Économétrie II
Ch. 4 Autocorrélation L3 Économétrie – L3 MASS
Prof. Philippe Polomé, U. Lyon 2 Année 2015-2016
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation
Rappel
1. E(ei) =08i:Espérance nulle 2. Xvar(ei) =s28i :Homoscédasticité
3. cov(et,es) =08t6=s :Pas d’autocorrélation 4. E(eixi) =08i :Exogénéité
5. XLa matrice X est de plein rang :Pas de multicolinéarité 6. Le modèle estcorrectement spécifié
7. La variable dépendanteY estcontinue
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Définition
I 9t,s:cov(et,es)6=0
⌃e = 0 BB B@
s2 r12 ··· r1N s2 r2N ... ...
sym s2
1 CC CA
I Plusieurs formes sont possibles
I Autorégressive d’ordre 1 AR(1) :et=ret 1+µt
I avecµt“bruit blanc”
I À préciser (séries temporelles)
I ⌃e 6=s2IN
I La matrice de var-cov des erreurs n’est pasdiagonale
I Les observations ne sontpas indépendantesentre elles
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Conséquences
I En principe,bˆMCO estnon-biaiséetconsistant
I Ces propriétés ne dépendent pas de⌃e
I Sauf si autocorrélation causée par un problème plus grave
I Endogénéité
I Intégration I(1) d’une série temporelle
I Gauss-Markov ne s’applique plus=)MCO n’estplus efficient
I Comme hétéroscédasticité :⌃bˆ=⇣
X0X⌘ 1
X0⌃eX⇣
X0X⌘ 1
I Inférence basée sur⌃bˆ=s2⇣
X0X⌘ 1
fausse : tests t, F...
I Bootstrap faux car pas indépendance
I 9estimateur pour⌃bˆsemblable à l’estimateur de White en cas d’hétéroscédasticité
I Peu utilisé car l’aurocorrélation est souvent dans un contexte de séries temporelles et on veut les étudier plus en détails
I Exception parfois avec données de panel
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Causes & exemples
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Causes & exemples
Autocorrélation en séries temporelles
I Forme “naturelle” : Le passé influence le présent / persistance
I Ex. demande de monnaie
I lnM1t=b0+b1lnPIBt+b2lnIPCt+et
I Cette influence peut être capturée par les régresseurs ou pas
I Terme d’erreur capture l’influence de variables ou de chocsomis
I Variables omises : tendances et cycles (ci-dessous)
I Chocs : Souvent l’effet dure plus d’une période
I Cas le plus abondant et objet d’étude des séries temporelles
I Cas AR(1) dans les sections suivantes
I On dit souvent “autocorrélation sérielle”
I Conséquences potentiellement graves (Endogénéité)
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Causes & exemples
Exemple : Omission d’un terme cyclique
I Données Verbeek, moyennes / 4 semaines, Etats-Unis, 1951-53
I Expliquée : Consommation de crème glacée per capita
I Régresseurs inclus : prix et revenus moyens
I Régresseur omis : température moyenne
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Causes & exemples
Omission d’un terme cyclique (2)
I La température suit des cycles annuels (été–hiver)
I Les ventes de crème glacée aussi !
I Si la température n’est pas incluse comme régresseur, les résidus suivront les cycles été–hiver
I Ces résidus auront tendance à apparaître groupés par signe = autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Causes & exemples
Omission d’un terme cyclique : Correction de l’autocorrélation
I Si on a les données correspondantes au régresseur manquant, on ajoute ce régresseur manquant
I Si on a pas les données ...
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Causes & exemples
Régresseur quadratique manquant Regr manquant.ods
I Monte-Carlo :Y =b0+b1x+b2x2+e avecb1>0etb2<0
I Mais on régresseY =b0+b1x+µ
I On “ajuste” une droite dans un nuage de points “courbe”
I Résidus pour des valeurs petites et grandes deX et pour des valeurs moyennes deX
I Il faut ordonner selonXpour le voir
I Pas facilement détecté par logiciel, sauf siXcroit avec le temps
I Conséquences potentiellement graves (Endogénéité)
Autocorrélation en coupe transversale
I Généralement : autocorrélation si donnéesstructurées
I Coupe transversale, échantillonnage aléatoire)pas d’autocorrélation
I Corrélation spatiale
Résidus régression % County votes pour Bush contre revenu par habitant
Source Y.M. Zukhov, 2010
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles
Séries temporelles
I En dehors du cas spatial, l’autocorrélation n’est considérée que pour les séries chronologiques
I Variables macro-économiques : PIB, inflation, chômage...
I Suivi mensuel d’un individu / population : emploi, salaire, consommation...
I Cotation d’une action : annuelle, mensuelle, journalière, à la minute. . .
I Taux de change
I Flux de passagers dans une compagnie aérienne
I Ventes / achats
I Rendements : plante, entreprise, titre...
I La suite de ce chapitre leur est consacrée
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles
Séries temporelles vs. coupes transversales
I Les observations des séries chronologiques sont ordonnées
I l’ordre des observations d’une coupe transversale n’a pas d’importance
I Les observations de séries chronologiques sont issues d’un processus stochastique (aléatoire)
I pas d’un échantillon aléatoire (coupes transversales)
I Les modèles chronologiques sont généralement indexés part: yt=b0+b1x1t+. . .+bkxkt+et
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles
Modèles à retards distribués
I Le modèleyt=b0+d0xt+et est ditstatique
I Courbe de Phillips classiqueinflationt=b0+b1chomaget+et I Modèles àretards distribués(du régresseur) finis
I un ou plusieursxaffectentyavec un ou plusieurs retards (lags)
I gft=b0+d0tet+d1tet 1+d2tet 2+et
I gf “general (average) fertility”
I te“tax exemption”
I “à l’ordre 2”
I d0= impact immédiat (= de court terme) dexsury
I L’ensembled0,d1, . . . ,dqdécrit la relation de long terme entrex ety
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles
Modèles à retards distribués
I Modèle d’ordre 2yt=b0+d0xt+d1xt 1+d2xt 2+et I Choc transitoire (1t) surx constant intervenant ent
I yt=b0+d0(x+ ) +d1x+d2x+et
I yt+1=b0+d0x+d1(x+ ) +d2x+et+1 I yt+2=b0+d0x+d1x+d2(x+ ) +et+2 I Choc permanent (à partir det) surxconstant
I yt=b0+d0(x+ ) +d1x+d2x+et
I yt+1=b0+d0(x+ ) +d1(x+ ) +d2x+et+1 I yt+2=b0+d0(x+ ) +d1(x+ ) +d2(x+ ) +et+2
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Modèles à tendance
I Le modèleyt=b0+d0t+etest unetendance
I y“suit” le temps avec un bruit stochastiquee
I Multiples spécifications de tendance
I Linéaireyt=b0+b1zt+b2t+et,t=1,2. . .T
I Exponentiellelnyt=b0+b1zt+b2t+et
I Arrive lorsqueya le même taux de croissancetaprèst (ci-dessous)
I Quadratiqueyt =b0+b1zt+b2t+b3t2+et
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Note sur log
I log(yt) =log(yt) log(yt 1)⇡yt yt 1
yy 1
I Ledifférentielde log (ln en fait) est approximativement égal au taux de croissance
I Pour des taux plutôt faibles
I Une tendance exponentielle sans régresseur est alors lnyt=b0+b2t+et
I ln(yt) =b2+ et: tx de croissance constant + une erreur à espérance nulle
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Régression spurieuse
I Différentes variables économiques chronologiques ont souvent unetendancetemporelle
I Régresser une tendance sur une tendance semble souvent bon
I R2,télevés
I Des facteursinobservéspar l’économètre peuvent causer les tendances
I ⌘problème des cigognes
I Ces facteurs inobservés peuvent êtrecontrôlésen modélisant la tendance temporelle
I p.e. introduire un régresseurt=1, . . . ,T peut ramener la significativité des autres régresseurs à leur juste niveau
I Régression fallacieuse(spurieuse/spurious)
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Exemple tableur Trend Coint RndWalk.odt
I Générer y=a+bt+µ
I =2+3*C3+10*SQRT(-2*LN(RAND()))*SIN(2*PI()*RAND())
I Générer x=ct+v :
I =-10*C3+10*SQRT(-2*LN(RAND()))*SIN(2*PI()*RAND())
I indépendant de y car RAND() génére indépendamment
I Régresser y sur t et une constante (plage L)
I =LINEST(A3 :A53 ;C3 :C53 ;1 ;1)
I Régresser y sur x et une constante (plage M)
I =LINEST(A3 :A53 ;H3 :H53 ;1 ;1)
I Calculer t-stat : x semble significatif
I Insérer tendance dans régression y sur x
I x n’est plus significatif
I Régresser detrended y sur detrended x
Exemple : investissement immobilier et prix
I Fichier Gretl hseinv.gdt dans données Wooldridge
I Série 1947-88 “housing investment and housing price index”
ln\(invpc) = .55+1.24ln(price)
I L’élasticité de l’investissement individuel (pc) p/r prix est significativement différente de zéro, mais pas de un.
I Un changement de prix est répercuté complèment sur l’investissement
I Mais les deux séries suivent une tendance
Exemple : investissement immobilier et prix
I En rajoutant une tendance
ln\(invpc) = .91 .38ln(price) +.0098t
I Le prix cesse d’être significatif
I Mais l’investissement (réel) croit d’environ 1% l’an
I Possiblement, cela reflète l’effet de regresseurs omis
I Le résultat antérieur était spurieux
I Siyetxont des trends opposés
I Introduire une tendance peutaccroitrela significativité dex
I La t-stat sur une tendance n’est pas nécessairement correcte (section sur I(1))
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Purger une tendance (detrending)
I Au lieu d’introduire une tendance linéaire : purger les données de la tendance (detrend)
1. Régression de chaque variable du modèle sur une tendance 2. Utilisation des résidus de chaque équation comme nouvelles
variables
I Par exempleyt=b0+b1zt+b2t+et
1. Création de variables purgées de la tendance yt=g0+g1t+zt99Kytd= ˆzt
zt=q0+q1t+xt99Kztd= ˆxt
2. Régression sur les variables purgéesytd=lztd+nt
I Plus utile de mettre une constante carE ytd =E ztd =0par construction
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : Tendances
Purger une tendance (2)
I Purger la tendance est une méthode en 2 étapes qui introduit une erreur de mesuresur la deuxième étape
I Les variables purgées de la tendance sont construites à partir de paramètres estimés
I xˆt est une mesure avec erreur deztd
I L’introduction d’une tendance et l’utilisation de variables purgées de la tendance sont deux approcheséquivalentes
I Remarque sur leR2
I Les régressions en séries temporelles ont souvent unR2élevé du seul fait de la tendance
I Mais ne correspond pas au pouvoir explicatif réel du modèle estimé
I LeR2de la régression avec variables purgées de la tendance reflète de manière plus juste le pouvoir explicatif du modèle économique
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : I(0)
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : I(0)
Stationnarité
I Un processus stochastique eststationnaire
I Lorsque sa distribution ne change pas dans le temps
I paramètres compris
I La stationnarité est semblable à“identiquement distribués”
I Les tendances ne sont pas stationnaires
I car leur espérance change avec le temps
I Un processus stochastique estcovariance-stationnaire
I Si son espérance et sa variance sont constantes dans le temps
I Et si la covariance entre 2 périodes ne dépend que du nombre de périodes entre elles
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : I(0)
Intégration
I Un processus stationnaire est
I Faiblement dépendantou
I Intégré d’ordre zéro I(0)si
I xtetxt+hsont “presque indépendant” quandh!•
I Une définition semblable existe pour un proc. non stationnaire
I Une série covariance-stationnaire est I(0) si la corrélation entre xtetxt+h!0quandh!•
I I(0) implique que la loi des grands nombres et le théorème central limite s’appliquent
I La dépendance faible est semblable à“indépendamment distribués”
I Stationnaire + I(0) remplace l’hypothèse d’échantillon aléatoire simple (iid)
I I(0) est une condition suffisante pour pouvoir utiliser une série en régression
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles : I(0)
MA(1) : Processus de moyenne mobile d’ordre 1
I MA(1)xt=et+aet 1,t=1,2, . . .
I {et:t=0,1, . . .}est une séquence i.i.d avec moyenne zéro et variancese2
I Bruit blanc I Un MA(1) est I(0)
I Les termes adjacents dans une séquence sont corrélés
I Dès qu’il y 2 périodes ou plus entre 2 termes d’un MA(1), la corrélation est zéro caretest i.i.d.
I Commeetest i.i.d., le MA(1) est stationnaire
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles autorégressives d’ordre 1 AR(1)
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
AR(1) : e
t= re
t 1+ µ
tprocessus autorégressif d’ordre 1
I AR(1) est ditstablelorsque|r|<1
I µt⇠iid 0,sµ2 bruit blanc
I Espérance 0, variance constante et covariance 0
I On peut écrireet=µt+rµt 1+r2µt 2+. . .
I D’oùvar(et) =se2=sµ2+r2sµ2+r4sµ2+. . .= sµ2 1 r2
I Etcov(et,et 1) =cov(ret 1+µt,et 1) =rse2= rsµ2 1 r2
I Par substitutions répétées dans AR(1)
et=ret 1+µt=r(ret 2+µt 1) +µt=r2et 2+rµt 1+µt=. . .=rset s+
s 1 i=0Âriµt i
Donccov(et,et s) = rssµ2
1 r2 =rsse2
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles autorégressives d’ordre 1 AR(1)
Matrice var-cov des erreurs AR(1)
⌃e =se2
0 BB BB B@
1 r r2 ··· rT 1 1 r ··· rT 2
... ...
1 r
sym 1
1 CC CC CA
=se2IT+se2 0 BB BB B@
0 r r2 ··· rT 1 0 r ··· rT 2
... ...
0 r
sym 0
1 CC CC CA
=se2IT+se2
AR(1) stable est I(0)
I Stationnaire car µti.i.d.
I Cov!0quand écart entre périodes!•
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Séries temporelles autorégressives d’ordre 1 AR(1)
Matrice var-cov des coefficients MCO avec erreurs AR(1)
I y=Xb+e avecet=ret 1+µt
I
⌃bˆ =⇣
X0X⌘ 1
X0⌃eX⇣
X0X⌘ 1
=⇣
X0X⌘ 1
X0⇥se2IT+se2 ⇤ X⇣
X0X⌘ 1
=se2⇣
X0X⌘ 1
+se2⇣
X0X⌘ 1
X0 X⇣
X0X⌘ 1 I On ne peut pas dire si elle est + grande que⌃bˆ=se2⇣
X0X⌘ 1
I On ne peut pas dire si les t-stats seront sur- ou sous-évaluées
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Examen visuel des résidus
I Voir exemples antérieurs
I Autocorrélation
I Les résidus tendent à être groupés par signe
I Ils changent de signe trop peu souvent par rapport à des résidus non-autocorrélés
I Autocorrélation c’est l’inverse
I Les résidus alternent plus d’une fois sur deux
I Le plus souvent, l’analyse graphique estdélicateà interpréter
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Test de Durbin-Watson
I Test d’autocorrélation de type AR(1) :et=ret 1+µt
I |r|<1
I µt⇠iid 0,sµ2
I On veut testerH0:r=0versusH1:r6=0
I Stat du test :DW =
Â
T t=2(ˆet ˆet 1)2
Â
T t=1eˆt2
oùˆe=y Xbˆ
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Analyse de DW
I Si on estimeˆe=aeˆ 1+navecˆe 1=vecteur desˆet 1
I aˆ=⇣
ˆe01ˆe 1⌘ 1
ˆe01ˆe=
Â
T t=2ˆet 1ˆet
Â
T t=2ˆet2 1
= ˆr
I rˆest un estimateur non-biaisé der
I DW =
Â
T t=2(ˆet ˆet 1)2
Â
T t=1ˆet2
=
Â
T t=2ˆet2+ ˆet2 1 2
Â
Tt=2
ˆetˆet 1
Â
T t=1ˆet2
⇡2 2rˆ
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Règle de décision
I Commer2[ 1,1],DW 2[0,4]avec
I Autocorrélation :rproche de -1,DW proche de 4
I Autocorrélation :rproche de 1,DW proche de 0
I Pas d’autocorrélation :rproche de 0,DW proche de 2
I C’est la 2º “règle du 2” en économétrie (la 1º était le t-stat) I Durbin et Watson (1950) ont tabulé les valeurs critiques de DW
au seuil de 5%
I Taille de l’échantillonT
I Nombre de variables explicativesk
I La table donne 2 valeursdLetdU (Low et Up) FIGURE–Règle de Durbin-Watson
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
I SiDW <dL: Autocorrélation
I SiDW >4 dL: Autocorrélation
I SiDW 2[dU,4 dU]: pas d’autocorrélation
I EntredLetdU et entre4 dU et4 dLon ne peut conclure
FIGURE–Table de Durbin-Watson à 5%
k = nbr de régresseurs (constante exclue) n = nbr observations (au minimum 15)
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Conditions d’utilisation de Durbin Watson
I DW ne permet de tester que l’autocorrélation d’ordre 1
I Mais souvent c’est la principale
I Intercept obligatoire
I Nombre d’observations 15
I Pasyt 1dans les variables explicatives
I AR(1) :et=ret 1+µt
I Siyt=b0+b1zt+b2yt 1+et
I Alors
yt=b0+b1zt+b2[b0+b1zt 1+b2yt 2+et 1] + [ret 1+µt]
I Donc : corrélation erreur-régresseur : Ch. endogénéité
I On cumule les problèmes (on ne traite pas)
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Test d’autocorrélation AR(1)
Tests alternatifs
I DW est un vieux test
I Un de ses intérêts principaux est de minimiser les calculs
I On réutilise les résidus de MCO pour un calcul “simple”
I Test de résidus AR(1) : estimerˆe=aeˆ 1+n
I Siaˆ est significatif, (t-test) il y a AR(1), ou selon le signe
I Mais sirproche de 1, ce test n’est plus valable
I Test de résidus AR(q) : estimerˆe=aeˆ q+n
I t-test suraˆ
I Test d’autocorrélation plus générale :ˆe=
Â
q i=1aiˆe i+n
I F-testH0: ˆa1= ˆa2=. . .= ˆaq=0
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Application : Capital Asset Pricing Model
I Modèle d’évaluation des actifs financiers (MEDAF)
I Suppose que tout investisseur compose son portefeuille d’actifs en équilibre entre sa rentabilité et son risque
I Investisseur au sens large, p.e. entreprise multiproduit
I Risque = variance de la rentabilité (return)
I D’où chaque investisseur détient un portefeuille ditmean variance efficient
I qui donne le return maximum pour un niveau de risque donné : le risque maximum accepté par l’investisseur
I Si
1. Tous les investisseurs ont les mêmes croyances sur les risques et les returns
2. Il n’y a pas de coût de transaction
Alors, le portefeuille de marché (la somme de tous les
portefeuilles individuels) doitaussiêtre mean variance efficient
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
Formalisation
I Si le marché est mean variance efficient,
I alors lereturn espéré d’un actif individuel est une proportion du return espéré du marché:
E(rjt rf) =bjE(rmt rf)
I oùrjt est le return (risqué) sur l’actifjdans la périodet
I rmtest le return du marché ent
I rf est le return sans risque (p.e. bon d’état)
I La différence espéréerjt rf est une rémunération du risque
I bj = facteur de proportionnalité (inconnu)
I indique comment des fluctuations du marché affectent le return de l’actifj
I bj = volatilité de l’actif / celle du marché :bj=cov rjt,rmt
var(rmt)
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
CAPM comme modèle économétrique
I On n’observe pas les espérancesE mais seulement les cours réalisés
I Hypothèse d’espérances rationnelles
I en moyenne les agents ne se trompent pas
Définitions
Returninespéré de l’actif jµjt=rjt E(rjt) Return inespéré dumarchéµmt=rmt E(rmt)
I Alors modèle de régression sans intercept
I rjt rf =bj(rmt rf) +ejt
I avecejt=µjt bjµmt
I Pourrait être hétéroscédastique et/ou autocorrélé
I Sous espérances rationnellesE ejt =0
I On peut montrer que(rmt rf)n’est pas corrélé àejt
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
Estimation
I Gretl filecapm.gdt, données Verbeek non-préchargées, disponibles en ligne sur www.econ.kuleuven.ac.be/GME/
I 1988 :1 à 1996 :2
I Returns de 3 grandes entreprises belges sur la bourse de Bruxelles
I Pétrofina, Générale de banque, CBR
I Return du marché = Belgian All Share index
I Actif sans risque : bons du trésor à 3 mois
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
Résultats pour Générale de Banque
I On regarde Générale de Banque : définir les rendements nets
I Volatilité Générale (coefficient estimé) :bˆgen´ =.72
I CAPM implique que d’autres régresseurs ne devraient pas être pertinents y-compris une constante
I Constante pas significative : conforme à la théorie
I Effet Janvier : il existe quelques indications que janvier serait un mois dans lequel les returns seraient plus élevés
I pas dans ces données-ci
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
Résultats pour Générale de Banque
I Menu modèle!MCO
I Remarque : boutton “retards” = retards distribués des régresseurs
I DW est en sortie standard : 1.80
I avec 98 données & 3 régresseurs, on voit tout de suite qu’on est dans la zone “pas d’autocorrélation”
I Peut paraitre bizarre, mais la régression porte sur des différences de séries
I post-estimation menu “tests”
I p-critique DW = 15% environ
I Autocorrélation AR(x)
I Sélectionner x = ordre d’autocorrélation
I Plusieurs tests
I Sortie MCO modifiée
I Tests (fin d’output) : rejette Hét
I R2“moyen” 47%, mais peu de variables explicatives
I significativité globale très élevée
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Application : Capital Asset Pricing Model
Résultats pour CBR
I DW < valeur critique [via tools / statistical tables] : autocorrél
I C’est une erreur ?
I Voir aussi DW p-value dans postestimation
I On va voir à présent ce qu’on peut faire
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Traitement de l’autocorrélation
Table des matières
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Définition & conséquences
Causes & exemples Séries temporelles
Séries temporelles : Tendances Séries temporelles : I(0)
Séries temporelles autorégressives d’ordre 1 AR(1) Test d’autocorrélation AR(1)
Application : Capital Asset Pricing Model Traitement de l’autocorrélation
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Traitement de l’autocorrélation
Moindres Carrés Généralisés
I Pour autant que l’autocorrélation ne révèle pas un problème plus grave
I Régresseur manquant / endogénéité
I Série temporelle I(1)
I On a vu qu’en présence d’autocorrélation
I MCO sans biais (si exogénéité stricte, cfr ch. suivant)
I MCO ne sont plus de variance minimale
I On cherche un estimateur qui soit de variance minimale
I Proposition
I Soit le modèleY =Xb+eavec⌃e=s2 6=s2I
I Alors l’estimateurbˆMCG=h
X0 1Xi 1
X0 1Y est efficient
Ch. 4.9t,s:cov(et,es)6=0: Autocorrélation Traitement de l’autocorrélation
Preuve
I Toute matrice de var-cov est définie positive, doncYaussi
I Pour toute matrice définie positive, on peut définir une matrice carrée non-singulière non nécessairement uniqueP t.q.
P0P= 1
I On transforme le modèle :PY =PXb+Pe99KY⇤=X⇤b+e⇤
I ⌃e⇤=E⇣ e⇤e⇤0⌘
=E⇣
Pee0P0⌘
=PE⇣ ee0⌘
P0=s2P P0
I P P0=P⇣ P0P⌘ 1
P0=PP 1⇣ P0⌘ 1
P0 =I
I Donc⌃e⇤=s2I
I les données transformées ne sont plus autocorrélées
I EtE(e⇤) =0
I Donc MCO appliqué à ces données est efficient