QCM : Économétrie des séries temporelles (10 questions)

Questions et réponses du QCM

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

Les estimateurs MCO conservent leurs propriétés de non-biais et de convergence.
Les estimateurs MCO perdent leur propriété BLUE malgré la validité de H1 à H3.
Une série intégrée d’ordre 1 peut être à l’origine de résidus autocorrélés.
Les tests standards restent valides et réduisent les fausses alertes.
Les erreurs-types peuvent être sous-estimées, rendant les statistiques t artificiellement grandes.

Les estimateurs MCO conservent leurs propriétés de non-biais et de convergence. · Les estimateurs MCO perdent leur propriété BLUE malgré la validité de H1 à H3. · Une série intégrée d’ordre 1 peut être à l’origine de résidus autocorrélés. · Les erreurs-types peuvent être sous-estimées, rendant les statistiques t artificiellement grandes.

Explication

Avec H1 à H3 respectées, les estimateurs MCO restent sans biais et convergents, mais ne sont plus BLUE. L’autocorrélation peut sous-estimer les erreurs-types et gonfler les statistiques t; une série I(1) peut aussi engendrer des résidus autocorrélés. Les tests standards deviennent invalides et entraînent trop de fausses alertes.

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

Au retard ss, l’autocorrélation empirique rapporte une somme de produits décalés à la somme des carrés des résidus.
Un coefficient AR(1) négatif correspond à une autocorrélation négative et à des signes alternés.
Un coefficient AR(1) nul indique une autocorrélation positive de faible intensité.
Les bandes de confiance à 95 % valent environ ±0.098\pm 0.098 lorsque T=100T=100.
Les bandes de confiance à 95 % sont situées à ±0.196\pm 0.196 pour cet échantillon.

Au retard $$s$$, l’autocorrélation empirique rapporte une somme de produits décalés à la somme des carrés des résidus. · Un coefficient AR(1) négatif correspond à une autocorrélation négative et à des signes alternés. · Les bandes de confiance à 95 % sont situées à $$\pm 0.196$$ pour cet échantillon.

Explication

Dans un AR(1), un coefficient négatif produit une autocorrélation négative avec alternance des signes, tandis qu’un coefficient nul signifie l’absence d’autocorrélation. La formule empirique utilise les produits de résidus décalés au numérateur et la somme de leurs carrés au dénominateur. Pour T=100T=100, les bandes valent ±1.96/100=±0.196\pm 1.96/\sqrt{100}=\pm 0.196, et non ±0.098\pm 0.098.

3. Pour un processus AR(1) stationnaire de coefficient ρ=0.5\rho=0.5 et de bruit blanc d’écart-type 22, quelles caractéristiques s’appliquent ?

Sa variance vaut 41−0.5\frac{4}{1-0.5}, conformément à la formule AR(1).
Le processus s’écrit ut=0.5ut−1−etu_t=0.5u_{t-1}-e_t, avec un bruit blanc d’espérance nulle.
La valeur absolue du coefficient est inférieure à un, condition de stationnarité indiquée.
La covariance au retard deux vaut 0.52σ20.5^2\sigma^2 et décroît avec le retard.
L’espérance du processus est nulle et sa variance vaut 41−0.52\frac{4}{1-0.5^2}.

La valeur absolue du coefficient est inférieure à un, condition de stationnarité indiquée. · La covariance au retard deux vaut $$0.5^2\sigma^2$$ et décroît avec le retard. · L’espérance du processus est nulle et sa variance vaut $$\frac{4}{1-0.5^2}$$.

Explication

Le modèle AR(1) s’écrit ut=ρut−1+etu_t=\rho u_{t-1}+e_t avec ∣ρ∣<1|\rho|<1; le terme de bruit est donc ajouté, et non soustrait. Ici, Var⁡(ut)=4/(1−0.25)\operatorname{Var}(u_t)=4/(1-0.25) et la covariance au retard deux est ρ2σ2\rho^2\sigma^2; la variance n’est pas calculée avec le dénominateur 1−ρ1-\rho.

4. Quel est le principal rôle du test de Breusch-Godfrey dans l’analyse de l’autocorrélation des erreurs ?

Tester conjointement l’absence d’autocorrélation jusqu’à un ordre choisi, même avec une variable dépendante retardée parmi les régresseurs
Mesurer uniquement l’autocorrélation d’ordre 1 lorsque les régresseurs sont strictement exogènes
Vérifier si la variance des erreurs est constante lorsque le modèle contient une variable dépendante retardée
Déterminer si les coefficients estimés par MCO sont biaisés en présence d’erreurs autocorrélées

Tester conjointement l’absence d’autocorrélation jusqu’à un ordre choisi, même avec une variable dépendante retardée parmi les régresseurs

Explication

Le test de Breusch-Godfrey examine l’autocorrélation jusqu’à l’ordre spécifié et reste valide lorsqu’une variable dépendante retardée figure parmi les régresseurs. Le test de Durbin-Watson, contrairement à ce distracteur, ne détecte que l’autocorrélation AR(1) et n’est pas valide dans cette situation.

5. Dans la procédure itérative de Cochrane-Orcutt, quel critère indique que les estimations ont convergé ?

La statistique de Durbin-Watson atteint exactement la valeur 22.
Le coefficient de détermination de la régression auxiliaire dépasse 0,950{,}95.
Le nombre de retards retenus par la règle de Newey-West est égal à T1/4T^{1/4}.
La différence absolue entre deux estimations successives de ρ\rho est inférieure à 0,0010{,}001.

La différence absolue entre deux estimations successives de $$\rho$$ est inférieure à $$0{,}001$$.

Explication

La procédure s’arrête lorsque l’écart absolu entre les estimations successives de ρ\rho devient inférieur à 0,0010{,}001. La valeur T1/4T^{1/4} concerne plutôt le choix du nombre de retards pour la correction de Newey-West.

6. Quel est le rôle du corrélogramme ACF et de l’autocorrélogramme partiel PACF dans l’analyse d’un processus d’ordre élevé ?

Déterminer si deux séries non stationnaires sont cointégrées à long terme.
Aider à identifier l’ordre de l’autocorrélation présente dans le processus.
Tester directement l’hypothèse de racine unitaire dans une série temporelle.
Corriger les écarts-types des estimateurs en présence d’hétéroscédasticité.

Aider à identifier l’ordre de l’autocorrélation présente dans le processus.

Explication

L’ACF et la PACF servent à repérer l’ordre de l’autocorrélation, notamment lorsqu’un processus comporte plusieurs retards. Le test de racine unitaire répond à une autre question : il évalue la non-stationnarité, plutôt que l’ordre de dépendance des erreurs.

7. Dans le nuage des résidus estimés en fonction de leurs valeurs retardées, quel motif indique une autocorrélation positive ?

Une pente positive entre les résidus et leurs valeurs retardées
Une dispersion croissante des résidus au fil du temps
Une pente proche de zéro entre les résidus et leurs valeurs retardées
Une alternance régulière des résidus autour de zéro

Une pente positive entre les résidus et leurs valeurs retardées

Explication

Une pente positive dans ce nuage indique que les résidus courants tendent à évoluer avec les résidus retardés dans le même sens. Une pente proche de zéro suggère plutôt une autocorrélation proche de zéro.

8. Comment la statistique de Durbin-Watson permet-elle de distinguer une forte autocorrélation positive d’une absence d’autocorrélation ?

Une valeur supérieure à 3 suggère une forte autocorrélation positive, tandis qu’une valeur proche de 2 correspond à une autocorrélation proche de zéro.
Une valeur proche de 1 suggère une autocorrélation proche de zéro, tandis qu’une valeur proche de 2 indique une forte autocorrélation positive.
Une valeur inférieure à 1 suggère une forte autocorrélation positive, tandis qu’une valeur proche de 2 correspond à une autocorrélation proche de zéro.
Une valeur inférieure à 1 suggère une forte autocorrélation négative, tandis qu’une valeur proche de 4 correspond à une autocorrélation proche de zéro.

Une valeur inférieure à 1 suggère une forte autocorrélation positive, tandis qu’une valeur proche de 2 correspond à une autocorrélation proche de zéro.

Explication

La relation approchée DW≈2(1−ρ^)DW\approx 2(1-\hat{\rho}) implique qu’une statistique faible correspond à une autocorrélation positive, et que DW=2DW=2 correspond à ρ^=0\hat{\rho}=0. À l’inverse, une valeur élevée de DW est associée à une autocorrélation négative, et non positive.

9. À quel statisticien la statistique de Durbin-Watson doit-elle son nom ?

David Dickey et Wayne Fuller
Clive Granger et Robert Engle
John Tukey et George Box
James Durbin et Geoffrey Watson

James Durbin et Geoffrey Watson

Explication

La statistique de Durbin-Watson est attribuée aux statisticiens James Durbin et Geoffrey Watson. Les autres noms sont associés à d’autres outils ou notions économétriques, comme les tests de stationnarité ou la cointégration.

10. Pourquoi un processus MA(1) se distingue-t-il d’un AR(1) dans le comportement de son autocorrélation aux retards élevés ?

Dans un MA(1), l’autocorrélation alterne de signe à tous les retards, contrairement à un AR(1).
Dans un MA(1), l’autocorrélation devient nulle après le premier retard, contrairement à la décroissance progressive d’un AR(1).
Dans un MA(1), l’autocorrélation reste constante après le premier retard, contrairement à un AR(1).
Dans un MA(1), l’autocorrélation décroît géométriquement à tous les retards, contrairement à un AR(1).

Dans un MA(1), l’autocorrélation devient nulle après le premier retard, contrairement à la décroissance progressive d’un AR(1).

Explication

Un MA(1) dépend du bruit blanc courant et de celui retardé d’une période, donc son autocorrélation est nulle aux retards supérieurs à 1. La décroissance géométrique à tous les retards caractérise plutôt l’AR(1).

Révisez avec les flashcards

Mémorisez les réponses avec 10 flashcards sur Économétrie des séries temporelles.

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 →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Économétrie des séries temporelles.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM