Économétrie — TD 5
Les tests d’hypothèses économiques
1 Introduction
Avant de conclure sur la validité d’un modèle économétrique, il faut toujours se demander si le modèle spécifié est bien correct :
- La relation entre variables est-elle commune à tout l’échantillon ?
- La forme fonctionnelle choisie est-elle la plus appropriée ?
- A-t-on omis une variable explicative importante ?
Ce TD présente les principaux tests de stabilité des coefficients et les outils permettant de vérifier la bonne spécification d’un modèle.
2 1. Stabilité des coefficients
En économétrie, on suppose généralement que les coefficients du modèle sont stables dans le temps et dans l’espace : les paramètres (coefficients, écarts-types, etc.) sont les mêmes pour tous les individus et toutes les périodes.
Exemples :
- La relation croissance–chômage a-t-elle changé après 1974 dans les pays de l’OCDE ?
- Les facteurs expliquant le choix d’émigrer sont-ils identiques dans les pays en guerre et les autres ?
Si la stabilité est violée, les résultats sont biaisés : les tests t/F ne sont plus valides et les prévisions peuvent être trompeuses.
2.1 Illustration
Dans la figure ci-dessus, on observe un changement brutal de tendance en 1974, typique d’une rupture structurelle.
Dans la Figure Figure 2, on voit que les estimations sont différentes si on sépare en deux groupes l’échantillon (guerre vs en paix).
Dans le Figure Figure 3, on remarque que l’estimation linéaire est une hypothèse forte à la vue de la dispersion des données.
2.2 1.1 Test de Chow : rupture connue
Idée : comparer deux sous-échantillons (avant / après la date derupture).
Si la stabilité est vérifiée, la somme des SCR (sommes des carrés des résidus) des deux sous-échantillons est égale à celle de l’échantillon complet.
Statistique : \(CH=\frac{SCR_{t}-(SCR_{1}+SCR_{2})}{SCR_{1}+SCR_{2}}\frac{N-2K}{K} \sim F(K,N-2K)\)
\(K\) : nombre de coefficients estimés (constante incluse)
\(N\) : taille d’échantillon totale
⚠️ Hypothèse d’homoscédasticité indispensable.
Dans EViews :
View → Stability Diagnostics → Chow Breakpoint Test.
Sur petits échantillons, utiliser le Chow prédictif : \(CH_{p}=\frac{SCR_{t}-SCR_{1}}{SCR_{1}}\frac{N_{1}-K}{N-N_{1}}\sim F(N-N_{1},N_{1}-K)\)
(Chow Forecast Test dans EViews).
2.3 1.2 Test de Quandt-Andrews : rupture inconnue
Quand la date de rupture est inconnue, on calcule la statistique de Chow pour toutes les observations possibles et l’on retient la date qui minimise l’hypothèse nulle.
EViews :
View → Stability Diagnostics → Quandt-Andrews Breakpoint Test.
2.4 1.3 Autres remarques
Avant tout test, trier les données par la variable susceptible d’être à l’origine de la rupture (Proc → Sort Current Page dans EViews).
Si non-stabilité :
- Estimer sur des sous-échantillons,
Introduire des variables muettes additives ou interactives,
Exclure éventuellement des points aberrants.
3 2. Test de spécification : RESET de Ramsey
Même si les coefficients sont stables, il faut vérifier que le modèle est bien spécifié :
toutes les variables pertinentes sont-elles incluses ?
la forme linéaire est-elle appropriée ?
Inclure toutes les variables imaginables est impossible.
Le RESET fournit une solution simple.
Hypothèses :
\(\begin{aligned} H_0 &: y_i = \beta_0 + \beta_1 x_i + \beta_2 z_i + \varepsilon_i \\ H_1 &: y_i = \beta_0 + \beta_1 x_i + \beta_2 z_i + \delta_1 \hat y_i^2 + \delta_2 \hat y_i^3 + \dots + \varepsilon_i \end{aligned}\)
On teste par un F-test si les $\delta_j$ sont conjointement nuls. Rejet de $H_0$ ⇒ mauvaise spécification : forme non linéaire, variable manquante, interaction oubliée…
Dans EViews :
View → Stability Diagnostics → Ramsey RESET Test.
⚠️ Attention possible à la multicolinéarité si on ajoute de nombreux termes.
4 3. Critères d’information
Pour comparer plusieurs modèles, on utilise des critères d’information qui pénalisent la complexité :
\(\begin{aligned} AIC &= \ln \left(\tfrac{SCR}{N}\right)+\tfrac{2K}{N} \\ SC &= \ln \left(\tfrac{SCR}{N}\right)+\tfrac{K\ln(N)}{N} \\ HQC &= \ln \left(\tfrac{SCR}{N}\right)+\tfrac{2K\ln[\ln(N)]}{N} \end{aligned}\)
On retient le modèle qui minimise ces critères, mais toujours avec jugement économique : un AIC plus bas ne remplace pas l’analyse théorique.
5 Questions – Réponses (TD4)
5.0.1 Question :
Vous devez estimer les équations où la dépense qui porte sur un secteur dépend d’une constante, du revenu et du prix réel dans le secteur en question et tester la présence d’une autocorrélation à l’ordre un dans le terme d’erreurs à l’aide du test de Durbin et Watson. Qu’en concluez-vous ?
Afficher la réponse
Le test de Durbin‑Watson est utile pour détecter une autocorrélation d’ordre 1.
Hypothèses : H₀ pas d’autocorrélation d’ordre 1 ; H₁ autocorrélation présente.
Résultats : Habillement DW = 1,679 (entre DU = 1,55 et 2) → pas d’autocorrélation.
Téléphone DW = 0,901 (< DL = 1,21) → autocorrélation présente.
Transport aérien DW = 1,462 (entre DL et DU) → zone d’incertitude.
5.0.2 Question :
Testez la présence d’une autocorrélation à l’ordre un dans le terme d’erreurs par le test de Breusch‑Godfrey. Qu’en concluez‑vous ?
Afficher la réponse
Hypothèses : H₀ pas d’autocorrélation jusqu’au nombre de retards choisi ; H₁ autocorrélation.
Statistique : BG = T × R² → χ²(t).
Résultats : Habillement BG = 0,018 < 3,841 → pas d’autocorrélation.
Téléphone BG = 0,281 > 3,841 → autocorrélation.
Transport aérien BG = 0,051 < 3,841 → pas d’autocorrélation.
5.0.3 Question :
Corrigez l’autocorrélation éventuelle par la procédure automatique de Cochrane‑Orcutt. Qu’en concluez‑vous ?
Afficher la réponse
Correction via Cochrane–Orcutt : inclure un terme AR(1) dans l’équation (EViews : option AR(1)).
Conclusion : pas de correction particulière à retenir pour les dépenses téléphoniques après application.
5.0.4 Question :
Faites un test des facteurs communs (COMFAC) pour les dépenses en téléphone et dégagez la meilleure spécification de l’équation explicative pour ces dépenses.
Afficher la réponse
Aucun résultat détaillé n’est fourni dans la correction pour cette question (COMFAC).
6 Points clés à retenir
Toujours vérifier la stabilité des coefficients avant d’interpréter les résultats.
Le RESET détecte des non-linéarités ou des omissions grossières.
Les critères d’information aident à choisir entre modèles mais ne remplacent pas l’argument économique.