Escolar Documentos
Profissional Documentos
Cultura Documentos
2
2 2
0
( )
tend vers S avec X et S des quantits finies.
Xi X
n
Cette hypothse est utile pour ltude des proprits des estimateurs de a et b.
et b a
sont des
estimateurs convergents.
Hypothse 7 : On ne dispose daucune information (restriction) sur les paramtres a et
b estimer.
Ils peuvent prendre nimporte quelle valeur relle positive, ngative ou nulle.
Avant la clture de cette partie rserve aux hypothses classiques pour les M.R.S on met en exergue un
concepts important :
- la variabilit : On ntudie pas la variabilit dun phnomne qui ne prsente pas de variation .
Autrement dit, il importe que (Y
i
- Y) soit diffrent de zro. Pour des raisons identiques, il faut que
6
2
( )
i
X X
soit diffrente de 0.
Exemples : 1) La quantit consomme de sel nest pas significativement diffrente dun mnage
lautre.
2) Linvestissement en priode t (
t
I
) dune entreprise est fonction du taux dintrt (
t
i
) du profit de la
priode t-1 (
t-1
Soit
2
1
( )
n
i
i
Y i aX b
lorsquon remplace
i Y
par sa formule.
Cela revient minimiser la fonction F (
, a b
)=
2
1
( )
n
i
i
Y i aX b
(donc on minimise E =
2
i
U
)
0
F
a
(1)
0
F
b
(2)
0 2 ( ) 0
i i i
F
X Y a X b
a
(1)
0 2 ( ) 0
i i
F
Y a X b
b
(2)
Ces deux drives sont nulles en et
b
donc on aura :
Lquation ( 2) donne :
0
i i
Y a X b
En divisant le tout par n on aura :
0
i
Y Xi b
a
n n n
on aura donc
0 b Y a X b Y a X
On remplace
b
Do
( )
( )
i i
i
X Y Y
a
Xi X X
En rappelant que ( ) 0
i
Y Y
( ( ) 0
i i
Y Y Y Y NY NY
),de mme que
( ) 0
i
X X
on a :
( ) ( )
( ) ( )
i i i
i i i
X Y Y X Y Y
a
X X X X X X
2
( )( )
( )
i i
i
X X Y Y
a
X X
.
Il faut ajouter les conditions de second ordre pour que F(
, a b
) soit minimale en et
b
.
NB : cf. lannexe II sur les traitements pralables sur les sries statistiques
II- ETUDE DES PROPRIETES DE ET
b
:
1) Calcul de E () :
i
Y Y =
i
Y
- (
aX b U + +
)
= (
i i
aX b U + +
) - (
aX b U + +
)
= ( ) ( )
i i
a X X U U +
do
]
2
( )[ ( ) ( )
( )
i i i
X X a X X U U
a
Xi X
2 2
( )( ) ( )( )
( ) ( )
i i i i
i
a X X X X X X U U
a
Xi X X X
+
2
( )( )
( )
i i
i
X X U U
a a
X X
2
( ) ( )
( )
i i i
i
X X U U X X
a a
X X
8
comme ( ) 0
i
X X
, on aura donc :
do
2
( )
( ) ( )
( )
i i
i
X X U
E a E a E
X X
1
+
1
1
]
2
1
( ) ( ) ( ) ( )
( )
i i
i
E a E a E X X E U
X X
1
+
]
Comme
i
( ) et E(U ) 0 E a a
, on aura donc :
E () = a
est donc un estimateur sans biais de a
2) Calcul de E (
b
) :
On sait que
b Y a X
or
Y a X b
+
et
Y aX b U + +
donc
( ) b b U X a a
soit
( ) b b U X a a
+
do
( ) ( ) ( ) ( ) E b E b E U X E a a
+
( ) ( ) ( ) E b b E U X E a a
+
or
( )
( ) ( ) 0
i i
U E U
E U E
n n
( ) ( ) ( ) 0 E a a E a E a a a
Donc
( ) E b b
.
b
:
a- Variance de :
2
( ) (( ) ) V a E a a
Nous savons que
2
( )
( )
i i
i
X X U
a a
X X
car
2
( ) ( )
( )
i i i
i
X X U U X X
a a
X X
et ( ) 0
i
X X
9
donc
2
2 2
( ( ) )
( )
( ( ) )
i i
i
X X U
V a E
X X
1
1
]
2
2 2
1
( ) ( ( ) )
( ( ) )
i i
i
V a E X X U
X X
Comme
2 2 2
( ( ) ) ( ) ( )( )
i i i i j i j i j
E X X U Xi X U X X X X U U +
2
2 2
1
( ) ( ) ( ) ( )( ) ( )
( ( ) )
i i i j i j
i
V a X X E U X X X X E U U
X X
1
+
]
( ) 0
i
E U
[ ]
2
2
( ) ( ) ( )
i i i i
V U E U E U E U Quantit finie.
( ) ( ) 0
i j i j
E U U Cov U U
Car
cov( ) ( ( )( ( )
i j i i j j
U U E U E U U E U 1
]
avec
( ) ( ) 0
i j
E U E U
2 2
2 2
( )
( )
( ( ) )
j
i
Xi X
V a
X X
et
2
2
( )
( ( )
u
i
V a
X X
b) Variance de
b
:
2 2
( ) ( ( ) ) ( ) V b E b E b E b b
1 1
1 1
] ]
Calculons (
b
-b)
On sait que :
et Y=aX+b+U et b=Y-aX-U b Y a X
( ) b b U X a a
( ) b b U X a a
+
Donc
2 2
2
2
2 2
( ) 2 ( ) ( )
= E(U )-2X.E U( a -a) +X .E( a -a)
V b E U X U a a X a a
1
+
1
]
1
1
]
On rappelle que
2
( ) ( ) E a a V a
10
Donc
2 2
( ) . ( ) ( ) 2 . ( ) V b X V a E U X E a a U
1
+
1
]
Comme les quantits V() et
2
( ) E U sont connues :
2
2
( )
( )
u
i
V a
X X
2
2
1 2
...
( )
n
U U U
E U E
n
+ + + 1
1
]
2
2
2
2 2
( )
( )
i
u
E U
E U
n n
Il reste dterminer
( ) E a a U
1
]
pour connatre
( ) V b
.
On sait que :
2
( )
( )
i i
i
X X U
a a
X X
Donc :
2
( )
( )
( )
i i
i
X X U U
E a a U E
X X
1
1
1
1
]
1
]
( )
( )
i
i
i
U U
E U U E
n
1
1
]
2
2
( ) . ( )
u
V b X V a
n
+
2 2
2
2
( ) (
(( ) )
u u
i
V b X
n X X
2
2
2
1
( ) (
( )
u
i
X
V b
n X X
1
+ 1
1
]
Remarques :
En vertu de lhypothse 6, X tend vers une valeur finie quand n tend vers linfini.
2
( ) V a X
. Donc
b
2
( )
i u
V U est en gnral inconnue. Il est ncessaire de lestimer pour avoir les variances estimes de
et
b
.
Soit
i u
le rsidu de lestimation tel que :
i i
= (a- a )x +(b- b)+ on montre que E( i)=0
i
i i
u y a x b
u u
i u
diffre de
i
u
pour les termes
( ) et (b- b)
i
a a x
converge en probabilit vers celle du
i u
et la valeur
2
2
2
i u
S
n
estimateur de la variance
des rsidus.
n : le nombre dobservation.
n-2 : le nombre de degr de libert.
2 : le nombre des paramtres ( a et b).
SECTION III : Introduction la validation des modles
I Le COEFFICIENT DE DETERMINATION
Le principe de validation dun modle consiste sinterroger sur lgalit de
Y
et Y
( Y) Y
Divisons les 2 membres par n et rappelons que
Y Y
et de la variance empirique des
i u
.
La variance empirique de
Y
est souvent appele variance explique par la relation linaire. Celle des
i u
est la variance rsiduelle.
Il semble alors naturel de mesurer la qualit de la liaison linaire par le rapport de la variance empirique
des
i Y
celle des
i
Y
. Ce rapport sera not
2
R
.
2
2
2
( )
variation explique
variation totale ( )
i
i
Y Y
R
Y Y
La logique du R
2
en conomtrie fait la diffrence entre la trajectoire de Y et celle de
Y
.
En divisant les termes de lgalit (3) par
2
( )
i
Y Y
:
2
2
2
2
2
2
1
( )
1
( )
i
i
i
i
u
R
Y Y
u
R
Y Y
.
Nous avons sous les hypothses et en appliquant les M.C.O :
2
2
( , )
( )
u
i
a N a
X X
Donc si 0 a , on aura :
2
2
(0, )
( )
u
i
a N
X X
On ne peut pas construire lintervalle de confiance car
2
u
est inconnue. On recourt une astuce
statistique. On cherche une variable alatoire T telle que :
* T soit fonction de
* T suit une loi de probabilit connue
14
On va retenir :
2
2
0
( )
( )
2
i
i
i
u
a
u
X X
T
u
n
Le numrateur est une variable normale centre et rduite. Le dnominateur est une variable de Khi-
Deux divise par son nombre de d.d.I (n-2). Test donc par dfinition une variable de STUDENT (n-2)
d.d.I.
Ds lors, lintervalle de confiance pour
a
scrit :
Sous
0
H
2 2
2 2
0 0 0.95
( 2) ( ) ( 2) ( )
i i
i i
u u
P t a t
n X X n X X
1
1
< < +
1
1
]
Soit : [ ]
0.95 P t T t
< < +
2
me
tape : Solution du test :
Deux cas possibles
*
a
< T < t
.
Quand n tend vers linfini,
1
( ' ) X X
reste non singulire.
Hypothse 7 : On nintroduit pas de restriction sur les estimateurs. Ils peuvent tre positifs, ngatifs ou
nuls.
RECAPITULONS :
*
1
pt
X
pour tout t permet dintroduire une constante dans le M.R.M . Lexclusion dune constante
dans un MLRM donne souvent un
2
R
incorrect.
*Les p vecteurs
1 1
...
p
X X
et E ne sont pas colinaires.
Ces vecteurs forment une varit linaire non dgnre p dimensions dans
n
R
quon appellera plan
de rgression.
La matrice
1 2 1
( , ) ( , ,..., , )
t t p t
X n p X X X E
(3)
Do
U=Y-X.a
(4)
Avec
Y X a
tels que :
2
1
( )
n
t
i
u
soit minimum.
Revenons (4), le vecteur
U
Elles expriment lorthogonalit de et des p vecteurs lignes
' ' '
1 2 1
, ,...,
p
X X X
et
'
E
17
Ces quations peuvent scrire :
'. 0 le vecteur de la matrice X'.
X'= transpos de la matrice X.
X U
En tenant compte de (4), on aura :
1 1
1
'.( ) 0
( '. ) ( ' . ) 0
'. '.
( ' ) ' ( ' ) ( ' )
( ' ) . '
X Y X a
X Y X X a
X Y X X a
X X X Y X X X X a
a X X X Y
2) Proprits de :
Nous allons dmontrer que par les MCO, est lestimateur efficace dans lensemble des estimateurs
linaires et sans biais de a. sera dit BLUE (Best linear unbiased estimators)
Calcul de
( ) E a
:
1
( ' ) ' a X X X Y
or Y Xa U +
Donc
1
1
1
1
1
1
( ' ) '( )
( ' ) ( ' ' )
( ' ) ( ' ). ( ' ). '
( ' ) '
( ) ( ' ) '
( ) ( ) ( ' ) ' ( ) ; E(U) tant egal 0
( ) donc a est un estimateur sans biais d
a X X X Xa U
a X X X Xa X U
a X X X X a X X X U
a a X X X U
E a E a X X X U
E a E a X X X E U
E a a
+
+
+
+
1 +
]
+
e a.
*Calcul de
( ) V a
:
( 1) (1 )
( ) ( ) ( )'
p p
V a E a a a a
1
1
]
Or
1
( ) ( ' ) ' a a X X X U
o
1
( ) ' ' ( ' ) , X'X est symtrique a a U X X X car
donc
-1 -1
( a -a)( a -a)'=(X'X) X'.UU'.X(X'X)
18
-1 -1
V( a )=E (X'X) .X'.UU'.X.(X'X)
1
]
Le seul terme alatoire dans lexpression de
( ) V a
est UU
donc :
( ) ( ' ) . ( '). ( ' ) V a X X X E UU X X X
on rappelle H3
2
( )
t u
V U
Enfin
1 2 1
( ) ( ' ) ( ' )
u n
V a X X X I X X X
2 1 1
( ' ) '. ( ' )
u n
X X X I X X X
do
2 1
( ) ( ' )
u
V a X X
(6)
On montre quune condition ncessaire et suffisante pour que soit un estimateur convergent de a est
que les vecteurs variables exognes ne tendent pas tre colinaires quand n tend vers linfini.
Autrement dit H6 reste valable quand n tend vers linfini.
3) est BLUE
est efficace dans la classe des estimateurs de a sans biais et linaires en Y. Ce thorme de Gauss
Markov justifie lutilisation des M.C.O pour effectuer une estimation.
1- on va dfinir un estimateur linaire
*
a
sans biais de a et variance minimale
2- on va montrer que
*
a
est en fait quivalent .
Dmonstration
1- soit a
*
un estimateur de a linaire en Y
*
.
( 1) (p 1) (n 1)
a a LY
p
+
L(p,n) matrice quelconque
a
*
doit tre sans biais
*
E( ) ( ) . ( )
= a+L.E(Xa+U)
= a+L.E(Xa)
a E a L E Y
+
L.X=0
a
*
ne sera sans biais que si L.X=0
Matrice des variances co-variances de a
*
* *
( ) ( )( ) ' V a E a a a a
1
1
]
Or
*
= a -a+L.(Xa+U)
= a -a+L.Xa+LU
a a a LY a
+
or L.Xa=0
donc
*
a -a=a -a+LU
19
Remplaons par sa valeur
-1
a =a+(X'X) X'U
donc
*
-1
-1
a -a=a+(X'X) ' .
= (X'X) X'U+LU
X U LU +
enfin
*
-1 -1
V( a )= E(X'X) X'U+LU (X'X) X'U+LU ' 1 1
] ]
On rappelle que
2
( ')
u
E UU
do
*
2 -1 -1
( ) (X'X) X'+L X(X'X) '
u
V a L 1 1 +
] ]
Comme . 0 L X car a
*
est sans biais
Alors ' ' 0 X L et
*
2 1 2
( ) ( ' ) '
u u
V a X X L L
+
do
*
2
( ) ( ) '
u
V a V a L L
+
et finalement,sauf si 0 L , ' LL est une matrice semi-dfinie positive en dautres termes
*
( ) ( ) V a V a
>
.
est un estimateur convergent.
On montre la convergence de en moyenne quadratique et cela implique sa convergence en probabilit.
Rappel :
Soit une suite ordonne de variables alatoires
1 2
, ,...,
p
X X X
La variable alatoire
p
X
converge en moyenne quadratique vers le nombre certain
*
X
si
p
E(X )
tend
vers
*
X
et si
p
V(X )
tend vers 0 lorsque n tend vers linfini.
Si a est une matrice symtrique et X est un vecteur de dimension n, lexpression X'AX qui est un
scalaire est dite forme quadratique en X, si X'AX>0 quelque soit X 0 ; la forme quadratique et sa
matrice sont dites semi dfinies positives.
Pour que
A(n,n)
soit dfinie positive, la condition ncessaire et suffisante est que ses valeurs propres h
i
soient toutes strictement positives.
Remarques : La taille de lchantillon nintervient pas dans le calcul de donc de
E( a )=a n
Lorsque
n tend vers linfini (1 condition)
Or
2 1
( ) ( ' )
u
V a X X
or
1
1
( ' ) '
I
n X X X X
n
1
]
1
'
I
X X
n
1
1
]
tend vers
-1
Q
quand n tend vers linfini (
-1
Q quantit finie)
-1
Q
n
tend vers 0 quand n tend vers linfini
Donc
( ) V a
1-Expression de
u
:
On sait que
Y=Xa+ et Y=Xa u
ou Y Y u u Y Y
+
(7)
dou
Xa+U-Xa u
-1
-1
-1
n
=U+Xa-X a+(X'X) '
=U-X(X'X) X'U
= I -X(X'X) ' .
X U
X U
1
]
1
]
(8)
. M U
avec
-1
n
M=I -X(X'X) ' X M est de format n.n
M=M' signifie que M est une matrice symtrique
On dit que A est idempotente si
2 n
A =A, A =A n or
2
M =M
de M est idempotente
2-Expression de
2
t
u
2
'
t
u u u
daprs (8)
' =U'M'MU=U'MU u u
soit
ij
u
llment de la matrice M situ lintersection de la ligne i et de la colonne j
2
2
ij i ij
= U +2
i j i j
t
u u u U U
et
2
( ) M
t
E U trace 1
]
car on a
2
E 0
i
u
quelque soit i et
i j i j
E(U U )=E(U )E(U )=0 avec i j
3-Trace de M :
-1
n
-1
n n
-1
trM= trI -X(X'X) X'
= trI -tr X(X'X) X' avec trI =n
= n-tr X(X'X) X'
1
]
1
]
or
-1 -1
p
tr X(X'X) X' tr X'X(X'X)
= trI
= p
1 1
] ]
donc
trM=n-p
on avait
2
2
E( ' ) ( ) ( )
u
t
u u E u n p
1
1
]
21
et
2 2
( ) ( )
t
t u
u
E trM n p
n p
enfin
2
2
t u
S
n p
2
s est un estimateur sans biais de
2
u
cela revient considrer la
variation totale du phnomne Y.
Pour M2 : on a pour une observation donne
t t t
Y X a U +
.
t
t
Y X a
22
2) Interprtation :
Au numrateur
n
2
t=1
( )
t
Y Y
la mesure de limprcision de M
2
(variance rsiduelle). Plus cette dernire sera leve,
plus elle se rapproche de la variance totale, do linutilit dadopter M
2
plutt que M
1
On remarque que
0<R<1.
Comme
1 R <
alors si R
2
est proche de 1, cela signifie que R est encore plus proche de 1.
Remarque :
R
2
proche de 1 nest pas une preuve de causalit. De mme
2
R
proche de 0 ne signifie pas absence de
lien entre la variable explique et les variables explicatives, mais peut tre la forme de liaison nest pas
adapte.
Bref, il faut tre prudent durant linterprtation de tout rsultat.
II- Tests dhypothses dans le M.R.M / valuation de la performances des variables exognes :
A partir de Y Xa U + (1), nous avons tabli :
1 1
( ' ) ' ( ' ) ' a X X X Y a X X X U
+
de mme si on prend
1
( ' ) ' P X X X X
, on aura
. Y PY
(2)
et
. u M U
(3) avec
n
M=I -P
Sous lhypothse de normalit de la distribution des U (alas)
On dduit que Y ,
a
,
Y
et
u
et
. u M U
' u u
suit une loi khi-deux (n-p)
Si 0 a
Y' Y
suit la loi khi-deux p. Ces deux khi-deux sont indpendants en probabilit. Or, on sait que
le rapport de 2 khi-deux est un F de FISHER. Donc, pour tablir le test de 0 a , on construit la variable
F qui suit une loi de Fisher.
Y' Y
Y' Y n-p
F= =
' '
p
p
u u u u
n p
tend vers un
p;n-p
F
d.d.l
.
23
b- Solution du Test :
On compare le F thorique cd le F lu sur la table de distribution de Fisher et le F calcul partir de nos
observations
2 cas peuvent se prsenter :
* F calcul > F thorique ; on rejette
0
H
. Cela veut dire que les variables retenues sont explicatives.
* F calcul < F thorique ; non rejet de
0
H
.
Exemple : Soit un modle 5 variables exognes ( y compris la constante) et on suppose quil a t
estim sur 25 observations. Supposons enfin que le rsultat obtenu est :
Y' Y 20
3.0
5
' u u
La valeur lue sur la table du F de Fisher pour 5 et 20 d.d.l
Et 2,71 au seuil de 5% et 4,10 au seuil de 1%
Nous allons rejeter
0
H
au seuil de 5% ( car 3>2,71) mais on ne pourra pas la rejeter au seuil de 1% ( car
3<4,10)..
Remarque : Ce qui importe, cest de tester la porte explicative linfluence des vraies variables
exognes . Ce quil faut tester cest la nullit du vecteur form par les (p-1) premires composantes de
a. On a toujours :
'
khi deux (n-p) d.d.I si les (p-1) premires sont nulles
Y' Y
khi deux p-1 ddl
Le rapport des 2khi deux sera donc un F
p-1;n-p
Exemple : Au Maroc les importations sont fonction de la consommation, de la FBCF et des exportations.
( , , )
log 0.469log( ) 0.034log( ) 0.471log( ) 0.993
t t t t
M f C FBCF X
M C FBCF X
+ +
n=14 ;
2
R
=0.82
15.649
c
F
10 n p p-1=3
t
F =6.55
donc on rejette
0
H
: les variables exognes peuvent tre considres comme explicatives dans
lensemble.
c - Gnralisation :
Soient 2 modles M
1
et M
2
tels que :
* * * * *
(n,q) (q,1)
1
M : Y=Xa +U avec X , a
*
(n,1)
( ,1)
et U
n
Y
.
2 (n,p) (p,1) (n,1) (n,1)
M : Y=Xa+U avec X , a , Y et U .
24
On pose
n>q>p
Faut-il refuser
0
H
qui considre
2
M
comme meilleur ; cela veut dire : dans
1
M
les (
q-p
) variables ne
sont-elles pas en trop ?
Pour rpondre cette question, on dfinit un F qui suit une loi de probabilit donne ;
u Y X a
* *
*
u Y X a
* *
* *
* * * *
' '
' ' q-p
q-p
' '
u u u u
u u u u n p
F
u u u u
n p
.
* *
* *
' '
q-p
'
u u u u n p
F
u u
Ce rapport suit une loi de FISHER (
q-p
) et (
n p
) d.d.l
Ensuite, on compare le F calcul (
c
F
) et le F thorique (
t
F
). Si
c t
F >F
, on rejette
0
H
.
2) Test Student : Significativit de chaque composante du vecteur a :
Ce test permet en fait dapprcier la porte explicative de chaque variable exogne retenue.
Soit le modle : Y Xa U +
Supposons que lon sintresse un coefficient dtermin
k
a
du modle. Nous avons dmontr que
( ) E a a
ou encore que
k
k
E( a )=a
.
Soit
k
V
le Kime terme de la diagonale principale de
-1
(X'X) , la variance dun coefficient quelconque
de rgression scrit
2
k
k
V( a ) = V
u
et
k a
La quantit
k
k
k
a -a
P= (0,1)
V
u
N
Mais on ne connat pas la variance de U . II convient de lestimer. nous savons que :
2
2
t u
S
n p
donc
'
( )
u u
V U
suit un Khi Deux
(n-p)
ddI .
25
Comme la distribution de
'
( )
u u
V U
est indpendante de celle de L on a par dfinition : la variable
k
k
k
k k
k
a -a
V a -a
T= =
' V . '
u
u u u u
n p n p
suit une loi de STUDENT (n-p) ddI
On remarque que la quantit
k
V . ' u u
n p
poser
k
a =0
et dterminer une variable de STUDENT T (dans la formule ci-dessus cela revient
remplacer
k
a
par 0).
Solution du test :
On crit que [ ]
P -t<T<t =0.95
k a
P -t < <+t =0.95
k
a
1
1
1
]
ou encore k P -t . <a <+t . =0.95
k k
a a
1
1
]
2 cas possibles :
*
k a
appartient lintervalle
-t . , +t .
k k
a a
1
1
]
alors on ne refuse pas H
0
*
k a
1
1
1
]
; donne ici , k P -t . <a <+t . =0.95
k k
a a
1
1
]
Discutons la pertinence de linvestissement :
le t lu sur la table 95% est 2.093 et on remplace les carts types par leur valeur, il vient :
P( - 2,093x 0,81 < 3,07 < 2,093 x 0,81) = 0,95 ou P( - 1,695 < 3,07 < 1,695) = 0,95 , sous H0
Or la valeur = 3,07 nappartient pas lintervalle, donc rejet de H0 ; en dautres termes coefficient a
2
est diffrent de 0 et linvestissement est une variable pertinente pour expliquer le niveau des
importations.
Pour la consommation, on utilise lapproximation :
*
1.92
2
1.25
T < donc selon lchantillon, la consommation nexplique pas le
niveau des importations.
3) Test de DURBIN & WATSON : Problme de lautocorrlation des rsidus
Il y a autocorrlation des rsidus quand le modle est mal spcifi. On peut prciser que le risque
dautocorrlation des rsidus augmente surtout dans les modles estims sur des sries chronologique.
Elle sera dailleurs dautant plus grande que la priodicit est courte.
Dans le cas de lomission dune variable significative, les rsidus ne sont plus distribus de faon
alatoire. Ils comportent leffet des variables omises. De manire gnrale, lautocorrlation des rsidus
provient dune mauvaise spcification (forme de liaison inapproprie, dfinition des variables...).
Lorsquon a autocorrlation des alas, on a tendance sous-estimer les cart-types des coefficients ; en
dautres termes on surestime le T de Student. Ds lors, on risque de conclure htivement la
pertinence dune variable propose et teste.
Les causes dun mauvais DW sont de deux types, conomique et statistique.
Pour sassurer du risque dautocorrlation des erreurs, on procde au test de Durbin & Watson.
A - Principe destimation :
Il existe plusieurs procdures destimation. On suppose par exemple que les rsidus U
t
sont corrls
selon un schma autorgressif de 1
er
ordre. Soit donc :
1 t t t
U U
+
avec
(0,1) N
et
'
E( , ) 0 t t'
t t
On aura donc
1 2 1 t t t
U U
+
do :
2
2 1 t t t t
U U
+ +
27
enfin
k
t t k
U
On dmontre que dans le cas dautocorrlation des erreurs, lestimateur est sans biais et il reste
convergent.
Mais, cela ne signifie pas quil a la variance minimum. La variance tant forte, lestimation peut
sloigner de son esprance mathmatique avec une forte probabilit.
Reprenons le modle initial :
t 1 1t 2 2t p pt t
Y =a X +a X +...+a X +U
(1)
Soit
a
mais
galement de la suite des
t
X
.
Considrons la variable alatoire
d
(2)
d
est fonction de
t u
donc
d ( ) ( ) t
t t
f u f Y Y
. Or,
2
(0, )
t u
u N
donc la limite en
probabilit de
d
Cette statistique de D.W est utilis pour donner la nature de la corrlation des rsidus.
* Quand il y a corrlation positive parfaite,
1
1 ; d 0
t t t
U U
+
* Quand
1 d 4
, il y a autocorrlation ngative parfaite.
* Il y a indpendance lorsque
0
dans ce cas
d 2
Tableau de dcisions :
0 d
i
d
2
d
2
4-d
i
4-d 4
----------------------------------------------------------------------------------------------------
! ! ! ! ! !
! AUTOCORR ! DOUTE ! INDEPENDACE ! DOUTE !AUTOCOR !
!ELATION ! ! ! !RELATION !
POSITIVE ! ! ! ! NGATIVE !
28
Les programmes de calcul donnent la valeur de
d
.
B) Utilisation de la table de DURBIN & WASTON :
Nous allons tester lhypothse
0
: 0 H
contre lhypothse
1
H : 0
un seuil de signification
.
Durbin & Watson ont dtermin 2 valeurs d
1
et d
2
fonction de n et de p.
Donc on calcule
d
< d
1
on rejette H
0
* d
1
<
d
<d
2
doute
d
> d
2
non rejet H
0
, absence dautocorrlation des rsidus.
n p=2 p=3 p=4
d
1
d
2
d
1
d
2
d
1
d
2
----------------------------------------------------------------------------------------------------
15 1.08 1.36 0.95 1.54 0.82 1.75
20 1.20 1.41 1.10 1.54 1.00 1.68
30 1.35 1.49 1.28 1.57 1.21 1.65
50 1.50 1.59 1.46 1.63 1.42 1.67
100 1.65 1.69 1.63 1.72 1.61 1.74
Remarques :
* La statistique de DW applique un modle contenant des variables endognes retardes est biaise
vers 2 ce qui laisserait supposer que les erreurs sont moins souvent corrles dans un processus
autorgressif que dans un processus ordinaire.
* Dans le cas dautocorrlation des alas, il y a lieu doprer sur le modle initial la transformation de
COCHRANE ORCUTT.
Exemple :
Log M
t
= 0.469 Log C
t
+ 0.034 Log FBCF
t
+ 0.471 Log X
t
- 0.993
^DW = 1.414 n = 15 et p = 4 d
1
=0.82 et d
2
=1.75
Comme 0.82 < ^DW < 1.75 , donc il y a doute
29
Bibliographie
Ouvrages de base pour complter le cours
Mthodes statistiques de lconomtrie Edmond MALINVAUD - Dunod / 1970
Introduction lconomtrie C. Labrousse Dunod / 1976
Mthodes conomtriques pour lanalyse conomique et laide la dcision
Kamal HADADJ Walada / 1994
Introduction lconomtrie Dormont B Montchrestien (1999)
Mtodes Economtriques , Tome 1 et 2, J.Johnston, Economica, 1985
Economtrie , Jean-Franois Brun, Jean Louis Combes et Claudio Araujo, Bral,
2004
The theory and practice of econometrics dition Wiley 1985
Exercices pdagogiques de statistiques et conomtrie Claude Mouchot, Economice
1979
Plus tard,
Limted dependent and qualitative varaibles in econometrics G.S.Madala ,
Cambrigde university Press, 1977.
A Guide to Econometrics Peter Kenned , Third Edition , 1992
Economtrie applique , sous la direction de Claude Montmarquette, Economica,
1997
Revues consulter pour enrichir vos capacits en analyse conomique
Problmes conomiques
Revue dconomie du dveloppement
Revue dconomie politique
Economie et prvision
Plus tard, pour ceux qui iront vers un 3
me
cycle
American Economic Review (AER)
Journal of Political Economy
World Bank Economic Review
Journaux
Il est conseill de lire
Le Monde ( du Mardi)
Le Figaro (pages saumon, conomiques)
Voir aussi les sites, comme celui du NBER (National Bureau of Economic Research) pour des travaux
de bons niveau (non encore publis), ainsi que dautres centres de recherche duniversits (working
papers / documents de travails)... ou encore le site de la Direction de la Statistique (HCP), pour laccs
des donnes ou des tudes /Maroc ce sont des exemples seulement.
30