Dynamique économétrique (projet tuteuré)

Préambule : si, pour tenir compte de la situation sanitaire, des restrictions ou des contraintes sont imposées à l'Université Paris Nanterre ou à l'UFR SEGMI, tout ou partie des épreuves, contrôles de connaissances et examens terminaux de la session 1 et de la session 2, ainsi que des sessions de rattrapages, pourront se dérouler en mode distancié.

Ce cours d'économétrie est spécifiquement orienté sur les outils économétriques des séries temporelles non-stationnaires. Les aspects théoriques liés aux techniques particulières d’estimation dans un cadre non-stationnaire sont abordées. Des cas pratiques sont également développés sur des logiciels économétriques dans chaque chapitre pour documenter l’importance de ces outils dans un cadre empirique.

• Chapitre 1 : Les séries temporelles non-stationnaires

1. Faits stylisés : stationnaire versus non-stationnaire
2. La non-stationnarité
3. Intégration fractionnaire
4. Les régressions factices
5. Implémentation sous logiciel
   
   

• Chapitre 2 : Modélisation des séries non-stationnaires

1. La théorie de la cointégration
2. L’approche d’Engle et Granger
3. Le traitement des biais d’endogénéité
4. L’estimation des VECM
5. Implémentation sous logiciel
   
   

• Chapitre 3 : VAR structurels

1. Introduction et rappels
2. Identification à court et long terme
3. Identification par signes
4. Autre type d’identification
5. Implémentation sous logiciel
   
   

• Chapitre 4 : Projection locale

1. Introduction
2. Approche non paramétrique
3. Estimation et biais
4. Implémentation sous logiciel

Ce cours a pour objectif d’apporter aux étudiants des connaissances avancées concernant la modélisation des séries temporelles non-stationnaires. En parallèle des concepts théoriques développés dans le cours, des applications sont proposées sous MATLAB afin de confronter les étudiants à des cas pratiques.

Evaluation sur dossier.

Prise en compte de la situation sanitaire : se référer à la disposition générale figurant en préambule des fiches de cours du présent document.

Pré-requis : Le cours exige un niveau M1 en probabilités, statistiques, économétrie des séries temporelles

Evaluation sur dossier.

Prise en compte de la situation sanitaire : se référer à la disposition générale figurant en préambule des fiches de cours du présent document.

Maîtriser les fondamentaux en modélisation des séries non-stationnaires, estimation par maximum de vraisemblance, analyse spectrale des séries aléatoires

Beran, J., Feng, Y., Ghosh, S., & Kulik, R. (2013). Long-memory processes. Monographs on Statistics and Applied Probability, (61).
Franses, P., Dijk D. (2008). Non-linear time series models in empirical finance. Cambridge University Press.
Hamilton, J. (1994). Time Series Analysis. Princeton University Press.
Hurlin, C., Mignon, V. (2015). Statistique et probabilités en économie-gestion. Dunod.
Lütkepohl, H. (2005). New introduction to multiple time series analysis. Springer Science & Business Media.

Kilian, L., & Lütkepohl, H. (2017). Structural Vector Autoregressive Analysis (Themes in Modern Econometrics). Cambridge: Cambridge University Press. doi:10.1017/9781108164818

Classe interactive