Tsset date pour definir la variable
Dans le series temporelle on doit toujours faire des graohiques :
Twoway (line cac date)
ac cac,level(95) lag(15)
Qui est en zone grise et l’intervalle de confiance marge d’erreur 95%
Graphique d’autocorrelation de CAC40
On n a pas une visiblité tres claire d’où on fait le tableau :
AC : Autocorelation entre l’ensemble des variables
PAC : Partiel autocorrelation entre deux variables succesive
PAC ken loula, les autres sont stable la serie est stationnaire a l’ordre 1
C’est une DS on a une tendance qui n’est pas stationnaire du retard 1
LAG 15 Q la valeur calculé p<5%
Le processus CAC40 n’est pas un bruit blanc
Number of observation 1159 kenet 1160
Houni 3anna t-1 var retardée d’où 1159
Valeur critique :
Coef de la tendance n’est pas significative : 0.0021028 et P>lTl= 26.8%
n’est pas significative on rejette H0 l’hypthese d’un processus TS
La stat du test CAC -2.054 > -3.960 on accepte H0
il y a une racine unitaire on passe au modele 2
On supprime la cac Car elle n’est pas significative :
La constante n’est pas significative a 5%> 0.064
Il n’y a pas de derive
-1.806 > -3.430 -2.860 -2.570
Il y a une racine unitaire
On n’a ni constante, ni trend
0.537 > -2.580 -1.950 -1.620
Il y a une valeur unitaire
Il y a un probleme de racine unitaire , la série n’est pas stationnaire
Test de pelix Perron :
Z(rho) -11.033 > -29.500 -21.800 -18.300
Z(t) -2.197 > -3.960 -3.410 -3.120
Z(t) = 0.4913> 5% on accepte H0
La série n’est pas stationnaire.
Trend n’est pas significative on accepte H0
Z(t) = 0.3095>5% on accepte H0 la série n’est pas stationnaire
Test Kpss :
10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216
La série n’est pas stationnaire
Test Jack bera :
Si elle est ou non normalement distribuée
Puisqu’elle n’est pas stationnaire on fais une difference premiere
gen Dcac=[Link]
Pas d’autocorrélation
P-value=0
H0 : normalement distribué
On rejette H0
n’est pas normalement distribué
La série n’est pas symétrique
Le processus CAC40 en différence est donc un bruit blanc non gaussien
Analyse des fonctions d’autocorrélation:
Exercice ARIMA
Le coefficient AR est significative ay seuil de 1% par contre le coefficient MA n’est pas
siginificative
Sigma = ecart type estimé n’est pas significative 0.499>>>> 10%
ce modele ne peut pas etre utlisé en difference premiere
Log liklyhood -135.3513 tres suffisament élevé maximum de vrai semblance assez élevé
Les criteres du retard on va utliser les criteres AIC et BIC on choisi la valeur la plus faible
La serie n’est pas stationnaire on remarque A la lecture du corrélogramme (décroissance lente
de AC) le processus n'est pas stationnaire.
On fait des test
Dans la mesure où (pp-stat=-2,148 > -3.434 (5%). On accepte l'hypothèse de racine unitaire.
* Dès lors pour savoir si le coefficient de la tendance est significatif on ne peut plus utiliser student.
* Il faut utiliser la table fournie dans l'ouvrage (Table 7 : DF)
* Pour le coefficient du trend on obtient t de student =1.86 <3.12 (5%) : le trend n'est pas significatif
(il ne l'est pas même à 10%). * Il faut donc estimer le modèle 2
* Dans la mesure où (pp-stat=0.307 >-2.882 (5%). On accepte l'hypothèse de racine unitaire.
* Dès lors savoir si le coefficient de la dérive est significatif on ne peut plus utiliser student.
* Il faut utiliser la table fournie dans l'ouvrage (Table 7 : DF)
* Pour le coefficient de la dérive on obtient t=4.17 >2.84 (5%) : La dérive est significative
* Nous avons un processus non stationnaire avec dérive. Nous n'avons pas repéré de trend c'est
donc un processus DS
* Pour rendre la série stationnaire nous pouvons la passer en différence première (D.x1)
N'est pas stable n’est pas stationnaire
Il ne s'agit pas d'une marche au hasard, la Q stat nous indique que c'est bien un processus à
mémoire il a donc une représentation
* ARMA possible.
* Recherche des ordre q et p du arma. Ici on est dans une procédure à tâtons où le corrélagramme
indique que l'on peut tenter ARMA(1,1),
* ARMA (2,1). Les critères AIC étant les plus faibles pour ARMA(2,1).
* On tente alors cette représentation (sur la variable en différence première)
Bech nakhtar elli 3andha BIC walla aic le plus elevé pour
La constante est bien significative comme les autres coefficients. Nous allons à présent validé la
représentation
Il m’ya pas d’autocorrelation des erreur
Le correlogramme du residu indique que c’est bien un processus sans mémoire
Aucun terme n’est significative les residus sont homoscedastiques
Test Jeck bera :
La statistique jB=1.906 affiche une probabilité critique de 0.38. Les résidus sont normaux
Comme il a suffit de différencier une fois x1 pour rendre le processus stationnaire nous validons un
processus ARIMA (2,1,1)
Un var stable : stationnaire
Un var stationnaire n’est pas toujours stable
On vérifie la stationnarité des variables intégrées dans le VAR.
Il faut définir la longueur des retards p=?
On definie le lag optimal il ne doit pas depasser 4
Varbasic xt zt wt, lag(4)
estatic
varbasic xt zt wt, lag(3)
estatic
varsoc xt zt wt
2 critères donnent un seul retard et un critere donne 2 retards
Fel lag 1 significative
Lag 2 significative
Lag 3 > 10% donc on s’arrete on previligie le modele a 2 retards
Il faut vérifier la stabilité du var(2)
Les variables sont a l’interieur du cercle
La variable est stable
la serie est stationnaire
On va trouver de bon resultats econometriques
Les résidus bruits blancs:
Toutes les probabilités sont >5% on peut accepter H0.
Il y a absence d’autocorrelationdes résidus
Ici on accepte Ho que cela pour 1 ou 2 lags
On fait un test Jarque Bera pour vérifier la normalité:
On estime le var
varbasicdln_invdln_incdln_consump, lag(1,2)
Puis on code:
Varnorm
2 test sur 3 n’est pas normalement distribué
var dlinvestment dlincome,exog(dlconsumption) lag(1,2)
H0 : le coefficient de la variable est nulle
Ici on rejeteH0: on accepte la significativité de la variable exogène
Pour tester la causalité entre les variables on code vargranger. Dans le cadre de notre
exemple:
Le revenue n’explique pas l’investissment 0.757>5%
Irf graph oirf, impulse(dln_inc)response(dln_incdln_inv)
Le revenu est expliqué par la consommation et investissement
Décomposition de variance et les graphiques
Ki yabda 3anna un mvt de choc jey mel temps et non pas des autres variables
Oirf mm si on a un probleme d’othogonalité on peut le corrigé
Ki naamlou un choc qui evolue d’une manière differente ifr
Dans le cas ou la serie est non stationnaire
irf graph fevd, impulse(dlincome) response(dlincome dlinvestment)
