Introduction À La Modélisation Des Séries Temporelles

CHAPITRE I
` Introduction a la mod lisation des s ries temporelles e e stationnaires

Michel LUBRANO Septembre 2004
1 Introduction
La statistique se pr occupe de porter des jugements sur une population a partir de lobservation e ` dun echantillon de cette population. La plupart du temps lordre dans lequel sont echantillonn es e les observations na pas dimportance. Lexemple le plus simple que lon puisse prendre est celui des sondages dopinions. Lanalyse des s ries temporelles est tr` s diff rente de lanalyse statistique habituelle car lordre e e e des observations rev t ici une importance primordiale. Une s rie temporelle est d nie comme une e e e suite dobservations index es par le temps. On peut prendre comme exemple en economie une e s rie de prix, de taux dint r t, etc. Mais on peut trouver bien dautres exemples dans les autres e ee disciplines. Les s ries temporelles peuvent etre observ es de mani` re continue ou de mani` re discr` te. Dans e e e e e cet ouvrage, on ne consid rera que des s ries discr` tes observ es a intervalles r guliers. Certaines e e e e ` e s ries peuvent etre observ es a tout moment, m me si on choisit de ne les observer qu` certain e e ` e a Ce sont des ux. Par contre dautres s ries e moments. Par exemple les prix, les taux dint r t, ee sont d nies comme des accumulations de valeurs et doivent etre observ es a intervalles xes. Ce e e ` sont des stocks. Essayez de comprendre la diff rence entre une observation trimestrielle du PIB e et une observation annuelle de celui-ci. La diff rence entre ces deux types de s ries peut etre e e importante quand il sagira de les mod liser. e On a le sentiment en observant un graphique de ces s ries que la valeur prise au temps d pend e e fortement de la valeur prise au temps . Le processus qui les engendre est dynamique. On voudra en construisant un mod` le, acqu rir de linformation sur ce processus th orique que lon e e e appelle Processus de G n ration des Donn es ou PGD. Le probl` me est alors de trouver le mod` le e e e e e pratique qui approchera le plus possible le processus th orique et ensuite de lestimer. Une fois e cette etape franchie, on pourra faire de la pr vision ou du contr le avec ce mod` le. Les types de e o e mod` les que lon peut consid rer sont nombreux. En statistique on va sint resser a mod liser e e e ` e une s rie univari e au moyen dun mod` le ARMA, ou bien consid rer plusieurs s ries a la fois e e e e e ` et les mod liser conjointement dans un mod` le multivari ou mod` le VAR. Mais ce qui va nous e e e e int resser plus particuli` rement dans cet ouvrage cest la mod lisation conditionnelle au moyen e e e 1
2 RAPPELS ET OUTILS STATISTIQUES
de mod` les econom triques. On va toujours consid rer plusieurs s ries, mais en mod liser une e e e e e (ou plusieurs) conditionnellement aux autres en faisant la distinction entre variables endog` nes et e variables exog` nes. On passera donc dun mod` le marginal a un mod` le conditionnel. e e ` e Dans cet ouvrage, nous nous attacherons a souligner la relation qui existe entre les deux types ` dapproche, statistique et econom trique. Le but nal sera de montrer comment lon passe dun e mod` le VAR a un mod` le econom trique a equations simultan es et quelles hypoth` ses sont n cessaires e ` e e ` e e e pour cela. Le deuxi` me but de cet ouvrage est de prendre en compte la nature non-stationnaire des e donn es economiques en montrant les probl` mes que cela pose. Cest toute la question des racines e e unitaires et de la coint gration. e Ce chapitre a un but introductif. Il doit pr senter dans un cadre univari certains outils math matiques e e e et mod` les simples employ s par la statistique des s ries temporelles. Y seront ensuite abord s les e e e e mod` les econom triques dynamiques traditionnels et en particulier le mod` le a correction derreurs. e e e `
2 Rappels et outils statistiques

La branche de la statistique math matique qui sint resse aux s ries temporelles a d velopp plusieurs e e e e e mod` les de repr sentation des s ries temporelles dont nous allons tr` s bri` vement rappeler les plus e e e e e simples. Il sagira de pr ciser quelques notions sur les mod` les AR, MA et ARMA univari s et e e e quelques outils math matiques qui leurs sont reli s. e e
2.1 Processus stochastiques stationnaires

Un processus stochastique est une suite de variables al atoires r elles qui sont index es par le temps: e e e Z Z
Ici appartient a un espace discret, ce qui d nit un processus en temps discret. Si lon veut etre ` e plus pr cis quant a la d nition dun processus stochastique, celui-ci est une famille de variables e ` e al atoires e cest a dire de fonctions mesurables de dans IR d nies ` e sur un espace de probabilit e o` donc d signe lespace des echantillons, la structure u e la mesure de probabilit sur . Pour chaque point de lespace e de sigma alg` bre sur et e des echantillons , la fonction qui a associe ` est appel e la trajectoire du processus. Les e observations successives forment lhistoire du processus. On peut les noter: pour d signer e lhistoire entre et . La famille est croissante avec le temps. pour . Lorsque chacune des variables verie E la loi du processus est partiellement r sum e par lesp rance des diff rentes variables et par leurs covariances. Ces moments d pendent e e e e e en g n ral du temps, ce qui est g nant quand de lobservation de r alisations du processus on veut e e e e tirer de linformation sur la loi sous-jacente de ce processus. Pour pouvoir obtenir une accumulation dinformation on est amen a consid rer des processus dits stationnaires. e` e D nition 1 Un processus est stationnaire au second ordre si: e -
Z E Z, Z E Z,
ind pendant de e
Z Cov Z,
ind pendant de e
" !

&)(' &# % # $ #
La stationnarit est aussi une propri t dinvariance des moments par translation dans le temps. e ee On peut montrer que cette propri t dun processus stochastique se conserve quand on prend une ee combinaison lin aire de plusieurs processus stochastiques stationnaires. Cest un moyen commode e pour d nir de nouveaux processus stationnaires. e
alors
est un nouveau processus stationnaire si:
Un exemple de processus stationnaire est fourni par les bruits blancs. Ce sont des suites de variables al atoires de moyenne nulle, non corr l es et de m me variance. Dans un mod` le de e ee e e r gression on requiert que les r sidus soient des bruits blancs. e e Tr` s proche de cette notion de r sidu,on trouve dans la litt rature une lappellation innovation e e e dun processus. Cest la partie non pr visible du processus. On aura: e D nition 2 e etant un processus stationnaire au second ordre, on appelle innovation du proces sus a la date la variable d nie par: e `
o` u
est lensemble dinformation sur le processus disponible au temps .
Lensemble dinformation peut comprendre tout le pass du processus. Lesp rance est prise ici e e conditionnellement a ` au sens desp rance conditionnelle. Il sagit de la meilleure pr vision de e e un ensemble dinformation. Dans un contexte lin aire, il sagit dune fonction de r gression. e e On notera enn que si les variables al atoires qui d nissent le processus stationnaire sont toutes e e normales, alors lesp rance et la fonction dauto-covariance r sument enti` rement le processus. e e e Dans un processus d chantillonnage ind pendant, on a par hypoth` se que: e e e Cov
On a evidemment , mais aussi . Le graphique de cette fonction est appel e corr logramme de la s rie temporelle. Ce graphique permet de visualiser la longueur de la m moire e e e du processus. Il est essentiel de pouvoir limiter la m moire dun processus. Cest la notion dergodicit . La e e propri t que lon recherche est celle de laccumulation dinformation quand on calcule la moyenne ee du processus (th or` me ergodique). On veut que la moyenne empirique soit un estimateur consistant e e et que la variance de cet estimateur tende vers z ro. On se rend compte que si un processus est e cyclique, ce qui revient a dire que des observations tr` s eloign es peuvent etre corr l es entre elles, ` e e ee on narrivera pas a accumuler de linformation. On a la d nition suivante de lergodicit : ` e e
Dans un processus stochastique, cette hypoth` se est evidemment rel ch e et lon sint resse partie a e e culi` rement a la m moire du processus, cest a dire a sa fonction dauto-covariance e ` e ` ` . Comme celle-ci d pend des unit s de mesure, on peut d cider de la normaliser pour d nir alors la fonction e e e e dauto-corr lation: e
&)
(' "&#

Propri t 1 Si ee sommable avec:
est un processus stationnaire et si
) &)&
est une suite de nombres r els absolument e

D nition 3 Un processus stationnaire au second ordre est dit ergodique si: e
Une condition n cessaire, mais non sufsante pour quun processus stationnaire au second ordre e soit ergodique est quil satisfasse la propri t suivante: ee
Lergodicit est une forme faible de lind pendance asymptotique. e e
2.2 Processus stochastiques g n raux e e

On peut diviser les processus stochastiques en deux classes selon quils sont param triques ou e non param triques. A la n de cette section, on etudiera deux processus param triques, cest a e e ` dire deux processus pour lesquels il existe une equation param trique qui d nit le m canisme de e e e g n ration des donn es. Un processus non param trique au contraire est d ni simplement par des e e e e e propri t s g n rales. Nous allons d tailler dans cette section deux types de processus: les processus ee e e e Markoviens et les martingales. Un processus a la propri t de Markov dordre un si lon a besoin que de son pr sent (la valeur ee e et non de son pass pour pr voir le futur. e e de D nition 4 Le processus stochastique e E
a la propri t de Markov a lordre 1 si: ee ` E
La propri t de Markov nest pas une restriction sur la m moire du processus, mais simplement ee e sur la m moire conditionnelle. Si on suppose en plus que le processus est normal, stationnaire et e ergodique, on a pour un processus de Markov a lordre : `
Le second type de processus que lon va mentionner, ce sont les martingales. On a:
D nition 5 Soit e un processus stochastique d ni sur e et IN une suite croissante de -alg` bres e IN . est une martingale par rapport a lensemble ` dinformation si lon a: it est une v.a. par rapport a `
- E - E
Lensemble dinformation est constitu par la suite croissante des -alg` bres g n r s par e e e ee On d duit de cette d nition que la moyenne du processus est constante et que: e e
IN
#

.
$ $
# # '

& )( &) (

Limportance des martingales vient du fait que ce sont dun c t des processus sufsamment g n raux oe e e pour englober la plupart des autres processus, mais dun autre c t des processus assez restrictifs oe pour permettre lapplication de certains th or` mes limites pour etablir des propri t s asymptotiques. e e ee En particulier on suppose parfois que les innovations dans un mod` le suivent un processus de mare tingale en diff rence: e
est une v.a. par rapport a `
- E - E
Comme exemple, on peut donner linnovation dun processus qui est une martingale en diff rence par rapport a la suite des -alg` bres g n r s par e ` e e ee . Pour plus de d tails sur e les processus stochastiques, on pourra consulter par exemple Spanos (1986), chapitre 8.
2.3 Th or` me de Wold e e

Un processus stochastique non param trique se d nit a partir de la distribution jointe des obsere e ` vations ou de ses premiers moments. Un processus stochastique param trique se d nit au cone e traire a partir dun m canisme de g n ration qui est index par des param` tres. Il est possible ` e e e e e de caract riser ce m canisme de mani` re tr` s g n rale au moyen du th or` me de Wold (1954). e e e e e e e e Ce th or` me montre que tout processus stationnaire peut etre repr sent de mani` re unique par e e e e e la somme de deux composantes ind pendantes, une composante r guli` re parfaitement pr visible e e e e parfois appel e d terministe et une composante stochastique: e e Th or` me 1 Soit un processus stationnaire e e r guli` re et une composante stochastique e e
. Il est toujours possible de trouver une composante telle que:
o` u
un bruit blanc.

D nition 6 e -alg` bres e
est un processus martingale en diff rence par rapport a la suite croissante des e ` si:
e Si repr sente la fortune dun parieur apr` s son i` me pari, alors la d nition dune martingale e e e i` me pari est egale a la valeur de sa fortune apr` s son e dit que sa fortune esp r e apr` s son ee e ` e i` me pari, ind pendamment de ce qui a pu se passer auparavant. Le fait que sa fortune suive une e e martingale correspond a la notion de pari ou de jeu equitable. ` Comme exemple de martingale, on peut donner lexemple simple suivant. Soit une suite de v.a. ind pendantes de moyenne nulle. Une martingale e relative a la suite des -alg` bres g n r e ` e e ee par est d nie par: e
$
Ce th or` me est a la base de la mod lisation des s ries temporelles stationnaires. On en donnera e e ` e e une version multivari e dans le chapitre 4. La composante stochastique est exprim e sous la forme e e de ce que lon appelle un processus moyenne mobile innie. Un des buts de la mod lisation consiste e a approximer cette moyenne mobile innie par un processus ayant un nombre ni de param` tres. ` e Cest ce que lon verra en etudiant les processus AR, MA et ARMA. Mais avant d tudier ces e processus particuliers, il est utile dintroduire un op rateur particulier, lop rateur retard qui permet e e de simplier les manipulations.
2.4 Op rateur retard e

On aura souvent a consid rer une variable en fonction de son pass . Il est donc commode de d nir ` e e e un op rateur qui transforme une variable e en sa valeur pass e. Cest lop rateur retard d sign e e e e par la lettre et tel que: et Cet op rateur sera utilis a lint rieur de polyn mes not s par exemple: e e` e o e
Alors:
Les op rations usuelles telles que laddition, multiplication, division et inverse sont possibles sur e lensemble des polyn mes de retard avec les m mes propri t s que sur les s ries enti` res. On va o e ee e e d tailler deux op rations qui sont linverse et la division. e e Pour parler de linverse dun polyn me de retard, il est commode dans un premier temps de o consid rer un polyn me particulier qui est le polyn me de retard de degr un d ni par: e o o e e
Pour
ce polyn me poss` de un inverse, cest a dire que lon peut d nir: o e ` e
en se souvenant des propri t s des progressions g om triques. Consid rons maintenant le polyn me ee e e e o de degr que lon note: e
et montrons comment on peut linverser a partir du r sultat pr c dent. Il faut se ramener a une s rie ` e e e ` e dop rations el mentaires o` lon aurait a inverser que des polyn mes de degr un. Calculons pour e e u ` o e cela les racines de l quation caract ristique en : e e
On peut alors factoriser le polyn me o
en:
$$ $ $

$$

$ $

On peut remarquer que le produit des racines est egal a `
Dautre part on a la factorisation:
ce qui permet dexprimer le polyn me en o
On peut alors ramener le calcul de linverse de
Une op ration tr` s pratique que lon peut op rer sur les polyn mes en g n ral et les polyn mes e e e o e e o de retard en particulier est ce que lon appelle la division des polyn mes. Si lon range un polyn me o o par puissances d croissantes, on effectuer une division par un autre polyn me aussi facilement (ou e o a peu pr` s) que ce que lon effectue la division Euclidienne de deux nombres. Nous allons r soudre ` e e un exemple qui sav rera tr` s utile par la suite, car il permet de factoriser le polyn me e e o :
ou dune mani` re g n rale: e e e
$ $ $ $
Cet exemple permet de montrer que:
$ $ $ $ $$ $ $ $$ $
Cet inverse existe si les racines Linverse cherch est donc: e
de l quation caract ristique sont toutes en dehors du cercle unit . e e e
car:

sous la forme:
au calcul simple suivant que lon sait effectuer:
car:

Si est le degr du polyn me e o avec: , le polyn me o sera de degr e
et ses coefcients sont d nis par: e
Consid rons maintenant e
de la forme:
On peut montrer par une technique similaire de division de polyn me les relations suivantes: o
o` les coefcients du polyn me u o
sont d nis par: e
Deux autres factorisations de ce polyn me seront utiles dans la suite de cet ouvrage. Par de simples o manipulations alg briques, on arrive a: e `
que lon r ecrira parfois comme: e
Cette ecriture sera utilis e dans le chapitre sur les tests de racine unitaire en posant e . Cette derni` re ecriture permet de montrer que si un polyn me de retards comporte une racine unie o taire , alors la somme de ses coefcients est egale a z ro. Il suft pour cela dy poser ` e .
2.5 Processus moyenne mobile

Un processus qui est g n r par l quation: e ee e
est un processus moyenne mobile a lordre un, ou MA(1). Ce processus se g n ralise a lordre : ` e e `
o` u est un polyn me de retard de degr avec o e . La moyenne du processus est clairement nulle. On peut introduire une moyenne non nulle en consid rant: e
%
et:

' $ $ '

$ $

sans terme constant

La variance du processus se trouve directement:
Calculons lauto-covariance a lordre un du processus ` E
Il est facile de voir que un peu plus complexe:
On verra, qu` la diff rence des processus auto-r gressifs, lauto-covariance sannule d` s que lon a e e e . Dans le cas dun lauto-corr lation a lordre un est: e ` d passe lordre du polyn me e o
qui est toujours inf rieure ou egale a un demi en valeur absolue. e ` Un processus MA(s) est toujours stationnaire par d nition. Mais on peut toujours aussi d nir e e l quation caract ristique associ e au polyn me e e e o . Si les racines de cette equation sont toutes en dehors du cercle unit , alors ce polyn me est inversible et le processus est dit aussi inversible. Il e o existe alors une repr sentation auto-r gressive innie de ce processus d nie par: e e e
Prenons maintenant deux processus MA(1) ind pendants e et avec et deux bruits blancs ind pendants. Consid rons la somme de ces deux MA(1): e e
Il est facile de voir que est de moyenne nulle, de variance la somme des variances de et de et dauto-covariance, , la somme des auto-covariances de et de . On v rie egalement que e pour . On peut donc ecrire
avec bruit blanc. a donc toutes les propri t s dun MA(1). Ce r sultat se g n ralise facileee e e e ment. Consid rons deux processus MA e et MA . La somme de ces deux processus est un MA .
$ $ ) " ) $ "& & '( ($ ( ( &) &) ) $ $ ) $ $)

: pour un . La formule g n rale de e e pour un E E si si

est (23) (24) (25)
10
2.6 Processus auto-r gressifs e

Un processus qui est g n r par l quation: e ee e
o` est un bruit blanc de moyenne nulle et de variance u est appel processus autor gressif a e e ` lordre un. On peut calculer la moyenne de ce processus en posant: E E E
Si le processus est stationnaire
, on a alors: E
Lesp rance de sera alors egale a . Elevons maintenant au carr chacun des termes du mod` le e ` e e initial et prenons en lesp rance. Ceci permet de calculer la variance du processus: e E E E E
que lon r sout en: e
Var
Cette variance nexiste bien s r que si le processus est stationnaire. Lauto-covariance au premier u ordre sobtient ais ment car: e E E
Comme le dernier terme est nul, il reste:
ce qui montre que lauto-covariance dun processus d crot r guli` rement. e e e Un processus AR se g n ralise a lordre en consid rant: e e ` e
L quation caract ristique associ e a ce polyn me se note: e e e ` o

o` u
est un polyn me de retards a lordre que lon ecrit: o `
que lon peut g n raliser en: e e
ce qui montre que la moyenne est nulle. On peut g n raliser l criture du mod` le pour consid rer e e e e e une esp rance non nulle avec: e

$$ $ $ )( &) ) ) $ ) $ $ ) $ $ $ $ % % % $

11
Dans le cas dun
, ceci se r sout en: e
Consid rons deux processus AR(1) ind pendants pour en calculer la somme: e e
Si , la somme de ces deux processus est facile a faire et lon aura ` , ce qui signie que sera aussi un AR(1). Dans le cas g n ral, il faut se ramener au e e cas o` les deux polyn mes auto-r gressifs sont identiques, ce qui sobtient en multipliant chaque u o e processus par le polyn me de retard de lautre, ce qui fait o
La somme de ces deux processus transform s donne alors e
On obtient donc un nouveau processus auto-r gressif, mais dordre 2 et dont les erreurs suivent un e MA(1). Il sagit dun ARMA(2,1). Ce r sultat se g n ralise facilement. La somme dun AR e e e et dun AR ind pendants donnera un ARMA e .
2.7 Equations de Yule et Walker
Consid rons un processus auto-r gressif dordre d ni par: e e e
et sa fonction dauto-covariance . Dans le cas o` u on a vu comment calculer et montr que celle-ci d pendait de facon unique du coefcient de e e . Le calcul devient un peu plus complexe d` s que e . On a recours pour ceci aux equations dite de Yule et Walker (voir par exemple Gourieroux and Monfort (1990), page 180. Multiplions par les deux c t s du processus oe auto-r gressif. On a: e
et en prenant lesp rance, on obtient une expression de lauto-covariance a lordre z ro: e ` e
&)

Le processus AR(r) est stationnaire si toutes les racines de cette equation caract ristique sont a e ` lext rieur du cercle unit . Dans le cas dun processus e e cette condition se ram` ne a e ` . Quand un processus AR(r) est stationnaire, on peut toujours lui faire correspondre un autre type de processus que lon va etudier dans la section 2.6, cest un processus moyenne mobile inni MA( ):
$ $ $ $
$ )) $$ $ &)

et donc:
12
Si maintenant on cherche une relation de r currence pour d nir lauto-covariance a lordre avec e e ` strictement positif, il suft deffectuer la m me op ration, mais en prenant e e , ce qui donne:
On obtient une expression identique pour les auto-corr lations en divisant par e . En ecrivant cette expression pour variant de a et en tenant compte de la parit de ` e , on obtient les equations dites de Yule-Walker qui forment un syst` me de equations a inconnues: e `
Si les auto-corr lations sont connues, la r solution de ce syst` me permet de trouver les valeurs des e e e param` tres du processus auto-r gressif dordre qui les ont engendr . En exprimant diff remment e e e e e e e le syst` me, on peut trouver, connaissant la suite des param` tres , les premi` res auto-corr lations e du processus. Les suivantes sont alors donn es par la relation de r currence pr c dente, en se sere e e e vant des valeurs trouv es pour les premi` res. Le syst` me d quation nest pas difcile a trouver e e e e ` pour chaque cas particulier. Exemple 1: Consid rons lAR(2) suivant: e
Les equations de Yule Walker permettent d crire: e
do` lon tire lexpression des deux premi` res auto-corr lations: u e e
Il suft ensuite dappliquer la relation de r currence pour trouver: e
$ $ $ $ $ $ $ $ $$
. . .
. . .
. . .
. . .
. . .
&

$ & ) &

"&# &)&)
$ )

&
13
2.8 Processus ARMA

Les deux mod` les pr c dents sont simples, mais ils n cessitent parfois un grand nombre de param` tres e e e e e pour obtenir un ajustement correct aux donn es. Aussi il est int ressant de d nir une classe de proe e e cessus mixtes dit processus ARMA au moyen de l quation: e
Ces processus jouent un tr` s grand r le dans la mod lisation statistique des s ries temporelles. e o e e Ils ont et popularis s par Box and Jenkins (1976). Ils permettent une repr sentation tr` s parcie e e e monieuse des s ries temporelles. Intuitivement, un AR(1) r sume un MA( ) et un MA(1) r sume e e e un AR( ). Un ARMA(1,1) devrait donc au moyen de deux param` tres simplement repr senter e e raisonnablement bien une large classe de processus. Un processus qui est g n r par l quation: e ee e
est un processus ARMA(r,s) o` et sont les ordres des deux polyn mes de retard. On peut u o . Ce processus rajouter une moyenne non nulle au processus en ecrivant est stationnaire si toutes les racines du polyn me o sont en dehors du cercle unit et inversible si e toutes les racines du polyn me o sont en dehors du cercle unit . Il est assez difcile de calculer e les auto-covariances de ce processus, contrairement aux processus AR et MA simples. Aussi va-t-on se limiter au cas ARMA(1,1) qui est bien utile dans la pratique. Partant de
on peut d j` calculer la variance ( ea en prenant lesp rance: e E E E
Lauto-covariance a lordre 1 sobtient dune mani` re similaire en multipliant l quation de d part ` e e e par et en prenant lesp rance: e E E E
Comme dans les processus AR, on a la relation , . Mais a linverse des ` processus AR purs, cette relation nest plus vraie pour . On a alors la formule g n rale e e qui donne lauto-covariance a lordre en fonction des param` tres et ` e de la variance de .
$ ) ) " )) $ $ ) $ ) $ $ $ ) $ $ $ $$ $ $ $ $ $ $ $ $ ) % %
) en elevant au carr les deux membres de cette equation et e

14
2.9 M thodologie de Box et Jenkins e

Box and Jenkins (1976) ont promu une m thodologie consistant a mod liser les s ries temporelles e ` e e au moyen des processus ARMA. Ces processus sont parcimonieux et constituent une bonne approximation de processus plus g n raux pourvu que lon se restreigne au cadre lin aire. Les mod` les e e e e ARMA donnent souvent de bon r sultats en pr vision et ont b n ci de la vague de scepticisme e e e e e quant a lint r t des gros mod` les econom triques (voir par exemple Ashley (1988)). ` ee e e La m thodologie de Box et Jenkins peut se d composer en quatre etapes: e e 1) Transformer la s rie etudi e de mani` re a la stationnariser. Loutil utilis est le graphique des e e e ` e auto-covariances. 2) D terminer une valeur plausible pour lordre des parties AR et MA au moyen des graphiques e dauto-corr lation et dauto-corr lation partielle. e e 3) Estimer les param` tres e 4) V rier les qualit s pr dictives hors echantillon du mod` le au moyen de tests. e e e e Nous nallons pas reprendre chaque etape, mais plut t nous concentrer sur lutilisation des outils o statistiques donnant une indication sur la m moire de la s rie a mod liser et sur la facon dinterpr ter e e ` e e les graphiques fournis par ces outils pour sp cier un mod` le ARMA parcimonieux. Il sagit prine e cipalement des fonctions dauto-corr lation et dauto-corr lation partielle. On pourrait y ajouter les e e corr lations canoniques. e La suite de toutes les auto-corr lations dune s rie contient toutes les informations sur la m moire e e e de cette s rie. On lestime au moyen de e
Notez que lon utilise observations pour calculer la moyenne et la variance, alors que lon en utilise que pour calculer . Donc quand , lestimateur de tend vers zero si le processus est stationnaire en covariance. Le graphique des auto-corr lations peut servir a plusieurs e ` choses. Tout dabord, on sait que si un processus est non-stationnaire, lestimateur tend vers 1 pour . Dans la pratique, cest a dire pour ni, les les auto-corr lations dune ` e s rie non-stationnaire vont d crotre lentement. Ce sera donc une indication pour diff rencier la e e e s rie de mani` re a la rendre stationnaire. On etudiera dans le chapitre 3 des proc dures de test e e ` e rigoureuses pour d terminer quand il faut diff rentier une s rie pour la stationnariser. Ensuite, on a e e e vu que les auto-corr lations dun processus MA(s) etaient nulles pour e . Si le graphique des auto-corr lations empiriques chute brusquement apr` s e e , on pourra donc dire que lon est en pr sence dun MA(s). Pour d cider si e e , on a besoin de son ecart-type. On peut montrer que si le vrai processus est un MA(s), alors la variance de lestimateur des auto-corr lations a lordre e ` sera egale a ` Var
&
& &) &) )&) & ( '( &) "&
$ & & &
&
"&
` 3 DEUX MODELES ECONOMETRIQUES DYNAMIQUES TRADITIONNELS
15
Les auto-corr lations dun AR(p) d croissent lentement dans le temps, mais il nest gu` re pose e e sible de d duire une valeur a partir de lexamen du corr logramme. On cherche donc une transfore ` e mation du corr logramme que lon va appeler e telle que si le processus suit un AR(p), alors pour . Les equations de Yule-Walker (47) donnent la relation existant entre les auto-corr lations e dun processus auto-r gressif et ses coefcients . Ecrivons ce syst` me sous e e la forme
On peut r soudre ce syst` me g n rique pour chaque taille e e e e . On va extraire de cette r solution la suite des e et lon prendra . On appellera la suite des autocorr lation partielles. Dans un AR(p), e correspond au coefcient de r gression du i` me ree e sera nul. Pour estimer , on peut proc der e tard. Si le vrai mod` le est un AR(p-1), alors e par moindres carr s successifs ou bien employer lalgorithme r cursif de Durbin a partir des autoe e ` corr lations empiriques(voir Box and Jenkins (1976), chapitre 3). Mais cette derni` re solution est e e parfois num riquement instable quand on est proche de la non-stationnarit et en tout cas ne donne e e quune approximation, toutefois sufsante dans la pratique. Sous lhypoth` se que le vrai processus e est un AR(p), alors la variance de lestimateur , , etc est approximativement egale egale a ` .
3 Deux mod` les econom triques dynamiques traditionnels e e

Nous allons maintenant examiner comment on a traditionnellement introduit la dynamique en econom trie e dans le cadre dun mod` le conditionnel a une seule equation. Il sagit de deux mod` les tr` s simples e ` e e qui d crivent des comportements particuliers quil faut connatre et qui sont le mod` le dajustement e e partiel et le mod` le danticipation adaptative. Mais avant cela il faut d nir deux types de mod` les e e e econom triques standards (mod` les a retards echelonn s et mod` le auto-r gressif) qui en fait font e e ` e e e un peu le pendant aux mod` les AR et MA des s ries temporelles et dont on a parl plus haut. On e e e consultera avec prot louvrage de Harvey (1981), chapitre 7.
3.1 Mod` les a retards echelonn s et anticipations adaptatives e ` e

Un mod` le a retards echelonn s se note: e ` e
Les coefcients sont les coefcients de retards. Il d terminent la facon dont va r pondre a e e ` un changement dans . D` s lors que lon suppose que les e sont des bruits blancs Gaussiens, il na pas de probl` me statistique particuliers pour estimer les coefcients de ce mod` le. Toutefois e e une s rie temporelle evolue lentement au cours du temps si bien que les diff rents retards de la e e variable auront tendance a etre corr l s entre eux. On va donc se heurter a un probl` me de ` ee ` e multi-colin arit qui va g ner la pr cision dans lestimation des coefcients de r gression. On va e e e e e imposer une structure particuli` re a la forme des coefcients de retards pour diminuer le nombre de e ` param` tres a estimer. On r sout le probl` me de multi-colin arit en introduisant une information e ` e e e e suppl mentaire. Plusieurs structures sont possibles: e
(( & (( & & $ ( ( ( (( $ ( ( $( $ ( ( & " & &

% %
. . .
. . .
. . .
. . .
. . .
16
- Almon (1965): les coefcients sont contraints par un polyn me de degr inf rieur au nombre o e e de retards, en g n ral 2 ou 3. e e - retards echelonn s rationnels: la structure des retards est d termin e par le ratio de deux e e e polyn mes de retards (voir Griliches (1967)). o - retards g om triques ou de Koyck. Les coefcients de retards d croissent de mani` re expoe e e e nentielle avec la longueur du retard. Cest un cas particulier du pr c dent. e e Examinons en d tail ce dernier cas. On a: e avec
Les valeurs des d croissent tr` s vite avec le temps. Aussi il nest pas tr` s restrictif de supposer un e e e nombre de retards inni. Cela est m me tr` s commode pour les calculs. Ecrivons le mod` le: e e e
Il peut alors se mettre sous la forme:
qui montre donc que les retards g om triques peuvent etre obtenus comme le ratio de deux polyn mes. e e o En multipliant par les deux membres cette expression, on tombe sur un mod` le autoe r gressif: e Ce mod` le semble plus simple que le pr c dent, mais comporte un terme derreurs auto-corr l es, e e e ee ce qui rend sont estimation impossible par moindres carr s a cause de la pr sence dune variable e ` e endog` ne retard e. Il faut avoir recours a une proc dure par maximum de vraisemblance. e e ` e Ce mod` le peut se g n raliser facilement de mani` re a d nir les mod` les a fonction de transe e e e ` e e ` fert:
o` le premier ratio mod lise la dynamique syst matique du mod` le et le second la dynamique des u e e e termes derreur. Le mod` le danticipations adaptatives a et introduit par Nerlove (1958) pour des exemples e e agricoles et par Cagan (1956) pour des probl` mes mon taires. On suppose que la d cision de e e e . Au moment de prendre sa d cision de planter lagriculteur e production depend du prix futur doit anticiper le prix futur. On aura donc:
Comment anticiper le prix? Un sch ma danticipations adaptatives relie la r vision dans les anticie e pations aux erreurs commises par le pass selon la formule: e

% %
% % %

) '
'
'
17
avec qui mesure la vitesse de r action. R solvons cette equation pour trouver lanticipation e e en fonction des prix pass s: e et en posant
ce qui montre que lanticipation est form e comme un retard echelonn inni sur les prix pass s. e e e On va maintenant substituer le mod` le danticipation dans l quation qui d nit la production: e e e
que lon peut r soudre en multipliant tout par e
qui est un cas particulier du mod` le a fonction de transfert. e `
3.2 Mod` les auto-r gressifs et ajustement partiel e e

On peut d cider alternativement de consid rer d` s le d part une forme particuli` re de dynamique en e e e e e incluant lendog` ne retard e dans un mod` le statique. On a donc simplement: e e e
o` est cette fois-ci un bruit blanc. Ce mod` le est donc tr` s simple. Une condition de stationnarit u e e e . On peut exprimer ce mod` le en utilisant lop rateur retard: e e est bien s r que u
et en divisant les deux membres par on arrive a un mod` le a retards echelonn s innis ` e ` e mais avec cette fois-ci une dynamique sur les termes derreur a la diff rence du mod` le simple a ` e e ` retards echelonn s. On a: e
ou bien en terme de sommes innies:
Un mod` le auto-r gressif peut etre g n ralis en un mod` le auto-r gressif a retard echelonn s e e e e e e e ` e (ARE) que lon d taillera par la suite: e
Le mod` le ARE et le mod` le a fonction de transfert ont la m me dynamique syst matique, mais e e ` e e une dynamique diff rente sur les r sidus. e e Le mod` le dajustement partiel a une tr` s longue histoire en econom trie et on peut le faire e e e remonter egalement a Nerlove (1958). On consid` re une variable economique a laquelle on xe ` e ` a atteindre. Ce peut etre par exemple un niveau d sir dinvestissement ou demploi ` e e un objectif

) ) ' )')

% %
) )

4 ANALYSE DES PROPRIETES DYNAMIQUES
18
Pour toutes une s ries de raisons il est en g n ral co teux dajuster trop rapidement une variable a e e e u ` sa cible. On pose alors: avec . Cette relation d crit un ajustement dont la vitesse d pend de . Pour e e lajustement est instantan . En remplacant par sa valeur dans la relation dajustement, on obtient: e
qui est exactement un mod` le auto-r gressif avec r sidus bruits blancs. Par rapport au mod` le ARE, e e e e on remarque labsence de retard sur . Ce type de mod lisation de la dynamique a et utilis de e e e mani` re extensive lors de la construction du mod` le europ en COMET par Barten, dAlcantara, and e e e Carrin (1976).
4 Analyse des proprietes dynamiques

Nous allons ici analyser la caract risation de la dynamique de la partie syst matique du mod` le. Les e e e r sultats seront donc identiques pour les deux mod` les etudi s pr c demment. On sint resse au e e e e e e cheminement moyen de cest a dire a lesp rance de conditionnellement aux valeurs pr sentes ` ` e e et pass es des exog` nes. En suivant les notations pr c dentes on a: e e e e E
On voit que cette esp rance est une fonction des coefcients de retards dun mod` le a retards e e ` echelonn s innis. Il sagit donc de d terminer cette suite innie de coefcients et de tenter de e e la r sumer au moyen de diverses caract ristiques. Pour cela il faut bien s r que cette suite soit e e u soient toutes situ es a e ` convergente, ce qui implique entre autres que les racines du polyn me o lext rieur du cercle unit . Les racines de ce polyn me correspondent a l quation caract ristique e e o ` e e . Une solution d quilibre pour le mod` le est alors possible etant donn que si e e e est constant, sera aussi constant et lon aura:
Leffet total est donc obtenu comme le ratio entre la somme des coefcients de et la somme , cest a dire sans calculer la suite des coefcients de retards. Mais nous ` des coefcients de pouvons parfois avoir besoin de celle-ci. D nissons: e
On peut calculer cette suite simplement par une op ration de division de polyn mes classique. On e o peut aussi proc der par identication au moyen de la formule: e
4.1 Calcul des coefcients de retard individuels
) )
pour une entreprise. Ce niveau d sir est d termin par un mod` le auxiliaire en fonction de variables e e e e e exog` nes: e
$
$
! ) ) )
)
4 ANALYSE DES PROPRIETES DYNAMIQUES
19
puis:
si si
4.2 Multiplicateurs
Il est parfois commode de normaliser les multiplicateurs dint rim par rapport au multiplicateur e total de mani` re a pouvoir calculer le pourcentage de leffet apr` s periodes, sachant qu` linni e ` e a leffet sera total.
4.3 Retard moyen et m dian e

On peut d cider de normaliser la suite des e par leur somme. Si tous les sont positifs, on et peut alors les interpr ter comme des probabilit s d nies sur la suite des entiers e e e calculer certaines caract ristiques comme la moyenne et la m diane. Le retard moyen est alors egal e e a: `
! $ ! ! ! ! !! $ !!
Le retard m dian est plus difcile a calculer. Il faut proc der par interpolation. Il est donc assez peu e ` e employ [voir Harvey (1981), chapitre 7]. e Il est possible de pousser plus avant lidentication formelle entre les coefcients normalis s e de et des probabilit s d nies sur la suite enti` re des retards comme le fait Griliches (1967). e e e Consid rons e avec et tous les positifs. Si converge pour , alors est appel e une fonction g n ratrice de probabilit s. Entre autres propri t s, on a que e e e e ee lesp rance de la variable qui est distribu e selon la distribution g n r e par e e e ee est egale a la ` d riv e premi` re de e e e calcul e au point e . La variance fait intervenir la d riv e seconde e e , not e e . Son expression est donn e par e . Appliquons ces de formules a notre cas. Le retard moyen que met un choc sur a se transmettre a se calcule a partir ` ` ` ` de la d riv e suivante: e e
Donc est le multiplicateur total etant donn quil repr sente la somme de tous les coef e e cients . Le multiplicateur dimpact est le premier el ment de la suite des cest a dire . Le e ` multiplicateur dint rim a lordre est d ni par la somme des premiers termes de la suite des e ` e :
La notion de multiplicateur est d nie dans le contexte dun equilibre de long terme. On envisage e une perturbation unitaire de la valeur d quilibre . Quel est la nouvelle valeur d quilibre de ? e e On a:
(77) (78)
Cette op ration seffectue de mani` re r cursive en identiant les termes des deux cot s. Comme e e e e , alors on a tout dabord:

"

%

` ` ` 5 MODELES ARE ET MODELES A CORRECTIONS DERREURS

qui se simplie en pour
20
Dans le cas du mod` le dajustement partiel: e
le retard moyen est egal a ` . On appelle parfois le coefcient dinertie. Quand est egal a z ro, il ny a aucune inertie dans le mod` le et lajustement se fait de mani` re instantan e. Pour ` e e e e , le retard moyen devient inni.
5 Mod` les ARE et mod` les a corrections derreurs e e `

Les econom` tres a la diff rence des statisticiens nont pas favoris lusage du mod` le a fonction e ` e e e ` de transfert (voir ?. Un mod` le dynamique qui est tr` s utilis par contre est le mod` le ARE, autoe e e e r gressif a retards echelonn s. Ce mod` le est particuli` rement commode car il permet une estimae ` e e e tion par simple OLS et une strat gie de recherche de sp cication dite du g n ral au particulier dont e e e e on reparlera dans la section suivante. Le mod` le se note: e
o` A et u sont des polyn mes de retard de degr et respectivement. La stabilit du mod` le o e e e implique que les racines du polyn me o soient toutes situ es a lext rieur du cercle unit . Dans e ` e e cet exemple, il ny a quune variable exog` ne pour la commodit de lexpos . Mais on consid rera e e e e dans la pratique des mod` les du type: e
donc a `
variables exog` nes. e
5.1 G n ralit du mod` le e e e e

Nous allons commencer par montrer que les mod` les ARE englobent en fait toute une s ries dautres e e mod` les economiques ou econom triques comme cela est bien analys dans ?. Consid rons l quation e e e e e simpli e suivante: e - Mod` le de r gression statique pour e e , ce qui donne:
Celui-ci correspond a la forme qui est usuellement donn e par la th orie economique. Mais ce ` e e genre de mod` le est tr` s souvent mal justi sur le plan statistique et ne peut etre utilis directement e e e e sans pr cautions. On traitera dans le chapitre suivant le cas des r gressions spurieuses qui core e respondent a ce mod` le statique quand les variables pr sentent une tendance. Mais on verra dans ` e e le chapitre 5 que cette r gression peut etre utilis e pour estimer une relation dite de coint gration e e e entre plusieurs variables ayant une tendance stochastique pour peu que lon se soit assur , par un e test appropri , que le processus des soit lui stationnaire. e

% %
% ! !
` ` ` 5 MODELES ARE ET MODELES A CORRECTIONS DERREURS

- Mod` le de r gression en diff rence pour e e e et
21
Ce mod` le est en g n ral utilis pour r soudre le probl` me des r gression spurieuses en statione e e e e e e narisant les s ries par diff rence. Mais il interdit toute forme de solution de long terme dans le e e niveau des variables telle que repr sent e par le mod` le statique. e e e - Mod` le AR(1) des s ries temporelles sans variable exog` ne pour e e e :
- Mod` le avec erreurs auto-corr l es a lordre 1 pour e ee `
ce qui donne:
Cette restriction correspond a ce que lon appelle un facteur commun, cest a dire que la dynamique ` ` sur y et la dynamique sur se ressemblent au point que lon peut factoriser une racine commune dans les deux polyn mes de retard et ainsi la faire apparatre dans le terme derreur. o - Mod` le dajustement partiel pour e :
On peut montrer que ce type dajustement correspond a lutilisation dune fonction de perte quadra` tique sur les co ts dajustement. u - Mod` le a correction derreur pour e ` .
On d taillera le fonctionnement de ce mod` le dans la sous section suivante vu son importance pour e e la suite. Dautres types de mod` le sont encore possibles, mais ce que lon a voulu montrer cest que par e un choix de restrictions qui sont tout a fait testables on peut arriver plusieurs types de sp cications ` e en partant dun simple mod` le ARE. Ce point montre bien comment ce mod` le se pr te partice e e uli` rement bien a une proc dure de recherche de sp cication. e ` e e
5.2 Mod` les a correction derreur et solution de long terme e `

On va maintenant consid rer un mod` le ARE ecrit sur des logarithmes pour faciliter son interpr tation: e e e
Si est la valeur constante d quilibre de e en supprimant le terme derreurs:
, on peut d nir la solution d quilibre du mod` le ARE e e e
ou encore:

% % % % %

% % %

.
%

6 STRATEGIES DE MODELISATION
22
Cette derni` re ecriture montre que e est l lasticit de long terme de y par e e rapport a . Elle na de sens que si ` . On peut egalement r interpr ter cette relation dans un e e cadre de croissance equilibr e quand les variables croissent a taux constant. Une relation d quilibre e ` e entre et se note alors ou bien:
En mettant
Dans cette r gression il suft de tester la nullit du coefcient de r gression de e e e
6 Strat gies de mod lisation e e
Lapproche Box-Jenkins des s ries temporelles, mise au point au d but des ann es 1970, sattache e e e a mod liser une variable unique, mais effectue une recherche de sp cication pour le comporte` e e ment dynamique de cette variable en distinguant trois etapes: identication, estimation, evaluation.
%
Le terme entre crochets repr sente la solution d quilibre. tant que le mod` le est sur un sentier e e e d quilibre et seront tr` s colin aires et le terme entre crochets ne va pas beaucoup varier. On e e e pourra donc le confondre avec le terme constant. Le mod` le peut donc sapproximer par un mod` le e e en diff rences seules. Mais pour peu que lon s carte de la solution d quilibre, les niveaux de e e e et vont diverger temporairement. Si est sup rieur a son niveau d quilibre donn par e ` e e le terme entre crochets va etre positif. Comme le mod` le est stable, e est n gatif et e va etre rappel vers le bas. On a donc une correction de lerreur qui a et commise, do` le nom de e e u mod` le a correction derreur pour cette param trisation particuli` re du mod` le ARE. Mais il faut e ` e e e noter quil sagit dune simple reparam trisation et donc que ce m canisme correcteur derreur est e e d j` implicitement contenu dans tout mod` le ARE. ea e Quel est le retard moyen dajustement de par rapport a la solution d quilibre. Celle ci est ` e repr sent e par le grand crochet. Le retard moyen est alors e e . Dans la param trisation e retenue, le coefcient de r gression de e que lon appellera donn par un programme de e r gression lin aire est egal a e e ` . Le retard moyen devient . Pour , il ny a plus de dynamique dans le mod` le, et lajustement a la solution de long terme est instantan . e ` e Pour , le d lai dajustement devient inni. e Pour terminer notons que certains auteurs imposent une restriction sur la solution de long terme en posant . Dans ce cas lexpression est appel e terme correcteur derreurs. e Cette contrainte correspond a la restriction ` . Elle peut facilement se tester au moyen de la reparam trisation suivante: e
% %
Cest a ce type de relation que sint resse en g n ral la th orie economique. Nous allons montrer ` e e e e maintenant comment une simple reparam trisation du mod` le ARE permet de retrouver cette relae e tion d quilibre et comment peut se d nir un processus dajustement par rapport a cette relation e e ` d quilibre. On commence par r arranger le mod` le ARE selon: e e e
en facteur on arrive a: `

23
L conom trie, en d nissant des strat gies de recherche de sp cication, suit une route comparae e e e e ble, mais pour des mod` les multivari s et conditionnels. Dans cette section, nous allons introduire e e une m thodologie particuli` re, dite de Hendry, du nom de lauteur qui la le plus popularis e, cone e e nue aussi comme la m thode du g n ral au particulier. Lid e g n rale remonte a Sargan (1964), et e e e e e e ` a ensuite circul a la LSE. On la retrouve expos e dans divers papiers de Hendry, surtout Hendry e` e and Richard (1982) et Hendry and Richard (1983) et ?. On pr sentera tout dabord les fondements e th oriques de cette approche, on d crira ensuite son impl mentation pratique. e e e
6.1 Fondements th oriques e

La construction dun mod` le empirique se fait selon plusieurs etapes au moyen dhypoth` ses sime e plicatrices dont on pourra ensuite tester certains aspects. Le PGD. Les donn es observ es e e sont suppos es provenir dun m canisme economique e e dynamique inconnu (le processus de g n ration des donn es ou PGD) que lon peut repr senter e e e e par une distribution jointe conditionnelle aux conditions initiales et index e par un vecteur de e param` tres qui d pend possiblement du temps: e e
Cette distribution est tr` s g n rale et doit etre r duite pour etre utilisable. La recherche de sp cication e e e e e 1 du PGD. dun mod` le est d crite par le processus de r duction e e e Marginalisation. La premi` re op ration de r duction consiste a marginaliser ce processus de e e e ` mani` re a en extraire la distribution de qui est un sous ensemble de . Elle est index e par , e ` e param` tre issu de . e Conditionnement s quentiel. Il est commode pour la suite dop rer une factorisation de cette e e densit en un produit de densit s conditionnelles s quentielles. Si lon note l chantillon joint selon e e e e , la factorisation recherch e est la suivante: e
Cette op ration ne comporte aucune restriction. e Normalit et lin arit . On doit maintenant supposer que la variable a et transform e de telle e e e e e sorte quelle puisse etre exprim e comme une esp rance conditionnelle dans un processus Normal. e e ` On peut etre amen pour cela a prendre le logarithme de , a introduire des ratios des variables e ` originales. La distribution de s crit alors: e
Cette hypoth` se est relativement contraignante dans la mesure o` elle impose de r sumer la distrie u e bution (6.1) par les deux premiers moments de . On d nit , les innovations du processus, par la diff rence e e . Ce sont donc des bruits blancs par hypoth` se. e Lhypoth` se de lin arit implique que e e e est lin aire en e . On peut facilement la rel cher, a mais il est difcile, sauf cas particulier, dintroduire une forme fonctionnelle particuli` re, a moins e ` quelle ne soit fortement sugg r e par la th orie. ee e
1
On trouvera une th orie des r ductions par exemple dans Florens and Moucahrt (1985). e e

%
24
Hypoth` se de Markov. Lesp rance e e de depend pour le moment de tout le pass de la e variable. Il est n cessaire de limiter la m moire du processus par une hypoth` se de Markov a e e e ` e lordre . Aussi on ecrira la r gression :
Cette ecriture repr sente un mod` le VAR (vector auto-regressive) non contraint. Ses param` tres e e e sont index s par le temps. e Mod` le conditionnel et exog n it faible. Le probl` me avec les mod` les VAR comme (6.1), e e e e e e cest que bien souvent leur param` tres ne sont pas constants dans le temps, bien que certaines e fonctions de ces param` tres puissent l tre. Cest ce qui arrive quand une equation structurelle de e e comportement nest pas stable, tous les param` tres de la forme r duite qui sont des fonctions des e e param` tres de cette equation, deviennent instables. Une approche classique consiste a partitionner e ` en et a effectuer la factorisation de (6.1) en: `
6.2 La m thode du g n ral au particulier e e e
Nous venons dexpliquer sur le plan th orique comment arriver a un mod` le de r gression. Mais e ` e e cela ne nous dit toujours pas comment, dans la pratique, sp cier une equation de r gression. Il e e est possible de faire la synth` se des travaux empiriques r alis s par David Hendry et ses co-auteurs e e e et ainsi de d gager une m thodologie. Lid e g n rale de la m thodologie du g n ral au partice e e e e e e e ulier consiste a d marrer une recherche de sp cication a partir dun mod` le surparam tris qui ` e e ` e e e englobe le processus qui a g n r les donn es et a le r duire s quentiellement. Pagan (1987) relate e ee e ` e e la m thode en la d composant en quatre etapes. e e - Un large mod` le de d part. La premi` re etape consiste a d nir le mod` le en s lectionnant e e e ` e e e les variables qui entrent dans la relation. G n ralement la th orie economique fournit une relation e e e d quilibre statique, donc essentiellement une liste de variables, mais pas de dynamique. Autour de e ce noyau, on va d nir un mod` le de d part en prenant un grand nombre de retards sur chacune des e e e variables. Prenons lexemple dune fonction de consommation usuelle:
On a deux variables, la consommation des m nages et le revenu disponible, les deux pris en logae rithme. Le mod` le de d part sera: e e
On a regroup tous les invariants dans et rejet dans la partie instable du processus. Comme e e on le verra dans le chapitre 4 o` certains de ces d veloppements seront repris, on dira que est u e faiblement exog` ne pour e si on peut n gliger le processus marginal de pour linf rence sur e e . Constance des param` tres. Enn on va supposer que les param` tres e e sont constants dans le temps et donc laisser tomber lindice . Cette hypoth` se permet au mod` le, si elle v ri e, de e e e e bien pr dire. Ce qui fait quavec ces deux derni` res hypoth` ses r unies, le mod` le pour linf rence e e e e e e devient:
$
%

!!
25
o` u et sont deux polyn mes de retard de degr et avec o e . Dans le cas dobservations trimestrielles, on prendra par exemple . Il ne faut pas choisir des valeurs trop elev es car dune part on risque de manquer de degr s de libert pour lestimation2 et dautre e e e part une surparam trisation trop importante risque dintroduire une auto-corr lation articielle dans e e les r sidus. On va commencer par estimer cette relation surparam tris e et sassurer que le mod` le e e e e de d part est d j` correct, cest a dire que la th orie retenue est ad quate pour expliquer les donn es. e ea ` e e e Cela peut ne pas etre le cas. Par exemple la fonction de consommation retenue suppose que la propension moyenne a epargner est constante dans le temps. Si elle a vari , comme certaines etudes ` e le laissent supposer (chute au milieu des ann es 80), le mod` le de d part nest d j` pas correct. Un e e e ea test dauto-corr lation permet en g n ral de d tecter cela. e e e e Lestimation directe de cette forme non contrainte permet d j` dobtenir certaines caract ristiques ea e du mod` le concernant sa solution de long terme et la vitesse dajustement a cette solution. Mais il e ` faut pour cela calculer la somme des coefcients et cette param trisation ne permet pas de lobtenir e directement. Aussi on passe a une seconde etape. ` - Reparam trisation. On va reparam triser le mod` le non contraint de d part de mani` re a e e e e e ` obtenir deux choses: des param` tres qui soient directement interpr tables, des r gresseurs qui soient e e e a peu pr` s orthogonaux entre eux. Cette derni` re exigence permet d viter une multicolin arit trop ` e e e e e grande entre les variables retard es. Linterpr tabilit des coefcients r clame plus dattention. Un e e e e mod` le ARE en niveau peut toujours etre reparam tris en un m lange de diff rences et de niveaux. e e e e e comme Cela vient du fait que lon peut toujours avoir la factorisation suivante du polyn me o on la montr en section 2.3: e
o` u
est de degr e
sans terme constant. Partant de
on arrive a: `
Lavantage de ce type de reparam trisation est que lon fait clairement apparatre les effets de court e terme qui sont repr sent s par les r gresseurs en diff rence et la solution de long terme qui vient des e e e e niveaux. On a d j` mis en evidence cela pour un mod` le ARE simple dans la section pr c dente. ea e e e - Simplication. Dans une recherche de sp cication on recherche toujours une certaine forme e de parcimonie qui a pour cons quence de fournir des estimateurs plus efcaces et des pr visions e e meilleures. Il sagit donc de simplier le mod` le pr c dent. Deux voies sont possibles: eliminer e e e simplement les variables qui apparaissent avec un de Student trop faible; chercher de nouvelles combinaisons de param` tres en imposant des restrictions d galit par exemple. Cette partie de e e e la m thode est certainement celle qui fait le plus appel a lintuition econom trique de celui qui e ` e la pratique. De plus lordre dans lequel sont effectu es les simplications peut avoir une certaine e importance quil est difcile dappr cier. Chaque test de simplication est en effet conditionnel aux e tests pr c dents. Ceci peut introduire des biais car le niveau de signicativit des tests est alors e e e chang (voir ?). e
2 Si est le nombre dexplicatives et comme le sugg` re ?. e
et
le degr des polyn mes, il est bon de se limiter a e o `
o` u selon:
est de degr e
sans terme constant. On peut de m me factoriser le polyn me e o
' '

7 TESTS DE MAUVAISE SPECIFICATION
26
Quand doit on sarr ter dans la simplication? Ou quel est le nombre maximal de retards que e lon doit consid rer au d but de la recherche de sp cication? Il sagit de pouvoir choisir la taille e e e dun mod` le. Si lon se t au seul maximum de vraisemblance ou , on aura tendance a choisir le e ` mod` le le plus gros. Do` lid e davoir recours a un crit` re dinformation que lon va chercher a e u e ` e ` minimiser. Le crit` re dAkaike (1974) propose de minimiser: e
Ce crit` re a tendance a surestimer la taille du mod` le. Un autre crit` re, propos par Schwarz (1978) e ` e e e sur des crit` res Bay siens ne pr sente pas ce d faut et conduit a minimiser: e e e e `
Dans chaque cas, le deuxi` me terme joue le r le dune p nalit sur la taille du mod` le. Ces crit` res e o e e e e permettront de comparer le mod` le initial au mod` le parcimonieux s lectionn . e e e e - Evaluation par des tests. Comment va-t-on juger le produit nal? Le mod` le obtenu este il correct et donne-t-il une bonne description du comportement des donn es? Cette op ration de e e v rication nale seffectue au moyen dune batterie de tests de mauvaise sp cication. Cest e e certainement cette derni` re etape qui assure la diff rence entre la m thodologie de Hendry et une e e e pratique routini` re de l conom trie. Les points dont on veut sassurer sont les suivants: e e e - le mod` le pr dit bien e e - ses coefcients sont stables dans le temps - les r sidus ne comportent pas de facteur syst matique e e Un dernier point que lon peut v rier cest que le mod` le obtenu enveloppe les mod` les e e e pr c dents de la litt rature, en ce sens quil permet dexpliquer leurs r sultats (test dencompassing). e e e e Les logiciels actuels d conom trie permettent en g n ral deffectuer tous ces tests. e e e e
7 Tests de mauvaise specication

La construction dun mod` le de r gression (ou de tout autre mod` le plus complexe) met en jeu e e e diverses hypoth` ses simplicatrices dont il sagit de mesurer la validit au moyen de tests de maue e vaise sp cication. Ces tests sont puissants pour plusieurs directions de mauvaise sp cication. Si e e lhypoth` se nulle est rejet e, cela ne conduit pas du tout a accepter lalternative, car le test a pu e e ` rejeter pour une raison diff rente que celle contenue dans e . Ainsi quand un test d tecte par e exemple de lauto-corr lation dans les r sidus, cela ne veut pas dire quil faille corriger lestimation e e par une proc dure de Cochrane-Orcut si populaire pourtant dans les logiciels. Le probl` me peut tr` s e e e bien venir, et cest en g n ral le cas, de variables manquantes3 . e e Il est possible de donner une vision uni e de ces tests en distinguant selon la terminologie e de Davidson and MacKinnon (1985) les tests qui peuvent sexprimer comme selon une direction de r gression et ceux qui sexpriment selon une direction de moments dordre sup rieur. Pour e e la premi` re cat gorie de tests, lhypoth` se alternative peut etre construite comme une autre fore e e mulation de lesp rance conditionnelle de . La seconde cat gorie de tests concerne la violation e e
3 Le seul cas o` il est int ressant davoir un mod` le a erreurs auto-corr l es, cest quand on a r ussit a mettre en u e e ` ee e ` evidence une restriction de facteur commun.

$

27
dhypoth` ses faites sur les moments dordre deux ou sup rieur du terme derreur, comme la nore e malit et lh t rosc dasticit . Pour impl menter ces tests, il suft de construire une r gression auge ee e e e e ment e pour la premi` re cat gorie et en g n ral une r gression auxiliaire pour la seconde cat gorie. e e e e e e e Lhypoth` se nulle de bonne sp cication correspondra alors a la nullit dun sous ensemble de coe e ` e efcients test e au moyen dun test en . Pagan (1984) a syst matis ce type dapproche. Si le e e e mod` le de r gression initial se note: e e une r gression augment e est alors d nie par: e e e
o` u est la direction daugmentation pour lesp rance conditionnelle de . Le mod` le sera bien e e sp ci si on na pas besoin de pour mod liser lesp rance conditionnelle de , donc si e e e e . Quand il sagit de tester une hypoth` se sur le moment dordre deux de , la r gression auxiliaire e e sera de la forme:
7.1 Tests selon une direction de r gression e

- Auto-corr lation. La pr sence dauto-corr lation des r sidus dans les mod` les ARE entrane une e e e e e liaison entre la variable endog` ne retard e et le terme derreur, ce qui rend les moindres carr s ine e e consistants. De plus la pr sence dauto-corr lation dans les r sidus dune r gression est tr` s souvent e e e e e le signe de labsence dune variable. Soit une variable economique pertinente na pas et introduite e dans le mod` le, soit le mod` le ne pr sente pas sufsamment de retards pour les variables existantes. e e e En pr sence dune variable endog` ne retard e, le test de Durbin et Watson nest plus applicable. Sa e e e valeur est biais e vers 2. La pr sence de lendog` ne retard e rend inapplicable la th orie asympe e e e e 4 . Le test de Lagrange modi sugg r par totique utilis e pour d terminer la distribution du test e e e ee Durbin (1970) a la forme dun test de Lagrange modi . Ce test est bas sur une r gression auge e e ment e construite en ajoutant a la r gression etudi e les r sidus estim s retard s de un. Quand e ` e e e e e cette r gression augment e est estim e par moindres carr s, la statistique de Student associ e au e e e e e coefcient de r gression des r sidus retard s sert de test asymptotique pour d tecter la pr sence e e e e e dauto-corr lation a lordre un. e `
Durbin (1970) a propos de modier ce test de mani` re a tenir compte de la pr sence de lendog` ne retard e. Ce test e e ` e e e est le Durbin test d ni par: e
4
Var
Sous lhypoth` se nulle dabsence dauto-corr lation des r sidus, le test est distribu selon une loi normale de moyenne e e e e nulle et de variance unit . Pour tester une auto-corr lation positive au seuil de e e on prendra comme r gion e critique. Ce test nest malheureusement pas tr` s puissant. De plus il nest pas toujours possible de lutiliser. Il faut pour e . cela que Var

L` encore on aura que a sous . Les tests ainsi concus appartiennent a la classe des tests dits de Lagrange car le mod` le sous ` e lhypoth` se alternative nest jamais estim . Dans un test de Lagrange, le score de la vraisemblance e e sous lhypoth` se alternative est evalu en se servant de la valeur des param` tres sous lhypoth` se e e e e nulle. Si lhypoth` se nulle est correcte, ce score, qui est nul sous e , le sera aussi sous . Lavantage de ce test, cest quil permet de navoir a estimer le mod` le que sous la contrainte de . ` e u De plus si le mod` le est lin aire, on se ram` ne au test en habituel, do` la correspondance entre e e e de type de test et lapproche par r gression augment e. e e
)

! ) $$ )
)

28
Nous allons montrer maintenant comment construire la r gression augment e qui permet davoir e e une expression commode du test. Soit donc le mod` le de r gression avec erreurs auto-corr l es a e e ee ` lordre un suivant:
Cette forme nest pas tr` s pratique car elle comporte une non lin arit en . On va choisir de la e e e lin ariser par un d veloppement de Taylor au premier ordre autour de deux valeurs pour et que e e lon va temporairement d signer par et : e
Comme on sint resse a un test de Lagrange, on va choisir pour valeur de et la valeur qui e ` correspond a lestimateur sous ` , cest a dire les OLS pour et z ro pour . Donc il reste: ` e (121) (122)
alors, par un d veloppement de Taylor, il est facile de construire e
en posant:

repr sente les r sidus de la r gression sous e e e . Le test de Lagrange est maintenant o` u equivalent a un test en sur la nullit du coefcient de ` e avec degr s de libert . e e On peut etendre ce test a un ordre dauto-corr lation sup rieur en incluant retards de . Le test ` e e est alors un a ` degr s de libert . e e - Le RESET ou test de Ramsey. Il sagit dun test g n ral de variables manquantes. Tr` s souvent e e e il est difcile davoir une id e sur la nature de ces variables. Lapproche de Ramsey (1969) suppose e que leffet des variables omises dans le mod` le peut etre approch par une fonction polynomiales e e de . Si lon remplace par son estimateur OLS, la r gression initiale sera alors augment e par e e des puissances de . Les logiciels prennent en g n ral e e . - Test sur la forme fonctionnelle. Ce type de test ressemble tr` s fort au pr c dent. Quand on e e e na pas did e sur une forme fonctionnelle alternative a celle utilis e, on peut utiliser le test de e ` e Ramsey. Toutefois la question avec ce test est de savoir si des puissances de sont de bonnes approximations pour la forme fonctionnelle que lon a omise. Thursby and Schmidt (1977) sugg` rent e dutiliser des puissances des r gresseurs individuels au lieu des puissances de pour la construction e de dans (7). Si le mod` le sous e peut etre obtenu en imposant la restriction sur les param` tres du e mod` le non lin aire: e e

. repr sente lobservation de variables exog` nes. Ce vecteur peut tr` s bien e e e avec contenir des retards de lendog` ne sans quici le probl` me soit chang . Avec lop rateur retard e e e e on a pourvu que . Alors on peut r ecrire le mod` le en une seule equation e e sous la forme:
! ! ! ! !

!

(117) (118)

$
29
- Test de stabilit . Lhypoth` se de stationnarit conditionnelle implique que les coefcients e e e de r gression ne varient pas dans le temps. On peut tester cette hypoth` se en postulant que sous e e lhypoth` se alternative les coefcients de r gression sont variables et suivent un mod` le du type: e e e
o` u contient les variables explicatives qui conditionnent l volution de . Pour construire la e r gression de test, il suft de remplacer par sa valeur dans la r gression initiale, ce qui donne: e e
La variable dans (7) sera alors egale a ` . Il faut noter que ce test est sensible au probl` mes e dh t rosc dasticit . ee e e Le cas le plus simple est celui o` u repr sente une variable muette qui vaut z ro avant une e e certaine date et un ensuite, ce qui fait quil y a observations dans un premier r gime et e dans le second. Le coefcient de r gression change donc a partir dune date xe. Cest le test de Chow e ` (1960). La forme du test employ e ici est bien adapt e au cas o` il y a moins dobservations e e u que de r gresseurs dans la deuxi` me p riode. e e e Le test de predictiction failure peut aussi s crire dans ce contexte. La matrice est alors e compos e de la mani` re suivante: e e
o` est une matrice identit de taille . Le param` tre repr sentera alors les erreurs de pr diction u e e e e du mod` le. Un test de nullit de est alors un test de non signicativit des erreurs de pr diction. e e e e - Test dexog n it . Lhypoth` se test e ici consiste a savoir si les variables exog` nes sont e e e e e ` e e e e e e ind pendantes du terme derreur . Le probl` me a et etudi de mani` re extensive dans la litt rature e (voir les r f rences dans Godfreys (1988) ou Spanos (1986)). On peut poser le probl` me de la ee e mani` re suivante. Soit le mod` le de r gression suivant: e e e
o` u
est la matrice de projection
7.2 Augmentation de la variance conditionnelle
Il sagit de tester ici le fait la variance du terme derreur soit bien constante dans le temps. Lh t rosc dasticit ee e e rend lestimateur des moindres carr s inefcace en ce sens que l cart type des coefcients estim e e e sera biais . On ne peut donc plus faire de test classique de sp cication (nullit dun coefcient de e e e r gression). De plus certains tests de mauvaise sp cication, comme le test du RESET, nont plus e e la m me distribution en pr sence dh t rosc dasticit . e e ee e e
o` u est un ensemble de variables exog` nes contenant e dont le terme derreur soit corr l ee avec . On testera alors lexog n it de e e e (pour le param` tre ) en testant le fait de savoir si e les r gresseurs e sont utiles a linf rence. Ce test seffectue par addition de la variable dans la ` e r gression (7) avec: e
o` lon suspecte que u forme:
ne soit exog` ne. Il suft de trouver un mod` le explicatif annexe de e e

de la

$ $
! ! $ ! ! $! $ )
! ! !

) $
30
L` encore un test dhomosc dasticit va pouvoir d tecter une mauvaise sp cication dans une a e e e e direction diff rente de celle pour laquelle il est concu. Ce type de test est puissant contre toute une e vari t dalternatives incluant lomission de variables ou une forme fonctionnelle incorrecte. On ne ee pourra donc corriger le mod` le en suivant le r sultat du test (en modelant par exemple une forme e e particuli` re de variance non constante). e Une facon a peu pr` s g n rale de mod liser une variance non constante dans le temps consiste ` e e e e a utiliser la formulation de Breuch and R. (1979): `
La r gression de test sobtient alors en remplacant e
par les retards des r sidus estim s au carr . e e e
7.3 Augmentation des moments dordre sup rieur e
Il sagit essentiellement du test de normalit des r sidus. Les arguments asymptotiques permee e ttraient de penser que la normalit des r sidus est sans importance. Pourtant la normalit est e e e n cessaire pour pouvoir utiliser un test en ou en en petit echantillon. Dautre part, certains e tests asymptotiques n cessitent la normalit des r sidus. Enn, les OLS ne produisent pas une estie e e mation robuste si les r sidus s cartent tr` s fort de la normalit (do` dautres estimateurs bas s sur e e e e u e des termes derreur Student, ou des fonctions de perte non quadratiques). Un test de normalit a et propos par Jarque and Bera (1980). Pour introduire ce test de mani` re e e e e simple, on peut remarquer que la distribution normale a des propri t s tr` s particuli` res quant a ee e e ` ses moments. Premi` rement, le moment centr dordre trois est nul (ainsi que tous les moments e e centr s impairs). Cest dailleurs une caract ristique de toutes les distributions sym triques. Pour e e e
- Variances in gales. On suppose simplement que e ne prend que deux valeurs selon que ou . dans ce cas nest quune variable indicatrice qui vaut 1 avant et z ro au del` . e a Ce test est asymptotiquement equivalent au test de Test de Goldfeld and Quandt (1965). - Arch. ? a introduit un mod` le o` la variance des erreurs d pend de la taille des erreurs pass es. e u e e Ce mod` le est fort utilis pour mod liser la variabilit des s ries nanci` res. Concr` tement la e e e e e e e variance est mod lis e selon: e e
La variance depend des variables exog` nes (possiblement reli es aux ) par linterm diaire e e e de la fonction positive et du param` tre avec e . Donc pour , on retrouvera lhomosc dasticit . Notons que pour la matrice dinformation ne soit pas singuli` re sous e e e , il faut que . Cette formulation recouvre les cas dh t rosc dasticit multiplicative avec ee e e et dh t rosc dasticit additive avec ee e e . Notons toutefois que dans la mesure o` u est une constante, le test de Lagrange associ a lhypoth` se nulle e` e sera invariant par rapport a la forme sp cique de ` e [voir Godfreys (1988), page 126]. On basera le test sur une r gression auxiliaire de la forme: e
)
$ ) $$ ! & ) )& ! ! & )

$ ) ! ! &$ $
$ $ $
& ! ) ! !& )! & & $
$ "
8 LA DEMANDE DE MONNAIE EN BELGIQUE

mesurer lasym trie dune distribution, on calculera le ratio e Deuxi` mement, les moments pairs de la Normale sont donn s par: e e
31
On peut mesurer laplatissement dune distribution par le ratio . Si lon calcule ce ratio pour la Normale, on sapercoit quil est egal a 3. ` Le test de normalit de Jarque et Bera teste de mani` re conjointe la conformit a deux care e e ` act ristiques de deux statistiques sur les r sidus. Ce test est distribu sous lhypoth` se nulle de e e e e normalit comme une e a deux degr s de libert : ` e e
Il faut toutefois noter quen echantillon ni les deux partie du test ne sont pas ind pendantes, alors e quasymptotiquement elles le sont. Les valeurs critiques asymptotiques ne donnent donc quune id e approximative des valeurs critiques de petit echantillon et des corrections devraient etre ape port es [voir Godfreys (1988), page 145]. e
8 La demande de monnaie en Belgique

en On va maintenant traiter un petit exemple empirique qui concerne la demande de monnaie Belgique. Les donn es sont annuelles et couvrent la p riode e e . La th orie economique e fournit une relation d quilibre qui relie le logarithme de la quantit r elle de monnaie e e e au logarithme du revenu r el e et au taux dint r t . On a pris les d nitions suivantes pour les ee e est la masse mon taire e , est le revenu disponible r el des particuliers. est e variables. le taux sur les certicats de tr sorerie a trois mois. An de conserver une relation en logarithme, on e ` va prendre la transformation . On va alors partir dun mod` le dynamique e g n ral surparam tr qui comprendra deux retards de chaque variable et dont lestimation par OLS e e e e donne:
corr
norm
arch
Cette equation semble un bon d part de mod lisation car elle passe les tests de mauvaise sp cication e e e effectu s (on rappelle que la valeur critique a e ` du test du est de pour degr de libert et e e de pour degr s de libert ). Mais ses coefcients sont mal estim s et peu interpr tables. Au e e e e moyen dun petit calcul qui consiste a prendre la somme des coefcients des polyn mes de retard, ` o on peut pourtant faire apparatre la solution de long terme qui est:
$ $ $ $ $ $ $ $

$ $

. Ce ratio na pas d chelle. e

$ $%

8 LA DEMANDE DE MONNAIE EN BELGIQUE
32
Nous allons maintenant reparam triser cette equation de mani` re a faire apparatre directement la e e ` solution de long terme:
qui passe encore les tests de mauvaise sp cication. Son ecart type na pas chang , ce qui laisse e e supposer que les restrictions impos es sont acceptables. Un test en formel pour e restrictions par rapport aux variables initiales donne:
On observe alors que le coefcient de estimer directement l quation contrainte: e
Le test en
$ $ $ $ $ $ $ $ $
avec une valeur critique a ` de . Testons maintenant le mod` le en pr vision en ne retenant e e que la p riode e pour lestimation. Le test de pr dictive failure sur les deux derni` res e e observations est . On a donc une equation parcimonieuse qui se comporte relativement bien. On va maintenant tester la restriction de l galit a un de l lasticit de long terme de la mone e` e e naie par rapport au revenu. On d nit pour cela la variable e qui est le logarithme de linverse de la vitesse de circulation de la monnaie. On peut proc der de deux facons, e soit en estimant l quation non contrainte suivante: e
nest pas statistiquement diff rent de z ro. On peut e e
pour une contrainte est le suivant:
$ $ $ $ $ $ $ $ $ $
A part le qui d pend de la moyenne de lendog` ne, les caract ristiques de l quation nont e e e e pas chang . On peut remarquer que les coefcients des niveaux sont identiques a ceux trouv s e ` e pr c demment pour la solution de long terme. Si maintenant on simplie l quation en eliminant e e e les variables qui ne sont pas signicatives, on arrive a: `
corr
norm
arch
$ $ $ $ $

9 CONCLUSION
33
avec une valeur critique a ` de 4.38, ce qui fait que la restriction est aussi accept e par cette e m thode. Aux erreurs darrondi pr` s cette statistique devrait etre egale au carr du test de Student e e e calcul dans la r gression pr c dente. La solution de long terme cette fois-ci est: e e e e associ a e`
que lon peut encore ecrire avec
Cette application a permis dillustrer les diff rentes etapes de recherche de sp cication avec un e e mod` le ECM. Elle illustre egalement un certain etat de lart pr dominant avant lintroduction dans e e la litt rature des concepts de racine unitaire et de coint gration. e e
9 Conclusion
Dans ce chapitre, on a vu comment mod liser une seule variable , soit par rapport a son pass , e ` e soit conditionnellement a dautres variables dites exog` nes et et dont le DGP demeure non sp ci . ` e e e On verra dans le chapitre 4 comment mod liser de facon simultan e plusieurs variables et lon e e retrouvera cette opposition apparente entre mod lisation statistique et mod lisation econom trique e e e ou conditionnelle. Cette opposition nest en fait quapparente car on montrera comment lune peut se d duire de lautre au moyen dhypoth` ses sp ciques. e e e M me dans un contexte dynamique cette opposition entre les deux approches de mod lisation e e nest pas si forte que lon veut bien le dire car les deux types dapproches sint ressent aux care act ristiques dynamiques des processus. Ainsi dans un AR(1) tout simple, le coefcient de r gression e e de mesure linertie ou la m moire du syst` me. Dans un mod` le de r gression, on retrouve ces e e e e m mes notions, mais cette fois-ci conditionnellement aux variables exog` nes et lon sint ressera a e e e ` des retards moyens de r action de par rapport a une variation des exog` nes. e ` e Parler de linertie dun syst` me conduit naturellement a se poser la question de la persistance e ` des chocs. Cette notion sera trait e de facon d taill e dans le chapitre 6. Mais remarquons d j` e e e ea que dans tout mod` le stationnaire, les chocs ont tendance a samortir et a linni leur impact est e ` ` nul. Dans les chapitres suivant, nous l` verons cette hypoth` se de stationnarit et nous verrons alors e e e comment les propri t s dynamiques des mod` les et statistiques des estimateurs sont boulevers es. ee e e
10 Lectures additionnelles
On consultera avec prot des ouvrages statistiques plus sp cialis s sur la mod lisation des s ries e e e e temporelles comme par exemple Granger and Newbold (1986), Gourieroux and Monfort (1990), ou Hamilton (1994). La notion dergodicit a et pr sent de facon tr` s simpli e. Pour des compl ments math matiques, e e e e e e e e on consultera avec prot les ouvrages de Hannan (1970), Spanos (1986) ou White (1984).
11 Exercices
11.1 Exercice 1: MA(2)
Soit un processus MA(2)
$
et
repr sentant des quantit s nominales: e e
$$

REFERENCES
avec
34 .
Calculez la moyenne, la variance et lauto-covariance a lordre ` trez que . Que se passe-t-il pour ?
Supposons que les param` tres du mod` le aient et estim s. Comment on en calcule les e e e e r sidus. Sous quelle condition cela est-il possible? e Consid rons l quation caract ristique e e e . Calculez les racines de cette equation. Donnez une factorisation du polyn me de retard du mod` le. Donnez les restrictions o e que doivent remplir et pour que ce polyn me soit inversible. o
11.2 Exercice 2: AR(2)
Consid rons le processus AR(2) suivant e
Ecrire l quation caract ristique et d duisez en les conditions de stationnarit du processus. e e e e
En utilisant les equations de Yule-Walker, donner lauto-corr lation du processus e . Essayez de trouver une formule g n rale. Quen d duisez vous pour e e e
11.3 Exercice 3: Simulation

Consid rons le processus ARMA(1,0,1) suivant e
Simulez le processus en prenant
Estimez les auto-corr lation et les auto-corr lations partielles pour e e le graphique. Recommencez le m me exercice pour e vous? , et
References
A KAIKE , H. (1974): A New Look at the Statistical Model Identication, IEEE Transactions on Automatic Control, AC-19, 716723. A LMON , S. (1965): The Distributed Lag between Capital Appropriations and Expenditures, Econometrica, 33, 178196. A SHLEY, R. (1988): On the relative worth of recent macroeconomic forecasts, International Journal of Forecasting, 4, 363376.
et posons
et
et
et faites en
. Quen d duisez e
Calculez la moyenne et la variance du processus.
)

$ $

$$
"
) ) $
de ce processus. Mon-
pour
REFERENCES
35
BARTEN , A., G. D A LCANTARA , AND G. C ARRIN (1976): COMET, A Medium Term Macroeconomic Model for the European Economic Community, European Economic Review, 7, 63115. B OX , G.,
AND
G. J ENKINS (1976): Time Series Analysis Forecasting and Control. San Francisco.
B REUCH , T., AND P. A. R. (1979): A Simple Test for Heteroskedasticity and Random Coefcient Variation, Econometrica, 47, 12871294. C AGAN , P. (1956): The Monetary Dynamics of Hyperination, in Studies in the Quantity Theory of Money, ed. by M. Friedman. Chicago. C HOW, G. C. (1960): Tests of Equality between Sets of Coefcients in two Linear Regressions, Econometrica, 28, 591605. DAVIDSON , R., AND J. M AC K INNON (1985): The Interpretation of Tests Statistics, Canadian Journal of Economics, 18, 3857. D URBIN , J. (1970): Testing for Serial Correlation when in least-Squares Regression when Some of the Regressors are Lagged Dependent Variables, Econometrica, 38, 410421. F LORENS , J.-P., AND M. M OUCAHRT (1985): Conditioning in Dynamic Models, Journal of Time Series Analysis, 6, 1534. G ODFREYS , L. (1988): Misspecication Tests in Econometrics. Cambridge, Econometric Society Monographs. G OLDFELD , S., AND R. E. Q UANDT (1965): Some Tests for Homoskedasticity, Journal of the American Statistical Association, 60, 539547. G OURIEROUX , C., AND A. M ONFORT (1990): S ries Temporelles et Mod` les Dynamiques. Paris. e e G RANGER , C. W. J.,
AND
P. N EWBOLD (1986): Forecasting Economic Time Series. San Diego.
G RILICHES , Z. (1967): Distributed lags: a Survey, Econometrica, 35, 1649. H AMILTON , J. (1994): Time Series Analysis. Princeton. H ANNAN , E. (1970): Multiple Time Series. New York. H ARVEY, A. C. (1981): The Econometric Analysis of Time Series. Oxford. H ENDRY, D. F., AND J.-F. R ICHARD (1982): On the Formulation of Empirical Models in Econometrics, Journal of Econometrics, 20, 333. (1983): The Econometric Analysis of Economic Time Series, International Statistical Review, 51, 111163. JARQUE , C., AND A. B ERA (1980): Efcient Tests for Normality, Homoskedasticity and Serial Independence of Regression Residuals, Economic Letters, 6, 255259. N ERLOVE , M. (1958): The Dynamics of Supply: Estimation of Farmers Response to Price. Baltimore. PAGAN , A. (1984): Model Evaluation by Variable Addition, in Econometrics and Quantitative Economics, ed. by D. F. Hendry, and K. F. Wallis, pp. 103133. Oxford.
REFERENCES
36
(1987): Three Econometric Methodologies: a Critical Appraisal, Journal of Economic Surveys, 1, 324. R AMSEY, J. (1969): Tests for Specication Errors in Classical Linear Least-Squares Regression Analysis, Journal of the Royal Statistical Society, B 31, 350371. S ARGAN , D. (1964): Wages and Prices in the United Kingdom: a Study in Econometric Methodology, in Econometrics and Quantitative Economics, ed. by D. F. Hendry, and K. F. Wallis. Oxford. S CHWARZ , G. (1978): Estimating the Dimension of a Model, The Annals of Statistics, 6, 461 464. S PANOS , A. (1986): Statistical Foundations of Econometric Modelling. Cambridge. T HURSBY, J., AND P. S CHMIDT (1977): Some Properties of Tests for Specication Error in a Linear Regression Model, Journal of the American Statistical Association, 72, 635641. W HITE , H. (1984): Asymptotic Theory for Econometricians. Academic Press, Orlando. W OLD , H. (1954): A Study in the Analysis of Stationary Time Series. Almquist and Wicksell, Uppsala.

Introduction À La Modélisation Des Séries Temporelles

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Introduction À La Modélisation Des Séries Temporelles

Загружено:

Авторское право:

Доступные форматы

CHAPITRE I

` Introduction a la mod lisation des s ries temporelles e e stationnaires

2 RAPPELS ET OUTILS STATISTIQUES

2 Rappels et outils statistiques

2.1 Processus stochastiques stationnaires

&)(' &# % # $ #

2 RAPPELS ET OUTILS STATISTIQUES

est un nouveau processus stationnaire si:

est lensemble dinformation sur le processus disponible au temps .

Propri t 1 Si ee sommable avec:

est un processus stationnaire et si

est une suite de nombres r els absolument e

2 RAPPELS ET OUTILS STATISTIQUES

Lergodicit est une forme faible de lind pendance asymptotique. e e

2.2 Processus stochastiques g n raux e e

a la propri t de Markov a lordre 1 si: ee ` E

Le second type de processus que lon va mentionner, ce sont les martingales. On a:

2 RAPPELS ET OUTILS STATISTIQUES

est une v.a. par rapport a `

2.3 Th or` me de Wold e e

. Il est toujours possible de trouver une composante telle que:

D nition 6 e -alg` bres e

2 RAPPELS ET OUTILS STATISTIQUES

2.4 Op rateur retard e

ce polyn me poss` de un inverse, cest a dire que lon peut d nir: o e ` e

On peut alors factoriser le polyn me o

2 RAPPELS ET OUTILS STATISTIQUES

Dautre part on a la factorisation:

ce qui permet dexprimer le polyn me en o

On peut alors ramener le calcul de linverse de

ou dune mani` re g n rale: e e e

Cet exemple permet de montrer que:

Cet inverse existe si les racines Linverse cherch est donc: e

de l quation caract ristique sont toutes en dehors du cercle unit . e e e

au calcul simple suivant que lon sait effectuer:

2 RAPPELS ET OUTILS STATISTIQUES

et ses coefcients sont d nis par: e

Consid rons maintenant e

o` les coefcients du polyn me u o

sont d nis par: e

que lon r ecrira parfois comme: e

2.5 Processus moyenne mobile

sans terme constant

2 RAPPELS ET OUTILS STATISTIQUES

Calculons lauto-covariance a lordre un du processus ` E

Il est facile de voir que un peu plus complexe:

$ $  ) " )   $   "&  & '( ($ (   ( &)  &) )  $ $ ) $ $)

2 RAPPELS ET OUTILS STATISTIQUES

2.6 Processus auto-r gressifs e

Si le processus est stationnaire

que lon r sout en: e

Comme le dernier terme est nul, il reste:

L quation caract ristique associ e a ce polyn me se note: e e e ` o

est un polyn me de retards a lordre que lon ecrit: o `

que lon peut g n raliser en: e e

2 RAPPELS ET OUTILS STATISTIQUES

Dans le cas dun

, ceci se r sout en: e

La somme de ces deux processus transform s donne alors e

2.7 Equations de Yule et Walker

Consid rons un processus auto-r gressif dordre d ni par: e e e

et en prenant lesp rance, on obtient une expression de lauto-covariance a lordre z ro: e ` e

2 RAPPELS ET OUTILS STATISTIQUES

&)(' &# % # $ #

$ $ ) " ) $ "& & '( ($ ( ( &) &) ) $ $ ) $ $)

& &) &) )&) & ( '( &) "&

$ & & &

(( & (( & & $ ( ( ( (( $ ( ( $( $ ( ( & " & &

$ $ $ $ $ $ $ $

$ $ $ $ $ $ $ $ $