MODELE A CORRECTION D ERREUR ET APPLICATIONS

Dimension: px
Commencer à balayer dès la page:

Download "MODELE A CORRECTION D ERREUR ET APPLICATIONS"

Transcription

1 MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques et Financières, Economica. I. COINTEGRATION ET MODELES A CORRECTION D ERREUR I.1 COINTEGRATION Soient 2 variables x t et y t indépendantes l une de l autre et suivant chacune une marche aléatoire : x t = x t-1 + ε t et y t = y t-1 + ε t. (1) Ces 2 variables sont non stationnaires (ici on a y t ~> I(1), x t ~> I(1) car il suffit de les différencier une seule fois pour les rendre stationnaires). Elles sont non stationnaires car lorsque l on procède par récurrence, on a par exemple pour y t : y 1 = y 0 + ε 1 y 2 = y 1 + ε 2 = y 0 + ε 1 + ε 2 y t = y 0 + i=1 t ε i où ε i ~> iid(0, σ 2 ε) Ce processus est non stationnaire car on a : Var(y t ) = Var t t ε i = i=1 i=1 t Var(ε i ) = σ 2 ε = t σ 2 ε. (2) i=1 On constate que la variance du processus y t dépend du temps t : plus t et plus Var(y t ). Définition de la stationnarité : Un processus y t est stationnaire si les conditions suivantes sont vérifiées : 1

2 1. E(y t ) est indépendante de t 2. var(y t ) est une constante finie indépendante de t 3. cov(y t, y t-1 ) est une fonction finie de k ne dépendant pas de t. Lorsque l on régresse à l aide des MCO le modèle suivant comprenant les 2 variables non stationnaires : on obtient : y t = ax t + b + ε t (3) y t - ax t - b = ε t ~> I(1). (4) ε t ~> I(0), ε t n est donc pas stationnaire (il y a ici autocorrélation des erreurs car le DW est très faible). De manière générale, si x t et y t sont des séries I(d) alors en général la combinaison linéaire ε t = y t - ax t b est aussi I(d). En outre, la régression effectuée est dite fallacieuse ou illusoire ("spurious regression"). Elle est caractérisée par un R² et des t de Student très élevés alors que les deux variables n ont aucun lien entre elles! Pour éviter ce problème, on peut effectuer la régression sur des variables en différence première qui sont stationnaires ( y t ~> I(0) et x t ~> I(0) si y t ~> I(1), x t ~> I(1)) : y t = α x t + β + µ t. (5) On obtiendrait : y t - α x t - β = µ t ~> I(0). (6) Toutefois, il arrive que l on souhaite travailler avec des variables plutôt en niveau qu en différence première (donc plutôt avec des variables non stationnaires). Dans ce cas, comment régresser des variables non stationnaires et savoir si la régression obtenue n est pas fallacieuse? C est alors qu intervient la notion de cointégration. Nous n avons pas de régression fallacieuse lorsque les variables x t et y t sont cointégrées, c est à dire lorsque l on a y t - ax t - b = ε t ~> I(0) alors que y t ~> I(1) et x t ~> I(1). Granger a montré que si on avait deux variables non stationnaires (y t ~> I(1) et x t ~> I(1)), on pouvait avoir : y t - ax t - b = ε t ~> I(1) (7) ou y t - ax t - b = ε t ~> I(0)! (8) L idée sous-jacente de la cointégration est la suivante : à court terme, x t et y t peuvent avoir une évolution divergente (elles sont toutes les deux non stationnaires) mais elles vont évoluer ensemble à long terme. Il existe alors une relation stable à long terme entre x t et y t. La relation de long terme ou relation de cointégration est donnée par y t = ax t + b. 2

3 Définition de la cointégration : Deux séries non stationnaires (y t ~> I(1) et x t ~> I(1)) sont dites cointégrées si on a : y t - ax t - b = ε t ~> I(0). (9) Les séries y t et x t sont alors notées : x t, y t ~> CI(1,1). (10) De manière générale, si x t et y t sont deux séries I(d) alors il est possible que la combinaison linéaire ε t = y t - ax t - b ne soit pas I(d) mais I(d-b) où b est un entier positif (avec 0 < b d). Le vecteur (1 -a -b) est appelé "vecteur de cointégration". Les séries sont alors cointégrées (x t, y t ~> CI(d,b)). Les conditions de cointégration : Deux séries x t et y t sont dites cointégrées si les deux conditions suivantes sont vérifiées : 1. elles sont intégrées d ordre d ; 2. la combinaison linéaire de ces 2 séries permet de se ramener à une série d ordre d intégration inférieur. Afin de vérifier si la régression effectuée sur des variables non stationnaires ne sera pas fallacieuse, il faut d abord réaliser un test de cointégration. I.2 COINTEGRATION ENTRE DEUX VARIABLES : L APPROCHE DE ENGLE ET GRANGER (1987) a) Test de cointégration Etape 1 : tester l ordre d intégration des deux variables : 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 être cointégrées. Il convient donc de vérifier l ordre d intégration des chroniques étudiées à l aide par exemple du test de Dickey-Fuller (simple ou augmenté). Si les séries considérées ne sont pas intégrées de même ordre, il n y a alors pas de risque de cointégration et la procédure s arrête à cette première étape. Etape 2 : estimation de la relation de long terme 3

4 Si on a : x t ~> I(1) et y t ~> I(1). On estime par les MCO la relation de long terme : y t = ax t + b + ε t. (11) Pour qu il y ait cointégration, il faut que le résidu e t issu de la régression soit stationnaire : e t = y t âx t b ˆ ~> I(0). (12) La stationnarité du résidu est testée à l aide du test de Dickey-Fuller (simple ou augmenté). On remarque ici que la relation porte sur les résidus estimés et non pas sur les «vrais» résidus de l équation de cointégration. Par conséquent, nous ne pouvons pas nous référer aux tables de Dickey-Fuller pour mener le test de stationnarité. Il faut regarder ici les tables de MacKinnon. Si le résidu est stationnaire nous pouvons alors estimer un modèle appelé modèle à correction d erreur (MCE) qui intègre les variables en variation et en niveau (le théorème de la représentation de Granger met en évidence le lien entre cointégration et modèle à correction d erreur). L emploi d un modèle à correction d erreur dans le cas de la cointégration permet d obtenir des prévisions plus fiables que si on avait utilisé la relation de long terme car les résultats de l estimation de cette relation sont faussés par la non stationnarité des séries. b/ Modèle à correction d erreur Si on a deux séries cointégrées (y t âx t d erreur (MCE) suivant : bˆ ~> I(0)), on peut estimer le modèle à correction y t = γ x t + δ(y t-1 ax t-1 b) + υ t avec δ < 0. (13) On peut remarquer que le paramètre δ doit être négatif pour qu il y ait un retour de y t à sa valeur d équilibre de long terme qui est (ax t-1 + b). En effet, lorsque y t-1 est supérieur à (ax t-1 + b), il n y a une force de rappel vers l équilibre de long terme que si δ < 0. Le MCE permet de modéliser conjointement les dynamiques de court terme (représentées par les variables en différence première) et de long terme (représentées par les variables en niveau). La dynamique de court terme s écrit : y t = α 0 + α 1 y t-1 + α 2 x t + α 3 x t-1 + υ t (14) La dynamique de long terme s exprime de la manière suivante : y t = ax t + b + ε t (15) 4

5 car à long terme, on a y t-1 = y t, x t-1 = x t et la dynamique de court terme devient à long terme : y t = α 0 + α 1 y t + α 2 x t + α 3 x t + υ t (16) D où (1- α 1 )y t = (α 2 + α 3 )x t + α 0 + υ t (17) y t = ax t + b + ε t (18) avec a = α 2 + α 3 1- α 1, b = α 0 1- α 1, ε t = υ t 1- α 1. Le MCE s obtient à partir de la dynamique de court terme : y t = α 0 + α 1 y t-1 + α 2 x t + α 3 x t-1 + υ t (19) y t y t-1 = α 0 + α 1 y t-1 - y t-1 + α 2 x t - α 2 x t-1 + α 2 x t-1 + α 3 x t-1 + υ t (20) y t = (α 1-1)y t-1 + α 2 (x t -x t-1 ) + α 0 + (α 2 +α 3 )x t-1 + υ t (21) y t = -(1-α 1 )y t-1 + α 2 (x t -x t-1 ) + α 0 + (α 2 +α 3 )x t-1 + υ t (22) α 0 y t = -(1-α 1 ) y t-1 - α 2 + α 3 x t-1-1- α + α 2 x t + υ t (23) 1 1- α 1 y t = γ x t + δ(y t-1 ax t-1 b) + υ t (24) où α 2 = γ, δ = -(1-α 1 ), a = α 2 + α 3 α et b = α 1 1- α 1 c/ Estimation du MCE avec une seule variable explicative Si les séries Y t et X t sont cointégrées : x t, y t ~> CI(1,1) nous pouvons estimer le MCE. Etape 1 : estimation par les MCO de la relation de la relation de long terme : y t = ax t + b + ε t. (25) Etape 2 : estimation par les MCO de la relation du modèle dynamique de court terme : y t = γ x t + δe t-1 + υ t avec δ < 0 (26) 5

6 où e t = y t âx t bˆ. Le coefficient δ doit être significativement négatif. Dans le cas contraire, la spécification de type MCE n est pas valable. L inconvénient de la méthode de Engle et Granger (1987) est qu elle ne permet pas de distinguer plusieurs relations de cointégration. En effet, si on étudie simultanément N variables avec N > 2, on peut avoir jusqu à (N-1) relations de cointégration. La méthode de Engle et Granger (1987) ne nous permet d obtenir qu une seule relation de cointégration. Afin de pallier cette difficulté, Johansen (1988) a proposé une approche multivariée de la cointégration fondée sur la méthode du maximum de vraisemblance. I.2 COINTEGRATION ENTRE PLUSIEURS VARIABLES : L APPROCHE DE JOHANSEN (1998) a) Test de cointégration Considérons un vecteur X t contenant N variables ~> I(1). La représentation VAR(p) de X t est : X t = A 1 X t A p X t-p + ε t avec ε t ~> N(0,Σ) (27) (N,1) (N,N) (N,1) (N,N) (N,1) (N,1) Exemple : un modèle VAR(2) composé de 3 variables (x 1t, x 2t et x 3t ) pour X t avec p = 2 retards : X t = A 1 X t-1 + A 2 X t-2 + ε t (28) x 1t x 2t x 3t = a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 x 1t-1 x 2t-1 x 3t-1 + a 14 a 15 a 16 x 1t-2 a 24 a 25 a 26 a 34 a 35 a 36 x 2t-2 + x 3t-2 ε 1t ε 2t. ε 3t car on a le système d équations suivant : x 1t = a 11 x 1t-1 + a 12 x 2t-1 + a 13 x 3t-1 + a 14 x 1t-2 + a 15 x 2t-2 + a 16 x 3t-2 + ε 1t x 2t = a 21 x 1t-1 + a 22 x 2t-1 + a 23 x 3t-1 + a 24 x 1t-2 + a 25 x 2t-2 + a 26 x 3t-2 + ε 2t x 3t = a 31 x 1t-1 + a 32 x 2t-1 + a 33 x 3t-1 + a 34 x 1t-2 + a 35 x 2t-2 + a 36 x 3t-2 + ε 3t On peut réecrire le modèle VAR(2) sous forme d un VECM ("Vector Error Correction Model") : On écrit le modèle VAR(2) en différence première et en fonction de X t-1 en ajoutant les termes suivants (en gras) : X t X t-1 = A 1 X t-1 X t-1 + A 2 X t-2 + A 2 X t-1 A 2 X t-1 + ε t (29) X t = (A 1 I)X t-1 - A 2 (X t-1 X t-2 ) + A 2 X t-1 + ε t (30) 6

7 où B 1 = -A 2 et Π = A 1 + A 2 I. X t = -A 2 X t-1 + (A 1 + A 2 - I)X t-1 + ε t (31) X t = B 1 X t-1 + Π X t-1 + ε t (32) Posons Π = α β avec β comprenant r vecteurs de cointégration (avec 0 < r < N) (3,3) (3,r) (r,3) afin de mettre en évidence un modèle VECM. Supposons que r = 2, on a : x 1t x 2t x 3t = b 11 b 12 b 13 b 21 b 22 b 23 b 31 b 32 b 33 x 1t-1 x 2t-1 x 3t-1 + α 11 α 12 α 21 α 22 β 11 β 12 β x 1t-1 13 β α 31 α β 22 β 23 x 2t-1 x + 3t-1 ε 1t ε 2t. ε 3t De manière générale, si on a la représentation VAR(p) suivante pour X t : X t = A 1 X t A p X t-p + ε t avec ε t ~> N(0,Σ) (N,1) (N,N) (N,1) (N,N) (N,1) (N,1) le modèle VECM va s écrire comme suit : X t = B 1 X t B p-1 X t-p+1 + Π X t-1 + ε t (33) p où B i = -Aj avec i = 1,, k-1 et Π = A A k I. j = i + 1 On pose Π = α β avec α une matrice (N,r) avec r < N contenant les vitesses d ajustement pour chacun des vecteurs de cointégration et β une matrice (r,n) comprenant les r relations de cointégration. Donc pour pouvoir estimer un modèle VECM, il faut que Rg(Π) = Rg(α β ) = r ce qui implique que Π a r valeurs propres non nulles. Or Rg(Π) = Rg(α β ) Min(Rg(α), Rg(β )). Donc il faut que Rg(β ) = r pour que Rg(Π) = r. Donc il faut que β possède r valeurs propres non nulles. Remarque : Le modèle (33) peut également s écrire sous la forme suivante : X t = B 1 X t B p-1 X t-p+1 + Π X t-p + ε t (34) En effet, si on ajoute les termes en gras suivants dans le modèle VAR(2), on obtient : X t X t-1 = A 1 X t-1 + A 2 X t-2 - X t-1 + X t-2 X t-2 + A 1 X t-2 - A 1 X t-2 + ε t (35) X t = A 1 (X t-1 X t-2 ) (X t-1 X t-2 ) + (A 1 + A 2 I) X t-2 + ε t (36) X t = A 1 X t-1 X t-1 + (A 1 + A 2 I) X t-2 + ε t (37) 7

8 X t = (A 1 - I) X t-1 + (A 1 + A 2 I) X t-2 + ε t (38) X t = B 1 X t-1 + Π X t-2 + ε t. (39) Trois cas peuvent se présenter : Rg(Π) = 0 donc r = 0 : il n existe donc pas de relation de cointégration. On ne peut donc pas estimer un modèle VECM. En revanche, il est possible d estimer un modèle VAR sur X t. Rg(Π) = r : il existe r relations de cointégration. Un modèle VECM peut alors être estimé. Rg(Π) = N : il n existe pas de relation de cointégration. Un modèle VAR peut être estimé directement sur X t. Pour déterminer le nombre de relations r de cointégration, Johansen (1988) se base sur la maximisation de la log-vraisemblance suivante : Log L(α, β, B 1,, B p-1, Σ) = - N T log(2π) - T log[ det(σ) ] T ' 1 ε 2 t Σ εt 2 (40) t= 1 où T est le nombre d observations, N le nombre de variables dans X et det(σ) représente le déterminant de la matrice de variance-covariance. Pour obtenir l estimateur du maximum de vraisemblance de β, il faut résoudre l équation suivante : Det [ λs pp S p0 S S 0p ] = 0 (41) où S ij = 1 T t=1 T eit e ' jt pour i,j = 0,p. Les termes e et e sont donnés par : 0t pt et X t = Θ 01 X t Θ 0p-1 X t-(p-1) + e 0t (42) X t-p = Θ p1 Xt Θ pp-1 X t-(p-1) + e pt (43) avec Θ 0i = (B i α β B i ) et Θ pi = B i pour i = 1,, p-1. Ces deux équations découlent de la décomposition de l équation (34) de la manière suivante : X t - α β X t-1 = B 1 X t B p-1 X t-p+1 + ε t (44) = B 1 X t B p-1 X t-p+1 + α β [ B 1 X t B p-1 X t-p+1 ] - α β [ B 1 X t B p-1 X t-p+1 ] + ε t (45) 8

9 X t - α β X t-p = [ B 1 - α β B 1 ] X t [B p-1 - α β B p-1 ] X t-p+1 + α β [ B 1 X t B p-1 X t-p+1 ] + ε t (46) X t - [ B 1 - α β B 1 ] X t [B p-1 - α β B p-1 ] X t-p+1 - α β [ X t-p - B 1 X t B p-1 X t-p+1 ] = e 0t - α β e pt = ε t. (47) La résolution de l équation (41) nous donne les N valeurs propres ( λˆ 1,..., λˆ N avec λˆ 1 >... > λˆ N ) et les N vecteurs propres associés. Pour déterminer les r valeurs propres non nulles qui vont nous donner les r relations de cointégration, Johansen a proposé le test de la trace. Ce test repose sur l hypothèse nulle qu il existe au plus r relations de cointégration (ce qui signifie qu il y a r valeurs propres non nulles et N-r valeurs propres nulles) : La statistique de test est la suivante : H 0 : λ i = 0, i = r + 1,, N. N TR = -T ( 1 ) i= r+ 1 log λˆ i. (48) Les valeurs critiques de la statistique TR ont été tabulées par Johansen et Juselius (1990) puis par Osterwald-Lenum (1992). On accepte H 0 lorsque la valeur de la statistique TR est inférieure à sa valeur critique. Remarque : On a supposé jusqu à présent que le modèle VECM n avait pas de constante et que les relations de cointégration ne comportaient ni tendance déterministe ni constante. Or il se peut que le modèle VECM possède une constante et/ou les relations de cointégration admettent une constante et/ou une tendance déterministe. Pour ces cas, les valeurs critiques du test de la trace changent. Par conséquent, il convient de déterminer le cas dans lequel on se trouve avant de procéder au test de la trace. Les cas à distinguer sont : Absence ou présence de constante dans le modèle VECM Absence ou présence de constante et de tendance dans les relations de cointégration. Synthèse de la procédure de test de cointégration et d estimation du VECM : Etape 1 : Test de stationnarité sur les séries pour déterminer s il y a possibilité de cointégration ou non. 9

10 Etape 2 : Si le test de stationnarité montre que les séries sont intégrées d un même ordre, il y a alors risque de cointégration. On peut envisager l estimation d un modèle VECM. Pour ce faire, on commence par déterminer le nombre de retards p du modèle VAR(p) à l aide des critères d information (Akaike et Schwarz). Etape 3 : Mise en place du test de Johansen permettant de connaître le nombre de relations de cointégration. Etape 4 : Identification des relations de cointégration, c est-à-dire des relations de long terme entre les variables. Etape 5 : Estimation par la méthode du maximum de vraisemblance du modèle VECM et validation des tests usuels : significativité des coefficients et vérification que les résidus sont des bruits blancs (test de Ljung-Box). II. ABSENCE DE COINTEGRATION ENTRE PLUSIEURS VARIABLES ET MODELE VAR L absence de cointégration entre deux séries non stationnaires Y 1t et Y 2t (Y 1t ~> I(1) et Y 2t ~> I(1)), mais l existence d une causalité entre les séries stationnaires Y 1t et Y 2t ( Y 1t ~> I(0) et Y 2t ~> I(0)) nous permet d estimer un modèle VAR. II.1 PRESENTATION DU MODELE VAR Le modèle VAR("Vector AutoRegressive") à k variables et p retards noté VAR(p) s écrit : Y t = A 0 + A 1 Y t-1 + A 2 Y t A p Y t-p + ν t y 1,t y 2,t :. y k,t = a 0,1 a 0,2 :. a 0,k + a 1 1,1 a1 1,2 a1 1,k a 1 2,1 a1 2,2 a1 2,k a 1 k,1 a1 k,2 a1 k,k y 1,t-1 y 2,t-1 :. y k,t-1 + a 2 1,1 a2 1,2 a2 1,k a 2 2,1 a2 2,2 a2 2,k a 2 k,1 a2 k,2 a2 k,k y 1,t-2 y 2,t-2 :. y k,t a p 1,1 ap 1,2 ap 1,k a p 2,1 ap 2,2 ap 2,k a p k,1 ap k,2 ap k,k y 1,t-p y 2,t-p :. y k,t-p + ν 1,t ν 2,t :. ν k,t Les variables y 1,t, y 2,t,, y k,t sont stationnaires. Les perturbations ν 1,t, ν 2,t,, ν k,t sont des bruits blancs de variances constantes et non autocorrélées. 10

11 II.2 TEST DE CAUSALITE AU SENS DE GRANGER Soit le modèle VAR(p) pour lequel les variables y 1t et y 2t sont stationnaires : y 1t = γ 1 + α 11 y 1t-1 + α 12 y 1t α 1p y 1t-p + β 11 y 2t-1 + β 12 y 2t β 1p y 2t-p + υ 1t y 2t = γ 2 + α 21 y 1t-1 + α 22 y 1t α 2p y 1t-p + β 21 y 2t-1 + β 22 y 2t β 2p y 2t-p + υ 2t Le test consiste à poser ces deux hypothèses : y 2t ne cause pas y 1t si l hypothèse H 0 suivante est acceptée : β 11 = β 12 = β 13 = = β 1p = 0 y 1t ne cause pas y 2t si l hypothèse H 0 suivante est acceptée : α 21 = α 22 = α 23 = = α 2p = 0 On teste ces deux hypothèses à l aide d un test de Fisher classique. On peut faire le test équation par équation : H 0 : β 11 = β 12 = β 13 = = β 1p = 0 et y 1t = γ 1 + α 11 y 1t-1 + α 12 y 1t α 1p y 1t-p + υ 1t H 1 : au moins un des coefficients β 0 et y cause y 2t 1t H 0 : α 21 = α 22 = α 23 = = α 2p = 0 et y 2t = γ 2 + β 21 y 2t-1 + β 22 y 2t β 2p y 2t-p + υ 2t H 1 : au moins un des coefficients α 0 et y 1t cause y 2t Si nous sommes amenés à accepter les deux hypothèses que y 1t cause y 2t et que y 2t cause y 1t, on parle de boucle rétroactif. 11

12 II.3 ESTIMATION DU MODELE VAR(p) Dans le cas du modèle VAR, chacune des équations peut être estimée par les MCO, indépendamment les unes des autres (ou par la méthode de vraisemblance). Comme il y a énormément de coefficients à estimer dans un modèle VAR, il est préférable d effectuer un test de causalité avant de chercher à estimer le modèle VAR. On pourra ainsi éliminer du modèle à estimer les variables qui n interviennent pas sur la variable à expliquer. CONCLUSION : Si x t, y t ~> I(0) et y t - x t a - b ~> I(0) : on estime y t = x t a + b + ε t ou un modèle VAR en niveau pour plusieurs variables. Si x t, y t ~> I(1) et y t - x t a - b ~> I(0) : on estime un modèle à correction d erreur ou un modèle VECM pour plusieurs variables. Si x t, y t ~> I(1) et y t - x t a - b ~> I(0) et x t, y t ~> I(0) avec lien de causalité : on estime la relation y t = x t a + b + η t ou un modèle VAR en différence première pour plusieurs variables. ANNEXE : TESTS DE STATIONNARITE Les tests de Dickey-Fuller, Dickey-Fuller Augmenté et de Phillips-Perron permettent de rendre compte de la stationnarité ou non d une série. Le test de Dickey-Fuller Augmenté a été proposé pour améliorer le test de Dickey-Fuller en prenant en compte le fait que les erreurs ne soient pas des bruits blancs mais puissent être corrélées. Le test de Phillips-Perron intègre en complément l hétéroscédasticité des erreurs. a) Test de Dickey-Fuller Il repose sur les hypothèses suivantes : H 0 : processus non stationnaire, les formes de non stationnarité sont : [1] X t = ø 1 X t-1 + ε t [2] X t = ø 1 X t-1 + c + ε t [3] X t = ø 1 X t-1 + bt + c + ε t où ø 1 = 1 et ε t ~> iid(0, σ²) H 1 : ø 1 < 1. Ces hypothèses peuvent également s écrire sous la forme suivante : 12

13 H 0 : processus non stationnaire, les formes de non stationnarité sont : [1] X t = (ø 1 1) X t-1 + ε t [2] X t = (ø 1 1) X t-1 + c + ε t [3] X t = (ø 1 1) X t-1 + bt + c + ε t où (ø 1-1) = 0 et ε t ~> iid(0, σ²) H 1 : ø 1 < 1 Sous H 0 vraie, la statistique de test pour l estimateur de ø 1 est donnée par : t φˆ 1 φˆ 1 σˆ 1 =. φˆ 1 La procédure de ce test consiste à analyser successivement les trois formes possibles de non stationnarité (du modèle général [3] au modèle [1]) de la série temporelle. Or sous H 0 vraie, le processus étudié est non stationnaire (X t ~>I(1)) et l estimateur de ø 1 ne suit pas une distribution normale. Par conséquent, le t-student de ø 1 ne peut pas être comparé aux valeurs critiques de la table de Student. Dickey et Fuller (1979) ont donc étudié la distribution asymptotique des estimateurs de b, c et ø 1 sous H 0 vraie. Ils ont tabulé les valeurs critiques pour des échantillons de différentes tailles. Pour une taille supérieure à 500 observations, les valeurs critiques sont 2.78 à 5% pour la tendance du modèle [3], 2.52 à 5% pour la constante du modèle [2] et à 5% pour le paramètre ø 1 du modèle [1]. On débute le test par l analyse du modèle [3] et par une comparaison de la statistique t φ ˆ 1 aux seuils tabulés par Dickey et Fuller. Si l hypothèse nulle ø1 = 1 est rejetée, on compare le t-student de l estimateur de b aux valeurs critiques usuelles (1.96 à 5%). Autrement, le t-student de bˆ doit être comparé au seuil déterminé par Dickey et Fuller. Si la tendance n est pas significative, on poursuit le test par l analyse du modèle [2] et ainsi de suite. b) Test de Dickey-Fuller Augmenté Dans le test de Dickey-Fuller que nous venons de présenter, l erreur ε t est par hypothèse un bruit blanc. Or il n y a aucune raison pour que cette hypothèse soit, a priori, vérifiée. Le test de Dickey-Fuller Augmenté prend en considération l autocorrélation des erreurs en proposant une représentation AR(p-1) pour l erreur. Les hypothèses du test de Dickey-Fuller deviennent alors : 13

14 H 0 : processus non stationnaire, les formes de non stationnarité sont : p [1] X t = ρx t-1 - γ k X t-k+1 + η t k=2 p [2] X t = ρx t-1 - γ k X t-k+1 + c + η t k=2 p [3] X t = ρx t-1 - γ k X t-k+1 + bt + c + η t k=2 où ρ = 0, ø 1 = 1 et η t ~>iid(0, σ 2 η) H 1 : ø 1 < 1 La valeur p permettant de blanchir les résidus peut être déterminée à l aide du corrélogramme partiel de la série différenciée X t. On retiendra alors pour la valeur p le nombre retard p connu, le déroulement du test est identique à celui du test de Dickey-Fuller simple. En adoptant une structure AR(p-1) pour l erreur, Dickey et Fuller (1979) obtiennent des distributions asymptotiques des statistiques de test qui sont similaires à celles obtenues pour les modèles du test de Dickey-Fuller simple. Les valeurs critiques sont donc identiques pour les tests de Dickey-Fuller simple et Augmenté. III. APPLICATIONS AVEC LE LOGICIEL EVIEWS Test de cointégration avec 2 variables (avec des taux d intérêt) : approche de Engle et Granger (1987) On considère les séries de taux d intérêt à court terme des Etats-Unis et du Canada. Ces séries ont été transformées en logarithme. LCUS = logarithme du taux court US LCCAN = logarithme du taux court CAN LCUS 14

15 LCCAN Etape 1 : Test de stationnarité sur les séries (test de Dickey-Fuller Augmenté) : 1. Sélectionner une série dans Workfile en double-cliquant dessus 2. Pour déterminer le nombre de retards p à retenir dans les régressions des tests ADF, on peut représenter le corrélogramme de la série en différence première. Dans View, sélectionner Correlogram puis 1st difference. On constate que la première autocorrélation partielle est significativement différente de zéro. Ceci nous conduit à retenir p = Pour effectuer le test ADF, on va dans View puis on choisi Unit Root Test. On sélectionne Augmented Dickey-Fuller, Trend and intercept, level et lagged differences = 1. Tableau 1 : Test ADF : modèle (3) pour la série LCUS ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCUS) Method: Least Squares Sample(adjusted): Included observations: 334 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. LCUS(-1) D(LCUS(-1)) C E E R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

16 - Série LCUS est un processus DS car la statistique de test = > On compare la t-statistique de la tendance à sa valeur critique qui est 2.78 (voir table ADF) : < 2.78 H 0 : la tendance n est pas significative. On passe donc à l étude du modèle (2) du test ADF. Tableau 2 : Test ADF : modèle (2) pour la série LCUS ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCUS) Method: Least Squares Sample(adjusted): Included observations: 334 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. LCUS(-1) D(LCUS(-1)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Série LCUS est un processus DS car la statistique de test = > On compare la t-statistique de la constante à sa valeur critique qui est 2.52 (voir table ADF) : 1.67 < 2.52 H 0 : la constante n est pas significative. On passe donc à l étude du modèle (1) du test ADF. Tableau 3 : Test ADF : modèle (1) pour la série LCUS ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCUS) Method: Least Squares Sample(adjusted): Included observations: 334 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. LCUS(-1) D(LCUS(-1)) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

17 - Série LCUS est un processus DS car la statistique de test = > Elle est non stationnaire. Elle comporte au moins 1 racine unitaire. Pour déterminer l ordre d intégration de la série, on applique maintenant le test ADF à la série en différence première. Tableau 4 : Test ADF : modèle (1) pour la série DLCUS ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCUS,2) Method: Least Squares Sample(adjusted): Included observations: 333 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. D(LCUS(-1)) D(LCUS(-1),2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) La série DLCUS est stationnaire car on a < La série LCUS comporte donc une racine unitaire : LCUS est intégrée d ordre 1 (il faut la différencier une fois pour la rendre stationnaire). Tableau 5 : Test ADF : modèle (1) pour la série LCCAN ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCCAN) Method: Least Squares Sample(adjusted): Included observations: 334 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. LCCAN(-1) D(LCCAN(-1)) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Série LCCAN est un processus DS car la statistique de test = >

18 Elle est non stationnaire. Elle comporte au moins 1 racine unitaire. Pour déterminer l ordre d intégration de la série, on applique maintenant le test ADF à la série en différence première. Tableau 6 : Test ADF : modèle (1) pour la série DLCCAN ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCCAN,2) Method: Least Squares Sample(adjusted): Included observations: 333 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. D(LCCAN(-1)) D(LCCAN(-1),2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) La série DLCAN est stationnaire car on a < La série LCCAN comporte donc une racine unitaire : LCCAN est intégrée d ordre 1 (il faut la différencier une fois pour la rendre stationnaire). Conclusion : LCUS et LCCAN sont toutes les 3 intégrées d ordre 1. Donc il y a un risque de cointégration. On va donc chercher à estimer un MCE. Etape 2 : Test de causalité au sens de Granger : On peut penser que le taux d intérêt US influence le taux d intérêt CAN et non pas l inverse. Pour déterminer la variable endogène de la relation de long terme, on peut mener le test de causalité au sens de Granger. 1. Pour mener le test de causalité au sens de Granger, on a besoin de déterminer le nombre de retards p du modèle VAR(p) avec les 2 variables stationnaires. Pour cela, on utilise les critères AIC et SC. Allez dans Quick puis dans Estimate VAR. Choisir Unrestricted VAR, Lag intervals : 1 1 (pour un retard), Endogenous : d(lcus) d(lccan). 18

19 Tableau 7 : Estimation du modèle VAR(1) D(LCUS) D(LCCAN) D(LCUS(-1)) ( ) ( ) ( ) ( ) D(LCCAN(-1)) ( ) ( ) ( ) ( ) C ( ) ( ) ( ) ( ) R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent Determinant Residual Covariance 7.30E-06 Log Likelihood Akaike Information Criteria Schwarz Criteria Tableau 8 : Estimation du modèle VAR(2) D(LCUS) D(LCCAN) D(LCUS(-1)) ( ) ( ) ( ) ( ) D(LCUS(-2)) ( ) ( ) ( ) ( ) D(LCCAN(-1)) ( ) ( ) ( ) ( ) D(LCCAN(-2)) ( ) ( ) ( ) ( ) C ( ) ( ) ( ) ( ) R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent Determinant Residual Covariance 7.06E-06 Log Likelihood Akaike Information Criteria Schwarz Criteria

20 2. Allez dans Quick puis dans Group Statistics. Choisir Granger Causality Test. Dans le cadre List of Series, tapez les variables stationnaires à étudier : d(lcus) d(lccan). Tableau 9 : Test de causalité au sens de Granger Pairwise Granger Causality Tests Sample: Lags: 1 Null Hypothesis: Obs F-Statistic Probability D(LCCAN) does not Granger Cause D(LCUS) D(LCUS) does not Granger Cause D(LCCAN) E-05 Si la probabilité > 0.05, l hypothèse nulle est acceptée. On constate que DLCCAN n influence pas au sens de Granger DLCUS car probabilité > En revanche DLCUS influence DLCCAN car probabilité < 0.05 donc H 0 rejetée. Etape 3 : Estimation de la relation de long terme : On régresse LCCAN sur une constante et sur LCUS. Tableau 10 : Estimation de la relation de long terme Dependent Variable: LCCAN Method: Least Squares Sample: Included observations: 336 Variable Coefficient Std. Error t-statistic Prob. C LCUS R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) On récupère les résidus de cette relation et on applique le test ADF sur les résidus estimés. Dans la fenêtre d estimation de la relation de long terme, on sélectionne Procs puis Make Residuals Series. 20

COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS

COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS COURS DE SERIES TEMPORELLES THEORIE ET APPLICATIONS VOLUME Modèles linéaires multivariés : VAR et cointégration Introduction aux modèles ARCH et GARCH Introduction à la notion de mémoire longue Exercices

Plus en détail

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Peut-on modéliser la volatilité du taux de change de dinar algérien par un processus GARCH?

Peut-on modéliser la volatilité du taux de change de dinar algérien par un processus GARCH? مجلة أداء المؤسسات الجزائرية العدد 4602 60/ Peut-on modéliser la volatilité du taux de change de dinar algérien par un processus GARCH? Can we modelize the volatility of the exchange rate of dinar Algeria

Plus en détail

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Prévisions des prix des négociants de vin par les cours producteurs :

Prévisions des prix des négociants de vin par les cours producteurs : Prévisions des prix des s de vin par les cours producteurs : une étude empirique à partir de 10 appellations de vin de Bourgogne. (première version Mai 2000 - Version révisée juillet 2000) Résumé Cette

Plus en détail

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

Plus en détail

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

Répartition du tourisme de croisière dans la Caraïbe : quels déterminants?

Répartition du tourisme de croisière dans la Caraïbe : quels déterminants? Centre d Etude et de Recherche en Economie, Gestion, Modélisation et Informatique Appliquée www.ceregmia.eu Document de travail 2010-09 Décembre 2010 Répartition du tourisme de croisière dans la Caraïbe

Plus en détail

Normalité des rendements?

Normalité des rendements? Normalité des rendements? Daniel Herlemont 31 mars 2011 Table des matières 1 Introduction 1 2 Test de Normalité des rendements 2 3 Graphiques quantile-quantile 2 4 Estimation par maximum de vraisemblance

Plus en détail

«La dynamique du surendettement et de l insolvabilité des ménages au Canada : Quel impact sur la stabilité financière?»

«La dynamique du surendettement et de l insolvabilité des ménages au Canada : Quel impact sur la stabilité financière?» «La dynamique du surendettement et de l insolvabilité des ménages au Canada : Quel impact sur la stabilité financière?» Amina Bakchich Alexandre Grandmaison Beaudelaire Sa'A Kemvou Mamadou Oury Diallo

Plus en détail

«HETEROGENEITE DE LA CAUSALITE EPARGNE-INVESTISSEMENT EN ZONE UEMOA 1 ET IMPLICATIONS POUR LA COORDINATION BUDGETAIRE» 2

«HETEROGENEITE DE LA CAUSALITE EPARGNE-INVESTISSEMENT EN ZONE UEMOA 1 ET IMPLICATIONS POUR LA COORDINATION BUDGETAIRE» 2 «HETEROGENEITE DE LA CAUSALITE EPARGNE-INVESTISSEMENT EN ZONE UEMOA 1 ET IMPLICATIONS POUR LA COORDINATION BUDGETAIRE» 2 Par Christian Lambert NGUENA 3 Université de Yaoundé II-Soa, Cameroun RESEARCH PAPER

Plus en détail

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. UE Modélisation pour la biologie STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres

Plus en détail

Une analyse économétrique multivariée du comportement des ménages

Une analyse économétrique multivariée du comportement des ménages Revue de l OFCE n 66 / juillet 1998 Une analyse économétrique multivariée du comportement des ménages Françoise Charpin Professeur à l Université de Paris II, Conseiller scientifique à l OFCE Cette étude

Plus en détail

Modèles Estimés sur Données de Panel

Modèles Estimés sur Données de Panel Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,

Plus en détail

ESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS*

ESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS* ESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS* Contexte et justification Le Cameroun constitue l un des six Etats membres de la Communauté Economique

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

EXEMPLE : FAILLITE D ENTREPRISES

EXEMPLE : FAILLITE D ENTREPRISES EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : «Applied Multivariate Statistical

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en détail

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015 Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par

Plus en détail

Modèles pour données répétées

Modèles pour données répétées Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque

Plus en détail

Notes de cours Économétrie 1. Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement

Notes de cours Économétrie 1. Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Notes de cours Économétrie 1 Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction Qu est-ce que l économétrie? À quoi sert -

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse de la variance Comparaison de plusieurs moyennes Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

Exemples d application

Exemples d application AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

INVESTISSEMENTS DIRECTS ETRANGERS ET CROISSANCE ECONOMIQUE EN COTE D IVOIRE

INVESTISSEMENTS DIRECTS ETRANGERS ET CROISSANCE ECONOMIQUE EN COTE D IVOIRE INTRODUCTION Aujourd hui, près de 750 millions de personnes vivent en Afrique subsaharienne (ASS) ; elles sont parmi les plus pauvres du globe terrestre. Pour pousser la croissance économique dans un environnement

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Plus en détail

Le modèle de régression linéaire

Le modèle de régression linéaire Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le

Plus en détail

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R

Plus en détail

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38 Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................

Plus en détail

La dépense de consommation des ménages joue un rôle essentiel dans les

La dépense de consommation des ménages joue un rôle essentiel dans les La consommation des ménages dans la crise Marie-Emmanuelle Faure Hélène Soual Division Comptes trimestriels Clovis Kerdrain Division Synthèse conjoncturelle La dépense de consommation des ménages joue

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international

Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise?

La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 62 2001 La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? Éric JONDEAU * RÉSUMÉ.

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

La Banque nationale doit contrôler le franc en se fixant un objectif de taux de change

La Banque nationale doit contrôler le franc en se fixant un objectif de taux de change CON FERENCE D E P R E S S E D U 6 F E V R I E R 2 0 1 5 Daniel Lampart, premier secrétaire et économiste en chef de l USS La Banque nationale doit contrôler le franc en se fixant un objectif de taux de

Plus en détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE

Plus en détail

Econométrie et applications

Econométrie et applications Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris

Plus en détail

LA CONTAGION BANCAIRE INFORMATIONNELLE LORS DE LA CRISE DES SUBPRIMES : UNE ETUDE SUR LES MARCHES BOURSIERS EUROPEENS ET AMERICAINS

LA CONTAGION BANCAIRE INFORMATIONNELLE LORS DE LA CRISE DES SUBPRIMES : UNE ETUDE SUR LES MARCHES BOURSIERS EUROPEENS ET AMERICAINS LA CONTAGION BANCAIRE INFORMATIONNELLE LORS DE LA CRISE DES SUBPRIMES : UNE ETUDE SUR LES MARCHES BOURSIERS EUROPEENS ET AMERICAINS Version provisoire (mai 11) Suzanne Salloy 1, ERUDITE Université Paris-Est

Plus en détail

DEMANDE DU RIZ IMPORTE, DEMANDE DU RIZ PRODUIT LOCALEMENT AU TOGO : UNE ESTIMATION À PARTIR DU MODÈLE ALMOST IDEAL DEMAND SYSTEM (AIDS)

DEMANDE DU RIZ IMPORTE, DEMANDE DU RIZ PRODUIT LOCALEMENT AU TOGO : UNE ESTIMATION À PARTIR DU MODÈLE ALMOST IDEAL DEMAND SYSTEM (AIDS) DEMANDE DU RIZ IMPORTE, DEMANDE DU RIZ PRODUIT LOCALEMENT AU TOGO : UNE ESTIMATION À PARTIR DU MODÈLE ALMOST IDEAL DEMAND SYSTEM (AIDS) By Tchabletienne, Kombate; Koffi-Tessio, E.M.; and Diagne, A. Poster

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

2009-02 LA FONCTION D INFORMATION DES EXCHANGE (LME) POUR L ALUMINIUM MARCHES FINANCIERS A TERME : UNE APPLICATION AU LONDON METAL.

2009-02 LA FONCTION D INFORMATION DES EXCHANGE (LME) POUR L ALUMINIUM MARCHES FINANCIERS A TERME : UNE APPLICATION AU LONDON METAL. 2009-02 LA FONCTION D INFORMATION DES MARCHES FINANCIERS A TERME : UNE APPLICATION AU LONDON METAL EXCHANGE (LME) POUR L ALUMINIUM Prosper MOUAK La fonction d information des marchés financiers à terme

Plus en détail

Données longitudinales et modèles de survie

Données longitudinales et modèles de survie ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan

Plus en détail

Évaluation de la régression bornée

Évaluation de la régression bornée Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement

Plus en détail

Séance 8 : Régression Logistique

Séance 8 : Régression Logistique Séance 8 : Régression Logistique Sommaire Proc LOGISTIC : Régression logistique... 2 Exemple commenté : Achat en (t+1) à partir du sexe et du chiffre d affaires de la période précédente. 4 La régression

Plus en détail

Séries Temporelles Avancées Polycopié de Cours

Séries Temporelles Avancées Polycopié de Cours 1 Université Paris Ouest Nanterre Master EIPMC Séries Temporelles Avancées Polycopié de Cours Laurent FERRARA 1 1 EconomiX - Université Paris Ouest Nanterre et Banque de France. Email : laurent.ferrara@u

Plus en détail

Automatique Linéaire 1 Travaux Dirigés 1A ISMIN

Automatique Linéaire 1 Travaux Dirigés 1A ISMIN Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

Introduction aux Statistiques et à l utilisation du logiciel R

Introduction aux Statistiques et à l utilisation du logiciel R Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil

Plus en détail

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

Master 2: Econométrie 2

Master 2: Econométrie 2 Master 2: Econométrie 2 Partie 1 Michel BEINE michel.beine@uni.lu Université du Luxembourg Master 2: Econométrie 2 p. 1/22 Manuel La partie économétrique du cours est basé sur le livre Introductory Econometrics,

Plus en détail

Transparence et réaction des taux d intérêt à la publication périodique des données macroéconomiques

Transparence et réaction des taux d intérêt à la publication périodique des données macroéconomiques Transparence et réaction des taux d intérêt à la publication périodique des données macroéconomiques Nicolas Parent, département des Marchés financiers Il est généralement reconnu aujourd hui qu une grande

Plus en détail

Chapitre 2. Les Processus Aléatoires Non Stationnaires 1. Chapitre 2. Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires

Chapitre 2. Les Processus Aléatoires Non Stationnaires 1. Chapitre 2. Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. Les Processus Aléatoires Non Stationnaires 1 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. Les Processus Aléatoires Non Stationnaires 2 Dans le

Plus en détail

«Spéculateurs hétérogènes et volatilité excessive dans le prix du pétrole : une approche dynamique non linéaire»

«Spéculateurs hétérogènes et volatilité excessive dans le prix du pétrole : une approche dynamique non linéaire» «Spéculateurs hétérogènes et volatilité excessive dans le prix du pétrole : une approche dynamique non linéaire» Sadek MELHEM Mahmoud MELHEM DR n 2012-16 Spéculateurs hétérogènes et volatilité Excessive

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Les échanges bilatéraux entre les nations : Une approche linéaire mixte des modèles gravitationnels* Kamel Ghaddab 1

Les échanges bilatéraux entre les nations : Une approche linéaire mixte des modèles gravitationnels* Kamel Ghaddab 1 Les échanges bilatéraux entre les nations : Une approche linéaire mixte des modèles gravitationnels* Kamel Ghaddab 1 Ahmed Silem 2 Introduction Dans le cadre de la détermination empirique de la composition

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.

PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I. PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour

Plus en détail

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab scilab à l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab Tests de comparaison pour l augmentation du volume de précipitation 13 février 2007 (dernière date de mise à jour) Table

Plus en détail

Taux de change et compétitivité extérieure de l économie : le cas du Cameroun

Taux de change et compétitivité extérieure de l économie : le cas du Cameroun Taux de change et compétitivité extérieure de l économie : le cas du Cameroun Par Denise Gisèle MEGNIGANG 1, Résumé : Le Cameroun enregistre depuis le début des années 2000 une détérioration de sa balance

Plus en détail

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse M1 IMAT, Année 2009-2010 MODELES LINEAIRES C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse Table des matières 1 Préambule 1 1.1 Démarche statistique...................................

Plus en détail

Séries chronologiques

Séries chronologiques Université Paris-Sud Master Ingénierie Mathématiques, deuxième année Année scolaire 2010 2011 Séries chronologiques Volume 1: cours et exercices Responsable des cours: Michel Prenat Responsables des travaux

Plus en détail

E3A PC 2009 Math A. questions de cours. t C). On véri e que

E3A PC 2009 Math A. questions de cours. t C). On véri e que E3A PC 29 Math A questions de cours. Soit C 2 M 3 (R) Analyse : Si C = S + A, S 2 S 3 (R) et A 2 A 3 (R) alors t C = t S + t A = S A d où S = 2 (C +t C) et A = 2 (C t C). L analyse assure l unicité (sous

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Analyse des tendances et des ruptures sur le marché automobile français. Modélisation du taux de diésélisation dans le parc

Analyse des tendances et des ruptures sur le marché automobile français. Modélisation du taux de diésélisation dans le parc IFP Energies nouvelles IFP School Centre Économie et Gestion 228-232, avenue Napoléon Bonaparte 92852 RUEIL-MALMAISON CEDEX Analyse des tendances et des ruptures sur le marché automobile français. Modélisation

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

Introduction à la statistique non paramétrique

Introduction à la statistique non paramétrique Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non

Plus en détail

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage

Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

MEMOIRE de Théorie de Croissance Economique : Epargne et Investissement, quelle causalité?

MEMOIRE de Théorie de Croissance Economique : Epargne et Investissement, quelle causalité? RÉPUBLIQUE DE LA COTE D IVOIRE Union Discipline Travail ***************************** Ministère de l Enseignement Supérieur *************************** École Nationale Supérieure de Statistique et d Économie

Plus en détail

INITIATION AU LOGICIEL SAS

INITIATION AU LOGICIEL SAS INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS

Plus en détail

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

CAHIER DE RECHERCHE DE LA BRH

CAHIER DE RECHERCHE DE LA BRH CAHIER DE RECHERCHE DE LA BRH 1 Préface D ans le cadre de ses efforts de dissémination des informations et de sa contribution à l enrichissement du débat sur les phénomènes macroéconomiques et financiers

Plus en détail

TD1 Signaux, énergie et puissance, signaux aléatoires

TD1 Signaux, énergie et puissance, signaux aléatoires TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver

Plus en détail

FORMULAIRE DE STATISTIQUES

FORMULAIRE DE STATISTIQUES FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours

Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours R.R. Université Lyon 2 1 Fichier de données Prédiction de la consommation de véhicules (1) Prédire la consommation des véhicules à partir de ses

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

L Econométrie des Données de Panel

L Econométrie des Données de Panel Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire

Plus en détail