Économétrie II
Ch. 4b Stationnarité & cointégration L3 Économétrie – L3 MASS
Prof. Philippe Polomé, U. Lyon 2
Année 2015-2016
Ch. 4b. Stationnarité & cointégration
Table des matières
Ch. 4b. Stationnarité & cointégration I(1)
Décider si une série chrono est I(1) Cointégration
Modèles à Correction d’Erreurs
Conclusions
Ch. 4b. Stationnarité & cointégration I(1)
Table des matières
Ch. 4b. Stationnarité & cointégration I(1)
Décider si une série chrono est I(1) Cointégration
Modèles à Correction d’Erreurs
Conclusions
Ch. 4b. Stationnarité & cointégration I(1)
Marche aléatoire
I
Dans le AR(1), l’hypothèse
|r|<1 est cruciale pour que la série soit faiblement dépendante (=I(0))
I
Beaucoup de séries chronologiques économiques sont mieux caractérisées par un AR(1) avec
|r|=1 :
I yt=yt 1+et : unemarche aléatoire (random walk)
I
Variance d’une marche aléatoire
%linéairement avec le temps
I Le processus ne peut donc être stationnaire
I car sa distribution change dans le temps
I Pas I(0) non plus
I xt etxt+hne deviennent pas presqu’indépendants lorsque h!•
I Donc pas utilisable en régression
I
Puisque
E(et+j|yt) =0
8j1, on a
E(yt+h|yt) =yt 8h1
I Donc, quel que soit l’éloignement temporelh, la meilleure prédiction pouryt+h estyt
Ch. 4b. Stationnarité & cointégration I(1)
y
t= y
t1 + et avec e ⇠ n (0, 4) et y 0 = 0 dans Trend....ods
Ch. 4b. Stationnarité & cointégration I(1)
I(1)
I
Marche aléatoire = un cas de racine unitaire ou processus I(1)
I
Un processus I(1) est “fortement persistant” ou “à mémoire longue”
I “Tendance” 6=“fortement persistent”
I Des séries comme les taux d’intérêt, d’inflation ou de chômage sont souvent considérées “à mémoire longue”
I mais n’ont pas de tendance claire
I
Mais souvent, une série à mémoire longue a aussi une tendance claire
I P.e. marche aléatoire avec dérive (random walk with drift) : yt=⌦+yt 1+et
I ⌦est la dérive
I Voir graphique
Ch. 4b. Stationnarité & cointégration I(1)
y
t= ⌦ + y
t1 + et avec e ⇠ n (0, 4), y 0 = 0 et ⌦ = .05
Ch. 4b. Stationnarité & cointégration I(1)
Régression entre I(1), même sans trend
I
Une régression simple entre 2 I(1) indépendantes va souvent résulter en une stat
tsignificative
I Même sans trend dans aucune variable
I
Soit 2 marches aléatoires
yt=yt 1+etand
xt=xt 1+atI On spécifieyt=b0+b1xt+xt,
I AlorsH0:b1=0 est vraie,
I maisxt contientyt 1 qui est une marche aléatoire,
I
Alors l’inférence basée sur les résidus OLS mène à une stat
tdont la distribution limite n’est pas normale
I en fait cette statt!•quandT !•
I VoirTrend....odstabSpurious I(1)
Ch. 4b. Stationnarité & cointégration I(1)
Remarque : Autre régression spurieuse
I
En coupe transversale
I Régression spurieuse = cigognes
I 2 variables sont reliées via une troisième
I Si on régresse la 1ºsur la 2º, on trouve une relation significative
I mais si on intègre la 3ºvariable, la 2ºperd sa significativité
I Ce phénomène peutaussiarriver en séries temp
I
Une relation spurieuse peut aussi être trouvée entre séries qui ont un trend
I Si ces séries sont faiblement dépendante autour de leur trend, le problème se résoud en insérant un trend dans le modèle
Ch. 4b. Stationnarité & cointégration I(1)
Différence première
I
La différence 1º d’une racine unitaire
ytI est faiblement dépendante (I(0))
I xt etxt+hdeviennent presqu’indépendants lorsqueh!•
I et est souvent stationnaire
I sa distribution ne change pas dans le temps
I
Une série temporelle I(1) est souvent “différence-stationnaire”
I Siyt est I(1), alorsyt yt 1 est souvent I(0)
I
Beaucoup de séries
ytqui sont
>0 sont t.q. ln
(yt)est I(1)
I Alors on peut utiliser ln(yt) ln(yt 1)en régression
I Comme ln(yt) ln(yt 1)⇡yt yt 1
yt 1 l’interprétation est en terme de taux de croissance
I
Différencier une série temp avant de l’utiliser en régression
retire aussi toute tendance linéaire
Ch. 4b. Stationnarité & cointégration Décider si une série chrono est I(1)
Table des matières
Ch. 4b. Stationnarité & cointégration I(1)
Décider si une série chrono est I(1) Cointégration
Modèles à Correction d’Erreurs
Conclusions
Ch. 4b. Stationnarité & cointégration Décider si une série chrono est I(1)
Corrélation
I r1=Corr(yt,yt 1)
I Estimerr1 à partir de la corrélation entreyt etyt 1dans l’échantillon
I Se nommeautocorrelation de 1ºordrede {yt}
I
Les distributions d’échantillonnage de
rˆ1sont très différentes lorsque
r1proche de 1 et lorsque
r1bien moins que 1
I Quandr1 proche de 1,rˆ1 peut avoir un biais important à la baisse
I On considère qu’il faut différencier si rˆ1> .9, voirerˆ1> .8
I
Quand la série a un trend clair, on estime
r1après avoir enlevé la tendance
I Sinon,rˆ1 tend à être surestimé
Ch. 4b. Stationnarité & cointégration Décider si une série chrono est I(1)
Test de racine unitaire
I
Modèle AR(1)
yt=a+ryt 1+etI
Test
Dickey-Fuller(DF)
H0:r=1 contre
H1:r<1
I Soustraireyt 1de chaque côté
I yt=a+qyt 1+et avecq=r 1
I SousH0,yt 1est I(1)
I D’où la statt associée àq dans un MCO ne converge pas à une normale
I mais bien à une distribution Dickey-Fuller,
I On testeq=0 (doncr=1) par l’habituelle statt
I mais avec les valeurs tabulées de la Dickey-Fuller distribution I
Test de DF augmenté
I On teste toujours pourr=1 mais dans
I yt=a+qyt 1+g1 yt 1+g2 yt 2+···+gp yt p+et
Ch. 4b. Stationnarité & cointégration Décider si une série chrono est I(1)
Application du test de DF
I r
3
ttaux d’intérêt (annualisé) des bons du trésor à 3 mois
I Bond equivalent yields, dans les pages financières
I
Données dans INTQRT.gdt (Wooldridge)
I Attention : changer structure du jeu de données :
I mensuelles, date initiale inconnue
I
Si on estime
yt=a+qyt 1+etI cr3 0 r3_1
I Le coefficient de r3_1 est−0,0907, doncrˆ=0.9093
I t-stat sur r3_1 est -2.47, mais ne suit pas une distribution t
I Sur la variable r3,
I Prendre menu “variable”!“test de racine unitaire”
I Pas de retard, avec constante, sans tendance
I On retrouve les résultats de la régression, p-valeur .12 donc
¬R H0: racine unitaire
Ch. 4b. Stationnarité & cointégration Cointégration
Table des matières
Ch. 4b. Stationnarité & cointégration I(1)
Décider si une série chrono est I(1) Cointégration
Modèles à Correction d’Erreurs
Conclusions
Ch. 4b. Stationnarité & cointégration Cointégration
Définition
I
Prendre les différences 1º de séries I(1) avant de les utiliser en régression est “sûr”
I mais limite l’analyse à des relations de court terme
I et est peu efficient (estimateur peu précis)
I Lacointégration peut redonner un sens à des régressions entre séries I(1)
I
Si
{yt}et
{xt}sont I(1), alors en général
yt bxtest I(1)
8bI Cependant, il estpossibleque pour unb6=0,yt bxt soit
I I(0) : Asymptotiquement non corrélé
I Stationnaire : Espérance & variance constantes
I Si un telb existe, on dit que{yt}et{xt} sontcointégrées
I b est le paramètre de cointégration I
Interprétation :
I {yt} et{xt}ne peuvent pas s’écarter trop l’un de l’autre dans le long terme
Ch. 4b. Stationnarité & cointégration Cointégration
Exemple
I r
6
ttaux d’intérêt (annualisé) des bons du trésor à 6 mois
I r3t idem à 3 mois
I
Données dans
INTQRT.gdt(Wooldridge)
I On a vu plus tôt quer3t avait une racine unitaire
I Vrai aussi pourr6t I
Soit
Ecartt=r6t r3tI DF stat est -7.71 avec une p-valeur infime
I doncRH0racine unitaire
I doncr6t etr3t sont cointégrées avec paramètre 1
I
Interprétation : si les taux s’écartaient, l’un des deux deviendrait un investissement plus attractif
I son prix augmenterait
I son rendement baisserait donc
Ch. 4b. Stationnarité & cointégration Cointégration
Test de cointégration
I
Si on a une valeur pour le coefficient de cointégration
bI Alors on teste siyt bxt a une racine unitaire
I
Si on ne connait pas
bI Siyt etxt sont cointégrées
I MCO estconsistantpourb dansyt=a+bxt+ut
I sinon, MCO spurieux etb faussement significatif
I Test de Engle-Granger = Dickey-Fuller suruˆt=yt aˆ bˆxt
I Régresser uˆt suruˆt 1avec une constante, sans retard ˆ
ut=d+guˆt 1+xt
I Siuˆt 1n’est pas significatif, alorsuˆt est I(0)
I Doncyt etxt sont cointégrées
I Le test est fait sur une distribution spéciale, pas sur unet I
Si
ytou
xta une dérive, c’est plus compliqué
I Wooldridge 2012 p648
I
Une tendance doit être modélisée
Ch. 4b. Stationnarité & cointégration Cointégration
Exemple : cointégration entre fertilité et déduction fiscale
I
Aux USA “personal exemption” est une déduction fiscale
I Entre autres plus on a d’enfants (ou de dépendants), plus la réduction est grande
I Le montant est assez faible, mais fluctue dans le temps
I On peut donc imaginer lier la déduction et le nombre de naissances
I Fertil3.gdt
(Wooldridge)
I Modifier structure du jeu pour série temp, annuelle, début 1913
I gfr naissances / 1000 femmes 15-44 ans
I DF : p-valeur .80 donc¬R H0: racine unitaire
I pe “personal exemption”, en $ réels
I DF : p-valeur .45 donc¬R H0: racine unitaire I
Régressions
I Niveaugfrt=a+bpet+ut
I Différences premières gfrt=a+b pet+ ut
Ch. 4b. Stationnarité & cointégration Cointégration
gfr et pe
gfrt coef (p-val) gfrt coef(p-val)
Cst 99.4 (0) 92.9 (0) 108.6 (0) Cst -.08 (.92) -.32 (.68) -3.45 (0) pet .05 (.40) -.06 (.36) .03 (.66) pet -.05 (.27) -.05 (.17) -.05 (.19)
pet 1 -.02 (.83) -.04 (.72) pet 1 -.01 (.69) -.009 (.75)
pet 2 .11 (.07) .13 (.11) pet 2 .09 (0) .09 (0)
pet 3 -.005 (.93) -.01 (.88) pet 3 .04 (.17) .04 (.15)
pet 4 .08 (.16) .02 (.04) pet 4 -.04 (.04) -.36 (.05)
Pill (63) -27.8 (0) -30.9 (0) .38 (.97) Pill (63) -2.23 (.07) -1.78 (.14) -5.43 (.005)
t -1.17 (0) t .11 (.01)
DW .12 .17 .25 1.44 1.34 1.57
T 72 68 68 T 71 67 67
La différence entre le modèle en niveaux et en différences 1º
suggère de tester la cointégration car si les séries ne sont pas
cointégrées, les régressions en niveaux sont spurieuses
Ch. 4b. Stationnarité & cointégration Cointégration
gfr et pe
I
Test de cointégration
I Gretl : “modèle” !“Séries temp” !“Test de coint” !
“Engle-Granger”
I Variable gfr et pe, sans retard car on teste ˆ
ut=a+buˆt 1+et
I Sortie complète
I DF sur gfr et sur pe : I(1) chacune
I MCO gfr sur pe
I MCO résidus :¬R H0:b=0
I Donc¬R H0: 1 b=1 : Résidus sont I(1)
I Donc gfr et pe PAS cointégrés
I
Contrôler pour une éventuelle tendance commune entre gfr et pe
I Même procédure, mais sélectionner “constante et tendance temp”
I Même conclusion
I
Donc, la relation en niveau est spurieuse
I celle en différences 1ºreflète une relation de court terme
Ch. 4b. Stationnarité & cointégration Modèles à Correction d’Erreurs
Table des matières
Ch. 4b. Stationnarité & cointégration I(1)
Décider si une série chrono est I(1) Cointégration
Modèles à Correction d’Erreurs
Conclusions
Ch. 4b. Stationnarité & cointégration Modèles à Correction d’Erreurs
Définition
I
Si
ytet
xtsont I(1)
I On ne peut estimer qu’un modèle en différences 1º
I p.e. yt=a0+a1 yt 1+g0 xt+g1 xt 1+ut I
Mais, si de plus
ytet
xtsont cointégrées
I On peut introduire des variables I(0) supplémentaires
I Soitst =yt bxt qui est donc I(0)
I Par simplicité on supposeE(st) =0
I Dans le cas le plus simple, on inclut un lag dest
I yt=a0+a1 yt 1+g0 xt+g1 xt 1+dst 1+ut
I Le termedst 1est appelé correction d’erreur
I Ce modèle est dit à correction d’erreur
Ch. 4b. Stationnarité & cointégration Modèles à Correction d’Erreurs
Discussion
I
Un modèle à correction d’erreur permet d’étudier les dynamiques de court terme entre
ytet
xtI Il faut généralement estimerb
I MCO est consistant
I
Par simplicité, un modèle sans lags de
ytni de
xtI yt=a0+g0 xt+dst 1+ut
I yt=a0+g0 xt+d(yt 1 bxt 1) +ut I
Alors il faut que
d<0
I Siyt 1 bxt 1>0 alorsy a dépassé l’équilibre ent 1
I La cointégration impose qu’on y revienne
I Commed <0 la correction d’erreur tend à réduire yt
I Ce qui ramene à l’équilibre
I Même raisonnement lorsqueyt 1 bxt 1<0
Ch. 4b. Stationnarité & cointégration Conclusions
Table des matières
Ch. 4b. Stationnarité & cointégration I(1)
Décider si une série chrono est I(1) Cointégration
Modèles à Correction d’Erreurs
Conclusions
Ch. 4b. Stationnarité & cointégration Conclusions
Conclusions du Chapitre 4
I
Autocorrélation des erreurs : Séries chronologiques
I
On a vu test & correction pour AR(1)
I Peuvent être développés pour tester et corriger autocorrélations plus complexes
I
MCG et MCGF : corriger les biais induits par une forme d’autocorrélation
que l’on connaitI
Si autocorrélation mal évaluée : MCGF peut être pire que MCO
I Par ex. résidus saisonniers et on suppose AR(1)
I
On va plutôt essayer de mieux comprendre la série temporelle
I MCO est consistant si les séries sont
I Faiblement dépendantes I(0) :xt etxt+hpresqu’indépendants lorsqueh!•
I Stationnaires : leurs distributions ne changent pas dans le temps
I Une série avec trend est régressée sur une tendance
Ch. 4b. Stationnarité & cointégration Conclusions
Conclusions
I
Quand les séries sont persistentes
I Racines unitaire, I(1)
I MCO produit des résultats spurieux
I Les différences 1ºsont souvent I(0)
I
Deux séries sont cointégrées lorsque
I Elles sont I(1)
I Mais une de leurs combinaisons linéaires est I(0)
I Alors, la régression de l’une sur l’autre indique une relation de long terme
I Le court terme est étudié par un modèle à correction d’erreur
Ch. 4b. Stationnarité & cointégration Conclusions
Devoir #4
Conception d’une feuille de tableur pour montrer l’effet de
l’autocorrélationsur les coefficients estimés dans une régression linéaire MCO à une variable
xet une constante.
1. Générer le terme d’erreur
e; par exemple pour chaque observation
i, on génère d’aborde1=n(0,1) puis
ei =rei 1+µiavec
|r|<1 et
µun bruit blanc
2. Illustrer que les MCO sont inconsistants ou non lorsqu’il y a autocorrélation
3. Créer deux séries I(1) sur le même principe
3.1 Montrer que régresser l’une sur l’autre aboutit à des t-stat souvent très élevées, quelle que soit la taille de l’échantillon