THÈSE - Sciences Economiques

Sujets

• Revue de presse
• Littérature grecque
• Mécanisme de Kelvin-Helmholtz
• Paramètre post-képlérien
• Seuil de pauvreté
• République islamique

Informations

• Publié par: Sauf
• Nombre de lectures: 610
• Langue: Français
• Poids de l'ouvrage: 4 Mo

Extrait

UNIVERSITÉ D’ORLÉANS ÉCOLE DOCTORALE SCIENCES DE L’HOMME ET DE LA SOCIETE LABORATOIRE D’ECONOMIE D’ORLEANS THÈSE présentée par Julien Fouquau soutenue le 25 septembre 2008 pour obtenir le grade de : Docteur de l’Université d’Orléans Discipline / Spécialité : Sciences Economiques Modèles à changements de régimes et données de panel : de la non-linéarité à l’hétérogénéité THÈSE dirigée par : Mme Mélika BEN SALEM Professeur, à l’Université XII Paris Est Marne La Vallée Mr Christophe HURLIN Professeur, iversité d’Orléans RAPPORTEURS : Mr Jean-Bernard Chatelain Professeur, à l’Université Paris I Panthéon Sorbonne Mme Valérie Mignonà l’Université Paris X Nanterre _____________________________________________________________________________________ JURY : Mme Marie Bessec Maitre de Conférences, à l’Université Paris IX Dauphine Mr Gilbert Colletaz Professeur, à l’Université d’Orléans  « L’Université d’Orléans n’entend donner aucune approbation ni improbation aux opinions émises dans les thèses; elles doivent être considérées comme propres à leurs auteurs ». Remerciements Au terme de cette thèse, je souhaite tout d’abord remercier Mélika Ben Salem et Chris- tophe Hurlin mes directeurs de thèse qui ont accepté de m’encadrer dans ce travail de recherche. Ils ont su chacun à leur manière me faire bénéficier de leurs précieux conseils et de leurs grandes connaissances. Je ne peux qu’associer Gilbert Colletaz pour sa grande disponibilité à mon égard et le remercie d’avoir toujours su répondre de façon précise à mes interrogations. Par ailleurs, j’exprime ma gratitude à Marie Bessec, Valérie Mignon et Jean-Bernard Chatelain qui m’ont fait l’honneur de participer au jury de soutenance. Je tiens aussi à exprimer ma reconnaissance à Marie Bessec, Isabelle Rabaud Nicolas Canry et Sebastien Lechevalier pour avoir accepté de collaborer dans la rédaction de mes articles. Je souhaite également remercier tous les enseignants, les membres du laboratoire et le personnel administratif qui a su par son efficacité résoudre les petits tracas quotidiens. Je remercie enfin très chaleureusement Gregory Levieuge, Franceline Mercurelli, Herell Nze-Obame, Svetlana Strimbu-Lee qui par leur relecture attentive m’ont permis d’amélio- rer la qualité rédactionnelle. Mes derniers remerciements s’adressent à mes parents par leur soutien moral qui a favorisé l’aboutissement de ce projet. Je n’oublierai toutefois pas mes amis avec qui j’ai partagé de très bons moments.Sommaire Introduction générale 1 1 Le concept de changements de régimes . . . . . . . . . . . . . . . . . . . . 2 2 L’économétrie des données de panel . . . . . . . . . . . . . . . . . . . . . . 5 3 La démarche adoptée dans cette thèse . . . . . . . . . . . . . . . . . . . . . 8 1 Revue de littérature sur les modèles à changements de régimes 13 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1 Modélisations à seuils en séries temporelles . . . . . . . . . . . . . . . . . . 15 1.1 Modèlisation à changements de régimes markoviens . . . . . . . . . 16 1.2 Modélisation à seuils à transition brutale . . . . . . . . . . . . . . . 17 1.3 Modélisation à seuils à transition lisse . . . . . . . . . . . . . . . . . 22 2 Changements de régimes en données de panel . . . . . . . . . . . . . . . . 25 3 Modèles à changements de régimes sur données de panel . . . . . . . . . . 29 3.1 Les modèles à seuils à transition brutale . . . . . . . . . . . . . . . 29 3.2 Les modèles PSTR . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3 Le modèle PSTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 4.1 Estimation des paramètres d’un modèle PTR . . . . . . . . . . . . 41 4.2 Estimation des paramètres d’un modèle PSTR . . . . . . . . . . . 43 4.3 Estimation des paramètres d’un modèle PSTAR . . . . . . . . . . . 45 5 Inférence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5.1 Les tests dans le modèle PTR . . . . . . . . . . . . . . . . . . . . . 50 5.1.1 Le test de linéarité . . . . . . . . . . . . . . . . . . . . . . 50 5.1.2 Le test de détermination du nombre de régimes . . . . . . 51 5.1.3 Intervalle de confiance sur le seuil. . . . . . . . . . . . . . 52 5.1.4 Distribution asymptotique des coefficients de pentes . . . . 53SOMMAIRE - iii - 5.2 Les tests sur les modèles PSTR . . . . . . . . . . . . . . . . . . . . 54 5.2.1 Le test de linéarité . . . . . . . . . . . . . . . . . . . . . . 55 5.2.2 Le test de constance de paramètres . . . . . . . . . . . . . 57 5.2.3 Le Test de non linéarité résiduelle et la détermination du nombre de régimes . . . . . . . . . . . . . . . . . . . . . . 58 5.3 Choix de la variable de transition et tests de linéarité . . . . . . . . 60 6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 7 Annexes du chapitre 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 7.1 Détermination du nombre de régimes dans un modèle PTR, lors d’une seconde phase d’estimation des seuils . . . . . . . . . . . . . . 67 7.2 Approximation de Taylor des modèles PSTR . . . . . . . . . . . . . 68 7.3 La log vraisemblance d’un modèle PSTR . . . . . . . . . . . . . . 70 2 Les modèles à changements de régimes sur données de panel non-linéarité et hétérogénéité 73 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 1 D’une hétérogénéité non conditionnelle . . . . . . . . . . . . . . . . . . . . 79 1.1 Le modèle à coefficients aléatoires invariants dans le temps . . . . . 80 1.2 Hétérogénéité et stabilité temporelle . . . . . . . . . . . . . . . . . 83 1.3 Prédicteurs Individuels et Approches Bayésiennes . . . . . . . . . . 85 1.3.1 La méthode de Lee & Griffiths (1979) . . . . . . . . . . . 86 1.3.2 L’approche Bayésienne . . . . . . . . . . . . . . . . . . . . 87 1.3.3 L’estimateur de Stein . . . . . . . . . . . . . . . . . . . . 91 1.3.4 Bilan sur les prédicteurs individuels . . . . . . . . . . . . . 93 2 Une spécification de l’hétérogénéité conditionnelle . . . . . . . . . . . . . . 95 2.1 Spécification paramétrique et linéaire de l’hétérogénéité . . . . . . . 96 2.2 Spécification non-paramétrique de l’hétérogénéité . . . . . . . . . . 98 2.3 Fonction de lien paramétrique et non linéaire . . . . . . . . . . . . . 99 3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 4 Annexes du chapitre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 4.1 Méthode d’estimation en deux étapes de Swamy (1970) . . . . . . 106 4.2 Méthode d’estimation dans un modèle à coefficient aléatoire dépen- dant du temps et des individus . . . . . . . . . . . . . . . . . . . . 107 4.3 Technique d’estimation lorsd’unespécification paramètriquelinéaire de l’hétérogénéité . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 3 Les effets de seuils dans la loi d’Okun 112 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 1 Spécifications linéaires de la loi d’Okun . . . . . . . . . . . . . . . . . . . . 114 1.1 Loi d’Okun et décomposition tendance cycle . . . . . . . . . . . . . 115 1.2 Données et Spécifications linéaires . . . . . . . . . . . . . . . . . . 119SOMMAIRE - iv - 1.3 La loi d’Okun : une relation non linéaire . . . . . . . . . . . . . . . 125 2 Prise en compte de la non-linéarité à l’aide d’une démarche à seuil . . . . . 129 2.1 Spécification non-linéaire de la loi d’Okun . . . . . . . . . . . . . . 129 2.2 Démarche d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . 131 2.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 3 Analyse de la sensibilité des résultats . . . . . . . . . . . . . . . . . . . . . 141 3.1 Sensibilité des résultats à la méthode de décomposition tendance cycle141 3.2 Sensibilité au nombre minimum d’observations dans chaque régime 148 3.3 La relation d’Okun estimée en séries temporelles . . . . . . . . . . . 150 4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 5 Annexes du chapitre 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 5.1 La procédure de Beveridge et Nelson (1981) . . . . . . . . . . . . 153 5.2 Ordre d’identification des processus ARIMA(p,1,q) pour la décom- position de Beveridge et Nelson . . . . . . . . . . . . . . . . . . . . 154 5.3 Resultats des tests de racine unitaire en séries temporelles . . . . . 157 5.4 Présentation des tests de racine unitaire sur données de panel . . . 161 5.4.1 Test de Levin Lin et Chu (2002) . . . . . . . . . . . . . . 161 5.4.2 Test de Im Pesaran et Shin (2003) . . . . . . . . . . . . . 162 5.4.3 Le test de Choi (2002) . . . . . . . . . . . . . . . . . . . . 164 5.4.4 Le test de Pesaran (2003) . . . . . . . . . . . . . . . . . . 165 5.5 Détermination du nombre de régimes dans le cadre des données en différences premières, filtrées par la méthode de H.P et Baxter et King (1999) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 4 Le paradoxe de Feldstein-Horioka 169 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 1 Paradoxe de FH et spécifications économétriques . . . . . . . . . . . . . . . 171 1.1 Le modèle initial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 1.2 L’estimation du coefficient de FH sur données en coupe . . . . . . . 174 1.2.1 La coupe périodique . . . . . . . . . . . . . . . . . . . . . 174 1.2.2 La coupe instantanée . . . . . . . . . . . . . . . . . . . . 177 1.3 Les coefficients de FH estimés en séries temporelles . . . . . . . . . 180 1.4 Les coefficients de FH estimés sur données de panel . . . . . . . . . 188 1.5 Les critiques et les tentatives pour faire évoluer FH . . . . . . . . . 190 1.6 Bilan sur la revue de littérature . . . . . . . . . . . .