ANNALES DCONOMIE ET DE STATISTIQUE.

N 54 1999

Analyse factorielle
dynamique : test du nombre
de facteurs, estimation et
application lenqute de
conjoncture dans lindustrie
Catherine DOZ, Fabrice LENGLART*

RSUM. Nous proposons une procdure en deux tapes pour esti-

mer un modle facteurs dynamique. Nous montrons que, dans un cadre
dynamique stationnaire, lanalyse factorielle statique fournit des estima-
teurs convergents des paramtres et permet de construire un test asymp-
totique du nombre de facteurs retenir. Une fois ce nombre fix, le mod-
le peut tre estim par filtre de KALMAN. Nous appliquons ensuite cette pro-
cdure lenqute INSEE dactivit dans lindustrie, ce qui permet de
construire un indicateur rsum de lenqute.

Dynamic Factor Analysis: Test of the Number of Factors

and Estimation with an Application to the French
Industrial Business Survey
ABSTRACT. We suggest a two step procedure to estimate a dynamic
factor model. We show that, in a stationary dynamic framework, static fac-
tor analysis leads to consistent estimators and allows to build an asympto-
tic test of the relevant number of factors. Once this number is set, the model
can be estimated through a KALMAN filter. We then apply this procedure to
the French industrial business survey, in order to build a composite index.

* Catherine DOZ, Universit de Cergy-Pontoise, UFR dEconomie, THEMA (affiliation),

Fabrice LENGLART, CREST-INSEE. Nous tenons remercier Jean-Pierre LAFFARGUE et
Eric RENAULT pour leurs commentaires sur une version antrieure de cet article. Nous
remercions galement les deux rapporteurs de la Revue pour leurs remarques et sug-
gestions. Nous restons seuls responsables des erreurs qui pourraient subsister.
1 Introduction

Les modles factoriels dynamiques sont actuellement utiliss dans de

nombreux domaines de l'conomie. On peut notamment mentionner des
exemples en conomtrie financire (modles de taux d'intrt), mais aussi en
macroconomie (voir STOCK et WATSON [1989, 1993], QUAH et SARGENT
[1993], FORNI et REICHLIN [1998] pour citer des travaux rcents). Dans de tels
modles, les variables temporelles observes sont supposes dpendre linai-
rement d'un petit nombre de variables sous-jacentes inobservables, appeles
facteurs. Deux mthodes sont principalement utilises pour leur estimation.
La premire se situe dans le domaine des frquences et revient effectuer une
dcomposition particulire de la densit spectrale du processus vectoriel
constitu par l'ensemble des variables tudies. La seconde se situe dans le
domaine des temps et suppose une modlisation de la dynamique des
facteurs, puis une estimation par filtre de KALMAN.
Dans ce papier, on se propose de montrer qu'il est aussi possible d'employer
en premire approximation, dans un cadre temporel stationnaire, la technique
d'analyse factorielle statique (seulement adapte a priori des donnes indi-
viduelles) et d'en driver une procdure de test du nombre de facteurs
retenir dans le modle dynamique. L'intrt d'une telle procdure est que sa
mise en uvre est trs rapide. Elle peut donc utilement prcder la phase de
modlisation proprement dite, afin que le modle estim par filtre de KALMAN
comporte un nombre de facteurs adapt aux donnes.
Le papier se divise en deux parties. La premire est thorique : on y
rappelle le principe de la mthode statique d'analyse factorielle, on montre
qu'elle fournit des estimateurs convergents des paramtres d'intrt mme
lorsque les donnes temporelles utilises prsentent de l'autocorrlation (mais
restent stationnaires), et on expose une procdure de test du nombre de
facteurs dans ce cadre. Cette procdure est fonde sur des rsultats de
GOURIROUX et MONFORT [1989] que nous gnralisons lgrement pour les
rendre applicables dans le cadre qui est le ntre.
Dans la seconde partie, on applique cette procdure aux donnes de l'en-
qute mensuelle d'activit dans l'industrie publie par l'INSEE. Le test sur le
nombre de facteurs est d'abord mis en uvre : l'hypothse nulle d'un modle
un seul facteur n'est pas rejete. On estime alors par filtre de KALMAN un
indicateur rsum de l'enqute. Ce faisant, on montre que le cadre des
modles facteurs dynamiques fournit une sorte de grille d'interprtation de
l'enqute mensuelle, passant par l'analyse des volutions de l'indicateur
rsum et par l'utilisation, le cas chant, des informations supplmentaires
apportes par les composantes spcifiques de chaque solde d'opinion.

92
2 Utilisation de l'analyse factorielle
statique dans un cadre dynamique

2.1. Prsentation
L'analyse factorielle classique a pour but d'offrir une description parci-
monieuse d'un ensemble d'observations. Elle tente de reprsenter les variables
tudies dans un cadre linaire, en fonction d'un ensemble de variables
latentes, appeles facteurs, ou facteurs communs. C'est une technique qui est
approprie lorsqu'un petit nombre de facteurs peut rendre compte d'une part
importante de l'information contenue dans l'ensemble des variables initiales.
Cette mthode a t initialement cre pour l'tude de donnes indivi-
duelles. Elle repose sur la modlisation suivante : on note n le nombre de
variables tudies, T le nombre d'observations dont on dispose pour chaque
variable, et yit la valeur de la t-ime observation de la variable yi ; le modle
dcrivant les variables y1 ,. . . ,yn en fonction de p facteurs communs
F1 ,. . . ,Fp , p < n, s'crit :
yit = m i + i1 F1t + + i p Fpt + u i t , pour i = 1 n et pour tout t
On suppose que les (u it )tT sont indpendants entre eux et indpendants
des facteurs :
i =
/ j (t, ) E(u it u j ) = 0 et (i, j ) (t, ) E(u i t Fj ) = 0
Comme le modle est destin l'tude de donnes individuelles, on suppose
en outre que :
i t =/ E(u i t u i ) = 0 et E(Fi t Fi ) = 0
Un tel modle n'est donc applicable l'tude de donnes temporelles (yi t )
que dans le cas trs restrictif o tous les processus (Fj t ) et (u i t ) sont
supposs sans autocorrlation (c'est--dire sont des bruits blancs au sens
faible).
En utilisant des notations matricielles :
yt = (y1t ,. . . ,ynt )0 ,Ft = (F1t ,. . . ,Fpt )0 ,
u t = (u 1t ,. . . ,u nt )0 ,3 = (i j ) 16i 6n
16 j 6 p
le modle s'crit de faon plus concise :
yt = m + 3Ft + u t
avec : E Ft = 0,Eu t = 0,E(u t u 0t ) = D = diag(d1 ,. . . ,dn ) ,
(t, ) E(Ft u 0 ) = 0,
/ ,E(Ft F0 ) = 0,
(t, ),t =
/ ,E(u t u 0 ) = 0 ,
(t, ),t =
Un tel modle n'a d'intrt que lorsque les variables prsentent une forte
corrlation car il permet dans ce cas d'analyser la structure de cette corrla-

ANALYSE FACTORIELLE DYNAMIQUE 93

tion. Plus prcisment, les facteurs rendent compte des corrlations entre
variables, alors que chaque u i t reprsente une source de variation affectant la
seule variable yit : chaque u i t est appel composante spcifique de la variable
yit. Les i j sont appels les pondrations (loadings) des facteurs : chaque i j
reprsente la contribution du facteur Fj au comportement de la variable yi.
Il apparat clairement que, dans une telle formulation, les facteurs ne sont
dfinis qu' une transformation linaire prs, sous rserve de modifier la
matrice des pondrations. Dans le modle le plus classique, les facteurs sont
supposs non corrls entre eux (cette hypothse peut tre ensuite leve) et de
variances unitaires (ce qui ne restreint pas la gnralit du modle puisqu'ils
n'interviennent qu' un facteur multiplicatif prs). Cependant, mme dans ce
cas de figure, s'il y a plus d'un facteur estimer, les facteurs ne sont pas
dfinis de faon unique : ils peuvent tre modifis par n'importe quelle rota-
tion. Dans la pratique, lors de l'estimation, une solution unique est obtenue en
ajoutant des contraintes identifiantes sur les facteurs. Cette solution peut
ensuite subir une rotation (ou une simple transformation linaire) si une telle
opration facilite l'interprtation des rsultats obtenus.
Concentrons-nous maintenant sur le modle de base, c'est--dire sur le cas
o les facteurs sont non corrls entre eux et sont de variance unitaire. Ce
modle conduit une interprtation simple en terme de variance et cova-
riances des variables. De fait, on rajoute dans ce cas au modle prcdent
l'hypothse E(Ft Ft0 ) = I d, de sorte qu'on a les relations suivantes :
V yt = 330 + D,
X
p
soit : V yit = i2j + di, pour i = 1 n.
j =1

Chaque i2j reprsente la part de la variance de yi qui est explique par le

X
p
facteur Fj, et h i2 = i2j reprsente la contribution totale des facteurs la
j =1
variance de yi (galement appele communalit ). La variance de u i ,di, est
la part de la variance de yi qui ne peut pas tre explique par les facteurs
communs.
Il existe deux types de mthode pour estimer le modle : l'analyse facto-
rielle principale (principal factor analysis) et la mthode du maximum de
vraisemblance sous hypothse de normalit (voir LAWLEY et MAXWELL [1971]
pour une prsentation complte). La premire ne ncessite aucune connais-
sance sur le nombre de facteurs retenir, alors que ce nombre doit tre donn
a priori pour mettre en uvre la seconde. En revanche, la mthode de
maximum de vraisemblance fournit des estimateurs asymptotiquement effi-
caces des paramtres, ce qui n'est pas le cas de l'analyse factorielle principale.
En pratique, les deux mthodes sont utilises. Lors d'une premire tape,
l'analyse factorielle principale fournit un critre permettant de choisir un
nombre de facteurs qui semble pertinent. En fait, sa mise en uvre revient
effectuer une analyse en composantes principales, mais cette ACP porte non
pas sur la matrice de corrlation mais sur la matrice dite de corrlation
rduite : les termes hors diagonale de cette matrice sont gaux aux corrla-

94
tions entre variables, mais les lments diagonaux (qui correspondent aux h i2)
sont fixs, en premire approximation, aux valeurs des corrlations cano-
niques de chaque variable avec l'ensemble des autres. On est alors conduit
calculer les valeurs propres de cette matrice, et le nombre de facteurs retenir
est choisi en fonction de la taille de ces valeurs propres. Dans une deuxime
tape, il est possible de mettre en uvre la mthode de maximum de vraisem-
blance. En outre, un test du rapport de vraisemblance permet, dans ce cadre
statique, de contrler que le nombre de facteurs retenu est correct.
Signalons enfin que, dans les deux mthodes, les paramtres i j sont
estims en premier, et que les valeurs prises par les facteurs communs Fj t (les
scores) sont approxims dans un second temps comme des combinaisons
linaires des variables initiales ceci est fait par le biais de techniques de
rgression visant minimiser la variance de l'cart entre chaque facteur et son
approximation linaire.

2.2. Convergence, dans un cadre dynamique, des

estimateurs obtenus dans l'analyse factorielle statique
Dans toute la suite de cette partie, on suppose que chacun des processus
rels (Fit ) et (u it ) est stationnaire au sens faible et peut prsenter de l'auto-
corrlation, mais que le modle est estim par une procdure standard de
maximum de vraisemblance, comme s'il n'y avait pas d'autocorrlation. La
stationarit des (Fit ) et (u i t ) entrane en particulier celle des (yi t ). Le
 
vec3
vecteur des paramtres du modle est = , o d = (d1 ,. . . ,dn )0.
d
L'estimateur T ainsi obtenu est un M-estimateur de . Nous montrons ici que
cet estimateur est convergent 1.
Pour tout t fix, on note xi t = yi t yi et x t = (x 1t ,. . . ,x nt )0. Soit
1P
S= x t x t0 la matrice de variance-covariance empirique des observations
T
et soit 6 = 330 + D la matrice de variance-covariance thorique. La
pseudo-logvraisemblance du modle, calcule sous hypothse de normalit,
comme si les facteurs et les composantes spcifiques ne prsentaient pas d'au-
tocorrlation, peut s'crire ( un terme constant et au facteur T 1 prs, voir
LAWLEY-MAXWELL [1971]) :
1 X T
L T (x,330 + D) = ln lt (x,)
T 1 t=1
1 1
= ln(det(330 + D)) tr((330 + D)1 S)
2 2
1. En toute rigueur, la dmonstration qui est donne montre la convergence de l'estimateur associ
bT 3
de la matrice de variance-covariance, c'est--dire de 3 b0 + DbT. Cependant, si le modle est
T 
vec30
localement identifiable, la vraie valeur du paramtre 0 = est unique une rotation
d0
prs de 30, et on parlera encore de convergence de b T vers 0, mme s'il s'agit d'un abus de
langage. Une condition suffisante d'identifiabilit locale a t nonce par ANDERSON RUBIN
(1956, thorme 5.9). Nous nonons cette condition dans le lemme 5 (cf. ci-dessous) et nous la
supposerons ralise dans toute la suite.

ANALYSE FACTORIELLE DYNAMIQUE 95

 Soit 0 la vraie valeur du paramtre . On suppose que varie dans une
rgion de la forme R np [,+[n , > 0, contenant 0. Ceci entrane
notamment que 0 vrifie lui-mme : di0 = / 0, pour i = 1,. . . ,n. Cette
dernire condition est en particulier une condition suffisante pour que 6 soit
inversible, donc pour que la pseudo-vraisemblance soit dfinie.
La dmonstration de la convergence du M-estimateur T maximisant
L T (x,330 + D) se fait selon une dmarche classique, qui est prsente par
exemple dans NEWEY et MACFADDEN [1994]. Cette dmonstration, que nous
renvoyons en annexe, se fait en plusieurs tapes. On tablit d'abord que, pour
maximiser cette fonction, on peut se restreindre supposer que varie non
pas dans R np [,+[n, mais dans un compact 2 inclus dans
R np [,+[n. On montre ensuite que la fonction objectif possde des
proprits suffisantes pour assurer la convergence. On obtient alors la propo-
sition suivante :

PROPOSITION 1 : Le M-estimateur T obtenu en maximisant la pseudo-

vraisemblance calcule sous hypothse de normalit et d'absence d'autocor-
rlation, est convergent.

Preuve : voir annexe 1.

2.3. Une procdure de test du nombre de facteurs

dans un modle dynamique
Dans cette partie, nous proposons une procdure pour tester l'hypothse
nulle que les donnes sont compatibles avec un modle p facteurs
communs2. Cette procdure est fonde sur la loi asymptotique du vecteur du
pseudo-score obtenu partir de la maximisation de la pseudo-vraisemblance
utilise prcdemment.
 
vec3
Soit = R ( p+1)n le vecteur des paramtres du modle
d
contraint. Comme 6 est symtrique, le vecteur des paramtres du modle non
contraint peut s'crire : = vech6 R n(n+1)/2 3.
L'hypothse nulle que nous voulons tester est la compatibilit de 6 avec un
modle p facteurs, sous l'hypothse alternative que 6 est non contrainte.
L'hypothse nulle peut se mettre sous la forme H0 : vech6 = vech(330 + D),
 
vec3
c'est--dire sous la forme = h( ), o h est l'application qui =
d
associe vech(330 + D), lorsque D = diag(d).
Ce test relve du cadre gnral prsent par GOURIROUX et MONFORT
[1989a et 1989b]. La procdure de test qu'ils proposent est fonde sur le

2. Bien sr, cette procdure peut tre utilise pour mener des tests de faon squentielle avec diff-
rentes valeurs de p. Le modle est d'autant plus contraint que la valeur de p retenue est petite.
P
3. On rappelle que pour toute matrice symtrique ,
P
vech = (i j , 1 6 j 6 i 6 n) = (11 ,21 ,. . . ,n1 ,22 ,32 ,. . . ,n2 ,. . . nn )0

96
calcul de la loi asymptotique, sous l'hypothse nulle, du vecteur du score
h
associ la pseudo-vraisemblance. Elle suppose que la matrice est de
0
plein rang colonne. Cependant, dans le cas que nous tudions, cette dernire
hypothse n'est pas toujours vrifie, comme nous le verrons plus loin. De
sorte que nous serons amens tendre les rsultats de GOURIROUX et
h
MONFORT au cas o la matrice n'est pas de plein rang colonne (proposi-
0
tion 4).
Le calcul de la loi asymptotique du vecteur du pseudo-score sous l'hypo-
thse nulle reposant sur le calcul pralable de la loi asymptotique sous
l'hypothse alternative, nous commenons donc par calculer ce vecteur et
cette loi asymptotique (proposition 3).
Dans la suite de ce paragraphe, nous utilisons des notations introduites par
MAGNUS et NEUDECKER afin de simplifier les formules de calcul diffrentiel
lorsqu'il est appliqu dans un cadre matriciel (voir par exemple MAGNUS et
NEUDECKER [1988]). Ces notations sont les suivantes :
Dnest la matrice de duplication d'ordre n, c'est--dire la matrice de
n(n + 1)
format n 2 , qui vrifie :
2
pour toute matrice M symtrique d'ordre n,vecM = Dn vechM.
Dn+ = (Dn0 Dn )1 Dn0 est la pseudo-inverse de Dn. En particulier, pour
toute matrice M symtrique d'ordre n,vechM = Dn+ vecM.
K nn est la matrice de commutation, c'est--dire la matrice de format
(n 2 , n 2 ) qui vrifie :
pour toute matrice M carre d'ordre n,vecM 0 = K nn vecM.
Nous utiliserons en outre diverses proprits de ces matrices4 (voir par
exemple LTKEPOHL [1993] pour un rappel de l'ensemble de leurs proprits).
Considrons maintenant la pseudo-vraisemblance du modle non contraint :
X
1 1 1
L T (x,6) = ln det6 tr 6 1 xt xt0 .
2 2 T t

Suivant que l'on prend ou non en compte la symtrie de la matrice 6, cette

fonction peut tre considre comme une fonction de vec6 (elle est alors
2
dfinie sur R n ), ou comme une fonction de vech6 (elle est alors dfinie sur
n(n+1)
R 2 ).

4. K nn est une matrice orthogonale et symtrique

K nn Dn = Dn
pour M et N matrices carres d'ordre n : K nn M N = N M K nn.
Nous utiliserons aussi la proprit suivante : vec M N P = P 0 M vec N. En particulier, si 6 est
une matrice symtrique inversible : vec 6 1 = 6 1 6 1 vec 6.

ANALYSE FACTORIELLE DYNAMIQUE 97

 On a :
X 0
LT 1 1 1 1 0 1
(x,6) = vec 6 6 xt xt 6
vec6 2 T t
X
1 1 1 1 0 1
= K nn vec 6 6 xt xt 6
2 T t

1 1 1 1X 0
= K nn 6 6 vec 6 xt xt
2 T t

LT LT
Comme (x,6) = Dn0 (x,6) et comme Dn0 K nn = Dn0 , on en
vech6 vec6
dduit :

LT 1 0 1 1 1X 0
(x,6) = Dn 6 6 vec 6 xt xt
vech6 2 T t
L'estimateur du pseudo-maximum de vraisemblance du modle non
X
b= 1
contraint est donc l'estimateur usuel 6 x t x t0, c'est--dire la matrice
T t
de variance-covariance empirique des donnes, que nous avons aussi note S.
Cet estimateur est convergent puisque, par hypothse, le vecteur x des
variables observes est stationnaire. De plus, on a vu dans la section prc-
dente que l'estimateur obtenu en maximisant la pseudo-vraisemblance du
modle contraint est lui aussi convergent.

LEMME 2 : Soit (x t ) un processus gaussien stationnaire de taille n.

On suppose que : E x t = 0,E x t x t0 = 6 = 0(0) et E x t x th 0 = 0(h).
Alors :
h Z
E((vecx t x t0 )(vecx th x th
0
)0 ) = E(x t x th
0 0
x t x th )
0
= (vec6)(vec6) + (0(h) 0(h))(In 2 + K nn )
cov(vec(x t x t0 ),vec(x th x th
0 )) = 0(h) 0(h)(I + K ).
n2 nn

Preuve : voir annexe 2.

PROPOSITION 3 : On suppose que (x t ) est un processus gaussien station-

naire, et l'on note :
X
0 ), 0(0) = 6, =
h Z 0(h) = E(x t x th 0(h) 0(h).
0
hZ

2 LT
On pose de plus : J0 = E (x,6) .
vech(6)vech0 (6)
Alors :
1 0 1
i) J0 = D 6 6 1 Dn
2 n

98

LT 1X 0
ii) (x,6) = J 0 vech 6 x x
t t
vech6 T t

1X L 0
iii) T vech 6 xt xt N 0,2Dn+ 0 Dn+
0
T t
LT L  0

iv) T (x,6) N 0,2J0 Dn+ 0 Dn+ J0
vech(6)

Preuve : voir annexe 3.

PROPOSITION 4 : On s'intresse au test d'une hypothse H0 : = h( ),

avec : R m, R q.
On suppose que :
0 est la vraie valeur du paramtre : sous H0 ,0 vrifie : 0 = h(0 ).
h
0 est une matrice (m,q) de rang q0, avec : q0 6 q 6 m.

l'estimateur T de obtenu sous l'hypothse alternative, est solution du
problme :
maxm Q T (x, ).
R
l'estimateur T de , obtenu sous l'hypothse nulle, est solution du
problme :
maxq Q T (x, ) avec Q T (x, ) = Q T (x,h( )).
R
T et T sont des estimateurs convergents de et
QT L
T (x,0 ) N (0,), avec  dfinie positive.


2 QT
On note : T = h(T ) et J0 = p lim
0 (x,h(0 ))
0
On note P la matrice de la projection J0-orthogonale sur l'espace engendr
h
par les colonnes de 0 (0 ). En dsignant par (.)+ la pseudo-inverse d'une

matrice, P peut s'crire :
 0 + 0
h h h h
P = 0 (0 ) (0 )J0 0 (0 ) (0 )J0 .

Soit M = Im P et (M 0 M) une inverse gnralise de M 0 M. On
note M un estimateur convergent de M et  un estimateur convergent de
.
Alors la statistique du test du score vrifie :
 0  
QT 0 0 QT L
T (x,T ) ( M  M) (x,T ) 2 (m q0 )
0

ANALYSE FACTORIELLE DYNAMIQUE 99

 Preuve : voir annexe 4.

LEMME 5 : On se place sous la condition suffisante d'identifiabilit locale

de ANDERSON-RUBIN5.
 
vec3
Soit = et h( ) = vech(330 + D) o D = diag(d) .
d
Xn
On pose 1n = ei ei ei0 de sorte que 1n d = vecD.
i=1
Alors :
h
i) 0 ( ) = Dn+ [ 23 In 1n ]

h p( p 1)
ii) rg 0 ( ) = n( p + 1)
2

Preuve : voir annexe 5.

h
Remarquons en particulier que le seul cas o 0 est de plein rang est le cas
o p = 1.

PROPOSITION 6 : On se place sous les hypothses de la proposition 3 et du

lemme 5.
On note H0 : vech60 = h(0 ) l'hypothse nulle du test (il existe une
 0 + 0
h h h h
modle p facteurs), P = 0 (0 ) (0 )J0 0 (0 ) (0 )J0 ,

M = In(n+1)/2 P, et M un estimateur convergent de M.
Pour tout h Z, on note 0(h) la matrice des autocorrlations
X empiriques
b
d'ordre h des observations et on dfinit : 0 = 0(h) 0(h).
h
1X
Enfin, on note S = x t x t0 la matrice de variance-covariance empi-
T t
rique des observations et 6 b0 = 3 b 0 + DT l'estimateur contraint obtenu
bT 3
T T
en maximisant la pseudo-vraisemblance sous H0.
Alors :
i) la statistique du test du pseudo-score s'crit :
T  
S = vech(6 b 0 S)0 M Dn+  b0 Dn+0 M 0 vech(6 b 0 S)
2 T T

L
Elle vrifie : S 2 (r )
H0
1
avec r = ((n p)2 (n + p)).
2
ii) Elle est identique la statistique du test de HAUSMAN-WALD de H0.


5. Cette condition est la suivante : on dfinit 8 = D 3(30 D 1 3)1 30 = i j , et on suppose
que la matrice de terme gnral i j est inversible.
2

100
 Preuve : voir annexe 6.
On peut remarquer que le nombre de degrs de libert de la loi de chi-deux
obtenue comme loi limite est bien gal au nombre de contraintes testes. En
effet, le modle contraint contient np + n paramtres, mais la matrice 3 n'est
dfinie qu' une rotation prs. De fait, (cf. LAWLEY-MAXWELL [1971]) la
pseudo-vraisemblance est maximise sous une contrainte identifiante, savoir
0 p( p 1)
la contrainte que la matrice 3 D 1 3 soit diagonale. Ceci impose
2
conditions d'orthogonalit sur les colonnes de 3. Le nombre de paramtres
p( p 1)
libres du modle contraint est donc ( p + 1)n , si bien que le
2
nombre de contraintes testes est :
 
n(n + 1) p( p 1) 1
( p + 1)n = ((n p)2 (n + p)) = r .
2 2 2
Pour conclure cette partie, il importe de noter que la procdure de
maximum de vraisemblance ainsi utilise sans tenir compte de l'autocorrla-
tion des variables fournit des estimateurs asymptotiquement normaux mais
non asymptotiquement efficaces. On pourrait amliorer cet estimateur en
changeant la fonction objectif6, mais ceci ne permettrait plus d'utiliser la
procdure standard de l'analyse factorielle. La procdure de test que nous
venons de prsenter a l'avantage d'tre trs simple utiliser. Mais elle ne peut
tre conue que comme une tape prliminaire visant dterminer le nombre
de facteurs pertinent. Dans une deuxime tape, nous serons donc amens
tenir compte explicitement de la dynamique des variables traites, de faon
obtenir des estimateurs asymptotiquement efficaces. Nous procderons alors
une estimation par filtre de KALMAN, fonde sur une criture tat-mesure du
modle. Comme nous l'avons signal en introduction, cette mthode est en
effet employe pour l'estimation des modles facteurs dynamiques, lorsque
le nombre de facteurs est fix (voir par exemple STOCK et WATSON [1989,
1993]).

3 Application aux donnes de l'enqute

de conjoncture dans l'industrie

Les enqutes de conjoncture constituent une source prcieuse pour suivre

les fluctuations conomiques de court terme, dans la mesure o elles cumu-
lent trois types d'avantages : elles fournissent un message recueilli
directement auprs des acteurs conomiques ; elles sont disponibles rapide-
ment (environ un mois aprs l'envoi des questionnaires), intervalles
rapprochs et rguliers ; enfin, elles sont trs peu rvises (chaque publication

6. CRAGG et DONALD [1995] ont par exemple trait de cette faon le cas de l'htroscdasticit des
composantes spcifiques.

ANALYSE FACTORIELLE DYNAMIQUE 101

donne lieu une rvision des soldes d'opinion du seul mois prcdent, rvi-
sion qui, de surcrot, est en gnral de trs faible amplitude).

3.1. Les donnes

On considre ici les rponses six questions de l'enqute de conjoncture de
l'INSEE dans l'industrie, sur la priode mars 1976-mars 1997. Ces questions
sont : opinion sur la tendance passe de la production personnelle (TPPA),
opinion sur la tendance prvue de la production personnelle (TPPRE),
opinion sur la demande et les carnets de commande globaux (OSCD), opinion
sur la demande et les carnets de commande en provenance de l'tranger
(OSCDE), opinion sur le niveau des stocks (OSSK) et perspectives gnrales
d'activit (PGP).
Dans cette enqute, pour chaque question, les industriels peuvent rpondre
suivant trois modalits : le niveau est plus lev, moins lev, ou comparable
celui de la priode prcdente. Les rponses sont agrges en pondrant la
fois par la taille de l'entreprise rpondante et par celle de la branche laquelle
l'entreprise appartient. Le rsultat publi est le solde d'opinion, c'est--dire la
diffrence entre le pourcentage des rponses plus lev et celui des
rponses moins lev .
Les soldes d'opinion sont ici corrigs des variations saisonnires7 ( l'aide
du logiciel X11 ARIMA). Les cinq premiers couvrent l'industrie manufactu-
rire, et le sixime (PGP) couvre l'ensemble de l'industrie (y compris nergie)
hormis les industries agro-alimentaires. Un simple coup d'il au graphique
des six soldes (graphique 1) suffit pour se convaincre que les profils de ces
sries sont extrmement similaires. D'o l'ide de chercher rsumer en un
seul indice synthtique l'information commune qu'elles contiennent.

GRAPHIQUE 1
Soldes dopinions de lenqute mensuelle.

7. Cependant, deux soldes d'opinion (OSCD et OSSK) prsentent une saisonnalit trop instable pour
tre corrige. Ces soldes, publis comme CVS par l'INSEE, sont donc en fait gaux leurs valeurs
brutes.

102
 Chaque solde d'opinion prsente une dynamique cyclique trs
prononce, en ce sens qu'il peut tre considr comme stationnaire, mais qu'il
prsente une structure d'autocorrlation assurant une persistance ses varia-
tions. En effet, les autocorrlogrammes empiriques montrent que les
autocorrlations sont significativement positives jusqu' l'ordre 8.
Nanmoins, ces sries n'en sont pas pour autant intgres. En effet, le test
de DICKEY-FULLER augment refuse l'hypothse nulle de la prsence d'une
racine unit et, l'inverse, le test KPSS (KWIATKOWSKI et alii [1992]) conduit
accepter chaque fois l'hypothse nulle que les soldes sont des variables
stationnaires (pour le dtail des rsultats des tests, voir annexe 7).

3.2. Application du test et estimation d'un modle

un facteur par filtre de KALMAN
Le tableau ci-dessous prsente les rsultats du test du pseudo-score et les
valeurs des seuils correspondants (dans le cas d'un modle 6 variables et un
facteur, la loi asymptotique sous hypothse nulle est un 2(9)). Le nombre de
retards que l'on doit retenir pour le calcul des autocovariances est ncessaire-
ment suprieur 8, puisque les autocorrlations univaries des sries sont
significativement diffrentes de zro jusqu' cet ordre. En pratique, la valeur
du seuil obtenu est de toute faon quasiment stable au-del de 8 retards.
nombre de retards test Proba
0 83,80 0,00
8 14,65 0,10
12 14,41 0,11

Ainsi, alors qu'un test men sans tenir compte de l'autocorrlation des
sries (nombre de retard fix zro), conduit rejeter l'hypothse d'un
unique facteur8, cette hypothse est au contraire accepte pour un seuil de
5 % lorsque l'on modifie le test pour tenir compte du cadre dynamique du
modle. En dfinitive, il apparat licite de chercher construire un indicateur
rsumant l'information commune apporte par les six principaux soldes
de l'enqute d'activit.
On peut noter que ce facteur commun suffit rendre compte de 82 % de la
variance totale des sries tudies. Plus prcisment, les pondrations et les
communalits sont :

Question Pondration Communalit

TPPA 0,96 92,6 %
TPPRE 0,89 79,8 %
OSCD 0,97 93,7 %
OSCDE 0,90 81,9 %
OSSK 0,86 74,5 %
PGP 0,85 73,0 %

8. C'est aussi le rsultat que fournit le test du rapport de vraisemblance calcul par le programme
standard de SAS dans le cas sans autocorrlation.

ANALYSE FACTORIELLE DYNAMIQUE 103

 Une fois que le choix du nombre de facteurs communs retenir est arrt
(en l'espce, un seul), il demeure ncessaire de tenir compte de la dynamique
des variables pour estimer le modle. Dans le cas prsent, nous avons essay
par ttonnement plusieurs spcifications possibles de type ARMA pour le
facteur commun et les composantes spcifiques. En nous attachant d'une part
la significativit des paramtres obtenus in fine et d'autre part la
qualit des diffrentes sries d'innovations (ces sries, une fois estimes,
pouvaient-elles tre considres comme des bruits blancs faibles ?), nous
avons t amens retenir une dynamique de type ARMA(2,1) pour le facteur
commun, et des dynamiques de type AR(1) pour les composantes spcifiques.
Le modle est alors le suivant :
yit = i Ft + u it, pour i = 1 n (avec ici n = 6) et pour tout t,
Ft = 1 Ft1 + 2 Ft2 + t t1 pour tout t,
u it = i u i,t1 + it, pour i = 1 n et pour tout t,
o t et it sont les innovations de Ft et de u i t chaque date t, et o les
processus (t ) et (it ) sont supposs indpendants.
Ce type de modle admet une reprsentation tat-mesure. Rappelons que la
forme gnrale des modles tat-mesure est la suivante :
yt = Z t t + dt + et (M)
t = At t1 + ct + Rt t (T )

dans laquelle les processus (et ) et (t ) sont non autocorrls, non corrls
entre eux, et vrifient :
Eet = 0, V et = Ht , Et = 0, V t = Q t .
Dans un tel cadre, le vecteur t, qui est appel le vecteur d'tat, est inobser-
vable. L'quation (M) est appele quation de mesure : elle donne la relation,
chaque date t, entre le vecteur yt des variables observes et le vecteur d'tat.
L'quation (T ), ou quation de transition, dcrit la dynamique du vecteur
d'tat.
Les matrices Z t , At ,dt ,ct ,Rt ,Ht et Q t sont non stochastiques, mais elles
peuvent dpendre du temps de faon dterministe. Elles peuvent aussi
dpendre des paramtres du modle.
Dans le cas qui nous concerne, on peut rcrire le modle sous une forme
tat-mesure en posant le vecteur d'tat t = (Ft ,Ft1 ,t ,u 1t ,. . . ,u nt )0 :

Ft
Ft1
1 0 0
. . . t
yt = .. .. .. In
u 1t
n 0 0 .
..
u nt

104

1 2
Ft 1 0 0 0 Ft1
Ft1 Ft2
0 0 0
t t1

u 1t = 1 u 1t1
. .
.. .. ..
0 .
u nt u nt1
n

1
0 0
1 t
1t

+ ..
0
.

.
. nt
. In
0
Un tel modle peut tre estim de diverses faons. Dans ce papier, nous
utilisons une procdure du maximum de vraisemblance par filtre de KALMAN.
Rappelons brivement les aspects principaux de cette mthode - une prsenta-
tion complte figure, par exemple, dans HARVEY [1989] ou GOURIROUX et
MONFORT [1989b]. Pour tout ensemble fix de valeurs des paramtres, le filtre
de KALMAN en tant que tel consiste dterminer la meilleure prvision du
vecteur d'tat chaque date, compte tenu de l'information disponible cette
date. Pour tout t, les prvisions optimales : at|t1 = E(t | It1 ) et
at = E(t | It ), sont ainsi calcules par une procdure itrative.
Sous hypothse de normalit des perturbations, il est alors possible de
calculer explicitement la vraisemblance du modle en fonction de ces prvi-
sions optimales du vecteur d'tat et des matrices de variance-covariance des
erreurs de prvision associes. La vraisemblance peut ainsi tre obtenue en
tout point de l'espace des paramtres, et maximise l'aide d'une procdure
quelconque d'optimisation, de faon obtenir les estimateurs du maximum de
vraisemblance des paramtres. Sous des hypothses standard, ces estimateurs
sont asymptotiquement normaux.
Lorqu'on estime le modle facteur dynamique prsent prcdemment, les
rsultats sont les suivants.
Les estimations obtenues pour les paramtres du facteur commun condui-
sent l'quation :
Ft = 1,83 Ft1 0,85 Ft2 + t 0,48 t1
(0,05) (0,05) (0,11)

Il faut ici noter que la valeur de a t fixe arbitrairement 0,5. En effet,

le modle est dfini un paramtre d'chelle prs : il faut donc fixer la valeur
de l'un des paramtres pour le rendre identifiable.
On peut remarquer que l'estimation obtenue pour le polynme autorgressif
du facteur commun a des racines proches de l'unit. Cependant, il semble
difficile de tester directement la prsence d'une racine unit dans un tel
contexte. En effet, sous l'hypothse nulle, la loi est non standard et les tests de
DICKEY-FULLER ne peuvent tre directement appliqus dans le cadre non-
linaire des modles composantes inobservables.

ANALYSE FACTORIELLE DYNAMIQUE 105

 Cependant, les tests de racines unit mens sur les sries initiales ont
conduit rejeter l'hypothse de non-stationnarit, et le facteur commun est ici
ncessairement de mme nature puisque les composantes spcifiques sont
clairement stationnaires. Ce type de rsultat n'est d'ailleurs pas spcifique
notre tude ; au contraire, il semble que l'on obtienne souvent des rsultats
analogues lorsqu'on tudie des sries prsentant un caractre cyclique, ceci
tant d au caractre fortement persistant de telles sries9.
Les estimations des autres paramtres figurent dans le tableau ci-dessous

Question i i i
estimation cart-type estimation cart-type estimation cart-type
TPPA 2,76 0,24 0,33 0,04 2,55 0,15
TPPRE 1,96 0,21 0,81 0,03 3,23 0,15
OSCD 3,17 0,30 0,88 0,03 2,55 0,19
OSCDE 3,25 0,36 0,87 0,03 3,94 0,20
OSSK 1,61 0,18 0,82 0,04 2,83 0,14
PGP 3,69 0,55 0,89 0,03 5,95 0,25

Si l'on tient compte du fait que, dans le cas prsent, les soldes et le facteur
commun obtenu ne sont pas normaliss, les pondrations obtenues sont
compatibles avec celles que fournissait l'analyse factorielle statique10.
Comme nous travaillons dans un cadre stationnaire, les statistiques usuelles
peuvent tre utilises. Cependant, le problme de la significativit des para-
mtres d'cart-type est un peu plus complexe puisque la valeur zro est sur la
frontire de l'espace admissible des paramtres. Dans ce cas, le carr de la
1 1
statistique de STUDENT suit un mlange de lois : 02 + 12 11. L'tude des
2 2
rsultats conduit, ici encore, conclure que ces paramtres sont tous trs
significatifs. En particulier, les composantes spcifiques de chaque solde ne
peuvent tre assimiles de simples bruits blancs (le coefficient autorgressif
d'ordre 1 est significativement diffrent de zro), ce qui laisse penser que la
rponse chaque question de l'enqute contient bien une information suppl-
mentaire par rapport aux autres et par rapport aux enseignements qu'on peut
tirer du facteur commun.
Il convient galement, pour juger de la qualit de l'estimation, de savoir si
les diffrentes innovations obtenues peuvent tre assimiles des bruits
blancs. On a donc procd une analyse des autocorrlogrammes direct,
inverse et partiel de ces innovations et on a calcul des tests du portmanteau

9. Par exemple, WATSON [1986] estime la composante cyclique du PIB amricain sous une forme
AR(2) dans le cadre d'un modle composantes inobservables et il obtient :
Ct = 1,50Ct1 0,58Ct2 + u t. Ici aussi, 1 + 2 # 1, ce qui signifie que les racines du poly-
nome retard sont en module proches de l'unit. WATSON relve ce fait, mais ne teste par l'hypo-
thse de non stationnarit.
10. Plus prcisment, si l'on multiplie les pondrations normalises obtenues par analyse factorielle
statique par les cart-types des soldes correspondants et si l'on les divise par l'cart-type du fac-
teur commun estim par filtre de KALMAN (ce afin de rendre les rsultats comparables entre les
deux mthodes), on obtient :
TPPA : 2,74 ; TPPRE : 1,96; OSCD : 3,33 ; OSCDE : 3,20 ; OSSK : -1,66 ; PGP : 4,08.
11. Voir par exemple HARVEY (1989) : un test de niveau 5 % est obtenu en comparant le STUDENT 1,6.

106
(bien qu'ils ne soient pas directement adapts au cadre des modles compo-
santes inobservables). Ces derniers conduisent accepter au seuil de 5 %
l'hypothse que les innovations du facteur commun et des composantes spci-
fiques sont des bruits blancs, pour toutes les sries sauf pour celle qui
correspond au solde portant sur la demande et les carnets globaux (OSCD).
L'examen de l'autocorrlogramme de l'innovation correspondante permet en
effet de constater l'existence d'une autocorrlation significativement diffrente
de zro l'ordre 12 (de l'ordre de 0,20). Ce phnomne est sans doute attri-
buable au fait que le solde correspondant n'est pas corrig des variations
saisonnires lorsqu'il est publi par l'INSEE (pour des raisons de mauvaise
stabilit des coefficients saisonniers ventuels). En dfinitive, on est conduit
juger que l'estimation obtenue est globalement satisfaisante.
On peut enfin noter que le facteur commun tir du filtre de KALMAN est
extrmement proche de celui obtenu par analyse factorielle statique (cf.
graphique 2). Ce rsultat est surprenant a priori puisque cette dernire tech-
nique ne tient aucun compte de la dynamique des sries utilises. Il semble
suggrer que l'analyse factorielle classique fournit des rsultats qui demeu-
rent, en pratique, utilisables dans le domaine temporel lorsque les donnes
observes prsentent une trs forte corrlation instantane.

GRAPHIQUE 2
Comparaison des facteurs communs obtenus par les deux mthodes.

3.3. Une grille d'interprtation pour l'enqute

mensuelle dans l'industrie
Lorsque l'on rapproche l'volution du facteur commun obtenu du glisse-
ment annuel de la production manufacturire (tire des comptes trimestriels),
on constate que les retournements des deux sries se produisent le plus
souvent des dates trs voisines (cf. graphique 3). Il ne faudrait pas, cepen-
dant, se mprendre sur le sens de cette comparaison : on se borne constater
visuellement que l'apprciation porte par les industriels sur leur activit (au
travers de leurs rponses l'enqute mensuelle) offre un reflet fidle des
grands mouvements de la conjoncture industrielle. En outre, les variations au
mois le mois du facteur commun apparaissent moins heurtes que celles des

ANALYSE FACTORIELLE DYNAMIQUE 107

GRAPHIQUE 3
Indicateur composite et glissement annuel de la production manufactu-
rire.

soldes d'opinion relatifs aux diffrentes questions de l'enqute, ce qui permet

en principe de dtecter plus facilement et plus rapidement les inflexions
qu'elle connat.
Sur la priode d'tude dont nous disposons, on peut lire en particulier le
retournement conjoncturel la baisse du dbut de 1980 conscutif la forte
hausse du prix du ptrole tout au long de l'anne prcdente (second choc
ptrolier) de mme que la forte expansion de la fin des annes 80 faisant
suite au contre-choc ptrolier de 1986. L'indicateur rend compte du ralentisse-
ment enregistr au dbut des annes 90, marqu par une stabilisation de la
mi-91 la mi-92, puis par la svre rcession de 1993. Enfin, la nette ascen-
sion du facteur commun en 1994 et sa rapide redescente en 1995 attestent de
la brivet du dernier cycle.
Lindicateur rsum ainsi calcul apparat au total comme une sorte de
climat gnral, rendant compte de l'information commune contenue dans les
diffrents soldes. Cependant, l'analyse factorielle prsente galement l'intrt
d'isoler la part d'information spcifiquement apporte par chaque solde
d'opinion (chacune des composantes spcifiques estime ne pouvant tre assi-
mile un simple bruit blanc). Ce faisant, elle fournit une sorte de grille de
lecture complte de l'enqute. On se contentera ici de montrer que, durant les
priodes o la composante spcifique dun solde d'opinion prsente un
mouvement prononc et durable, il est souvent possible d'interprter cette
information au moins d'un point de vue qualitatif.
Il est trs important ici de ne pas se laisser abuser par les expressions
employes : le terme d'information spcifique dsigne l'information compl-
mentaire apporte par une question donne ; en particulier, il ne signifie pas
qu'il faille se fonder uniquement sur elle pour analyser les rsultats fournis
par cette question. Bien au contraire, on a vu que l'indicateur rsum, cette
information commune toutes les questions, rend compte d'une part trs
importante de l'volution du profil de chacune d'entre elles. De sorte que,
pour prendre un exemple, si, en priode de climat favorable, une composante
spcifique est ngative de faon durable, on jugera, non pas que l'opinion des
industriels sur le sujet abord est dfavorable, mais qu'elle est plutt moins
favorable qu'elle ne pourrait ou ne devrait l'tre dans le contexte conjonc-

108
turel tudi. Cette prcaution prise, on peut maintenant tenter, la lumire des
rponses aux questions de l'enqute mensuelle, de dcrire plus prcisment
les fluctuations conjoncturelles que l'industrie franaise a traverses.
La rponse relative au niveau de la production passe (cf. graphique 4) est
extrmement proche du climat gnral, si bien qu'elle constitue elle seule
une bonne approximation de l'information commune sous-jacente aux six
questions de l'enqute, condition de la lisser quelque peu. Cet avantage a
pour contrepartie vidente le fait que l'information spcifique apporte par
l'opinion sur l'activit passe, anime de mouvements de faible amplitude,
gnralement irrguliers et contradictoires, ne semble pas interprtable.
GRAPHIQUE 4
Tendance de la production passe.

En ce qui concerne les perspectives personnelles de production (cf.

graphique 5), si l'on veut voir dans l'information spcifique fournie par cette
question une variable anticipe de la conjoncture, le bilan que l'on peut
dresser est pour le moins contrast. En fait, il semble, en premire approxi-
mation, que, la fin des annes 70, cette information spcifique tendait
positionner le solde d'opinion au dessus du climat gnral en priode de
conjoncture ascendante et en dessous dans le cas contraire, si bien que le

GRAPHIQUE 5
Tendance de la production prvue.

ANALYSE FACTORIELLE DYNAMIQUE 109

croisement des deux courbes signalait qu'un vritable retournement tait en
cours ; en ce sens, on pouvait donc estimer que les grandes inflexions de l'ac-
tivit pouvaient tre dceles au travers des anticipations des entrepreneurs.
La situation semble s'tre obscurcie au dbut des annes 80. Nanmoins, on
peut noter que la composante spcifique semble avoir retrouv un certain
pouvoir prdicteur lors des dernires annes (ralentissement de 1995, accl-
ration qui a suivi).
C'est gnralement en priode de haut ou de bas de cycle que l'information
spcifique apporte par la rponse sur le niveau de la demande et des
carnets globaux (cf. graphique 6) se distingue du climat gnral. Une inter-
prtation possible est la suivante : lorsque l'information spcifique est
positive, cela signifie que l'tat de la demande adresse aux industriels inter-
rogs est jug meilleur que ce que laisserait prvoir le contexte conjoncturel
qu'ils dcrivent : ils font donc sans doute preuve d'un pessimisme personnel
relatif lorsqu'ils rendent compte du climat gnral. Ce cas de figure semble
avoir prvalu lors des annes de forte expansion de 1989 et 1990. Si ce point
de vue est juste, il faut mettre en regard cette priode avec l'anne 1994, au
cours de laquelle la composante est, au contraire, faiblement ngative ; ceci
signifierait que les industriels ont peru, lors de la dernire reprise, une ralit
plutt plus favorable que ce qu'indiquaient les carnets, se montrant cette fois
plutt optimistes.

GRAPHIQUE 6
Carnet de commande globaux.

L'information spcifique lie la question sur la demande et les carnets

trangers (cf. graphique 7) offre un clairage intressant sur les dcalages
conjoncturels ventuels entre la France et l'tranger. On y voit par exemple
que la composante spcifique est durablement positive en 1984, anne de
reprise pour l'ensemble des conomies occidentales (tats-Unis et pays
d'Europe de l'Ouest) : ceci illustre le fait que la croissance franaise bnfi-
ciait alors d'une contribution positive de l'extrieur, marque tout la fois de
la bonne tenue des exportations et d'une relative faiblesse de la demande int-
rieure. Autrement dit, le comportement de cette composante spcifique
constituait un signe que la France ne participait pas pleinement au mouve-
ment de reprise mondiale, mme si elle en bnficiait. De mme, cet
indicateur suggre que l'activit industrielle est tire par l'extrieur depuis la

110
GRAPHIQUE 7
Carnets de commande trangers.

mi 1996. Toutefois, l'chelle des vingt dernires annes, on peut noter que
les volutions du solde d'opinion sur la demande trangre semblent se
rapprocher de celles suivies par le climat gnral. Ce fait peut sans doute s'in-
terprter comme un signe tangible de l'ouverture progressive de l'conomie
franaise, et plus spcifiquement du secteur industriel, vers l'extrieur, si bien
que les fluctuations conjoncturelles majeures suivies par le pays apparaissent
de plus en plus relies celles que connaissent ses principaux partenaires.
Un intrt de la dcomposition en informations commune et spcifique du
solde d'opinion relatif au niveau des stocks (cf. graphique 8) pourrait tre de
proposer une lecture plus prcise de la rponse cette question qui est, en
effet, toujours difficile analyser. On demande aux industriels s'ils jugent le
niveau de leurs stocks suprieur, infrieur ou conforme la normale. La diffi-
cult porte donc sur l'interprtation donner ce terme : la normale
dsigne-t-elle un niveau moyen de stocks, constant au cours du temps, ou
bien un niveau de stocks variable, dpendant de la conjoncture du moment ?
Dans le schma prsent ici, les mouvements dus aux fluctuations du climat
gnral traduiraient le comportement de stockage li au cycle conjoncturel
proprement dit : en phase ascendante, pour des raisons tenant la fois une

GRAPHIQUE 8
Opinion sur les stocks.

ANALYSE FACTORIELLE DYNAMIQUE 111

activit passe et des anticipations de demande favorables, le niveau des
stocks a tendance tre jug de plus en plus lger et les industriels sont donc
plutt enclins reconstituer leurs stocks, alors que les variations inverses se
produisent en phase descendante. Dans ces conditions, l'information spcifi-
quement apporte par le solde d'opinion relatif la question sur les stocks
fournirait un renseignement sur l'cart de comportement par rapport ce
scnario de rfrence.
Les fluctuations de l'information spcifiquement apporte par la rponse sur
les perspectives gnrales de production (cf. graphique 9) sont amples et
persistantes. Il semble qu'en faisant passer le solde d'opinion au dessus ou en
dessous du climat gnral qui se dgage de l'enqute, elle constitue une sorte
de miroir du discours ambiant sur l'tat de la conjoncture, et de ses excs
ventuels. La composante spcifique est ainsi nettement ngative de 1982 la
mi-84, priode marque par l'instauration de deux plans de rigueur (juin 1982
et mars 1983) qui sont sans doute l'origine de diagnostics particulirement
pessimistes ; 1983 fut certes une anne de croissance trs faible, mais la
France ne tomba pas dans la rcession, contrairement aux craintes qui s'expri-
maient l'poque dans les mdia. De mme, alors que l'activit connaissait
une reprise vigoureuse qui ne se dmentait pas depuis le printemps 1987, la
survenue du crack boursier en octobre affecta durablement et spcifiquement
le solde portant sur les perspectives gnrales.

GRAPHIQUE 9
Perspectives gnrales de production.

4 Conclusion

La mthode de test du nombre de facteurs dynamiques propose dans ce

papier a l'avantage d'tre fonde sur la procdure standard de l'analyse facto-
rielle classique et d'tre trs simple mettre en uvre. Toutefois, il importe
de souligner que la procdure standard fournit des estimateurs qui ne sont pas

112
asymptotiquement efficaces en prsence d'autocorrlation, et doivent donc
tre considrs comme des estimateurs prliminaires.
Dans ce papier, aprs avoir fix le nombre de facteurs retenir l'aide du
test propos, nous avons choisi de modliser la dynamique des diverses
composantes du modle, et d'utiliser ensuite le filtre de KALMAN pour obtenir
dans une deuxime tape des estimateurs asymptotiquement efficaces. Il se
trouve que, sur les donnes que nous avons tudies ici, les rsultats obtenus
sont quasiment identiques ceux de la premire tape. Il serait videmment
intressant, dans des travaux ultrieurs portant sur d'autres donnes, de
comparer les rsultats obtenus en utilisant les deux dmarches.
Pour ce qui concerne la prsente tude, nous avons mis en vidence qu'un
modle avec un seul facteur commun peut dcrire de faon satisfaisante les
soldes d'opinion de l'enqute mensuelle d'activit dans l'industrie : ceci
permet de justifier l'utilisation de ce facteur comme un indicateur rsum,
sorte de climat gnral. De plus, dans ce cadre, l'apport supplmentaire des
diffrentes questions peut tre analys travers l'volution des composantes
spcifiques. En dfinitive, on peut esprer qu'un tel outil constitue une aide
dans le travail d'interprtation dlicat que doivent mener les conjoncturistes.

ANALYSE FACTORIELLE DYNAMIQUE 113

ANNEXE 1

Preuve de la proposition 1
Dans ce paragraphe, on note : kMk = max | m i j | pour toute matrice M.
i, j
La matrice de variance-covariance
0
du processus s'crit 6 = 330 + D. On

dfinit : Q T (x, ) = L T (x,33 + D).
La preuve s'articule en quatre tapes.
Etape 1 : k6k + H Q T (x, )
On montre tout d'abord que : k6k + H det 6 +.
En effet, comme on a suppos que di = / 0, pour i = 1,. . . ,n, la matrice D
est dfinie positive. Comme, en outre, 6 > D,6 est aussi dfinie positive.
Pour montrer que det 6 +, il suffit donc de montrer que l'une au moins
des valeurs propres de 6 tend vers +.
y0 M 0 M y
Or, on sait que : kMk22 = max dfinit une autre norme sur l'es-
y=/ 0 y0 y
pace des matrices, et que, si l'on dsigne par li ,i = 1,. . . ,n les valeurs
propres de la matrice symtrique dfinie positive 6, cette norme vrifie :
k6k2 = max li. Par quivalence des normes sur l'espace des matrices, on
i
obtient ainsi le rsultat.
Montrons maintenant que tr6 1 S reste born. Tout d'abord, il est clair que :


| tr6 1 S |6 n 2 6 1 kSk.

Si l'on note : d = min di, comme 6 > D > 0, on sait que les valeurs
i
propres de 6 sont toutes suprieures d. D'aprs le rsultat prcdemment
cit sur l'quivalence des normes de matrices, il existe donc un rel k tel que :
1 k
6 6 . Comme on a, de plus, suppos qu'il existe un rel > 0, tel
d
kn 2
que : 2,i = 1,...n di > , on obtient : | tr6 1 S |6 kSk.

Comme le processus (x t ) est stationnaire, kSk est p.s. borne quand T varie
et on obtient le rsultat.
L'tape 1 dcoule du fait que k6k + H det 6 + et que
tr6 1 S reste born. Il en rsulte que, lorsqu'on cherche maximiser
Q T (x, ) sur une rgion de la forme R np [,+[n, on peut se restreindre
au cas o varie dans un compact inclus dans R np [,+[n.
Dans toute la suite, on suppose donc que appartient un compact 2
contenant 0 et inclus dans une rgion de la forme R np [,+[n, o est
un rel strictement positif fix.
Etape 2 : Q T (x, ) converge en probabilit, uniformment pour 2,
vers Q 0 ( )

114
 1 1
Posons : Q 0 () = ln(det 6) tr(6 1 60 )
2 2
On a :
X
1 1
2 | Q T (x,) Q 0 () | = |tr6 xt xt tr6 1 60 |
0
T t
X
1 1 0
=| tr6 xt xt 60 |
T t

1 X

6 n 2 6 1 xt xt0 60
T t

kn 2 1 X


6 xt xt0 60
T t

Cette majoration tant indpendante de , l'tape 2 s'en dduit.

Etape 3 : la fonction Q 0 admet un maximum unique au point 0
On considre maintenant un processus (z t ) non autocorrl, tel que pour
tout t, la loi de z t est de la forme N 0
(0,6) avec 6 = 330 + D dfinie comme
prcdemment. Soit 60 = 30 30 + D0 la matrice de variance-covariance
associe la vraie valeur des paramtres. On note f (z t , ) et f (z t ,0 ) les
densits associes.
Les proprits de l'information de KULLBACK conduisent l'ingalit
suivante :   
f (z t , )
E 0 ln < 0 si =
/ 0 .
f (z t ,0
Pour = / 0, cette ingalit entrane que :

1 X 1 X
E 0 ln( f (z t ,)) < E 0 ln( f (z t ,0 ))
T 1 t T 1 t
c'est--dire que :
1 1 1 1
ln(det 6) tr(6 1 60 ) < ln(det 60 ) tr(601 60 ),
2 2 2 2
ou encore que : Q 0 ( ) < Q 0 (0 )12. On en dduit la troisime tape.
Etape 4 : la fonction Q 0 est continue sur 2
Ceci rsulte de la continuit de l'application qui associe 6, des applica-
tions trace et dterminant, ainsi que de l'application qui 6 associe 6 1.
Grce l'tape 1, on a vu qu'on pouvait supposer que 2, o 2 est un
compact inclus dans R np (R + )n. Dans ces conditions, les trois tapes
suivantes permettent d'appliquer les thormes gnraux sur la convergence
des M-estimateurs (voir par exemple NEWEY et MacFADDEN [1994], thorme
2.1) et de conclure que le M-estimateur T est convergent.

12. On notera que le raisonnement qui est fait ici consiste appliquer l'ingalit de l'information de
KULLBACK la pseudo-loi, en faisant momentanment comme si c'tait la vraie loi. Cette ingali-
t est en effet une proprit de la loi tudie, qu'elle soit ou non la vraie loi des observations.

ANALYSE FACTORIELLE DYNAMIQUE 115

ANNEXE 2

Preuve du lemme 2
Montrons d'abord la proprit pour h = 0.
Comme vec(x t x t0 ) = x t x t, il est clair que :
(vecx t x t0 )(vecx t x t0 )0 = x t x t .x t0 x t0 = x t x t0 x t x t0 .
Xn
En notant (ei ) les vecteurs de la base canonique de R n, et x t = xi t ei ,
on obtient : i=1
X
E(x t x t0 x t x t0 ) = E(xi t x j t x kt xlt )ei e0j ek el0
i, j,k,l
X
= E(xi t x j t x kt xlt )ei ek .e0j el0
i, j,k,l
X
= (i j kl + i k jl + il j k )ei ek .e0j el0
i, j,k,l

(voir par exemple Anderson [1984] page 49, pour le calcul de

E(xit x j t x kt xlt )). Calculons chacun des trois termes de cette somme.
X X
i j kl ei ek .e0j el0 = i j kl ei e0j ek el0
i, j,k,l i, j,k,l
X X
= i j ei e0j kl ek el0 =66
i, j k,l

X X X 0
ik jl ei ek .e0j el0 = ik vec(ek ei0 ) jl vec(el e0j )
i, j,k,l i,k j,l
= vec6 .(vec6 ) = vec6.(vec6)0
0 0 0

Enfin, comme :
u R n ,v R n : K nn u v = K nn vec(vu 0 ) = vec(uv 0 ) = v u, on a :
X X
il jk ei ek .e0j el0 = K nn il jk ek ei .e0j el0
i, j,k,l i, j,k,l
X
= K nn il jk ek e0j ei el0
i, j,k,l
X X
= K nn jk ek e0j il ei el0
j,k i,l
0
= K nn 6 6 = K nn 6 6

116
 Comme K nn 6 6 = 6 6 K nn, on a ainsi obtenu :
E((vecx t x t0 )(vecx t x t0 )0 ) = E(x t x t0 x t x t0 )
(1)
= (vec6)(vec6)0 + (6 6)(In 2 + K nn )

En outre, comme E(vecx t x t0 ) = vec6, on obtient de faon immdiate :

(2) V (vecx t x t0 ) = E(vec(x t x t0 6)vec(x t x t0 6)0 ) = (6 6)(In 2 + K nn )
Montrons maintenant la proprit pour h > 0. On sait que :
E(x t x t0 /x th ) = V (x t /x th ) + E(x t /x th )E(x t /x th )0
= 6 0(h)6 1 0(h)0 + 0(h)6 1 x th x th
0
6 1 0(h)0
On en dduit :
E((vecx t x t0 )(vecx th x th
0
)0 ) = E(E(vecx t x t0 /x th )(vecx th x th
0
)0 )
= E(vec(6 0(h)6 1 0(h)0
+ 0(h)6 1 x th x th
0
6 1 0(h)0 )(vecx th x th
0
)0 )
= vec(6 0(h)6 1 0(h)0 )(vec6)0
+ E(vec(0(h)6 1 x th x th
0
6 1 0(h)0 )(vecx th x th
0
)0 )
Or, d'une part :
vec(6 0(h)6 1 0(h)0 )(vec6)0
=(vec6 0(h) 0(h)vec6 1 )(vec6)0
=(vec6 0(h) 0(h)6 1 6 1 vec6)(vec6)0
=(In 2 0(h)6 1 0(h)6 1 )(vec6)(vec6)0
d'autre part, en appliquant (1) :
E(vec(0(h)6 1 x th x th
0
6 1 0(h)0 )(vecx th x th
0
)0 )
=0(h)6 1 0(h)6 1 E(vec(x th x th
0 0
)(vecx th x th )0 )
=0(h)6 1 0(h)6 1 ((vec6)(vec6)0 + (6 6)(In 2 + K nn ))
Finalement, on obtient :
E((vecx t x t0 )(vecx th x th
0
)0 )
(3) = (vec6)(vec6)0 + (0(h)6 1 0(h)6 1 )(6 6)(In 2 + K nn )
= (vec6)(vec6)0 + (0(h) 0(h))(In 2 + K nn )

Comme E(vecx t x t0 ) = E(vecx th x th

0 ) = vec6,
il s'ensuit de faon immdiate :
(4) E(vec(x t x t0 6)vec(x th x th
0
6)0 ) = (0(h) 0(h))(In 2 + K nn )

ANALYSE FACTORIELLE DYNAMIQUE 117

ANNEXE 3

Preuve de la proposition 3
1X
i) En notant S = x t x t0 , on sait que :
T t
LT 1  
(x,6) = K nn vec 6 1 6 1 S6 1
vec6 2
On en dduit (voir par exemple LTKEPOHL [1993], page 471, pour les
formules de drivation utilises) :
2LT 1 h 1 1 1
i0
(x,6) = vec6 vec(6 S6 ) K nn
(vec6)(vec6)0 2 vec6
" #0
1 vec6 1 1 vec6
1
1 vec6 1
= (In 6 S) (6 S In ) K nn
2 (vec6)0 (vec6)0 (vec6)0
1 h 1
= 6 6 1 (In 6 1 S)(6 1 6 1 )
2 i0
(6 1 S In )(6 1 6 1 ) K nn
1 h 1 i
= 6 6 1 6 1 6 1 S6 1 6 1 S6 1 6 1 K nn
2
2LT 0 2LT
Comme (x,6) = D (x,6)Dn ,
(vech6)(vech6)0 n
(vec6)(vec6)0
il s'ensuit :
2LT
(x,6)
(vech6)(vech6)0
1 h i
= Dn0 6 1 6 1 6 1 6 1 S6 1 6 1 S6 1 6 1 Dn
2
X
1
Enfin, puisque E(S) = E xt xt0 = 6, on obtient :
T t
" #
2LT 1 0
J0 = E 0
(x,6) = Dn 6 1 6 1 Dn
(vech6)(vech6) 2

ii) Rsulte de i) de faon immdiate puisque :

LT 1 1X
(x,6) = Dn0 6 1 6 1 vec(6 x t x t0 )
vech6 2 T t
1 1X
= Dn0 6 1 6 1 Dn vech(6 x t x t0 )
2 T t

118
 iii) Le vecteur z t = vec(6 x t x t0 ) tant stationnaire d'esprance nulle, on
X
1X L 0
sait que : T z t N 0, E(z t z th ) .
T t hZ
Par application du lemme 2, on sait que :
0 ) = 0(h) 0(h)(I + K )
h Z E(z t z th n2 nn
X
En notant 0 = 0(h) 0(h), on a ainsi :
hZ
1X L

T vec(6 x t x t0 ) N 0,0 (In 2 + K nn )
T t
1X 1X
Comme vech(6 x t x t0 ) = Dn+ vec(6 x t x t0 ) et comme
T t T t
K nn Dn+0 = Dn+0, on obtient :
1X L  0

T vech(6 x t x t0 ) N 0,2Dn+ 0 Dn+
T t
iv) rsulte de ii) et iii) de faon immdiate.

ANALYSE FACTORIELLE DYNAMIQUE 119

ANNEXE 4

Preuve de la proposition 4
Comme les estimateurs T et T sont convergents, on peut effectuer les
mmes dveloppements limits sous l'hypothse nulle que ceux qui sont faits
par GOURIROUX et MONFORT [1989]. De fait, on peut crire :
QT QT 2 QT
(1) (x,T0 ) # (x,0 ) + (x,0 )(T0 0 )
0
QT h
# (x,0 ) J0 0 (0 )(T 0 )

Q T Q T 2 Q T
(2) (x,T ) = 0 # (x,0 ) + (x,0 )(T 0 )
0
h 0 QT h 0 h
# (0 ) (x,0 ) (0 )J0 0 (0 )(T 0 )

h
Dans le cas o la matrice (0 ) est de plein rang colonne, GOURIROUX et
0
MONFORT montrent que ces deux relations entranent :
QT QT
(3) (x,T0 ) # M0 (x,0 ).

h
Pour montrer que ce rsultat reste vrai lorsque (0 ) n'est pas de plein
0
rang, il suffit, compte tenu de la relation (1) et du fait que M = Im P, de
montrer que :
h QT
(4) J0 0 (0 )(T 0 ) # P 0 (x,0 )

Or, en utilisant la dfinition de P et la relation (2), on peut crire :
 0 + 0
0 QT h h h h QT
P (x,0 ) = J0 0 (0 ) (0 )J0 (0 ) (0 ) (x,0 )

 0 + 0
h h h h h
# J0 0 (0 ) (0 )J0 0 (0 ) (0 )J0 0 (0 )(T 0 )

h
= J0 P (0 )(T 0 )
0

Comme P est la matrice de la projection J0-orthogonale sur l'espace

h h h
engendr par les colonnes de 0
(0 ), on a : P 0 (0 ) = 0 (0 ) et on

obtient ainsi le rsultat.

120
 QT L
Comme on a suppos : T (x,0 ) N (0,), il en rsulte que

sous H0 :
QT L
T (x,T0 ) N (0,M 0 M).

Puisque rg(M 0 M) = rg(M) = m q0, on obtient :
 0  
QT 0 0 QT L
T (x,T ) (M M) (x,T ) 2 (m q0 ),
0

et par consquent :
 0  
QT 0 0 QT L
T (x,T ) ( M  M) (x,T ) 2 (m q0 ).
0

ANALYSE FACTORIELLE DYNAMIQUE 121

ANNEXE 5

Preuve du lemme 5
   
vec30 vec3
i) Notons : 0 = et = .
d0 d
h(0 + ) h(0 ) = vech((30 + 3)(30 + 3)0 + (D0 + D))
vech(30 300 + D0 )
0
= vech(30 30 + 330 + 330 + D)
0
l'application
Comme 7 vech(30 3 + 3300 + D) est linaire et
0
comme vech(33 ) = o (k3k), on en dduit :
h
(0 ). = vech(30 30 + 3300 + D)
0
= Dn+ vec(30 30 + 3300 + D)
h 0
i
= Dn+ (In 2 + K nn )vec(330 ) + vecD

Or : vec(3300 ) = (30 In )vec(3) et :

X n X
n
0 0
vecD = vec di ei ei = vec(ei ei dei0 )
i=1 i=1
X
n
0
= (ei ei ei )vec(d) = 1n d
i=1

On obtient donc :
h
(0 ) = Dn+ [(In + K nn )(30 In ) 1n ] = Dn+ [230 In 1n ]
0
puisque Dn+ K nn = Dn+.

h
ii) (0 ) est une matrice (n(n + 1)/2,n( p + 1)). Pour tudier son rang, il
0
suffit de dterminer la dimension de son noyau.
  h
vec3
Soit = tel que 0 (0 ). = 0. On a de faon quivalente :
d
0
vech(30 30 + 330 + D) = 0 et donc : 30 30 + 3300 + D = 0.
0
Posons P30 = 30 (30 D01 30 )1 300 D01.
La relation prcdente entrane :
0
(In P30 )(30 30 + 330 + D)(In P30 0 ) = 0
et donc : (In P30 )D(In P30 0 ) = 0. Or, In P30 = 80 D01, o 80 est la
matrice qui intervient dans la condition suffisante d'identifiabilit locale. On

122
obtient alors : 80 D01 D D01 800 = 0 et la nullit des termes diagonaux
fournit :
X dj
i i2j 2 = 0
d0 j
j  
Comme la condition de ANDERSON RUBIN est suppose vrifie, i2j est
par hypothse une matrice inversible. Ceci entrane que D = 0, donc que
30 30 + 3300 = 0.
0
On obtient alors : (In P30 )(30 3 + 3300 ) = 0, d'o :
(In P30 )3300 = 0. Comme 30 est une matrice (n, p) de rang p, on a
aussi : (In P30 )3 = 0. Il en rsulte qu'il existe une matrice carre M de
taille p telle que 3 = 30 M.
La relation 30 30 + 3300 = 0 se rcrit alors :
30 M 0 300 + 30 M300 = 30 (M 0 + M)300 = 0
Comme 30 est une matrice (n, p) de rang p, on en dduit : M 0 + M = 0,
c'est--dire que M est une matrice antisymtrique. On vient ainsi de montrer
que :
h n   o
vec30 M
ker 0 (0 ) = /M + M 0 = 0
0

Comme l'inclusion rciproque est triviale, on en dduit que la dimension de

h
ker 0 (0 ) est celle de l'ensemble des matrices ( p, p) antisymtriques, c'est-

p( p 1) h p( p 1)
-dire : . On en dduit : rg 0 ( ) = n( p + 1) .
2 2

ANALYSE FACTORIELLE DYNAMIQUE 123

ANNEXE 6

Preuve de la proposition 6
 
vec3
i) Il suffit d'appliquer la proposition 4 avec : = , = vech6 et :
d
Q T (x, ) = L T (x,6).
On sait en effet dans ce cas que :
T et T sont des estimateurs convergents de et ;
LT  
b 0 ) = J0 vech 6
(x,6 b 01 A (cf. proprit 3 ii) )
vech6 T T

vech(6 b 0 ) = h(T ) = vech(3bT 3b 0 + DT )

T T
LT QT L  0

T (x,6) = T (x, ) N 0,2J0 Dn+ 0 Dn+ J0
vech(6)
(cf. proprit 3 iii) )
c'est--dire, en reprenant les notations de la proposition 4 :
0
 = 2J0 Dn+ 0 Dn+ J0 .

m = n(n + 1)/2 et  est de plein rang n(n + 1)/2, donc dfinie positive.
p( p 1)
rg P = q0 = n( p + 1) d'aprs le lemme 5, puisque P est un
2
h
projecteur sur le sous-espace engendr par les colonnes de (0 ). On en
0
dduit que :
 
n(n + 1) p( p 1)
rg M = m q0 = ( p + 1)n
2 2
1
= ((n p)2 (n + p)).
2
Pour appliquer la proposition 4, il reste donc calculer une inverse gnra-
lise de M 0 M. Or, on a :
0
M 0 M = 2M 0 J0 Dn+ 0 Dn+ J0 M
0
= 2J0 M Dn+ 0 Dn+ M 0 J0
car M est une matrice de projection J0-orthogonale. On vrifie alors de faon
 0

immdiate que, si M Dn+ 0 Dn+ M 0 est une inverse gnralise de
0
1  0

M Dn+ 0 Dn+ M 0, la matrice M 0 M = J01 M Dn+ 0 Dn+ M 0 J01
2
est une inverse gnralise de M 0 M.

124
 Alors :
 0  
LT
LT
T b
(x,6T )
0 0
M M b
(x,6T )
0
vech6 vech6
 0  
= T.vech 6 b 01 S J0 1 J 1 M Dn+ 0 Dn+0 M 0
T 2 0  
J01 J0 vech 6b 01 S
T
T  0  0
  
= vech 6 b 01 S M D + D+ M 0
n 0 n vech b
6 01
S
2 T T

LT
ii) On sait que vech(6 S) = J01 (x,6).
vech6
On a donc :
  L  
T vech 6b 0 S N 0,2M Dn+ 0 Dn+0 M 0 ,
T
H 0

si bien que :
 0 h   i
b 0 S) Vas
S = T vech(6 T vech 6b0 S b 0 S)
vech(6
T T T

1X
Comme S = x t x t0 est l'estimateur non contraint, on a bien crit une
T t
statistique de HAUSMAN-WALD.

ANALYSE FACTORIELLE DYNAMIQUE 125

ANNEXE 7

Rsultat des tests de racine unit et de stationnarit

appliqus aux soldes dopinion
Les six soldes d'opinion utiliss n'tant pas centrs, on effectue un test de
DICKEY-FULLER augment avec constante (les soldes tant ncessairement
compris entre + 100 % et 100 %, introduire une tendance dterministe n'a a
priori aucun sens pour faire le test). Pour dterminer le nombre de retards
utiliss, on choisit de commencer par en mettre un nombre fixe (en l'espce,
six), puis on teste pas pas la nullit du dernier retard, ce jusqu' ce que le
coefficient du dernier retard soit signicativement non nul. La valeur limite du
test 5 % est de 2,89. Par ailleurs, on teste l'hypothse nulle que chaque
solde est stationnaire l'aide du test KPSS (KWIATKOWSKI-PHILLIPS-SCHMIDT-
SHIN). L encore, on teste dans le cas avec constante (et non avec constante et
tendance dterministe). La valeur limite 5 % est de 0,463. Le nombre de
retards choisi pour le calcul de la fentre de BARTLETT est choisi conform-
ment la procdure recommande par NEWEY-WEST [1994]. Les deux types
de tests conduisent sans ambigut retenir l'hypothse que les sries utilises
sont stationnaires.

TPPA TPPRE OSCD OSCDE OSSK PGP

nb de retards du DFA 4 0 3 5 2 1
Student du dernier retard 3,27 2,21 2,90 2,22 2,67
test DFA 4,21 3,00 2,97 3,49 3,33 3,25
test KPSS 0,12 0,20 0,12 0,14 0,21 0,17

126
 Rfrences bibliographiques
ANDERSON, T.W. (1984) An Introduction to Multivariate Statistical Analysis, 2nd ed.,
Wiley.
CRAGG, J.G., DONALD, S.G. (1995) Factor analysis under more general conditions with
reference to heteroskedasticity of unknown form, in Advances in econometrics and
quantitative economics: Essays in honor of Professor C.R. Rao, G.S. Maddala, P.C.B.
Phillips, and T.N. Srinivasan ed. Blackwell, Cambridge MA.
FORNI, M. , REICHLIN, L. (1998) Let's get real: a dynamic factor analytical approach to
disaggregated business cycle, Review of Economic Studies.
GOURIROUX, C., MONFORT, A. (1989a) A general framework for testing a null hypothesis
in a ''mixed'' form, Econometric Theory, 5, pp. 63-82.
GOURIROUX, C., MONFORT, A. (1989b) Statistique et Modles Economtriques, vol. 2,
Economica.
HARVEY, A.C. (1989) Forecasting, structural time series models and the Kalman filter,
Cambridge University Press.
KWIATKOWSKI, D., PHILLIPS, P.C.B., SCHMIDT, P., SHIN, S. (1992) Testing the null hypo-
thesis of stationarity against the alternative of a unit root, Journal of Econometrics, 54,
pp. 159-178.
LAWLEY, D.N., MAXWELL, A.E. (1971) Factor Analysis as a Statistical Method, New
York Macmillan Publishing Co., Inc.
LTKEPOHL, H., (1993) Introduction to Multiple Time Series Analysis, 2nd ed, Springer
Verlag.
MAGNUS, J.R., NEUDECKER, H. (1988) Matrix Differential Calculus with Applications in
Statistics and Econometrics, Chichester, J. Wiley.
NEWEY W.K., MACFADDEN, D. (1994) Large Sample Estimation and Hypothesis testing,
in Handbook of Econometrics, vol. 4, pp. 2113-2245.
NEWEY W.K., WEST, K.D. (1994) Automatic Lag Selection in Covariance Matrix
Estimation, Review of Economic Studies, 61, pp. 631-653.
QUAH D., SARGENT, T.J. (1993) A dynamic index model for large cross-sections, in
Business cycles, indicators and forecasting, J.H. Stock and M.W. Watson Ed., University
of Chicago Press.
STOCK, J.H., WATSON, M.W. (1989) New indexes of coincident and leading indicators, in
NBER Macroeconomics Annual, Blanchard and Fisher Ed. MIT Press, Cambridge.
STOCK, J.H., WATSON, M.W. (1993) A procedure for predicting recessions with leading
indicators: econometric issues and recent experience, in Business cycles, indicators and
forecasting, J.H. Stock and M.W. Watson Ed., University of Chicago Press.
WATSON, M.W., (1986) Univariate detrending methods with stochastic trends, Journal of
Monetary Econometrics, 18, pp. 49-75.

ANALYSE FACTORIELLE DYNAMIQUE 127