1/1

Economtrie I
Chapitre 5
Problmes particuliers : la violation des hypothses
Licence GEDESS Economie Applique
Universit Paris Dauphine
2008-2009
Anne-Laure Samson
2/1
PARTIE I :
LES MOINDRES CARRES GENERALISES
3/1
Rappel des hypothses de lestimation par les MCO

H1 : Les valeurs x
kt
sont observes sans erreur

H2 : E(
t
) = 0

H3 : E(
2
t
) =
2

t (homoscdasticit)

H4 : E(
t

t
) = 0 si t = t

(abscence dautocorrlation des

erreurs)

H5 : Cov(x
kt
,
t
) = 0 : lerreur est indpendante des variables
explicatives
4/1
Si H3 et/ou H4 ne sont plus vries

htroscdasticit et/ou autocorrlation des erreurs :

E(

) =

=
2

=
2

I
T

Consquences :

a est toujours sans biais

a nest plus variance minimale :

a
= (X

X)
1
(X

X)
1
(X

X)
1

a nest plus le meilleur estimateur linaire sans biais

=
T

t=1
(e
t
)
2
Tk1
nest plus un estimateur sans biais de la variance
de lerreur.
5/1
Estimateur des moindres carrs gnraliss

Modle : y = Xa + (1)
sous les hypothses H1, H2, H3

et/ou H4

, H5

Modle transform :
1/2
y =
1/2
Xa +
1/2

Ou encore y =

Xa + (2)
sous les hypothses H1, H2, H3, H4, H5

Estimateur des MCG sur (1) = Estimateur des MCO sur (2)

a
MCG
= (X

1
X)
1
(X

1
Y)
6/1
Proprits statistiques des MCG

Proprits distance nie :

Lestimateur a est sans biais : E( a

MCG
) = a

Estimateur variance minimale :

a
MCG
=
2

(X

1
X)
1

Thorme dAitken : Lestimateur des MCG a

MCG
est
lestimateur le plus prcis parmi lensemble des estimateurs
linaires sans biais de a.
7/1
Estimation de la variance de

a
MCG

a
MCG
=
2

(X

1
X)
1

inconnue => il faut lestimer

A partir du modle transform y =

Xa + sous les hypothses
H1, H2, H3, H4, H5, on obtient : e = y

Estimateur de
2

=
T

t=1
( e
t
)
2
Tk1

a
MCG
=

(X

1
X)
1
8/1
Estimateur des moindres carrs quasi-gnraliss

En pratique, est inconnue => MCQG : MCG appliqus

laide dune estimation de

Modle : y = Xa +
sous les hypothses H1, H2, H3

et/ou H4

, H5

a
MCQG
= (X

1
X)
1
(X

1
Y)

a
MCQG
est calcul en deux tapes :

1re tape : MCO pour calculer

2me tape : MCG en utilisant

Mthode biaise mais convergente et asymptotiquement

quivalente aux MCG.

Mise en oeuvre : 2 cas particuliers dune matrice de

variance-covariance non scalaire : htroscdasticit et
autocorrlation des erreurs
9/1
PARTIE II :
LAUTOCORRELATION DES ERREURS
10/1
Dnition

Les erreurs sont lies entre elles par un processus de mmoire

Exemple : les erreurs suivent un processus AR(1) :

t
=
t1
+ u
t
, || < 1
o u
t
est un bruit blanc
Si = 0 : pas dautocorrlation des erreurs
Si = 0 : autocorrlation dordre 1 des erreurs estimation
par les MCG/MCQG
(Voir construction de la matrice de variance-covariance des
erreurs)

On sintresse lautocorrlation temporelle des erreurs

(autocorrlation spatiale peu frquente)
11/1
Dtection (1)

1. Examen visuel des rsidus (aprs estimation du modle)

Mais le graphique des rsidus ne prsente pas toujours de
caractristiques videntes.

2. Test de Durbin et Watson

Test de lautocorrlation des perturbations lordre 1

uniquement ( ce test ne permettra pas de dtecter une
autocorrlation un ordre suprieur 1, par ex.
lautocorrlation lordre 4 quand on travaille sur donnes
trimestrielles non dsaisonnalises)

Attention ! le test suppose que les perturbations sont

homoscdastiques (i.e que H3 est vrie)
12/1
Dtection (2)

Conditions dutilisations du test de D-W :

Le modle doit comporter une constante

Le modle ne doit pas tre auto-rgressif (dans ce cas, utiliser

dautres tests : le "H de durbin" ou le test de Breusch-Godfrey)

Le terme derreur est suppos suivre une loi normale

Pour les modles en coupe, les observations doivent tre

ordonnes en fonction des valeurs croissantes ou dcroissantes
de la variable expliquer ou dune variable explicative
souponne dtre la cause de lautocorrlation.

Le nombre dobservations doit tre suprieur ou gal 15

3. Test de Breusch-Godfrey

Pour tester une autocorrlation un ordre suprieur 1

Remarque : test valide quand il sagit dun modle

auto-rgressif

Ide du test : rechercher une relation signicative entre les

rsidus et les rsidus dcals.
13/1
Estimation en cas dautocorrlation des erreurs

On a E(
t

t
) = 0 si t = t

Application : cas o les erreurs suivent un AR(1)

Les MCO sont sans biais mais pas ecaces

MCG

MCQG : estimation de

Mthode 1 : estimation directe de partir des rsidus du

modle initial

Mthode 2 : mthode de Cochrane-Orcatt (estimation

itrative de a et de )

Mthode 3 : mthode du balayage ("Hildreth-Lu")

Mthode 4 : estimation de a et de par maximum de

vraisemblance (non dtaill ici)
14/1
PARTIE III :
LHETEROSCEDASTICITE
15/1
Dnition

Les variances des perturbations ne sont plus constantes sur la

premire diagonale : E(
2
t
) =
2
t

Problme qui touche trs frquemment les modles en coupe

instantane, quand on a aaire un "eet taille".
16/1
Principe de la correction

Les MCO sont sans biais mais nest pas variance minimale
=> aecte la prcision des tests

On applique donc les moindres carrs gnraliss, appels

moindres carrs pondrs quand les donnes sont
htroscdastiques.

A la dirence de la correction de lautocorrlation dordre 1

des perturbations, il nexiste pas une mthode unique de
correction, mais des mthodes quon applique en fonction de
la cause prsume de lhtroscdasticit.
17/1
Tests de dtection

1. Test de Goldfeld-Quandt
Ce test nest valable que si une des variables explicatives est la
cause de lhtroscdasticit et que T est grand
Test : H0 :
2
t
=
2
, t
Problme :pas tjs facile didentier la cause de
lhtroscdasticit + la variance des perturbations peut
dpendre dun ensemble de variables explicatives.

2. Test de Glesjer
Permet de dtecter lhtroscdasticit et de spcier sa forme
Test valable uniquement si une des variables explicatives est la
cause de lhtroscdasticit
Test fond sur la relation entre les rsidus de lestimation par
MCO du modle de base et la variable explicative suppose
tre la cause de lhtroscdasticit
18/1
Tests de dtection

3. Test de White
Test fond sur une relation entre le carr du rsidu de
lestimation par MCO du modle de base et une ou plusieurs
variables explicatives en niveau et au carr, suppose(s) tre la
cause de lhtroscdasticit
2 mthodes : test de Fisher ou recours la statistique LM
Rq : ce test est aussi utilis comme test de mauvaise
spcication dun modle.

4. Test dgalit des variances

19/1
Tests de dtection

5. Test ARCH ("Autorgressifs conditionnellement

htroscdastiques")
Modles de type ARCH : surtout pour modliser des sries
nancires, i.e des sries dont la variance en t (la volatilit)
dpend des ses valeurs passes.
Il sagit dune forme particulires dhtroscdasticit :
htroscdasticit conditionnelle
20/1
PARTIE IV :
MODELES A ERREURS SUR LES
VARIABLES