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

UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique. Examen de séries temporelles avancées

UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique. Examen de séries temporelles avancées UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique Deuxième année de Master : Mention Economie Appliquée Mention Monnaie, Banque, Finance, Assurance Année

Plus en détail

STATISTIQUE APPLIQUEE

STATISTIQUE APPLIQUEE STATISTIQUE APPLIQUEE Par Jean-Paul TSASA Vangu Sous la coordination du Professeur MUKOKO Samba Centre Congolais-Allemand de Microfinance Assistant Jean-Paul Tsasa V. Centre Congolais-Allemand de Microfinance-UPC/2009-2010

Plus en détail

Économétrie - Une Étude de la Création d Entreprise entre 1994 et 2007

Économétrie - Une Étude de la Création d Entreprise entre 1994 et 2007 LESAUX Loïc MAROT Gildas TANGUY Brewal Économétrie - Une Étude de la Création d Entreprise entre 1994 et 007 Charpentier Arthur Semestre 008 Master 1 Cadoret Isabelle 1 Plan Introduction... 3 Présentation

Plus en détail

Dossier / TD Econométrie. Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls

Dossier / TD Econométrie. Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls Dossier / TD Econométrie Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls Source : Greene "Econometric Analysis" Prentice Hall International, 4 ème édition, 2000 Council

Plus en détail

UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique. Examen d introduction aux séries temporelles

UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique. Examen d introduction aux séries temporelles UNIVERSITE PARIS X - NANTERRE U.F.R. de Sciences Economiques, Gestion, Mathématiques et Informatique Deuxième année de Master : Mention Economie Appliquée Mention Monnaie, Banque, Finance, Assurance Année

Plus en détail

TESTS DE NORMALITE. qu elle est symétrique ) son moment centré d ordre 3 est nul 3 = 0. 3 estimé par c 3 =

TESTS DE NORMALITE. qu elle est symétrique ) son moment centré d ordre 3 est nul 3 = 0. 3 estimé par c 3 = TESTS DE NORMALITE Dans le chapitre précédent on a vu les propriétés nécessaires sur les erreurs pour que les coe cients des MCO soient les meilleurs. Dans la pratique bien sur ce ne sera pas toujours

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

UNIVERSITE PARIS X NANTERRE UFR SEGMI. TD d économétrie. TD 2. Le modèle de régression simple. Une application en séries temporelles

UNIVERSITE PARIS X NANTERRE UFR SEGMI. TD d économétrie. TD 2. Le modèle de régression simple. Une application en séries temporelles UNIVERSITE PARIS X NANTERRE UFR SEGMI Année universitaire 2007 2008 Cours d économétrie L3 Economie Cours de Valérie MIGNON TD de Benoît CHEZE et Anne-Laure SAMSON TD d économétrie TD 1. Introduction.

Plus en détail

UNIVERSITE DE PARIS DAUPHINE

UNIVERSITE DE PARIS DAUPHINE UNIVERSITE DE PARIS DAUPHINE Année 2009/2010 Première année de Master : Maîtrise d Economie Appliquée Equipe pédagogique : Julien Chevallier : jchevall@u-paris1fr Emilie Muzereau : emilie.muzereau@gdfsuez.com

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

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

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant 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 Analysis»,

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Projet d économétrie

Projet d économétrie 1 Projet d économétrie Après avoir mis la base de données portant le nom Don130e.txt du fichier Bazen sur Eviews afin d effectuer une analyse des variables Y et X à partir des 70 observations. Nous sommes

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

Économétrie. Francesco Quatraro M1 EFM 2010/2011 Francesco Quatraro M1 EFM 2010/2011 1 La violation des hypothèses Le modèle des MCO considère que les hypothèses suivantes sont toutes respectées: H1: le modèle est linéaire en x i,t H2: les valeurs x

Plus en détail

REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE

REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE REGRESSION MULTIPLE: CONSOMMATION D ELECTRICITE LES DONNEES OBS KW SURFACE PERS PAVILLON AGE VOL SBAINS 1 4805 130 4 1 65 410 1 2 3783 123 4 1 5 307 2 3 2689 98 3 0 18 254 1 4 5683 178 6 1 77 570 3 5 3750

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

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

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

Modèles de prévision Partie 2 - séries temporelles

Modèles de prévision Partie 2 - séries temporelles Modèles de prévision Partie 2 - séries temporelles Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 Plan du cours Motivation et introduction aux séries temporelles

Plus en détail

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB PAR : MAROOF ASIM DAN BENTOLILA WISSAM ESSID GROUPE 1 LM206 Lundi 10H45 INTRODUCTION : ( Ce rapport est un compte

Plus en détail

Analyse de la variance

Analyse de la variance M2 Statistiques et Econométrie Fanny MEYER Morgane CADRAN Margaux GAILLARD Plan du cours I. Introduction II. Analyse de la variance à un facteur III. Analyse de la variance à deux facteurs IV. Analyse

Plus en détail

ORDRE DE RÉACTION : MÉTHODES DE

ORDRE DE RÉACTION : MÉTHODES DE ORDRE DE RÉACTION : MÉTHODES DE RÉSOLUTION Table des matières 1 Méthodes expérimentales 2 1.1 Position du problème..................................... 2 1.2 Dégénérescence de l ordre...................................

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

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Cette note examine les différences entre R et SAS dans l estimation des modèles ARIMA et SARIMA. Elle illustre

Plus en détail

Structure de l inflation. Impact des facteurs externes sur le taux d inflation 1

Structure de l inflation. Impact des facteurs externes sur le taux d inflation 1 1 Structure de l inflation Impact des facteurs externes sur le taux d inflation 1 Laure de Laporterie et Tatiana Sperenskaia L objectif du papier est de présenter les résultats d une recherche empirique

Plus en détail

Analyse de la Variance pour Plans à Mesures Répétées

Analyse de la Variance pour Plans à Mesures Répétées Analyse de la Variance pour Plans à Mesures Répétées Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr/

Plus en détail

WORKING PAPER 2011/03. Analyse de la causalité : Les cotisations d assurance et le PIB de 1978-2007 en R.D. Congo

WORKING PAPER 2011/03. Analyse de la causalité : Les cotisations d assurance et le PIB de 1978-2007 en R.D. Congo WORKING PAPER 2011/03 Analyse de la causalité : Les cotisations d assurance et le PIB de 1978-2007 en R.D. Congo Marcel Mulumba-Kenga T, Pierre Devoder, Louvain School of Management LOUVAIN SCHOOL OF MANAGEMENT

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

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

ECONOMETRIE (*) Hélène Hamisultane

ECONOMETRIE (*) Hélène Hamisultane ECONOMERIE (*) Hélène Hamisultane I/ QU ES CE QUE L ECONOMERIE? II/ LE MODELE DE REGRESSION SIMPLE II/ Méthode d estimation des Moindres Carrés Ordinaires (MCO) II/ Hypothèses et propriétés des estimateurs

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

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

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

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

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

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

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

CHAPITRE 5. Michel LUBRANO. Octobre 2007. 1 Introduction 2

CHAPITRE 5. Michel LUBRANO. Octobre 2007. 1 Introduction 2 CHAPITRE 5 Inférence et Tests dans les Modèles Cointégrés Michel LUBRANO Octobre 2007 Contents 1 Introduction 2 2 La Methode de Engle et Granger 3 2.1 Estimation en deux étapes..........................

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

DEMOGRAPHIE ET CROISSANCE ECONOMIQUE EN FRANCE APRES LA SECONDE GUERRE MONDIALE : UNE APPROCHE CLIOMETRIQUE

DEMOGRAPHIE ET CROISSANCE ECONOMIQUE EN FRANCE APRES LA SECONDE GUERRE MONDIALE : UNE APPROCHE CLIOMETRIQUE DEMOGRAPHIE ET CROISSANCE ECONOMIQUE EN FRANCE APRES LA SECONDE GUERRE MONDIALE : UNE APPROCHE CLIOMETRIQUE Cédric DOLIGER 1 LAMETA Faculté des Sciences Economiques Université de Montpellier I RESUME L

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

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

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

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Modèles de prévision Partie 2 - séries temporelles # 2

Modèles de prévision Partie 2 - séries temporelles # 2 Modèles de prévision Partie 2 - séries temporelles # 2 Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Été 2014 Plan du cours Motivation et introduction aux séries temporelles

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

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

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

Plus en détail

Laboratoire d Analyse Recherche en Economie Quantitative One pager Mai 2012 Vol. 2 Num. 005 http://www.lareq.com

Laboratoire d Analyse Recherche en Economie Quantitative One pager Mai 2012 Vol. 2 Num. 005 http://www.lareq.com Laboratoire d Analyse Recherche en Economie Quantitative One pager Mai 2012 Vol. 2 Num. 005 http://www.lareq.com Choix du paramètre de troncature dans LA PROCEDURE Des tests de racine unitaire Une relecture

Plus en détail

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites

La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur

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

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

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

Travaux dirigés - Régression linéaire simple: corrigé partiel Julien Chiquet et Guillem Rigaill 1er octobre 2015

Travaux dirigés - Régression linéaire simple: corrigé partiel Julien Chiquet et Guillem Rigaill 1er octobre 2015 Travaux dirigés - Régression linéaire simple: corrigé partiel Julien Chiquet et Guillem Rigaill 1er octobre 2015 Quelques révisions de R 1. Manipulation de vecteur. On rappelle que e x = k 0 Créer dans

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

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Analyse de la variance à un facteur

Analyse de la variance à un facteur Analyse de la variance à un facteur Frédéric Bertrand et Myriam Maumy-Bertrand IRMA, UMR 7501, Université de Strasbourg 08 juin 2015 F. Bertrand et M. Maumy-Bertrand (UdS) Analyse de la variance à un facteur

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

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

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

Équations du troisième degré

Équations du troisième degré par Z, auctore L objet de cet article est d exposer deux méthodes pour trouver des solutions à une équation du troisième degré : la recherche de racines évidentes d une part, et la formule de Cardan d

Plus en détail

Faculté Polydisciplinaire de Tétouan Master Finance Islamique. M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance

Faculté Polydisciplinaire de Tétouan Master Finance Islamique. M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance Année Universitaire: 2014-2015 Faculté Polydisciplinaire de Tétouan Master Finance Islamique M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance Département de Statistique et Informatique

Plus en détail

La régression logistique

La régression logistique La régression logistique Présentation pour le cours SOL6210, Analyse quantitative avancée Claire Durand, 2015 1 Utilisation PQuand la variable dépendante est nominale ou ordinale < Deux types selon la

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

La régression sur données de panel

La régression sur données de panel La régression sur données de panel 1 I. Définition Les données utilisées en économétrie sont le plus souvent des séries chronologiques, tel le nombre de naissances enregistrées par an dans le département

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

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

Devoir surveillé n 1 : correction

Devoir surveillé n 1 : correction E1A-E1B 013-01 Devoir surveillé n 1 : correction Samedi 8 septembre Durée : 3 heures. La calculatrice est interdite. On attachera une grande importance à la qualité de la rédaction. Les questions du début

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

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

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

Plus en détail

Relation gouvernance et croissance économique: Un essai de modélisation par application au cas de la Tunisie

Relation gouvernance et croissance économique: Un essai de modélisation par application au cas de la Tunisie International Journal of Innovation and Applied Studies ISSN 2028-9324 Vol. 3 No. 2 June 2013, pp. 470-477 2013 Innovative Space of Scientific Research Journals http://www.issr-journals.org/ijias/ Relation

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

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 régression logistique PLS

La régression logistique PLS La régression logistique PLS Michel Tenenhaus Groupe HEC, 78351 Jouy-en-Josas 1 Introduction La régression PLS permet de relier une ou plusieurs variables de réponse y àun ensemble de variables prédictives

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

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

La gestion des ventes.

La gestion des ventes. I. La prévision des ventes. A. Principe. La gestion des ventes. Elle consiste à déterminer les ventes futures à la fois en quantité et en valeur en tenant compte des tendances et contraintes imposées à

Plus en détail