Formation de base d’introduction au logiciel eviews etape par etape
Formation Eviews 7 | ||||
Introduction | ||||
Jonathan Benchimol
Plan
} Prise en main du logiciel
} Utilisation
} Création
} Gestion
} Analyse statistique
} Représentations graphiques
} Statistiques descriptives
} Econométrie
} Estimations
} Tests
} Méthodes
Prise en main du logiciel
} Utilisation
} Création
} Gestion
Fenêtre initiale
Fenêtre de commande
Statuts et fenêtres
Créer ou ouvrir un fichier
} Plusieurs manières d’accéder à des données:
} Création d’un nouveau fichier de travail (Workfile)
} File/New/Workfile puis suivre les indications
} wfcreate(wf=annual, page=myproject) a 1950 2005 } Ouvrir un fichier Eviews (.wf1)
} File/Open/Workfile puis sélectionner le fichier à ouvrir
} wfopen "c:\data files\data.wf1"
} Ouvrir un fichier qui n’est pas en format Eviews
} File/Open/Foreign Data as Workfile puis sélectionner le fichier à ouvrir
} wfopen "c:\data files\"
Création d’un nouveau workfile
} Création d’un nouveau workfile:
} File/New/Workfile
} Choisir le type de structure
} Choisir la fréquence
} Choisir les bornes
} Optionnel:
} Donner un nom au workfile
} Donner un nom à la page du workfile
Saisie de données
} Première méthode: le copié/collé sur une nouvelle série.
} Une fois le workfile créé, allez dans Excel et sélectionner une série sans son label.
} Collez ensuite dans l’objet série la série sélectionnée (cf. ci après).
} Si cela ne fonctionne pas, n’oubliez pas de déverrouiller le mode édition…
Création à partir d’Excel
Fenêtre Workfile
} Repères
} Nombre d’observations
} Feuilles
} Barre de boutons
} Objets
Fenêtre Workfile
Création et exécution d'un programme
Deux façons d'éditer et d'exécuter un programme sous Eviews: } Interactive use
} Des commandes élémentaires peuvent tout d'abord être reportées une à une dans la ligne de commande (située au-dessous de la barre de menu).
} Les commandes seront alors exécutées immédiatement, mais ne seront pas enregistrées dans un fichier.
} Batch use
} On ouvre une nouvelle fenêtre dans laquelle on va enregistrer une séquence de commandes.
} Pour ouvrir un programme existant:
} File/Open/Program
} Pour créer un programme
} File/New/Program
} program nom_du_programme
Ce mode permet d'exécuter un bloc de commandes et de les enregistrer dans un fichier. On pourra alors exécuter le programme de façon répétée et l'appliquer à d'autres bases de données.
Les objets
} Ci-avant un récapitulatif de tous les types d’objets.
} Deux moyens de déclaration:
} Avec le menu:
} Object/New Object } Avec la ligne de commande:
} type_objet nom_objet
} Types d’objets les plus utilisés:
} Série temporelle:
} series x
} Groupe de séries:
} group g x y } Equation:
} equation eq01
Fenêtre Object
Menu
} File: ouverture, fermeture, sauvegarde, impression…
} Edit: copié, collé, retour en état précédent, rechercher…
} Object: créer, gérer ou imprimer un type d’objet
} View (lorsqu’un objet est sélectionné): voir, statistiques sur l’objet, lien avec la base de données, ouvrir…
} Proc: procédures globales ou particulières
} Quick: estimation, statistiques groupées, tests statistiques, VAR, générateur… bouton le plus utilisé !!!
} Options, Add-in, Windows: facultatif } Help: à utiliser sans limite.
Analyse statistique
} Représentations graphiques
} Statistiques descriptives
Introduction : Fenêtre Object
Introduction : Fenêtre Série
} Manipulation de données
} Afficher la série, etc…
} Label
} View/label
} Sheet
} View/Spreadsheet } Line
} Views/Graph/Line } Stats
} Views/Descriptive Statistics & tests
Introduction: Fenêtre Série
Introduction: Fenêtre Série
Opération sur les séries
} Créer une nouvelle série y:
} series y
} Créer la série y en fonction de x et z:
} series y = 2*x + 3*z
} Créer la série y log d’elle-même:
} series y = log(y)
} Créer la série y moyenne mobile d’ordre 6 de x:
} series = @movav(x,6)
Opération sur les intervalles de temps Exemple d’échantillon
} Partie supérieure: prendre en compte uniquement les observations 50 à 100 et 200 à 250:
} 50 100 200 250
} Partie inferieure: parmi ces observations, prendre en compte uniquement celles où la variable x est comprise entre 6 et 13 et la variable y est inferieure à sa moyenne:
} (x>=6 and x
Définition d’échantillon
} La commande smpl permet de définir un échantillon de données, avec ou sans condition:
} Sélectionner uniquement un échantillon de 1970Q1 à 1999Q4:
} smpl 1970Q1 1999Q4
} Sélectionner uniquement , dans un échantillon de 1970Q1 à 1999Q4, les données où rates est supérieur à 1.8:
} smpl 1970Q1 1999Q4 if rates>1.8
} Sélectionner uniquement un échantillon de 1970Q1 à la dernière valeur :
} smpl 1970Q1 @last
} Sauvegarder un échantillon de la première valeur à 1989Q2 :
} Sample s1 @first 1989Q2
Chaînes de caractère
} Créer une chaîne de caractère:
} Ligne de commande:
} alpha myseries
} alpha name
} alpha symbol
} smpl @all if name = “Benchimol" } Grace au menu:
} Object/New Object/Series Alpha
} Création à partir d’une chaîne:
} Mettre dans la série de caractères myseries le nom de la série name et le symbole de la série symbol entre parenthèse:
} alpha myseries = name + " (" + symbol + ")
} Mettre dans la série bname les noms commençant par la lettre B:
} series bname = (@lower(@left(name, 1)) = "B")
Attribution de labels
} Donner un label aux valeurs des variables:
} valmap
} Object/New Object/ValMap
} Utile uniquement lorsque la variable ne présente qu’un nombre restreint de valeurs.
} Pour attribuer un label à une série, cliquer sur Properties dans le menu de celle-ci puis sur Value Map.
Attribution de labels
} Exemple d’attribution de labels:
} valmap mymap
} mymap.append 3 "trois"
} mymap.append 99 "do not exist"
Groupe de séries
} Permet de visualiser et d’étudier plus d’une série, formant ainsi un groupe de séries.
} Créer simplement un groupe de séries en sélectionnant plus d’une série du workfile (maintenir enfoncée la touche Ctrl et cliquer sur les séries à sélectionner), puis clic bouton droit, puis Open, puis as a Group.
} Cet objet est très utile pour effectuer des tableaux récapitulatifs, pour représenter l’évolution d’une série en fonction d’une autre ou pour en représenter plusieurs sur un même plan.
Utilisation de l’aide
} IMPORTANT: dès que vous avez une question, cliquez sur Help, puis sur Quick Help Reference, puis sur l’un des type correspondant à votre interrogation:
} Question sur un Objet ?
} Question sur une Commande ?
} Question sur une Fonction ?
} Question sur les Matrices ?
} Question sur la Programmation ?
} Une fois que vous avez ouvert le champ correspondant à votre question, tapez-y un mot clés de votre
} IMPORTANT: utilisez le plus souvent possible l’aide.
Créer un graphique
} Lorsque vous avez ouvert une série, cliquer sur
View/Graph…
} Un écran apparait (cf. ci-contre).
} Configurer votre graphique puis cliquer sur OK pour l’afficher.
Créer un graphique de plusieurs séries
} Créer un groupe de séries
} Ouvrir le groupe puis allez dans View/Graph… puis OK
} Si vous voulez obtenir plusieurs graphiques sur une seule fenêtre, cliquer sur Options, puis dans Multiple
Series, cliquer sur Multiple Graphs
} Pour changer de Template, cliquer aussi sur Options (ou double-clic sur le graphique), puis Template & Objects puis laissez-vous guider.
Présentation du graphique
} Possibilités: ajouter du texte, modifier l’échelle des axes, modifier l’apparence (template), sauvegarder son propre template, afin de le réutiliser, etc…
} Ces agréments esthétiques sont très pratiques lorsque les graphiques doivent répondre à une même charte graphique par exemple.
} Mettons en pratique par plusieurs exemple ces possibilités.
Figer ou pas Figer ?
} Le graphique généré à partir d’une série par Eviews peut être soit connecté aux données, soit déconnecté des données à partir desquelles il a été construit:
} Si l’on change quelque chose dans les données, cela modifiera l’aspect du graphique: Freeze
} Si l’on change quelque chose dans les données, ou si on passe à une autre visualisation, cela ne modifiera pas l’aspect du graphique: Freeze
} « Freezer » un objet crée un autre objet qui devient indépendant de l’objet originel. Il n’y a plus d’actualisation possible.
Statistiques de base
Econométrie
} Estimations } Tests
} Méthodes
Qu’est-ce que l’économétrie
} Ensemble des techniques destinées à mesurer des grandeurs économiques.
} Mesure de grandeurs préalablement définies par l'économie
(emploi, croissance, valeur ajoutée, etc.);
} Vérification empirique de relations entre ces grandeurs prédites par des modèles issus de l'économie mathématique ;
} Etude a priori de relations entre grandeurs mathématiques indépendamment d'un modèle économique sous-jacent.
Objectifs
} Utiliser Eviews pour
} Expliquer ces mesures. } Exploiter des données.
} Etablir et tester des relations robustes entre elles.
} Exposer et présenter ses résultats.
} Quantifier des paramètres d’un modèle.
} Tester des hypothèses ou des prévisions.
} Confronter des modèles concurrents.
} Simuler des évolutions passées ou à venir.
} Etudier des interactions entre variables.
} Rapprocher la théorie à la réalité.
Méthodologie
} Spécifier du modèle
} Choisir les variables explicatives
} Choisir la forme fonctionnelle
} Prendre en compte les chocs
} Confronter le modèle aux données
} Estimer le modèle
} Evaluer et analyser les résultats
} Tester de la robustesse de l’estimation
} Utiliser le model
} Prévoir
} Envisager des variantes
} Cas extrêmes
Nomenclature
} Relation entre une variable expliquée (Yt) et des variables explicatives (Xt,k) pondérées par des paramètres (ak), une constante (paramètre a0) et une perturbation (choc ut,i):
Yt = a0+ a1Xt,1+ a2Xt,2+ … + aiXt,i+ ut,i
} On cherche à estimer les paramètres, inconnus du modèle.
} ut,i peut être perçu comme un choc, une perturbation, une erreur ou un aléa.
} Il s’agit ici d’an modèle linéaire avec un terme constant.
Objectifs spécifiques
} A l’aide d’observations des variables (données), on cherche à:
} Estimer les paramètres du modèle.
} Evaluer la précision des estimations.
} Montrer le pouvoir explicatif du modèle.
} Savoir si la liaison globale entre Yt et Xt,k est significative.
} Savoir si l’apport marginal de chaque variable est significatif.
} Evaluer la capacité prédictive du modèle.
} Envisager des aspect particuliers.
MCO: Tests
} Pour toute l’estimation
} R² ajusté
} Mean dependent var
} S.D. dependent var
} S.E. of regression
} Akaike info criterion
} Sum squared resid
} Schwarz criterion
} Log likelihood } Hannan-Quinn criter.
} F-statistic
} Durbin-Watson stat
} Prob(F-statistic)
} Pour chaque paramètre: } Student (p-value)
} Std. Error
Estimation d’un équation par les MCO
} Créer un workfile regroupant les données à analyser } Estimer les coefficients de la régression:
} Quick/Estimate Equation… ou Object/Equation
} Ecrire la relation sous forme d’une équation:
VExpliquée=c(1)*VExplicative1+c(2)*VExplicative2+C(3) ou
} LS Vexpliquée C Vexplicatives séparées par un espace
} Les variables suivies de (-1), (-2) … sont des variables retardées.
} L’estimation se fait en ajustant l’échantillon de façon à ne pas tenir compte des données manquantes.
Fenêtre Equation Estimation
} Eviews donne le choix entre plusieurs techniques d’estimation, et une personnalisation de l’échantillon au moment de l’estimation.
Résidus des MCO
} Lorsque vous obtenez le résultat des estimations, un onglet .4Resids apparait. .2 } Cliquez dessus pour .0 obtenir un graphique -.2
des résidus -.4 00 01 02 03 04 05 06 07 08 09 10 11
Residual Actual Fitted |
(perturbations).
Travailler avec les résultats statistiques
} Fonctions retournant un scalaire:
Travailler avec les résultats statistiques
} Fonctions retournant un vecteur ou une matrice d’objets:
} Fonctions retournant des caractères:
Travailler avec la régression
} Cliquez sur View pour voir:
} Les représentations
} Les sorties
} La structure ARMA
} Les résidus
} Gradients, dérivés
} Matrice des covariances
} Tests sur les coefficients
} Tests sur les résidus
} Tests de stabilité
} Etc…
Travailler avec la régression
} Cliquez sur Proc pour effectuer:
} Des prévisions
} Un modèle
} Des dérivées de la fonction de régression par rapport aux paramètres
} Un groupe des régresseurs
En ligne de commande
} Estimer une équation par les moindres carrés (MCO):
} (options) y c x1 x2
} (options) y = c(1) + c(2)*x1 + c(3)*x2
} Stocker dans un vecteur l’estimation d’une équation par les moindres carrés (MCO):
} coef(3) myvector
} (options) y = myvector(1) + myvector(2)*x1 + myvector(3)*x2 } Afficher le spécification de l’équation estimée:
} show
} Afficher les résultats d’une équation estimée:
} show eq1.results
En ligne de commande
} Stocker les résidus d’une équation estimée dans une série nom_residus:
} eq1.makeresids nom_residus
} Afficher les résidus estimés:
} eq1.resids(options)
} g pour une représentation graphique
} t pour une représentation sous forme de tableau
} show eq1.resids
} Créer un modèle à partir de l’équation estimée:
} makemodel
Signification des tests
} Student: test de significativité d’un paramètre
} Fisher: test de significativité global
} Test de normalité des erreurs
} Durbin Watson: Test d’autocorrélation
} White: Test d’hétéroscédasticité
} Show: Test de stabilité
} Test de colinéarité
Autres tests
} Après avoir effectué votre régression, les test Student, de Fisher et de Durbin-Watson figurent directement dans la fenêtre équation générée.
} Pour calculer d’autres tests statistiques, cliquez sur le bouton View de la fenêtre Equation, et sélectionnez soit un des trois type de diagnostic: Coefficient, Residuals ou Stability.
} Pour revenir aux résultats de la régression, cliquez sur le bouton Stats.
Spécification d’un modèle
} Considérations importantes au moment du choix d’un modèle
} Conséquences du choix d’un mauvais modèle
} Assurer la validité d’un modèle
} Critères de choix
} Erreurs de spécification
} Remèdes
} Evaluation des performances de modèles
Spécification d’un modèle
} Types d’erreurs de spécification:
} Omission d’une variable pertinente
} Inclusion d’une variable superflue
} Forme fonctionnelle erronée
} Erreurs de mesure
} Erreurs de spécification du terme stochastique } Détection de variables non-pertinentes:
} Test de Student (pour une variable) } Test de Fisher (pour plusieurs variables) } Détection de variables omises:
} Examen des résidus
} Analyse de l’autocorrélation ou de l’hétéroscédasticité
Autocorrélation des résidus
} Après avoir effectué votre régression, cliquez sur View de la fenêtre équation puis cliquez sur Residuals Diagnostics, puis sur Correlegram Q Statistics…
} Vous devez ensuite choisir l’ordre maximal d’autocorrélation des résidus que vous désirez obtenir.
} Remarque
} Un processus AR(1) est fréquemment postulé, car il traduit l’idée qu’un choc exogène à un moment donné a un effet persistant mais décroissant exponentiellement avec le temps.
Analyse des résidus
} Examen visuel des résidus
} L’analyse graphique des résidus permet le plus souvent de détecter une autocorrélation des erreurs lorsque :
} Les résidus sont pendant plusieurs périodes consécutives, soit positifs, soit négatifs : corrélation positive
} Les résidus sont alternés : corrélation négative.
} Cependant, le plus souvent, l’analyse graphique est délicate à interpréter.
} Il faut faire des tests d’autocorrélation:
} Statistique de DW
} View/Residual Diagnostics/Correlogram-Q-statistics
} View/Residual Diagnostics/Serial Correlation LM Test…
Test de Durbin et Watson
} Le test de Durbin Watson (DW) teste seulement l’autocorrélation du premier ordre.
} Il existe un plage de valeurs pour lesquelles on ne peut conclure.
} Dans un modèle auto régressif, le test de DW est biaisé en faveur de l’acceptation de l’hypothèse nulle:
} En effet, prenons le modèle AR suivant
Yt = a0 + a1 Yt-1 + a2Xt + ut
} La variable expliquée Yt dépend de ses valeurs passées.
Test de Breusch-Pagan-Godfrey
} Si les erreurs suivant un AR(p), alors il faut tester l’égalité à zéro de tous les coefficients de cet AR(p).
} Dans la fenêtre équation, aller dans View, puis Residuals Diagnostics, puis
dans Heteroskedasticity
Tests…
Test de Breusch-Pagan-Godfrey
} Les régresseurs du modèle peuvent comprendre des valeurs décalées de la variable dépendante (ce qui tranche avec les restrictions du test de DW).
} Ce test est également applicable lorsque les erreurs suivant un MA(q).
} Si l’on ne considère qu’un AR(1), le test BG est connu sous le nom de test M de Durbin.
} La valeur p, longueur du décalage, ne peut être précisée à priori. Il est inévitable de procéder à quelques expérimentations. On peut alors utiliser les critères AIC,
HQC et SC pour choisir le bonne longueur du décalage.
En présence d’autocorrélation
} Trouver si l’autocorrélation est une pure autocorrélation et non le résultat d’une mauvaise spécification du modèle.
} Les résidus peuvent être dus à une mauvaise spécification du modèle ou à une forme fonctionnelle incorrecte.
} Est-ce que les variables prises en compte présentent des tendances, auquel cas il faut intégrer dans le modèle le temps (@trend). Si en changeant la spécification, la statistique de DW reste anormalement faible alors on peut effectivement conclure la présence d’autocorrélation.
} Si il s’agit d’autocorrélation pure à MCQG
Exemple: Nombre d’oeufs
Test de la stabilité des paramètres
} Lorsqu’on utilise un modèle sur des séries temporelles, des changements structurels peuvent se produire entre la variable à expliquer et les variables explicatives: les paramètres ne restent globalement pas identiques sur toute la période.
} Comment détecter un changement structurel ?
} Représentation graphique
} Test de Chow
} Le test de Chow estime deux modèles: en utilisant l’ensemble des données et un autre utilisant une période restreinte. Si la différence entre les deux modèles est significative, on peut douter de la stabilité de la relation sur l’ensemble de la période.
Tests de stationnarité
} Un exemple avec le test de Dickey-Fuller Augmenté (ADF). Ce test se base sur l’hypothèse de corrélation des résidus et sur l’estimation par les MCO des 3 modèles suivants :
sachant que les résidus sont iid.
} Test de stationnarité de la série CATTLE_NB: modèle avec tendance et constante « en niveau », on commence toujours par ce choix.
} Le test est plus grand que les seuils d’erreurs à 1%, 5% et 10%: on rejette donc l’hypothèse de stationnarité.
} Remarque: il peut exister un lien entre CATTLE_NB et CATTLE_NB (-12).
Jonathan Benchimol
} Test de stationnarité de la série des CATTLE_NB: modèle avec constante « en niveau »: mêmes remarques que précédemment.
Jonathan Benchimol
} Ici, on test la série
D(CATTLE_NB_SA) i.e. la série CATTLE_NB vue précédemment mais
ajustée des variations purement saisonnières.
} cattle_nb.x12(mode=a)
} On utilise le mode additif car notre série contient des valeurs négatives !
} Il y a stationnarité en différence première.
Jonathan Benchimol
Test RESET de Ramsey
} Ce test de spécification utilise des modèles artificiels non linéaires afin de les confronter au modèle estimé.
} Ces modèles artificiels sont composés du modèle estimé plus une composante de deuxième et/ou de troisième ordre multipliée par un coefficient.
} Si ces coefficients sont nuls, le modèle initial est adéquat.
} Deux moyens d’effectuer ce test:
} View/Stability Diagnostics/Ramsey RESET Test
} eq1.ramsey(options)
Programmation
} Un programme peut être enregistré et/ou être utilisé et/ou modifié à l’infini.
} En automatisant un processus, et en écrivant cela dans un programme, vous gagnerez énormément de temps.
} Exemple:
} Ecrire un programme qui permet de désaisonnaliser la série cattle_nb par la méthode x12 additive
} Puis qui effectue la différence première du résultat par deux méthodes (différence et log différence).
} Avant de commencer à écrire ce programme, faite cette procédure uniquement avec votre souris…
Un programme pour aller plus vite ?
cattle_nb.x12(mode=a)
genr cattle_nb_sa_d1=D(cattle_nb_sa)
genr cattle_nb_sa_d2=log(cattle_nb_sa/cattle_nb_sa(-1))
cow_nb.x12(mode=a) genr cow_nb_sa_d1=D(cow_nb_sa) genr cow_nb_sa_d2=log(cow_nb_sa/cow_nb_sa(-1))
meat_nb.x12(mode=a) genr meat_nb_sa_d1=D(meat_nb_sa)
genr meat_nb_sa_d2=log(meat_nb_sa/meat_nb_sa(-1))
} Etc…
Vision économique
} Parfois, un simple raisonnement économique permet de ne pas utiliser d’outils statistiques complexes:
la volaille 00 01 02 03 04 05 06 07 08 09 10 11 12
Lait (marge en %)Porc (marge en %) Volaille (marge en %)Viande (marge en %) |
Analyse en composantes principales
} L'ACP permet de transformer des variables corrélées en nouvelles variables décorrélées les unes des autres.
} Objectif:
} Réduire l'information en un nombre de composantes principales plus limité que le nombre initial de variables.
} Approche
} Géométrique: représentation des variables dans un nouvel espace géométrique selon des directions d'inertie maximale
} Statistique: recherche d'axes indépendants expliquant au mieux la variance des données
ACP: un exemple
} PC1 explique 98% de la variance totale.
} PC1 est une combinaison linéaire de l'ensemble des cinq prix.
} PC1 peut-être interprété comme un indice des prix.
ACP: un exemple
} PC2 dépend négativement des prix de la viande rouge (porc, bœuf et viande) et positivement des prix de la viande de volaille (chair de poulet et volaille).
} Le graphique ci-contre 5
Prévision
} Après avoir effectué une régression, cliquez sur le bouton Forecast du menu de la fenêtre équation et choisissez la méthode adéquate.
} Prévision dynamique: pour chaque période, la valeur prévue à la date t-1 est utilisée pour calculer la prévision à la date t.
} Prévision statique: pour une période au delà de la période d’observation, cette prévision est plus précise.
Traitement des prévisions
} Pour construire des prévisions statiques (lorsque l’équation estimée contient comme régresseur la variable expliquée retardée), les valeurs observées sont utilisées.
} do yhat yse
} Stock dans yhat et yse la série ajustée et les écart types associés.
} Pour construire des prévisions dynamiques (lorsque l’équation estimée contient comme régresseur la variable expliquée retardée), les valeurs prévues sont utilisées lorsque l’horizon de prévision est supérieur à 1.
} smpl 1 100, do y c x, smpl 101 105, do eq1.forecast yhat yse.
Dessaisonalisation
} Dessaisonalisations de base:
} Xsat = log(Xt/Xt-12)
} Xsat = (Xt-Xt-12)/Xt-12
} Autres types de dessaisonalisation:
} X11
} X12
} TRAMO
} Moyenne mobile
Exemple: TRAMO et données aériennes
Exemple: TRAMO et données aériennes
X Forecast of series |
Autres exemple utilisant TRAMO
X | Forecast of series | Linearized series |
Exemple: quantité EGGS_NB d’œufs
} Une saisonnalité peut être dans les données.
} La connaissance de la variable nous indique une saisonnalité.
View/Graph…/Seasonal Graph/Paneled lines and means
On obtient un graphique ventilant les informations:
} Une moyenne par mois
} Une série mensuelle
} Juin est la période 4,000 EGGS_NB by Season où le nombre d’œufs produits est maximal.
} Février est la période basse.
Means by Season |
moyenne sur Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec l’échantillon.
A partir d’un groupe de séries temporelles, on obtient:
Means by Season |
Russia: Total Sheep & Goats number, mln heads by Season Russia: Total Pig Number, mln heads by Season
Dec Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Russia: Total Cow Number, mln heads by Season
Russia: Total Cattle Number, mln heads by Season
Dec Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Analyse des cycles
Fixed Length Symmetric (Baxter-King) Filter
Lait (marge en %) Non-cyclical Cycle |
Frequency Response Function
Actual Ideal |
cycles/period
} Filtre de fréquence: séparer une dynamique issue d’un cycle de celle qui n’est pas engendrée par un cycle.
} Aller dans Proc sur le menu de la fenêtre de la série, puis dans Frequency Filter…
Analyse des cycles
Hodrick-Prescott Filter (lambda=14400)
11 12
Lait (marge en %) Trend Cycle |
} Filtre HP: séparer un cycle d’une tendance
Filtre Hodrick-Prescott (HP)
} Objectif: dissocier les cycles de court terme et de long terme.
} Tolérances: inflexions lentes de la tendance, en imposant que cet écart à la tendance ne dépasse pas une certaine valeur représentant les évolutions de la partie conjoncturelle.
} Atout: Représentation non linéaire de la tendance.
} Lambda = 100*(nombre de période dans l’année)²
} Données annuelles = 100*1² | = 100 |
} Données trimestrielles = 100*4² | = 1 600 |
} Données mensuelles = 100*12² | = 14 400 |
} Données hebdomadaires = 100*52² | = 270 400 |
ANOVA
} L'analyse de la variance (ANalysis Of VAriance) permet de vérifier que plusieurs échantillons sont issus d'une même population.
} Ce test s'applique lorsque l'on mesure une ou plusieurs variables explicatives catégorielles (facteurs de variabilité, de différentes modalités ou niveaux) qui ont de l'influence sur la distribution d'une variable continue à expliquer.
} On parle d'analyse à un facteur, lorsque l'analyse porte sur un modèle décrit par un facteur de variabilité, d'analyse à deux facteurs ou d'analyse multifactorielle sinon.
Tests de causalité
} Après avoir validé la stationnarité des données, on peut tester un lien de causalité entre des séries temporelles.
} Ci-contre, on montre que:
} MEAT à MILK
} CATTLE à MEAT
} COW à MEAT
} CATTLE à COW*
} | @R2 | R² |
} | @RBAR2 | R² ajusté |
} | @SE | Ecart type de la régression |
} | @SSR | Somme des carrés des résidus |
} | @DW | Durbin–Watson |
} | @F | F–statistic |
} | @LOGL | Valeur de la fonction de vraisemblance |
} | @REGOBS | Nombre d’observation de la régression |
} | @AIC | Critère d’information d’Akaike |
} | @SC | Critère de Schwartz |
} | @MEANDEP | Moyenne de la variable dépendante |
} | @SDDEP | Ecart type de la variable dépendante |
} | @NCOEF | Nombre total de coefficients estimés |
} @COVARIANCE(i,j) Covariance des coefficients i et j
} @RESIDCOVA(i,j) Covariance des résidus de l’équation i avec ceux de l’équation j dans un VAR ou un objet système. @RESIDCOVA doit être précédé du nom de l’objet.
} + Addition
} – Soustraction
} * Multiplication
} / Division
} ^ Puissance
} > Supérieur; X>Y vaut 1 si X est
supérieur à Y et vaut 0 sinon. Idem avec =, , =.
} D(X) Différence première de X, X – X(–1)
} D(X,n) Différence du nième ordre de X
} D(X,n,s) Différence du nième ordre de X et différence saisonnière d’ordre s.
} LOG(X) Logarithme naturel
} DLOG(X) Différence première de logarithme naturel: LOG(X)– LOG(X(–1))
} DLOG(X,n) Différence du nième ordre du logarithme de X: LOG(X)– LOG(X(–n))
} DLOG(X,n,s) Différence du nième ordre du logarithme de X et différence saisonnière d’ordre s.
} EXP(X) | Fonction exponentielle |
} ABS(X) | Fonction valeur absolue |
} SQR(X) | Fonction racine carrée |
} SIN(X) | Fonction sinus |
} COS(X) | Fonction cosinus |
} @ASIN(X) | Fonction arc sinus |
} @ACOS(X) | Fonction arc cosinus |
} RND zéro et un. | Nombre aléatoire uniformément distribué entre | ||
} NRND | Nombre aléatoire normalement distribué N(0;1) | ||
} @PCH(X) | Pourcentage de variation: (X–X(–1))/X(–1) | ||
} @INV(X) | Inverse ou réciproque: 1/X | ||
} @DNORM(X) | Densité normale standard | ||
} @CNORM(X) | Distribution normale cumulative | ||
} @LOGIT(X) | Logit de X | ||
} @SUM(X) | Somme des X | ||
} @MEAN(X) | Moyenne des X | ||
} @VAR(X) | Variance des X | ||
} @SUMSQ(X) | Somme des carrés de X | ||
} @OBS(X) | Nombre d’observations de X valides | ||
} @COV(X,Y) | Covariance entre X et Y | ||
} | @COR(X,Y) | Corrélation entre X et Y | |
} | @CROSS(X,Y) | Produit croisé entre X et Y | |
} | @MOVAV(X,n) | Moyenne mobile sur n périodes de X, où n entier naturel | |
} | @MOVSUM(X,n) | Somme mobile sur n périodes de X, où n entier naturel | |
} | @TREND(d) | Tendance normalisée à zéro en période d où d est une |
date ou un numéro d’observation.
} @SEAS(d) Variable dummy saisonnière égale à un lorsque le trimestre ou le mois vaut d, et zéro sinon.
} | @DNORM(X) | Fonction standard de densité normale de X |
} | @CNORM(X) | @DNORM(X) cumulative de X |
} | @TDIST(X, d) degrés de liberté. | Probabilité que le test de Student dépasse X avec d |
} | @FDIST(X, n, d) | Probabilité que le test de Fisher dépasse X avec n degrés |
de liberté au numérateur et d degrés de liberté au dénominateur.
} @CHISQ(X, d) Probabilité que le test du Chi² dépasse X avec d degrés de liberté.