Traitement des données et Méthode d’analyse
Le traitement et l’analyse des données se déroulent suivant les étapes développées par
Regis Bourbonnais dans son livre Econométrie.
▪ Etudes de stationnarité des séries
Avant le traitement d’une série chronologique, il convient d’en étudier les
caractéristiques stochastiques. Si ces caractéristiques, c’est-à-dire son espérance et sa
variance se trouvent modifier dans le temps, la série chronologique est considérée
comme non stationnaire ; dans le cas d’un processus stochastique invariant, la série
temporelle est alors stationnaire. De manière formalisée, le processus stochastique yt
est stationnaire si :
- E (yt) = E (yt+m) = μ ∀t et ∀m, la moyenne est constante et indépendante du temps ;
- Var (yt) < ∞ ∀t, la variance est finie et indépendante du temps ;
- Cov (yt, yt+k) = E [(yt − μ) (yt+k − μ)] = γk, la covariance est indépendante du temps.
Il apparaît, à partir de ces propriétés, qu’un processus de bruit blanc (une suite de
variables aléatoires de même distribution et mutuellement indépendantes) ɛt dans lequel
les ɛt sont indépendants et de même loi N (0, σ 2 ε) est stationnaire.
Une série chronologique est donc stationnaire si elle est la réalisation d’un processus
stationnaire. Ceci implique que la série ne comporte ni tendance, ni saisonnalité et plus
généralement aucun facteur n’évoluant avec le temps.
▪ Cointégration et modèle à correction d’erreur
Etape 1 : tester l’ordre d’intégration des variables Le traitement de séries
chronologiques longues impose de tester une éventuelle cointégration entre les
variables. En effet, le risque d’estimer des relations « fallacieuses » et d’interpréter les
résultats de manière erronée est très élevé. Une condition nécessaire de cointégration
est que les séries doivent être intégrées de même ordre. Si les séries ne sont pas
intégrées de même ordre, elles ne peuvent pas être cointégrées. Il convient donc de
déterminer très soigneusement le type de tendance déterministe ou stochastique de
chacune des variables, puis l’ordre d’intégration des chroniques étudiées. Si les séries
statistiques étudiées ne sont pas intégrées de même ordre, la procédure est arrêtée, il
n’y a pas de risque de cointégration.
Soit : xt → I (d) et yt → I (d)
Etape 2 : estimation de la relation de long terme Si la condition nécessaire est vérifiée,
on estime par les MCO la relation de long terme entre les variables : yt = a1 xt + a0 + εt.
Pour que la relation de cointégration soit acceptée, le résidu et issu de cette régression
doit être stationnaire : et = yt – â1 xt – â0.
La stationnarité du résidu est testée à l’aide des tests de Dickey-Fuller et Dickey-Fuller
Augmenté. Dans ce cas, nous ne pouvons plus utiliser les tables de Dickey et Fuller. En
effet, le test porte sur les résidus estimés à partir de la relation statique et non pas sur
les « vrais » résidus de la relation de cointégration. McKinnon (1991) a donc simulé des
tables qui dépendent du nombre d’observations et du nombre de variables explicatives
figurant dans la relation statistique. Si le résidu est stationnaire nous pouvons alors
estimer le modèle à correction d’erreur.
- Estimation par les MCO de la relation de long terme
- Estimation par les MCO de la relation du modèle dynamique (court terme) :
Δyt = α1 Δxt + α2 et–1 + ut α2< 0
Le coefficient α2 (force de rappel vers l’équilibre) doit être significativement négatif ;
dans le cas contraire, il convient de rejeter une spécification de type MCE. En effet, le
mécanisme de correction d’erreur (rattrapage qui permet de tendre vers la relation de
long terme) irait alors en sens contraire et s’éloignerait de la cible de long terme. La
procédure en deux étapes conduit à une estimation convergente des coefficients du
modèle et les écarts types des coefficients peuvent s’interpréter de manière classique.
▪ Test de causalité de granger
Au niveau théorique, la mise en évidence de relations causales entre les variables
économiques fournit des éléments de réflexion propices à une meilleure compréhension
des phénomènes économiques. De manière pratique, « the causal knowledge » est
nécessaire à une formulation correcte de la politique économique. En effet, connaître le
sens de la causalité est aussi important que de mettre en évidence une liaison entre des
variables économiques.
Granger (1969) a proposé les concepts de causalité et d’exogénéité : la variable y2t est
la cause de y1t, si la prédictibilité de y1t est améliorée lorsque l’information relative à y2t
est incorporée dans l’analyse.
▪ Test de normalité
Pour calculer des intervalles de confiance prévisionnels et aussi pour effectuer les tests
de Student sur les paramètres, il convient de vérifier la normalité des erreurs. Le test de
Jarque et Bera (1984), fondé sur la notion de Skewness (asymétrie) et de Kurtosis
(aplatissement), permet de vérifier la normalité d’une distribution statistique.
Au seuil de 5%,
- On accepte l’hypothèse de normalité dès que la valeur de probabilité est supérieure à
0.05.
- On rejette l’hypothèse de normalité dès que la valeur de probabilité est inférieure ou
égale à 0.05.
▪ Test d’autocorrélation
Nous avons réalisé le test de Breusch-Godfrey (1978) pour vérifier si les erreurs sont
auto corrélée ou non. Ce test est fondé sur un test de Fisher de nullité de coefficients ou
de Multiplicateur de Lagrange et permet de tester une autocorrélation d’un ordre
supérieur à 1 qui reste valide en présence de la variable dépendante décalée en tant
que variable explicative. L’idée générale de ce test réside dans la recherche d’une
relation significative entre le résidu et ce même résidu décalé.
▪ Test de White Pour tester une hétéroscédasticité éventuelle des erreurs, nous avons
effectué le test de White. Il est fondé sur une relation significative entre le carré du
résidu et une ou plusieurs variables explicatives en niveau et au carré au sein d’une
même équation de régression.
H0 : Modèle homoscédastique (si les deux prob-chi-square(8) > 5%)
H1 : Modèle hétéroscédastique (si les deux prob-chi-square(8) < 5%)
▪ Test de CUSUM Fondés sur la dynamique de l’erreur de prévision. L’idée générale de
ce test est d’étudier l’évolution au cours du temps de l’erreur de prévision normalisée,
on appelle résidu récursif cette succession d’erreur de prévision calculée en t – 1 pour t.
Lorsque la courbe sort du corridor, les coefficients du modèle sont instables. Ce test
permet de détecter les instabilités structurelles des équations de régression au cours du
temps ; après avoir estimé les paramètres par la méthode des MCO.
