( t2) tend augmenter (diminuer) si eti est ngatif (positif), ceci en conformit avec les faits empiriques qui font apparatre le leverage effect au niveau du comportement des rendements des actifs financiers.

5.4. Le modle TARCH


Le modle TARCH (threshold ARCH), d Zakoian (1994)6 scrit comme suit :

y t = T x t + et
La variance conditionnelle de linnovation scrit comme suit lintrieur de modle :
2 = + e 21 + e 21d t 1 + 21 t t t t

o d t = 1 si e t < 0 (mauvaise nouvelle) et 0 autrement. Ce modle veut intgrer lobservation suivante sur les sries temporelles des rendements financiers. En effet, on a remarqu que les mauvaises nouvelles affectent davantage la volatilit que les bonnes. Si est significativement positif, il y aura alors vidence de la prsence dun tel phnomne. Les modles GARCH ont trouv de multiples applications en finance moderne. En plus de celle relie au CAPM que nous relaterons dans la section Applications , dautres chercheurs les ont transposs la thorie des options, l o la volatilit joue un rle primordial7.

5.5. Prvision partir du modle GARCH


On pourrait montrer que le modle GARCH(1, 1) revient prvoir yt partir de la moyenne pondre, poids gomtriquement dcrois6. Zakoian, J.M. (1994), Threshold Heteroskedastic Models , Journal of Economic Dynamics and Control, 18, p. 931-955. 7. Voir cet effet : Engle, R. et C. Moustafa (1992), Implied ARCH models from Options Prices , Journal of Econometrics, 52, p. 289-311 ; Duan, J.C. (1995), The GARCH Option Pricing Model , Mathematical Finance, 5, p. 13-32. Pour une synthse des articles dans le domaine des modles GARCH, voir : Racicot, F.. (2000), Notes on Nonlinear Dynamics, op. cit.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

285

sants, des retards sur linnovation au carr. Cela revient presque alors un modle MA o la variable indpendante est linnovation au carr. Pour le montrer, supposons le modle GARCH(1, 1) suivant :
2 = + e 21 + 21 t t t

Par substitution rpte de 2 i , on obtient : t


2 2 = + + 2 + ... + e t 1 + e 2 2 + 2e 23 + ... t t t

On voit que les poids appliqus par e 2 i sont i1 . Les poids t diminuent donc au taux exponentiel . Cette mthode est plus satisfaisante puisque notre objectif est ici deffectuer le monitoring de la volatilit actuelle. Il est donc appropri de donner davantage de poids aux observations plus rcentes pour calculer la volatilit. Tel nest pas le cas pour la variance classique qui donne un poids de 1/(T 1) toutes les observations. Nous voulons maintenant prvoir la volatilit conditionnelle dune srie partir dun modle GARCH(1, 1). Soit :
2 2 2 = 0 + 1e t 1 + t 1 t

Nous voulons prvoir dans un premier temps 2 . On a : t+1


2 E t ( t +1 ) = 0 + 1 E t ( e 2 ) + E t ( 2 ) = 0 + 2 ( 1 + ) t t t

La prvision de la variance conditionnelle dans deux priodes peut scrire comme suit :
2 E t ( t + 2 ) = 0 + 1 E t ( 2+1 ) + E t ( 2+1 ) = 0 + ( 1 + ) E t ( 2+1 ) t t t

En substituant dans cette quation la valeur dj trouve pour 2 , t+1 on a :


2 E t ( t + 2 ) = 0 (1 + 1 + ) + 2 ( 1 + ) 2 t

On peut rcrire cette expression comme suit :


2 E t ( t +2 ) =

(1 + 1 + )(1 1 ) + 2 + 2 ) 0 t( 1 (1 1 ) 2 1 ( 1 + ) 2 2 = 0 + t ( 1 + )
1 1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

286

Trait dconomtrie financire

Finalement, la prvision dans n priodes de la variance conditionnelle se calcule en remplaant simplement lexposant 2 dans lexpression prcdente par lexposant n :

= = =

1 ( 1 + ) 1 1 0 1 1 0

0 + 2 ( 1 + ) t
n

0 ( 1 + ) 1 1

+ 2 ( 1 + ) t

0 n + ( 1 + ) 2 t 1 1 1 1

Cette dernire quation peut tre utilise pour calculer des prvisions pour nimporte lequel horizon en fixant n lhorizon dsir. Quand 1 + = 1, lesprance conditionnelle de la volatilit se simplifie pour devenir :
2 E t ( 2+ n ) = t + n 0 t

Le modle GARCH(1, 1) pour lequel 1 + = 1 comporte une racine unitaire de telle sorte que la volatilit prsente affecte les prvisions de volatilit dans un futur indfini. On est alors en prsence du GARCH dit intgr, encore dsign par IGARCH(1, 1). Pour des GARCH dordres suprieurs : GARCH(p, q), des prvisions sur de multiples priodes peuvent tre effectues de faon similaire.

5.6. Test ARCH


Pour tester la prsence derreurs de type ARCH dans le modle suivant : y t = x t + et on peut effectuer le test LM propos par Engle (1982). Les tapes du ce test sont les suivantes : 1) On estime dabord lquation prcdente par les MCO.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

287

2) Les rsidus estims de la rgression prcdente sont alors levs au carr :


t e2 = y t x t

3) On effectue la rgression artificielle suivante :

t 2 2 e 2 = 0 + 1e t 1 + ... + q e t q + u t
On se sert du R2 de cette rgression pour effectuer le test. En effet, la statistique T R 2 2 ( q ). Sil ny a pas deffet ARCH, le R2 de la rgression artificielle sera faible. La statistique (T R2) se situera 2. Lhypothse H0, alors sous la valeur critique de la distribution leffet de labsence deffet ARCH, se formule comme suit : HO : 1 = 2 = ... = q = 0 On rejettera H0 si (T R2 ) > 2. Par exemple, on rejettera lhypothse de labsence de leffet ARCH(1) si T R 2 > 2 (1) = 3, 84 . Application Dans cette section, nous coulons le CAPM dans le creuset de la mthode destimation dite GARCH-M (GARCH-in-Mean)8. Mais auparavant, forts des concepts que nous avons introduits depuis que nous avons examin le CAPM, nous reconsidrons lestimation de ce modle par la mthode des MCO. Les hypothses du CAPM sont au nombre de cinq : 1) les investisseurs prouvent de laversion pour le risque ; 2) leurs attentes sont homognes au plan des rendements, ce qui signifie quils prvoient la mme matrice variance-covariance des rendements qui sont censs obir une distribution normale ; 3) il existe un actif sans risque ; 4) linformation est gratuite ; 5) il nexiste aucune imperfection de march. Entre autres, il nexiste pas dimpts ou de restrictions sur les ventes dcouvert.

8. Par association au modle ARCH-M prsent auparavant dans ce chapitre.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

288

Trait dconomtrie financire

Le modle du CAPM comprend grosso modo deux quations. La premire est la CML (Capital Market Line) et la seconde, la SML (Security Market Line). Considrons ces deux relations tour tour. La CML La CML est une quation qui relie, lorsque lquilibre sur les marchs financiers est atteint, les rendements des portefeuilles dits efficients9. Lquation de la CML scrit comme suit :
E(R m ) R f E Rp = Rf + p m

( )

o E(Rp) reprsente la valeur espre du portefeuille p ; Rf, le taux sans risque ; E(Rm), la valeur espre du rendement du portefeuille du march ; m, lcart-type du rendement du portefeuille du march et p, lcart-type du rendement du portefeuille p. La reprsentation graphique de la CML apparat la figure 10.1.
E(R m ) R f La pente de la CML est donc : . Elle reprsente m 10 du portefeuille du le prix du risque. Cest le rendement excdentaire march par unit de risque, ici mesur par lcart-type du rendement du portefeuille du march. Ce prix est commun tous les portefeuilles. Ce qui diffre dun portefeuille lautre, cest la quantit de risque qui y est emmagasine, mesure par p.

On laura constat la lecture de la figure 10.1, les portefeuilles efficients sont de simples combinaisons linaires de lactif sans risque et du portefeuille du march. Entre les points Rf et M, les investisseurs dtiennent pour partie lactif sans risque et pour partie le porte-

9. Un portefeuille est dit efficient sil ne comporte pas de risque non systmatique, dit encore risque rsiduel ou non reli au risque prsent par le portefeuille du march. 10. Cest--dire le rendement au-del du taux sans risque que les investisseurs exigent pour supporter le risque incorpor dans le portefeuille du march.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

289

feuille du march. Au-del de M, les investisseurs ont vendu dcouvert lactif sans risque, cest--dire quils ont emprunt de manire investir davantage dans le portefeuille du march. FIGURE 10-1 La CML
E(Rp)

rf

cart-type

La CML aboutit donc au phnomne dit de la sparation de portefeuilles. En effet, en vertu de la CML, les investisseurs nexercent leurs choix que sur deux catgories dactifs ou fonds : le fonds constitu par lactif sans risque et le fonds constitu par le portefeuille du march. Tout investisseur dtient donc les actifs risqus dans les mmes proportions, qui sont gales aux pondrations que revtent ces actifs dans le portefeuille du march, et cela quel que soit le niveau de son degr daversion au risque. Ce qui diffre dun individu lautre, ce sont les pondrations respectives quil accorde au fonds sans risque (actif sans risque) et au fonds risqu (portefeuille de march). Ces pondrations sont dtermines par son degr daversion au risque. Plus un individu craint le risque, plus il donnera la part belle au fonds sans risque dans son portefeuille.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

290 La SML

Trait dconomtrie financire

La SML est une relation dquilibre entre le rendement dun titre (ou dun portefeuille) et son bta respectif. Pour la driver, nous nous reportons la figure 10.2. FIGURE 10.2
E(Rp)

Drivation de la SML

M a = 0 : quilibre

rf R' R

galer pentes des deux courbes ce point pour trouver la SML

cart-type

Supposons quun portefeuille soit compos de a % dun actif risqu i et de (1 a) % du portefeuille du march M. La frontire efficiente reprsente par la courbe R'MR sur la figure 10.2 fournit ces combinaisons rendement-risque de lactif i et du portefeuille du march M. Or, lquilibre des marchs financiers ne peut se situer quau point M. En effet, lactif i a dj sa pondration dquilibre au sein du portefeuille du march. La proportion a nest donc quune demande excdentaire qui prend une valeur nulle lorsque lquilibre sur les marchs financiers est atteint. Au point M, il y a galit entre les pentes de la CML et de la frontire R'MR. Pour driver la SML, soit la relation dquilibre entre lesprance du rendement dun titre et son risque, nous devons donc galer les pentes de la CML et de R'MR au point a = 0. Nous

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

291

savons que la pente de la CML est de :

E(R m ) R f m

. Par ailleurs, la

( ) . La SML doit donc satisfaire ( R ) / a lgalit suivante des pentes :


pente de R'MR est de :

E R p / a
p

E(R m ) R f m

E R p / a
p a =0

( ) ( R ) / a

Nous devons effectuer les deux drives qui apparaissent droite de cette quation. Effectuons dabord la drive qui apparat au numrateur pour ensuite passer la drive prsente au dnominateur. Nous savons que :

E R p = aE ( R i ) + (1 a ) E ( R m )
La drive du numrateur est donc de :

( )

E R p

( ) = E(R ) E(R ) a
i m
1/ 2

Passons maintenant la drive prsente au dnominateur du terme de droite de lgalit des pentes. Nous savons que :
2 2 R p = a 2 2 + (1 a ) m + 2a (1 a ) im i

( )

Nous devons driver cette expression par rapport a. Pour ce faire, nous recourons la rgle de la chane. Reprsentons par y le terme entre crochets dans cette quation. On a donc :

R p = y 1/ 2
La rgle de la chane est donc, dans le cas qui nous intresse :

( )
=

p a

p y y a

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

292

Trait dconomtrie financire

On peut crire :
p a = 1 2 y 1/ 21 y a

Et, en remplaant y par sa valeur11 :


p a =
1/ 2 1 2 2 2 2 a i + (1 a ) m + 2a (1 a ) im 2 2 i 2 2 2 m + 2a m + 2 im 4 a im

[2a
=
a =0

Cette drive doit tre value au point a = 0, soit lquilibre des marchs financiers :

p a

1 2

( ) [
2 m 1/ 2

2 2 m

+ 2 im =

2 im m

En substituant ces drives dans lexpression de lgalit des pentes de la CML et de R'MR, on obtient finalement :

E( R m ) R f m E( R m ) R f m E( R m ) R f 2 m [ E( R ) R ]
m f im 2 m

E R p / a
p

E( R i ) E( R m ) im 2 m m

( ) ( R ) / a

a =0

im

2 = E( R i ) E( R m ) m

E( R m ) + R f = E( R i ) E( R m )

11. remarquer que lon recourt galement la rgle de la chane pour driver
2 (1 a ) 2 m par rapport a. On pose (1 a) = y. La rgle de la chane devient dans

ce cas :

2 y 2 y m y a

= 2 y 2 1 . En remplaant y par sa valeur, on obtient m

finalement : 2(1 a ) 2 = 2 2 + 2a 2 . m m m

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

293

lquilibre, lesprance du rendement du titre i est gale :

E( R i ) = R f + E( R m ) R f

im
2 m

Dfinissons comme suit le bta du titre i, soit son risque systmatique :

i =

im 2 m

On obtient lexpression finale de la SML :


E( R i ) = R f + E( R m ) R f i

En situation dquilibre sur les marchs financiers, il existe par consquent une relation linaire entre le rendement espr dun titre et son risque systmatique, reprsent par son bta12. La reprsentation graphique de la SML apparat la figure 10.3. FIGURE 10.3
E(Ri)

La SML

Rf

bta de i

12. Pour un titre particulier, lcart-type de son rendement est une mesure inadquate de son risque puisque cette mesure comporte une part de risque non systmatique. Or, les marchs financiers ne rmunrent que le risque systmatique. Le bta dun titre, qui est une mesure du risque systmatique dun titre, fait donc figure de mesure plus approprie de son risque.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

294

Trait dconomtrie financire

On constate que le modle du CAPM a beaucoup emprunt la thorie de Markowitz ayant trait la diversification de portefeuille. La mesure pertinente du risque dun titre est la covariance entre son rendement et celui du portefeuille du march, tout comme chez Markowitz la mesure pertinente du risque est la covariance entre son rendement et ceux des autres titres qui constituent un portefeuille. En formulant le CAPM, Sharpe a simplifi la matrice variance-covariance des rendements des titres en reliant le rendement dun titre celui du portefeuille du march et non celui de chacun des titres du portefeuille. Mais le message est le mme. Le march ne rmunrera que le risque non diversifiable, qui est mesur par la covariance entre les rendements des titres. Le risque diversifiable est dilu dans un portefeuille bien diversifi et ne sera pas rmunr sur des marchs financiers efficients. Relation entre le bta et la variance du rendement dun titre Pour tablir la relation entre le bta dun titre et la variance de son rendement, nous recourons au modle du march, qui relie, au plan empirique, le rendement dun titre celui du portefeuille du march : R it = i + i R mt + it o Rit est le rendement du titre i au temps t ; Rmt, celui du portefeuille du march et it , le terme derreur de la rgression. Il est postul que : E( R mt , it ) = 0 , cest--dire que le rendement du portefeuille du march est indpendant de linnovation13. Lestimateur des MCO de i correspond bien la dfinition thorique du bta dun titre puisque la mthode des MCO donne au bta la valeur suivante :
Cov ( R i , R m ) i = Var ( R m )

13. Nous omettons lindice t par la suite pour allger la prsentation.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

295

Cest pourquoi on recourt gnralement au modle du march pour calculer le bta dun titre14. Calculons, partir de cette quation, la variance du rendement du titre i. Linput ce calcul est lesprance de Ri, qui est gale : E( R i ) = i + i E( R m ) La variance de Ri est donc gale : E R i E( R i )

= E i + i R m + i i i E( R m ) = E i R m E( R m ) + i = E 2E R m E ( R m ) i = 2E R m E ( R m ) i

[ (
[

+ 2 i R m E( R m ) i + 2 i

+ E 2 i

( )

puisque Rm et i sont supposs indpendants. Il suit que :


2 = 2 2 + 2 i i m
i

Cette quation indique que le risque total dun titre comprend deux composantes : le risque systmatique, qui est reli la variance du portefeuille du march et au bta du titre, et le risque non systmatique, qui est idiosyncratique au titre en question. Le risque systmatique est orthogonal au risque non systmatique. La reprsentation graphique de cette orthogonalit apparat la figure 10.4 qui nest rien dautre quune application du clbre thorme de Pythagore.

14. Attention. Le modle du march ne repose sur aucune thorie particulire. Ce nest pas proprement parler la version empirique du CAPM, mme si on recourt la plupart du temps au modle du march pour calculer le bta. Il y a en effet deux autres modles qui sont galement utiliss dans les tests du CAPM. Le premier est proprement parler la version empirique du CAPM. Nous le prsentons dans la section qui suit. Lquation empirique de ce modle est la suivante : R it = R ft + i R mt R ft + it . Le second est la ligne empirique du march (empirical market line). Son quation est la suivante : R it = 0 t + 1t it + jt . Pour plus de dtails ce sujet, on consultera : Copeland, T.E. et J.F. Weston (1988), Financial Theory and Corporate Policy, Addison-Wesley, New York, chap. 6, chap. 7 et chap. 10.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

296

Trait dconomtrie financire

FIGURE 10.4

risque syst. risque total

90 degrs: orthogonal risque non syst.

Un portefeuille efficient ne comporte pas de risque rsiduel. En vertu de la formule qui vient dtre tablie, sa variance scrit comme suit :
2 = 22 p p m

Le bta dun portefeuille efficient est donc de :

p =

p m

soit le simple ratio des cart-types respectifs des rendements du portefeuille p et du portefeuille du march. Une autre faon darriver ce rsultat est dcrire le bta en termes du coefficient de corrlation entre le rendement du portefeuille p et celui du portefeuille du march, soit pm :
p = pm p m

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

297

Comme la corrlation entre le rendement dun portefeuille efficient et celui du portefeuille du march est de 1, on retrouve le rsultat prcdent :

p = 1

p m

p m

Le modle du march donne lieu une expression relativement simple pour la covariance entre les rendements des titres i et j. Par dfinition, cette covariance est gale :

ij = E

{ [R

E(R i )

] [R

E( R j )

]}

En remplaant Ri, Rj, E(Ri) et E(Rj) par leurs valeurs respectives dans le modle du march, on obtient :

ij = E

) ] [ ( R E ( R )) + ] } R E R ( ) ] + [ R E ( R ) ] [ = E + [ R E ( R ) ] +
i m

{ [ ( R
i j

E(R m ) + i
2 m

i j

Comme E( R m , i ) = 0 , E R m , j = 0 et E i , j = 0 , on peut crire :


ij = i j E R m E( R m )

= i j 2 m

Par consquent, pour calculer la covariance entre les rendements de deux titres, il suffit de connatre les btas respectifs des deux titres et la variance du rendement du portefeuille du march. Si un portefeuille comprend N titres, on na besoin que de (N + 1) donnes pour calculer la matrice variance-covariance, en supposant quil nexiste pas de risque rsiduel15 : les N btas des N titres et la variance du rendement du portefeuille du march. Dans le cadre de la thorie de Markowitz, comme on ne relie pas le rendement dun titre celui du portefeuille

15. En effet, comme on la vu prcdemment, les variances des rendements des titres sont affects par le risque rsiduel. Mais on peut supposer que celui-ci est dilu dans un portefeuille bien diversifi.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

298

Trait dconomtrie financire

du march, il faut calculer N variances et

N2 N

covariances16 pour

2 en arriver construire la matrice variance-covariance. Dans le cadre du modle du march, la matrice variance-covariance des rendements des titres scrit donc, pour un portefeuille compos de N titres, toujours en supposant la dilution du risque rsiduel :
2 1 2 1 2 = m . N 1

1 2 2 2 . N2

... ... . ...

1 N 2 N . 2 N

Cette matrice, lvidence symtrique, est donc dun calcul fort ais. Transposition de la thorie du CAPM au calcul des prix des actions17 La thorie du CAPM est formule en termes de rendements esprs. Nous voulons maintenant la transposer la dtermination des prix dquilibre des titres. Nous nous situons dans le contexte dune priode, disons un an. Nous voulons dterminer le prix dun titre qui paiera dans un an un cash-flow-risqu, dsign par Pe. Ce dernier est donc une variable alatoire.
?

Po

Pe

16. La matrice variance-covariance est en effet symtrique. 17. Pour rdiger cette section, nous nous inspirons de : Copeland et Weston (1988), op. cit., chap. 7, p. 202-203.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

299

Pour ce faire, nous crivons la SML dans une forme o apparat le prix du risque, dsign par .

E R j = R f + E( R m ) R f

( )

Cov R j , R m Var ( R m )

) =R

+ Cov R j , R m

est le rendement excdentaire du march par unit de risque. On peut donc lassimiler au prix du risque. Par ailleurs, le rendement du titre j est gal :

Rj =

Pe P0 P0
E( Pe ) P0 P0

Lesprance du rendement du titre j est donc de : E Rj =

( )

En substituant cette valeur dans le CAPM, on obtient : E( Pe ) P0 P0 = R f + Cov R j , R m

En mettant P0 en vidence, on dcrypte lexpression du prix dquilibre du titre j dans le contexte du modle du CAPM : P0 = E( Pe ) 1 + R f + Cov R j , R m

Cette expression obit la forme gnrale de lquation du prix dun titre dans le contexte dune priode, forme gale :

Ps =

1 + E( R s )

E( CF )

o Ps est le prix dun titre ; E(CF), lesprance du cash-flow quil paiera la fin de la priode et E(Rs), le taux de rendement requis par les investisseurs pour dtenir cet actif. Dans sa forme gnrale, ce taux est gal : E(Rs) = Rf + prime de risque

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

300

Trait dconomtrie financire

Chaque modle donne une forme particulire la prime de risque. Dans le cadre du CAPM, lquation antrieure indique que cette prime est gale : Cov R j ,R m , soit le produit du prix du risque par la quantit de risque du titre j, quantit mesure par la covariance du rendement du titre j avec celui du portefeuille du march.

Il existe une autre faon de calculer le prix dquilibre dun actif risqu dans le cadre du modle du CAPM qui fait appel cette fois-ci la technique dite de lquivalent-certain. Pour y arriver, il suffit dexprimer la covariance entre les rendements du titre j et du portefeuille du march en termes du prix du titre j. On a donc :

P P0 Cov R j , R m = Cov e ,R m P0

Par dfinition, cette covariance est gale :


= E Pe P0 E ( Pe ) P0 R m E(R m ) P0 P0

Cette expression se simplifie comme suit :

Cov R j , R m = =

1 P0 1 P0

{ [P

E ( Pe ) R m E ( R m )

][

]}

Cov ( Pe , R m )

Il suffit maintenant de remplacer, dans la formule antrieure de P0, Cov(.) par cette valeur :
P0 = 1 + R f + (1 / P0 ) Cov ( Pe , R m ) E ( Pe )

En mettant P0 en vidence, on trouve finalement : P0 = E ( Pe ) Cov ( Pe , R m ) 1+ Rf

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

301

Cest l lexpression finale du prix dun titre en termes dquivalentcertain. Cest--dire quau numrateur de cette formule, on calcule lquivalent-certain de lesprance du cash-flow promis par le titre en lui soustrayant une prime de risque. Cette prime est gale au produit du prix du risque et de la quantit de risque du titre , quantit mesure par la covariance entre le cash-flow alatoire du titre et le rendement du portefeuille du march. Aprs prise en compte du risque du cashflow au numrateur, on peut alors actualiser lesprance du cash-flow ainsi corrige au taux sans risque. Au numrateur de P0, on a donc retranch une pnalit pour prendre en compte le risque que prsente le cash-flow du titre analys18.

18. Dans la pratique, il est courant de relier le prix dun titre son bta respectif laide de lquation conomtrique suivante :

P = 0 + 1 ( PAYOUT ) i + 2 ( bta ) i + 3 ( EGR ) i + i Ei


o le ratio (P/E)i reprsente le rapport cours-bnfices de laction, P tant son prix et E, le bnfice par action ; PAYOUT, le taux de paiement du dividende la fin de lanne de lmetteur de laction i ; EGR, le taux de croissance des profits au cours des cinq dernires annes de lmetteur de laction et bta, bien entendu le bta de laction en cause. En fait, cette quation est une transposition du modle de Gordon au plan empirique. Cette rgression est effectue en coupe instantane en recourant diverses actions cotes en bourse. Lorsque lon effectue cette rgression, on sattend ce que le bta ait un signe ngatif. En effet, plus le bta dun titre est lev, plus son risque est important, ce qui devrait se traduire par une baisse de son rapport cours-bnfices ou par une hausse de linverse de ce rapport qui est une mesure du rendement du titre. Plus le risque dun titre est important, plus son prix doit sajuster la baisse pour inciter un investisseur qui prouve de laversion pour le risque le dtenir. Par ailleurs, dans cette quation EGR mesure la croissance anticipe des profits dune compagnie qui est value par la croissance observe de ceux-ci au cours des cinq dernires annes. Certes, un tel indicateur des profits prvus peut se rvler inadquat. Quoi quil en soit, une hausse des profits anticips devrait videmment se traduire par une hausse du rapport cours-bnfices. Une compagnie donne, qui uvre disons dans le secteur de la biotechnologie, peut avoir un bta important mais quand mme jouir dun (P/E) lev si on anticipe une croissance marque de ses profits au cours des prochaines annes, ce qui sobserve souvent dans le secteur de la biotechnologie. Finalement, le modle de Gordon indique que la variable taux de paiement du dividende devrait exercer un impact positif sur le rapport cours-bnfices. Mais le recours cette variable dans la pratique ne va pas sans failles, puisquelle peut tre porteuse deffets de signalisation. Notons rapidement les limites dune telle rgression. Celle-ci postule dabord une relation linaire entre le rapport cours-bnfices et ses facteurs explicatifs, ce qui nest peut-tre pas le cas. Ensuite, lanalyse des rsidus peut signaler de

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

302

Trait dconomtrie financire

Comme on a pu le constater dans le chapitre 6, consacr aux mthodes numriques utilises en conomtrie, lactualisation au taux sans risque jouit dune trs grande popularit dans le domaine de lvaluation des produits drivs. Pour dterminer le prix dun produit driv, on calcule lesprance de ses cash-flows dans un univers neutre au risque. On peut alors actualiser lesdits cash-flows au taux sans risque pour en arriver la dtermination du prix dquilibre du produit driv. Nous envisageons maintenant lestimation de la SML par la mthode des MCO, en insistant sur les conditions qui doivent tre satisfaites pour que lon puisse recourir une telle mthode destimation. Lestimation de la SML par la mthode des MCO La SML est formule en termes de rendements esprs. Or, ceux-ci ne sont pas directement observables. Pour arriver exprimer la SML en termes de donnes observables, on suppose que le rendement dun titre obit un jeu non biais (fair game)19 reprsent par le processus stochastique suivant :

R it = E ( R it ) + i R mt E ( R mt ) + it
On remplace ensuite E(Rit) par son expression en termes de la SML et aprs certaines manipulations videntes, on obtient : R it R ft = i R mt R ft + it

signaler de lhtroscdasticit ou dautres problmes statistiques. Cette analyse peut entre autres indiquer certaines transformations souhaitables des variables indpendantes (variables leves au carr, transformation logarithmique et plus gnralement transformation Box-Cox) qui sont de nature mieux expliquer le rapport cours-bnfices. La prsence de multicollinarit, qui est frquente dans ce type de rgression, diminue la fiabilit des coefficients estims, pouvant mme se traduire par des signes contraires ceux qui sont anticips pour les diffrentes variables et par une forte instabilit dans lestimation des coefficients dune priode lautre. Pour plus de dtails sur ce type danalyse empirique, on consultera : Damodaran, A., (1996), Investment Valuation, John Wiley & Sons, New York, chapitre 14. 19. Pour plus de dtails ce sujet, voir : Copeland, T.E. et J.E. Weston (1988), Financial Theory and Corporate Policy, Addison Wesley, New York, p. 212 et suivantes.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

303

Aprs introduction dune constante20, la forme empirique de la SML est donc de : R it R ft = i + i R mt R ft + it Soit dfinir : rit = Rit Rft et rmt = Rmt Rft. On a donc finalement : rit = i + i rmt + it Cette rgression est donc formule en termes de rendements excdentaires, ou de primes de risque. Forts des enseignements dlivrs par les chapitres antrieurs, nous pouvons maintenant noncer les conditions qui sont requises pour que lon puisse recourir la mthode des MCO pour estimer les paramtres de cette quation : i) Les primes de risque doivent tre stationnaires. En effet, si elles ne ltaient pas, on tomberait dans le pige des rgressions fallacieuses21.

[ ]

ii) Les rsidus de cette rgression doivent tre homoscdastiques et non autocorrls. Sils ne ltaient pas, lestimateur des MCO ne serait pas efficient. De plus, ces rsidus doivent obir une distribution normale. Dans le cas contraire, les tests ne seraient valables quasymptotiquement, entre autres. De plus, en vertu du CAPM classique, la constante de la rgression ne doit pas tre significativement diffrente de 0, la relation entre les primes de risque doit tre linaire et lestim du bta ne doit pas varier dans le temps. Nous avons auparavant espos le test du CAPM tel queffectu par Berndt (1991). Selon Mills (1993)22, labsence dhtroscdasticit dans les estimations de Berndt, notamment sous sa forme conditionnelle, est plutt surprenante du fait des travaux antrieurs ce sujet.
20. Certes, la constante ne devra pas tre significativement diffrente de 0 pour que le CAPM soit valable. Cette constante est appele alpha de Jensen. Elle mesure le rendement exceptionnel sur un titre, cest--dire un rendement en sus de celui que justifie lampleur du bta de ce titre. Un tel rendement exceptionnel na pas sa place sur des marchs efficients. 21. Cette allgation doit cependant tre nuance si les primes de risque sont cointgres, comme cela devrait tre. ce sujet, voir le chapitre 9. 22. Mills, T.C. (1993), The Econometric Modelling of Financial Time Series, Cambridge University Press, Cambridge.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

304

Trait dconomtrie financire

De plus, dautres tudes ont rvl que le bta dun titre est variable dans le temps. Lanalyse du CAPM dans un contexte GARCH-M multivari apparat donc approprie. Cest cette formulation que nous considrons maintenant. Analyse du CAPM dans le contexte GARCH-M multivari23 Envisageons dabord ce que lon entend par un modle de rgression multivari. Pour y arriver, on remplace la variable dpendante yt du modle suivant :
y t = 0 +

i =1

i y t i +

i x t i + u t
i =0

par un vecteur : y t = y 1t

y 2t

...

y nt

]T

On obtient alors le modle de rgression multivari24 (dynamique) suivant :

yt = C +

i i A T y ti + B T x ti + u t i =1 i =0

Dans cette expression, C est un vecteur (n 1) de constantes ; A1, , Am sont des matrices (n n) de coefficients retards, B0, B1, ,Bm sont des matrices (k n) de coefficients et ut est le vecteur (n n) des rsidus. Sans entrer dans les dtails, disons que lestimation dun modle multivari est une simple extension du cas univari. Quentendre maintenant par un GARCH-M multivari ? Dans sa forme simple, un modle GARCH-M peut sexprimer de la faon suivante : y t = X t + h t + t
23. Cette section sinspire de Mills (1993), op. cit. 24. Un tel modle est donc multivari (plusieurs variables) du point de vue des variables dpendantes. Se pose alors le problme de la modlisation des covariances entre les rsidus de ces variables. Le modle GARCH-M se prsente comme une tentative de modliser lhtroscdasticit conditionnelle de ces rsidus.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

305

ht = 0 +

i =1

2 i t i

i h t i
i =1

o t t 1 ~ N ( 0, h t ) , Ft-1 tant lensemble dinformations disponibles jusqu t 1. Ce modle est une simple adaptation du modle ARCH-M. Dans le cadre dun modle multivari, modle qui a t prsent au dbut de cette section, chaque lment de la matrice variance-covariance conditionnelle peut sexprimer comme suit, en supposant un processus GARCH(1, 1) :
h ijt = c ij + a ij i ,t 1 j ,t 1 + b ij h ij ,t 1

ce qui complte la prsentation du modle GARCH-M multivari. Pour estimer ce modle, on suit la procdure habituelle en maximisant la fonction de vraisemblance en recourant lalgorithme BHHH. Cette digression tant faite, nous pouvons maintenant nous pencher sur la mise en forme du CAPM selon la mthode du GARCH-M multivari qui permet, entre autres, de rendre le bta variable dans le temps. Cette formulation du CAPM est surtout due Bollerslev, Engle et Woolridge (1988)25. Hall, Miles et Taylor (1989) ont galement prsent une version de ce modle26. De manire transposer le CAPM dans le cadre dun modle GARCH-M, il faut dabord lexprimer sous une forme conditionnelle. Lesprance des rendements excdentaires devient donc conditionnelle lensemble des informations disponibles au temps t 1, dsign par Ft1. Sous forme conditionnelle, lquation de la SML devient :

E R pt t 1 R f ,t 1 = pt E R mt t 1 R f ,t 1
et le bta :

[(

pt =

Cov R pt , R mt t 1 V R mt t 1

25. Bollerslev, T., R.F. Engle et J.M. Woolridge (1988), A Capital Asset Pricing Model with Time-Varying Covariances , Journal of Political Economy, 96, p. 116131. 26. Hall, S.G., D.K. Miles et M.P. Taylor (1989), Modelling Asset Prices with Time-Varying Betas , Manchester School, 57, p. 340-356.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

306

Trait dconomtrie financire

Dans ce qui suit, de manire simplifier la notation, nous omettrons lensemble dinformations t1 dans la notation des moments conditionnels : lindice t rattach ces moments en tiendra lieu. La matrice variance-covariance conditionnelle des rendements est de :

Vt R pt Ht = Cov R , R t pt mt

( )

Cov t R pt , R mt Vt ( R mt )

Comme lon suppose que cette matrice peut maintenant varier dans le temps, il en rsulte que les rendements esprs et les btas seront euxmmes variables dans le temps. Cette formulation du CAPM nest pas encore oprationnelle puisquil nexiste pas de sries sur les rendements esprs. Pour pallier ce problme, Bollerslev, Engle et Woolridge ont suppos que le prix du risque est constant. Par rapport la formulation prsente antrieurement, ce prix comporte la variance du rendement du portefeuille du march son dnominateur et non son cart-type. Le prix du risque est donc gal :

[ E (R ) R ]
t mt

Vt ( R mt )

f ,t 1

La prime de risque conditionnelle du portefeuille du march peut alors tre exprime en termes de sa variance conditionnelle : E t ( R mt ) R f ,t 1 = Vt ( R mt ) Suite cette hypothse, lquation de la SML conditionnelle devient :
E t R pt = R f ,t 1 + Cov t ( R pt , R mt )

( )

E t ( R mt ) R f ,t 1 Vt ( R mt )

= R f ,t 1 + Cov t ( R pt , R mt )

En dfinissant upt comme :


u pt = R pt E t R pt

( )

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

307

on obtient finalement :
R pt = R f ,t 1 + Cov t R pt , R mt + u pt

De la mme faon on peut crire : R mt = R f ,t 1 + Vt ( R mt ) + u mt Ces deux dernires quations servent estimer la version GARCH-M multivarie du CAPM. On constate que :
2 Vt ( R mt ) = E t u mt = h mmt

( )
(

et que :

Cov t R pt , R mt = E t u pt , u mt = h pmt
Ce modle se formule comme suit :
R pt R f ,t 1 = R mt R f ,t 1 1 0 + 2 0 0 1 h ppt 1 u pt h mmt + 0 u mt h pmt

ou sous forme matricielle compacte : yt = + dvech(Ht) + ut o :

[ vech ( H ) = [ h u = (u
t t

y t = R pt R f,t-1 , R mt R f,t-1
ppt , h mmt , h pmt pt , u mt

T 27

0 d = 0

0 1

1 0

27. Loprateur matriciel vech vectorise le triangle infrieur de la matrice variancecovariance conditionnelle.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

308

Trait dconomtrie financire

Bollerslev, Engle et Woolridge (1988) ont estim ce modle sur un chantillon amricain comprenant des bons du Trsor 6 mois, des obligations du Trsor 20 ans et des rendements dactions cotes la NYSE. Leur chantillon consistait en des donnes trimestrielles stirant de 1959 1984, le taux sans risque choisi tant celui des bons du Trsor 3 mois. Lestimation du prix du risque ( ) fut denviron 0,5. Les estims des paramtres de la variance conditionnelle furent trs significatifs pour les bons et les obligations. Pour les actions, ils ne ltaient pas individuellement mais ils taient hautement significatifs lorsque regroups. Ces estims sont utiliss pour calculer les primes de risque : + d vech(Ht) et les btas variables dans le temps implicites. Les bons et les obligations ont des primes de risque croissantes aprs octobre 1979, le bta des actions est rapproch de 1, le bta des obligations lgrement suprieur 1 et celui des bons prs de 0. Soulignons finalement que Hall, Miles et Taylor ont donn crdit la formulation du modle intertemporel du CAPM de Merton, qui donne la part belle la fonction de consommation des agents conomiques, cela dans le cadre du GARCH-M multivari28.

6. UNE

DIGRESSION : LA THORIE DE LAPT29

Nous ne saurions quitter ce chapitre sans faire tat dun modle important en finance moderne : lAPT (Arbitrage Pricing Theory). En effet, celui-ci se veut plus gnral que le CAPM qui peut donc tre vu comme un cas particulier de lAPT. La section qui suit nous permettra par consquent de mieux matriser le CAPM.

6.1. Le principe de larbitrage


Le modle de lAPT repose sur une notion bien connue en finance moderne : larbitrage. Lorsque lquilibre des marchs financiers est
28. Voir ce sujet : Merton, R.C. (1973), An Intertemporal Capital Asset Pricing Model , Econometrica, 41, p. 867-887. 29. Pour cette section, les rfrences sont les suivantes : Copeland et Weston (1988), op. cit. ; Ingersoll, J.E. (1987), Theory of Financial Decision Making, Rowman et Littlefield, Maryland, 4e dition, chap.7. ; Elton, E.J. et M.J. Gruber (1995), Modern Portfolio Theory and Investment Analysis, New York, Wiley ; Haugen, R.A. (1997), Modern Investment Theory, Prentice Hall, Englewoods Cliffs.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

309

atteint, il ne doit subsister aucune possibilit darbitrage. On dira quun arbitrage est possible quand un investisseur qui ramnage son portefeuille sans injecter dargent frais et qui nassume aucun risque additionnel peut obtenir un rendement positif additionnel. Autrement dit, il y a alors possibilit dun repas gratuit (free lunch). Lquilibre sur les marchs financiers est caractris par labsence de telles opportunits. Pour mieux comprendre le principe de larbitrage, nous envisageons le cas de trois placements, dont les cash-flows respectifs apparaissent au tableau 10.3. TABLEAU 10.3
Cash-flows au temps Placement 1 Placement 2 Placement 3 t0 1 1 1 t1 0,049 1,045 0 t2 1,05 0 1,1025

Trois placements sans risque soffrent donc. Tous les trois cotent 1 $. Le premier placement gnre un cash-flow de 0,049 $ au temps 1 et de 1,05 $ au temps 2. Le placement 2 donne pour sa part un cash-flow de 1,045 $ au temps 1 et aucun au temps 2. Finalement, le placement 3 fournit un cash-flow nul au temps 1 et un cash-flow de 1,1025 $ au temps 2. Nous nous demandons sil y a ici une possibilit darbitrage. Autrement dit, en ramnageant son portefeuille compos de ces trois placements, un investisseur peut-il dgager un profit net (free lunch) ? cet effet, imaginons que notre investisseur effectue le ramnagement de portefeuille suivant. Il diminue le montant quil a investi dans le placement 1 de 10 000 $. Selon le tableau 10.3, il se prive alors dun cash-flow de 490 $ au temps t0 et de 10 500 $ au temps t1. Pour reconstituer ces cash-flows, il investit dabord un montant de : 490 1, 045 = 468, 90$

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

310

Trait dconomtrie financire

dans le placement 1, ce qui lui permet de reconstituer le cash-flow de 490 $ au temps t1 qui a t abandonn en sabrant dans le placement 1. Et pour reconstituer le cash-flow abandonn au temps t2, il investit le montant suivant dans le placement 2 : 10500 1,1025 = 9523, 81

La facture de ce ramnagement de portefeuille se monte : 468,90 + 9523,81 = 9992,71 $ ce qui est infrieur au cash-flow libr lors du prlvement dans le placement 1, soit 10 000 $. En ramnageant son portefeuille, lindividu a encaiss un profit net de 7,29 $. Il a ainsi ralis un arbitrage ! hauteur de 1 $, le cot du placement 1 est donc trop lev. Pour calculer le prix juste de ce placement, nous devons actualiser ses cash-flows aux taux au comptant (taux spot) appropris. Chaque cashflow doit tre actualis au taux au comptant dont la dure est gale lchance de ce cash-flow. Or, les placements 2 et 3 sont assimilables des obligations coupon 030 dont les dures sont respectivement de un et de deux ans. Selon le tableau 10-3, le taux au comptant dun an est de 4,5 % et le taux au comptant de deux ans, de :
1,1025 1 = 0, 05 ou 5%

Le prix dquilibre du placement 1 est donc de : 0, 049 1, 045 + 1, 05 1,1025 = 0, 9993$

et non 1 $ comme lindique le tableau 10.3. Une autre faon de constater que le placement 1 est trop dispendieux est de calculer sa valeur future. Pour ce faire, il faut connatre le taux de rinvestissement du premier cash-flow du placement 1 qui se produit au temps t1. Selon la thorie des taux terme, le taux de rinvestissement, ou taux terme dun an dans un an, est ici gal :
30. Rappelons ici que les taux spots se calculent partir des obligations coupon 0. Pour plus de dtails ce sujet, on consultera : Racicot, F.-. et R. Thoret (2000), Trait de gestion de portefeuille, op. cit.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

311

(1 + R 2 ) 2 1 = 1,1025 1 = 5, 50% f1 = 1, 045 (1 + R 1 )


o f1 dsigne le taux terme (taux forward) dun an dans un an ; R1, le taux spot de un an et R2, le taux spot de deux ans. La valeur future du placement 1 est de : 0, 049 (1, 055) + 1, 05 = 1,1017 $ Or, le placement 3, qui est pourtant de mme cot que le placement 1, comporte une valeur future de 1,1025 $. Le placement 1 est donc survalu en regard du placement 3. Lopration darbitrage consiste alors vendre dcouvert (short) le placement 1 et acheter le placement 3, jusqu ce que lquilibre sur les marchs financiers soit restaur. Celui-ci percera jour quand le prix du placement 1 se sera abaiss 0,9993 $ la suite des ventes dcouvert dont il est victime, cela en vertu des calculs prcdents. Abordons maintenant le phnomne de larbitrage sur les marchs financiers dans une perspective beaucoup plus gnrale. Posonsnous la question suivante : comment peut-on calculer les prix dquilibre des titres en recourant au principe de larbitrage ? Quelle est la structure de prix qui doit prvaloir pour quil ny ait plus de repas gratuit ? Or, un thorme bien connu en finance avance quil nexistera plus doccasions darbitrage sil existe un vecteur de prix p tel que : Bp = a o B dsigne la matrice des cash-flows des titres et a, le vecteur de leur cot (ngatif). Forts de ce thorme, recalculons le cot du placement 1 de sorte quil ny ait plus trace darbitrage. Le systme dquations Bp = a scrit en faisant appel au tableau 10.3 : 0, 049 1, 045 0 1, 05 p1 0 = p2 1,1025 a1 1 1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

312

Trait dconomtrie financire

o a1 dsigne le cot (ngatif) du placement 1. Les quations correspondant ce systme matriciel sont : 0, 049 p1 + 1, 05p 2 = a 1 1, 045p1 = 1 1,1025p 2 = 1 Selon les deux dernires quations, p1= 0,9569 et p2, 0,9070. En substituant ces deux valeurs dans lquation du placement 1, on trouve que a1 = 0,9993 $, ce qui correspond bien au rsultat trouv auparavant. Le systme matriciel Bp = a qui doit prvaloir lorsque lquilibre sest instaur sur les marchs financiers sinterprte donc trs facilement. Il signifie tout simplement que dans un univers sans risque, le prix dun titre est la valeur actualise de ses cash-flows, les facteurs dactualisation tant calculs au moyen des taux spots correspondants. Le vecteur p est en effet un vecteur de facteurs dactualisation, ou de prix des priodes. Dans notre exemple : p1 = alors que p2 est de : 1 1, 045 = 0, 9569

p2 =

(1, 05) 2

= 0, 9070

Les facteurs dactualisation des priodes p1 et p2 sont donc calculs partir des taux spots correspondants. Le thorme prcdent indique qu lquilibre, la relation entre les cash-flows dun titre et son prix est linaire. Nous pouvons poser le problme dune autre faon. Supposons que le cot du placement 1 soit de 1 $. Quelle valeur doit alors prendre le cash-flow du placement 2 pour quil y ait absence darbitrage ? Lquation Bp = a scrit, dans ce cas : 0, 049 C 21 0 1, 05 p1 0 = p2 1,1025 1 1 1

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

313

o C21 dsigne le cash-flow recherch du placement 2. En solutionnant, on trouve que C21 = 1,0284 $, ce qui implique que le taux spot dun an doit tre de 2,84 %. Le cot du placement 1 est alors de :

0, 049 1, 0284

1, 05

(1, 05) 2

= 1$

Pour que le prix dquilibre du placement 1 soit de 1 $, il faut donc que le taux spot dun an soit de 2,84 %31 si le taux spot de deux ans stablit 5 %. Nous sommes maintenant en mesure de formuler le thorme de larbitrage de faon plus rigoureuse en nous situant dans un univers sans risque. Soit le vecteur x suivant qui renferme les coefficients de ramnagement des n titres que comprend lunivers : x = ( x 1 , x 2 , ..., x n ) Un tel ramnagement constitue un arbitrage si deux conditions sont ralises : i) ce ramnagement doit gnrer des cash-flows au moins aussi levs que le portefeuille initial : BT x 0 o B est la matrice des cash-flows des titres. ii) Le ramnagement de portefeuille doit librer des fonds32 : aTx > 0

31. Autrement dit, le premier cash-flow du placement 1 doit tre moins actualis de faon relever la valeur de ce placement. On peut galement aborder ce problme en termes de valeur future. tant donn que le taux spot de deux ans est alors beaucoup plus lev que celui dun an, on pourra rinvestir le premier cashflow du placement 1 un taux plus important que dans le tableau 10.3. Ce taux de rinvestissement est de 7,21 %, ce qui donne au placement 1 une valeur future identique celle du placement 3. Il ny a donc plus possibilit darbitrage. 32. Noublions que le vecteur a est constitu des cots des titres. Ses entres sont donc ngatives.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

314

Trait dconomtrie financire

Et en se basant sur des thormes dalgbre linaire tablis par H. Minkowski et J. Farkas, on peut noncer les propositions suivantes : i) ou bien il existe un vecteur x tel que : et que : aTx > 0 BT x 0 cest--dire quil existe possibilit darbitrage ; ii) ou bien, il existe un vecteur p de prix dquilibre qui obit au systme linaire suivant : Bp = -a et il ny a plus possibilit darbitrage. Comme nous serons mme de le constater ultrieurement, cette condition savre trs importante dans la formulation de lquation de base de lAPT : Arbitrage Pricing Theory.

6.2. LAPT : aperu gnral


LAPT peut tre prsente comme une thorie concurrente au CAPM, qui vise comme elle dterminer les rendements dquilibre des titres. Mais contrairement au CAPM, lAPT ne se situe pas dans le cadre de lanalyse moyenne-variance mis de lavant par Markowitz au dbut des annes 1950. Elle ne suppose donc pas que la distribution des rendements est normale. Elle ne donne pas non plus un rle particulier au portefeuille du march comme cest le cas pour le CAPM o le portefeuille du march, pice matresse de la CML, doit tre efficient. LAPT se veut beaucoup plus gnrale que le CAPM. Elle repose sur le principe de larbitrage tel quil vient dtre nonc. Lorsque lquilibre des marchs financiers est atteint, il doit en effet y avoir absence darbitrage. Le modle de lAPT essaie de dgager lincidence de cet impratif sur les rendements dquilibre des titres. Cependant, comme nous le verrons, en se voulant plus gnral que CAPM, il en arrive galement des conclusions moins spcifiques. Cest pourquoi ce modle na pas russi dtrner le CAPM, qui jouit encore dune grande popularit aprs plus de quarante ans dexistence.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

315

6.3. Drivation du modle de lAPT


La notion de matrice orthogonale La drivation de lAPT fait appel la notion de matrice orthogonale. Rappelons-la. La matrice carre A est orthogonale si
A T A = AA T = I Si la matrice A est orthogonale, on peut donc crire : A 1 = A T Cette galit matricielle implique que les vecteurs qui forment les lignes (ou les colonnes) dune matrice orthogonale constituent un ensemble orthonormal. Dsignons la ie ligne (ou colonne) de A par ai. Un ensemble orthonormal se dfinit comme suit :

a T a j = 1 si i = j i a T a j = 0 si i j i

Dans une matrice orthogonale, chaque vecteur est donc normalis pour avoir une longueur unitaire et est orthogonal tout autre vecteur. Les quations de lAPT Le modle de lAPT fut propos par Ross33 en 1976. On se souvient que dans le modle classique du CAPM, lesprance du taux de rendement dun titre ne dpend que dune seule variable : la prime de risque du portefeuille du march, soit [E(Rm) Rf]. Le modle de lAPT se veut beaucoup plus gnral. lintrieur de celui-ci, le rendement du titre i est une fonction linaire de k facteurs. Lquation du rendement du titre i (Ri) est la suivante : R i = E ( R i ) + b i1 F1 + ... + b ik Fk + i

33. Ross, S.A. (1976), The Arbitrage Theory of Capital Asset Pricing , Journal of Economic Theory, dcembre, p. 343-362.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

316

Trait dconomtrie financire

o Fj sont les divers facteurs et bij, les btas respectifs de ces facteurs. i, linnovation, reprsente le risque non systmatique du titre i. Les prvisions du march sont emmagasines dans E(Ri). Les facteurs reprsentent des variables non anticipes pertinentes pour prdire Ri. Par exemple, linflation non anticipe peut tre lun de ces facteurs ou encore la croissance non anticipe du Pib. Reste dterminer lquation de E(Ri). Pour y arriver, il faut se rappeler que lAPT repose sur le principe de larbitrage. Ce principe snonce comme suit. lquilibre, les ramnagements de portefeuilles qui ne requirent aucune injection dargent frais et qui, de plus, ne comportent aucun risque doivent dgager un rendement nul. Nous nous attaquons maintenant la construction de portefeuilles darbitrage34 en mettant en application ce principe. i) Un portefeuille darbitrage ne doit comporter aucune injection dargent frais. Soit x le vecteur des coefficients de ramnagement dun portefeuille compos de n titres. Cette condition scrit comme suit :

xi = 0
i =1

Transposons-la en termes matriciels :

[ x1

x2

...

xn

1 1 =0 ... 1

soit : xT1= 0

34. Attention ! Un portefeuille darbitrage dsigne ici un portefeuille pour lequel il y a absence darbitrage.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

317

ce qui signifie que le vecteur x doit tre orthogonal au vecteur unitaire 1 lquilibre. ii) Un portefeuille darbitrage doit tre sans risque. Les xi doivent tre choisis de faon telle que pour tout facteur (ici k), la somme des bik soit nulle.

x i b ik = 0
i =1

Les bik sont les btas du facteur k pour chaque titre i. Cette quation signifie que la somme de ces btas pour le facteur k, pondrs par les facteurs de ramnagement de portefeuille, doit tre nulle lquilibre. Autrement dit, le ramnagement naccrot pas le risque reli au facteur k travers lensemble du portefeuille. Le vecteur des btas des n titres associ au facteur k scrit comme suit :
b1 k b 2k ... b nk

La deuxime condition de labsence darbitrage est donc la suivante :

[ x1

x2

...

xn

b1 k b 2k =0 ... b nk

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

318

Trait dconomtrie financire

soit, pour lensemble des facteurs : xTB = 0 o en supposant k facteurs, B est gal :
b11 b 21 . B= . . b n1 b12 b 22 . . . . . bn2 . . . . . . . b1 k b 2k . . . b nk

lquilibre, le vecteur x doit donc tre galement orthogonal la matrice B qui renferme les btas des n titres pour les k facteurs. iii) Le taux de rendement dun portefeuille darbitrage doit tre nul. Cette condition scrit :
Rp =

x i E( R i ) = 0
i

soit, en termes matriciels :

R = x T E( R ) = 0
lquilibre, le vecteur x doit finalement tre orthogonal au vecteur E(R). Les trois quations que nous venons dcrire caractrisent les portefeuilles darbitrage. Elles sont :

xT1 = 0 x T E( R ) = 0 xTB = 0

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

319

Le vecteur x est donc orthogonal trois vecteurs ou matrice lquilibre : le vecteur unitaire, la matrice B et le vecteur E(R). La consquence algbrique est que le rendement espr du titre i est une combinaison linaire du vecteur vecteur unitaire et du vecteur de ses btas factoriels, cest- dire : E ( R i ) = 0 + 1 b i1 + ... + k b ik Cest l le rsultat principal de la thorie de lAPT. Pour mieux comprendre ce rsultat algbrique, situons-nous dans un monde de trois titres. Supposons galement quun seul facteur explique le rendement de ces trois titres. Les trois conditions de labsence darbitrage ou de lquilibre scrivent alors, en termes matriciels : 1 b1 E( R ) 1 1 b2 E( R 2 ) x1 b3 x 2 = E( R 3 ) x 3 1 0 0 0

Nous sommes ici en prsence dun systme dquations linaires homognes35 du type Ax = 0. Pour que ce systme admette une solution non triviale, il faut que la matrice A soit singulire, ce qui revient dire dans notre exemple que son rang doit tre infrieur 3. La consquence algbrique est que la troisime ligne de cette matrice est une

35. La solution dun tel systme dquations est relie au rang de la matrice A. Une matrice est dordre r si et seulement si lun de ses dterminants dordre r nest pas nul et que tout dterminant dordre suprieur r est nul. Supposons que A soit une matrice carre de dimension (n n). Si le rang de cette matrice est de n, cest--dire que cette matrice admet un inverse, alors le systme dquations homognes admet une seule solution dite triviale : le vecteur x est alors gal au vecteur nul. Si le rang de la matrice A savre infrieur n, le nombre dinconnues est alors suprieur au nombre dquations et le systme admet alors plusieurs solutions non triviales. Dans le cas spcial o le rang de A est gal (n 1), la solution est unique un vecteur de proportionnalit prs. Lespace vectoriel qui renferme lensemble des solutions dun systme dquations homognes est appel : le kernel de A. Pour plus de dtails sur la solution dun systme dquations linaires homognes, on consultera par exemple : Judge, G.G. et al. (1988), Introduction to the Theory and Practice of Econometrics, 2e dition, John Wiley and Sons, New York.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

320

Trait dconomtrie financire

combinaison linaire des deux premires, celles-ci ne pouvant en effet tre colinaires. Il en rsulte que : E( R1 ) E( R 2 ) = E( R ) 3 b1 1 1 0 + b 2 1 b 1 3

lquilibre, lesprance du rendement dun titre est donc une fonction linaire de son bta respectif. Si lon retient la prime de risque du march pour expliquer lesprance du rendement dun titre, on renoue alors avec le CAPM : 0 est alors le taux sans risque et 1, la prime de risque du march. Cest dans ce sens que le CAPM est un cas particulier de lAPT lorsquil nexiste quun seul facteur explicatif du rendement dun titre : celui du portefeuille du march. Sil existe k facteurs explicatifs, la mme mthodologie sapplique pour trouver lesprance du rendement du titre i. E ( R i ) = 0 + 1 b i1 + ... + k b ik Le coefficient 0 est assimilable au taux sans risque. En effet, si le titre i ne comporte aucun risque, tous ses bij sont nuls. Lesprance du rendement du titre i se rduit alors : E(R i ) = 0 ce qui ne peut tre que le taux sans risque. Les autres j de lquation peuvent tre interprts en termes de rendement excdentaire, cest--dire en termes de rendement requis au-del du taux sans risque pour supporter une unit du risque associ au facteur j. Par exemple, 1 est le rendement excdentaire requis pour supporter une unit supplmentaire du risque associ au facteur 1. Il peut donc tre assimil au prix du risque36 du facteur 1. On peut dsigner ce rendement excdentaire par lexpression suivante : 1 = 1 R f
36. On insiste ici sur la correspondance entre rendement excdentaire par unit de risque et prix du risque, cela pour chaque catgorie de risque.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

321

o j est le rendement dun portefeuille qui comprend une unit du risque associ au facteur 1 et une quantit nulle de tout autre facteur. Et ainsi de suite pour les autres j. Lquation de lesprance du rendement du titre i peut donc tre rcrite comme suit : E ( R i ) R f = ( 1 R f ) b i1 + ( 2 R f ) b i 2 + ... + ( k R f ) b ik En rsum, le modle de lAPT renferme deux catgories dquations37 : i) Lquation du rendement du titre i : R i = E ( R i ) + b i1 F1 + ... + b ik Fk + i ii) Lquation de lesprance du rendement du titre i : E ( R i ) R f = ( 1 R f ) b i1 + ( 2 R f ) b i 2 + ... + ( k R f ) b ik Il est noter que cette dernire quation peut tre interprte comme une rgression linaire si lon formule les hypothses suivantes :1) la distribution des rendements est normale ; 2) les facteurs ont t transforms linairement de telle sorte que les vecteurs transforms soient orthonormaux. Les bik sont alors gaux :

b ik =
o
k

COV ( R i , k ) VAR ( k )

est la transformation linaire du ke facteur.

Remarquons finalement que le modle de lAPT est plus robuste que le CAPM : 1) il nmet pas dhypothses quant la distribution des rendements des titres. Le CAPM suppose pour sa part que cette distribution est normale ; 2) lAPT ne formule pas dhypothses fortes quant aux fonctions dutilit des individus38 ; 3) les taux de rendement
37. Les quations correspondantes pour le CAPM sont les suivantes. Lquation du rendement du titre i scrit, dans ce modle : R i R f = i ( R m R f ) + i . Alors que lquation de lesprance du rendement du titre i est de : E(R i ) = R f + i E(R m ) R f .

38. En effet, pour que le CAPM soit valable en labsence de lhypothse de la distribution normale des rendements, il faut que la fonction dutilit dun individu soit quadratique de faon rcuprer lanalyse moyenne-variance.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

322

Trait dconomtrie financire

dquilibre peuvent dpendre de plusieurs facteurs dans lAPT, et non dun seul comme cest le cas dans le cadre du CAPM classique ; 4) lAPT naccorde aucun rle particulier au portefeuille du march alors quil tient le haut du pav dans le modle du CAPM. De plus, le portefeuille du march doit tre efficient dans le modle du CAPM, sinon ce dernier modle nest pas valable. En se voulant plus gnral, le modle de lAPT aboutit toutefois des conclusions moins spcifiques que le CAPM. LAPT reste en effet muet sur lidentit des facteurs. Cest l son talon dAchille. Le CAPM identifie pour sa part un unique facteur pour expliquer le rendement dun titre : la prime de risque du march. Cest pourquoi le CAPM jouit encore dune grande popularit mme si lAPT voulait au dpart dominer le CAPM.

6.4. Tests de lAPT


La procdure habituelle pour tester le modle de lAPT est la suivante : 1) colliger des sries statistiques sur les rendements dun groupe dactions ; 2) recourir lanalyse factorielle pour dterminer simultanment le nombre de facteurs et leurs btas pour chaque titre, cest-dire estimer les paramtres et dterminer les facteurs de la premire quation de lAPT : R i = E ( R i ) + b i1 F1 + ... + b ik Fk + i 3) utiliser les btas ainsi calculs pour dterminer les primes de risque ou les de chacun des facteurs. On recourt la rgression pour estimer ces primes de risque (rendements excdentaires) ou prix des diverses catgories de risque. Cest--dire que lon estime les j dans la seconde quation de lAPT : E ( R i ) = 0 + 1 b i1 + ... + k b ik Cest l une rgression en coupe instantane o les E(Ri) sont approxims par une moyenne de rendements calcule sur la priode de temps choisie et o les bij proviennent de la premire tape du test. On rgresse donc les rendements moyens sur les btas pour obtenir les lambdas.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Lhtroscdasticit conditionnelle (ARCH)

323

Comme cela fut mentionn auparavant, le modle de lAPT ne spcifie pas la nature des facteurs : cela relve des tests empiriques. Les premires vrifications de lAPT ont dmontr que le march ne rmunrait quun nombre limit de facteurs, trois ou quatre, sans plus. LAPT ne spcifie pas la nature des facteurs. Le test empirique de lAPT qui a retenu le plus dattention est celui effectu par Chen, Roll et Ross39 en 1983. Leur tude permet didentifier quatre variables macroconomiques comme candidates au titre de facteurs : 1) la production industrielle ; 2) le changement dans une prime de risque de dfaut, mesure par la diffrence40 entre les rendements des obligations de cote AAA et celles de cote Baa ; 3) la diffrence41 entre les rendements lchance des obligations gouvernementales long et court termes ; 4) linflation non anticipe. premire vue, le choix de telles variables surprend, cest le moins quon puisse dire. Mais il se justifie par le concept mme du prix dun titre, qui peut tre dfini comme la valeur escompte de ses cash-flows anticips. La production industrielle est relie aux cash-flows. Les autres variables retenues par Chen, Roll et Ross ont trait au taux descompte utilis pour escompter les cash-flows dudit titre. Une telle analyse se rvle utile sur le plan empirique. Comme les facteurs sont orthogonaux42, du moins lanalyse factorielle les a rduits cette condition, il est en principe possible de choisir un portefeuille qui est protg contre linflation sans que son exposition aux autres facteurs ne soit modifie. On peut donc couvrir (hedge) les facteurs !

39. Chen, N.F. et al. (1983), Economic Forces and the Stock Market : Testing the APT and Alternative Asset Pricing Theories , document de travail, UCLA, dcembre. 40. Cet cart reprsentant le risque de crdit dune entreprise. 41. Cet cart tenant lieu de la structure terme des taux dintrt. 42. Cest--dire quil y a absence de corrlation entre les facteurs.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

325

CHAPITRE

11
LA MTHODE DES MOMENTS GNRALISS

Ce chapitre prsente une classe destimateurs aux proprits asymptotiques regroups sous le vocable : mthodes des moments gnraliss, que nous dsignerons par lacronyme anglais GMM (Generalized Method of Moments). Cette mthode prsente plusieurs avantages : i) la mthode du GMM fait la synthse de plusieurs estimateurs bien connus, comme lestimateur des MCO, lestimateur des variables instrumentales, lestimateur des doubles moindres carrs et lestimateur des doubles moindres carrs non linaires. De plus, il nous fournit un cadre danalyse gnral pour la comparaison de ces divers estimateurs et leur valuation ; ii) lestimateur du GMM nous procure une solution de rechange simple dautres estimateurs, spcialement dans les cas o il est ardu dcrire la fonction de vraisemblance dans le but de calculer lestimateur du maximum de vraisemblance. Il faut toutefois souligner que lestimateur du GMM vaut pour les grands chantillons. Cest--dire que les proprits dsirables de cet estimateur ne seront obtenues que dans les grands chantillons. Ainsi, lestimateur du GMM est asymptotiquement efficient mais il nest que rarement efficace.

1. INTRODUCTION

LA MTHODE DES MOMENTS

Selon Hamilton (1994)1, une description gnrale de la mthode classique des moments peut snoncer comme suit : soit un vecteur (a 1)
1. Hamilton, J.D. (1994), Time Series Analysis, Princeton University Press, Princeton.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

326

Trait dconomtrie financire

de paramtres inconnus qui caractrise la fonction de densit dune variable observe yt . Supposons que lon puisse exprimer les a moments de la population comme des fonction de q, telles que :

E y it = i ( ) pour i = i1 , i 2 , ..., i a .

( )

La mthode classique des moments estime comme la valeur T pour laquelle ces moments de la population sont gaux aux moments chantillonnaux observs. Cest--dire que T est la valeur pour laquelle les quations suivantes sont ralises :
1 T i i T = y t pour i = i1 , i 2 ,..., i a T t =1

( )

Illustrons la mthode des moments partir dun exemple simple, tir de Judge et al. (1988).2 Soit Y1, , YT, un chantillon alatoire dune population N( , 2). On sait que :
2 E Y = 1

[ ]

et que : 2 = E Y 2 E Y

[ ] (
T

[ ])

2 = 2 1

o i dsigne le ie moment par rapport lorigine. En galant les moments de la population aux moments chantillonnaux, ce qui est le principe mme de la mthode des moments, on obtient :

1 =
et

Yi
i =1

T
T

=Y =

2 =

Yi2
i =1

= 2 + 2

2. Judge, G.G., R.C. Hill, W.E. Griffiths, H. Ltkepohl et T.-C. Lee (1988), Introduction to the Theory and Practice of Econometrics, 2e dition, John Wiley and Sons, New York, p. 61-62.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

327

Par consquent, 2 =

Y
i =1

2 i

1 Y2 = T

(Y
T i =1

La mthode des moments nous a donc permis destimer les deux premiers moments de notre population3. Le cas prcdent est le plus simple, dsign en anglais par location model. Mais il se peut que, pour estimer un paramtre, il faille recourir plusieurs moments. Il faut alors pondrer ces moments dune faon ou dune autre pour estimer lesdits paramtres. Soit g le vecteur des moments. Pour estimer les paramtres dun modle, il faudra alors minimiser une fonction critre reprsente par la forme quadratique suivante (Q) :

Q = g T Wg
o W est la matrice de pondration de ces moments. Tout repose alors sur la slection de la matrice W. Hamilton (1994) relate lhistorique de lvolution de cette matrice qui devait aboutir la mthode du GMM. Un estimateur bas sur la minimisation dune expression de type Q fut appel minimum chi-square par Cramer en 1946. Ferguson en 1958 et Rothenberg en 1973 ont retenu la mme appellation alors que Malinvaud en 1970 le nommera : estimateur de distance minimale. Mais il faudra attendre Hansen en 1982 pour avoir la forme la plus sophistique et la plus rigoureuse de cette approche, soit la mthode des moments gnraliss, dont lacronyme est le GMM4. Selon

3. remarquer cependant que lestimateur de la variance est biais. Lestimateur

non biais est de : 2 =

( Yi Y )
i =1

T 1

4. Larticle de base en ce qui concerne lapproche du GMM est : Hansen, L. (1982), Large Sample Properties of Generalized Method of Moments Estimator , Econometrica, 50, p. 1029-1054. Pour une prsentation simplifie, voir : Hall, A. (1992), Some Aspects of Generalized Method of Moments Estimation , document de travail, North Carolina State University ; Ogaki, M. (1992), Generalized Method of Moments : Econometric Applications , document de travail, University of Rochester.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

328

Trait dconomtrie financire

Davidson et McKinnon (1993)5, lide essentielle qui sous-tend la mthode du GMM est que des conditions de moments peuvent tre utilises non seulement pour spcifier un modle mais galement pour dfinir les paramtres de celui-ci. La meilleure faon de comprendre cette mthode est de la positionner par rapport aux mthodes destimation classiques, sujets qui font lobjet des prochaines sections.

2. LA

MTHODE DES MOMENTS ET LES

MCO

La mthode du GMM tire son intrt du fait que plusieurs problmes destimation sont une simple fonction des moments. Pour fixer les ides, considrons le modle de rgression linaire suivant :

y = X + e
o y est un vecteur de dimension (n 1), X est une matrice de dimension (n k), est le vecteur des paramtres estimer de dimension (k 1) et e, le vecteur des rsidus, de dimension (n 1). e ~ Q(0, 2), Q tant une distribution quelconque. Supposons galement que X soit orthogonale e, cest--dire :

E XTe = 0
Nous voulons ici estimer le vecteur . Nous savons quau niveau de la population :
E X T ( y X ) = 0

puisque e = y X . La mthode transpose cette dernire quation au niveau chantillonnal. Pour ce faire, on remplace loprateur E par son quivalent chantillonnal, soit la moyenne. On a donc :

1 n

X T ( y X ) = 0

Comme nous savons que b ralise lorthogonalit entre la matrice dobservations X et le vecteur des rsidus e, il est donc loisible de

5. Davidson, R. et J.G. Mackinnon (1993), Estimation and Inference in Econometrics, Oxford University Press, New York.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

329

transposer ce rsultat au niveau chantillonnal. , soit lestimateur de , devra donc raliser lgalit suivante :
1 n X T y X = 0

On peut donc solutionner cette quation de moments pour :


mom = X T X

XT y

soit lestimateur des MCO ! On retrouve donc lestimateur des MCO non pas en mimimisant la somme des rsidus mais bien en recourant lquation implicite des moments.

3. LA

MTHODE DES MOMENTS ET LESTIMATEUR DES VARIABLES INSTRUMENTALES

Supposons que :

E XTe 0
Nous devons alors recourir des variables instrumentales pour renouer avec les conditions dorthogonalit entre ces variables et les rsidus :
E XTe = 0

(
(

)
)

On transpose facilement la section prcdente au problme qui nous intresse, soit dterminer un estimateur convergent de . Lorthogonalit entre les variables instrumentales et les rsidus au niveau chantillonnal scrit donc comme suit :
1 n Z T y X = 0

La solution :
= ZTX

ZT y

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

330

Trait dconomtrie financire

nest envisageable que lorsquil est possible dinverser la matrice ZTX. Cette condition est valable si le systme dquations est exactement identifi, cest--dire que les variables instrumentales permettent didentifier exactement le vecteur des paramtres. Lestimateur qui rsulte de la condition des moments est appel estimateur des moindres carrs indirects. Dans la pratique, le nombre dinstruments excde habituellement le nombre de paramtres estimer. On est alors confront un systme suridentifi et la matrice ZTX, qui nest plus alors une matrice carre, ne peut donc plus tre inverse. On pourrait la limite se dlester dinstruments de telle sorte que le systme dquations soit exactement identifi, mais on ferait alors abstraction dinformations pertinentes pour lestimation. Par simple analogie avec les MCO, on pourrait estimer le vecteur en minimisant la forme quadratique suivante, qui reprsente, grosso modo, la somme des rsidus au carr :

[ ( n
1

Z T y X

)] I[ Z ( y X )]
T T

On remarquera que lon pondre ici les moments dgale faon. Lestimateur qui en rsulte savre convergent, mais comme le systme de pondration des moments nest pas optimal, lestimateur obtenu ne fait pas figure de meilleur de sa classe. Hansen (1982)6 a driv lestimateur optimal dans sa classe pour le problme prcdent. Il suffit de minimiser le systme suivant. Lestimateur qui en rsulte est appel GMM :

1 Min Z T y X n

[ (

)]

1 V 1 Z T y X n

[ (

)]

6. Hansen, L. (1982), Large Sample Properties of Generalized Method of Moments Estimator , Econometrica, 50, p. 1029-1054. Pour une prsentation simplifie, voir : Hall, A. (1992), Some Aspects of Generalized Method of Moments Estimation , document de travail, North Carolina State University ; Ogaki, M. (1992), Generalized Method of Moments : Econometric Applications , document de travail, University of Rochester. Ce chapitre est bas sur le cahier de recherche suivant : Racicot, F-E. et R. Thoret (2001), La mthode conomtrique du GMM et lestimation des paramtres de modles financiers stochastiques. Analyse dun cas : le modle de taux dintrt de Schaefer et Schwartz , document de travail du CRG, cole des sciences de la gestion.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

331

1 o V 1 est un estimateur convergent de V Z T e . Selon n cette formulation, une restriction estime de faon moins prcise7 se verra attribuer une pondration plus faible, par lintermdiaire de la matrice V 1 , quune restriction qui est estime avec plus de prcision8.

Dans le cas o les erreurs sont homoscdastiques et indpendantes, lestimateur qui dcoule de la minimisation du critre associ au GMM se confond avec lestimateur des doubles moindres carrs (2SLS) :

1 T Z y X n
T

[ (
(

1 )] V n [ Z ( y X )] = ( X Z ) V ( Z y Z X ) = 0
T 1 T 1 T T

De cette quation, il rsulte que est gal :

= X T ZV 1Z T X

) (X Z)V
1 T

ZT y

Il reste spcifier la valeur de V 1 . Sous les hypothses actuelles dhomoscdasticit et du caractre IID de linnovation, la mthode 1 des moments suggre que : V 1 = 2 / n 2 Z T Z . La forme finale de est de :

((

= XTZ ZTZ

Z T X

T T X Z Z Z

ZT y

Ce qui est bien lestimateur des doubles moindres carrs. Ouvrons ici une parenthse les doubles moindres carrs non linaires. Comme cela fut mentionn auparavant, y a alors la forme :

y = f ( X, ) +

7. Cest--dire qui comporte une variance plus leve. 8. Cest--dire qui comporte une variance plus faible.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

332

Trait dconomtrie financire

Pour obtenir les doubles moindres carrs non linaires selon la mthode des GMM, il suffit de remplacer dans la fonction prcdente Min (.) lexpression Z T y X par Z T y f X , .

[ (

)]

( ( ))

4. GMM

ET CONDITIONS DORTHOGONALIT

De faon gnrale, la mthode du GMM est base sur des conditions dorthogonalit de la population :

E g ( y , X , 0 ) = 0
o g(.) est une fonction continue de (y, X) et de paramtres qui sont uniques et qui font que lesprance gale zro. Prcisons les proprits de lestimateur des GMM en les reliant aux conditions dorthogonalit. Lestimateur des GMM rsulte du problme de minimisation suivant : Min m y , X , o m ( y , X , ) = 1 / n
n

Wn m y , X ,

g ( y i , X i , ) et o Wn peut tre estime par la


i =1

matrice de White (1980), dite encore HCCM, ceci pour avoir le meilleur estimateur convergent de cette matrice. On trouve en solutionnant la condition suivante de premier ordre : m (.) Wn m (.) = 0 T o lon symbolise la matrice des drives premires par G =

La distribution de rsulte dune approximation de Taylor de autour de 0. Dans son article, Hansen (1982) a dmontr que : g( )
a ~ N 0 , G T WG

G T W WG G T WG

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

333

= E g ( y , X , 0 ) g ( y , X , 0 ) qui est tout simplement la variance de la condition des moments. Hansen (1982) a dmontr quun choix optimal de W est simplement un estim htroscdastique et convergent de :
T

T E g ( y , X , 0 ) g ( y , X , 0 ) = 1 Si lon dispose dun estim convergent de , alors un estim de 1 peut tre obtenu. La distribution asymptotique de se rduit alors :

a ~ N 0 , G T

Quelle que soit la matrice de pondration W, lestimateur du GMM est toujours convergent et non biais asymptotiquement et lorsque lon recourt au W optimal, lestimateur du GMM est alors asymptotiquement efficient dans la classe des estimateurs dfinis par les conditions dorthogonalit. Finalement, la matrice de White (1980), dite encore HCCM, semble tre le meilleur candidat pour cette matrice de pondration.

5. MAXIMUM

DE VRAISEMBLANCE ET

GMM

La mthode du maximum de vraisemblance sintgre facilement dans lunivers du GMM. Pour estimer les paramtres selon cette mthode, il suffit de raliser la condition suivante : ln L( , X ) =0

cest--dire quau maximum de vraisemblance, le score est nul. Dans le langage du GMM, cette condition scrit comme suit :
m ( y , X, ) ln L =0

ce qui est simplement une condition de moments.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

334

Trait dconomtrie financire

Prcisons davantage. Dans le cas le plus simple, la mthode du GMM est :


T Min m ( y , X , ) H 1 m ( y , X , )

o H est la matrice des poids, soit la variance des conditions des moments. En termes de la mthode du maximum de vraisemblance, cette matrice scrit :
2 ln L H = E T

soit la matrice dinformation. Lopration Min scrit dans ce cas : 2 ln L


T

H 1

ln L

=0

soit lquation qui dfinit lestimateur du maximum de vraisemblance. Par consquent, lestimateur du maximum de vraisemblance peut tre vu comme un estimateur GMM. Certains chercheurs prfrent recourir au GMM plutt qu la mthode du maximum de vraisemblance. Voici leurs motifs : 1) lestimateur du maximum de vraisemblance est parfois difficile calculer. Il existe alors un GMM qui est asymptotiquement moins efficace que lestimateur du maximum de vraisemblance, mais qui est toutefois convergent et plus facile calculer ; 2) quelquefois, lon ne dispose pas assez dinformation sur la distribution empirique des donnes pour spcifier compltement la fonction de vraisemblance. Par contre, on dispose habituellement dune quantit suffisante dinformation pour spcifier les conditions des moments et recourir ainsi lestimateur GMM. Lestimateur du GMM sintgre donc dans la classe des estimateurs semi-paramtriques.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

335

6. APPLICATIONS
Dans cette section, nous visons montrer comment les paramtres dune quation diffrentielle stochastique peuvent tre estims en recourant la mthode du GMM. En effet, lvaluation de ces paramtres savre de toute premire importance pour estimer les prix des options. Les paramtres que nous voulons estimer dans cette section sont ceux du modle stochastique bifactoriel de taux dintrt de Schaefer et Schwartz (1984)9. Mais avant de prsenter ce modle, nous rappelons les formes gnrales des mouvements browniens en temps continu, puis en temps discret. Nous verrons alors comment la discrtisation dune quation diffrentielle stochastique peut aboutir un processus autorgressif. Nous serons alors mme de nous attaquer lestimation des paramtres du modle de Schaefer et Schwartz par la mthode du GMM. Le recours la mthode du GMM marque une avance importante pour lestimation des paramtres dune quation diffrentielle stochastique dans le domaine de la finance empirique, notamment dans le champ de la thorie des options et de la finance corporative. En effet, bien souvent par le pass, on estimait ces paramtres en les galisant directement leur moment empirique correspondant. Ainsi, on estimait le drift dun processus stochastique par la moyenne de la variable analyse et sa volatilit par son cart-type historique. Cette procdure napparat pas des plus satisfaisantes, il sen faut de beaucoup, quand on sait que la mthode du GMM permet destimer ces paramtres de faon robuste. La thorie des options est base sur la rsolution analytique ou numrique dquations diffrentielles stochastiques10. Lune des formes les plus simples de cette catgorie dquations est mouvement brownien avec drift. Lquation diffrentielle de ce mouvement est la suivante :
dx = a ( x , t ) dt + b ( x , t ) dz

9. Schaefer, S.M. et Schwartz, E.S. (1984), A Two Factor Model of the Term Structure : An Approximate Analytical Solution , Journal of Financial and Quantitative Analysis, 19, p. 413-424. 10. Pour plus dtails ce sujet, on consultera : Dixit, A.K. et R.S. Pindyck (1994), Investment under Uncertainty, Princeton University Press, Princeton, chap. 3 et 4.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

336

Trait dconomtrie financire

o a(.) dsigne le drift et o dz suit un processus de Wiener, cest-dire : dz = dt , e ~ N(0, 1)11. Le processus stochastique x(t), dfini par lquation prcdente, est appel processus dIto. Considrons lesprance et la variance de dx. Lesprance de dx est gale : E ( dx ) = a ( x , t )dt puisque E(dz) = 0. La variance de dx est gale : V ( dx ) = E ( dx ) ( E ( dx )) 2
2

Cette variance contient des termes en dt, en (dt)2 et en (dt)(dz), ce produit tant de lordre (dt)3/2. Comme dt est infinitsimalement petit, les termes en (dt)2 et en (dt)3/2 peuvent tre ignors. La variance de dx est donc de :

V ( dx ) = b 2 ( x , t )dt
On appelle a(x, t) le drift instantan du processus dIto et b2(x, t), la variance instantane. Un cas spcial du processus dIto est le mouvement brownien gomtrique qui scrit comme suit :
dx = x dt + x dz

Nous nous intressons maintenant la relation entre x et son logarithme. Soit : F(x) = log(x). En appliquant le lemme dIto tudi auparavant, lquation diffrentielle de F est la suivante :

1 dF = 2 dt + dz 2

11. Lesprance mathmatique dun processus de Wiener est donc de : E(dz) = 0, et sa variance : V(dz) = E[(dz)2] = dt. Par consquent, lcart-type de dz est de dt , ce qui revient dire que lincertitude augmente avec la racine carre du temps.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

337

En appliquant les rgles antrieures, on calcule que le changement dans le logarithme de x est distribu normalement avec une esprance

1 2 t et une variance 2 x(t) est gale :

2t.

On peut montrer que lesprance de

E x ( t ) = x 0 e t

et sa variance :
2 2 V x ( t ) = x 0 e 2t e t 1

Ces rsultats sont dune grande utilit pour calculer lesprance dun mouvement gomtrique brownien : r t E x ( t ) e rt dt = x 0 e ( ) dt = x 0 ( r ) 0 0

Les mouvements browniens gomtriques on une grande utilit dans la modlisation des variables financires comme les prix des titres et les taux dintrt. Nous sommes maintenant en mesure daborder les processus browniens de retour vers la moyenne, dits encore processus OrnsteinUhlenbeck. Ces processus sont trs plausibles pour modliser certaines variables financires qui ont tendance retourner long terme vers un niveau dit normal, tels les taux dintrt. Lquation diffrentielle gnrale de tels processus est la suivante : dx = ( x x )dt + dz o q : vitesse de retour la moyenne x : niveau normal de x (niveau auquel il retourne long terme) Calculons lesprance mathmatique et la variance dun processus de retour vers la moyenne. Lesprance de xt est gale :

E ( x t ) = x + ( x 0 x )e t

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

338

Trait dconomtrie financire

Et sa variance : V(x t x) = 2

(1 e ) 2
2t

On se rend compte que la valeur espre de xt tend vers x quand 2 . Si , alors t et que sa variance converge vers 2 V ( x t ) 0 , cest--dire que xt ne dvie jamais de x, mme temporai2 rement. Par ailleurs, si 0 , alors V ( x t ) t . xt suit dans ce cas un mouvement brownien simple la limite. Broze et al. (1993)12 ont crit une forme gnrale pour les processus browniens de taux dintrt qui synthtise lensemble des modles bien connus. Cette forme est la suivante :
drt = ( + rt )dt + 0 rt + 1 dW t

Le tableau 11.1, tir de Broze et al. (1993), montre comment cette forme gnrale intgre les modles stochastiques de taux dintrt bien connus. Pour estimer les paramtres dun processus brownien de retour vers la moyenne, nous devons discrtiser un tel processus. En fait, le processus continu est la valeur limite quand t du processus autorgressif suivant en temps discret :
x t x t 1 = x 1 e + e 1 x t 1 + t

) (

2 t ~ N 0, 1 e 2 2

12. Broze, L., O. Scaillet et J.-M. Zakoian (1993), Testing for Continuous-Time Models of the Short-Term Interest Rate , Centre dconomie mathmatique et dconomtrie, Universit de Bruxelles.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

339

TABLEAU 11.1 Modles stochastiques de taux dintrt


Modle Merton (1973) 0
0 1

dr = dt + 0 dW t drt = ( + rt )dt + 0 dW t
Vasicek (1977)

0 0 0

0 0
1 2

drt = ( + rt )dt + 0 rt dW t
Dothan (1978)

Cox, Ingersoll et Ross (1985)

drt = 0 rt dW t
Processus brownien gomtrique

0 0

0 0 0

1 1 1
3

drt = rt dt + 0 rt dW t drt = ( + rt )dt + 0 rt dW t


Cox, Ingersoll et Ross (1980) Brennan et Schwartz (1980)

drt = 0 rt 2 dW t
lasticit constante de la variance

0 0

0 0 0

drt = rt dt + 0 rt dW t

Chan, Karolyi, Longstaff et Sanders (1992)

drt = ( + rt )dt + 0 rt dW t

On peut donc estimer les paramtres dun processus brownien de retour vers la moyenne en utilisant des donnes discrtes et en recourant lquation suivante : x t x t 1 = a + bx t 1 + t On peut rcuprer facilement la structure initiale du mouvement brownien comme suit, en sachant que a = x 1 e et b = e 1. x est gal lexpression suivante :

x 1 e a x= = b e 1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

340

Trait dconomtrie financire

En procdant de la sorte, on trouve :

= log 1 + b

( )
2

et = 2 log 1 + b

( ) (1 + b ) 1

Il est facile de gnraliser le processus brownien de retour vers la moyenne qui vient dtre expos. Par exemple, on peut supposer que xt retourne vers x long terme, mais que la variance du processus augmente avec x. Le processus brownien scrit dans ce cas : dx = ( x x )dt + xdz Avant de poursuivre, nous ouvrons une parenthse sur les procdures de discrtisation puisque lon doit utiliser de telles procdures pour passer de la forme thorique dune quation diffrentielle stochastique, gnralement exprime en temps continu et qui ne se prte pas comme telle lestimation empirique, sa forme discrte, qui peut alors faire lobjet dune estimation13. Soit une quation de la forme suivante : dx ( t ) = adt + bdW t o Wt dsigne un processus de Wiener. Cette quation est exprime en temps continu et on dsire la discrtiser. Nous envisageons dans un premier temps la discrtisation de premier ordre, encore appele discrtisation dEuler. Ce type de discrtisation est qualifi de crude par Gouriroux (1996), car elle nest pas une forme de discrtisation exacte, forme que nous avons expose antrieurement pour le processus Ornstein-Uhlenbeck14. La discrtisation dEuler et la discrtisation

13. Pour cette section, nous nous inspirons de : Jegadeesh, N. et B. Tuckman (2000), Advanced Fixed-Income Valuation Tools, John Wiley and Sons, New York, chap. 13. 14. Voir cet effet : Gouriroux, C. et A. Montfort (1996), Simulation-Based Econometric Methods, Oxford University Press, Oxford, chap. 6. Ce chapitre est excellent en ce qui concerne lestimation dquations diffrentielles stochastiques partir de donnes discrtes ou de conditions de moments.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

341

exacte sont toutefois rconciliables, comme le lecteur sera mme de le constater15. Pour ce qui concerne lapproximation dEuler, lide de base est ici dapproximer une quation diffrentielle stochastique par une srie de Taylor du premier degr. Pour ce faire, on divise lintervalle [0 , T] en k sous-intervalles identiques de longueur h. Lapproximation dEuler de la fonction diffrentielle stochastique dxt est de :
x k +1 x k = ah + bz k +1 h

o z ~ N(0, 1). Cette quation fournit une approximation pour la distribution de x k+1 . Lapproximation est plus prcise quand h 0. Comme nous lavons mentionn auparavant, Broze et al. (1993) ont crit une forme gnrale pour les mouvements browniens de taux dintrt, cest--dire :

drt = ( + rt )dt + 0 rt + 1 dW t
La discrtisation dEuler de cette quation est la suivante :

h h (h) rt +1 = h + ( h + 1) rt( ) + 0 ,h rt( )

+ 1,h Z t +1

o (Zt) est une squence de variables gaussiennes indpendantes et o : h = h ; h = h ; 0 ,h = 0 h ; 1,h = 1 Comme cela vient dtre mentionn, lapproximation dEuler est une approximation de Taylor du premier degr aux variations observes de x(t). Mais on peut obtenir une discrtisation plus prcise et qui converge plus rapidement en recourant une srie de Taylor du second degr pour convertir en temps discret la variation de x(t). Cette procdure est appele schme de Milstein. Elle sapplique lorsque les paramtres de lquation diffrentielle dpendent de x et de t. Mais du fait des diffrences entre le calcul diffrentiel classique et le calcul

15. En fait, la discrtisation exacte permet didentifier les coefficients dun processus brownien dont la version continue a t discrtise par une approximation dEuler pour des fins destimation.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

342

Trait dconomtrie financire

diffrentiel stochastique, le schme de Milstein est beaucoup plus complexe que les schmes de second degr gnralement utiliss dans le cas des quations diffrentielles ordinaires ou non stochastiques. Les schmes de Milstein dbordent de lobjet de lactuel Trait dconomtrie financire. Pour plus de dtails ce sujet, le lecteur se rfrera Jegadeesh et Tuckman (2000). Forts de ces dveloppements, nous pouvons maintenant envisager lestimation du modle de Schaefer et Schwartz (SS), un modle bifactoriel de taux dintrt. Les deux facteurs sont le taux long terme et lcart de rendement qui est la diffrence entre le taux long terme et le taux court terme. Ils utilisent lcart de rendement plutt que le taux court terme, car il a t dmontr empiriquement que lcart de rendement est orthogonal au taux long terme, ce qui facilite lestimation. Le modle SS scrit comme suit : ds = m ( s ) dt + dz 1 dl = 2dt + ldz 2 dz 1dz 2 = 0 o s est lcart de rendement, l est le taux long terme, m est le coefficient de retour vers la moyenne pour lcart de rendement, est la moyenne long terme de lcart de rendement, est le coefficient de variance pour lcart de rendement, s est le coefficient de variance pour le taux long terme et b2 reprsente la tendance (drift) du taux long terme. Envisageons dabord lestimation des deux quations du modle de SS par la mthode des MCO. Considrons dabord lquation de lcart de rendement : ds t = m ( u s t ) dt + dw t La discrtisation dEuler de cette quation est la suivante :
s t s t 1 = m * ( u * y t 1 ) + * * t = m * u * m * y t 1 + * * t = c + m * * y t 1 + * * t

or, la discrtisation exacte de dst est la suivante :

s t s t 1 = u (1 e m ) + e m 1 s t 1 + t

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

343

2 1 e 2m o t ~ N 0, 2m

On peut estimer cette dernire quation par les MCO de la faon suivante : s t s t 1 = a + bs t 1 + t ce qui est un processus autorgressif dordre 1. En comparant la discrtisation dEuler avec la discrtisation exacte, on identifie les paramtres de lquation initiale comme suit :
u= a b

m = log 1 + b =

( ) 2 log (1 + b ) (1 + b ) 1
2

Pour estimer cette quation, nous avons utilis des donnes mensuelles canadiennes stirant de 1949 1999. Le taux court terme retenu est celui des bons du Trsor trois mois et celui long terme, le taux des obligations fdrales dix ans. Nous avons dabord estim la premire quation du modle de SS selon la mthode des MCO. Les rsultats apparaissent au tableau 11.2. Comme on peut le constater, les deux coefficients estims a et b sont hautement significatifs, en juger par le niveau des statistiques t et des p-values. Lcart de rendement long terme est gal, en vertu de la discrtisation exacte :
u= a = 1, 2486 b

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

344

Trait dconomtrie financire

TABLEAU 11.2
System : STRUC Estimation Method : Least Squares Date : 04/26/00 Time : 19:00 Sample : 2 627 Included observations : 626 Total system (balanced) observations 1252 Coefficient C(1) C(2) C(3) 0.043168 0.034634 0.009544 Std. Error 0.020411 0.010405 0.007851 0.000911 t-Statistic 2.114887 3.328516 1.215625 Prob. 0.0346 0.0009 0.2244

Determinant residual covariance

Equation : D(SPR)= C(1)+C(2)*SPR(-1) Observations : 626 R-squared Ajusted R-squared S.E. of regression Durbin-Watson stat 0.017445 0.015870 0.377413 1.274598 Mean dependent var S.D. dependent var Sum squared resid 0.002602 0.380444 88.88281

Equation : D(L)/(L(-1)^(1/2)) = C(3)/(L(-1)^(1/2)) Observations : 626 R-squared Ajusted R-squared S.E. of regression Durbin-Watson stat 0.000951 0.000951 0.080265 1.324424 Mean dependent var S.D. dependent var Sum squared resid 0.003014 0.080303 4.026560

Cette valeur pour lcart de rendement sur longue priode entre les obligations dix ans et les bons du Trsor 3 mois nous conforte dans nos attentes, quand on sait que le Canada devait maintenir traditionnellement un cart de rendement substantiel pour encourager loffre de fonds long terme, ncessaire au financement des trs nombreux projets long terme, le Canada nayant pas encore atteint sa priode de maturit industrielle comme les tats-Unis. Ce raisonnement est corrobor par lestimation du mme coefficient par Jagadeesh et Tuckman (2000) qui ont obtenu, pour ce mme coefficient, un rsultat de 0,0171 pour les tats-Unis, ce qui dmontre la maturit industrielle avance de ce pays.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

345

Passons maintenant lestimation de la vitesse dajustement de lcart de rendement vers sa valeur de longue priode. Toujours selon la discrtisation exacte, ce coefficient est gal :

m = log(1 + b ) = log (1 0, 0346 ) = 0, 0352


Nous prenons donc acte que la vitesse dajustement de lcart de rendement est plutt lente. Ce rsultat tait attendu, car on sait que cet cart peut dvier de sa moyenne pendant de longues priodes de temps au Canada. Ce rsultat est appuy par lestimation de lcarttype du mouvement brownien de lcart de rendement canadien dont nous donnons maintenant le rsultat. Lcart-type estim de lquation de lcart de rendement est gal : = 2 log 1 + b
2

( ) = 0,3774 (1 + b ) 1

2 log ( 0, 9654 )

( 0, 9654 ) 2 1

= 0, 3840

Lcart-type estim de lquation stochastique de lcart de rende ment, soit , est donc relativement important, ce qui implique que lcart de rendement peut dvier de sa valeur long terme pendant une priode de temps apprciable. Envisageons maintenant lestimation de lquation stochastique de la diffrentielle du taux long terme du modle SS, soit : dl = udt + ldW Pour tre en mesure destimer cette quation diffrentielle stochastique, nous recourons la discrtisation dEuler. la suite de cette discrtisation, cette dernire quation scrit : l t l t 1 = u + l t 1 t Cette quation incorpore lvidence une forme dhtroscdasticit conditionnelle. Pour y pallier, nous pondrons chacune des observa. la suite de cette transl t1 formation, lquation diffrentielle de la variation du taux long terme devient : tions des variables de lquation par
1

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

346

Trait dconomtrie financire

l t l t 1 l t 1

u l t 1

+ t =

u l t 1

+ t*

o t * = t . Nous estimons cette quation en recourant dans un premier temps aux moindres carrs pondrs. Comme cela apparat au tableau 11.2, la valeur estime de u, soit la valeur long terme ou drift de la diffrentielle du taux long terme, est gale 0,0095 et nest pas significative au seuil = 5% . Pour estimer le de lquation diffrentielle stochastique du taux long terme, nous recourons au rsultat suivant : puisque t ~ N ( 0, 1) . Lcart-type qui apparat dans lquation diffrentielle stochastique est donc gal lcart-type du terme derreur de la rgression effectue, qui est gal : 0,080216. Comme le modle de SS comporte deux quations, nous avons galement estim ses paramtres en recourant la mthode des doubles moindres carrs. Les variables instrumentales retenues sont des dcalages sur lcart de rendement entre les obligations fdrales long terme amricaines et le taux de rendement des bons du Trsor amricain. Cet cart semblait en effet bien jouer son rle de variable instrumentale, savoir une corrlation leve avec les variables endognes du modle et une orthogonalit avec les termes derreur des quations du modle. Les rsultats de cette estimation apparaissent au tableau 11.3. En refaisant les calculs prcdents pour identifier les paramtres des quations du modle de SS, le lecteur sera mme de constater que les rsultats de cette estimation ne diffrent pas sensiblement de ceux obtenus par la mthode des moindres carrs pondrs.
V ( t* ) = V ( t ) = 2 V ( t ) = 2

16. remarquer que, pour ce qui concerne lquation diffrentielle stochastique du taux long terme, les coefficients dont les valeurs sont donnes dans le texte correspondent la discrtisation dEuler et non la discrtisation exacte.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

347

TABLEAU 11.3
System : STRUC Estimation Method : Two-Stage Least Squares Date : 04/26/00 Time : 19:00 Sample : 4 627 Included observations : 624 Total system (balanced) observations 1248 Coefficient C(1) C(2) C(3) 0.077456 0.061026 0.008725 Std. Error 0.020874 0.010851 0.007933 0.000924 t-Statistic 3.710549 5.623929 1.099815 Prob. 0.0002 0.0000 0.2716

Determinant residual covariance

Equation : D(SPR)= C(1)+C(2)*SPR(-1) Observations : 624 R-squared Ajusted R-squared S.E. of regression Durbin-Watson stat 0.007758 0.006163 0.379817 1.230532 Mean dependent var S.D. dependent var Sum squared resid 0.002979 0.380993 89.73033

Equation : D(L)/(L(-1)^(1/2)) = C(3)/(L(-1)^(1/2)) Observations : 624 R-squared Ajusted R-squared S.E. of regression Durbin-Watson stat 0.000788 0.000788 0.080309 1.326180 Mean dependent var S.D. dependent var Sum squared resid 0.002804 0.080341 4.018078

Nous en arrivons maintenant lobjet principal de cette section, soit lestimation des paramtres du modle de SS par la mthode du GMM17. Comme nous lavons vu auparavant, cette mthode exige lestimation dune matrice de pondration des moments, appelons-la
17. Les conditions dorthogonalit ou moments du modle de SS sont les suivantes :

E s Z t 1 = 0; E 2 2 Z t 1 = 0; E l Z t 1 = 0; E 2 2 l Z t 1 = 0; s l E s l l Z t 1 = 0 , o Zt1 dsigne la matrice des variables instrumentales dcales dune priode ; s, le terme derreur de la rgression de lcart de rendement ; l , le terme derreur de la rgression du taux long terme et , la corrlation entre s et l.

[(

[(

) ]

[(

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

348
1,

Trait dconomtrie financire

o est la matrice variance-covariance des moments. Le logiciel EViews 3.1 offre plusieurs options pour estimer . i) La matrice de White, encore appele HCCM (Heteroskedasticity Consistent Covariance Matrix). Nous avons dj fray avec cette matrice. Rappelons ici le principe de sa construction dans le contexte de la mthode du GMM. Soit les moments suivants, qui sont en fait des conditions dorthogonalit entre le vecteur des variables instrumentales Z retenu pour lestimation et les rsidus de la rgression :

m ( , y , X , z ) = Z T u ( , y , X ) = 0
o est le vecteur des paramtres estimer. Par exemple, pour lestimateur des MCO, la condition dorthogonalit est :
X T ( y X ) = 0

Pour des raisons didentification des paramtres, il faut que le nombre de variables instrumentales soit au moins gal au nombre de paramtres estimer. Si la matrice de White est retenue pour calculer les moments, EViews calcule cette matrice comme suit :
=
t t ZTutuTZt Tk t =1

o ut est le vecteur des rsidus estims18. ii) La matrice dite HAC (heteroskedastic and autocorrelation consistent covariance matrix). Pour les aspects techniques de la construction de cette matrice, nous reportons le lecteur au manuel de rfrence du logiciel EViews. Cette construction repose entre autres sur le recours des kernels de faon ce que la matrice HAC soit semi-dfinie positive. Lestimation des paramtres du modle de SS par la mthode du GMM apparat au tableau 11.4.
18. Pour un expos plus labor de la matrice de White dans le contexte de la mthode du maximum de vraisemblance, on consultera : Hendry, D.F. (1995), Dynamic Econometrics : Advanced Texts in Econometrics, Oxford University Press, Oxford, chap. 10, section 10.10.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

349

TABLEAU 11.4
System : STRUC Estimation Method : Generalized Method of Moments Date : 04/26/00 Time : 19:00 Sample : 4 627 Included observations : 624 Total system (balanced) observations 1248 No prewhitening Bandwidth : Fixed (6) Kernel : Bartett Convergence achieved after : 4 weight matrices. 5 total coef iterations Coefficient C(1) C(2) C(3) 0.076434 0.054968 0.015096 Std. Error 0.028534 0.015209 0.007348 0.000921 0.013064 t-Statistic 2.678673 3.614102 2.054310 Prob. 0.0075 0.0003 0.0402

Determinant residual covariance J-statistic

Equation : D(SPR)= C(1)+C(2)*SPR(-1) Observations : 624 R-squared Ajusted R-squared S.E. of regression Durbin-Watson stat 0.011489 0.009899 0.379102 1.242401 Mean dependent var S.D. dependent var Sum squared resid 0.002979 0.380993 89.39297

Equation : D(L)/(L(-1)^(1/2)) = C(3)/(L(-1)^(1/2)) Observations : 624 R-squared Ajusted R-squared S.E. of regression Durbin-Watson stat 0.000229 0.000229 0.080350 1.324358 Mean dependent var S.D. dependent var Sum squared resid 0.002804 0.080341 4.022167

On remarquera que les trois coefficients estims sont maintenant significatifs, ce qui ntait pas le cas pour les deux autres mthodes destimation. Les rsultats de cette estimation se rapprochent de ceux de la mthode des doubles moindres carrs.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

350

Trait dconomtrie financire

Lestimation des paramtres des quations diffrentielles stochastiques trouve un trs grand nombre dapplications dans le domaine de la thorie des produits drivs. Par exemple, les scnarios de taux dintrt, qui entrent dans la dtermination des prix des produits drivs, font appel de tels paramtres. Il faut galement recourir de tels paramtres pour valuer les prix des obligations qui entrent dans lvaluation des options sur taux dintrt. Dans le modle de SS, le prix dune obligation se calcule comme suit, une fois les paramtres du modle stochastique de taux dintrt estims :
P( s , l , ) = X ( s , ) Y ( l , ) X(s ,) = e [
C ( ) sD( )

C( ) = D( ) =

( m ) 2 (D ) m 2 m2
m

2D 2 4m

1 e m

A ( ) lB( ) ] Y( l , ) = e [ s + / 2 2 e ( ) A () = ( s + ) e 1 + 2 2

B( ) = =

( ) ( s + )( e ) + 2
2 e 1
1

s 2 + 2 2

o dsigne lchance de lobligation et s est dfini implicitement par lquation suivante : l0 2 2

(1 e ) +

l 0s 2 s 2

(1 e ) +
s

2 s

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

351

Par simulation, Jegadeesh et Tuckman (2000) ont obtenu une valeur de 0,7 pour , soit le prix du risque.

Test sur les restrictions de suridentification


Un modle GMM est suridentifi quand le nombre des conditions dorthogonalit est suprieur au nombre de paramtres estimer. Hansen (1982) a suggr un test pour vrifier si les moments chantillonnaux ne sont pas significativement diffrents de 0. Si les conditions dorthogonalit de la population sont toutes vraies, alors :

Tg ( 0 ; y T )

] W[
T

Tg ( 0 ; y T ) ~ 2 ( r )
a

o g(.) dsigne le vecteur des r conditions dorthogonalit. Dans cette quation, la fonction g(.) est value la vraie valeur q0. Par ailleurs,
lestimateur GMM, dsign par T , est typiquement une solution au systme suivant :

g ( ; y T ) T = T ( ar )

WT g T ; y T rr ) ( ( r 1)

[(

)] = ( 0 )
a 1

o a dsigne le nombre de paramtres estimer. Comme le systme est suridentifi, r > a, on pourrait penser que lexpression antrieure ayant trait la distribution asymptotique des moments pondrs vaut galement lorsque le tout est valu T . Mais cela est faux puisque contient (r a) variables alatoires non dgnle vecteur g ; y res19.
value T , la distribution asymptotique des moments est plutt de :

Tg T ; y T

)]

a Tg T ; y T ~ 2 ( r a )

)]

19. Pour la preuve de ce rsultat, voir : Hamilton, J.D. (1994), op. cit.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

352

Trait dconomtrie financire

Le calcul de la statistique du test est trivial puisquelle est gale au produit de T et de la valeur de la fonction critre GMM value T . Ce test sert vrifier si le modle est bien spcifi ou non. Mais selon Hamilton (1994), il faut complmenter ce test car il peut facilement chouer. Les hypothses de ce test sont les suivantes : H0 : les conditions dorthogonalit ne sont pas significativement diffrentes de 0. H1 : les conditions dorthogonalit sont significativement diffrentes de 0, auquel cas le modle est mal spcifi. Si la statistique 2 calcule excde la 2 au seuil retenu, alors on c rejette H0 en faveur de H1.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

La mthode des moments gnraliss

353

ANNEXE

Tables statistiques

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

354

Trait dconomtrie financire

TABLEAU A.1

Rpartition de la loi normale centre rduite


0 z
0,07 ,0279 ,0675 ,1064 ,1443 ,1808 ,2157 ,2486 ,2794 ,3078 ,3340 ,3577 ,3790 ,3980 ,4147 ,4292 ,4418 ,4525 ,4616 ,4693 ,4756 ,4808 ,4850 ,4884 ,4911 ,4932 ,4949 ,4962 ,4972 ,4979 ,4985 0,08 ,0319 ,0714 ,1103 ,1480 ,1844 ,2190 ,2517 ,2823 ,3106 ,3365 ,3599 ,3810 ,3997 ,4162 ,4306 ,4429 ,4535 ,4625 ,4699 ,4761 ,4812 ,4854 ,4887 ,4913 ,4934 ,4951 ,4963 ,4973 ,4980 ,4986 0,09 ,0359 ,0753 ,1141 ,1517 ,1879 ,2224 ,2549 ,2852 ,3133 ,3389 ,3621 ,3830 ,4015 ,4177 ,4319 ,4441 ,4545 ,4633 ,4706 ,4767 ,4817 ,4857 ,4890 ,4916 ,4936 ,4952 ,4964 ,4974 ,4981 ,4986

Les chiffres figurant dans le tableau donnent le rapport entre la surface en dessous de la courbe, comprise entre 0 et z et la surface totale se trouvant en dessous de cette courbe. Si z est ngatif, on procde par symtrie. z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 0,00 ,0000 ,0398 ,0793 ,1179 ,1554 ,1915 ,2257 ,2580 ,2881 ,3159 ,3413 ,3643 ,3849 ,4032 ,4192 ,4332 ,4452 ,4554 ,4641 ,4713 ,4772 ,4821 ,4861 ,4893 ,4918 ,4938 ,4953 ,4965 ,4974 ,4981 0,01 ,0040 ,0438 ,0832 ,1217 ,1591 ,1950 ,2291 ,2611 ,2910 ,3186 ,3438 ,3665 ,3869 ,4049 ,4207 ,4345 ,4463 ,4564 ,4649 ,4719 ,4778 ,4826 ,4864 ,3896 ,4920 ,4940 ,4955 ,4966 ,4975 ,4982 0,02 ,0080 ,0478 ,0871 ,1255 ,1628 ,1985 ,2324 ,2642 ,2939 ,3212 ,3461 ,3686 ,3888 ,4066 ,4222 ,4357 ,4474 ,4573 ,4656 ,4726 ,4783 ,4830 ,4868 ,4898 ,4922 ,4941 ,4956 ,4967 ,4976 ,4982 0,03 ,0120 ,0517 ,0910 ,1293 ,1664 ,2019 ,2357 ,2673 ,2967 ,3238 ,3485 ,3708 ,3907 ,4082 ,4236 ,4370 ,4484 ,4582 ,4664 ,4732 ,4788 ,4834 ,4871 ,4901 ,4925 ,4943 ,4957 ,4968 ,4977 ,4983 0,04 ,0160 ,0557 ,0948 ,1331 ,1700 ,2054 ,2389 ,2703 ,2995 ,3264 ,3508 ,3729 ,3925 ,4099 ,4251 ,4382 ,4495 ,4591 ,4671 ,4738 ,4793 ,4838 ,4875 ,4904 ,4927 ,4945 ,4959 ,4969 ,4977 ,4984 0,05 ,0199 ,0596 ,0987 ,1368 ,1736 ,2088 ,2422 ,2734 ,3023 ,3289 ,3531 ,3749 ,3944 ,4115 ,4265 ,4394 ,4505 ,4599 ,4678 ,4744 ,4798 ,4842 ,4878 ,4906 ,4929 ,4946 ,4960 ,4970 ,4978 ,4984 0,06 ,0239 ,0636 ,1026 ,1406 ,1772 ,2123 ,2454 ,2764 ,3051 ,3315 ,3554 ,3770 ,3962 ,4131 ,4279 ,4406 ,4515 ,4608 ,4686 ,4750 ,4803 ,4846 ,4881 ,4909 ,4931 ,4948 ,4961 ,4971 ,4979 ,4985

,4987 ,4987 ,4987 ,4988 ,4988 ,4989 ,4989 ,4989 ,4990 ,4990

Tir de P.G. Hoel, Introduction to Mathematical Statistics, 4th edition, Wiley, 1971, avec la permission de lditeur.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Annexe Tables statistiques

355

TABLEAU A.2

Rpartition du t de Student

La premire colonne donne le nombre des degrs de libert (v). Les autres colonnes correspondent la probabilit P que t dpasse les valeurs donnes. Pour des t ngatifs, on procde par symtrie. v 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 60 120 P 0,10 3,078 1,886 1,638 1,533 1,476 1,440 1,415 1,397 1,383 1,372 1,363 1,356 1,350 1,345 1,341 1,337 1,333 1,330 1,328 1,325 1,323 1,321 1,319 1,318 1,316 1,315 1,314 1,313 1,311 1,310 1,303 1,296 1,289 1,282 0,05 6,314 2,920 2,353 2,132 2,015 1,943 1,895 1,860 1,833 1,812 1,796 1,782 1,771 1,761 1,753 1,746 1,740 1,734 1,729 1,725 1,721 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,697 1,684 1,671 1,658 1,645 0,025 12,706 4,303 3,182 2,776 2,571 2,447 2,365 2,306 2,262 2,228 2,201 2,179 2,160 2,145 2,131 2,120 2,110 2,101 2,093 2,086 2,080 2,074 2,069 2,064 2,060 2,056 2,052 2,048 2,045 2,042 2,021 2,000 1,980 1,960

0 0,1 31,821 6,965 4,541 3,747 3,365 3,143 2,998 2,896 2,821 2,764 2,718 2,681 2,650 2,624 2,602 2,583 2,567 2,552 2,539 2,528 2,518 2,508 2,500 2,492 2,485 2,479 2,473 2,467 2,462 2,457 2,423 2,390 2,358 2,326

t 0,005 63,657 9,925 5,841 4,604 4,032 3,707 3,499 3,355 3,250 3,169 3,106 3,055 3,012 2,977 2,947 2,921 2,898 2,878 2,861 2,845 2,831 2,819 2,807 2,797 2,787 2,779 2,771 2,763 2,756 2,750 2,704 2,660 2,617 2,576

Tir de P.G. Hoel, Introduction to Mathematical Statistics, 4th edition, Wiley, 1971, avec la permission de lditeur.

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

356

Trait dconomtrie financire


2

TABLEAU A.3

Rpartition du

Pour un nombre de degrs de libert suprieur 30, lexpression suit approximativement une loi normale centre rduite (n tant le nombre de degrs de libert). Degrs de libert 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0,99 0,000157 0,0201 0,115 0,297 0,554 0,872 1,239 1,646 2,088 2,558 3,053 3,571 4,107 4,660 5,229 5,812 6,408 7,015 7,633 8,260 8,897 9,542 10,196 10,856 11,524 12,198 12,879 13,565 14,256 14,953 0,98 0,000628 0,0404 0,185 0,429 0,752 1,134 1,564 2,032 2,532 3,059 3,609 4,178 4,765 5,368 5,985 6,614 7,255 7,906 8,567 9,237 9,915 10,600 11,293 11,992 12,697 13,409 14,125 14,847 15,574 16,306 0,95 0,00393 0,103 0,352 0,711 1,145 1,635 2,167 2,733 3,325 3,940 4,575 5,226 5,892 6,571 7,261 7,962 8,672 9,390 10,117 10,851 11,591 12,338 13,091 13,848 14,611 15,379 16,151 16,928 17,708 18,493 0,90

0
0,80 0,0642 0,446 1,005 1,649 2,343 3,070 3,822 4,594 5,380 6,179 6,989 7,807 8,634 9,467 10,307 11,152 12,002 12,857 13,716 14,578 15,445 16,314 17,187 18,062 18,940 19,820 20,703 21,588 22,475 23,364

0,70 0,148 0,713 1,424 2,195 3,000 3,828 4,671 5,527 6,393 7,267 8,148 9,034 9,926 10,821 11,721 12,624 13,531 14,440 15,352 16,266 17,182 18,101 19,021 19,943 20,867 21,792 22,719 23,647 24,577 25,508

0,0158 0,211 0,584 1,064 1,610 2,204 2,833 3,490 4,168 4,865 5,578 6,304 7,042 7,790 8,547 9,312 10,085 10,865 11,651 12,443 13,240 14,041 14,848 15,659 16,473 17,292 18,114 18,939 19,768 20,599

Tir de R.A. Fisher, Statistical Methods for Research Workers, 14th ed., New York, Macmillan Publishing Co., Inc.

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Annexe Tables statistiques

357

TABLEAU A.3
Degrs de libert 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

(suite)
0,50 0,455 1,386 2,366 3,357 4,351 5,348 6,346 7,344 8,343 9,342 10,341 11,340 12,340 13,339 14,339 15,338 16,338 17,338 18,338 19,337 20,337 21,337 22,337 23,337 24,337 25,336 26,336 27,336 28,336 29,336 0,30 1,074 2,408 3,665 4,878 6,064 7,231 8,383 9,524 10,656 11,781 12,899 14,011 15,119 16,222 17,322 18,418 19,511 20,601 21,689 22,775 23,858 24,939 26,018 27,096 28,172 29,246 30,319 31,391 32,461 33,530 0,20 1,642 3,219 4,642 5,989 7,289 8,558 9,803 11,030 12,242 13,442 14,631 15,812 16,985 18,151 19,311 20,465 21,615 22,760 23,900 25,038 26,171 27,301 28,429 29,553 30,675 31,795 32,912 34,027 35,139 36,250 0,10 2,706 4,605 6,251 7,779 9,236 10,645 12,017 13,362 14,684 15,987 17,275 18,549 19,812 21,064 22,307 23,542 24,769 25,989 27,204 28,412 29,615 30,813 32,007 33,196 34,382 35,563 36,741 37,916 39,087 40,256 0,05 3,841 5,991 7,815 9,488 11,070 12,592 14,067 15,507 16,919 18,307 19,675 21,026 22,362 23,685 24,996 26,296 27,587 28,869 30,144 31,410 32,671 33,924 35,172 36,415 37,652 38,885 40,113 41,337 42,557 43,773 0,02 5,412 7,824 9,837 11,668 13,388 15,033 16,622 18,168 19,679 21,161 22,618 24,054 25,472 26,873 28,259 29,633 30,995 32,346 33,687 35,020 36,343 37,659 38,968 40,270 41,566 42,856 44,140 45,419 46,693 47,962 0,01 6,635 9,210 11,341 13,277 15,086 16,812 18,475 20,090 21,666 23,209 24,725 26,217 27,688 29,141 30,578 32,000 33,409 34,805 36,191 37,566 38,932 40,289 41,638 42,980 44,314 45,642 46,963 48,278 49,588 50,892

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec


difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5
Tous droits de reproduction, de traduction ou dadaptation rservs difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

358

TABLEAU A.4
O F

Rpartition du F

Seuil de 5 % (en caractres romans) et de 1 % (italiques).


Degr de libert du numrateur 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200

Degrs de libert du dnominateur

500

Trait dconomtrie financire

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca

Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5

difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Tous droits de reproduction, de traduction ou dadaptation rservs

10

161 200 4 052 4 999 18,51 19,00 98,49 99,01 10,13 9,55 34,12 30,81 7,71 6,94 21,20 18,00 6,61 5,79 16,26 13,27 5,99 5,14 13,74 10,92 5,59 4,74 12,25 9,55 5,32 4,46 11,26 8,65 5,12 4,26 10,56 8,02 4,96 4,10 10,04 7,56 237 239 5 928 5 981 19,36 19,37 99,34 99,36 8,88 8,84 27,67 27,49 6,09 6,04 14,98 14,80 4,88 4,82 10,45 10,27 4,21 4,15 8,26 8,10 3,79 3,73 7,00 6,84 3,50 3,44 6,19 6,03 3,29 3,23 5,62 5,47 3,14 3,07 5,21 5,06 241 243 6 022 6 056 19,38 19,39 99,38 99,40 8,81 8,78 27,34 27,23 6,00 5,96 14,66 14,54 4,78 4,74 10,15 10,05 4,10 4,06 7,98 7,87 3,68 3,63 6,71 6,62 3,39 3,34 5,91 5,82 3,18 3,13 5,35 5,26 3,02 2,97 4,95 4,85 244 245 6 082 6 106 19,40 19,41 99,41 99,42 8,76 8,74 27,13 27,05 5,93 5,91 14,45 14,37 4,70 4,68 9,96 9,89 4,03 4,00 7,79 7,72 3,60 3,57 6,54 6,47 3,31 3,28 5,74 5,67 3,10 3,07 5,18 5,11 2,94 2,91 4,78 4,71 246 248 6 142 6 169 19,42 19,43 99,43 99,44 8,71 8,69 26,92 26,83 5,87 5,84 14,24 14,15 4,64 4,60 9,77 9,68 3,96 3,92 7,60 7,52 3,52 3,49 6,35 6,27 3,23 3,20 5,56 5,48 3,02 2,98 5,00 4,92 2,86 2,82 4,60 4,52 249 250 6 208 6 234 19,44 19,45 99,45 99,46 8,66 8,64 26,69 26,60 5,80 5,77 14,02 13,93 4,56 4,53 9,55 9,47 3,87 3,84 7,39 7,31 3,44 3,41 6,15 6,07 3,15 3,12 5,36 5,28 2,93 2,90 4,80 4,73 2,77 2,74 4,41 4,33 251 252 6 258 6 286 19,46 19,47 99,47 99,48 8,62 8,60 26,50 26,41 5,74 5,71 13,83 13,74 4,50 4,46 9,38 9,29 3,81 3,77 7,23 7,14 3,38 3,34 5,98 5,90 3,08 3,05 5,20 5,11 2,86 2,82 4,64 4,56 2,70 2,67 4,25 4,17 253 253 6 302 6 323 19,47 19,48 99,48 99,49 8,58 8,57 26,30 26,27 5,70 5,68 13,69 13,61 4,44 4,42 9,24 9,17 3,75 3,72 7,09 7,02 3,32 3,29 5,85 5,78 3,03 3,00 5,06 5,00 2,80 2,77 4,51 4,45 2,64 2,61 4,12 4,05

216 225 5 403 5 625 19,16 19,25 99,17 99,25 9,28 9,12 29,46 28,71 6,59 6,39 16,69 15,98 5,41 5,19 12,06 11,39 4,76 4,53 9,78 9,15 4,35 4,12 8,45 7,85 4,07 3,84 7,59 7,01 3,86 3,63 6,99 6,42 3,71 3,48 6,55 5,99

230 234 5 764 5 859 19,30 19,33 99,30 99,33 9,01 8,94 28,24 27,91 6,26 6,16 15,52 15,21 5,05 4,95 10,97 10,67 4,39 4,28 8,75 8,47 3,97 3,87 7,46 7,19 3,69 3,58 6,63 6,37 3,48 3,37 6,06 5,80 3,33 3,22 5,64 5,39

254 254 6 334 6 352 19,49 19,49 99,49 99,49 8,56 8,54 26,23 26,18 5,66 5,65 13,57 13,52 4,40 4,38 9,13 9,07 3,71 3,69 6,99 6,94 3,28 3,25 5,75 5,70 2,98 2,96 4,96 4,91 2,76 2,73 4,41 4,36 2,59 2,56 4,01 3,96

254 6 361 6 366 19,50 19,50 99,50 99,50 8,54 8,53 26,14 26,12 5,64 5,63 13,48 13,46 4,37 4,36 9,04 9,02 3,68 3,67 6,90 6,88 3,24 3,23 5,67 5,65 2,94 2,93 4,88 4,86 2,72 2,71 4,33 4,31 2,55 2,54 3,93 3,91

11 3,09 5,07 3,01 4,88 2,95 4,74 2,90 4,63 2,86 4,54 2,82 4,46 2,79 4,40 2,74 4,29 2,70 4,21 2,65 4,10 2,61 4,02 2,57 3,94 2,53 3,86 2,50 3,80 2,47 3,74 2,45 3,70 2,42 3,66 2,41 3,62 2,40 3,60 2,30 3,36 2,21 3,16 2,14 3,02 2,10 2,92 2,07 2,86 2,04 2,79 2,02 2,76 2,04 2,80 1,99 2,70 2,08 2,89 2,02 2,77 1,97 2,67 2,13 3,00 2,07 2,87 2,01 2,75 1,96 2,65 2,31 3,38 2,22 3,18 2,32 3,41 2,24 3,21 2,16 3,06 2,35 3,46 2,26 3,27 2,19 3,11 2,12 2,97 2,36 3,49 2,28 3,30 2,21 3,14 2,15 3,00 2,09 2,89 2,40 3,56 2,32 3,37 2,24 3,21 2,18 3,07 2,13 2,96 2,08 2,86 2,42 3,61 2,34 3,42 2,27 3,26 2,21 3,12 2,16 3,01 2,11 2,92 2,46 3,70 2,38 3,51 2,31 3,34 2,25 3,20 2,20 3,10 2,15 3,00 2,50 3,78 2,42 3,59 2,35 3,43 2,54 3,86 2,46 3,67 2,39 3,51 2,33 3,36 2,60 3,98 2,51 3,78 2,44 3,62 2,39 3,48 2,33 3,37 2,29 3,27 2,64 4,05 2,55 3,85 2,48 3,70 2,43 3,56 2,37 3,45 2,33 3,35 2,69 4,16 2,60 3,96 2,53 3,80 2,48 3,67 2,42 3,55 2,38 3,45 2,72 4,22 2,63 4,02 2,56 3,86 2,51 3,73 2,45 3,61 2,41 3,52 2,76 4,30 2,67 4,10 2,60 3,94 2,55 3,80 2,49 3,69 2,45 3,59 2,80 4,39 2,72 4,19 2,65 4,03 2,59 3,89 2,54 3,78 2,50 3,68 2,85 4,50 2,77 4,30 2,70 4,14 2,64 4,00 2,59 3,89 2,55 3,79 2,92 4,65 2,84 4,44 2,77 4,28 2,70 4,14 2,66 4,03 2,62 3,93 3,00 4,82 2,92 4,62 2,85 4,46 2,79 4,32 2,74 4,20 2,70 4,10

4,84 9,65

3,98 7,20

3,59 6,22

3,36 5,67

3,20 5,32

12

4,75 9,33

3,88 6,93

3,49 5,95

3,26 5,41

3,11 5,06

13

4,67 9,07

3,80 6,70

3,41 5,74

3,18 5,20

3,02 4,86

14

4,60 8,86

3,74 6,51

3,34 5,56

3,11 5,03

2,96 4,69

15

4,54 8,68

3,68 6,36

3,29 5,42

3,06 4,89

2,90 4,56

16

4,49 8,53

3,63 6,23

3,24 5,29

3,01 4,77

2,85 4,44

17

4,45 8,40

3,59 6,11

3,20 5,18

2,96 4,67

2,81 4,34

18 2,66 4,01 2,63 3,94 2,58 3,85 2,55 3,77 2,51 3,71 2,48 3,63 2,46 3,60 2,43 3,52 2,41 3,51 2,38 3,43 2,37 3,44 2,34 3,36 2,34 3,37 2,31 3,30 2,29 3,27 2,26 3,19 2,25 3,19 2,21 3,12 2,11 2,91 2,07 2,84 2,04 2,77 2,00 2,72 2,13 2,94 2,14 2,97 2,18 3,03 2,20 3,05 2,16 2,99 2,13 2,93 2,11 2,89 2,10 2,89 2,09 2,85 2,06 2,81 1,98 2,67 1,96 2,62 1,94 2,58 1,92 2,54 2,18 3,05 2,15 2,99 2,23 3,13 2,20 3,07 2,18 3,02 2,28 3,23 2,25 3,17 2,23 3,12 2,20 3,07 2,31 3,30 2,28 3,24 2,26 3,18 2,24 3,14 2,22 3,09 2,35 3,37 2,32 3,31 2,30 3,26 2,28 3,21 2,26 3,17 2,24 3,13 2,40 3,45 2,37 3,40 2,35 3,35 2,32 3,30 2,30 3,25 2,28 3,21 2,45 3,56 2,42 3,51 2,40 3,45 2,38 3,41 2,36 3,36 2,34 3,32 2,52 3,71 2,49 3,65 2,47 3,59 2,45 3,54 2,43 3,50 2,41 3,46 2,60 3,87 2,57 3,81 2,55 3,76 2,53 3,71 2,51 3,67 2,49 3,63

19

4,41 8,28 4,38 8,18

3,55 6,01 3,52 5,93

3,16 5,09 3,13 5,01

2,93 4,58 2,90 4,50

2,77 4,25 2,74 4,17

2,07 2,83 2,02 2,76 1,99 2,69 1,96 2,63 1,93 2,58 1,91 2,53 1,89 2,49 1,87 2,45

2,04 2,78 2,00 2,70 1,96 2,63 1,93 2,58 1,91 2,53 1,88 2,48 1,86 2,44 1,84 2,40

2,00 2,71 1,96 2,63 1,92 2,56 1,89 2,51 1,87 2,46 1,84 2,41 1,82 2,36 1,80 2,32

1,98 2,68 1,94 2,60 1,90 2,53 1,87 2,47 1,84 2,42 1,82 2,37 1,80 2,33 1,77 2,29

1,95 2,62 1,91 2,54 1,87 2,47 1,84 2,42 1,81 2,37 1,79 2,32 1,76 2,27 1,74 2,23

1,93 2,59 1,90 2,51 1,85 2,44 1,82 2,38 1,80 2,33 1,77 2,28 1,74 2,23 1,72 2,19

1,92 2,57 1,88 2,49 1,84 2,42 1,81 2,36 1,78 2,31 1,76 2,26 1,73 2,21 1,71 2,17

20

4,35 8,10

3,49 5,85

3,10 4,94

2,87 4,43

2,71 4,10

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca

Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5

difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec

21

4,32 8,02

3,47 5,78

3,07 4,87

2,84 4,37

2,68 4,04

22

4,30 7,94

3,44 5,72

3,05 4,82

2,82 4,31

2,66 3,99

23

4,28 7,88

3,42 5,66

3,03 4,76

2,80 4,26

2,64 3,94

Annexe Tables statistiques

24

4,26 7,82

3,40 5,61

3,01 4,72

2,78 4,22

2,62 3,90

25

4,24 7,77

3,38 5,57

2,99 4,68

2,76 4,18

2,60 3,86

2,29 3,29 2,28 2,24, 3,25 3,18 2,23 2,19 3,16 3,08 2,19 2,15 3,07 3,00 2,15 2,11 3,00 2,92 2,12 2,08 2,94 2,86 2,09 2,05 2,88 2,80 2,07 2,03 2,83 2,75 2,04 2,00 2,78 2,70 2,02 1,98 2,74 2,66 2,00 1,96 2,70 2,62

359

360

TABLEAU A.4
Degr de libert du numrateur 5 6 7 8 9 10 11 12 14 16 20 24 30 40 50 75 100 200 500 1,70 2,15 1,68 2,12 1,69 2,13 1,71 2,15 1,72 2,16 1,74 2,20 1,74 2,21 1,78 2,26 1,80 2,32 1,84 2,37 1,94 2,54 1,98 2,62 1,92 2,52 1,89 2,46 1,88 2,44 1,82 2,35 1,81 2,32 1,79 2,29 1,78 2,26 1,76 2,24 1,76 2,22 1,74 2,20 1,73 2,17 1,72 2,15 1,72 2,17 1,71 2,14 1,69 2,11 1,68 2,08 1,66 2,06 1,71 2,15 1,69 2,12 1,67 2,08 1,66 2,05 1,64 2,02 1,63 2,00 1,69 2,12 1,67 2,08 1,65 2,04 1,63 2,00 1,61 1,97 1,60 1,94 1,58 1,92 1,69 2,13 1,67 2,08 1,64 2,04 1,62 2,00 1,60 1,97 1,59 1,94 1,57 1,91 1,56 1,88 1,68 2,10 1,66 2,07 1,64 2,02 1,61 1,98 1,59 1,94 1,57 1,90 1,55 1,88 1,54 1,85 1,52 1,82 1,67 2,09 1,66 2,06 1,64 2,03 1,61 1,98 1,59 1,94 1,56 1,90 1,54 1,86 1,53 1,84 1,51 1,80 1,50 1,78 1,72 2,19 1,71 2,16 1,76 2,25 1,74 2,21 1,72 2,18 1,78 2,28 1,76 2,25 1,75 2,22 1,73 2,19 1,82 2,36 1,80 2,33 1,78 2,30 1,77 2,27 1,76 2,24 1,85 2,41 1,84 2,38 1,81 2,35 1,80 2,32 1,79 2,29 1,76 2,25 1,90 2,50 1,88 2,47 1,87 2,44 1,85 2,41 1,84 2,38 1,82 2,34 1,80 2,30 1,95 2,58 1,93 2,55 1,91 2,52 1,90 2,49 1,89 2,47 1,86 2,42 1,84 2,38 1,82 2,35 1,99 2,66 1,97 2,63 1,96 2,60 1,94 2,57 1,93 2,55 1,91 2,51 1,89 2,47 1,87 2,43 1,85 2,40 2,05 2,77 2,03 2,74 2,02 2,71 2,00 2,68 1,99 2,66 1,97 2,62 1,95 2,58 1,93 2,54 1,92 2,51 1,90 2,49 2,10 2,86 2,08 2,83 2,06 2,80 2,05 2,77 2,04 2,74 2,02 2,70 2,00 2,66 1,98 2,62 1,96 2,59 1,95 2,56 2,15 2,96 2,13 2,93 2,12 2,90 2,10 2,87 2,09 2,84 2,07 2,80 2,05 2,76 2,03 2,72 2,02 2,69 2,00 2,66 1,99 2,64 2,18 3,02 2,16 2,98 2,15 2,95 2,14 2,92 2,12 2,90 2,10 2,86 2,08 2,82 2,06 2,78 2,05 2,75 2,04 2,73 2,02 2,70 2,01 2,68 2,22 3,09 2,20 3,06 2,19 3,03 2,18 3,00 2,16 2,98 2,14 2,94 2,12 2,89 2,10 2,86 2,09 2,82 2,07 2,80 2,06 2,77 2,05 2,75 2,27 3,17 2,25 3,14 2,24 3,11 2,22 3,08 2,21 3,06 2,19 3,01 2,17 2,97 2,15 2,94 2,14 2,91 2,12 2,88 2,11 2,86 2,10 2,84 2,32 3,29 2,30 3,26 2,29 3,23 2,28 3,20 2,27 3,17 2,25 3,12 2,23 3,08 2,21 3,04 2,19 3,02 2,18 2,99 2,17 2,96 2,16 2,94 2,39 3,42 2,37 3,39 2,36 3,36 2,35 3,33 2,34 3,30 2,32 3,25 2,30 3,21 2,28 3,18 2,26 3,15 2,25 3,12 2,24 3,10 2,23 3,07 2,47 3,59 2,46 3,56 2,44 3,53 2,43 3,50 2,42 3,47 2,40 3,42 2,38 3,38 2,36 3,35 2,35 3,32 2,34 3,29 2,32 3,26 2,31 3,24 1,69 2,13 1,67 2,10 1,65 2,06 1,64 2,03 1,62 2,01 1,59 1,96 1,57 1,91 1,55 1,87 1,53 1,84 1,51 1,81 1,49 1,78 1,48 1,75

(suite)

Degrs de libert du dnominateur

26

4,22 7,72

3,37 5,53

2,89 4,64

2,74 4,14

2,59 3,82

27

4,21 7,68

3,35 5,49

2,96 4,60

2,73 4,11

2,57 3,79

28

4,20 7,64

3,34 5,45

2,95 4,57

2,71 4,07

2,56 3,76

29

4,18 7,60

3,33 5,52

2,93 4,54

2,70 4,04

2,54 3,73

Trait dconomtrie financire

30

4,17 7,56

3,32 5,39

2,92 4,51

2,69 4,02

2,53 3,70

32

4,15 7,50

3,30 5,34

2,90 4,46

2,67 3,97

2,51 3,66

34

4,13 7,44

3,28 5,29

2,88 4,42

2,65 3,93

2,49 3,61

36

4,11 7,39

3,26 5,25

2,86 4,38

2,63 3,89

2,48 3,58

2001 Presses de lUniversit du Qubec 2001 Presses de lUniversit du Qubec

38

4,10 7,35

3,25 5,21

2,85 4,34

2,62 3,86

2,46 3,54

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca

Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5

difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Tous droits de reproduction, de traduction ou dadaptation rservs

40

4,08 7,31

3,23 5,18

2,84 4,31

2,61 3,83

2,45 3,51

42

4,07 7,27

3,22 5,15

2,83 4,29

2,59 3,80

2,44 3,49

44

4,06 7,24

3,21 5,12

2,82 4,26

2,58 3,78

2,43 3,46

46 2,30 3,22 2,22 3,05 2,14 2,92 2,09 2,82 2,04 2,73 2,00 2,66 1,97 2,60 1,91 2,50 1,87 2,42 1,80 2,40 1,75 2,22 1,71 2,13 1,65 2,04 1,62 1,98 1,57 1,90 1,54 1,86 1,51 1,80 1,48 1,76 1,46 1,72 1,45 1,70 1,44 1,68 1,43 1,66 1,44 1,68 1,46 1,71 1,47 1,74 1,45 1,69 1,42 1,64 1,40 1,63 1,41 1,63 1,39 1,60 1,37 1,56 1,41 1,64 1,39 1,60 1,37 1,56 1,35 1,53 1,47 1,73 1,46 1,71 1,50 1,78 1,48 1,76 1,46 1,71 1,53 1,84 1,52 1,82 1,50 1,78 1,48 1,74 1,56 1,88 1,55 1,86 1,52 1,82 1,50 1,79 1,49 1,76 1,61 1,96 1,60 1,94 1,58 1,90 1,56 1,87 1,54 1,84 1,53 1,82 1,64 2,02 1,63 2,00 1,61 1,96 1,59 1,93 1,57 1,90 1,56 1,88 1,70 2,11 1,69 2,10 1,67 2,06 1,65 2,03 1,63 2,00 1,62 1,98 1,74 2,20 1,74 2,18 1,72 2,15 1,70 2,12 1,68 2,09 1,67 2,07 1,79 2,28 1,78 2,26 1,76 2,23 1,75 2,20 1,73 2,18 1,72 2,15 1,86 2,40 1,85 2,39 1,83 2,35 1,81 2,32 1,80 2,27 1,79 2,28 1,90 2,48 1,90 2,46 1,88 2,43 1,86 2,40 1,85 2,30 1,84 2,35 1,96 2,58 1,95 2,56 1,93 2,53 1,92 2,50 1,90 2,47 1,89 2,45 1,99 2,64 1,98 2,62 1,97 2,59 1,95 2,56 1,94 2,54 1,93 2,51 2,03 2,71 2,02 2,70 2,00 2,66 1,99 2,63 1,98 2,61 1,97 2,59 2,08 2,80 2,07 2,78 2,05 2,75 2,04 2,72 2,02 2,70 2,01 2,67 2,14 2,90 2,13 2,88 2,11 2,85 2,10 2,82 2,08 2,79 2,07 2,77 2,21 3,04 2,20 3,02 2,18 2,98 2,17 2,95 2,15 2,93 2,14 2,91 2,30 3,20 2,29 3,18 2,27 3,15 2,25 3,12 2,24 3,09 2,32 3,07

4,05 7,21

3,20 5,10

2,81 4,24

2,57 3,76

2,42 3,44

48

4,04 7,19

3,19 5,08

2,80 4,22

2,56 3,74

2,41 3,42

50

4,03 7,17

3,18 5,06

2,79 4,20

2,56 3,72

2,40 3,41

55

4,02 7,12

3,17 5,01

2,78 4,16

2,54 3,68

2,38 3,37

60

4,00 7,08

3,15 4,98

2,76 4,13

2,52 3,65

2,37 3,34

65

3,99 7,04

3,14 4,95

2,75 4,10

2,51 3,62

2,36 3,31

70

3,98 7,01

3,13 4,92

2,74 4,08

2,50 3,60

2,35 3,29

80 1,91 2,48 1,88 2,43 1,88 2,41 1,85 2,36 1,82 2,32 1,79 2,26 1,77 2,24 1,75 2,19 1,70 2,11 1,68 2,06 1,65 2,03 1,63 1,98 1,60 1,94 1,57 1,89

100

1,54 1,84 1,51 1,79

1,51 1,78 1,48 1,73

1,45 1,70 1,42 1,64

1,42 1,65 1,39 1,59

1,38 1,57 1,34 1,51

1,35 1,52 1,30 1,46

1,32 1,49 1,28 1,43

125

difice Le Delta I, 2875, boul. Laurier, bureau 450, Sainte-Foy, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.uquebec.ca

Tir de : Trait dconomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5

difice Le Delta I, 2875, boul. Laurier, bureau 450, Qubec, Qubec G1V 2M2 Tl. : (418) 657-4399 www.puq.ca Tir : Trait d'conomtrie financire, Franois-ric Racicot et Raymond Thoret, ISBN 2-7605-1123-5 D1123N

Tous droits de reproduction, de traduction ou dadaptation rservs

2001 Presses lUniversit du Qubec 2001 Presses de de lUniversit du Qubec

150

200

400

Annexe Tables statistiques

1000 2,09 2,80 2,01 2,64 1,94 2,51 1,88 2,41 1,83 2,32

3,11 4,88 3,09 4,82 3,07 4,78 3,06 4,75 3,04 4,71 3,02 4,66 3,00 4,62 2,21 3,04 2,19 2,99 2,17 2,95 2,16 2,92 2,14 2,90 2,12 2,85 2,10 2,82 2,12 2,87 2,10 2,82 2,08 2,79 2,07 2,76 2,05 2,73 2,03 2,69 2,02 2,66 2,05 2,74 2,03 2,69 2,01 2,65 2,00 2,62 1,98 2,60 1,96 2,55 1,95 2,53 1,99 2,64 1,97 2,59 1,95 2,56 1,94 2,53 1,92 2,50 1,90 2,46 1,89 2,43 1,95 2,55 1,92 2,51 1,90 2,47 1,89 2,44 1,87 2,41 1,85 2,37 1,84 2,34 1,86 2,40 1,85 2,37 1,83 2,34 1,81 2,29 1,80 2,26 1,83 2,33 1,82 2,30 1,80 2,28 1,78 2,23 1,76 2,20 1,77 2,23 1,76 2,20 1,74 2,17 1,72 2,12 1,70 2,09 1,72 2,15 1,71 2,12 1,69 2,09 1,67 2,04 1,65 2,01 1,65 2,03 1,64 2,00 1,