Questions du chapitre 3 Deux processus AR(1). Soit les deux processus suivants: yt = 0,8 yt-1 + e1t où e1t N(0,1); xt = 0,2 xt-1 + e2t où e2t N(0,2). Comme la variance de e2t est plus grande que celle de e1t, la variance de xt est nécessairement plus grande que celle de yt. Discutez la validité de cette affirmation. Les taux d'intérêt réels. Vous avez lu récemment un article qui porte sur les taux d'intérêt réels ex post et y avez trouvé les estimations suivantes: pt = 1.0 + 0,8 pt-1 + e1t it = 6.4 + 0,2 it-1 + e2t où pt correspond au taux d'inflation et it représente le taux d'intérêt nominal. Naturellement, le taux d'intérêt ex post est défini comme eprrt = it - pt. A partir des représentations moyenne-mobile (commande IMPULSE) des modèles cidessus, l'auteur affirme que, sur la période d'estimation, le taux d'intérêt réel ex post n'est pas constant mais que sa moyenne est positive. Comment l'auteur a-t-il procédé pour obtenir une telle conclusion? Expliquez sa démarche le plus précisément possible. A partir de l'information disponible, est-il possible de calculer la moyenne des taux d'intérêt réels ex post? Si oui, quelle est-elle? Prévoir le passé ... Soit le processus yt = 10 + 0,5 yt-1 + et t = 1, ..., T où y0 = 10 et yT = 10. Calculez les prévisions pour t = T+1, T+2, T+3 et aussi pour t = -1, -2, -3. Représentez graphiquement vos résultats en comparant explicitement les deux cas. Prévoir une prévision. Soit le modèle suivant: yt = a + b xet+1 + et xt = c xt-1 + ut où xet+1 est l'anticipation de la variable x pour la période t+1 (une variable non observable) et ut et et sont des bruits blancs. xet+1 est non observable et c'est très embêtant pour l'estimation. En supposant que les agents ont des attentes rationnelles (c'est-à-dire, pour prévoir une variable, les agents utilisent l'espérance mathématique de cette variable conditionnellement à l'information disponible à l'instant de la prévision), calculez une expression pour x et+1 qui ne ferait intervenir que de l'information disponible au temps t-1. Les erreurs de prévision. Soit le modèle AR(1) suivant qui décrit l'évolution d'un indicateur économique québécois sur une base semestrielle (il y a deux semestres dans une année): yt = b yt-1 + et où et est un bruit blanc de variance 2. On vous demande de prévoir l'évolution de cet indicateur pour la prochaine année. A. Calculez la formule pour la prévision de (yT+1+yT+2) i.e. la somme des indicateurs des deux prochaines périodes. B. Donnez aussi la formule pour l'écart-type de cette prévision i.e. l'écart-type de la prévision de la somme (yT+1+yT+2). QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 11 Les taux d'intérêt. Soit le modèle suivant: yt = axt-1 + e1t xt = bxt-1 + e2t où E(e1t) = E(e2t) = E(e1t e2t) =0. A. Trouvez l'expression de Eyt xt-1. B. En vous servant des données sur les autocorrélations croisées de y et x, des statistiques et des auto-corrélations de ci-dessous, est-il possible d'obtenir une estimation des coefficients a et b. Expliquez votre démarche. CROSS Y X 2 100 -6: -0.2060547 -0.2302694 -0.1111624 -0.0804729 0.1606862 0.2207620 0: 0.1948981 0.5226078 0.3611133 0.2101504 0.1484293 0.0953081 6: -0.0773623 -0.0713064 -0.0410825 0.0448303 -0.1128737 -0.1077482 CORRELATE X 2 100 Autocorrelations 1: 0.5083274 0.3684966 0.1655397 0.0169922 -0.1115453 -0.1569825 7: -0.1173785 -0.2347681 -0.2114719 -0.1306746 -0.1419031 -0.1448747 STATISTICS Y 2 100 Sample Mean 0.24081222194 Standard Error 1.10974002575 t-Statistic 2.15911 Variance 1.231523 SE of Sample Mean 0.111533 Signif Level (Mean=0) 0.03328248 STATISTICS X 2 100 Sample Mean 0.15653806980 Standard Error 1.18542409939 t-Statistic 1.31390 Variance 1.405230 SE of Sample Mean 0.119140 Signif Level (Mean=0) 0.19194571 Un modèle périodique. Habituellement, il n'existe qu'un seul modèle AR défini pour toutes les observations. Par exemple, yt = 0,5 yt-1 + et où t=1,2,3, ... , T. Les modèles AR périodiques postulent qu'il peut exister plusieurs modèles AR pour une seule série et que ces modèles dépendent de la période de l'année. Par exemple, supposons deux semestres. Un modèle AR semestriel périodique est défini par: yt = 0,5 yt-1 + e1t si t= 1, 3, 5 ... (les périodes impaires, i.e. premier semestre de chaque année) et yt = 0,2 yt-1 + e2t si t= 2, 4, 6... (les périodes paires, i.e. deuxième semestre de chaque année). À l'aide du modèle AR périodique, calculez l'effet sur yt d'un choc e1t =1 pour t=1 et =0 autrement. Ne calculez que l'effet pour pour un horizon de quatre périodes, i.e. de la période t=1 à la période t=4. Un voisin de palier des AR(1). Le modèle AR(1) suppose la relation linéaire bien connue où yt = + yt-1 + et et où et suit une N(0,2). Dans la plupart des cas, le modèle AR(1) s'avère une bonne approximation de la réalité. Vérifions si dans le cas de la série Y illustrée au graphique 1 ci-après , cette conjecture est acceptable. A. Selon le graphique 1 ci-joint, la série Y vous semble-t-elle stationnaire? Expliquez brièvement en indiquant les propriétés d'une série stationnaire. QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 12 B. L'output RATS ci-dessous présente les estimés d'un modèle AR(1). À l'aide de l'information donnée à cette régression et cette régression seulement, calculez la moyenne, la variance et l'autocorrélation de délai 2 de cette série. C. Compte tenu des indicateurs fournis, le modèle AR(1) estimé vous semble-t-il acceptable? Expliquez votre raisonnement en utilisant les statistiques disponibles ainsi que les valeurs prédites illustrées au graphique 1. D. Selon les informations disponibles, un modèle AR(2) serait-il plus approprié? Expliquez brièvement en utilisant un test pour appuyer votre réponse. Expliquez brièvement la nature du test utilisé. E. Le graphique 2 montre la relation entre les valeurs de Y (ordonnée) et les valeurs de Y retardées d'une période selon que Y{1} est positif ou négatif (abscisse). Quand Y{1} est négatif, la relation entre Y{1} et Y est donnée par un losange. Quand Y{1} est positif, la relation entre Y{1} et Y est donnée par un carré. Le graphique en nuage de point est-il en accord avec le modèle AR(1) discuté en B. et C. Expliquez brièvement. F. La dernière régression estime un modèle AR(1) avec deux coefficients selon que les valeurs de Y{1} soient positives ou négatives. Comparez formellement à l'aide d'un test de WALD le modèle AR(1) au modèle AR(1) avec deux coefficients. Dans le calcul de votre test, prenez soin de bien identifier les modèles contraint et non contraint. Compte tenu de vos résultats, le dernier modèle épouse-t-il mieux la série Y? Expliquez brièvement. G. Dans le cas du modèle estimé en F., la moyenne implicite de la série est-elle statistiquement différente de zéro? Expliquez brièvement votre réponse en la comparant à celle donnée en B. dans le cas du modèle AR(1) simple. H. En supposant T=181, calculez une prévision pour T+1 à l'aide des deux modèles estimés, i.e. AR(1) et AR(1) à deux coefficients. Output RATS COMPUTE NBEG=2, NEND=200 LINREG Y NBEG NEND RES # CONSTANT Y{1} Usable Observations 199 Centered R**2 0.196353 Uncentered R**2 0.549710 Mean of Dependent Variable Std Error of Dependent Variable Standard Error of Estimate Sum of Squared Residuals Degrees of Freedom 197 R Bar **2 0.192274 T x R**2 109.392 1.1522413721 1.3039968658 1.1719487438 270.57238005 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 0.6568595283 0.1095459322 5.99620 0.00000001 2. Y{1} 0.4369368650 0.0629794819 6.93777 0.00000000 CORRELATE(NUMBER=36,QSTAT) RES NBEG NEND Correlations of Series RES Autocorrelations 1: -0.0328172 0.1248016 -0.0471347 7: -0.0606786 -0.0438611 0.1271146 13: -0.1013602 -0.0195967 -0.0369880 19: 0.0969878 0.1219914 0.0769735 25: 0.0540181 0.0855511 -0.1002960 31: 0.0961437 -0.0793996 -0.0863159 Ljung-Box Q-Statistics Q(36) = 51.0226. -0.0276479 0.0422752 0.0511944 -0.0177796 0.0785068 -0.0565664 -0.0899043 -0.0586921 -0.1367120 0.0294692 0.0060269 -0.1715900 0.1406834 0.0120843 0.0081030 -0.0126062 0.0542591 -0.0611272 Significance Level 0.04976754 PRJ FIT LINREG RES NBEG+3 NEND # CONSTANT Y{1} RES{1 TO 2} Usable Observations 196 Centered R**2 0.019150 Uncentered R**2 0.019158 Degrees of Freedom 192 R Bar **2 0.003824 T x R**2 3.755 QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 13 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 0.214070606 0.400159267 0.53496 0.59329410 2. Y{1} -0.186290736 0.336841283 -0.55305 0.58087119 3. RES{1} 0.161493921 0.351276659 0.45973 0.64622711 4. RES{2} 0.210151590 0.164410555 1.27821 0.20271766 CDF CHISQUARED %TRSQ 2 Chi-Squared(2)= 3.754891 with Significance Level 0.15298042 SET DUM2 = %IF(Y{1}<0,1,0) ;* CRÉATION D'UNE VARIABLE MUETTE = 1 SI Y{1}<0 SET DUM1 = %IF(Y{1}.>=.0,1,0) ;* CRÉATION D'UNE VARIABLE MUETTE =1 SI Y{1}>OU = 0 SET DUM2Y1 = DUM2*Y{1} SET DUM1Y1 = DUM1*Y{1} PRINT 180 184 Y DUM1 DUM2 DUM1Y1 DUM2Y1 ENTRY 180 181 182 183 184 Y 0.080650665514 -2.334310814756 -0.483815184551 -0.389173518487 1.058307305055 ENTRY 180 181 182 183 184 DUM2Y1 -1.800964365599 0.000000000000 -2.334310814756 -0.483815184551 -0.389173518487 DUM1 0.0000000000000 1.0000000000000 0.0000000000000 0.0000000000000 0.0000000000000 DUM2 1.0000000000000 0.0000000000000 1.0000000000000 1.0000000000000 1.0000000000000 DUM1Y1 0.0000000000000 0.0806506655140 0.0000000000000 0.0000000000000 0.0000000000000 LINREG Y NBEG NEND # CONSTANT DUM1Y1 DUM2Y1 Usable Observations 199 Centered R**2 0.299069 Uncentered R**2 0.607263 Std Error of Dependent Variable Standard Error of Estimate Sum of Squared Residuals Degrees of Freedom 196 R Bar **2 0.291917 T x R**2 120.845 1.3039968658 1.0972832162 235.98996950 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 0.146180729 0.139999145 1.04415 0.29770003 2. DUM1Y1 0.721784938 0.079385432 9.09216 0.00000000 3. DUM2Y1 -0.516515321 0.187423508 -2.75587 0.00640578 Une question de R2 Soit le modèle AR(1) suivant yt = + yt-1 + et où et suit une N(0,2). A. Dérivez des expressions pour la moyenne et la variance de ce processus AR(1)? B. On peut montrer que si =0, le R2 théorique est donné par 1 Var( et ) . Trouvez une expression pour le R2 Var( yt ) en remplaçant Var(et) et Var(yt) par des expressions mettant en présence les paramètres fondamentaux du modèle AR(1). Expliquez brièvement votre réponse. C. On a simulé deux séries AR(1): la première avec =0,8 et la deuxième avec =0,2. Dans les deux cas, =0. On a ensuite estimé un modèle AR(1) pour chacune des deux séries dont les résultats sont présentés ci-dessous. QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 14 Ces résultats sont-ils en accord avec le résultat dérivé en B. Expliquez brièvement en commentant sur l'utilité du R2 pour juger de la pertinence empirique des modèles autorégressifs estimés. LINREG(DEFINE=1) Y NBEG+1 NEND RES Dependent Variable Y - Estimation by Least Squares Usable Observations 298 Degrees of Freedom 296 Centered R**2 0.578795 R Bar **2 0.577372 Uncentered R**2 0.593077 T x R**2 176.737 Mean of Dependent Variable 0.3090761993 Std Error of Dependent Variable 1.6525437482 Standard Error of Estimate 1.0743164396 Sum of Squared Residuals 341.63012045 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 0.0667177909 0.0633830804 1.05261 0.29337737 2. Y{1} 0.7618771729 0.0377766725 20.16793 0.00000000 Dependent Variable Y - Estimation by Least Squares Usable Observations 298 Degrees of Freedom 296 Centered R**2 0.014145 R Bar **2 0.010814 Uncentered R**2 0.018279 T x R**2 5.447 Mean of Dependent Variable 0.0698651062 Std Error of Dependent Variable 1.0784224615 Standard Error of Estimate 1.0725755356 Sum of Squared Residuals 340.52381078 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 0.0607914662 0.0622884433 0.97597 0.32987774 2. Y{1} 0.1188080688 0.0576514410 2.06080 0.04019561 Données quotidiennes ou hebdomadaires? Dans l’analyse empirique, les chercheurs ont souvent à se compromettre sur la fréquence des séries qu’ils devront utiliser. Par exemple, un chercheur peut utiliser des données quotidiennes ou des données hebdomadaires (les données du vendredi par exemple). Cette décision n’est pas anodine et pourrait avoir des conséquences. Supposons qu’un phénomène d’intérêt que nous associerons au vrai modèle est généré de façon quotidienne selon l’équation (1) yt = 2 + 0,5yt-1 + et t=2,3, …, 500. Pour des raisons pratiques, un chercheur décide d’estimer le même modèle à l’aide de données hebdomadaires (des données espacées par un intervalle de 7 jours, des données du vendredi par exemple). (2) yt = + yt-1 + et t=9,16, 23, … ,500 L’output RATS ci-dessous donne les résultats d’une simulation qui reproduit le phénomène à l’étude. Notons que Y correspond à la série quotidienne (499 observations) et YH à la série hebdomadaire (71 observations soit à peu près 4997). Notons que pour simplifier l’analyse, la série hebdomadaire YH va de la période 2 à la période 73 mais il est entendu que ces observations proviennent des données quotidiennes selon l’intervalle donné à l’équation (2). A. À l’aide des informations disponibles, calculez la moyenne et la variance des données quotidiennes et hebdomadaires. Comparez les résultats obtenus. QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 15 B. On se rappelle que le vrai paramètre qui a servi à la simulation a été fixé à 0,5 (équation 2). Comment expliquer que le estimé à l’aide des données quotidiennes (0,4) est relativement proche du vrai paramètre mais que celui estimé à l’aide des données hebdomadaires (0,11) semble s’en éloigné passablement. Expliquez brièvement. C. Vous trouverez ci-dessous les résultats d’une analyse comparative des performances prévisionnelles du modèle quotidien (Y) pour un horizon de 7 périodes (i.e. 7 jours ou une semaine à l’avance) et du modèle hebdomadaire (YH) pour un horizon de 1 période (i.e. 1 semaine). Que peut-on conclure sur la performance prévisionnelle des deux modèles pour un horizon hebdomadaire? Expliquez votre réponse en prenant soin de spécifier le critère de performance prévisionnelle que vous avez retenu pour votre analyse. LINREG(DEFINE=1) Y # CONSTANT Y{1} Dependent Variable Y - Estimation by Least Squares Usable Observations 499 Degrees of Freedom 497 Centered R**2 0.165310 R Bar **2 0.163630 Uncentered R**2 0.941505 T x R**2 469.811 Standard Error of Estimate 1.0251144330 Sum of Squared Residuals 522.27722156 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 2.4451060203 0.1709714857 14.30125 0.00000000 2. Y{1} 0.4013211931 0.0404508369 9.92121 0.00000000 LINREG(DEFINE=2) YH # CONSTANT YH{1} Dependent Variable YH - Estimation by Least Squares Usable Observations 71 Degrees of Freedom Centered R**2 0.012802 R Bar **2 -0.001505 Uncentered R**2 0.933496 T x R**2 66.278 Standard Error of Estimate 1.1195827525 Sum of Squared Residuals 86.489122234 69 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 3.6691710336 0.5081785917 7.22024 0.00000000 2. YH{1} 0.1128015595 0.1192474467 0.94595 0.34747743 * THEIL(SETUP) 1 7 500 # 1 DO DATE=400,500,7 THEIL DATE END DO THEIL(DUMP) Forecast Statistics for Series Y Step Mean Error Mean Abs Error RMS Error 1 0.138504252 0.828357947 1.092450397 2 0.129585809 0.755302998 0.910333228 3 0.117851704 0.713503555 0.889312154 4 0.040833309 1.084844633 1.325039463 5 0.086375329 0.853299284 1.012038715 6 -0.296435425 0.878347613 1.133110583 7 0.067602094 0.659239871 0.776604022 Theil U N.Obs 0.7684294 15 0.6539631 15 0.6845131 15 0.8918149 14 0.7086222 14 0.8131274 14 0.6596034 14 * THEIL(SETUP) 1 1 73 # 2 DO DATE=60,73 QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 16 THEIL DATE END DO THEIL(DUMP) Forecast Statistics for Series YH Step Mean Error Mean Abs Error RMS Error 1 0.012783112 0.679091829 0.817737121 Theil U N.Obs 0.6826334 14 Pourquoi remettre à plus tard …! Dans le programme TRIMES.PRG, on traite du PIB réel US et en particulier du taux de croissance du PIB réel américain (RGDP_D= lnRGDP-lnRGDP-1). En utilisant cette variable et la période d’estimation 1954 :32000 :3 : A. Estimez un modèle AR(1). Commentez les résultats obtenus et indiquez s’ils vous semblent appropriés aux données. B. Faites une prévision du taux de croissance du PIB réel US pour les périodes 2000:4, 2001:1, 2001:2, 2001:3 et 2001:4. Illustrez graphiquement votre réponse en insérant les intervalles de confiance (75%) appropriés. Commentez les résultats obtenus. C. Comparez les résultats du dernier trimestre de 2001 qui seront publiés prochainement. Note : voir le Forum pour l’insertion de graphiques RATS dans un fichier Word. QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 17 13. AR(1)+AR(1)=? Nous connaissons tous le modèle AR(1). Il arrive bien souvent qu'il faille analyser la somme de deux processus AR(1). Par exemple, on sait que l'agrégat monétaire M2 est égal à l'agrégat M1 (les dépôts à vue) plus les dépôts non à vue (DPNV). En supposant que M1 et DPNV suivent chacun un processus AR(1), quel sera le type de processus suivit par la variable M2? Nous explorons cette question dans cet exercice. A. Supposons les deux processus suivants: (1) (2) y1t = 0 + 1 y1t-1 + e1t y2t = 2 + 3 y2t-1 + e2t où e1t et e2t sont des bruits blancs qui suivent une distribution N(0,1) et (3) yt = y1t + y2t. En supposant que 0 et 2 = 2,0 et 1 et 3 = 0,5, trouvez par des dérivations théoriques: . . . . la moyenne et la variance de yt les autocovariances et les autocorrélations de yt la représentation moyenne mobile de yt les prévisions y*T+ Indices: 1. Pour additionner les processus, il faut se servir de la représentation moyenne mobile. 2. Si e 1t et e2t sont deux processus bruit blanc avec variance unitaire, la somme e1t+e2t est aussi un bruit blanc avec variance égale à la somme des variances. B. Illustrez ensuite vos calculs théoriques à l'aide d'un programme RATS qui reprendra toutes les instructions du programme AR1.RAT. Vous devez préalablement construire la variable yt comme étant la somme de yt1 et yt2. Comme nous l'avons fait en classe, je voudrais que chaque résultat RATS soit commenté et relié, s'il y a lieu, à une des formules théoriques que vous avez dérivées ci-avant. N'oubliez pas de faire les quatre graphiques et de les commenter brièvement (les graphiques traitent évidemment de yt et non de yt1 et yt2). C. En supposant que 0 et 2 = 2,0 et 1 = 0,9 et 3 = -0,4, reprenez les calculs RATS faits en B. Ces nouveaux résultats RATS sont-ils en accord avec les dérivations théoriques que vous avez faites en A.? Expliquez. Indices: 1. Examinez attentivement les autocorrélations de yt. 2. Examinez aussi les autocorrélations des résidus de votre modèle AR(1) pour vérifier s'ils suivent effectivement un processus bruit blanc. Si cette hypothèse n'est pas vérifiée, vous devrez alors estimer un modèle AR avec plus de retards. 14. Un modèle périodique AR(1). Le modèle AR(1) stipule une relation de récurrence simple tel que (0) yt = + yt-1 + et pour t = 1, 2, 3, 4, ... ,T. A. À l'aide de la méthode des moindres-carrés, estimez un tel modèle pour la série GNP disponible de 48:1 à 85:4 dans la banque de données BARS_MIR.RAT (voir GRAPH.PRG). Il s'agit ici de modéliser le taux de croissance trimestriel de cette variable. Les résidus estimés sont-ils bruit blanc ? Quel est l'impact d'un choc unitaire (IMPULSE)? Calculez les prévisions pour l'année 1986. Vous répondez évidemment à toutes ces questions à l'aide du logiciel RATS. Le modèle AR(1) périodique généralise le modèle AR(1) ordinaire au cas saisonnier puisqu'il y aura quatre modèles AR(1), un pour chaque trimestre d'une année. Ainsi: (1) yt = 1 + 1 yt-1 + e1t QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) pour t = 1, 5, 9, etc., 18 (2) yt = 2 + 2 yt-1 + e2t pour t = 2, 6, 10, etc., (3) yt = 3 + 3 yt-1 + e3t pour t = 3, 7, 11, etc., (4) yt = 4 + 4 yt-1 + e4t pour t = 4, 8, 12, etc. et Var(eit) = 2i. Autrement dit, quand l'observation de gauche correspondra au premier trimestre, il faudra estimer le modèle (1). Notons que yt-1 sera en l'occurence le dernier trimestre de l'année précédente. Quand l'observation de gauche correspondra au deuxième trimestre, il faudra estimer le modèle (2). Il faudra donc estimer 8 paramètres correspondant à quatre modèles AR(1) différents mais estimés à l'aide des mêmes données. Ceci tente de capter l'intuition que le comportement des agents varie selon la période de l'année. La dynamique de l'hiver n'est pas la même que celle observée au printemps. B. En supposant tous les s égaux à zéro (pour simplifier les calculs), donnez l'expression théorique des autocovariances , = 1,4. Notez que = E yt yt-. Votre point de départ t correspondra toujours au premier trimestre d'une année. Indice: questionnez-vous sur le sens véritable des équations (1) à (4). Un modèle AR(1) ordinaire est stationnaire quand ||<1 puisque sous cette condition les autocovariances tendent graduellement vers zéro. Par analogie, sous quelle condition un modèle AR(1) prériodique serait-il stationnaire? Expliquez. C. À l'aide d'une seule régression, estimez un modèle AR(1) périodique en utilisant la méthode des MC. [Indice: il faut bien maîtriser l'utilisation des variables dichotomiques aussi appelées variables binaires ou dummy]. Testez H0: un modèle AR(1) ordinaire vs H1: un modèle AR(1) périodique. Expliquez votre démarche et vos résultats. D. Estimez maintenant chacun des quatre modèles (1) à (4) séparément. Il vous faudra préalablement créer quatre séries de GNP (toujours en taux de croissance) séparées à partir de la série GNP originale. Par exemple, la première série correspondrait au GNP du premier trimestre pour toutes les années; la deuxième correspondrait à toutes les observations du deuxième trimestre, etc. Utilisez la commande SAMPLE. Parce que RATS ne peut simultanément traiter deux fréquences (trimestrielles et annuelles), je vous recommande de faire référence à vos nouvelles données de façon numérique, par exemple 1 à 37 car il y a 37 années. Vous aurez donc la commande suivante: LINREG GNP_? 1 37. Vos estimés correspondent-ils à ceux obtenus en 3. ? E. Sans le logiciel RATS, calculez numériquement l'impact d'un choc e1t = 1 pour la période t=1 et zéro autrement, i.e. un choc de premier trimestre. Ne calculez les effets que pour un horizon de 4 périodes ( = 1, ..., 4). Reprenez maintenant l'exercice pour un choc e2t = 1 pour la période t=2 et zéro autrement, i.e. un choc de deuxième trimestre. Obtenez-vous le même résultat? Expliquez. F. À l'aide de votre modèle AR(1) périodique, calculez sans l'aide du logiciel RATS des prévisions pour l'année 1986. Comparez vos prévisions à celles obtenues avec le modèle AR(1) ordinaire. Expliquez brièvement. G. À l'aide du logiciel RATS, effectuez maintenant les calculs demandés aux questions 5. et 6. Indices: il s'agit d'une question difficile. Dans le cas du AR(1) ordinaire, il faut estimer un modèle, créer une équation qui sera utilisée dans les commandes IMPULSE et FORECAST. Dans le cas du modèle périodique, il faut estimer quatre AR(1), créer quatre équations qui seront toutes les quatre utilisées dans les commandes IMPULSE et FORECAST. Il faut garder un ordre chronologique: la première équation devrait correspondre au premier trimestre, la deuxième équation au deuxième trimestre, etc. Dans ce cas, l'option INPUT de IMPULSE permet un choc à l'un ou l'autre des quatre équations ou trimestres puisqu'il peut y avoir quatre chocs. Il faudra examiner attentivement les résultats obtenus à l'aide de la commande IMPULSE et aller chercher l'information pertinente qui ne suivra pas l'ordre linéaire habituel. Je vous recommande d'utiliser une boucle DO pour finaliser la présentation. QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 19 8. Un modèle AR(1) prospectif: le prix des actifs. Une condition d'arbitrage fondamentale en finance stipule que (1) pt = a E[pt+1|t] + dt où pt représente le prix d'un actif à la période t, E[p t+1|t] correspond à l'espérance du même prix à la période t+1 conditionnellement à l'information disponible à la période t, d t représente les dividendes versés à la période t et a est un coefficient d'escompte égal à 1/(1+r) où r est un taux d'intérêt approprié supposé constant. L'équation (1) suppose que le prix à la période t est déterminé de telle façon qu'il tient compte des anticipations du marché et des dividendes qui ont été versés. A. De façon naturelle et en supposant un ensemble d'information disponible à la période t, on peut avancer l'équation (1) d'une période et obtenir (2) pt+1 = a E[pt+2|t] + dt+1. En prenant l'espérance conditionnellement à l'information disponible à la période t, on obtient (3) E[pt+1|t] = a E[pt+2|t] + E[dt+1|t] et après substitution, l'équation (1) devient (4) pt = dt + a E[dt+1|t] + a2 E[pt+2|t]. En vous inspirant des transformations faites ci-dessus, trouvez une expression pour pt qui ne fasse intervenir que les dividendes (ou leur espérance s'il-y-a-lieu) présent et futurs. B. Le graphique ci-joint montre une évolution de pt qui respecte l'équation (1). En supposant que dt soit une variable stationnaire, donnez un intervalle des valeurs admissibles du paramètre a qui auraient pu générer un tel graphique? Expliquez brièvement votre réponse en vous appuyant sur la dérivation trouvée en A. C. Nous examinons maintenant plus précisément la variable dividendes. L'output RATS ci-joint donne un certain nombre de résultats sur la dynamique des dividendes. Le modèle dt = 2,48 + 0,0415 dt-2 + et estimé vous semble-t-il approprié? Critiquez cette estimation à l'aide de deux tests de Lagrange, un test de Wald et un test de rapport de vraisemblance? Expliquez votre démarche. D. En supposant l'équation théorique dt = + dt-1 + et, est-il possible de réécrire l'équation que vous avez dérivée en A. de façon à ne faire intervenir que des variables connues à la période t (i.e. d t). Expliquez brièvement votre approche. E. Supposons toujours que les dividendes obéissent à un modèle AR(1) dont vous trouverez les estimés ci-dessous. En supposant d300 = 1,49, calculez une prévision et un intervalle de confiance à 95% pour les périodes 301 et 302. Expliquez votre approche. Output RATS Question C. LINREG D NBEG+2 NEND RES2 # CONSTANT D{2} Dependent Variable D - Estimation by Least Squares Usable Observations 297 Degrees of Freedom 295 Centered R**2 0.001726 R Bar **2 -0.001658 Uncentered R**2 0.744135 T x R**2 221.008 Mean of Dependent Variable 2.5976060379 QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 20 Std Error of Dependent Variable 1.5275293530 Standard Error of Estimate 1.5287953965 Sum of Squared Residuals 689.47853252 Regression F(1,295) 0.5099 Significance Level of F 0.47572547 Durbin-Watson Statistic 1.766677 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 2.4892516286 0.1757630306 14.16254 0.00000000 2. D{2} 0.0415483567 0.0581822346 0.71411 0.47572547 LINREG RES2 NBEG+4 NEND # CONSTANT D{1 TO 2} Dependent Variable RES2 - Estimation by Least Squares Usable Observations 295 Degrees of Freedom 292 Centered R**2 0.013498 R Bar **2 0.006741 Uncentered R**2 0.013498 T x R**2 3.982 Mean of Dependent Variable -0.000242141 Std Error of Dependent Variable 1.528736589 Standard Error of Estimate 1.523575227 Sum of Squared Residuals 677.81418960 Regression F(2,292) 1.9977 Significance Level of F 0.13750194 Durbin-Watson Statistic 1.994712 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant -0.264301630 0.220628179 -1.19795 0.23190775 2. D{1} 0.116892883 0.058485595 1.99866 0.04657188 3. D{2} -0.015193539 0.058441961 -0.25998 0.79506508 CORRELATE(NUMBER=NLAG, QSTATS) RES2 NBEG+2 NEND Correlations of Series RES2 Autocorrelations 1: 0.1148670 0.0005673 -0.0438010 -0.0515363 7: -0.0155314 -0.0132013 0.0711034 -0.0747272 Ljung-Box Q-Statistics Q(12) = 11.3451. 0.0597850 0.0466754 0.0347716 -0.0384492 Significance Level 0.49960080 LINREG D NBEG+2 NEND # CONSTANT D{1} D{2} Dependent Variable D - Estimation by Least Squares Usable Observations 297 Degrees of Freedom 294 Centered R**2 0.014756 R Bar **2 0.008053 Uncentered R**2 0.747474 T x R**2 222.000 Mean of Dependent Variable 2.5976060379 Std Error of Dependent Variable 1.5275293530 Standard Error of Estimate 1.5213662002 Sum of Squared Residuals 680.47920383 Regression F(2,294) 2.2015 Significance Level of F 0.11245288 Durbin-Watson Statistic 1.994309 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 2.2251797954 0.2202910216 10.10109 0.00000000 2. D{1} 0.1150447115 0.0583438878 1.97184 0.04956530 3. D{2} 0.0280178198 0.0583046939 0.48054 0.63119983 EXCLUDE # D{2} QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 21 Null Hypothesis : The Following Coefficients Are Zero D Lag(s) 2 F(1,294)= 0.23092 with Significance Level 0.63119983 EXCLUDE # D{1} Null Hypothesis : The Following Coefficients Are Zero D Lag(s) 1 F(1,294)= 3.88815 with Significance Level 0.04956530 Question E. LINREG(DEFINE=1) D NBEG+2 NEND # CONSTANT D{1} Dependent Variable D - Estimation by Least Squares Usable Observations 297 Degrees of Freedom 295 Centered R**2 0.013982 R Bar **2 0.010639 Uncentered R**2 0.747276 T x R**2 221.941 Mean of Dependent Variable 2.5976060379 Std Error of Dependent Variable 1.5275293530 Standard Error of Estimate 1.5193817666 Sum of Squared Residuals 681.01368100 Regression F(1,295) 4.1831 Significance Level of F 0.04171656 Durbin-Watson Statistic 2.003454 Variable Coeff Std Error T-Stat Signif ******************************************************************************* 1. Constant 2.2896617689 0.1744782338 13.12291 0.00000000 2. D{1} 0.1183443503 0.0578628455 2.04526 0.04171656 9. Le modèle prospectif: suite. Nous avons vu le modèle AR(1) prospectif où pt = a E [pt+1|t] + dt. Nous sommes présentement au début de la période T. Toute la communauté des affaires a été informée de façon certaine que dT sera égal à zéro et que dT+1 et dT+2 seront égaux à 1. Par la suite, les dt redeviendront égaux à zéro pour plusieurs années. À l'aide de ces informations, calculez la valeur de p pour les périodes T, T+1, T+2 et T+3. QUESTIONS - CHAPITRE 3 : LE MODÈLE AR(1) 22