Le test de stabilité :
Le test de Chow : Ce test
nécessite l'homoscédasticité des résidus du
modèle. Ce que nous avons prouvé précédemment.
C'est un test dans lequel nous définissons une date de rupture qui
permettra de découpé le modèle en deux sous
échantillons ( qui ne sont pas nécessairement de taille
égale).
(H0) yt = a
t + b +
t (SCR0 /
2) ~
2T -
k Relation stable
(Ha) yt = a1
1t +
b1 + t SCR1
} SCRa = SCR1 +
SCR2 avec (SCRa /
2) ~
2T -
2k
yt = a2
2t +
b2 + t SCR2 Relation instable
Observons ce que nous dit le test de Chow quand nous
l'appliquons à notre modèle :
LE MODELE EST INSTABLE, le logiciel RATS nous dit que notre
modèle est instable. Cela est certainement du à
l'auto-corrélation présente dans le modèle.
Le plus grand Fisher f = 5.976 pour un niveau de
significativité ns = 0.000035. Le point correspondant à ce plus
grand Fisher est 1993:06.
Regardons ce que nous dit le test de Chow losque nous enlevons
les dummies :
LE MODELE EST INSTABLE, le logiciel RATS nous dit que notre
modèle est instable.
Le plus grand Fisher f = 8.235 pour un niveau de
significativité ns = 0.000000. Le point correspondant à ce plus
grand Fisher est 1994:07.
Mieux vaut garder les dummies car elles minimisent le plus
grand f de Fisher.
Le point de rupture dans le modèle avec dummies se
trouve au sixième mois de l'année 1993. Testons la
stabilité des coefficients :
F(5,203) tabulé 2,21 < F(7,103) calculé = 5,
976 nous acceptons (Ha) donc il y a instabilité des coefficients.
Le test de
co-linéarité :
(Belsley-Kuh et Welsh) :
Pour détecter la présence de
colinéarité, on va effectuer le test de Belsley-Kuh-Welsch (BKW).
Dans un premier temps, ils proposent de travailler avec le
conditionnement de x :
Cond(x)=valeur singulière la plus grande / valeur
singulière la plus petite=dmax/dmin
Si dmin?0 alors cond (x)?+8 et donc on aura un
problème de colinéarité. Le problème est que l'on
ne connaît pas le nombre de relations de colinéarité et
leur intensité.
BKW ont donc proposé de calculer des indices de
conditionnement :
Ind1=d1/d1=1
Ind2=d1/d2
·
·
·
Indk=d1/dk=cond(x)
Ensuite par simulation de Monte Carlo, ils montrent que:
- si Indi<15 : pas de colinéarité
- si 15<Indi<30 : faible
colinéarité
- si 30<Indi<100 : forte
colinéarité
- si indi>100 : très forte
colinéarité
Nous pouvons constater que tous les indices sont plus petit
que 15 ce qui signifie que le modèle ne souffre pas de la
colinéarité.