Fiche de révision : Économétrie des séries temporelles

Plan du Cours

  1. Définition et effets de l’autocorrélation
  2. Processus AR et autocorrélogramme
  3. Tests formels de l’autocorrélation
  4. Corrections de l’autocorrélation
  5. Ordres élevés et non-stationnarité
  6. Diagnostic graphique des résidus
  7. Interpréter la statistique Durbin-Watson
  8. Corriger l’inférence et le modèle
  9. Distinguer AR(1) et MA(1)
  10. Stationnarité et cointégration
  11. Tester les autocorrélations conjointes
  12. Modèles dynamiques et prévisions

1. Définition et effets de l’autocorrélation

Notions clés & Définitions

  • Autocorrélation : Dépendance entre erreurs d’observations différentes, telle que Cov⁡(ut,ut−s)≠0\operatorname{Cov}(u_t,u_{t-s})\ne 0 pour certains retards ss.

★ À maîtriser

  • Les causes citées de l’autocorrélation sont : l’inertie socio-économique, l’omission d’une variable pertinente autocorrélée, le phénomène de cobweb, le lissage des données par interpolation ou moyennes mobiles, la non-stationnarité

📌 Lorsque H1 à H3 sont respectées malgré l’autocorrélation, les estimateurs MCO restent sans biais et convergents, mais ils ne sont plus BLUE.

  • En présence d’autocorrélation, les erreurs-types sont généralement sous-estimées, les statistiques t artificiellement grandes, le R² souvent surestimé et les tests standards invalides, ce qui entraîne trop de fausses alertes.

Compléments

  • L’autocorrélation est fréquente dans les séries temporelles et les données de panel.

  • Une série intégrée d’ordre 1, notée I(1), peut engendrer des résidus autocorrélés.

Astuce mémo

Un choc à une date se prolonge dans les erreurs des dates suivantes.

2. Processus AR et autocorrélogramme

Notions clés & Définitions

  • Processus AR(1) : Processus qui s’écrit ut=ρut−1+etu_t=\rho u_{t-1}+e_t, avec ∣ρ∣<1|\rho|<1 et un bruit blanc iid ete_t d’espérance nulle et de variance σe2\sigma_e^2.

★ À maîtriser

📐 Formule - Pour le processus AR(1), Cov⁡(ut,ut−s)=ρsσ2\operatorname{Cov}(u_t,u_{t-s})=\rho^s\sigma^2 et la covariance décroît géométriquement avec le retard.

📌 Dans un AR(1), ρ=0\rho=0 signifie l’absence d’autocorrélation, ρ>0\rho>0 une autocorrélation positive et ρ<0\rho<0 une autocorrélation négative avec alternance des signes.

Compléments

📐 Formule - Pour le processus AR(1) considéré, E(ut)=0E(u_t)=0 et Var⁡(ut)=σe21−ρ2\operatorname{Var}(u_t)=\frac{\sigma_e^2}{1-\rho^2}.

📐 Formule - L’autocorrélation empirique au retard ss se calcule par ρ^s=∑t=s+1Tu^tu^t−s∑t=1Tu^t2\hat{\rho}_s=\frac{\sum_{t=s+1}^{T}\hat{u}_t\hat{u}_{t-s}}{\sum_{t=1}^{T}\hat{u}_t^2}.

  • Les bandes de confiance à 95 % de l’autocorrélogramme sont ±1.96T\pm\frac{1.96}{\sqrt{T}}.

Astuce mémo

Pour un AR(1), les pics de l’ACF s’atténuent progressivement comme des vagues qui diminuent.

3. Tests formels de l’autocorrélation

★ À maîtriser

📐 Formule - La statistique de Durbin-Watson est DW=∑t=2T(u^t−u^t−1)2∑t=1Tu^t2≈2(1−ρ^)DW=\frac{\sum_{t=2}^{T}(\hat{u}_t-\hat{u}_{t-1})^2}{\sum_{t=1}^{T}\hat{u}_t^2}\approx 2(1-\hat{\rho}) et appartient à l’intervalle [0,4][0{,}4].

📌 Le test de Durbin-Watson comporte des zones d’indécision, n’est pas valide lorsqu’une variable dépendante retardée figure parmi les régresseurs et ne détecte que l’autocorrélation AR(1).

  • 🔄 Le test de Breusch-Godfrey s’effectue en : estimant le modèle de base et en récupérant ses résidus, régressant ces résidus sur les régresseurs initiaux et les résidus retardés jusqu’à l’ordre p, calculant la statistique LM

Compléments

📐 Formule - Pour le test de Breusch-Godfrey, LM=(T−p)Raux2∼χ2(p)LM=(T-p)R^2_{aux}\sim\chi^2(p) sous H0:ρ1=⋯=ρp=0H_0:\rho_1=\cdots=\rho_p=0.

  • Le test de Breusch-Godfrey, fondé sur le multiplicateur de Lagrange, reste valide en présence d’une variable dépendante retardée et teste l’autocorrélation jusqu’à l’ordre p.

📐 Formule - Le test h de Durbin est défini par h=ρ^T1−Tσ^α^2h=\hat{\rho}\sqrt{\frac{T}{1-T\widehat{\sigma}^2_{\hat{\alpha}}}} et suit approximativement une loi normale standard sous l’hypothèse nulle.

  • Lorsque la variable dépendante retardée est un régresseur, la statistique DW est biaisée vers 2 et le test h de Durbin constitue une alternative.

📌 En pratique, le test de Breusch-Godfrey est à privilégier au test h de Durbin, car il reste valide dans tous les cas et permet de tester des ordres d’autocorrélation plus élevés.

Astuce mémo

DW est limité à AR(1) et devient invalide avec un retard de Y ; Breusch-Godfrey gère ces cas.

4. Corrections de l’autocorrélation

Notions clés & Définitions

  • Écarts-types HAC : Écarts-types qui corrigent les erreurs-types sans modifier les estimateurs MCO et sont robustes à la non-homoscédasticité et à l’autocorrélation.

★ À maîtriser

  • 🔄 Lorsque ρ est inconnu, la procédure itérative de Cochrane-Orcutt consiste à : estimer le modèle par MCO et récupérer les résidus, estimer ρ par régression des résidus sur leurs retards, transformer les variables avec l’estimation de ρ, ré-estimer le modèle et récupérer les nouveaux résidus, répéter jusqu’à convergence

Compléments

  • La règle de Newey-West propose un nombre de retards approximativement égal à T1/4T^{1/4}.

📌 Newey-West est une correction simple et asymptotiquement valide qui ne nécessite pas de spécifier une structure AR, mais les MCO restent inefficaces et la correction peut être biaisée dans les petits échantillons.

📐 Formule - Avec un paramètre AR(1) connu, la quasi-différenciation de l’équation transforme le modèle en Yt−ρYt−1=β1(1−ρ)+β2(Xt−ρXt−1)+(ut−ρut−1)Y_t-\rho Y_{t-1}=\beta_1(1-\rho)+\beta_2(X_t-\rho X_{t-1})+(u_t-\rho u_{t-1}).

  • Si les erreurs suivent un processus AR(1), la transformation et=ut−ρut−1e_t=u_t-\rho u_{t-1} produit un bruit blanc.

  • Dans la procédure présentée de Cochrane-Orcutt, la convergence est atteinte lorsque ∣ρ^nouveau−ρ^ancien∣<0.001|\hat{\rho}_{nouveau}-\hat{\rho}_{ancien}|<0.001.

Astuce mémo

Newey-West corrige les écarts-types ; Cochrane-Orcutt transforme les variables.

5. Ordres élevés et non-stationnarité

Notions clés & Définitions

  • Régression fallacieuse : Régression pouvant survenir lorsque deux séries non stationnaires I(1) indépendantes sont régressées l’une sur l’autre : la régression MCO peut alors présenter un R² élevé et des statistiques t significatives.

★ À maîtriser

📐 Formule - Un processus AR(p) s’écrit ut=∑j=1pρjut−j+etu_t=\sum_{j=1}^{p}\rho_j u_{t-j}+e_t.

Compléments

  • Pour des données trimestrielles, une autocorrélation d’ordre 4 peut correspondre à une saisonnalité, tandis que pour des données mensuelles l’autocorrélation peut aller jusqu’à l’ordre 12.

  • Le corrélogramme ACF et l’autocorrélogramme partiel PACF servent à identifier l’ordre de l’autocorrélation.

📌 Le test de Dickey-Fuller pose comme hypothèse nulle la présence d’une racine unitaire, soit ρ=1\rho=1.

  • Les solutions indiquées face au risque de régression fallacieuse sont de travailler en premières différences ou d’utiliser la cointégration : une régression en niveaux est valide si les deux séries sont liées à long terme. - Engle-Granger

Astuce mémo

Des séries non stationnaires peuvent produire une régression fallacieuse.

6. Diagnostic graphique des résidus

Points essentiels

  • Le tracé des résidus estimés en fonction du temps permet de rechercher visuellement une autocorrélation ; des résidus qui forment des vagues indiquent clairement une autocorrélation positive.

  • Dans le nuage des résidus estimés u^t\hat{u}_t en fonction de leur retard u^t−1\hat{u}_{t-1}, une pente positive indique une autocorrélation positive et une pente proche de zéro indique une autocorrélation proche de zéro.

  • Dans un nuage de résidus retardés, une pente positive signale ρ^>0\hat{\rho}>0 et donc une autocorrélation positive.

Astuce mémo

Des résidus en vagues dans le temps signalent une autocorrélation positive.

7. Interpréter la statistique Durbin-Watson

★ À maîtriser

📐 Formule - La statistique de Durbin-Watson vérifie DW=∑t=2T(u^t−u^t−1)2∑t=1Tu^t2≈2(1−ρ^)DW=\frac{\sum_{t=2}^{T}(\hat{u}_t-\hat{u}_{t-1})^2}{\sum_{t=1}^{T}\hat{u}_t^2}\approx 2(1-\hat{\rho}).

  • Une valeur DW=2DW=2 correspond à ρ^=0\hat{\rho}=0.

Compléments

📌 La règle pratique considère qu’un Durbin-Watson dans l’intervalle [1,5 ; 2,5] ne signale pas d’alerte.

  • Une statistique Durbin-Watson inférieure à 1 indique probablement une forte autocorrélation positive.

Astuce mémo

DW bas : autocorrélation positive ; DW proche de 2 : pas d'autocorrélation.

8. Corriger l’inférence et le modèle

★ À maîtriser

📌 Newey-West conserve les coefficients MCO et remplace leur matrice de variance-covariance par un estimateur HAC, tandis que Cochrane-Orcutt modifie les coefficients par les moindres carrés généralisés.

  • L’estimateur Newey-West, dit HAC (Heteroskedasticity and Autocorrelation Consistent), rend l’inférence valide en présence d’autocorrélation et d’hétéroscédasticité.

📌 Cochrane-Orcutt suppose un processus AR(1) précis et peut gagner en efficacité si cette spécification est exacte, alors que Newey-West est robuste à une forme d’autocorrélation inconnue mais ne corrige que les erreurs-types.

Compléments

  • Le nombre empirique de retards de Newey-West peut être choisi selon L≈⌊0,75T1/3⌋L\approx\lfloor0{,}75T^{1/3}\rfloor.

  • Newey-West convient lorsqu’on soupçonne de l’autocorrélation ou de l’hétéroscédasticité sans connaître précisément le processus.

  • On choisit Cochrane-Orcutt si le processus AR(1) est bien spécifié et Newey-West si la forme de l’autocorrélation est incertaine.

Astuce mémo

Newey-West corrige les écarts-types ; Cochrane-Orcutt corrige les coefficients.

9. Distinguer AR(1) et MA(1)

Notions clés & Définitions

  • Processus MA(1) : Expression de l’erreur comme une combinaison du bruit blanc courant et de celui retardé d’une période : ut=et+θet−1u_t=e_t+\theta e_{t-1}.

★ À maîtriser

📌 Dans un AR(1), l’autocorrélation décroît exponentiellement à tous les retards, tandis que dans un MA(1), elle est nulle après le retard 1.

Compléments

📐 Formule - Pour un processus MA(1), Cov⁡(ut,ut−1)=θσe2≠0\operatorname{Cov}(u_t,u_{t-1})=\theta\sigma_e^2\ne0 et Cov⁡(ut,ut−s)=0\operatorname{Cov}(u_t,u_{t-s})=0 pour s≥2s\ge2.

📌 Un ACF qui décroît géométriquement et une PACF coupée après le retard 1 caractérisent graphiquement un AR(1).

📌 Un ACF coupé après le retard 1 et une PACF qui décroît géométriquement caractérisent graphiquement un MA(1).

Astuce mémo

L’AR(1) laisse une traîne qui décroît ; le MA(1) coupe net après le premier retard.

10. Stationnarité et cointégration

Notions clés & Définitions

  • Série faiblement stationnaire : Série YtY_t dont l’espérance et la variance sont constantes et dont la covariance avec Yt−kY_{t-k} dépend seulement du retard kk, et non de tt.
  • Cointégration : Deux séries YtY_t et XtX_t pour lesquelles il existe un coefficient β\beta tel que leur combinaison Yt−βXt=utY_t-\beta X_t=u_t soit stationnaire.

★ À maîtriser

  • La régression de deux marches aléatoires indépendantes peut être fallacieuse, avec un R2R^2 élevé et un Durbin-Watson proche de zéro malgré l’absence de sens économique.

📌 Une tendance déterministe s’élimine en retirant la tendance estimée, tandis qu’une tendance stochastique se stationnarise par première différenciation.

Compléments

📐 Formule - Une marche aléatoire vérifie Yt=Yt−1+etY_t=Y_{t-1}+e_t et, dans le cours, Var⁡(Yt)=tσ2\operatorname{Var}(Y_t)=t\sigma^2, donc sa variance croît sans borne.

  • Il faut tester la stationnarité avant d’effectuer une régression sur des séries temporelles.

  • Une tendance déterministe implique un retour vers la tendance, tandis qu’une tendance stochastique n’implique pas de retour vers une tendance.

  • Une tendance visuellement apparente ne suffit pas à choisir entre tendance déterministe et stochastique ; le cours recommande un test ADF avec constante et tendance.

  • Le test d’Engle-Granger consiste à régresser YtY_t sur XtX_t par MCO, puis à appliquer un test ADF aux résidus estimés ; l’hypothèse nulle est l’absence de cointégration.

📌 Si deux séries sont cointégrées, il ne faut pas les différencier ; il faut plutôt utiliser un modèle à correction d’erreur (ECM).

Astuce mémo

Deux marches aléatoires régressées ensemble peuvent produire une régression fallacieuse.

11. Tester les autocorrélations conjointes

★ À maîtriser

  • Le test de Ljung-Box vérifie si les mm premiers coefficients d’autocorrélation des résidus sont tous nuls, soit H0:ρ1=ρ2=⋯=ρm=0H_0:\rho_1=\rho_2=\cdots=\rho_m=0.

📌 Durbin-Watson teste l’autocorrélation d’ordre 1, Breusch-Godfrey teste un ordre spécifié et Ljung-Box teste conjointement l’absence d’autocorrélation jusqu’à un ordre donné.

Compléments

📐 Formule - La statistique de Ljung-Box est QLB=n(n+2)∑k=1mρ^k2n−k∼χ2(m)Q_{LB}=n(n+2)\sum_{k=1}^{m}\frac{\hat{\rho}_k^2}{n-k}\sim\chi^2(m).

📌 On rejette l’hypothèse nulle du test de Ljung-Box lorsque QLB>χm2(α)Q_{LB}>\chi^2_m(\alpha).

12. Modèles dynamiques et prévisions

★ À maîtriser

📐 Formule - Un modèle ADL(1,1) s’écrit Yt=μ+β0Xt+β1Xt−1+γYt−1+utY_t=\mu+\beta_0X_t+\beta_1X_{t-1}+\gamma Y_{t-1}+u_t.

📐 Formule - Dans un ADL(1,1), l’effet à court terme de XtX_t est β0\beta_0 et son effet à long terme est β0+β11−γ\frac{\beta_0+\beta_1}{1-\gamma}.

Compléments

📌 Un modèle ADL(1,1) est stable si ∣γ∣<1|\gamma|<1 ; si γ=1\gamma=1, il comporte une racine unitaire.

📐 Formule - Pour le modèle AR(1) Yt=μ+ρYt−1+etY_t=\mu+\rho Y_{t-1}+e_t, la prévision à un pas est Y^T+1∣T=μ^+ρ^YT\hat{Y}_{T+1|T}=\hat{\mu}+\hat{\rho}Y_T et sa variance est σ^e2\hat{\sigma}_e^2.

📐 Formule - La prévision AR(1) à hh pas est Y^T+h∣T=μ^1−ρ^h1−ρ^+ρ^hYT\hat{Y}_{T+h|T}=\hat{\mu}\frac{1-\hat{\rho}^{h}}{1-\hat{\rho}}+\hat{\rho}^{h}Y_T.

  • Lorsque ∣ρ∣<1|\rho|<1, la prévision AR(1) à horizon croissant converge vers la moyenne inconditionnelle μ^/(1−ρ^)\hat{\mu}/(1-\hat{\rho}).

  • Dans l’exemple du cours, les ménages ajustent progressivement leur consommation au revenu, de sorte qu’un choc de revenu produit des effets étalés dans le temps.

📐 Formule - Si les résidus d’une régression MCO suivent un AR(1), une prévision à un pas peut intégrer leur autocorrélation : Y^T+1=β^1+β^2XT+1+ρ^u^T\hat{Y}_{T+1}=\hat{\beta}_1+\hat{\beta}_2X_{T+1}+\hat{\rho}\hat{u}_T.

  • Dans l’application au PIB et à la consommation français sur 1980-2020, T=41T=41, β^2=0,87\hat{\beta}_2=0{,}87, R2=0,98R^2=0{,}98 et DW=0,72DW=0{,}72 ; les tests BG donnent p=0,001p=0{,}001 à l’ordre 1 et p=0,000p=0{,}000 à l’ordre 4, tandis que l’ADF des résidus donne τ=−2,1\tau=-2{,}1 contre une valeur critique de −2,9-2{,}9, donc l’hypothèse nulle n’est pas rejetée.

Tableaux de synthèse

Choisir une correction de l’autocorrélation

CritèreCochrane-OrcuttNewey-West
HypothèseSuppose un AR(1) précisNe suppose pas de forme précise
Élément corrigéCoefficients par MCGÉcarts-types seulement
RobustesseFaible si la forme est inconnueRobuste à une forme inconnue
ChoixAR(1) bien spécifiéForme incertaine

Teste tes connaissances

Teste tes connaissances sur Économétrie des séries temporelles avec 10 questions à choix multiples et corrections détaillées.

1. Un modèle MCO présente une autocorrélation des erreurs, tandis que H1 à H3 restent respectées. Quelles conséquences faut-il envisager ?

2. Pour analyser un autocorrélogramme de résidus sur T=100T=100 observations, cochez la (les) proposition(s) exacte(s) :

Faire le QCM →

Révisez avec les flashcards

Mémorisez les concepts clés de Économétrie des séries temporelles avec 10 flashcards interactives.

Que désigne l’autocorrélation entre les erreurs d’observations différentes ?

Une dépendance telle que leur covariance est non nulle pour certains retards.

Quelle équation définit un processus AR(1) ?

ut=ρut−1+etu_t=\rho u_{t-1}+e_t, avec ∣ρ∣<1|\rho|<1 et un bruit blanc iid d’espérance nulle et de variance σe2\sigma_e^2.

Dans quels types de données l’autocorrélation est-elle fréquente ?

Dans les séries temporelles et les données de panel.

Voir les flashcards →

Cours similaires

Crée tes propres fiches de révision

Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.

Générateur de fiches