2.3 Estimation des paramètres du modèle
AR(p)
A cette étape, on se donne un modèle
AR(p) où l'ordre p est supposé connu.
Il convient alors d'estimer les paramètres ' et
ó2. Sous l'hypothèse E suit la loi
normale de moyenne 0 et de variance ó2, on usera la
méthode de Yule-Walker, la méthode des moindres carrés, la
méthode du maximum de vraisemblance conditionnel et la méthode du
maximum de vraisemblance exacte . Nous allons, dans ce paragraphe,
présenter la démarche de l'estima-tion par ces différentes
méthodes.
Equations de Yule-Walker
Considérons la série de rendement (Rt)
définie dans l'équation (2.4)
En multipliant les deux membres par
Rt-j et en prenant l'espérance on
obtient
E(Rt-iRt-j) = E( ?p
öiRtRt-i) + E(EtRt-j) i=1
or E(RtRt-j) = ãj par
définition de la fonction d'autocovariance. Les termes du bruit blancs
sont indépendants les uns des autres et, de plus
Rt-j est indépendant de Et pour
tout j positif ou nul.
Donc pour je N* on a E(EtRt-j) = 0
et pour j = 0 on a :
E(EtRt) = E[~t( ?p
öiRt-i + Et)
i=1
= ?p öiE(EtRt-i) +
E(4) i=1
= 0 + ó2
21
Donc E(ctRt) = ó2
Maintenant pour j > 0 on a :
?p
ãj = E[
i=1
|
öiRt-iRt-j] +
ó2äj
|
äj = ????
où äj est le symbole de Kronecker
définit par :
1 si j = 0 0 sinon
Par ailleurs ,
?p
E[
i=1
|
p p j p Rt-iRt-jJ = ?
i=1
|
p p
öiE(RtRt-j+i) = ?
i=1
|
öiãj-i
|
Ce qui donne les équations de Yule-Walker
ãj = ?p
öiãj-i + ó2äj
pour j E N i=1
et ãj = ã-j
?p öiã|j|-i +
ó2äj pour j N i=1
2.3.1 Méthode de Yule-Walker
La méthode consiste à reprendre les
équations de Yule-Walker en inversant les relations : on exprime les
coefficients en fonction des autocovariances. On applique alors le raisonnement
de la Méthode des moments et ensuite on trouve les
paramètres estimés d'après les autocovariances
estimées. En prenant l'equation sous forme matricielle :
r = or' (2.6)
avec :
22
Ö=
|
???????????
|
ö1
ö2
...
öP
ó2
|
? ??????????
|
p1 ã-2 ã-3 ' ' ' 1
ã-1 ã-2 ' ' ' 0
, = ã0 ã-1 ' ' ' 0
ã1 ã0 ''' 0
1
ãP-2 ã0 ' '' 0
et
???????????
???ã1
ã2
= ã3
? ...
ãP
Et on en déduit les estimateurs attendus.
èà =
|
???????????
|
àö1
àö2
...
àöP
àó2
|
? ??????????
|
2.3.2 La méthode des moindres carrés
On utilise ici les équations de Yule-Walker qui
consiste à substituer les autocorrélations théoriques par
leurs estimateurs afin de retrouver les esti-
mateurs de la méthode des moindres carrés du
modèle par la résolution des équations de Yule-Walker.
On considère toujours l'équation définie
en (2.4) dans laquelle on ajoute une constante c. On a donc :
Rt = c+
ö1Rt-1+ ...+
öpRt-p + Et
=
Z'tâ' + Et
avec Et ~ N(0, ó2)
où Z't = (1,
Rt-1, Rt-2, . . . , Rt-p)
et â' = (c, ö1, ö2,
... , öp)
Notons par Zt et â respectivement les
transposées de Z't et
â'.
L'estimation des paramètres ó2
et â, du modèle Rt =
Z'tâ'+Et
par la méthode des moindres carrés donne
âà =(ZtZ't)-1ZtRt
1
àó2 =
et
âà est
T - (p + 1)?(Rt - Z't
4)2
Les résultats usuels d'économétrie ne sont
pas vérifiés ici, en particulier
biaisé(i.e E(0) =6 â). Il
est toutefois possible de montrer le résultat suivant :
Propriété 2.3.2.1 Si le
processus AR(p)est stationnaire alors
âà asymptotiquement sans biais c est á
dire âà ?P â
et
a2 P? ó2,
de plus
vT (âà - â) ?
loiN(0, ó2V)
oú
1
V = p lim
T ?+8 T
ZtZ't.
23
Remarque 2.3.2.1 Si la méthode des
moindres carrées peut être utilisée pour estimer les
paramètres d'un modèle AR(p), elle ne marche plus dès lors
que l'on a des termes autorégressifs sur les résidus.
|