Lautocorrlation

1. la nature de lautocorrlation 2 consquences thoriques et pratiques 3 dtection 4 correction

E (ui u j ) = 0 i j
E (ui u j ) 0 i j

Biais de spcification

yt = 1 + 2 X 2t + 3 X 3t + 4 X 4t + ut yt = 1 + 2 X 2t + 3 X 3t + ut
Y=demande de la viande de buf X2 = prix de la viande de buf X3 = le revenu X4 = prix dun substitut

Choix non correct de la forme de fonction

Vrai relation

cout marg = 1 + 2 output + 3output 2 + u

cout marg = 1 + 2 output + u

Entre A et B sur le graphe il y a sur estimation

cobweb

sup ly = 1 + 2 Pt 1 + ut

Retards
Const = 1 + 2 Re venut + Const 1 + ut
Manipulation des donnes

Transformation des donnes

Ols et autocorrlation

yt = 1 + 2 X 2t + ut
E (ut ut + s ) 0 pour s 0
E ( ) = 0
2 t

E( ) = u
2 t

cov( t t + s ) = 0 s 0

 2 Var (ut ) = E (ut2 ) = 1 2

2 Cov(ut , ut + s ) = E (ut ut s ) = s 1 2

Cor (ut , ut + s ) =

 Var 2 =

( )

xt xt 1 2 2 ) = 1 + 2 V ( 2 AR1 + 2 xi2 xt2

x y = x
i 2 i

xi2

OLS
i

xt xt 2
xt2

x1 xn + .... + 2 n 1 xt2

la relation est non linaire on dcide destimer un log lin modle dont les rsultats sont:

Yt =

29.5192 + 0.7136 X t

se (1.9423) (0.0241) tstat (15.1977) (29.6066) R 2 = 0.9584

ln Yt se tstat

d=0.1229 =2.6755

= 1.5239 + 0.6716lnX t (0.0762) (0.0175) (19.9945) (38.2892) R 2 = 0.9747 d=0.1542 =0.0260

Dtection de lautocorrlation
On peut dtecter lauto corrlation par le graphe des rsidus standardiss: u/sigma

On peut aussi mettre en graphe ui contre ui-1

La mthode analytique

Run test : GEARY test : Test Non Paramtrique

9 (moins) puis 21 (plus) et 10 (moins) Run = suite de mme signe Il y a 3 runs N = nombre dobservation N1= nombre de plus N2= nombre de moins 2

2 N1 N 2 (2 N1 N 2 N ) R = 2 ( N ) ( N 1)

2 N1 N 2 E ( R) = +1 N

P [ ( R) 1.96 R R E ( R) + 1.96 R ] = 0.95

2 N1 N 2 (2 N1 N 2 N ) 798(758) = = = 9, 6936 2 ( N ) ( N 1) 62400 = 3,11

2

2 N1 N 2 798 E ( R) = +1 = + 1 = 20,95 40 N

P (20,95 1,96*3,11 R 20,95 + 1,96*3,11) = 0,95 = P (14,85 R 27, 05) = 0,95

Lintervalle ne contient pas R=3 , il ya donc auto corrlation

DW
(ut ut 1 )
t =2 t =n

d=

d=

u + u
2 t

2 t 1

2 ut ut 1

ut2
t =1

t =n

ut2

d 2(1

u u

t t 1

ut2

u t u t 1 u
2 t

 d 2(1 )

1 1

0d 4

Si la rgression contient des variables retardes DW proposent le test h ( on reviendra plus loin) Si u est Non NID alors il est prfrable dutiliser le test runs

Pour un taille de lchantillon trs large

n N (0;1)
1 n (1 d ) N (0;1) 2

Comme illustration du modle salaire productivit

d = 0.1229

n=40

0.1229 40 1 5.94 2

Le test h

Prenant le modle des salaires

yt = 1 + 2 X t + 3 yt 1 + ut
Y = salaires X = productivit

Puisquil y a un retard du regresseur DW proposent:

n h= 1 n(V ( 3 ))
Sous H0: =0 h : (N(0 1) si

h > 1.96

On refuse =0

Les tapes -estimer le modle -obtenir Et sa variance

3

-noter d et obtenir -calculer h -si

(1 d / 2)

h > 1.96 accepter H1

Test de BREUSH-GODFREG(BG)

Connu sous le nom de test LM(multiplicateur de Lagrange)

Yt = 1 + 2 X t + ut
Des retards sur Y peuvent tre introduits

ut = 1ut 1 + 2ut 2 + ... + p ut p + t

H 0 : 1 = 2 = ... = p = 0

1. Estimer et sauver ut 2. Rgresser

ut Sur Xt des autres X sils existent et ut-1.ut-p

Si p=4 on introduit 4 retards, dans ce cas , il ne reste que n-p observations. La rgression peut contenir une constante. On sauve R2 3. Si la taille de lchantillon est leve(infinie), BG ont montr que

(n p )R
2 si (n-p)R 2 > p ( )

2 P

On rejette H0

Les lments suivants doivent tre nots 1. La rgression peut contenir des retards de Y 2. Le test BG est appliqu dans le cas dun MA(p)

La correction
1. Tenter de savoir sil sagit de pure corrlation ou bien dune mauvaise spcification. 2. Sil sagit de pur corrlation, on utilise des transformations appropries du modle initial (GLS). Prenant lexemple salaire productivit o on avait obtenu d = 0.1229. Supposant que les donnes laissent supposer un trend:

 Yt = se

1.4752 + 1.3057 X t 0.9032t (13.18) (0.2765) (4.7230) (0.4203) (-2.1490)

tstat (0.1119)

R=20.9631

d = 0.2046

Lindice de salaire rel baisse de 0.90 units\anne le d na pas trop chang donc on conclut pour une autocorrlation pure

Testant encore, sil y a une non linarit

Yt = tstat

16.2181 + 1.9488 X t 0.0079 X (-5.4891) R 2 = 0.9947 (24.9868) d = 1.02

2 t

(-15.9363)

Ces rsultats sont intressants. Tous les coefficients sont statistiquement significatifs, d laisse supposer une autocorrlation positive Le signe ngatif du coefficient quadratique peut sinterprter comme le salaire croit la productivit aussi mais avec un taux dcroissant.

On peut conclure que notre rgression soufre peut tre de pure autocorrlation

La correction de pur corrlation

Le GLS

Yt = 1 + 2 X t + ut
Si est connu prenant

ut = ut 1 + t

-1 1

Yt 1 = 1 + 2 X t 1 + ut 1
Yt 1 = 1 + 2 X t 1 + ut 1

(Yt Yt 1 ) = 1 (1 ) + 2 ( X t X t 1 ) + ( ut ut 1 )
ou

t = ut ut 1
1 2

BB

Si est inconnu On doit lestimer, dans ce cas il ya plusieurs mthodes: La diffrence premire
1 1

Yt = + X + t
t

Yt = 2 X t + t

Le diffrence premire est appropri si lautocorrlation est leve(0.8 et plus) Maddala propose dutiliser la diffrence premire si d<R2 cest le cas dans lexemple salaire productivit, d= 0.1229 et R2 = 0.9584

Yt = 0.7199X t tstat (9.2073) R 2 = 0.3610 d=1.5096

On a mentionn plus haut que la diffrence premire est possible si >0.8 ou d est faible. Dune manire stricte on ne peut utiliser la diffrence premire que si =1

La diffrence premire est utilise pour stationnariser la srie

On a mentionn plus haut que la diffrence premire est possible si >0.8 ou d est faible. Dune manire stricte on ne peut utiliser la diffrence premire que si =1

Berenblutt-webb, o on teste =1 La statistique du test est dite le test g qui se calcule comme suit

g =

t= 2 n t =1

e t2 u t2

Ou sont les rsidus de la rgression en niveau Et e sont les rsidus de la rgression en diffrence premire

Lexemple de salaire productivit

ut2 = 272.0220

et2 = 33.4270

33.4270 g= = 0.0012 272.0220

Le DW pour 39 observations et une variable explicative DL =1.435 et DU= 1.54 5% g se lie hors de lintervalle DU DL donc on ne rejette pas =1

 Obtenu du DW
Obtenir du DW, puis lutiliser pour transformer les donnes

d 1 2
Dans lexemple de salaire productivit DW =0.1229

0.1229 = 1 = 0.93855 2

Le est obtenu partir de rgression sur les rsidus

ut = ut 1 + vt
Dans le cas salaire productivit on a:

ut = 0.9142ut 1 (16.23) R 2 = 0.87

Les mthodes itratives

Se sont des mthodes qui estiment itrativement, on recense: La procdure de CochraneOrcut La procdure de CochraneOrcut deux tapes La procdure de Durbin deux tapes la procdure de HildrethLu

La plus utilise de ces procdures est la procdure de CochranOrcutt

Rappelant que notre objectif est destimer afin dutiliser la mthode GLS; un des avantages de la mthodes de Cochran-Orcutt est dtre utilise aussi bien pour un AR(1) que pour un AR(P)

Dans le cas salaire productivit avec AR(1), on obtient par itration

: 0.9142, 0.9052, 0.8992, 0.8956, 0.8935, 0.8924 et 0.8919. La dernire valeur est 0.8919 cette valeur va tre utilise pour transformer le modle de base videmment lOLS sur le modle transform est le GLS

 = Yt se

45.105 + 0.5503 X t (6.190) (0.0652) (8.433)

tstat (7.287)
Yt = se

R 2 = 0.9959

29.5192 + 0.7132X t (1.9423) R 2 = 0.9584 (0.0241) d=0.1229 =2.6755

tstat (15.1977) (29.6066)

En comparant les deux la pente a nettement chute. La constante = 1 (1 )

Le R2 des deux estimations ne sont pas directement comparables