Modéliser et prévoir des séries temporelles mutivariées à l’aide des modèles VAR et VECM
Objectifs pédagogiques
Cette formation permet de modéliser et prévoir des séries temporelles multivariées, notamment dans le domaine économique. Dans cette matière, plus spécifiquement, cette formation a pour objectif de fournir les outils pour appréhender des problématiques de modélisation des séries temporelles macroéconomiques. Deux axes fondamentaux structurent cette formation : le traitement des séries chronologiques indispensable à tous travaux de modélisation et le recours aux systèmes d’équations linéaires stationnaires. A l’issue de la formation, les stagiaires auront appris à : • Traiter les séries temporelles afin de les rendre exploitables dans un cadre univarié, multivarié et vectoriel. • Utiliser les méthodes de d’extraction de tendance avancées (Filtre d’Hamilton, modèle à tendance locale) • Utiliser les méthodes dites de projections locales (Jordà 2005) comme une alternative aux IRF • Estimer, prévoir et tester un modèle VAR réduit pour calculer des fonctions de réponses impulsionnelles • Travailler sur le schéma d’identification pour aboutir à une forme structurelle puis estimer les réponses du système suite à un choc. • A appréhender d’autres formes de restrictions identifiantes et d’autres extensions du cadre standard.
Thèmes abordés
La modélisation vectorielle ou multivariée permet d’étudier la dynamique jointe de plusieurs séries : Lorsque les séries sont stationnaires, il s’agit d’une généralisation de l’étude des processus AR. La popularité des modèles vectoriels autorégressifs (VAR) est liée à leur souplesse d’utilisation et à leur capacité à tester des hypothèses économiques. Lorsque les séries ne sont pas stationnaires mais cointégrées, les modèles vectoriels à correction d’erreur (VECM) permettent de spécifier des relations stables à long terme tout en analysant dans le même temps la dynamique de court terme des variables considérées. Les modèles VAR structurels (SVAR) complètent cette approche multivariée.
Les cas pratiques seront idéalement traités sous R, mais pourront également être mis en œuvre sous SAS.
Généralités sur les séries temporelles multivariées.
Modèles vectoriels autorégressifs (VAR).
Tests de stationarité.
Analyse de la dynamique des modèles VAR.
Tests de Causalité.
Modèles vectoriels à correction d’erreur (VECM).
Tests de cointégration.
Compléments sur les modèles VAR structurels (SVAR).
Prérequis
Bonnes connaissances des modèles ARMA.
Autres thèmes en intra — Méthodes statistiques
- Analyse des séries temporelles avec SAS 2 jours
- Économétrie des modèles de durée 3 jours
- Le secret statistique : principes et pratiques 1 jour
- Statistique non paramétrique 2 jours
- Économétrie des modèles multi-niveaux 2 jours
- Panels, enquêtes répétées dans le temps et sondages indirects 2 jours
- Plans d'expériences 3 jours
- Statistique des valeurs extrêmes 2 jours
- Biostatistique : gestion statistique de base des données de santé 3 jours
- Correction de la non-réponse dans les enquêtes 2 jours
- Modéliser et prévoir une série temporelle à l’aide des méthodes d’apprentissage statistique 3 jours
- Modéliser et prévoir une série temporelle à l’aide des modèles ARMA (avec des compléments sur les modèles ARMAX et ARCH-GARCH) 4 jours
- Sondages avec SAS 2 jours
- Estimation sur petits domaines : travailler sur les petits échantillons 2 jours
- Bootstrap et rééchantillonnage 2 jours
