Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Variables retardées
Valeurs d'une série temporelle observées à des périodes précédentes, utilisées comme variables explicatives dans les modèles de causalité de Granger. Le nombre de retards optimal est crucial et déterminé par des critères d'information comme l'AIC ou le BIC.
Autorégression vectorielle
Modèle économétrique où chaque variable est expliquée par ses propres valeurs passées et par les valeurs passées des autres variables du système. Les modèles VAR constituent le cadre de référence pour l'analyse de la causalité de Granger entre plusieurs séries temporelles.
Test d'Engle-Granger
Procédure en deux étapes pour tester la cointégration entre deux séries temporelles, en estimant d'abord la relation de long terme puis en testant la stationnarité des résidus. Ce test est fondamental pour déterminer si une causalité de long terme existe entre les variables.
Fonction de réponse impulsionnelle
Représentation graphique de l'effet d'un choc sur une variable sur l'évolution future de toutes les variables du système VAR. Les fonctions de réponse impulsionnelle permettent d'analyser la direction et l'intensité des relations causales au fil du temps.
Décomposition de la variance
Analyse qui détermine la proportion de la variance d'erreur de prévision d'une variable expliquée par les chocs sur elle-même et sur les autres variables du système. Cette technique quantifie l'importance relative des relations causales entre les variables.
Critère d'information d'Akaike
Métrique statistique utilisée pour sélectionner le nombre optimal de retards dans un modèle VAR ou un test de causalité de Granger. L'AIC équilibre l'adéquation du modèle et sa parcimonie, pénalisant l'ajout de variables non nécessaires.
Critère d'information bayésien
Critère de sélection de modèle similaire à l'AIC mais avec une pénalisation plus stricte de la complexité, tendant à favoriser des modèles plus parcimonieux. Le BIC est particulièrement utile dans les échantillons de grande taille pour éviter le surajustement.
Test de causalité bivarié
Analyse de causalité de Granger impliquant seulement deux séries temporelles, où chaque variable est régressée sur ses propres retards et les retards de l'autre variable. Ce test peut être biaisé si des variables omises influencent la relation causale.
Test de Toda-Yamamoto
Procédure de test de causalité robuste à l'ordre d'intégration des séries temporelles, évitant la nécessité de prétests de stationnarité ou de cointégration. Cette méthode utilise un VAR augmenté incluant le nombre maximal d'intégration des séries plus un retard supplémentaire.
Modèle à correction d'erreur
Extension du modèle VAR pour séries cointégrées, incorporant un terme de correction d'erreur pour représenter l'ajustement vers l'équilibre de long terme. Le VECM permet de distinguer causalité à court terme et causalité de long terme entre variables cointégrées.
Hypothèse de non-causalité
Hypothèse nulle dans les tests de causalité de Granger, stipulant que les valeurs passées d'une variable X n'ajoutent aucune information prédictive significative à la prévision d'une variable Y. Le rejet de cette hypothèse suggère l'existence d'une relation causale de X vers Y.
Régression en différence première
Transformation des séries temporelles non stationnaires en différences première pour obtenir la stationnarité avant d'appliquer les tests de causalité. Cette approche élimine les tendances déterministes mais peut perdre l'information sur les relations de long terme entre variables.
Test de causalité instantanée
Test vérifiant si les variations contemporaines d'une variable sont corrélées avec celles d'une autre variable, au-delà des effets retardés. La causalité instantanée suggère l'existence d'omission de variables ou de simultanéité dans les relations entre les variables.