Autocorrélation

incertitude. Nous faisons donc un examen graphique rapide de la situation avant de passer au test de Breusch Godfrey. Figure 6: examen graphique d'auto corrélation des résidus Date: 02/05/13 Time: 19:01 Sample: 1974 2010 Included observations: 33 Autocorrelation . |** . *| . . |. . |. .**| . .**| . .**| . . *| . . |. . |*. . |. . |. . |*. . |*. . *| . . *| . | | | | | | | | | | | | | | | | Partial Correlation . |** | . *| . | . |. | . |. | ***| . | . *| . | .**| . | . *| . | . |*. | . |. | .**| . |

sont que des anomalies. Parmi ces anomalies, nous pouvons citer la présence sur les marchés actions d’autocorrélations positives et stables entre les rentabilités d’aujourd’hui et celles du passé proche (phénomène de momentum), ainsi que des autocorrélations négatives dans le long terme (phénomènes de retour à la moyenne des prix). Fama [13], auteur d’un modèle plus raffiné d’évaluation des actifs dans le cadre de l’efficience (modèle de Fama-French [14], cf. section 1.2.2), énonce bien l’enjeu

Spécification 1, Canada 1 95 00 05 Racines Inverses du Polynome Charactéristique Autorégressif 1.5 1.0 0.5 0.0 -0.5 -1.0 -1.5 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 Figure 2: Annexe A2. Spécification 1, Canada 2 Autocorrelations +/- 2 Err. Std. Cor(LNT1_SA,LNT1_SA(-i)) Cor(LNT1_SA,LNG1_SA(-i) ) Cor(LNT1_SA,LNPIB1_SA(-i)) .3 .3 .3 .2 .2 .2 .1 .1 .1 .0 .0 .0 -.1 -.1 -.1 -.2 -.2 -.2 -.3 -.3 1 2 3

sont que des anomalies. Parmi ces anomalies, nous pouvons citer la présence sur les marchés actions d’autocorrélations positives et stables entre les rentabilités d’aujourd’hui et celles du passé proche (phénomène de momentum), ainsi que des autocorrélations négatives dans le long terme (phénomènes de retour à la moyenne des prix). Fama [13], auteur d’un modèle plus raffiné d’évaluation des actifs dans le cadre de l’efficience (modèle de Fama-French [14], cf. section 1.2.2), énonce bien l’enjeu

diff´rentes observations, et donc si une relation non-lin´aire e e e existe entre les observations, ils ne la d´tecteront pas. D’autre part, les coefficients e d’autocorr´lations sont utilis´s comme estimateur de la fonction d’autocorr´lation (ou e e e Autocorrelation Function (ACF) en anglais) comme on le verra dans le Chapitre 3.3. En fonction du contexte, ACF d´notera la fonction d’autocorr´lation ou les coefficients e e d’autocorr´lations. e 2.4.2 Corr´logramme e Le corr´logramme est un graphique

imparfaite. Par ailleurs, Fuhrer & Moore (1995) considèrent la courbe néokeynésienne de Phillips selon le modèle de Taylor. Ils exploitent les données réelles de l’inflation et montrent que cette dernière est une variable très persistante puisque ses autocorrélations sont voisines de l’unité. Ils concluent que le modèle de Taylor est incapable de reproduire le même degré de persistance d’inflation observé sur les données réelles. Les travaux de cette thèse ont pour objet l’étude des dynamiques de l’inflation

pvalue est par définition le complément à 1 de la probabilité de test pvalue = 1 – probabilité de test 3-2-5 Test d’autocorrélation des erreurs (test de Durbin Watson) Le test de Durbin Watson (DW) permet de détecter une autocorrélation des erreurs d’ordre un. Le test d’hypothèse est le suivant : H0 : (non corrélation des erreurs) H1 : (corrélation des erreurs) Toutes les conditions de base d'utilisation du test de Durbin-Watson sont vérifiées, vu que notre

Schmidt – Shin. En ce qui concerne les tests d’autocorrélation des résidus, récurrents lorsqu’on utilise des séries temporelles : – Le test de Durbin-Watson permet de tester la présence d’un processus AR(1) dans les données (dwstat9 ). Si il y a autocorrélation, relancer la régression avec une correction de Prais-Winsten (prais y x1 x2). – Lorsqu’on soupçonne la présence d’autocorrélation d’ordre supérieur à 1, le test de BreushGodfrey (bgodfrey10 ) ou celui de de Durbin-Watson (durbina11 ) doivent être

sorted in chronological order. The data in 2002 are colured in red and 2003 in green so that you can have better graphical perception. At a glance, we can observe that there is an increase trend over the period, and seasonality around summer (or autocorrelation problem). However, it’s not a surprising result since foreign exchange rate can be considered as a time-series data. [pic] If we plot the same data in a different manner, in terms of year, we can find two important things. The first one is

modèle est à l’ordre de 0.759 En d’autre terme les variables explicatives et celles de contrôle arrivent à expliquer la variable dépendante à raison de 75.99%. Le test de Durbin-Watson indique un coefficient de 1.664 ce qui indique une faible autocorrélation des erreurs. Les variables de libéralisation financière (LIB), indice de concentration (IC), d’intermédiation (ITR), d’inflation (INF) et de PIB (taux de croissance de PIB par habitant) sont corrélées négativement et significativement avec la