1
L3 Econométrie - Econométrie II 1
Chapitre 2Autocorrélation des erreurs
Licence Econométrie – Econométrie II
2007-2008
Martin Fournier
L3 Econométrie - Econométrie II 2
1. Présentation du problème
L3 Econométrie - Econométrie II 3
1.1 Présentation du problème (1)Reprenons le modèle linéaire général
Il y a autocorrélation des erreurs lorsque l’hypothèse H5 (cf. ch. Introductif) n’est plus vérifiée, soit :
Interprétation :- La matrice de variance covariance des termes
d’erreurs n’est pas diagonale - Les termes d’erreur des différentes observations ne
sont pas indépendants
2
L3 Econométrie - Econométrie II 4
1.2 Présentation du problème (2)
En présence d’autocorrélation, les estimateurs MCO sont sans biais mais ne sont plus à variance minimale.
En présence d’autocorrélation, les écarts types usuels des MCO et les tests ne sont plus valides, même asymptotiquement.
L3 Econométrie - Econométrie II 5
1.3 Les MCO restent sans biais
Sans biais ?
L3 Econométrie - Econométrie II 6
1.4 Mais ne sont plus de variance minimale
De variance minimale ?En présence d’autocorrélation des termes d’erreur, les hypothèses du théorème de Gauss-Markov (cf. Econométrie I) ne sont plus vérifiées
Le résultat de variance minimale des MCO n’est plus valide
3
L3 Econométrie - Econométrie II 7
1.5 Les tests usuels des MCO sont invalidés
La variance de l’estimateur des MCO est :
L3 Econométrie - Econométrie II 8
1.6 Les tests usuels des MCO sont invalidés (2)
Tous les tests d’hypothèse qui reposent sur l’expression de la matrice de variance-covariance des MCO ( ) sont invalidés Écarts-types et intervalles de confiance des
coefficients estimés t-Tests et F-tests sur les coefficientsNB : La mesure de la qualité de la régression par
le R2 reste en revanche valide
12 )'( −XXσ
L3 Econométrie - Econométrie II 9
1.7 Plan du chapitre
Les sources usuelles de l’autocorrélation
Introduction aux séries chronologiques
Tester la présence d’autocorrélation
Méthodes de correction
Conclusion et mises en garde
4
L3 Econométrie - Econométrie II 10
2. Les sources usuelles du problème
L3 Econométrie - Econométrie II 11
2.1 Les sources usuelles du problème
L’autocorrélation des erreurs peut être observée pour plusieurs raisons :- Variables explicatives importantes omises- Mauvaise spécification du modèle- Effets dynamiques non modélisés
Sources d’« inertie » dans les erreurs
L’autocorrélation des erreurs se rencontre essentiellement dans les modèles en séries temporelles.
L3 Econométrie - Econométrie II 12
2.2 Mauvaise spécificationUn mauvais choix de forme fonctionnelle peut aussi s’interpréter comme une variable omise :
Modèle théorique :
yt = a + b.xt + c.xt2+ vt
Modèle estimé :
yt = a + b.xt + ut
5
L3 Econométrie - Econométrie II 13
3. Introduction aux modèles en séries chronologiques
L3 Econométrie - Econométrie II 14
3.1 Introduction aux modèles en séries chronologiques
Exemples- Variables macro-économiques françaises (PIB, inflation,
chômage, etc.)- Suivi mensuel d’un individu (emploi, salaire,
consommation, etc.)- Cotation d’une action (annuelle, mensuelle, journalière,
à la minute…)
Formalisation
yt = b0 + b1xt1 + . . .+ bkxtk + ut
L3 Econométrie - Econométrie II 15
3.2 Séries chronologiques / Coupes transversales
Les observations des séries chronologiques sont ordonnées alors que l’ordre des observations d’une coupe transversale n’a pas d’importance
Les observations de séries chronologiques sont issues d’un processus stochastique(aléatoire) à partir d’un modèle théorique et non pas d’un échantillonnage aléatoire(coupes transversales)
6
L3 Econométrie - Econométrie II 16
3.3 Modèles avec retardsUn modèle statique relie des variables contemporaines
yt = b0 + b1zt + ut
NB : Identique au modèle de coupe transversale
Un modèle avec retards inclut l’observation passée de certaines variables
yt = a0 + d0zt + d1zt-1 + d2zt-2 + ut
L3 Econométrie - Econométrie II 17
3.4 Modèles avec retards (2)
yt = a0 + d0zt + d1zt-1 + d2zt-2 + ut
Le paramètre d0 mesure l’impact immédiat (i.e. de court terme) de la variable z sur la variable y.
L’ensemble des paramètres (d0 , d1,…, dq) décrit la relation de long terme entre les deux variables
L3 Econométrie - Econométrie II 18
3.5 Le problème des tendances (trend)
Les différentes variables d’une série chronologique économique ont souvent une tendance temporelleLe fait que deux variables suivent la même tendance ne suffit pas à prouver une relation causale.
Exemple:- Le cours du blé fluctue en fonction des précipitations- La demande d’énergie (chauffage) fluctue également en
fonction des conditions météorologiques Une corrélation est observable entre les deux variables
sans qu’il y ait pour autant de causalité
7
L3 Econométrie - Econométrie II 19
3.6 Le problème des tendances (2)
Ce sont le plus souvent des facteurs inobservés par l’économètre qui causent les tendances
Même si ces facteurs ne peuvent être observés, il est possible de les contrôler en modélisant la tendance temporelle
La question de la cointégration (cf. cours de séries temporelles en M1)
L3 Econométrie - Econométrie II 20
3.7 Le problème des tendances (3)
Comme pour le modèle économique, il existe une infinité de spécifications possibles pour la tendance Tendance linéaire
yt = b0 + b1zt + a1t + et , t = 1, 2, …
Tendance exponentielle
log(yt) = b0 + b1zt + a1t + et , t = 1, 2, …
Tendance quadratique
yt = b0 + b1zt + a1t + a2t2 + et , t = 1, 2, …
L3 Econométrie - Econométrie II 21
3.8 Purger la tendance (detrending)
Au lieu d’introduire une tendance linéaire, il est possible de travailler sur des données purgées de la tendance (detrended)1) Régression de chaque variable du modèle sur
une tendance
2) Utilisation des résidus de chaque équation comme nouvelles variables
8
L3 Econométrie - Econométrie II 22
3.9 Purger la tendance (2)
Application pratiqueyt = b0 + b1zt + a1t + et , t = 1, 2, …
1) Créations de variables purgées de la tendance
yt = c0 + c1t + εt ytd = εt
zt = d0 + d1t + ηt ztd = η t
2) Régression du modèle sur les nouvelles variables
ytd = b1zd
t + ωt , t = 1, 2, …
L3 Econométrie - Econométrie II 23
3.10 Purger la tendance (3)
Purger la tendance est une méthode en 2 étapes qui introduit une erreur de mesuresur la deuxième étape
Les variables purgées de la tendance sont construites à partir de paramètres estimés
tt tccy ε++= 10 tccyy td
t 10 ˆˆˆ −−=
tt tddz η++= 10 tddzz td
t 10ˆˆˆ −−=
L3 Econométrie - Econométrie II 24
3.11 Purger la tendance (4)
L’introduction d’une tendance et l’utilisation de variables purgées de la tendance sont deux approches équivalentes
Calcul du R2
Les régressions en séries temporelles ont souvent un R2
très élevé du seul fait du pouvoir explicatif de la tendance (qui ne correspond pas au pouvoir explicatif réel du modèle économique estimé)
Le R2 de la régression avec variables purgées de la tendance reflète de manière plus juste le pouvoir explicatif du modèle économique
9
L3 Econométrie - Econométrie II 25
3.12 Le cas d’erreursautorégressives de degré 1 [AR(1)]
yt = b0 + b1zt + ut
Prenons le cas particulier suivant(1)ut = ρ.ut−1 + et
avec ρ <1
et i.i.d (non autocorrélé)
L3 Econométrie - Econométrie II 26
3.13 Le cas d’erreurs AR(1) (2)
L3 Econométrie - Econométrie II 27
3.14 Le cas d’erreurs AR(1) (3)
10
L3 Econométrie - Econométrie II 28
3.15 Le cas d’erreurs AR(1) (4)
L3 Econométrie - Econométrie II 29
3.16 Sur ou sous-évaluation des écarts-types ?
Les deux cas sont possibles.
Dans la plupart des modèles économiques en séries chronologiques, les erreurs sont positivement corrélées et les variables explicatives restent de même signe La variance des MCO tend à sous-évaluer la vraie variance.
?0)'(')'( 112
><
Φ −− XXXXXXuσ
L3 Econométrie - Econométrie II 30
4. Détection de l’autocorrélation
11
L3 Econométrie - Econométrie II 31
4.1 Détection de l’autocorrélationElle s’effectue à partir de l’analyse des résidus
empiriques. Eux seuls sont connus
Examen visuel des résidus L’analyse graphique des résidus permet le plus souvent
de détecter une autocorrélation des erreurs lorsque :- Les résidus sont pendant plusieurs périodes consécutives, soit
positifs, soit négatifs : corrélation positive
- Les résidus sont alternés : corrélation négative.
Cependant, le plus souvent, l’analyse graphique est délicate à interpréter
L3 Econométrie - Econométrie II 32
4.2 Examen visuel des résidus
L3 Econométrie - Econométrie II 33
4.3 Le test de Durbin Watson
Test d’autocorrélation des termes d’erreur d’ordre 1 selon la forme :
Il s’agit de tester
contre
),0( : avec
.2
1
et
ttt
Ne
euu
σρ
→
+= −
12
L3 Econométrie - Econométrie II 34
4.3 Le test de Durbin Watson (2)
Pour tester l’hypothèse nulle, on calcule la statistique de Durbin Watson
De par sa construction, cette statistique varie entre 0 et 4 et on a :
∑
∑
=
=−−
=n
tt
n
ttt
u
uuDW
1
2
2
21
ˆ
)ˆˆ(
L3 Econométrie - Econométrie II 35
4.4 Le test de Durbin Watson (3)
Preuve
L3 Econométrie - Econométrie II 36
4.5 Le test de Durbin Watson (4)
Afin de tester l’hypothèse nulle, Durbin et Watson (1950) ont tabulé les valeurs critiques de DW au seuil de 5%, en fonction de la taille de l’échantillon T et du nombre de variables explicatives (k).
La lecture de la table permet de déterminer 2 valeurs d1 et d2 comprises entre 0 et 2.
13
L3 Econométrie - Econométrie II 37
4.6 Les valeurs critiques du DWp : nombre de variables explicatives (constante exclue)n : nombre d’observations
L3 Econométrie - Econométrie II 38
4.7 Lecture de la table du DW
Le calcul de la statistique de Durbin Watson permet de tester la présence d’autocorrélation de la manière suivante
L3 Econométrie - Econométrie II 39
4.8 Les conditions d’utilisation de la statistique de Durbin Watson
Le modèle doit comporter impérativement un terme constantLe nombre d’observations doit être supérieur (ou égal) à 15Le modèle estimé ne contient pas la variable dépendante retardée dans les variables explicativesLe test de DW ne permet de tester que l’autocorrélation d’ordre 1NB : La statistique de DW est une statistique de 2èmeétape, i.e. calculée à partir des résidus empiriques, eux-mêmes soumis à erreur de mesure
14
L3 Econométrie - Econométrie II 40
4.9 Exemple : Estimation d’une fonction de consommation
(Greene, Econometric Analysis, 5° Edition)
Table de DW pour 1 var. explicative et 100 observations
d2 = 1,69 d1 = 1,65
yt : ln (consommation réelle)
xt : ln (revenu réel)
L3 Econométrie - Econométrie II 41
4.10 Approches alternatives
Il s’agit de tester l’autocorrélation des termes d’erreur d’ordre 1
NB : On lève ici l’hypothèse de normalité sur e
Pour cela il suffit de régresser les résidus empiriques sur les résidus empiriques retardés
Un t-test sur le paramètre estimé permet de tester la présence d’autocorrélation
ut = ρ.ut−1 + et
avec : et i.i.d (non autocorrélé)
L3 Econométrie - Econométrie II 42
4.11 Approches alternatives (2)Une approche plus flexible Test d’une autocorrélation des termes d’erreur d’ordre q
Estimation du modèle
t-test sur le paramètre estimé
Test d’une structure plus générale d’autocorrélationjusqu’à l’ordre q Estimation du modèle
F-test sur le modèle estimé
éautocorrélnon i.i.d : avec . ttqtt eeuu += −ρ
éautocorrélnon i.i.d : avec .1
tt
q
iitit eeuu +=∑
=−ρ
15
L3 Econométrie - Econométrie II 43
5. Correction de l’autocorrélation
L3 Econométrie - Econométrie II 44
5.1 Les Moindres Carrés Généralisés
On a vu qu’en présence d’autocorrélation Les estimateurs par MCO sont sans biais
Les estimateurs par MCO ne sont plus de variance minimale
On cherche un estimateur qui soit de variance minimale
L3 Econométrie - Econométrie II 45
5.2 Les Moindres Carrés Généralisés (2)
Considérons le modèle linéaire général suivant
On peut démontrer que l’estimateur, sans biais, fonction linéaire de Y et à variance minimale est donné par :
IuXY 2u avec σβ ≠Ω+=
11ˆ
111
)'(
)'()'(ˆ
−−
−−−
Ω=Ω
ΩΩ=
XX
YXXX
u
uuMCG
MCGβ
β
16
L3 Econométrie - Econométrie II 46
5.3 Les Moindres Carrés Généralisés (3) Démonstration
L3 Econométrie - Econométrie II 47
5.4 Les Moindres Carrés Généralisés (4) Démonstration (suite)
L3 Econométrie - Econométrie II 48
5.5 Les Moindres Carrés Généralisés (5) Démonstration (suite)
17
L3 Econométrie - Econométrie II 49
5.6 Les Moindres Carrés Généralisés (6) Si l’on connaît la matrice de variance-covariancedes erreurs, cela permet de résoudre la question de l’autocorrélation des résidus. Le théorème de Gauss Markov s’applique au modèle
transformé. L’estimateur des MCG est BLUE L’estimateur des MCG suit asymptotiquement une loi
normale centrée en β et de variance :
NB : Les MCO sont un cas particulier des MCG pour Ψ = I
1121**2* )'()'()ˆ( −−− Ψ== XXXXXVar σσβ
L3 Econométrie - Econométrie II 50
5.7 Appliquer la méthode des MCG
Dans la pratique, on ne connaît pas la matrice de variance covariance des termes d’erreurs.
Il faut l’estimer dans une première étape.
Les tests d’hypothèses des MCO peuvent être directement adaptés au modèle transformé.
En revanche, la statistique de R2 n’est plus comparable àcelle des MCO et il existe plusieurs alternatives (non développées ici)
L3 Econométrie - Econométrie II 51
5.8 Les moindres carrés quasi-généralisés (MCQG)
Pour appliquer les MCQG, on procède en deux étapes :1) Estimation de la matrice permettant de transformer le
modèle estimé en un modèle sans autocorrélation des erreurs
2) Estimation du modèle transformé par les MCO
NB : La première étape introduit des paramètres estimés (avec erreur) dans la deuxième étape.
18
L3 Econométrie - Econométrie II 52
5.9 Application des MCQG au cas de termes d’erreur AR(1)
Reprenons le modèle à termes d’erreurs AR(1) :
On a vu que dans ce cas : <
+= −
éautocorrélnon et i.i.d
1 avec
. 1
t
ttt
e
euu
ρρ
)(
1.
1...
...
...1
.1
2
21
22
12
2 ρσ
ρρρρρρ
ρρρρ
σ Ψ=
=Ω
−
−
u
T
T
uu
L3 Econométrie - Econométrie II 53
5.10 Application des MCQG au cas de termes d’erreur AR(1) (2)
Pour obtenir l’estimateur des MCQG, il faut dans un premier temps estimer le paramètre ρ.
L3 Econométrie - Econométrie II 54
5.11 Application des MCQG au cas de termes d’erreur AR(1) (3)
19
L3 Econométrie - Econométrie II 55
5.12 Application des MCQG au cas de termes d’erreur AR(1) (4)
Un résultat important :Si l’estimateur de ρ est convergent, l’estimation en deux étapes par les MCQG est asymptotiquement équivalenteà utiliser le vrai paramètre ρ
Les limites :- Les propriétés à distance finie des estimateurs par les MCQG sont inconnues dans le cas général.
* N’est plus « sans biais »* Les statistiques de tests ne sont que des approximations des vraies statistiques de test du fait de l’approximation de ρ par ρ
L3 Econométrie - Econométrie II 56
5.13 Estimer ρ dans le cas de termes d’erreur AR(1)
Différentes études montrent que les MCQG sont le plus souvent plus efficaces que les MCO mais, si le problème d’autocorrélation n’est pas trop grave, les MCO peuvent être plus efficaces que les MCQG sur petits échantillons.
Les MCQG sont en particulier largement utilisés lorsque le modèle d’autocorrélation retenu pour les erreurs est donné par :
)N(0, avec
.2e
1
σρ
→
+= −
t
ttt
e
euu
L3 Econométrie - Econométrie II 57
5.14 Estimer ρ dans le cas de termes d’erreur AR(1) (2)
Première approche : estimation directe1. OLS sur le modèle sans tenir compte de l’autocorrélation
2. OLS sur les résidus du modèle estimés ( ) selon le modèleu
43421
]ˆYet ˆX avec YX'X)[(X'MCO des Estimateur
2
1
01
11-
1ˆ
ˆˆˆˆ ˆ.ˆ
tt
t
uu
t
ttt
ttt u
uueuu
==
−
−
−
−∑
∑==⇒+= ρρρ
20
L3 Econométrie - Econométrie II 58
5.15 Estimer ρ dans le cas de termes d’erreur AR(1) (3)
Deuxième approche : Utilisation de la statistique de Durbin-Watson
NB :
2
DW-1ˆoù d'
ˆ
)ˆˆ(
1
2
2
21
=−
=∑
∑
=
=−
ρT
t
T
ttt
tu
uuDW
)ˆ 1(2 ρ−≈DW
L3 Econométrie - Econométrie II 59
5.16 La procédure itérative de Cochrane-Orcutt
Première étape : initialisation de ρ par estimation directe (cf. première approche)
Deuxième étape : utilisation de pour appliquer les MCQG dont on déduit un nouveau résidu empirique et une nouvelle valeur de ρ
Le processus est répété jusqu’à stabilité de l’estimation de ρ
0ρ
∑
∑
−
−
=
t
ttt
tu
uu
2
1
0
1ˆ
ˆˆρ
u
∑
∑
−
−
=
t
ttt
tu
uu
2
1
1
1
ˆ
ˆˆ
ρ
L3 Econométrie - Econométrie II 60
5.17 Exemple : Estimation d’une fonction de consommation
+---------------------------------------------+| AR(1) Model: e(t) = rho * e(t-1) + u(t) || Initial value of rho = .90693 || Maximum iterations = 100 || Method = Prais - Winsten || Iter= 1, SS= .017, Log-L= 666.519353 || Iter= 2, SS= .017, Log-L= 666.573544 || Final value of Rho = .910496 || Iter= 2, SS= .017, Log-L= 666.573544 || Durbin-Watson: e(t) = .179008 || Std. Deviation: e(t) = .022308 || Std. Deviation: u(t) = .009225 || Durbin-Watson: u(t) = 2.512611 || Autocorrelation: u(t) = -.256306 || N[0,1] used for significance levels |+---------------------------------------------++---------+--------------+----------------+--------+---------+----------+|Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X|+---------+--------------+----------------+--------+---------+----------+Constant -.08791441 .09678008 -.908 .3637LOGY .99749200 .01208806 82.519 .0000 7.99083133RHO .91049600 .02902326 31.371 .0000Rappel : LOGY(MCO) 1.00306 .00297 t=338.159
Procédure équivalente à Cochrane-Orcutt
21
L3 Econométrie - Econométrie II 61
5.18 La procédure de “balayage” de Hildreth-Lu
Première étape : A partir de la statistique de Durbin-Watson, on détermine une autocorrélation positive ou négative :
Deuxième étape : Régression pour l’intervalle des valeurs possibles de ρ
Si alors ont utilise des valeurs de ρ sur [0,1]
Si alors ont utilise des valeurs de ρ sur [-1,0]
On retient la valeur de ρ qui minimise la somme des carrés des résidus en balayant l’intervalle avec un pas correspondant au degré de précision désiré.
0ˆou 0ˆ00 <> ρρ
0ˆ0 >ρ0ˆ0 <ρ
L3 Econométrie - Econométrie II 62
6. Conclusions et mises en garde
L3 Econométrie - Econométrie II 63
6.1 Conclusions et mises en gardesLe problème d’autocorrélation des erreurs est particulièrement important en données chronologiques
Les méthodes de test et de correction de l’autocorrélationvues ici uniquement pour des termes d’erreurs AR(1) peuvent être développées pour tester et corriger des autocorrélations plus complexes
Les méthodes des MCG et MCQG permettent de corriger les biais induits par l’autocorrélationlorsque l’on connaît la nature de cette autocorrélation
22
L3 Econométrie - Econométrie II 64
6.2 Conclusions et mises en gardes (2)Si la nature de la structure d’autocorrélation est mal évaluée, le remède peut se révéler plus nocif que la maladie.
Par ex. si les résidus sont saisonniers et qu’on les suppose AR(1)
Dans ce cas, on risque d’avoir par ces procédures d’estimation des résultats plus mauvais que si on faisait des MCO simples.
Se tromper sur la modélisation des résidus peut être plus grave que le problème d’autocorrélation en lui-même.
Souvent, il vaut mieux essayer de revoir sa spécification économétrique au lieu d’appliquer ces méthodes de correction.
Top Related