Autocorrélation

transaction quotidien en dinars tunisien. Pour chaque parité nous avons estimé l'équation (3.32), la méthode utilisée est celle des moindres carrées ordinaires avec la correction de Newey West (1987) des effet d’hétéroscédasticïté et autocorrélation des erreurs. En effet une estimation des régressions sans une correction des erreurs des résidus a donné des coefficients de DW très faibles (0.0348 pour TND/USD et 0.547 pour TND/Euro). Le modèle GARCH est souvent présenté sous la forme

que si le système s’exprime comme une fonction de F, alors l’indépendance des entrées est conservée pour les sorties. Nous nous intéressons uniquement aux statistiques d’ordre deux, à savoir les relations entre les matrices de corrélation (autocorrélation et intercorrélation) d’entrées et de sorties. De plus, seuls les systèmes linéaires et invariants seront présentés. Pour commencer, nous exposons les deux principales représentations des systèmes dynamiques, puis nous établissons les relations

Cochrane–Orcutt. La méthode de « balayage » de Hildreth–Lu. La méthode de maximum de vraisemblance. En effet, si la statistique de DW n’est pas de l’intervalle [1.8 2.12] où il n’y a pas d’autocorrélation des résidus, donc on constate qu’il s’agit d’une autocorrélation d’ordre supérieur à 1, d’où on passe à l’estimation par les variables instrumentales ou GMM. En ce qui concerne la statistique de h de Durbin, pour qu’il n’y ait pas d’autocorrélation il faut que h ≤ 1.96 . Une fois, on a corrigé de l’hétéroscédasticité

Description de l'Enseignement : Après des rappels des notions de statistique essentielles (théorie des tests), les thèmes suivants sont abordés : modèle de régression simple, modèle multiple, tests par analyse de la variance, violation des hypothèses (autocorrélation et hétéroscédasticité), multicolinéarité et sélection des variables, les modèles non linéaires et dynamiques. Méthodes de l'Enseignement L’enseignement alterne les aspects théoriques de l'estimation statistique et de l'économétrie, et la mise

variables dont les coefficients ne sont pas significatifs au seuil de confiance de 5 %. Les estimations sont corrigées de la présence d’hétéroscédasticité et d’autocorrélation dans les résidus à l’aide de la correction HAC (Heteroscedasticity and Autocorrelation Consistent Covariances) de Newey-West (1987). Le tableau 9 recense les résultats obtenus pour les relations de long terme des trois modèles. Concernant les tests de diagnostic, nous constatons qu’en dépit de la correction HAC, les modèles livre/dollar

moins un coefficient αi significativement e diff´rent de 0 e Test de corr´lation des erreurs de Breusch-Godfrey : e ce test fond´ suer un test- de Fisher de nullit´ des coefficients ou des multiplie e cateur de Lagrange permet de tester une autocorrelation d’un ordre sup´rieur e a 1 .L’id´e g´n´rale de ce test r´side dans la recherche d’une relation signifi` e e e e 63 cative entre le r´sidu et ce mˆme r´sidu d´cal´. e e e e e ce test est men´ en 3 ´tapes : e e i)On estime par la

aléatoires On peut envisager plusieurs variantes du modèle linéaire standard. La plupart de ces variantes sont construites en levant progressivement les di¤érentes hypothèses (H3 ) sur la structure des résidus. On peut d’abord introduire une autocorrélation des résidus (dans la dimension temporelle). On utilise alors des méthodes d’estimation proches de celles de Cochrane Orcut (1949), utilisée en séries temporelles. Une seconde variante possible, et par ailleurs souvent utilisée, consiste à supposée

Studies, No. 18, p. 795-829. | Choe, Hyuk, Bong-Chan Kho, and Rene M. Stulz, 1999, Do foreign investors destabilize stock markets? The korean experience in 1997, Journal of Financial Economics 54, 227-264. | Chui, A., C.C.Y. Kwok, 1998, Cross-autocorrelation between A shares and B shares in the Chinese stock market, Journal of Financial Research, No. 21, p. 333-355. | Dahya, Jay, Orlin Dimitrov, and John J. McConnell, 2008, Dominant shareholders, corporate boards, and corporate value: A cross-country

au moyen d’une caméra, deux images du plan laser séparées par un intervalle de temps très court ∆t. Ensuite, on traite ces images. Pour cela, on découpe les images obtenues en une multitude de petites cellules, pour lesquelles on détermine par autocorrélation ou par intercorrélation3 le déplacement moyen sur l’image ∆X. On déduit alors aisément la vitesse moyenne pour chaque cellule puisque : → − → S∆X − V = ∆t où S est le facteur d’échelle de l’image, défini comme l’inverse du grandissement. On dispose

(bruit)x(bruit décalé de t) et en prendre la moyenne. C'est impossible : nous ne disposons que du seul enregistrement de la réalisation du bruit b(t) ! C’est pour cela que l’on calcule une moyenne temporelle (entre –T et +T). De plus, l’énergie (=autocorrélation) d’un bruit qui ne tend pas vers zéro à l’infini est infinie. On utilise donc la puissance (=énergie/ temps) pour caractériser le bruit. D’où le facteur 1/2T dans le calcul de la moyenne temporelle. Et, pour un signal ergodique, la moyenne d’ensemble