vm=3onretient x3 ‘Recherche du coefficient.

de corrélation partielle le plus élevé, ayant retiré

l’influence de x3 : ' calcul der2 y x1.x3 ls y c x3 genr e3 = resid ls x1 c x3 genr e4 = resid scalar cp1 =
@cor(e3, e4)^2 scalar t1 = sqr(cp1/((1–cp1)/(@regobs–2))) ' ' calcul de r2 yx2.x3 ls y c x3 genr e5 =
resid ls x2 c x3 genr e6 = resid scalar cp2 = @cor(e5,e6)^2 scalar t2 = sqr(cp2/((1–cp2)/(@regobs–2)))
t2 > t1 onretient x2 'calcul de r2 yx1.x2x3 ls y c x2 x3 genr e7 = resid ls x1 c x2 x3 genr e8 = resid
scalar cp4 = @cor(e7,e8)^2 scalar t4 = sqr(cp4/((1–cp4)/(@regobs–2))) t4 = 1.525  NS, la procédure
est arrêtée.– 4) Stagewise regression Première étape : Coefficient de corrélation simple le plus élevé
(sélection x3), puis ls y c x3 genr e9 = resid for !i=1 to 3 scalar cs!i = @cor(x!i,e9)^2 scalar te!i = sqr(cs!
i/((1–cs!i)/(@regobs–2))) next cs2 > cs1 > sc3, et cs2 significativement  0 (te2 = 2.49 > 2.447) Régis
Bourbonnais- Logiciel Eviews- Page 13 donc on retient x2. ls y c x2 x3 genr e9 = resid for !i = 1 to 3
scalar cs!i = @cor(x!i,e9)^2 scalar te!i = sqr(cs!i/((1–cs!i)/(@regobs–2))) next Plus aucun coefficient
de corrélation n’est significatif, la procédure est arrêtée. Chapitre 5– Exercice 2 : Procédures
d’estimation en cas d’autocorrélation des erreurs 'Estimation directe de rau partir de la statistique de
DW : première méthode' ls y c x1 x2 x3 scalar rau1=1–@dw/2 genr dy = y–rau1*y(–1) 'On génére les
quasi–diff.' genr dx1 = x1–rau1*x1(–1) genr dx2 = x2–rau1*x2(–1) genr dx3 = x3–rau1*x3(–1)
equation eqm1.ls dy c dx1 dx2 dx3'Régression nommée eqm1' scalar am1 = c(1)/(1–rau1)
'Détermination du terme constant du modèle initial' 'estimation directe de rau partir d’une
régression sur les résidus : deuxième méthode' ls y c x1 x2 x3 genr res = resid ls res c res(–1) scalar
rau2 = C(2) genr dy = y–rau2*y(–1) 'On génère les quasi–diff.' genr dx1 = x1–rau2*x1(–1) genr dx2 =
x2–rau2*x2(–1) genr dx3 = x3–rau2*x3(–1) equation eqm2. ls dy c dx1 dx2 dx3 scalar am2 = c(1)/(1–
rau2) 'Méthode de Cochrane Orcutt' ls y c x1 x2 x3 genr res = resid for !i = 1 to 10 ‘On procède
arbitrairement à 10 itérations afin d’obtenir la stabilité des coefficients ls res c res(–1) scalar
rau3=c(2) genr dy = y–rau3*y(–1) genr dx1 = x1–rau3*x1(–1) genr dx2 = x2–rau3*x2(–1) genr dx3 =
x3–rau3*x3(–1) equation eqm3.ls dy c dx1 dx2 dx3 scalar am3 = c(1)*(1–rau3) genr res = (y–
(am3+c(2)*x1+c(3)*x2+C(4)*x3)) next 'Méthode dite de balayage : Hildreth-Lu' scalar scrf = 999999
'somme des carrés des résidus for !i = 1 to 99 scalar rau = !i/100 genr dy = y–rau*y(–1) genr dx1 = x1–
rau*x1(–1) genr dx2 = x2–rau*x2(–1) genr dx3 = x3–rau*x3(–1) ls dy c dx1 dx2 dx3 if scrf > @ssr then
Régis Bourbonnais- Logiciel Eviews- Page 14 scalar rau4 = rau scalar scrf = @ssr endif next genr dy =
y–rau4*y(–1) genr dx1 = x1–rau4*x1(–1) genr dx2 = x2–rau4*x2(–1) genr dx3 = x3–rau4*x3(–1)
equation eqm4.ls y c dx1 dx2 dx3 scalar am4 = c(1)/(1–rau4) Chapitre 5– Exercice 4 : Tests
d’hétéroscédasticité– Test de Goldfeld–Quant: Unevariable doit être la cause de
l’hétéroscédasticité. Nombred’observations doit être important Omettre C observations
centrales (C = partie entière de N/4). Ici n = 30, alors C = 7 ou 8. Programme 'calcul du nombre
d'observations à retirer (nm)' smpl 1 30 scalar !nobs = @obs(y) scalar nm = @ceiling(!nobs/4) scalar !
n1 = @ceiling((!nobs–nm)/2) smpl 1 !n1 ls y c x scalar scr1 = @ssr scalar ddl1 = @regobs–@ncoef
scalar !n2 = !n1 + nm + 1 smpl !n2 !nobs ls y c x scalar scr2 = @ssr scalar ddl2 = @regobs–@ncoef if
scr1>scr2 then scalar fe = (scr1/ddl1)/(scr2/ddl2) else scalar fe = (scr2/ddl2)/(scr1/ddl1) endif scalar
test = 0 if @fdist(fe, ddl1, ddl2) < 0.05 then test = 1 endif Conclusion: si test = 1, alors on rejette H0,
hypothèse selon laquelle le modèle est homoscédastique. Test de Gleisjer: Programme smpl 1 30
equation eq.ls y c x 'Régression sur le modèle de base. genr resa = abs(resid) equation eq1.ls resa c x '
Régression de la valeur absolue des résidus sur la variable genr xra = sqr(x) 'explicative supposée être
la cause de l’hétéroscédasticité. equation eq2.ls resa c xra ' Idem mais avec la racine carrée de la
variable explicative. genr xin = 1 / x equation eq3.ls resa c xin ' Idem mais avec l’inverse de la variable
explicative scalar proba = 1 for !I = 1 to 3 scalar te =@abs( eq!I.C(2)/sqr(eq!I.@covariance(2,2))) Régis
Bourbonnais- Logiciel Eviews- Page 15 scalar ddl = eq!I.@regobs– eq!I.@ncoef ' On retient la
probabilité critique la plus faible et le numéro de l’équation significative IF @tdist(te, ddl) < proba
then proba = @tdist(te, ddl) scalar ind = !I endif next ' correction de l'héteroscedasticité genr pon =
1 / sqr(x) 'ne pas oublier que la correction affecte aussi la constante. genr yp=y*pon genr xp=x*pon
equation pond1.ls yp xp pon ' Correction de l’hétéroscédasticité par une commande EVIEWS :
Régression pondérée genr pon = 1/sqr(x) equation pond.ls(w = pon) y c x ' On détruit de la workfile
les objets dont on n’a plus besoin delete eq xra xin resa ddl1 ddl2 ddl scr1 scr2 nm Conclusion :
L’hypothèse d’homoscédasticité est rejetée si les coefficients a1 des spécifications sont non
significatifs. Dans le cas contraire (hétéroscédasticité), on retient la forme dont le t de Student est le
plus élevé, ici la forme 2. Vérifier que les équations de régression pond1 et pond donnent les mêmes
résultats. Remarque : En mode interactif la correction de l’hétéroscédasticité est effectuée par une
commande EVIEWS : puis faire Option–, cliquer Weighted LS/TSLS et taper dans Weight le nom de la
variable de pondération (ici PON). Chapitre 6– Exercice 2 : Modèles non linéaires  Le modèle
logistique ' ' Question 3 ' tend = @trend(1978) scalar somcr=9999999 for !i=680 to 900 step 10 scalar
ymax=!i genr Y=log(ymax/taux–1) equation EQ.ls Y c tend y y br  max t 1 t if @ssr. Dans la fenêtre
affichée, Eviews propose le choix entre les trois modèles [1], [2], et [3] et le nombre de décalages
dans le cas d’un test DFA (si 0, alors on effectue le test DF). Le choix du décalage p peut être effectué
directement par application des critères d’informations de Akaike ou Schwarz. L’interprétation du
test est la suivante : Régis Bourbonnais- Logiciel Eviews- Page 18 Augmented Dickey–Fuller Unit Root
Test on CAC Null Hypothesis: CAC has a unit root Exogenous: Constant Lag Length: 0 (Fixed) t-Statistic
Augmented Dickey-Fuller test statistic Prob.*-1.805839 0.3779 Test critical values: 1%level 5%level-
3.435777-2.863824 10% level *MacKinnon (1996) one-sided p-values.-2.568037 Augmented Dickey-
Fuller Test Equation Dependent Variable: D(CAC) Method: Least Squares Sample (adjusted): 2 1160
Included observations: 1159 after adjustments Variable Coefficient CAC(-1) Std. Error t-Statistic
Prob.-0.007093 C 13.63563 0.003928 7.344864-1.805839 0.0712 1.856485 0.0636 Puisque la valeur
empirique (ADF Test Statistic–1.8058) est supérieure aux trois valeurs critiques à 10, 5 et 1%, et que
la probabilité critique est de 37,8 % alors on accepte l’hypothèse H0 d’une série non stationnaire.
Chapitre 9– Exercice 3 : Analyse des immatriculations en France Le programme permettant de
calculer la prévision à l’horizon de 12 mois est le suivant : ' Prévision du nombre d'immatriculations
en France SMPL86:01 95:12 ' Première étape Désaisonnalisation de la série ' série CVS = IMCVS et les
coefficients saisonniers = CS Immat.seas(M) IMCVS CS ' Stationnarisation de la série par différences
premières Genr DIMCVS = IMCVS–IMCVS(–1) ' Estimation du modèle ARMA Equation eq1.LS DIMCVS
MA(1) ' Prévision à l'horizon de 12 mois SMPL95:01 95:01 GENRIMCVSF=IMCVS(–1) +DIMCVSF
GENRIMMATF=IMCVSF*CS FOR!I = 2 TO12 SMPL95:!I 95:!I GENRIMCVSF=IMCVSF(–1) + DIMCVSF
GENRIMMATF=IMCVSF*CS NEXT Régis Bourbonnais- Logiciel Eviews- Page 19 Chapitre 10– Exercice 2
: Spécification, estimation et prévision d’un modèle VAR Sélectionner les deux séries y1 et y2, puis
choisir : Pour un modèle VAR simple on choisit l’option “UnRestricted”, l’autre est pour les modèles
ECM Le retard (p) du VAR est exprimé par le deuxième chiffre après la virgule, ici, p=1 Unrestricted
Vector Auto Regression Var Specification UnRestricted Vector Error Correction Series (Groups
Included) Endogenous: Y1 Y2 1 1 Sample 1978:1 1995:4 Lag Intervals (Range Pairs) Exogenous C On
inclue les variables endogène du système VAR, ici, Y1 et Y2 C laconstante et variables exogènes OK
Les résultats complets (estimations des coefficients, écarts types, critères AIC, SC, etc.) sont fournis.
L’option permet d’obtenir la représentation du modèle VAR. : y1,t = 0,00676 * y1,t–1– 0,6125 * y2,t–
1 + 17,129 y2,t =–0,1752 * y1,t–1 + 0,2992 * y2,t–1– 12,862 Le programme permettant de calculer la
prévision assortie de son écart type est les suivant : Expand 78:1 96:4 Var Var1.Ls 1 1 Y1 Y2
var1.makemodel(model1) @ALL F 'Calcul de la prévision ' smpl 96:1 96:4 Model1.SOLVE smpl 78:1
95:4 'Calcul des écart–types de l'erreur de prévision pour les ' périodes 1, 2, 3 et 4 VAR1.MAKERESID
MATRIX(2, 2) VC MATRIX(2, 2) A MATRIXSIG1 MATRIXSIG2 MATRIXSIG3 MATRIXSIG4 A(1,1) =
Var1.C(1,1) A(1,2) = Var1.C(1,2) A(2,1) = Var1.C(2,1) A(2,2) = Var1.C(2,2) FOR!I = 1 TO2 FOR!J = 1 TO2
VC(!I, !J) = @cov(RESID0!I, RESID0!J) NEXT !J NEXT !I SIG1 = VC SIG2 = VC+A*VC*@TRANSPOSE(A)
Régis Bourbonnais- Logiciel Eviews- Page 20 SIG3 = VC+A*VC*@TRANSPOSE(A)
+A*A*VC*@TRANSPOSE(A*A) SIG4 = VC+A*VC*@TRANSPOSE(A)+ A*A*VC*@TRANSPOSE(A*A)+
A*A*A*VC*@TRANSPOSE(A*A*A) DELETE RESID01 RESID02 AVCmodel1 ' ' Calcul de l'intervalle de
prévision ' for !I=1 TO 4 smpl 96:1 96:!I GENRICPY1 =Y1F+1.96*sqr(SIG!I(1,1)) GENRICPY2
=Y2F+1.96*sqr(SIG!I(2,2)) GENRICMY1=Y1F–1.96*sqr(SIG!I(1,1)) GENRICMY2=Y2F–1.96*sqr(SIG!
I(2,2)) next smpl 78:1 96:4 Calcul de la prévision par Eviews Etape n°1) Modifier et puis dans le
modèle VAR estimé Etape n°2) SMPL : sur la période connue et Régis Bourbonnais- Logiciel Eviews-
Page 21 Etape n°3 SMPL : sur la période prévue et Chapitre 10– Exercice 3 : Analyse d’une fonction
de réponse impulsionnelle et décomposition de la variance Dans la fenêtre des résultats d’estimation
du modèle VAR, sélectionner : Appliquer les chocs aux variables suivantes Choix de la corrélation
contemporaine : Ici un choc sur Y1 influence Y2et non réciproquement) Choix du type de sortie :
Table (valeurs numériques) ou Graphique Choc sur Y1 puis sur Y2 Dof adjusted : les variances et
covariances sont divisés par n- 1 Régis Bourbonnais- Logiciel Eviews- Page 22 Chapitre 10– Exercice
4 : Tests de causalité Programme : ' ' Test de causalité de Granger ' equation EQU1.LS Y1 C Y1(–1)
Y2(–1) scalar SCRU1 = @SSR scalar NDLU1 = @REGOBS–@NCOEF equation EQR1.LS Y1 C Y1(–1) scalar
SCRR1 = @SSR scalar NDLR1 = @REGOBS–@NCOEF SCALARF1N=(SCRR1–SCRU1)/(NDLR1– NDLU1)
SCALARF1D=SCRU1/NDLU1 SCALARF1=F1N/F1D equation EQU2.LS Y2 C Y1(–1) Y2(–1) scalar SCRU2 =
@SSR scalar NDLU2 = @REGOBS–@NCOEF equation EQR2.LS Y2 C Y2(–1) scalar SCRR2 = @SSR scalar
NDLR2 = @REGOBS–@NCOEF SCALARF2N=(SCRR2–SCRU2)/(NDLR2– NDLU2)
SCALARF2D=SCRU2/NDLU2 SCALARF2=F2N/F2D delete SCRU1 SCRU2 SCRR1 SCRR2 F1N F2N F1D
F2DNDLU1 NDLR1NDLU2NDLR2 ' ' Test de causalité de GRANGER PAR CHI2 '' EQUATIONEQ1U.LS Y1
CY1(–1) Y2(–1) GENREU1=RESID EQUATIONEQ2U.LS Y2 CY1(–1) Y2(–1) GENREU2=RESID MATRIX(2,2)
GU GU(1,1) = @COV(EU1,EU1) GU(1,2) = @COV(EU1,EU2) GU(2,1) = @COV(EU2,EU1) GU(2,2) =
@COV(EU2,EU2) scalar LU = log(@det(GU)) EQUATIONEQ1R.LS Y1 CY1(–1) GENRER1=RESID
MATRIX(2,2) GR1 GR1(1,1) = @COV(ER1,ER1) GR1(1,2) = @COV(ER1,EU2) GR1(2,1) = @COV(EU2,ER1)
GR1(2,2) = @COV(EU2,EU2) scalar LR1 = log(@det(GR1)) scalar LE1 = 70*(LR1–LU) EQUATIONEQ2R.LS
Y2 CY2(–1) GENRER2=RESID MATRIX(2,2) GR2 GR2(1,1) = @COV(EU1,EU1) GR2(1,2) =
@COV(EU1,ER2) GR2(2,1) = @COV(ER2,EU1) GR2(2,2) = @COV(ER2,ER2) scalar LR2 = log(@det(GR2))
scalar LE2 = 70*(LR2–LU) ' Test de causalité de SIMS ' SMPL78:2 95:3 equation EQU1.LS Y1 C Y1(–1)
Y2(–1) Y2(1) scalar SCRU1 = @SSR Régis Bourbonnais- Logiciel Eviews- Page 23 scalar NDLU1 =
@REGOBS–@NCOEF equation EQR1.LS Y1 C Y1(–1) Y2(–1) scalar SCRR1 = @SSR scalar NDLR1 =
@REGOBS–@NCOEF SCALARF1N=(SCRR1–SCRU1)/(NDLR1– NDLU1) SCALARF1D=SCRU1/NDLU1
SCALARFS1 =F1N/F1D equation EQU2.LS Y2 C Y1(–1) Y2(–1) Y1(1) scalar SCRU2 = @SSR scalar NDLU2
= @REGOBS–@NCOEF equation EQR2.LS Y2 C Y1(–1) Y2(–1) scalar SCRR2 = @SSR scalar NDLR2 =
@REGOBS–@NCOEF SCALARF2N=(SCRR2–SCRU2)/(NDLR2– NDLU2) SCALARF2D=SCRU2/NDLU2
SCALARFS2 =F2N/F2D delete SCRU1 SCRU2 SCRR1 SCRR2 F1N F2N F1D F2DNDLU1
NDLR1NDLU2NDLR2 Chapitre 11– Exercice 2 : Tests de cointégration Test de Johansen de
cointégration : Sélection des trois variables : Y1 Y2 Y3 puis , puis choix du modèle avec Constante et
sans tendance (Option 3). Sample: 1 30 Included observations: 28 Test assumption: Linear
deterministic trend in the data Series: Y1 Y2 Y3 Lags interval: 1 to 1 Likelihood Eigenvalue Ratio 5
Percent Critical Value 1 Percent Critical Value Hypothesized No. of CE(s) 0.603749 0.229311 0.138550
37.38888 11.46904 4.175870 29.68 15.41 3.76 35.65 20.04 6.65 None ** At most 1 At most 2 * *(**)
denotes rejection of the hypothesis at 5%(1%) significance level L.R. test indicates 1 cointegrating
equation(s) at 5% significance level Chapitre 12– Exercice 1 : Estimation de Probit et Logit Pour
estimer le modèle de type Logit, nous prenons les options suivantes sous Evieuws Régis Bourbonnais-
Logiciel Eviews- Page 24 Pour obtenir la table des valeurs prédites : Question 3) Après avoir modifié
le et le (1- 61) puis renseigné les valeurs prévues des variables explicatives, le calcul de la prévision
est effectué comme pour le modèle de régression. Chapitre 12– Exercice 2 : Estimation d’un modèle
à choix multiples Question 1) Régis Bourbonnais- Logiciel Eviews- Page 25 Pour obtenir la table des
valeurs prédites : Question 2) La prévision est calculée en deux étapes : Puis une fois le modèle créé :
Les prévisions sont dans les séries : ventes_0_0 ventes_1_0 ventes_2_0 Chapitre 13– Exercice 1
Estimation du modèle en panel avec effets fixes individuels Régis Bourbonnais- Logiciel Eviews- Page
26 Chapitre 13– Exercice 2 Estimation du modèle à effets aléatoires individuels : Régis Bourbonnais-
Logiciel Eviews- Page 27 RégisBourbonnais-LogicielEviews-Page28
Statistiquesissuesd’uneéquationderégression
Pardéfaut,cesstatistiquesfontréférencesàladernièreéquationderégressionutilisée;
cependant,cesfonctionspeuventêtreprécédéesdunomdel’équationderégression:
vente@R2,renvoielavaleurducoefficientdedéterminationdel’équationderégression
portantlenomvente. @R2 R2statistic @RBAR2 adjustedR2statistic @SE standarderroroftheregression
@SSR sumofsquaredresiduals @DW Durbin–Watsonstatistic @F F–statistic @LOGL valueofthelog–
likelihoodfunction @REGOBS numberofobservationsinregression @AIC AkaikeInformationCriterion
@SC SchwartzCriterion @MEANDEP meanofthedependentvariable @SDDEP
standarddeviationofthedependentvariable @NCOEF totalnumberofestimatedcoefficients
@COVARIANCE(i,j) covarianceofcoefficientsiandj. @RESIDCOVA(i,j)
covarianceofresidualsfromequationiwiththoseinequationjinaVARorsystem
object.@RESIDCOVAmustbeprecededwithanamedobject,i.e.VAR1.@RESIDCOVA(2,2)
Opérateursetfonctionsusuels + add–subtract * multiply / divide ^ raisetothepower >
greaterthan;X>Yhasthevalue1ifXexceedsYandzerootherwise. < lessthan;X<>
notequal;X<>Yhasthevalue1ifXdiffersfromYandzerootherwise <=
lessthanorequal;X<=YhasthevalueoneifXdoesnotexceedYandzerootherwise >=
greaterthanorequal;X>=Yhasthevalue1ifXisgreaterthanorequaltoY AND
logicalAND;XANDYhasthevalue1ifbothXandYarenonzero OR
logicalOR;XORYhasthevalueoneifXorYisnonzero D(X) firstdifferenceofX,X–X(–1) D(X,n) n–
thorderdifferenceofX:,whereListhelagoperator D(X,n,s) n–
thorderordinarydifferencingandaseasonaldifferenceatlags: LOG(X) naturallogarithm DLOG(X)
changeinthenaturallogarithm,LOG(X)–LOG(X(–1)) DLOG(X,n) n–
thorderlogdifferenceofX:LOG(X),whereListhelagoperator DLOG(X,n,s) n–
thorderlogdifferencingandaseasonaldifferenceatlags:LOG(X) EXP(X) exponentialfunction ABS(X)
absolutevalue SQR(X) squareroot SIN(X) sine COS(X) cosine @ASIN(X) arcsine @ACOS(X) arccosine
RND uniformlydistributedrandomnumberbetweenzeroandone NRND
normallydistributedrandomnumberwithzeromeanandvarianceofone @PCH(X)
percentchange(decimal), (X–X(–1))/X(–1) @INV(X) inverseorreciprocal,1/X @DNORM(X)
standardnormaldensity @CNORM(X) @LOGIT(X) @FLOOR(X) @CEILING(X) @SUM(X) @MEAN(X)
@VAR(X) @SUMSQ(X) @OBS(X) @COV(X,Y) @COR(X,Y) @CROSS(X,Y) @MOVAV(X,n)
@MOVSUM(X,n) @TREND(d) @SEAS(d) @DNORM(X) @CNORM(X) @TDIST(X, d) @FDIST(X, n, d)
@CHISQ(X, d) cumulative normal distribution logit of X: convert to integer by rounding down; returns
the largest integer not greater than X convert to integer by rounding up; returns the smallest integer
not less than X Calcul d’un scalaire à partir d’une série sum of X mean of X variance of X sum of
squared X number of valid observations in X covariance between X and Y correlation between X and Y
cross product of X and Y Fonctions diverses n period moving average of X, where n is an integer n
period moving sum of X, where n is an integer time trend variable normalized to be zero in period d,
where d is a date or observation number seasonal dummy equal to one when the quarter or month
equals d and zero otherwise. Lois de probabilité standard normal density function of X standard
cumulative normal distribution function of X Probability that a t–statistic exceeds X with d degrees of
freedom Probability that an F–statistic exceeds X with n numerator degrees of freedom and d
denominator degrees of freedom Probability that a Chi–squared statistic exceeds X with d degrees of
freedo