Doucoure Econometrie SAM2 BEM 2022
Doucoure Econometrie SAM2 BEM 2022
Doucoure Econometrie SAM2 BEM 2022
Maître en économétrie
Docteur en statistique
Support de cours
Juillet 2022
Chapitre 1 / L’économétrie des données de panel
CHAPITRE 1
L’économétrie des données de panel
1
Chapitre 1 / L’économétrie des données de panel
1. Introduction
Les données de panel (Yit) sont une combinaison de séries temporelles (Yt)
Les données de panel (Yit) sont des données à deux dimensions, un premier
indice i, caractérise l’individu considéré, un deuxième indice, t, le moment
dans le temps où l’observation a été réalisée.
Yit , i 1, , n ; t 1, , T
L’individu (ou unité statistique) peut désigner une personne (un chef de
ménage), une entreprise, un pays, …
PIBit , 1 i n , 1 t T
n 4 ; T 5 ; nT 20
2
Chapitre 1 / L’économétrie des données de panel
L’année étant la période (indice t) mesure l’effet temporel.
3
Chapitre 1 / L’économétrie des données de panel
b. permettent de capter les effets dynamiques dans le comportement des
agents ;
Les données sont plus variées, plus précisément, les différences individuelles
(par firmes, par pays, etc.) sont importantes, il s’en suit une moindre
colinéarité entre les variables explicatives du modèle.
4
Chapitre 1 / L’économétrie des données de panel
2.2 Inconvénients des données de panel
C’est pourquoi il paraît difficile de se passer des logiciels Stata, Eviews, RATS,
R, LIMDEP, Gauss ou SAS (Statistical Analysis System), particulièrement
adaptés à l’estimation des modèles de données de panel.
En dépit de ces limites, les économistes s'accordent de dire que les avantages
des données de panel sont plus importants que les inconvénients.
Les économistes préconisent que chaque fois qu'il y a moyen de faire une
analyse en panel il faut la privilégier par rapport aux modèles en coupe
instantanée ou en séries temporelles.
(1) Yi t Xi t b εi t
avec i 1 , , n et t 1 , , T
5
Chapitre 1 / L’économétrie des données de panel
On suppose que :
Les coefficients αi sont les effets individuels fixes, ils sont constants dans
le temps mais propres à chaque individu (pays).
6
Chapitre 1 / L’économétrie des données de panel
a1 , a 2 , a 3 , a 4 , α1 , α 2 ,, α8
L’estimateur défini sur le modèle à deux effets fixes est appelé «Double
Within».
avec
ε i t αi u i t
7
Chapitre 1 / L’économétrie des données de panel
α i : effet individuel
u it : effet résiduel
c , a1 , a 2 , a 3 , a 4 , α1 , α 2 ,, α8
8
Chapitre 1 / L’économétrie des données de panel
3.4 Modèles à coefficients variables
PIBi t α bit Xi t εi t
1 i n ; 1 t T ; n 8 ; T 10
On a alors b b δ λt où δ
i
est effet spécifique individuel et
it i
Lorsque que l’on considère de données de panel, la toute première chose qu’il
convient de vérifier est la spécification homogène ou hétérogène du processus
générateur des données.
Sur le plan économétrique, cela revient à tester l’égalité des coefficients (αi )
du modèle étudié dans la dimension individuelle.
9
Chapitre 1 / L’économétrie des données de panel
Sur le plan économique, les tests de spécification reviennent à déterminer
si l’on est en droit de supposer que le modèle théorique étudié est
parfaitement identique pour tous les individus (les pays de l’UEMOA ont le
même PIB), ou au contraire s’il existe des spécificités propres à chaque
individu (les pays de l’UEMOA n’ont pas le même PIB).
10
Chapitre 1 / L’économétrie des données de panel
-- Lorsque la variation intra individuelle des variables est plus forte que
la variation interindividuelle, le modèle à effets fixes est plus approprié que
le modèle à effets aléatoires et vice versa.
Exemple d’application
11
Chapitre 1 / L’économétrie des données de panel
Le modèle considéré est :
consit αi β gouvi t εi t n 6 ; T 21
4. Prévoir les consommations des pays des pays de l’UEMOA pour les
années 1994 et 1995 en utilisant le meilleur modèle.
12
Chapitre 1 / L’économétrie des données de panel
Le logiciel affiche :
Le logiciel affiche :
Estimated results:
| Var sd = sqrt(Var)
---------+-----------------------------
cons | 327037.6 571.8721
e | 6190.219 78.67794
u | 13143.43 114.6448
Test: Var(u) = 0
chibar2(01) = 399.66
Prob > chibar2 = 0.0000
13
Chapitre 1 / L’économétrie des données de panel
Nous effectuons le test de Hausman qui sert à discriminer les effets fixes et
aléatoires.
Le test de Hausman s’exécute après l’estimation du modèle à effets
aléatoires.
14
Chapitre 1 / L’économétrie des données de panel
---- Coefficients ----
| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| fixed . Difference S.E.
-------------+----------------------------------------------------------------
gouv | 3.051585 3.257678 -.2060931 .1102026
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 3.50
Prob>chi2 = 0.0615
2.
15
Chapitre 1 / L’économétrie des données de panel
------------------------------------------------------------------------------
cons | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
gouv | 3.257678 .1757419 18.54 0.000 2.913231 3.602126
_cons | 211.8394 55.22912 3.84 0.000 103.5923 320.0864
-------------+----------------------------------------------------------------
sigma_u | 114.6448
sigma_e | 78.677945
rho | .67982147 (fraction of variance due to u_i)
------------------------------------------------------------------------------
Pour obtenir les valeurs des effets aléatoires α̂1, α̂ 2 , , α̂6 , on effectue
la commande suivante :
predict aleat ,u
16
Chapitre 1 / L’économétrie des données de panel
H0 : β 0 contre H1 : β 0
Le ratio de Student est égal 18,54 avec une probabilité critique nulle.
Comme la probabilité critique nulle est inférieure à 5%, on rejette l’hypothèse
nulle. Les dépenses gouvernementales ont un impact positif significatif sur
les consommations.
xtcsd, pesaran
4. Prévision
predict prev
17
Chapitre 1 / L’économétrie des données de panel
Pour visualiser à l’écran les valeurs prévues.
18
Chapitre 1 / L’économétrie des données de panel
_PAYS3--C 112.1538
_PAYS4--C -60.45072
_PAYS5--C 185.6856
_PAYS6--C -178.4145
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
2. Prévision
19
Chapitre 1 / L’économétrie des données de panel
B. Les modèles de panel dynamiques
1. Introduction
Parmi ceux-ci, les modèles de type autorégressif, i.e les modèles comptant
les variables retardées de la variable endogène parmi les variables
explicatives, occupent une place importante.
K
Yit aYi t 1 f i b k X kit ε i t
k 1
Pour estimer les paramètres d’un tel modèle, on dispose de l’estimateur des
moments généralisés.
Pour estimer les paramètres d’un tel modèle, on dispose de l’estimateur des
moments généralisés (GMM).
20
Chapitre 1 / L’économétrie des données de panel
4. Méthode des moments généralisés (GMM) en panel dynamique
Selon ses défenseurs, cette méthode permet d’apporter des solutions aux
problèmes de biais de simultanéité, de causalité inverse et de variables
omises.
21
Chapitre 1 / L’économétrie des données de panel
4.2 Estimateur GMM en système de Blundell et Bond (1998)
22
Chapitre 1 / L’économétrie des données de panel
Partie 2 : Enoncés et solutions des études de cas
inv it α i β profit ε it 1 i n ; 1 t T
n 3 ; T 10
Les données (en milliards de FCFA), disponibles de 2011 à 2020 sont
reportées dans le tableau suivant :
23
Chapitre 1 / L’économétrie des données de panel
6. Prévoir les investissements des trois firmes pour les années 2021 à
2024 en utilisant le meilleur modèle.
Pour tous les tests qui vont suivre, nous choisissons le seuil de 5%.
25
Chapitre 1 / L’économétrie des données de panel
1. Saisie des données
File Save as
Enregistrer
h. Commande xtset
inv it α β profit ε it 1 i n ; 1 t T
n 3 ; T 10
------------------------------------------------------------------------------
inv | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
prof | 1.056729 .0569533 18.55 0.000 .9400653 1.173392
_cons | -.7673684 .9281691 -0.83 0.415 -2.668637 1.1339
------------------------------------------------------------------------------
α̂ 0,767 ; β̂ 1,057
27
Chapitre 1 / L’économétrie des données de panel
H0 : β 0 contre H1 : β 0
Le ratio de Student est égal 18,55 avec une probabilité critique nulle.
Comme la probabilité critique nulle est inférieure à 5%, on rejette l’hypothèse
nulle.
Les profits des 3 firmes ont un impact positif significatif sur leurs
investissements.
inv it α i β profit ε it 1 i n ; 1 t T
n 3 ; T 10
28
Chapitre 1 / L’économétrie des données de panel
F(1,26) = 479.99
corr(u_i, Xb) = -0.2300 Prob > F = 0.0000
------------------------------------------------------------------------------
invest | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
profit | 1.097122 .0500768 21.91 0.000 .9941876 1.200056
_cons | -1.371676 .8125698 -1.69 0.103 -3.041937 .2985847
-------------+----------------------------------------------------------------
sigma_u | 1.3900164
sigma_e | 1.7233223
rho | .39415572 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(2, 26) = 6.16 Prob > F = 0.0065
β̂ 1,097
On peut stocker sous le nom de la variable fixes, la liste des effets fixes
(cross).
predict fixes,u
scalar _1_c=fixes in 1
scalar _2_c=fixes in 15
scalar _3_c=fixes in 29
29
Chapitre 1 / L’économétrie des données de panel
display _1_c
-.01871116
display _2_c
-1.3805664
display _3_c
1.3992774
30
Chapitre 1 / L’économétrie des données de panel
H0 : β 0 contre H1 : β 0
Le ratio de Student est égal 21,91 avec une probabilité critique nulle.
Comme la probabilité critique nulle est inférieure à 5%, on rejette l’hypothèse
nulle.
Les profits des 3 firmes ont un impact positif significatif sur leurs
investissements.
Attention il faut télécharger le package xtcsd qui est disponible sur les
versions récentes du logiciel Stata.
findit xtcsd
xtcsd, pesaran
31
Chapitre 1 / L’économétrie des données de panel
inv it β profit α i ε it 1 i n ; 1 t T
n 3 ; T 10
------------------------------------------------------------------------------
invest | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
profit | 1.056729 .0569533 18.55 0.000 .9451025 1.168355
_cons | -.7673684 .9281691 -0.83 0.408 -2.586546 1.05181
-------------+----------------------------------------------------------------
sigma_u | 0
sigma_e | 1.7233223
rho | 0 (fraction of variance due to u_i)
------------------------------------------------------------------------------
β̂ 1,057
32
Chapitre 1 / L’économétrie des données de panel
predict alea,u
α̂1 0 ; α̂ 2 0 ; α̂ 3 0
33
Chapitre 1 / L’économétrie des données de panel
H0 : β 0 contre H1 : β 0
Le ratio de Student est égal 18,55 avec une probabilité critique nulle.
Comme la probabilité critique nulle est inférieure à 5%, on rejette l’hypothèse
nulle.
Les profits des 3 firmes ont un impact positif significatif sur leurs
investissements.
xtcsd, pesaran
34
Chapitre 1 / L’économétrie des données de panel
Ce test suggère que l’estimateur Within est plus performant que celui des
Moindres Carrés Ordinaires (MCO).
xttest0
Le logiciel affiche :
Breusch and Pagan Lagrangian multiplier test for random effects
Estimated results:
| Var sd = sqrt(Var)
---------+-----------------------------
inv | 52.17821 7.223449
e | 2.96984 1.723322
u | 0 0
Test: Var(u) = 0
chibar2(01) = 0.00
Prob > chibar2 = 1.0000
35
Chapitre 1 / L’économétrie des données de panel
La statistique de Breusch-Pagan est nulle, sa probabilité critique vaut 1.
L’hypothèse nulle d’absence d’effets n’est pas rejetée.
Nous effectuons le test de Hausman qui sert à discriminer les effets fixes et
aléatoires.
Le test de Hausman s’exécute après l’estimation du modèle à effets
aléatoires.
36
Chapitre 1 / L’économétrie des données de panel
---- Coefficients ----
| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| fixed . Difference S.E.
-------------+----------------------------------------------------------------
prof | 1.097122 1.056729 .0403931 .0137322
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 8.65
Prob>chi2 = 0.0033 = 0,33%
L’estimateur Within est plus performant que celui des moindres carrés
généralisés.
Conclusion :
predict prev
37
Chapitre 1 / L’économétrie des données de panel
+--------------------------+
| firme annee prev |
|--------------------------|
11. | 1 2021 6.308177 |
12. | 1 2022 9.599544 |
13. | 1 2023 11.79379 |
14. | 1 2024 9.599544 |
25. | 2 2021 15.08515 |
|--------------------------|
26. | 2 2022 19.47364 |
27. | 2 2023 16.18228 |
28. | 2 2024 12.89091 |
39. | 3 2021 17.2794 |
40. | 3 2022 20.57076 |
|--------------------------|
41. | 3 2023 15.08515 |
42. | 3 2024 13.98803 |
+--------------------------+
38
Chapitre 1 / L’économétrie des données de panel
Firme 1
30
20
10
0
Firme 2
39
Chapitre 1 / L’économétrie des données de panel
Firme 3
30
20
10
0
------------------------------------------------------------------------------
Linv | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Lprof | .916416 .0814078 11.26 0.000 .7496598 1.083172
_cons | .2045348 .2147265 0.95 0.349 -.2353125 .6443821
------------------------------------------------------------------------------
40
Chapitre 1 / L’économétrie des données de panel
7.2 Estimation du modèle à effets fixes
F(1,26) = 130.48
corr(u_i, Xb) = -0.2961 Prob > F = 0.0000
------------------------------------------------------------------------------
Linv | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Lprof | .9597203 .0840196 11.42 0.000 .7870155 1.132425
_cons | .0933984 .2210523 0.42 0.676 -.360981 .5477779
-------------+----------------------------------------------------------------
sigma_u | .10906273
sigma_e | .26655723
rho | .1434002 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(2, 26) = 1.53 Prob > F = 0.2360
------------------------------------------------------------------------------
Linv | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Lprof | .916416 .0814078 11.26 0.000 .7568598 1.075972
_cons | .2045348 .2147265 0.95 0.341 -.2163214 .625391
-------------+----------------------------------------------------------------
sigma_u | 0
sigma_e | .26655723
rho | 0 (fraction of variance due to u_i)
------------------------------------------------------------------------------
41
Chapitre 1 / L’économétrie des données de panel
Partie 2 : Solution avec Eviews
Cliquer sur < Objects > < new objects > < pool >
INVESTi t α β1 PROFITi t εi t
42
Chapitre 1 / L’économétrie des données de panel
43
Chapitre 1 / L’économétrie des données de panel
S.E. of regression 1,723 Akaike info criterion 4,050
Sum squared resid 77,216 Schwarz criterion 4,237
Log likelihood -56,749 Hannan-Quinn criter. 4,110
F-statistic 161,171 Durbin-Watson stat 1,833
Prob(F-statistic) 0,000
INVESTi t αi β1 PROFITi t εi t , 1 i 3
44
Chapitre 1 / L’économétrie des données de panel
Effects Specification
INVESTi t μ αi λ t β1 PROFITi t εi t ,
1 i 3 ; 1 t 10
Cliquer sur OK
45
Chapitre 1 / L’économétrie des données de panel
Effects Specification
46
Chapitre 1 / L’économétrie des données de panel
2.3 Estimation du modèle à effets aléatoires
INVESTi t μ β1 PROFITi t αi εi t , 1 i 3
Effects Specification
S.D. Rho
Weighted Statistics
Unweighted Statistics
INVESTi t μ β1 PROFITi t αi λ t εi t ,
1 i 3 ; 1 t 10
48
Chapitre 1 / L’économétrie des données de panel
2012--C 0,025
2013--C 0,058
2014--C -0,069
2015--C -0,216
2016--C -0,246
2017--C -0,052
2018--C 0,258
2019--C 0,164
2020--C 0,202
Effects Specification
S.D. Rho
Cross-section
random 0,000 0,000
Period random 0,443 0,064
Idiosyncratic
random 1,698 0,936
Weighted Statistics
Unweighted Statistics
49
Chapitre 1 / L’économétrie des données de panel
Les prévisions obtenues pour un horizon de 4 années sont données
dans le tableau ci-dessous :
4.1 Nous devons d’abord générer les logarithmes népériens des séries
invest et profit.
Cliquer sur OK
50
Chapitre 1 / L’économétrie des données de panel
Effects Specification
51
Chapitre 1 / L’économétrie des données de panel
Dans cette étude de cas, nous traitons un modèle dynamique qui fait intervenir
une variable endogène décalée.
52
Chapitre 1 / L’économétrie des données de panel
Estimateur GMM en première différence
53
Chapitre 1 / L’économétrie des données de panel
2. Estimation d’un modèle de panel dynamique par la méthode de Arellano
et Bond
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
cons |
L1 | .770339 .0503929 15.29 0.000 .6715708 .8691072
gouv | .9159269 .1887777 4.85 0.000 .5459294 1.285924
_cons | 35.87473 11.35765 3.16 0.002 13.61414 58.13532
------------------------------------------------------------------------------
Sargan test of overid. restrictions: chi2(110) = 107.28 Prob > chi2 = 0.556
54
Chapitre 2 / Econométrie des variables qualitatives
CHAPITRE 2
Econométrie des variables qualitatives
55
Chapitre 2 / Econométrie des variables qualitatives
1. Introduction
56
Chapitre 2 / Econométrie des variables qualitatives
Le lecteur intéressé trouvera ces thèmes bien traités dans les ouvrages
de Thomas (2000), Gouriéroux (1989), Madalla (1983), Lancaster (1990) et
Greene (1997).
(1) yi = a 0 + a1x i + ε i i = 1, , n
avec :
a0 et a1 : paramètres à estimer.
57
Chapitre 2 / Econométrie des variables qualitatives
Soit
Pi = a 0 + a1x i i
D’où le nom de modèle de probabilité linéaire.
Comme
Pi = a 0 + a1x i
Alors on obtient :
58
Chapitre 2 / Econométrie des variables qualitatives
a. Puisque l’erreur ne peut prendre que deux valeurs, elle suit donc une
loi discrète, l’hypothèse de normalité des erreurs n’est donc pas vérifiée.
0 Pi = a 0 + a1x i 1
59
Chapitre 2 / Econométrie des variables qualitatives
- etc.
Les variables latentes sont une première réponse aux problèmes liés à
l’utilisation des moindres carrés ordinaires dans un modèle dont la
variable à expliquer est binaire.
60
Chapitre 2 / Econométrie des variables qualitatives
(3) U iA = a + bx i + ε i
(4) U iB = c + dzi + v i
La décision A est prise si yi est positive. Soit yi une variable muette
61
Chapitre 2 / Econométrie des variables qualitatives
Soit
Pi = Prob(yi = 1) = Prob(ui α + βxi + λzi ) = F(α + βxi + λzi )
62
Chapitre 2 / Econométrie des variables qualitatives
On a :
t
1 1 2
Φ(t) = 2π exp − x dx
2
−
1 1
(t) = exp − t 2
2π 2
Φ (− t ) = 1 − Φ ( t )
1 α +βx i + λzi 1 2
2π −
(7) Pi = exp − t dt
2
1 et
Λ(t ) = = t IR .
−t t
1+ e 1+ e
e− t
Λ ( t ) = t IR
−t 2
(1 + e )
63
Chapitre 2 / Econométrie des variables qualitatives
Λ ( t ) = Λ ( t )[1 − Λ ( t )]
Λ (− t ) = 1 − Λ ( t )
1 2
Sa moyenne est nulle et sa variance vaut π .
3
1
(8) Pi =
1 + exp− (α + βxi + λzi )
f ( t ) = exp( t − e t ) t IR .
F ( t ) = 1 − exp ( − e t ) t IR .
π2
E (T ) = − 0,57722 ; Var ( T ) =
6
où 0,57722 est la constante d’Euler.
64
Chapitre 2 / Econométrie des variables qualitatives
Remarque
1
Pi =
1 + exp− (α + βxi + λzi )
65
Chapitre 2 / Econométrie des variables qualitatives
Pi
Proposition : De façon générale, la quantité ci = représente le
1 − Pi
Pi
ci = = exp(α + βxi + λzi )
1 − Pi
Exemple 1 :
Pi
ci = =4
1 − Pi
66
Chapitre 2 / Econométrie des variables qualitatives
Exemple 2 :
1 1 − Pi
= =3
ci Pi
On a aussi la relation
P
log i = α + βxi + λzi
1 − Pi
67
Chapitre 2 / Econométrie des variables qualitatives
68
Chapitre 2 / Econométrie des variables qualitatives
L’effet marginal doit être calculé en dérivant l’équation (7) par rapport aux
variables explicatives.
Prob(yi = 1) Prob(yi = 1)
= βi ; = λi
xi zi
L’effet marginal doit être calculé en dérivant l’équation (8) par rapport aux
variables explicatives.
Prob(yi = 1)
= βΛi = βΛi (1 − Λi )
xi
Prob(yi = 1)
= λΛi = λΛi (1 − Λi )
zi
69
Chapitre 2 / Econométrie des variables qualitatives
L’effet marginal peut être calculé comme dans le cas du Probit pour
les valeurs correspondant aux moyennes des variables explicatives.
LR = 2log(L u ) − log(L R )
avec
70
Chapitre 2 / Econométrie des variables qualitatives
71
Chapitre 2 / Econométrie des variables qualitatives
log (L U )
R2 = 1 −
log(L R )
72
Chapitre 2 / Econométrie des variables qualitatives
- sexe est une variable binaire qui est égale à 1 quand la personne est
de sexe féminin et 0 dans le cas contraire.
73
Chapitre 2 / Econométrie des variables qualitatives
10. Estimer les paramètres des modèles Probit et Gombit. Pour ces deux
modèles, la modalité féminin de la variable sexe est choisie comme
référence.
74
Chapitre 2 / Econométrie des variables qualitatives
7 0 1 0 54 0
8 0 1 0 47 0
9 1 0 1 35 1
10 1 0 1 34 1
11 1 0 1 48 1
12 1 0 1 56 0
13 0 1 0 46 0
14 1 0 1 59 0
15 1 0 1 46 0
------------------------------------------------------------------------------
| Robust
abon | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
age | -.2880861 .116801 -2.47 0.014 -.5170119 -.0591602
masculin | -2.140715 1.460929 -1.47 0.143 -5.004083 .7226534
_cons | 14.08807 5.919706 2.38 0.017 2.485661 25.69048
------------------------------------------------------------------------------
77
Chapitre 2 / Econométrie des variables qualitatives
La probabilité d’abonnement chez les femmes est plus élevée que celle
des hommes.
| sexe
abon | masculin feminin | Total
-----------+------------------------------+----------
Non abon | 4 4 | 8
Abon | 1 6 | 7
-----------+------------------------------+----------
Total | 5 10 | 15
On constate que sur les sept personnes abonnées, 6 sont des femmes.
78
Chapitre 2 / Econométrie des variables qualitatives
mfx
dy/dx = − 0,07
79
Chapitre 2 / Econométrie des variables qualitatives
dy/dx = − 0,48
estat gof
80
Chapitre 2 / Econométrie des variables qualitatives
lstat
On a
6+5
100 = 73,33%
15
Le pourcentage de prédictions correctes avec le modèle Logit est égal
à 73,33%.
Le pourcentage de prédictions incorrectes avec le modèle Logit est
égal à 26,67%. Le taux d’erreur (environ 27%) est élevé.
81
Chapitre 2 / Econométrie des variables qualitatives
lroc
1.00
0.75
Sensitivity
0.50
0.25
0.00
Ainsi, la figure ci-dessus révèle que l’aire sous la courbe ROC est de
0,8661 ; soit environ 87%.
82
Chapitre 2 / Econométrie des variables qualitatives
p
log i = 14,09 − 0,29 age − 2,14 masculin
1 − pi
p̂
log i = 14,09 − 0,29 40 − 2,14 0 = 2,49
1 − p̂ i
p̂ i
= exp(2,49) = 12,06
1 − p̂ i
12,06
p̂i = = 0,92
1 + 12,06
p̂ i 0,92
Le coefficient de cote est ci = = = 12
1 − p̂ i 1 − 0,92
83
Chapitre 2 / Econométrie des variables qualitatives
------------------------------------------------------------------------------
| Robust
abon | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
age | -.1728942 .0613747 -2.82 0.005 -.2931864 -.052602
masculin | -1.30647 .8467675 -1.54 0.123 -2.966103 .353164
_cons | 8.439949 3.123134 2.70 0.007 2.31872 14.56118
------------------------------------------------------------------------------
84
Chapitre 2 / Econométrie des variables qualitatives
85
Chapitre 2 / Econométrie des variables qualitatives
86
Chapitre 2 / Econométrie des variables qualitatives
→ Cliquer sur OK
87
Chapitre 2 / Econométrie des variables qualitatives
88
Chapitre 2 / Econométrie des variables qualitatives
Log likelihood
R² de Mc Fadden = 1 −
Restr log likelihood
6,376
=1− = 0,385
10,364
5. Test de Hosmer-Lemeshow
89
Chapitre 2 / Econométrie des variables qualitatives
→ OK
90
Chapitre 2 / Econométrie des variables qualitatives
Estimated Equation
Dep=0 Dep=1 Total
P(Dep=1)<=C 6 2 8
P(Dep=1)>C 2 5 7
Total 8 7 15
Correct 6 5 11
% Correct 75 71,43 73,33
% Incorrect 25 28,57 26,67
→ Cliquer sur OK
91
Chapitre 2 / Econométrie des variables qualitatives
→ OK
92
Chapitre 2 / Econométrie des variables qualitatives
93
Chapitre 3 / Cointégration et modèle à correction d’erreur
CHAPITRE 3
Cointégration et modèle à correction d’erreur
94
Chapitre 3 / Cointégration et modèle à correction d’erreur
1. Introduction
2. Notion de stationnarité
2.1 Définition
Un processus stochastique X t est stationnaire si :
indépendante du temps ;
95
Chapitre 3 / Cointégration et modèle à correction d’erreur
γ(h)
ρ(h) =
γ(0)
avec
γ(h) = Cov(X t , X t + h ) ; γ(0) = Var(X t )
96
Chapitre 3 / Cointégration et modèle à correction d’erreur
1. La simulation d’un bruit blanc normal centré réduit se fait par les
instructions Eviews suivantes :
line bblanc
-1
-2
-3
25 50 75 100 125 150 175 200
BBLANC MOY
Nous pouvons remarquer que cette série est bien centrée sur 0 et que
les fluctuations semblent représentatives d’une série stationnaire.
97
Chapitre 3 / Cointégration et modèle à correction d’erreur
3. Tests de stationnarité
3.1 Généralités
Les tests de stationnarité sont fondés sur l’estimation par les moindres
carrés ordinaires (MCO) des trois modèles suivants :
p
ΔX t = ρ X t − 1 − φiΔX t − j + 1 + ε t
j= 2
Modèle [2] : Modèle sans tendance et avec terme constant
p
ΔX t = ρ X t − 1 − φiΔX t − j + 1 + c + ε t
j= 2
p
ΔX t = ρ X t − 1 − φiΔX t − j + 1 + c + b t + ε t
j= 2
98
Chapitre 3 / Cointégration et modèle à correction d’erreur
99
Chapitre 3 / Cointégration et modèle à correction d’erreur
Sur les logiciels, les statistiques des tests sont assorties de leurs
probabilités critiques.
Tables de Dickey-Fuller1
1 Source : Fuller W.A., Introduction to Statistical Time series, John Wiley, 1976
100
Chapitre 3 / Cointégration et modèle à correction d’erreur
101
Chapitre 3 / Cointégration et modèle à correction d’erreur
Sur les logiciels, les statistiques des tests ADF et PP sont assorties de
leurs probabilités critiques.
102
Chapitre 3 / Cointégration et modèle à correction d’erreur
Tableau 1
Produit intérieur brut (en millions de dollars).
Données annuelles, 1980-2018
103
Chapitre 3 / Cointégration et modèle à correction d’erreur
line log(pib)
LOG(PIB)
8.0
7.6
7.2
6.8
6.4
6.0
5.6
1985 1990 1995 2000 2005 2010 2015
2. Tests de stationnarité
104
Chapitre 3 / Cointégration et modèle à correction d’erreur
105
Chapitre 3 / Cointégration et modèle à correction d’erreur
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 2.566883 0.9968
Test critical values: 1% level -2.628961
5% level -1.950117
10% level -1.611339
106
Chapitre 3 / Cointégration et modèle à correction d’erreur
107
Chapitre 3 / Cointégration et modèle à correction d’erreur
Li X t = X t − i , i 0
On a :
LX t = X t − 1 et L2X t = X t − 2
On a
Xt − Xt − 1 = Xt − LXt = (1 − L)X t = ΔXt
ΔX t = X t − X t −1
108
Chapitre 3 / Cointégration et modèle à correction d’erreur
Δ 2X t = (1 − L) 2 X t = (1 − 2L + L2 )X t
= X t − 2LX t + L2X t
= X t − 2X t − 1 + X t − 2
Notation :
X t → I(0)
Définition 2 : Une variable est intégrée d’ordre 1 si sa différence
première est stationnaire.
X t → I(1) si ΔX t → I(0)
X t → I(2) si Δ 2 X t → I(0)
109
Chapitre 3 / Cointégration et modèle à correction d’erreur
Remarque 4 :
110
Chapitre 3 / Cointégration et modèle à correction d’erreur
111
Chapitre 3 / Cointégration et modèle à correction d’erreur
line d(log(pib))
.3
.2
.1
.0
-.1
-.2
-.3
-.4
1985 1990 1995 2000 2005 2010 2015
D(LOG(PIB)) MOY
112
Chapitre 3 / Cointégration et modèle à correction d’erreur
113
Chapitre 3 / Cointégration et modèle à correction d’erreur
114
Chapitre 3 / Cointégration et modèle à correction d’erreur
4.3 Propositions
Elle permet ainsi de spécifier des relations stables à long terme tout en
analysant conjointement la dynamique de court terme des variables
considérées.
115
Chapitre 3 / Cointégration et modèle à correction d’erreur
Zt = Yt − βXt
est aussi I(d) .
(X t , Yt ) → CI(d, b)
116
Chapitre 3 / Cointégration et modèle à correction d’erreur
Cette théorie est aussi utilisée pour formuler des modèles de demande
de monnaie, pour examiner des relations entre taux de change de
divers pays, pour étudier les liens entre taux d’intérêt à court et long
termes ou les relations entre les indices de bourses internationales, etc.
Remarque 5 :
117
Chapitre 3 / Cointégration et modèle à correction d’erreur
Ce test de cointégration est basé sur des résidus estimés et non sur
des vraies valeurs observées. Afin d’interpréter les résultats, il convient
d’utiliser les tables des valeurs critiques de Engle et Yoo (1987) ou de
Mc Kinnon (1991).
118
Chapitre 3 / Cointégration et modèle à correction d’erreur
119
Chapitre 3 / Cointégration et modèle à correction d’erreur
+ b 2X t − 2 ++ bq Yt −q + ε t
ou encore
p q
Yt = μ + a j Yt − j + b i Xt − j + εt
j =1 i=0
-- Si la statistique de Fisher est > aux bornes supérieures I(1) alors les
variables sont cointégrées.
-- Si la statistique de Fisher est < aux bornes inférieures I(0) alors les
variables ne sont pas cointégrées.
120
Chapitre 3 / Cointégration et modèle à correction d’erreur
Tableau 2
Consommation et revenu (en millions de dollars).
Données annuelles, 1990-2016
121
Chapitre 3 / Cointégration et modèle à correction d’erreur
7.1
7.0
6.9
6.8
6.7
6.6
6.5
6.4
6.3
6.2
90 92 94 96 98 00 02 04 06 08 10 12 14 16
LCONS LREV
Ces deux séries sont non stationnaires et, du fait de leur apparente
évolution similaire, il est légitime de s’intéresser à l’étude de la cointégration.
122
Chapitre 3 / Cointégration et modèle à correction d’erreur
→ OK
124
Chapitre 3 / Cointégration et modèle à correction d’erreur
125
Chapitre 3 / Cointégration et modèle à correction d’erreur
126
Chapitre 3 / Cointégration et modèle à correction d’erreur
127
Chapitre 3 / Cointégration et modèle à correction d’erreur
Ensuite
line log(inv)
LOG(INV)
7.00
6.75
6.50
6.25
6.00
5.75
5.50
5.25
5.00
88 90 92 94 96 98 00 02 04 06 08 10 12 14 16
line log(pib)
128
Chapitre 3 / Cointégration et modèle à correction d’erreur
LOG(PIB)
8.8
8.4
8.0
7.6
7.2
6.8
88 90 92 94 96 98 00 02 04 06 08 10 12 14 16
line log(txint)
2.6
2.4
2.2
2.0
1.8
1.6
1.4
1.2
88 90 92 94 96 98 00 02 04 06 08 10 12 14 16
LOG(TXINT) MOY
129
Chapitre 3 / Cointégration et modèle à correction d’erreur
4. Test de cointégration
130
Chapitre 3 / Cointégration et modèle à correction d’erreur
→ Cliquer sur OK
131
Chapitre 3 / Cointégration et modèle à correction d’erreur
Fixed regressors: C
Number of models evalulated: 4
Selected Model: ARDL(1, 0, 0)
R-squared 0.969711
F-statistic 266.7934 Durbin-Watson stat 2.478805
Prob(F-statistic) 0.000000
*Note: p-values and any subsequent tests do not account for model selection
→ Criteria graph
132
Chapitre 3 / Cointégration et modèle à correction d’erreur
ARDL(1, 0, 1)
ARDL(1, 1, 0)
ARDL(1, 1, 1)
133
Chapitre 3 / Cointégration et modèle à correction d’erreur
Null Hypothesis: No
F-Bounds Test levels relationship
Asymptotic: n=1000
134
Chapitre 3 / Cointégration et modèle à correction d’erreur
séries explicatives X1 , X 2 et X 3 .
+ β5 LX1 t − 1 + β 6 LX 2 t − 1 + β 7 LX3 t − 1 + u t
avec
d(Xt ) = X t − X t − 1
135
Chapitre 3 / Cointégration et modèle à correction d’erreur
136
Chapitre 3 / Cointégration et modèle à correction d’erreur
d(log(const )) = λ 0 + λ1 d (log(rev t )) + λ 2 e t − 1 + u t
137
Chapitre 3 / Cointégration et modèle à correction d’erreur
1. Modèle de Hendry
138
Chapitre 3 / Cointégration et modèle à correction d’erreur
H 0 : β 2 = 0 contre H1 :β 2 = 0
139
Chapitre 3 / Cointégration et modèle à correction d’erreur
44,7% des effets d’un choc intervenu une année donnée est résorbé
dans l’année qui suit tout choc.
β̂1 = 0,469
Si les revenus des ménages du pays augmentent de 10%, alors leurs
consommations à court terme augmentent de 4,69%, toutes choses
égales par ailleurs.
β̂3
− = 0,408 = 0,913
β̂ 2 0,447
140
Chapitre 3 / Cointégration et modèle à correction d’erreur
2. Modèle de Engle-Granger
log(cons t ) = â + b̂ log(rev t ) + e t
LS log(cons) c log(rev)
R-squared 0.995048
d(log(const )) = λ 0 + λ1 d (log(rev t )) + λ 2 e t − 1 + u t
où
e t = log(cons t ) − 0,179 − 0,941log(rev t )
141
Chapitre 3 / Cointégration et modèle à correction d’erreur
R-squared 0.604589
F-statistic 17.58365 Durbin-Watson stat 1.502007
Prob(F-statistic) 0.000023
H 0 : λ 2 = 0 contre H1 : λ 2 = 0
142
Chapitre 3 / Cointégration et modèle à correction d’erreur
Conclusion
143