![\"Chow](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/chowR1.png\")
1. Introduction aux ruptures structurelles et fondements du test de Chow<\/h2>\n1.1 D\u00e9finition et gen\u00e8se historique du test de Chow<\/h3>\n
La formalisation statistique des ruptures structurelles a connu son tournant fondateur avec la publication en 1960 de l’article s\u00e9minal de Gregory Chow dans la revue Econometrica<\/em>, intitul\u00e9 \u00ab Tests of Equality Between Sets of Coefficients in Two Linear Regressions \u00bb<\/em>. Dans un contexte macro\u00e9conomique d’apr\u00e8s-guerre marqu\u00e9 par des d\u00e9bats intenses sur la stabilit\u00e9 de la fonction de consommation keyn\u00e9sienne et de la demande de monnaie, Chow s’est attel\u00e9 \u00e0 r\u00e9soudre une interrogation m\u00e9thodologique essentielle : comment certifier math\u00e9matiquement que la relation entre deux ou plusieurs grandeurs \u00e9conomiques ne s’est pas modifi\u00e9e suite \u00e0 un choc exog\u00e8ne, tel qu’une guerre, une r\u00e9forme mon\u00e9taire ou une d\u00e9r\u00e9gulation institutionnelle ?<\/p>\n Sur le plan formel, l’instabilit\u00e9 des param\u00e8tres dans un mod\u00e8le lin\u00e9aire se d\u00e9finit comme une alt\u00e9ration non al\u00e9atoire du vecteur des coefficients de r\u00e9gression au fil des observations. Dans un mod\u00e8le standard estim\u00e9 par la m\u00e9thode des moindres carr\u00e9s ordinaires, on suppose que le vecteur de coefficients b\u00eata demeure rigoureusement invariant pour l’ensemble des observations indic\u00e9es de 1 \u00e0 T. Une rupture structurelle implique que l’\u00e9chantillon se scinde en deux ou plusieurs r\u00e9gimes distincts, chacun \u00e9tant caract\u00e9ris\u00e9 par son propre vecteur de param\u00e8tres g\u00e9n\u00e9rateurs. Cette discontinuit\u00e9 peut affecter la constante du mod\u00e8le, traduisant un saut de niveau de la variable expliqu\u00e9e, les pentes associ\u00e9es aux r\u00e9gresseurs, r\u00e9v\u00e9lant une mutation de la sensibilit\u00e9 marginale, ou encore l’ensemble de ces composantes simultan\u00e9ment.<\/p>\n Il convient de dissocier formellement la variabilit\u00e9 stochastique ordinaire d’un changement de r\u00e9gime structurel p\u00e9renne. Les fluctuations d’\u00e9chantillonnage al\u00e9atoires repr\u00e9sentent des perturbations r\u00e9siduelles de moyenne nulle qui n’affectent pas la loi de distribution fondamentale r\u00e9gissant les coefficients. \u00c0 l’inverse, une rupture structurelle consacre une modification d\u00e9terministe et durable du processus g\u00e9n\u00e9rateur de donn\u00e9es sous-jacent. Ignorer une telle rupture en contraignant le mod\u00e8le \u00e0 adopter un vecteur de coefficients uniforme sur l’int\u00e9gralit\u00e9 de la p\u00e9riode \u00e9quivaut \u00e0 commettre une erreur d’agr\u00e9gation temporelle majeure, annihilant la validit\u00e9 descriptive et explicative du travail de mod\u00e9lisation.<\/p>\n La d\u00e9tection des ruptures structurelles constitue un enjeu d\u00e9terminant en mod\u00e9lisation quantitative appliqu\u00e9e. Lorsqu’une fracture structurelle est occult\u00e9e, les propri\u00e9t\u00e9s d’optimalit\u00e9 th\u00e9orique de l’estimateur des moindres carr\u00e9s ordinaires s’effondrent. En premier lieu, l’estimation conjointe sur des donn\u00e9es h\u00e9t\u00e9rog\u00e8nes induit un biais d’omission de variable d’\u00e9tat, ce qui fausse irr\u00e9m\u00e9diablement l’estimation de l’amplitude des coefficients. Les estimateurs obtenus ne convergent plus vers les vraies valeurs des param\u00e8tres de sous-p\u00e9riodes, mais vers une moyenne pond\u00e9r\u00e9e instable et d\u00e9nu\u00e9e de sens th\u00e9orique r\u00e9el, brouillant la lecture empirique des m\u00e9canismes analys\u00e9s.<\/p>\n En second lieu, l’inf\u00e9rence statistique conventionnelle est invalid\u00e9e de mani\u00e8re critique. La pr\u00e9sence d’une rupture non sp\u00e9cifi\u00e9e engendre une inflation substantielle de la variance estim\u00e9e des r\u00e9sidus. Il en d\u00e9coule que les erreurs-types des coefficients sont artificiellement gonfl\u00e9es ou, \u00e0 l’inverse, biais\u00e9es \u00e0 la baisse en raison d’une fausse autocorr\u00e9lation induite par le d\u00e9calage de niveau. Les tests d’hypoth\u00e8ses univari\u00e9s de Student perdent leur niveau de signification nominal : les intervalles de confiance s’av\u00e8rent erron\u00e9s et la puissance des tests s’effondre. Au niveau pr\u00e9dictif, l’omission d’un point d’inflexion historique conduit \u00e0 des erreurs de pr\u00e9vision hors \u00e9chantillon consid\u00e9rables, les extrapolations projetant dans le futur un r\u00e9gime caduc qui n’a plus cours dans la r\u00e9alit\u00e9 empirique.<\/p>\n Initialement circonscrite \u00e0 la macro\u00e9conomie et \u00e0 l’\u00e9conom\u00e9trie financi\u00e8re, l’analyse des ruptures structurelles s’est \u00e9tendue avec succ\u00e8s \u00e0 l’ensemble des disciplines quantitatives. Dans l’\u00e9tude des s\u00e9ries temporelles climatiques, elle permet d’identifier l’acc\u00e9l\u00e9ration d’un r\u00e9chauffement li\u00e9e \u00e0 des seuils anthropiques ou naturels. En marketing quantitatif et en analyse comportementale longitudinale, elle sert \u00e0 quantifier l’impact imm\u00e9diat du d\u00e9ploiement d’une nouvelle politique tarifaire ou d’une campagne m\u00e9diatique disruptive sur l’\u00e9lasticit\u00e9 de la demande. Dans les sciences biom\u00e9dicales, elle permet d’\u00e9valuer la transition physiologique d’un groupe de patients suite \u00e0 l’administration d’un traitement th\u00e9rapeutique, confirmant le caract\u00e8re universel de cette approche m\u00e9thodologique.<\/p>\n Le d\u00e9ploiement d’un protocole d’analyse rigoureux sous R r\u00e9pond \u00e0 des objectifs pr\u00e9cis de validation m\u00e9thodologique. L’intention premi\u00e8re est d’examiner formellement l’existence d’un point de bascule temporel ou contextuel pr\u00e9alablement suspect\u00e9 par la th\u00e9orie ou l’histoire empirique. Qu’il s’agisse d’un \u00e9v\u00e9nement institutionnel dat\u00e9 avec pr\u00e9cision ou d’un choc macro\u00e9conomique identifi\u00e9, le test permet d’arbitrer objectivement entre la th\u00e8se de la continuit\u00e9 param\u00e9trique et celle de la rupture franche.<\/p>\n Le second objectif consiste \u00e0 orchestrer une comparaison statistique directe entre le mod\u00e8le global restreint, ajust\u00e9 sur l’\u00e9chantillon complet, et les sous-mod\u00e8les partitionn\u00e9s non restreints, ajust\u00e9s s\u00e9par\u00e9ment sur chaque sous-p\u00e9riode. Le protocole sous R permet de quantifier avec une extr\u00eame pr\u00e9cision g\u00e9om\u00e9trique la r\u00e9duction de la somme des carr\u00e9s des r\u00e9sidus induite par la segmentation de l’\u00e9chantillon, et de d\u00e9terminer si ce gain d’ajustement compense la perte de degr\u00e9s de libert\u00e9 inh\u00e9rente \u00e0 la duplication des param\u00e8tres estim\u00e9s.<\/p>\n Enfin, le protocole vise \u00e0 valider la stabilit\u00e9 temporelle des covariables individuelles. Au-del\u00e0 d’un simple verdict global de rejet ou de non-rejet de l’hypoth\u00e8se nulle, l’analyse men\u00e9e dans l’environnement R autorise une d\u00e9composition fine des sources de l’instabilit\u00e9. Elle permet d’isoler si la rupture est imputable \u00e0 une translation parall\u00e8le de la droite de r\u00e9gression via son ordonn\u00e9e \u00e0 l’origine ou si elle d\u00e9coule d’une modification structurelle des pentes marginales traduisant un bouleversement dans la transmission des effets des r\u00e9gresseurs.<\/p>\n La m\u00e9canique inf\u00e9rentielle du test de Chow repose sur la formalisation rigoureuse d’hypoth\u00e8ses lin\u00e9aires dans le cadre du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Consid\u00e9rons un \u00e9chantillon global de taille T partitionn\u00e9 en deux sous-\u00e9chantillons distincts comportant respectivement T1 et T2 observations, de telle sorte que la somme de T1 et T2 \u00e9gale T. Pour chaque sous-p\u00e9riode, le processus g\u00e9n\u00e9rateur s’exprime sous forme matricielle par l’\u00e9quation suivante :<\/p>\n Pour le premier sous-\u00e9chantillon, le vecteur des observations de la variable d\u00e9pendante Y1 est mod\u00e9lis\u00e9 par le produit de la matrice de conception X1 de dimension (T1 par k) et du vecteur de param\u00e8tres b\u00eata 1 de dimension (k par 1), additionn\u00e9 du vecteur d’erreurs stochastiques epsilon 1. De m\u00eame, pour le second sous-\u00e9chantillon, le vecteur Y2 est mod\u00e9lis\u00e9 par le produit de la matrice X2 de dimension (T2 par k) et du vecteur de param\u00e8tres b\u00eata 2, additionn\u00e9 du vecteur d’erreurs epsilon 2. Le scalaire k repr\u00e9sente ici le nombre total de r\u00e9gresseurs, incluant la colonne unitaire d\u00e9di\u00e9e \u00e0 la constante.<\/p>\n L’hypoth\u00e8se nulle, not\u00e9e H0, stipule l’\u00e9galit\u00e9 stricte des vecteurs de coefficients entre les deux r\u00e9gimes d’observation :<\/p>\n H0 : b\u00eata 1 = b\u00eata 2<\/p>\n Sous cette hypoth\u00e8se de stabilit\u00e9, il existe un vecteur unique b\u00eata commun \u00e0 l’ensemble des observations. L’hypoth\u00e8se alternative, not\u00e9e H1, postule l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle telle que :<\/p>\n H1 : b\u00eata 1 est diff\u00e9rent de b\u00eata 2<\/p>\n Cette hypoth\u00e8se alternative admet plusieurs configurations th\u00e9oriques. La rupture peut \u00eatre totale, impliquant une divergence simultan\u00e9e de l’ensemble des k coefficients. Elle peut \u00eatre partielle, affectant exclusivement la constante sans modifier les pentes marginales, ce que l’on qualifie de rupture de niveau. Inversement, elle peut affecter une ou plusieurs pentes de r\u00e9gression tout en maintenant l’ordonn\u00e9e \u00e0 l’origine invariante, traduisant une modification exclusive de la sensibilit\u00e9 des variables explicatives.<\/p>\n La statistique de test propos\u00e9e par Chow d\u00e9rive directement du principe du test de rapport de vraisemblance appliqu\u00e9 aux r\u00e9sidus des moindres carr\u00e9s ordinaires. La strat\u00e9gie calculatoire requiert l’ajustement de trois r\u00e9gressions distinctes. En premier lieu, on ajuste le mod\u00e8le restreint sur l’ensemble des T observations, ce qui permet d’extraire la somme des carr\u00e9s des r\u00e9sidus restreinte, couramment d\u00e9sign\u00e9e par l’acronyme SCRR (ou SSR_R). Ce mod\u00e8le impose la contrainte stricte de l’hypoth\u00e8se nulle en for\u00e7ant les coefficients \u00e0 demeurer constants sur toute la s\u00e9rie.<\/p>\n En second lieu, on estime de mani\u00e8re totalement ind\u00e9pendante le premier sous-mod\u00e8le sur les T1 premi\u00e8res observations, fournissant la premi\u00e8re somme des carr\u00e9s des r\u00e9sidus non restreinte, not\u00e9e SCR1. Ensuite, le second sous-mod\u00e8le est estim\u00e9 sur les T2 observations restantes, produisant la seconde somme des carr\u00e9s des r\u00e9sidus non restreinte, not\u00e9e SCR2. La somme des carr\u00e9s des r\u00e9sidus non restreinte globale, not\u00e9e SCRNR (ou SSR_UR), est obtenue par l’addition scalaire directe de SCR1 et SCR2. En raison de la flexibilit\u00e9 conf\u00e9r\u00e9e par l’ajustement s\u00e9par\u00e9 des param\u00e8tres, SCRNR est math\u00e9matiquement inf\u00e9rieure ou \u00e9gale \u00e0 SCRR.<\/p>\n La statistique de Fisher-Snedecor se structure \u00e0 partir de l’accroissement relatif de la somme des carr\u00e9s des r\u00e9sidus cons\u00e9cutif \u00e0 l’imposition des contraintes d’invariance. Le num\u00e9rateur de la statistique calcule la diff\u00e9rence entre SCRR et SCRNR, normalis\u00e9e par le nombre de restrictions lin\u00e9aires test\u00e9es, qui correspond exactement au nombre de param\u00e8tres k dans le cas d’un test global. Le d\u00e9nominateur est constitu\u00e9 de la somme des carr\u00e9s des r\u00e9sidus non restreinte SCRNR, normalis\u00e9e par ses degr\u00e9s de libert\u00e9 r\u00e9siduels, \u00e0 savoir T moins 2k. L’expression de la statistique F s’\u00e9crit ainsi :<\/p>\n F = [ (SCRR – SCRNR) \/ k ] \/ [ SCRNR \/ (T – 2k) ]<\/p>\n Cette statistique mesure si l’am\u00e9lioration de la qualit\u00e9 d’ajustement r\u00e9sultant de la libert\u00e9 accord\u00e9e aux coefficients de varier entre les sous-\u00e9chantillons est statistiquement significative par rapport \u00e0 la variance r\u00e9siduelle non expliqu\u00e9e du mod\u00e8le non restreint.<\/p>\n Sous la validit\u00e9 conjointe de l’hypoth\u00e8se nulle et des hypoth\u00e8ses classiques du mod\u00e8le de r\u00e9gression lin\u00e9aire gaussien, la statistique de Chow suit exactement une loi th\u00e9orique de Fisher-Snedecor \u00e0 k degr\u00e9s de libert\u00e9 au num\u00e9rateur et T moins 2k degr\u00e9s de libert\u00e9 au d\u00e9nominateur. Cette propri\u00e9t\u00e9 d’exactitude en \u00e9chantillon fini conf\u00e8re au test une robustesse th\u00e9orique remarquable, \u00e0 condition que les r\u00e9sidus soient rigoureusement normaux et homosc\u00e9dastiques.<\/p>\n Lorsque la taille de l’\u00e9chantillon T tend vers l’infini, la statistique k multipli\u00e9e par F converge en loi vers une distribution du Chi-carr\u00e9 \u00e0 k degr\u00e9s de libert\u00e9, en vertu des th\u00e9or\u00e8mes centraux limites r\u00e9gissant les formes quadratiques des estimateurs des moindres carr\u00e9s ordinaires. N\u00e9anmoins, l’efficacit\u00e9 asymptotique et la puissance du test en \u00e9chantillon fini demeurent tributaires de la r\u00e9partition relative des observations entre les sous-\u00e9chantillons. Le ratio d’\u00e9chantillonnage, d\u00e9fini par le rapport de T1 sur T, conditionne directement la pr\u00e9cision de l’estimation de chaque sous-vecteur de param\u00e8tres.<\/p>\n Un d\u00e9s\u00e9quilibre s\u00e9v\u00e8re dans la taille des sous-groupes engendre des distorsions pr\u00e9judiciables. Si la rupture suspect\u00e9e se situe tr\u00e8s pr\u00e8s du d\u00e9but ou de la fin de l’\u00e9chantillon (par exemple avec un T1 inf\u00e9rieur \u00e0 k), le premier sous-mod\u00e8le ne peut m\u00eame pas \u00eatre math\u00e9matiquement identifi\u00e9 par suite de l’ind\u00e9termination du rang de la matrice des donn\u00e9es. M\u00eame lorsque T1 exc\u00e8de l\u00e9g\u00e8rement k, la variance d’\u00e9chantillonnage des coefficients b\u00eata 1 sera extr\u00eamement \u00e9lev\u00e9e. Ce manque de pr\u00e9cision d\u00e9grade consid\u00e9rablement la puissance du test de Chow, augmentant substantiellement le risque d’erreur de type II consistant \u00e0 \u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle alors qu’une fracture structurelle existe bel et bien.<\/p>\n La validit\u00e9 th\u00e9orique stricte de la loi de Fisher attribu\u00e9e \u00e0 la statistique de Chow repose imp\u00e9rativement sur l’hypoth\u00e8se de normalit\u00e9 multidimensionnelle des termes de perturbation stochastique. L’ind\u00e9pendance et la distribution gaussienne des r\u00e9sidus conditionnent le fait que la forme quadratique au num\u00e9rateur et celle au d\u00e9nominateur suivent des lois du Chi-carr\u00e9 ind\u00e9pendantes au sens du th\u00e9or\u00e8me de Cochran. En pr\u00e9sence de d\u00e9viations mod\u00e9r\u00e9es par rapport \u00e0 la normalit\u00e9 dans de grands \u00e9chantillons, l’inf\u00e9rence asymptotique demeure approximativement valide, mais en petits \u00e9chantillons, une forte asym\u00e9trie ou une leptocurtose prononc\u00e9e fausse l’exactitude des valeurs critiques tabul\u00e9es.<\/p>\n L’ind\u00e9pendance s\u00e9rielle des erreurs constitue une condition tout aussi d\u00e9terminante, particuli\u00e8rement dans le cadre de donn\u00e9es chronologiques s\u00e9quentielles. La pr\u00e9sence d’une autocorr\u00e9lation positive des r\u00e9sidus entra\u00eene une sous-estimation syst\u00e9matique de la variance r\u00e9siduelle non restreinte. Cette distorsion gonfle artificiellement la statistique F calcul\u00e9e, conduisant l’\u00e9conom\u00e8tre \u00e0 rejeter l’hypoth\u00e8se de stabilit\u00e9 structurelle alors m\u00eame que l’instabilit\u00e9 apparente n’est que le reflet d’une d\u00e9pendance temporelle des erreurs non mod\u00e9lis\u00e9e.<\/p>\n Avant d’engager le calcul du test de Chow, un protocole exploratoire rigoureux exige l’\u00e9valuation empirique de ces conditions. La normalit\u00e9 des r\u00e9sidus s’examine au moyen de statistiques formelles telles que le test de Shapiro-Wilk pour les \u00e9chantillons modestes ou le test de Jarque-Bera fond\u00e9 sur les coefficients d’asym\u00e9trie et d’aplatissement. Parall\u00e8lement, l’absence d’autocorr\u00e9lation d’ordre un est classiquement v\u00e9rifi\u00e9e via la statistique de Durbin-Watson ou, pour des ordres sup\u00e9rieurs, \u00e0 l’aide du test du multiplicateur de Lagrange de Breusch-Godfrey.<\/p>\n L’une des hypoth\u00e8ses les plus critiques et les plus fr\u00e9quemment m\u00e9connues du test de Chow traditionnel r\u00e9side dans l’homog\u00e9n\u00e9it\u00e9 parfaite de la variance des perturbations entre les deux sous-\u00e9chantillons. Le mod\u00e8le postule explicitement que la variance de l’al\u00e9a stochastique dans le r\u00e9gime 1 est strictement identique \u00e0 la variance de l’al\u00e9a dans le r\u00e9gime 2, soit sigma 1 au carr\u00e9 \u00e9gal \u00e0 sigma 2 au carr\u00e9. Cette condition d’homosc\u00e9dasticit\u00e9 inter-r\u00e9gimes conditionne la factorisation de la variance commune hors des formes quadratiques lors de la d\u00e9rivation du ratio de Fisher.<\/p>\n L’impact de la violation de cette hypoth\u00e8se a \u00e9t\u00e9 abondamment document\u00e9 dans la litt\u00e9rature \u00e9conom\u00e9trique, notamment par Toyoda en 1974 puis par Schmidt et Sickles en 1977. En pr\u00e9sence d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 inter-groupes prononc\u00e9e (par exemple si les chocs subis apr\u00e8s la rupture sont nettement plus volatils qu’avant), la statistique de Chow cesse de suivre une loi de Fisher, m\u00eame sous l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 des pentes. Le niveau de signification r\u00e9el du test diverge alors consid\u00e9rablement de son niveau nominal th\u00e9orique. Si le sous-\u00e9chantillon dot\u00e9 de la plus grande variance r\u00e9siduelle est \u00e9galement le plus restreint en termes d’effectif, le taux de rejet \u00e0 tort de l’hypoth\u00e8se nulle explose, provoquant de fausses d\u00e9tections de ruptures de coefficients.<\/p>\n Face \u00e0 ce d\u00e9fi de robustesse, le mod\u00e9lisateur doit imp\u00e9rativement tester l’\u00e9galit\u00e9 des variances r\u00e9siduelles pr\u00e9alablement au test de Chow, en recourant au test de Goldfeld-Quandt ou au test de Breusch-Pagan partitionn\u00e9. En pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 manifeste, le test de Chow classique doit \u00eatre d\u00e9laiss\u00e9 au profit d’alternatives robustes \u00e0 la variance in\u00e9gale, telles que l’approximation de Welch-Satterthwaite transpos\u00e9e aux r\u00e9gressions multivari\u00e9es ou le test de Wald fond\u00e9 sur des matrices de variance-covariance robustes de type White.<\/p>\n L’estimation convergente et sans biais des mod\u00e8les partitionn\u00e9s repose sur l’hypoth\u00e8se d’exog\u00e9n\u00e9it\u00e9 stricte des r\u00e9gresseurs au sein de chaque sous-p\u00e9riode. Cette condition stipule que l’esp\u00e9rance conditionnelle des perturbations par rapport \u00e0 la matrice de conception est rigoureusement nulle pour tout indice temporel. Si un ph\u00e9nom\u00e8ne d’endog\u00e9n\u00e9it\u00e9 \u00e9merge dans l’un des sous-\u00e9chantillons \u2014 qu’il provienne d’une causalit\u00e9 inverse, d’une variable omise corr\u00e9l\u00e9e ou d’une erreur de mesure \u2014, la divergence observ\u00e9e entre b\u00eata 1 et b\u00eata 2 ne refl\u00e9tera pas une v\u00e9ritable rupture structurelle dans les param\u00e8tres fondamentaux, mais une variation de l’amplitude du biais d’endog\u00e9n\u00e9it\u00e9 entre les deux p\u00e9riodes.<\/p>\n Par ailleurs, la stabilit\u00e9 structurelle du rang de la matrice de conception conditionne la faisabilit\u00e9 alg\u00e9brique du test. La matrice X transpos\u00e9e multipli\u00e9e par X doit \u00eatre strictement inversible sur l’\u00e9chantillon complet, mais \u00e9galement sur chaque partition sous-\u00e9chantillonn\u00e9e. Cette exigence implique qu’aucune variable explicative ne devienne invariante ou parfaitement colin\u00e9aire \u00e0 une autre au sein de l’un des sous-groupes, ce qui survient fr\u00e9quemment lorsque l’on introduit des variables qualitatives indicatrices qui ne prennent qu’une seule modalit\u00e9 sur une sous-p\u00e9riode restreinte.<\/p>\n Le contr\u00f4le de la multicolin\u00e9arit\u00e9 s’op\u00e8re par l’examen du facteur d’inflation de la variance (VIF) au sein de chaque sous-\u00e9chantillon. Un VIF exc\u00e9dant les seuils conventionnels (couramment fix\u00e9s \u00e0 5 ou 10) dans l’un des r\u00e9gimes indique que l’information disponible est insuffisante pour isoler les contributions individuelles des r\u00e9gresseurs sur cette fen\u00eatre temporelle. Dans un tel contexte, le test de Chow global risque de manquer singuli\u00e8rement de puissance ou de g\u00e9n\u00e9rer des instabilit\u00e9s num\u00e9riques lors de l’inversion matricielle.<\/p>\n Pour ex\u00e9cuter un test de Chow avec toute la rigueur m\u00e9thodologique requise, l’environnement R doit \u00eatre enrichi de biblioth\u00e8ques sp\u00e9cialis\u00e9es en \u00e9conom\u00e9trie appliqu\u00e9e et en analyse des ruptures structurelles. Le package central et incontournable pour cette analyse est sans conteste strucchange<\/a> (Testing, Monitoring, and Dating Structural Changes), con\u00e7u par Achim Zeileis et ses coauteurs. Ce module propose une infrastructure algorithmique unifi\u00e9e pour tester l’invariance param\u00e9trique dans les mod\u00e8les lin\u00e9aires, couvrant aussi bien les tests sur points de rupture fixes que les proc\u00e9dures de d\u00e9tection endog\u00e8ne.<\/p>\n En compl\u00e9ment de strucchange, la biblioth\u00e8que car (Companion to Applied Regression), d\u00e9velopp\u00e9e par John Fox et Sanford Weisberg, s’av\u00e8re indispensable. Elle offre la fonction linearHypothesis, qui permet de r\u00e9aliser des tests d’hypoth\u00e8ses lin\u00e9aires sous des formes arbitraires, incluant des formulations robustes \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 particuli\u00e8rement utiles pour contourner les limites du test de Chow ordinaire. Les packages de manipulation et d’affichage, notamment dplyr pour le filtrage \u00e9l\u00e9gant des sous-\u00e9chantillons et ggplot2 pour la mod\u00e9lisation graphique vectorielle de haute qualit\u00e9, viennent compl\u00e9ter cette panoplie d’outils analytiques.<\/p>\n L’installation s’effectue traditionnellement au moyen de la fonction install.packages appliqu\u00e9e \u00e0 un vecteur de cha\u00eenes de caract\u00e8res comprenant \u00ab\u00a0strucchange\u00a0\u00bb, \u00ab\u00a0car\u00a0\u00bb, \u00ab\u00a0ggplot2\u00a0\u00bb, \u00ab\u00a0dplyr\u00a0\u00bb, \u00ab\u00a0lmtest\u00a0\u00bb et \u00ab\u00a0sandwich\u00a0\u00bb. Une fois le t\u00e9l\u00e9chargement des binaires compl\u00e9t\u00e9 depuis le d\u00e9p\u00f4t CRAN, les fonctions sont int\u00e9gr\u00e9es dans la session active via l’instruction library pour chacun des modules. Il est fortement conseill\u00e9 de v\u00e9rifier l’absence de conflits de noms de fonctions lors du chargement, notamment entre les m\u00e9thodes de manipulation de dplyr et les fonctions statistiques de base.<\/p>\n L’int\u00e9grit\u00e9 de toute analyse quantitative d\u00e9pend de la stricte reproductibilit\u00e9 computationnelle de ses r\u00e9sultats. Dans le cadre de protocoles impliquant des donn\u00e9es simul\u00e9es ou des proc\u00e9dures de r\u00e9\u00e9chantillonnage, la fixation d’un germe de g\u00e9n\u00e9ration pseudo-al\u00e9atoire au moyen de l’instruction set.seed s’impose comme une r\u00e8gle m\u00e9thodologique absolue. L’assignation d’un entier sp\u00e9cifique garantit que l’ensemble des tirages d’erreurs stochastiques et des variations d’\u00e9chantillonnage pourront \u00eatre reproduits \u00e0 l’identique par tout auditeur ex\u00e9cutant le script sur une autre machine.<\/p>\n L’optimisation de l’environnement RStudio requiert \u00e9galement un param\u00e9trage ad\u00e9quat des options d’affichage de la console. L’ajustement du param\u00e8tre global digits via la fonction options permet de fixer la pr\u00e9cision des sorties num\u00e9riques \u00e0 quatre ou cinq d\u00e9cimales significatives, facilitant la lecture comparative des statistiques de test et des p-valeurs sans encombrer la m\u00e9moire visuelle. De m\u00eame, la d\u00e9sactivation de la notation scientifique syst\u00e9matique au moyen de l’argument scipen calibr\u00e9 \u00e0 une valeur mod\u00e9r\u00e9e (par exemple options(scipen = 10)) pr\u00e9vient l’affichage d’exposants complexes lors de la restitution des probabilit\u00e9s critiques.<\/p>\n Enfin, la bonne gouvernance de projet commande la structuration d’un r\u00e9pertoire de travail d\u00e9di\u00e9 articul\u00e9 autour d’un fichier de projet RStudio (extension .Rproj). Cette organisation isole les d\u00e9pendances, \u00e9vite le recours \u00e0 des chemins d’acc\u00e8s absolus rigides qui compromettent la portabilit\u00e9 du code, et garantit que les jeux de donn\u00e9es, les scripts d’analyse \u00e9conom\u00e9trique et les visualisations graphiques g\u00e9n\u00e9r\u00e9es seront archiv\u00e9s de mani\u00e8re coh\u00e9rente au sein d’une arborescence standardis\u00e9e.<\/p>\n Afin d’illustrer la m\u00e9canique interne du test de Chow de mani\u00e8re parfaitement contr\u00f4l\u00e9e et didactique, la g\u00e9n\u00e9ration d’un jeu de donn\u00e9es synth\u00e9tique int\u00e9grant une rupture structurelle d\u00e9terministe pr\u00e9sente un int\u00e9r\u00eat p\u00e9dagogique sup\u00e9rieur. Consid\u00e9rons un \u00e9chantillon compos\u00e9 de T = 200 observations ordonn\u00e9es chronologiquement, repr\u00e9sentant une m\u00e9trique continue x \u00e9voluant de mani\u00e8re uniforme et une variable d\u00e9pendante y soumise \u00e0 un choc structurel intervenant exactement \u00e0 l’observation T1 = 100.<\/p>\n Le processus g\u00e9n\u00e9rateur sous-jacent est articul\u00e9 autour de deux r\u00e9gimes param\u00e9triques distincts. Pour les observations 1 \u00e0 100 (premier r\u00e9gime), la relation fonctionnelle est caract\u00e9ris\u00e9e par une constante fix\u00e9e \u00e0 5 et une pente marginale unitaire \u00e9gale \u00e0 2. \u00c0 partir de l’observation 101 et jusqu’\u00e0 la fin de la s\u00e9rie (second r\u00e9gime), un \u00e9v\u00e9nement structurel majeur modifie les conditions d’\u00e9quilibre : la constante subit une contraction pour s’\u00e9tablir \u00e0 2, tandis que la pente marginale subit une amplification drastique, passant de 2 \u00e0 4,5. Les erreurs stochastiques sont g\u00e9n\u00e9r\u00e9es selon une loi normale centr\u00e9e r\u00e9duite de variance unitaire, garantissant le respect temporaire des postulats d’homosc\u00e9dasticit\u00e9 et de normalit\u00e9.<\/p>\n L’assemblage informatique sous R s’op\u00e8re par la cr\u00e9ation d’un vecteur de covariable g\u00e9n\u00e9r\u00e9 via la fonction runif ou seq, suivi de la programmation vectorielle de la variable d\u00e9pendante conditionn\u00e9e par l’indice d’observation. Les deux segments sont ensuite fusionn\u00e9s au sein d’un objet data.frame standardis\u00e9, incluant une variable d’index temporel direct. Cette structure tabulaire constitue la matrice empirique sur laquelle l’ensemble des r\u00e9gressions restreintes et partitionn\u00e9es seront ensuite \u00e9valu\u00e9es.<\/p>\n Pr\u00e9alablement \u00e0 toute d\u00e9marche de mod\u00e9lisation, une phase d’audit dimensionnel des donn\u00e9es s’av\u00e8re indispensable. L’ex\u00e9cution de la fonction str permet de v\u00e9rifier la typologie exacte des colonnes composant le jeu de donn\u00e9es, confirmant que les pr\u00e9dicteurs et la variable r\u00e9ponse sont bien format\u00e9s sous forme de vecteurs num\u00e9riques \u00e0 double pr\u00e9cision et non sous forme de cha\u00eenes de caract\u00e8res ou de facteurs inadapt\u00e9s aux r\u00e9gressions lin\u00e9aires standard.<\/p>\n L’appel aux fonctions head et tail permet de v\u00e9rifier visuellement la coh\u00e9rence des bornes extr\u00eames de l’\u00e9chantillon, tandis que l’instruction summary offre une premi\u00e8re appr\u00e9ciation descriptive de la dispersion, de la moyenne et des \u00e9tendues interquartiles des s\u00e9ries. Cette inspection descriptive permet d’attester de l’absence totale de valeurs manquantes (NA) ou infinies (Inf), qui viendraient alt\u00e9rer le calcul des degr\u00e9s de libert\u00e9 ou forcer l’omission asym\u00e9trique d’observations lors des estimations lin\u00e9aires.<\/p>\n \u00c0 cette \u00e9tape, il est m\u00e9thodologiquement judicieux de construire une variable cat\u00e9gorielle binaire explicite identifiant l’appartenance de chaque ligne au r\u00e9gime pr\u00e9-rupture ou post-rupture. Cette variable indicatrice facilitera grandement l’encodage des mod\u00e8les \u00e0 interactions crois\u00e9es lors des sections ult\u00e9rieures, tout en offrant une cl\u00e9 de segmentation naturelle pour les op\u00e9rations de visualisation comparative via les fonctions de partitionnement graphique.<\/p>\n L’analyse exploratoire graphique constitue une phase pr\u00e9liminaire irrempla\u00e7able dans l’\u00e9tude des ruptures de structure. M\u00eame les tests statistiques les plus sophistiqu\u00e9s ne sauraient se substituer \u00e0 une inspection visuelle minutieuse de la forme fonctionnelle globale des donn\u00e9es. L’\u00e9cosyst\u00e8me graphique du package ggplot2 permet de construire une repr\u00e9sentation cart\u00e9sienne haute d\u00e9finition du nuage de points, en projetant la variable d\u00e9pendante en ordonn\u00e9e et la covariable explicative continue en abscisse.<\/p>\n L’agencement des \u00e9l\u00e9ments visuels doit \u00eatre pens\u00e9 pour maximiser la lisibilit\u00e9 des distributions locales. L’utilisation de points semi-transparents via l’argument alpha permet de pr\u00e9venir la saturation optique caus\u00e9e par la superposition de points dans les zones \u00e0 forte densit\u00e9 d’observations. L’enrichissement de l’esth\u00e9tique par une \u00e9chelle de couleur continue corr\u00e9l\u00e9e \u00e0 l’indice temporel fournit un gradient visuel intuitif, r\u00e9v\u00e9lant imm\u00e9diatement \u00e0 l’analyste si la trajectoire des observations glisse de mani\u00e8re continue ou si elle subit une bifurcation abrupte dans le plan cart\u00e9sien \u00e0 partir d’une certaine p\u00e9riode.<\/p>\n Cette premi\u00e8re mod\u00e9lisation g\u00e9om\u00e9trique permet fr\u00e9quemment de poser un diagnostic visuel sur la nature du changement. Si l’on observe deux grappes de points \u00e9tir\u00e9es selon des axes de directions visiblement discordantes, l’intuition d’une alt\u00e9ration de la pente marginale s’en trouve imm\u00e9diatement confort\u00e9e. \u00c0 l’inverse, si les grappes demeurent rigoureusement parall\u00e8les mais d\u00e9cal\u00e9es verticalement, l’hypoth\u00e8se d’une simple rupture sur la constante gagne en cr\u00e9dibilit\u00e9, guidant ainsi la formulation des futures hypoth\u00e8ses statistiques formelles.<\/p>\n Pour mat\u00e9rialiser la rupture de fa\u00e7on tangible, la superposition graphique de mod\u00e8les de r\u00e9gression alternatifs sur le nuage de points s’av\u00e8re extr\u00eamement puissante. Dans un premier temps, une droite de tendance lin\u00e9aire globale, calcul\u00e9e sur l’ensemble des 200 observations, est projet\u00e9e sur le graphique en utilisant la fonction geom_smooth avec la m\u00e9thode lin\u00e9aire (\u00ab\u00a0lm\u00a0\u00bb) sans scission de groupe. Cette courbe globale, g\u00e9n\u00e9ralement trac\u00e9e en ligne pointill\u00e9e sombre, illustre visuellement la contrainte de rigidit\u00e9 qu’impose le mod\u00e8le restreint.<\/p>\n Dans un second temps, deux segments de r\u00e9gression distincts sont ajust\u00e9s s\u00e9par\u00e9ment sur les sous-ensembles temporellement partitionn\u00e9s, en associant la couleur de la droite \u00e0 la variable indicatrice de r\u00e9gime construite pr\u00e9c\u00e9demment. Ce double ajustement local met en lumi\u00e8re l’inflexion fondamentale du syst\u00e8me : la pente mod\u00e9r\u00e9e du premier r\u00e9gime se d\u00e9tache de fa\u00e7on \u00e9clatante de la pente accentu\u00e9e caract\u00e9risant le second segment. La zone de croisement ou de discontinuit\u00e9 spatiale entre les deux droites fournit une repr\u00e9sentation visuelle directe de la rupture.<\/p>\n La confrontation imm\u00e9diate entre la droite globale et les deux segments locaux d\u00e9montre avec force l’incapacit\u00e9 du mod\u00e8le unique \u00e0 capturer la r\u00e9alit\u00e9 sous-jacente des donn\u00e9es. On constate visuellement que la droite restreinte sous-estime les valeurs r\u00e9elles sur certaines plages tout en les surestimant syst\u00e9matiquement sur d’autres, traduisant graphiquement le concept th\u00e9orique d’erreur de sp\u00e9cification par agr\u00e9gation temporelle abusive.<\/p>\n L’exploration visuelle gagne \u00e0 \u00eatre prolong\u00e9e par l’examen de la distribution s\u00e9quentielle des r\u00e9sidus issus du mod\u00e8le restreint unique. En projetant sur un graphique lin\u00e9aire l’\u00e9volution de ces r\u00e9sidus d’ajustement le long de l’axe temporel ou ordinal des observations, le mod\u00e9lisateur met en lumi\u00e8re d’\u00e9ventuels sch\u00e9mas d’instabilit\u00e9 r\u00e9siduelle. Une ligne de r\u00e9f\u00e9rence horizontale cal\u00e9e sur le z\u00e9ro permet de contr\u00f4ler le centrage de l’erreur.<\/p>\n En pr\u00e9sence d’une rupture structurelle ignor\u00e9e, le graphique des r\u00e9sidus ne pr\u00e9sente pas l’aspect d’un bruit blanc stationnaire oscillant al\u00e9atoirement autour de z\u00e9ro. Au contraire, on observe une d\u00e9rive d\u00e9terministe marqu\u00e9e : les r\u00e9sidus demeurent durablement positifs ou n\u00e9gatifs au cours du premier r\u00e9gime, avant de basculer brutalement dans la zone inverse suite \u00e0 la date de rupture. Cette persistance non al\u00e9atoire fournit un indice visuel sans \u00e9quivoque d’une violation du postulat d’ind\u00e9pendance et de moyenne nulle conditionnelle.<\/p>\n De surcro\u00eet, l’inspection des r\u00e9sidus permet d’\u00e9valuer la stabilit\u00e9 de leur variance le long du temps. Une dispersion visuellement accrue des r\u00e9sidus dans la seconde moiti\u00e9 de l’\u00e9chantillon alerte imm\u00e9diatement le chercheur sur l’\u00e9mergence d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 inter-r\u00e9gimes, condition qui invalide les propri\u00e9t\u00e9s de la distribution F classique et impose le recours \u00e0 des ajustements robustes lors des tests formels ult\u00e9rieurs.<\/p>\n Le package strucchange<\/a> constitue le cadre de r\u00e9f\u00e9rence sous R pour formaliser les tests de stabilit\u00e9 structurelle. Au sein de cette architecture, la fonction g\u00e9n\u00e9rique sctest (Structural Change Test) concentre l’ensemble des algorithmes d’inf\u00e9rence. Pour mobiliser sp\u00e9cifiquement le test de Chow conventionnel, la fonction requiert la d\u00e9claration de plusieurs arguments obligatoires rigoureusement ordonn\u00e9s.<\/p>\n Le premier argument est constitu\u00e9 de la formule symbolique du mod\u00e8le lin\u00e9aire \u00e0 \u00e9valuer, respectant la syntaxe usuelle y ~ x. Le deuxi\u00e8me argument fondamental est type, qui doit imp\u00e9rativement recevoir la cha\u00eene de caract\u00e8res \u00ab\u00a0Chow\u00a0\u00bb afin d’orienter le moteur d’inf\u00e9rence vers l’algorithme de partitionnement de Fisher. Enfin, l’argument point doit sp\u00e9cifier l’emplacement exact de la rupture candidate au sein de l’\u00e9chantillon. La syntaxe formelle s’\u00e9crit ainsi : sctest(formule, type = \u00ab\u00a0Chow\u00a0\u00bb, point = valeur_rupture, data = donnees).<\/p>\n Il est fondamental de noter que l’objet retourn\u00e9 par sctest h\u00e9rite de la classe htset. Il encapsule de mani\u00e8re structur\u00e9e l’ensemble des m\u00e9triques d’int\u00e9r\u00eat : la valeur num\u00e9rique de la statistique de Fisher, les degr\u00e9s de libert\u00e9 associ\u00e9s au num\u00e9rateur et au d\u00e9nominateur, la probabilit\u00e9 critique asymptotique ou exacte (p-valeur), ainsi qu’une description textuelle formelle de l’hypoth\u00e8se alternative test\u00e9e.<\/p>\n L’application de la proc\u00e9dure sctest \u00e0 notre jeu de donn\u00e9es synth\u00e9tique s’effectue en assignant le seuil de scission au centi\u00e8me point d’observation, correspondant rigoureusement \u00e0 l’instant o\u00f9 nous avons inject\u00e9 l’alt\u00e9ration des coefficients dans le processus de simulation. Le code s’articule simplement en d\u00e9clarant l’instruction : test_chow <- sctest(y ~ x, type = \u00ab\u00a0Chow\u00a0\u00bb, point = 100, data = df_simule). L’ex\u00e9cution est quasi-instantan\u00e9e, refl\u00e9tant l’optimisation matricielle du package.<\/p>\n L’impression en console de l’objet test_chow produit une sortie acad\u00e9mique standardis\u00e9e. La section statistic affiche la valeur scalaire de la statistique F empirique, not\u00e9e traditionnellement F de Chow. La section parameter restitue un vecteur contenant les deux degr\u00e9s de libert\u00e9 de la distribution th\u00e9orique sous l’hypoth\u00e8se nulle, \u00e0 savoir df1 = 2 (le nombre de coefficients test\u00e9s simultan\u00e9ment, constante et pente) et df2 = 196 (calcul\u00e9 par T – 2k = 200 – 4).<\/p>\n Enfin, la ligne p.value d\u00e9voile la m\u00e9trique d\u00e9cisive pour la prise de d\u00e9cision statistique. Compte tenu de la magnitude de la rupture inject\u00e9e dans notre simulation (passage de la pente de 2 \u00e0 4,5), la valeur de la statistique F empirique atteint un niveau extr\u00eamement \u00e9lev\u00e9, se chiffrant bien souvent \u00e0 plusieurs centaines. En corollaire, la p-valeur associ\u00e9e se positionne sous la barre des 2,2e-16, conduisant \u00e0 un rejet cat\u00e9gorique et hautement significatif de l’hypoth\u00e8se de stabilit\u00e9 structurelle.<\/p>\n La fonction sctest fait preuve d’une grande souplesse quant \u00e0 la mani\u00e8re d’indexer l’emplacement de la rupture structurelle candidate. Le param\u00e8tre point peut \u00eatre renseign\u00e9 sous forme d’un nombre entier, compris entre 1 et T, traduisant directement l’indice de la ligne dans le tableau de donn\u00e9es. Cette formulation convient parfaitement lorsque l’\u00e9v\u00e9nement perturbateur est rep\u00e9r\u00e9 par un num\u00e9ro d’observation s\u00e9quentiel pr\u00e9cis.<\/p>\n Alternativement, le point de rupture peut \u00eatre formul\u00e9 sous forme d’un nombre d\u00e9cimal strict appartenant \u00e0 l’intervalle ouvert ]0, 1[, d\u00e9signant alors une proportion relative de l’\u00e9chantillon total. Par exemple, assigner point = 0.5 \u00e9quivaut rigoureusement \u00e0 couper l’\u00e9chantillon \u00e0 sa m\u00e9diane exacte, soit \u00e0 l’observation 100 dans un \u00e9chantillon de 200 individus. Cette convention s’av\u00e8re particuli\u00e8rement utile dans les m\u00e9ta-analyses ou les protocoles automatis\u00e9s o\u00f9 la taille totale des s\u00e9ries fluctue d’un jeu de donn\u00e9es \u00e0 l’autre.<\/p>\n Une vigilance m\u00e9thodologique s’impose toutefois quant aux valeurs extr\u00eames attribu\u00e9es \u00e0 l’argument point. Si l’utilisateur positionne la rupture trop pr\u00e8s des bornes de l’\u00e9chantillon, par exemple \u00e0 point = 2 ou point = 199, l’algorithme g\u00e9n\u00e8re une erreur d’ex\u00e9cution ou produit un r\u00e9sultat ind\u00e9termin\u00e9. En effet, chaque sous-\u00e9chantillon doit contenir un nombre d’observations strictement sup\u00e9rieur au nombre de param\u00e8tres k \u00e0 estimer afin de garantir le rang plein des matrices locales, ce qui justifie l’application syst\u00e9matique d’une marge d’exclusion (ou trimming<\/em>) aux extr\u00e9mit\u00e9s temporelles.<\/p>\n Pour d\u00e9mystifier la bo\u00eete noire algorithmique de la fonction sctest et approfondir la compr\u00e9hension \u00e9conom\u00e9trique du test, la reconstitution manuelle \u00e9tape par \u00e9tape via la fonction lm de base constitue un exercice formateur indispensable. La premi\u00e8re \u00e9tape r\u00e9side dans l’ajustement du mod\u00e8le global restreint sur l’int\u00e9gralit\u00e9 du jeu de donn\u00e9es, sans proc\u00e9der \u00e0 la moindre partition.<\/p>\n L’estimation s’\u00e9crit de fa\u00e7on canonique : modele_restreint <- lm(y ~ x, data = df_simule). Ce mod\u00e8le part du principe contraignant que la relation fonctionnelle ne subit aucune d\u00e9viation au fil du temps. Une fois le mod\u00e8le estim\u00e9, l’\u00e9conom\u00e8tre extrait la somme des carr\u00e9s des r\u00e9sidus globale restreinte. Deux approches programmatiques \u00e9quivalentes sont possibles sous R : l’utilisation de la fonction deviance(modele_restreint) ou la sommation explicite des r\u00e9sidus \u00e9lev\u00e9s au carr\u00e9 via sum(residuals(modele_restreint)^2).<\/p>\n Cette grandeur scalaire, d\u00e9sign\u00e9e par SCRR, synth\u00e9tise l’ensemble de la dispersion non expliqu\u00e9e par le mod\u00e8le unique. Parall\u00e8lement, le nombre total de param\u00e8tres k est extrait en d\u00e9nombrant la longueur du vecteur des coefficients via length(coef(modele_restreint)), qui est ici \u00e9gal \u00e0 2 (l’ordonn\u00e9e \u00e0 l’origine et le coefficient de r\u00e9gression de la variable x).<\/p>\n La seconde \u00e9tape op\u00e9rationnelle consiste \u00e0 estimer les mod\u00e8les non restreints en scindant formellement l’\u00e9chantillon de donn\u00e9es en deux sous-groupes mutuellement exclusifs et exhaustivement compl\u00e9mentaires. Le premier sous-ensemble regroupe les observations indic\u00e9es de 1 \u00e0 100, tandis que le second assemble les observations indic\u00e9es de 101 \u00e0 200. Cette partition s’op\u00e8re \u00e9l\u00e9gamment \u00e0 l’aide de l’argument subset de la fonction lm ou par un d\u00e9coupage pr\u00e9alable du tableau de donn\u00e9es.<\/p>\n On ajuste cons\u00e9cutivement les deux r\u00e9gressions ind\u00e9pendantes : Chacun de ces mod\u00e8les optimise ses propres coefficients b\u00eata de fa\u00e7on \u00e0 minimiser localement la variance r\u00e9siduelle de son sous-\u00e9chantillon respectif. On extrait ensuite la somme des carr\u00e9s des r\u00e9sidus de chaque mod\u00e8le partiel, not\u00e9es respectivement SCR1 <- deviance(modele_1) et SCR2 <- deviance(modele_2). La somme des carr\u00e9s des r\u00e9sidus non restreinte totale, d\u00e9sign\u00e9e par SCRNR, s’obtient simplement par l’addition scalaire de ces deux grandeurs : SCRNR <- SCR1 + SCR2. Ce total repr\u00e9sente la dispersion r\u00e9siduelle incompressible lorsque l’on autorise une flexibilit\u00e9 structurelle totale des param\u00e8tres entre les deux \u00e9poques.<\/p>\n Ayant isol\u00e9 avec pr\u00e9cision SCRR, SCRNR, le nombre de r\u00e9gresseurs k et la taille d’\u00e9chantillon T, il devient ais\u00e9 de programmer directement dans la console R l’\u00e9quation matricielle de la statistique de Fisher-Snedecor d\u00e9duite \u00e0 la section 2.2. L’\u00e9criture du code s’ex\u00e9cute de mani\u00e8re limpide :<\/p>\n k_param <- length(coef(modele_restreint)) Une fois la statistique F_chow_manuel calcul\u00e9e, l’\u00e9valuation de sa p-valeur exacte sous l’hypoth\u00e8se nulle requiert l’appel \u00e0 la fonction de r\u00e9partition de la loi de Fisher, disponible sous R via la fonction pf. Puisqu’il s’agit d’un test unilat\u00e9ral \u00e0 droite (seules des valeurs anormalement \u00e9lev\u00e9es de F conduisent au rejet de l’hypoth\u00e8se nulle de stabilit\u00e9), la probabilit\u00e9 critique s’obtient par le compl\u00e9ment \u00e0 l’unit\u00e9 : p_valeur_manuelle <- 1 – pf(F_chow_manuel, degres_num, degres_den), ou de fa\u00e7on num\u00e9riquement plus stable pour les valeurs extr\u00eames via pf(F_chow_manuel, degres_num, degres_den, lower.tail = FALSE).<\/p>\n La confrontation directe de la valeur obtenue pour F_chow_manuel et p_valeur_manuelle avec les sorties g\u00e9n\u00e9r\u00e9es \u00e0 la section pr\u00e9c\u00e9dente par la commande sctest confirme une \u00e9galit\u00e9 num\u00e9rique parfaite jusqu’\u00e0 la derni\u00e8re d\u00e9cimale. Cette concordance valide empiriquement l’\u00e9quivalence stricte entre l’algorithme interne de strucchange et la d\u00e9rivation g\u00e9om\u00e9trique des sommes de carr\u00e9s r\u00e9siduels de Gauss.<\/p>\n Il existe une troisi\u00e8me m\u00e9thodologie, d’une \u00e9l\u00e9gance conceptuelle remarquable, permettant d’ex\u00e9cuter un test rigoureusement \u00e9quivalent au test de Chow sans avoir \u00e0 ajuster des r\u00e9gressions scind\u00e9es : l’approche par variables muettes (dummy variables<\/em>) et termes d’interaction crois\u00e9e. Cette formulation unifi\u00e9e au sein d’un seul mod\u00e8le global permet de tester l’invariance via un test d’hypoth\u00e8se lin\u00e9aire g\u00e9n\u00e9ral ou un tableau d’analyse de variance.<\/p>\n Pour mettre en \u0153uvre cette m\u00e9thode, on d\u00e9finit une variable indicatrice binaire D qui prend la valeur 0 pour les observations de la premi\u00e8re sous-p\u00e9riode et la valeur 1 pour celles de la seconde. On sp\u00e9cifie ensuite un mod\u00e8le complet incluant la constante, la variable explicative x, la variable muette D, ainsi que le produit crois\u00e9 entre D et x, programm\u00e9 sous R sous la forme syntaxique y ~ x * D ou de fa\u00e7on d\u00e9velopp\u00e9e y ~ x + D + I(x * D).<\/p>\n Dans cette param\u00e9trisation, le coefficient associ\u00e9 \u00e0 D mesure la rupture sp\u00e9cifique sur la constante (le saut de niveau), tandis que le coefficient associ\u00e9 au terme d’interaction crois\u00e9e mesure la rupture sur la pente marginale (la variation de sensibilit\u00e9). Le test de Chow global d’invariance param\u00e9trique \u00e9quivaut alors strictement au test de significativit\u00e9 conjointe de ces deux termes additionnels. En ex\u00e9cutant l’instruction anova(modele_restreint, modele_interaction), la statistique F d’analyse de variance renvoy\u00e9e pour le sous-espace restreint est rigoureusement identique \u00e0 la statistique de Chow calcul\u00e9e manuellement et par sctest. Cette approche offre en outre l’avantage imm\u00e9diat de pouvoir tester individuellement la nullit\u00e9 de la rupture sur la pente ou sur l’ordonn\u00e9e via les statistiques de Student figurant dans le summary habituel du mod\u00e8le.<\/p>\n L’interpr\u00e9tation des r\u00e9sultats issus du test de Chow repose sur des r\u00e8gles de d\u00e9cision inf\u00e9rentielle strictes. Le premier indicateur d’arbitrage est la p-valeur g\u00e9n\u00e9r\u00e9e par le test. Confront\u00e9e aux seuils de risque alpha conventionnels fix\u00e9s a priori par le chercheur (g\u00e9n\u00e9ralement 5 %, 1 % ou 0,1 %), la r\u00e8gle statistique s’\u00e9nonce sans ambigu\u00eft\u00e9 : si la p-valeur est strictement inf\u00e9rieure au seuil alpha choisi, l’\u00e9conom\u00e8tre rejette formellement l’hypoth\u00e8se nulle H0 au profit de l’hypoth\u00e8se alternative H1. On conclut alors \u00e0 l’existence d’une instabilit\u00e9 structurelle significative \u00e0 la date de rupture \u00e9valu\u00e9e.<\/p>\n Une approche d\u00e9cisionnelle compl\u00e9mentaire consiste \u00e0 confronter directement la statistique F empirique \u00e0 la valeur critique th\u00e9orique issue des tables de la loi de Fisher-Snedecor pour les degr\u00e9s de libert\u00e9 consid\u00e9r\u00e9s, accessible sous R via l’instruction qf(1 – alpha, degres_num, degres_den). Lorsque la statistique F calcul\u00e9e exc\u00e8de la valeur critique tabul\u00e9e, le point d’estimation s’inscrit dans la r\u00e9gion critique de rejet, corroborant math\u00e9matiquement le diagnostic apport\u00e9 par la p-valeur.<\/p>\n Il importe toutefois de se pr\u00e9munir contre une interpr\u00e9tation purement binaire et m\u00e9canique des seuils de significativit\u00e9. Dans les jeux de donn\u00e9es contemporains massifs comportant plusieurs dizaines de milliers d’observations, la puissance statistique des tests de Fisher devient tellement ph\u00e9nom\u00e9nale que la moindre divergence infinit\u00e9simale et substantiellement insignifiante dans les coefficients induit une p-valeur microscopique conduisant au rejet de H0. Le chercheur quantitatif doit imp\u00e9rativement conjuguer la significativit\u00e9 statistique avec l’\u00e9valuation de la pertinence empirique de la rupture.<\/p>\n Au-del\u00e0 du verdict probabiliste brut, le r\u00f4le de l’\u00e9conom\u00e8tre r\u00e9side dans la qualification \u00e9conomique et substantielle de la fracture mise en \u00e9vidence. Il convient d’analyser la trajectoire directionnelle des coefficients estim\u00e9s avant et apr\u00e8s la coupure. Une \u00e9l\u00e9vation marqu\u00e9e de la pente marginale traduit une transmission amplifi\u00e9e du choc de la variable explicative vers la variable d\u00e9pendante, signalant une r\u00e9activit\u00e9 accrue des agents ou une mutation de l’environnement technologique ou concurrentiel.<\/p>\n L’analyse diff\u00e9rentielle entre la constante et la pente s’av\u00e8re particuli\u00e8rement \u00e9clairante. Une rupture circonscrite \u00e0 l’ordonn\u00e9e \u00e0 l’origine traduit un d\u00e9placement parall\u00e8le de la fonction de r\u00e9ponse : l’\u00e9tat moyen du syst\u00e8me a \u00e9t\u00e9 translat\u00e9 vers le haut ou vers le bas sous l’effet de facteurs exog\u00e8nes non mod\u00e9lis\u00e9s, mais l’efficacit\u00e9 incr\u00e9mentale de la variable explicative x est demeur\u00e9e constante. \u00c0 l’inverse, une rupture domin\u00e9e par la pente r\u00e9v\u00e8le une transformation profonde dans les m\u00e9canismes d’\u00e9lasticit\u00e9 ou de productivit\u00e9 marginale.<\/p>\n La quantification de l’ampleur \u00e9conomique du changement s’op\u00e8re par le calcul des variations relatives de coefficients, par exemple en calculant le ratio de b\u00eata post-rupture sur b\u00eata pr\u00e9-rupture. Cette analyse de magnitude permet de donner du sens au r\u00e9sultat : affirmer qu’une rupture est statistiquement significative \u00e0 1 % est une information technique n\u00e9cessaire ; d\u00e9montrer que la rentabilit\u00e9 marginale d’un investissement a chut\u00e9 de 45 % suite \u00e0 une modification r\u00e9glementaire constitue la v\u00e9ritable conclusion \u00e0 haute valeur ajout\u00e9e d\u00e9cisionnelle.<\/p>\n La communication des r\u00e9sultats d’un test de Chow au sein d’une publication scientifique \u00e9valu\u00e9e par des pairs exige le respect de normes de pr\u00e9sentation standardis\u00e9es, inspir\u00e9es notamment des recommandations de l’American Psychological Association (APA) et de l’Econometric Society. Le reporting textuel ne doit jamais se limiter \u00e0 mentionner une rupture sans \u00e9tayer l’affirmation par le triptyque statistique complet : la m\u00e9trique du test, les deux degr\u00e9s de libert\u00e9 associ\u00e9s et la p-valeur pr\u00e9cise.<\/p>\n Le formatage r\u00e9dactionnel canonique s’articule g\u00e9n\u00e9ralement ainsi : \u00ab L’\u00e9valuation de la stabilit\u00e9 structurelle du mod\u00e8le a \u00e9t\u00e9 r\u00e9alis\u00e9e au moyen du test de Chow \u00e0 la date charni\u00e8re de l’observation 100. Les r\u00e9sultats attestent d’une rupture hautement significative dans le vecteur des param\u00e8tres : F(2, 196) = 142,58, p < 0,001. \u00bb Cette formulation condense l’ensemble des \u00e9l\u00e9ments permettant au lecteur scientifique de situer instantan\u00e9ment l’\u00e9chelle d’inf\u00e9rence employ\u00e9e.<\/p>\n Sur le plan tabulaire, il est fortement recommand\u00e9 de pr\u00e9senter un tableau comparatif articul\u00e9 en trois colonnes de coefficients : la premi\u00e8re consacr\u00e9e au mod\u00e8le restreint global, la seconde au premier r\u00e9gime temporel, et la troisi\u00e8me au second r\u00e9gime. Chaque colonne doit faire figurer les coefficients estim\u00e9s, leurs erreurs-types entre parenth\u00e8ses, le coefficient de d\u00e9termination ajust\u00e9 (R\u00b2 ajust\u00e9) ainsi que le nombre d’observations respectif. En bas de tableau, une section d\u00e9di\u00e9e consigne la statistique de Chow, ses degr\u00e9s de libert\u00e9 et la probabilit\u00e9 critique associ\u00e9e, validant formellement l’utilit\u00e9 m\u00e9thodologique de la partition tabulaire.<\/p>\n Le rejet de l’hypoth\u00e8se de stabilit\u00e9 structurelle et la d\u00e9cision cons\u00e9cutive d’adopter des mod\u00e8les fractionn\u00e9s imposent un retour rigoureux sur les r\u00e9sidus d’estimation de chacun des sous-mod\u00e8les. Il est imp\u00e9ratif de s’assurer que la scission de l’\u00e9chantillon a effectivement restaur\u00e9 les propri\u00e9t\u00e9s d’optimalit\u00e9 stochastique attendues et qu’elle n’a pas masqu\u00e9 d’autres pathologies de sp\u00e9cification au sein des r\u00e9gimes individuels.<\/p>\n Pour chaque mod\u00e8le partitionn\u00e9 (modele_1 et modele_2), le chercheur doit g\u00e9n\u00e9rer les quatre graphiques diagnostiques standards de la fonction plot(modele). L’examen du graphique des r\u00e9sidus en fonction des valeurs ajust\u00e9es (Residuals vs Fitted<\/em>) permet de v\u00e9rifier l’absence de non-lin\u00e9arit\u00e9 r\u00e9siduelle locale. Le diagramme quantile-quantile normal (Normal Q-Q<\/em>) confirme si la normalit\u00e9 des perturbations est pr\u00e9serv\u00e9e sur chaque sous-p\u00e9riode, condition n\u00e9cessaire \u00e0 l’exactitude des futurs tests de Student individuels men\u00e9s au sein de chaque r\u00e9gime.<\/p>\n Une attention m\u00e9ticuleuse doit \u00eatre accord\u00e9e \u00e0 la d\u00e9tection des points d’influence disproportionn\u00e9e via le calcul de la distance de Cook et l’analyse des points leviers (leverage<\/em>). Il arrive fr\u00e9quemment qu’une rupture structurelle apparente d\u00e9tect\u00e9e par le test de Chow soit en r\u00e9alit\u00e9 provoqu\u00e9e de mani\u00e8re factice par la pr\u00e9sence d’une ou deux valeurs aberrantes extr\u00eames situ\u00e9es imm\u00e9diatement apr\u00e8s le point de scission. Si la suppression contr\u00f4l\u00e9e de ces points atypiques r\u00e9sorbe la significativit\u00e9 du test de Chow, le mod\u00e9lisateur doit conclure \u00e0 un probl\u00e8me de donn\u00e9es aberrantes locales plut\u00f4t qu’\u00e0 un authentique basculement de r\u00e9gime structurel.<\/p>\n La segmentation d’un \u00e9chantillon entra\u00eene m\u00e9caniquement une augmentation du nombre total de param\u00e8tres estim\u00e9s : au lieu d’un unique vecteur de k coefficients, le mod\u00e9lisateur en estime d\u00e9sormais 2k. Cette flexibilit\u00e9 param\u00e9trique accrue engendre in\u00e9vitablement une hausse artificielle du coefficient de d\u00e9termination global (R\u00b2). Il est donc m\u00e9thodologiquement fallacieux de justifier la partition temporelle sur la seule base de l’am\u00e9lioration du R\u00b2 ordinaire.<\/p>\n Pour arbitrer objectivement entre le gain d’ajustement empirique et le co\u00fbt associ\u00e9 \u00e0 la complexification param\u00e9trique du mod\u00e8le, le recours aux crit\u00e8res d’information d’Akaike (AIC) et bay\u00e9sien de Schwarz (BIC) s’av\u00e8re indispensable. Dans l’environnement R, le calcul de l’AIC du mod\u00e8le restreint s’obtient par AIC(modele_restreint). Pour le mod\u00e8le non restreint global, son AIC \u00e9quivaut \u00e0 la somme des log-vraisemblances des deux mod\u00e8les scind\u00e9s, ou plus simplement \u00e0 l’AIC du mod\u00e8le complet \u00e0 interactions crois\u00e9es programm\u00e9 \u00e0 la section 8.4 : AIC(modele_interaction).<\/p>\n La r\u00e8gle de d\u00e9cision favorise le mod\u00e8le affichant la valeur du crit\u00e8re d’information la plus faible. Une diminution substantielle de l’AIC (commun\u00e9ment admise comme sup\u00e9rieure \u00e0 10 unit\u00e9s) confirme que la r\u00e9duction de la somme des carr\u00e9s r\u00e9siduels compense tr\u00e8s largement la p\u00e9nalit\u00e9 de parcimonie impos\u00e9e par l’adjonction de k param\u00e8tres suppl\u00e9mentaires. Le crit\u00e8re BIC, plus s\u00e9v\u00e8re envers la surparam\u00e9trisation dans les grands \u00e9chantillons, apporte une confirmation particuli\u00e8rement robuste de l’utilit\u00e9 empirique de la segmentation.<\/p>\n Comme d\u00e9montr\u00e9 dans les fondements th\u00e9oriques (section 3.2), la pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 entre les deux sous-p\u00e9riodes invalide la distribution de Fisher du test de Chow standard. Si le test pr\u00e9liminaire de Goldfeld-Quandt ou de Breusch-Pagan r\u00e9v\u00e8le une divergence significative des variances r\u00e9siduelles entre le r\u00e9gime 1 et le r\u00e9gime 2, le statisticien doit imp\u00e9rativement abandonner la statistique de Chow classique au profit d’une proc\u00e9dure robuste.<\/p>\n Sous R, la correction s’op\u00e8re de mani\u00e8re remarquable en associant le package car<\/a> et le package sandwich. En utilisant le mod\u00e8le unifi\u00e9 \u00e0 variables muettes et interactions (modele_interaction), on applique la fonction linearHypothesis en int\u00e9grant une matrice de variance-covariance robuste aux h\u00e9t\u00e9rosc\u00e9dasticit\u00e9s h\u00e9t\u00e9rog\u00e8nes de type White (HC3 ou HC1). La syntaxe s’articule ainsi :<\/p>\n linearHypothesis(modele_interaction, c(\u00ab\u00a0D = 0\u00a0\u00bb, \u00ab\u00a0x:D = 0\u00a0\u00bb), vcov = vcovHC(modele_interaction, type = \u00ab\u00a0HC3\u00a0\u00bb))<\/p>\n Cette approche substitue \u00e0 la statistique F de Fisher ordinaire une statistique de Wald robuste corrig\u00e9e de l’in\u00e9galit\u00e9 des variances inter-r\u00e9gimes. La distribution d’\u00e9chantillonnage de cette forme quadratique robuste converge asymptotiquement vers une loi du Chi-carr\u00e9 \u00e0 k degr\u00e9s de libert\u00e9 (ou une loi F corrig\u00e9e selon les options logicielles). Si la significativit\u00e9 statistique persiste sous cette sp\u00e9cification robuste, le chercheur acquiert la certitude math\u00e9matique que le rejet de l’invariance param\u00e9trique n’est pas un artefact provoqu\u00e9 par une modification de la variance r\u00e9siduelle, mais traduit une v\u00e9ritable mutation des coefficients structurels b\u00eata.<\/p>\n En d\u00e9pit de sa pr\u00e9\u00e9minence historique, le test de Chow classique souffre d’une limitation \u00e9pist\u00e9mologique majeure : il exige que la date de la rupture soit connue a priori de mani\u00e8re exacte et d\u00e9terministe, ind\u00e9pendamment des donn\u00e9es analys\u00e9es. Cette hypoth\u00e8se est recevable lorsqu’un \u00e9v\u00e9nement exog\u00e8ne historique pr\u00e9cis peut \u00eatre convoqu\u00e9 pour justifier la coupure (comme la date d’entr\u00e9e en vigueur d’un trait\u00e9 international ou l’instauration d’un confinement sanitaire mondial). En revanche, elle s’av\u00e8re totalement inop\u00e9rante lorsque la rupture d\u00e9coule d’une dynamique \u00e9conomique endog\u00e8ne dont le calendrier exact est incertain ou diffus.<\/p>\n Face \u00e0 une date inconnue, la tentation intuitive de calculer des tests de Chow successifs sur chaque observation de la s\u00e9rie temporelle et de s\u00e9lectionner la date qui maximise la statistique F empirique constitue une erreur m\u00e9thodologique gravissime, constitutive de dragage de donn\u00e9es (data snooping<\/em> ou p-hacking<\/em>). Cette s\u00e9lection du maximum biaise profond\u00e9ment la distribution statistique : la valeur maximale d’une suite de statistiques de Fisher ne suit absolument plus une loi de Fisher standard. Utiliser les valeurs critiques usuelles dans ce contexte conduit \u00e0 un effondrement du contr\u00f4le de l’erreur de type I, g\u00e9n\u00e9rant un taux de faux positifs pouvant exc\u00e9der 60 % pour un seuil nominal de 5 %.<\/p>\n Par ailleurs, le test de Chow standard est totalement aveugle face aux mutations structurelles progressives ou douces. Il mod\u00e9lise exclusivement un basculement discontinu et instantan\u00e9 d’un vecteur de coefficients \u00e0 un autre. Lorsqu’un syst\u00e8me \u00e9volue par transition graduelle selon un mod\u00e8le \u00e0 transition lisse (Smooth Transition Autoregressive<\/em> ou STAR), le test de Chow manque cruellement de puissance par rapport \u00e0 des tests de non-lin\u00e9arit\u00e9 d\u00e9di\u00e9s.<\/p>\n Pour surmonter l’impasse m\u00e9thodologique des dates de rupture non document\u00e9es a priori, l’\u00e9conom\u00e8tre Richard Quandt a propos\u00e9 d\u00e8s 1960 le test du ratio de vraisemblance s\u00e9quentiel, formalis\u00e9 et valid\u00e9 sur le plan asymptotique par Donald Andrews en 1993 sous l’appellation de test Sup-F (ou test QLR pour Quandt Likelihood Ratio<\/em>). Le principe consiste \u00e0 calculer la statistique F de Chow pour l’ensemble des points de scission candidats situ\u00e9s au sein d’un intervalle central de l’\u00e9chantillon, traditionnellement \u00e9lagu\u00e9 de ses extr\u00e9mit\u00e9s temporelles \u00e0 hauteur de 15 % (param\u00e8tre de trimming<\/em> usuel epsilon = 0,15).<\/p>\n La statistique du test d’Andrews correspond au supremum (la valeur maximale absolue) de l’ensemble des statistiques F obtenues sur cette fen\u00eatre mobile : Sup-F = max F(tau). La distribution de cette statistique sous l’hypoth\u00e8se nulle n’est pas une loi de Fisher, mais le supremum d’un pont brownien multidimensionnel (tied-down Bessel process<\/em>), dont Andrews a tabul\u00e9 les valeurs critiques asymptotiques par simulation num\u00e9rique.<\/p>\n Sous R, cette proc\u00e9dure de pointe est directement accessible au sein du package strucchange<\/a> au moyen de la fonction Fstats. En ex\u00e9cutant f_stats <- Fstats(y ~ x, from = 0.15, to = 0.85, data = df_simule), l’algorithme \u00e9value l’ensemble des points de bascule potentiels. L’application de la fonction sctest sur cet objet f_stats applique automatiquement la distribution asymptotique d’Andrews pour calculer la p-valeur exacte, tandis que l’instruction breakpoints(f_stats) identifie math\u00e9matiquement la date exacte correspondant au sommet de la trajectoire F, localisant de fa\u00e7on enti\u00e8rement endog\u00e8ne le point de rupture structurelle le plus vraisemblable de l’\u00e9chantillon.<\/p>\n Une autre alternative puissante pour auditer la constance des param\u00e8tres le long du temps repose sur l’analyse des processus empiriques de fluctuation, dont les tests CUSUM (Cumulative Sum of Residuals<\/em>) et MOSUM (Moving Sum of Residuals<\/em>) constituent les repr\u00e9sentants les plus c\u00e9l\u00e8bres, formalis\u00e9s par Brown, Durbin et Evans en 1975. Plut\u00f4t que de segmenter explicitement le mod\u00e8le, la d\u00e9marche CUSUM analyse les d\u00e9viations cumul\u00e9es des r\u00e9sidus r\u00e9cursifs d’ajustement. Si les param\u00e8tres demeurent stables, la somme cumul\u00e9e des erreurs oscille au voisinage de z\u00e9ro \u00e0 l’int\u00e9rieur d’un couloir de confiance d\u00e9limit\u00e9 par des fronti\u00e8res probabilistes divergentes.<\/p>\n La fonction efp (Empirical Fluctuation Process<\/em>) du package strucchange permet d’estimer et de cartographier instantan\u00e9ment ces trajectoires stochastiques sous R. La d\u00e9claration efp_modele <- efp(y ~ x, type = \u00ab\u00a0Rec-CUSUM\u00a0\u00bb, data = df_simule) instancie le calcul des r\u00e9sidus r\u00e9cursifs. La commande graphique associ\u00e9e plot(efp_modele) projette la trajectoire empirique superpos\u00e9e aux fronti\u00e8res de rejet critiques \u00e0 5 %. Tout franchissement des bornes par la courbe signale une instabilit\u00e9 param\u00e9trique irr\u00e9futable, fournissant en outre un diagnostic temporel continu sur la zone d’amorce de la d\u00e9rive.<\/p>\n Enfin, lorsque la s\u00e9rie temporelle est suffisamment longue pour abriter non pas un seul choc, mais une pluralit\u00e9 de r\u00e9gimes successifs (par exemple lors de cycles \u00e9conomiques r\u00e9currents), l’\u00e9conom\u00e9trie moderne mobilise l’algorithme g\u00e9n\u00e9ralis\u00e9 de Bai et Perron (1998, 2003). Cet algorithme sophistiqu\u00e9 r\u00e9sout le probl\u00e8me de la d\u00e9termination conjointe et simultan\u00e9e d’un nombre inconnu m de ruptures structurelles \u00e0 dates inconnues en minimisant la somme globale des carr\u00e9s des r\u00e9sidus par programmation dynamique. L’impl\u00e9mentation sous R s’ex\u00e9cute via la fonction breakpoints(y ~ x, data = df_simule, breaks = 5). Le recours au crit\u00e8re d’information BIC p\u00e9nalis\u00e9 extrait automatiquement le nombre optimal de r\u00e9gimes et date rigoureusement chaque segment temporel, hissant l’analyse structurelle bien au-del\u00e0 des capacit\u00e9s du test de Chow binaire originel.<\/p>\n La mise en \u0153uvre informatique du test de Chow sous R expose les praticiens \u00e0 plusieurs erreurs r\u00e9currentes d’encodage qu’il convient de r\u00e9pertorier m\u00e9thodiquement. Le pi\u00e8ge le plus fr\u00e9quent r\u00e9side dans la confusion entre l’indice de position d’une observation et la valeur textuelle ou num\u00e9rique de la variable d’indexation temporelle. Lors de l’utilisation de l’argument point dans la fonction sctest, strucchange attend par d\u00e9faut un entier repr\u00e9sentant le rang d’ordre de la ligne dans le tableau de donn\u00e9es (ou une proportion d\u00e9cimale), et non l’ann\u00e9e civile calendaire. Transmettre une valeur calendaire brute (par exemple point = 2008 dans un jeu de donn\u00e9es de 50 observations annuelles) d\u00e9clenchera irr\u00e9m\u00e9diablement une erreur d’indice hors limites (subscript out of bounds<\/em>).<\/p>\n Une seconde maladresse courante concerne la manipulation des facteurs qualitatifs \u00e0 multiples niveaux au sein des mod\u00e8les scind\u00e9s. Si un r\u00e9gresseur cat\u00e9goriel pr\u00e9sent dans l’\u00e9chantillon global poss\u00e8de une modalit\u00e9 qui n’appara\u00eet que tr\u00e8s rarement (par exemple une modalit\u00e9 observ\u00e9e uniquement 2 fois sur 200 individus), il est hautement probable que cette modalit\u00e9 soit totalement absente de l’un des deux sous-\u00e9chantillons apr\u00e8s la partition. Lors de l’ajustement s\u00e9par\u00e9 via lm, R supprimera automatiquement cette colonne dans le sous-mod\u00e8le concern\u00e9 pour \u00e9viter une singularit\u00e9. Cette asym\u00e9trie dimensionnelle modifie silencieusement les degr\u00e9s de libert\u00e9 et invalide le calcul manuel de la statistique F en faussant le d\u00e9compte des param\u00e8tres non restreints.<\/p>\n Enfin, l’omission des v\u00e9rifications d’int\u00e9grit\u00e9 pr\u00e9liminaires constitue une n\u00e9gligence analytique majeure. Lancer aveugl\u00e9ment un test de Chow sur un mod\u00e8le sans s’\u00eatre pr\u00e9alablement assur\u00e9 de l’absence d’autocorr\u00e9lation des r\u00e9sidus ou de multicolin\u00e9arit\u00e9 s\u00e9v\u00e8re conduit bien souvent \u00e0 interpr\u00e9ter comme un changement de structure ce qui ne rel\u00e8ve que d’une mauvaise sp\u00e9cification dynamique ou d’une forte instabilit\u00e9 d’inversion matricielle. Le diagnostic exploratoire n’est pas une option accessoire : il conditionne la v\u00e9racit\u00e9 scientifique de l’ensemble de la d\u00e9marche.<\/p>\n Sur le plan de l’\u00e9pist\u00e9mologie statistique, le test de Chow classique pr\u00e9sente plusieurs limitations structurelles que le mod\u00e9lisateur doit toujours garder \u00e0 l’esprit. En premier lieu, le postulat d’une transition abrupte et instantan\u00e9e entre les r\u00e9gimes constitue une simplification souvent irr\u00e9aliste des dynamiques r\u00e9elles. Dans le monde \u00e9conomique et social, les agents ajustent rarement leurs anticipations et leurs comportements de fa\u00e7on synchrone et imm\u00e9diate lors d’un choc r\u00e9glementaire. Les changements s’op\u00e8rent fr\u00e9quemment par diffusion progressive au fil de p\u00e9riodes de transition \u00e9tendues, configuration pour laquelle la mod\u00e9lisation \u00e0 r\u00e9gimes \u00e9tanches du test de Chow constitue une approximation imparfaite.<\/p>\n En second lieu, le test est extr\u00eamement sensible \u00e0 l’omission de variables explicatives non lin\u00e9aires. Si la v\u00e9ritable relation g\u00e9n\u00e9ratrice entre la variable d\u00e9pendante et la covariable est une courbe quadratique ou logarithmique douce, mais que le chercheur impose une sp\u00e9cification lin\u00e9aire univari\u00e9e standard, le nuage de points s’\u00e9cartera syst\u00e9matiquement de la droite globale. Le test de Chow partitionn\u00e9 conclura alors \u00e0 une rupture structurelle hautement significative des pentes entre le d\u00e9but et la fin de l’\u00e9chantillon, alors m\u00eame que le processus g\u00e9n\u00e9rateur de donn\u00e9es est demeur\u00e9 parfaitement immuable, l’invariance n’\u00e9tant rompue que par la mauvaise formulation fonctionnelle de la r\u00e9gression.<\/p>\n Enfin, la vuln\u00e9rabilit\u00e9 du test face \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 inter-r\u00e9gimes demeure son talon d’Achille th\u00e9orique le plus critique. Comme explicit\u00e9 pr\u00e9c\u00e9demment, une simple alt\u00e9ration de la volatilit\u00e9 des chocs r\u00e9siduels au fil du temps suffit \u00e0 d\u00e9truire l’exactitude de la loi de Fisher, entra\u00eenant une propension syst\u00e9matique au sur-rejet de l’hypoth\u00e8se nulle d’invariance. Tout mod\u00e9lisateur rigoureux doit aborder les conclusions d’un test de Chow conventionnel avec une extr\u00eame circonspection tant que l’homosc\u00e9dasticit\u00e9 des perturbations n’a pas \u00e9t\u00e9 formellement corrobor\u00e9e.<\/p>\n Afin de garantir un protocole d’analyse irr\u00e9prochable lors de l’\u00e9tude de la stabilit\u00e9 structurelle sous R, l’application d’un flux de travail (workflow<\/em>) m\u00e9thodique standardis\u00e9 est vivement recommand\u00e9e. Ce protocole syst\u00e9matique s’articule en six \u00e9tapes s\u00e9quentielles obligatoires :<\/p>\n En observant scrupuleusement cette feuille de route \u00e9conom\u00e9trique, le praticien s’assure d’exploiter la puissance analytique du langage R dans le respect absolu des r\u00e8gles de validit\u00e9 inf\u00e9rentielle, transformant une simple commande informatique en une v\u00e9ritable d\u00e9marche d’investigation scientifique rigoureuse.<\/p>\n Guide acad\u00e9mique complet pour r\u00e9aliser et interpr\u00e9ter le test de Chow sous R afin de d\u00e9tecter rigoureusement les ruptures structurelles en r\u00e9gression.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[1829,2193],"tags":[1910,7970,1911,7971,7969],"class_list":["post-6249","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-statistique","category-programmation-r","tag-regression-lineaire","tag-rupture-structurelle","tag-series-temporelles","tag-strucchange-r","tag-test-de-chow"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/6249","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_stat"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=6249"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/6249\/revisions"}],"predecessor-version":[{"id":6251,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/6249\/revisions\/6251"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6249"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6249"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6249"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}1.2 Pertinence m\u00e9thodologique en mod\u00e9lisation quantitative<\/h3>\n
1.3 Objectifs du protocole d’analyse sous R<\/h3>\n
2. Fondements math\u00e9matiques et statistiques du test de Chow<\/h2>\n
2.1 Formulation des hypoth\u00e8ses statistiques<\/h3>\n
2.2 D\u00e9rivation de la statistique de test F<\/h3>\n
2.3 Propri\u00e9t\u00e9s asymptotiques et distribution d’\u00e9chantillonnage<\/h3>\n
3. Hypoth\u00e8ses sous-jacentes et conditions d’application statistique<\/h2>\n
3.1 Normalit\u00e9 et ind\u00e9pendance des termes d’erreur<\/h3>\n
3.2 Homosc\u00e9dasticit\u00e9 inter-groupes et intra-groupes<\/h3>\n
3.3 Exog\u00e9n\u00e9it\u00e9 stricte et absence de colin\u00e9arit\u00e9<\/h3>\n
4. Pr\u00e9paration de l’environnement R et packages indispensables<\/h2>\n
4.1 Installation et chargement des biblioth\u00e8ques sp\u00e9cialis\u00e9es<\/h3>\n
4.2 Configuration des options globales et reproductibilit\u00e9<\/h3>\n
5. Cr\u00e9ation et structuration du jeu de donn\u00e9es pour l’analyse<\/h2>\n
5.1 G\u00e9n\u00e9ration programmatique des donn\u00e9es d’exemple<\/h3>\n
5.2 Inspection dimensionnelle et int\u00e9grit\u00e9 des donn\u00e9es<\/h3>\n
6. Visualisation exploratoire des donn\u00e9es et d\u00e9tection graphique des ruptures<\/h2>\n
6.1 Construction du nuage de points avec ggplot2<\/h3>\n
6.2 Superposition de droites de r\u00e9gression distinctes<\/h3>\n
6.3 Analyse graphique des r\u00e9sidus locaux<\/h3>\n
7. Mise en \u0153uvre du test de Chow avec le package strucchange<\/h2>\n
7.1 Utilisation de la fonction sctest pour le test de Chow<\/h3>\n
7.2 Ex\u00e9cution pas \u00e0 pas sur les donn\u00e9es simul\u00e9es<\/h3>\n
7.3 Variantes d’impl\u00e9mentation selon le positionnement de la rupture<\/h3>\n
8. Calcul manuel du test de Chow via les r\u00e9gressions lin\u00e9aires (lm)<\/h2>\n
8.1 Estimation du mod\u00e8le restreint global<\/h3>\n
8.2 Estimation des mod\u00e8les partitionn\u00e9s non restreints<\/h3>\n
\nmodele_1 <- lm(y ~ x, data = df_simule, subset = (1:100))
\nmodele_2 <- lm(y ~ x, data = df_simule, subset = (101:200))<\/p>\n8.3 Programmation alg\u00e9brique de la statistique F sous R<\/h3>\n
\ntaille_T <- nrow(df_simule)
\ndegres_num <- k_param
\ndegres_den <- taille_T – 2 * k_param
\nF_chow_manuel <- ((SCRR – SCRNR) \/ degres_num) \/ (SCRNR \/ degres_den)<\/p>\n8.4 Approche \u00e9quivalente par variables indicatrices et interactions<\/h3>\n
9. Interpr\u00e9tation rigoureuse des sorties statistiques et de la p-valeur<\/h2>\n
9.1 Crit\u00e8res de d\u00e9cision statistique<\/h3>\n
9.2 Interpr\u00e9tation substantielle de la rupture<\/h3>\n
9.3 Reporting acad\u00e9mique selon les normes scientifiques<\/h3>\n
10. Diagnostic post-estimation et robustesse des mod\u00e8les fractionn\u00e9s<\/h2>\n
10.1 Validation des r\u00e9sidus au sein de chaque r\u00e9gime<\/h3>\n
10.2 \u00c9valuation comparative des crit\u00e8res d’information<\/h3>\n
10.3 Correction pour h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en pr\u00e9sence de variances in\u00e9gales<\/h3>\n
11. Applications avanc\u00e9es : points de rupture inconnus et tests alternatifs<\/h2>\n
11.1 Limites du test de Chow classique face aux dates inconnues<\/h3>\n
11.2 Proc\u00e9dure de Quandt et test Sup-F de Andrews<\/h3>\n
11.3 Processus CUSUM et d\u00e9tection de ruptures multiples<\/h3>\n
12. Erreurs courantes, limites m\u00e9thodologiques et bonnes pratiques sous R<\/h2>\n
12.1 Pi\u00e8ges fr\u00e9quents lors du codage et de l’ex\u00e9cution<\/h3>\n
12.2 Limites th\u00e9oriques intrins\u00e8ques au test de Chow<\/h3>\n
12.3 Guide r\u00e9capitulatif des bonnes pratiques m\u00e9thodologiques<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n