La question de la causalit\u00e9 constitue depuis des si\u00e8cles l’un des d\u00e9fis intellectuels et m\u00e9thodologiques les plus ardus de la philosophie des sciences et de l’analyse empirique. De la conception classique formalis\u00e9e par David Hume, qui r\u00e9duisait la causalit\u00e9 per\u00e7ue \u00e0 une conjonction constante d’\u00e9v\u00e9nements observables, jusqu’aux mod\u00e9lisations structurelles contemporaines d\u00e9velopp\u00e9es par Judea Pearl, la recherche scientifique s’est constamment heurt\u00e9e \u00e0 l’impossibilit\u00e9 de d\u00e9duire formellement un lien de causalit\u00e9 ontologique \u00e0 partir de simples corr\u00e9lations observationnelles. Dans l’analyse des s\u00e9ries temporelles, cette probl\u00e9matique est d\u00e9cupl\u00e9e par la pr\u00e9sence d’inerties dynamiques, de tendances partag\u00e9es et de r\u00e9troactions r\u00e9ciproques qui trompent fr\u00e9quemment l’observateur non averti.<\/p>\n
Pour d\u00e9passer l’impasse \u00e9pist\u00e9mologique consistant \u00e0 confondre simultan\u00e9it\u00e9 et causalit\u00e9 active, l’\u00e9conomiste et statisticien britannique Clive Granger a propos\u00e9 en 1969 une d\u00e9finition purement op\u00e9rationnelle et probabiliste de la d\u00e9pendance temporelle. Fond\u00e9e sur le postulat d’asym\u00e9trie temporelle introduit initialement par Norbert Wiener, cette approche red\u00e9finit la causalit\u00e9 non pas comme un m\u00e9canisme physique ou m\u00e9taphysique sous-jacent, mais comme une capacit\u00e9 pr\u00e9dictive incr\u00e9mentale : une variable temporelle cause une autre variable si la connaissance du pass\u00e9 de la premi\u00e8re permet d’am\u00e9liorer significativement la pr\u00e9vision de la seconde, par rapport \u00e0 une pr\u00e9vision fond\u00e9e exclusivement sur le pass\u00e9 de cette derni\u00e8re. Ce concept, couronn\u00e9 par le prix de la Banque de Su\u00e8de en sciences \u00e9conomiques en m\u00e9moire d’Alfred Nobel en 2003, est devenu le test de causalit\u00e9 de Granger<\/a>, un outil d’investigation statistique incontournable.<\/p>\n Dans l’\u00e9cosyst\u00e8me du logiciel statistique R, la mise en \u0153uvre de ce test s’inscrit au sein d’une cha\u00eene de traitement rigoureuse qui d\u00e9passe la simple ex\u00e9cution d’une ligne de commande. Entre l’\u00e9valuation formelle de la stationnarit\u00e9, le calibrage minutieux des retards temporels via des crit\u00e8res d’information stochastiques, la sp\u00e9cification de mod\u00e8les autor\u00e9gressifs bivari\u00e9s et la conduite de diagnostics post-estimation portant sur les r\u00e9sidus, l’analyste doit faire preuve d’une grande rigueur m\u00e9thodologique. Ce guide exhaustif propose une d\u00e9marche pas \u00e0 pas pour ma\u00eetriser l’ensemble des fondements th\u00e9oriques, des formulations math\u00e9matiques et des applications pratiques du test de causalit\u00e9 au sens de Granger sous R, en articulant \u00e9conom\u00e9trie fondamentale et mod\u00e9lisation empirique des donn\u00e9es dynamiques.<\/p>\n La conceptualisation de la causalit\u00e9 introduite par Clive W. J. Granger<\/a> repose de mani\u00e8re fondamentale sur la fl\u00e8che du temps et le principe d’ant\u00e9riorit\u00e9 temporelle. Dans l’univers physique et empirique tel que nous l’observons, une cause doit imp\u00e9rativement pr\u00e9c\u00e9der son effet dans le d\u00e9roulement chronologique des \u00e9v\u00e9nements. Granger a transpos\u00e9 cette intuition philosophique fondamentale dans le domaine des processus stochastiques<\/a> en affirmant qu’un \u00e9v\u00e9nement pass\u00e9 peut contenir une information utile pour anticiper un \u00e9v\u00e9nement futur, tandis que le futur ne saurait modifier le pass\u00e9. Ce principe interdit de consid\u00e9rer comme causal tout m\u00e9canisme op\u00e9rant de mani\u00e8re r\u00e9trograde et impose une s\u00e9paration s\u00e9quentielle stricte entre la variable pr\u00e9dictive et la variable cible.<\/p>\n Il importe d’insister sur la distinction fondamentale et irr\u00e9ductible qui s\u00e9pare la causalit\u00e9 ontologique de la pr\u00e9dictibilit\u00e9 statistique au sens de Granger. La causalit\u00e9 ontologique suppose un transfert d’\u00e9nergie, une force m\u00e9canique ou un m\u00e9canisme substantiel direct reliant deux ph\u00e9nom\u00e8nes, assurant qu’une manipulation directe de la cause produira un changement de l’effet dans le cadre d’un mod\u00e8le contrefactuel. \u00c0 l’inverse, la causalit\u00e9 au sens de Granger est une propri\u00e9t\u00e9 strictement informationnelle et statistique. Elle indique simplement si l’inclusion de l’historique d’une s\u00e9rie chronologique r\u00e9duit la variance de l’erreur de pr\u00e9vision d’une autre s\u00e9rie au-del\u00e0 de ce que permet l’historique de cette derni\u00e8re. Ainsi, deux variables peuvent pr\u00e9senter une causalit\u00e9 de Granger significative sans qu’aucun lien physique direct n’existe entre elles, notamment lorsqu’elles sont toutes deux gouvern\u00e9es par une dynamique sous-jacente commune non observ\u00e9e.<\/p>\n Sur le plan math\u00e9matique, Granger a formalis\u00e9 cette intuition \u00e0 travers le concept d’asym\u00e9trie de l’information disponible dans l’univers stochastique. Soit un ensemble d’informations universel disponible \u00e0 l’instant t, not\u00e9 Omega indice t, et soit un sous-ensemble d’informations contenant tout l’historique de l’univers \u00e0 l’exclusion des valeurs pass\u00e9es et pr\u00e9sentes d’une s\u00e9rie temporelle sp\u00e9cifique not\u00e9e x. Si la distribution conditionnelle de la variable y \u00e0 l’horizon t+1 sachant Omega indice t est diff\u00e9rente de la distribution conditionnelle de y \u00e0 l’instant t+1 sachant Omega priv\u00e9 de l’historique de x, alors x contient une information unique qui permet de mieux cerner le comportement futur de y. En pratique empirique, l’ensemble universel d’informations \u00e9tant inaccessible, les chercheurs r\u00e9duisent cet univers informationnel \u00e0 un ensemble bivari\u00e9 restreint aux trajectoires temporelles observables de x et de y, introduisant l’hypoth\u00e8se op\u00e9rationnelle selon laquelle l’asym\u00e9trie temporelle observ\u00e9e dans cet espace clos refl\u00e8te ad\u00e9quatement la dynamique \u00e9tudi\u00e9e.<\/p>\n Bien que le test de causalit\u00e9 au sens de Granger trouve son origine historique dans l’\u00e9conom\u00e9trie quantitative et l’analyse macro\u00e9conomique de s\u00e9ries comme le produit int\u00e9rieur brut et la masse mon\u00e9taire, son cadre m\u00e9thodologique a profond\u00e9ment transform\u00e9 les sciences comportementales contemporaines. L’av\u00e8nement des m\u00e9thodologies d’\u00e9valuation \u00e9cologique momentan\u00e9e (Ecological Momentary Assessment<\/a>, ou EMA) et du recueil continu de donn\u00e9es physiologiques par capteurs connect\u00e9s permet aujourd’hui d’enregistrer des s\u00e9ries temporelles intensives au niveau individuel. Les chercheurs en psychologie clinique, cognitive et sociale ne se contentent plus de mesurer des corr\u00e9lations transversales fig\u00e9es ; ils \u00e9tudient d\u00e9sormais la dynamique intra-individuelle des processus psychologiques au fil des minutes, des heures et des journ\u00e9es.<\/p>\n Une application clinique embl\u00e9matique r\u00e9side dans l’\u00e9tude des interactions dynamiques entre les biomarqueurs du stress physiologique et les \u00e9tats \u00e9motionnels subjectifs. Par exemple, des mesures r\u00e9p\u00e9t\u00e9es de la variabilit\u00e9 de la fr\u00e9quence cardiaque (VFC) associ\u00e9es \u00e0 des auto-\u00e9valuations r\u00e9guli\u00e8res des affects n\u00e9gatifs permettent de tester empiriquement l’ant\u00e9riorit\u00e9 temporelle de la d\u00e9r\u00e9gulation autonome sur la d\u00e9t\u00e9rioration de l’humeur. En appliquant un test de Granger bivari\u00e9, le chercheur peut d\u00e9terminer si une alt\u00e9ration du tonus vagal \u00e0 l’instant t-1 pr\u00e9dit de fa\u00e7on incr\u00e9mentale un pic d’anxi\u00e9t\u00e9 ressenti \u00e0 l’instant t, ou si, \u00e0 l’inverse, l’activation cognitive de ruminations \u00e9motionnelles pr\u00e9c\u00e8de et d\u00e9clenche la chute des param\u00e8tres physiologiques. Cette mod\u00e9lisation permet de d\u00e9partager des mod\u00e8les th\u00e9oriques concurrents en psychopathologie computationnelle.<\/p>\n De m\u00eame, l’analyse temporelle s\u00e9quentielle s’applique avec une remarquable acuit\u00e9 \u00e0 l’exploration des interactions patient-th\u00e9rapeute au cours d’interventions psychoth\u00e9rapeutiques longitudinales. En quantifiant \u00e0 intervalles r\u00e9guliers l’alliance th\u00e9rapeutique per\u00e7ue par le patient et l’expression de r\u00e9sistances ou de progr\u00e8s symptomatiques rapport\u00e9s au fil des s\u00e9ances, le test de Granger offre un cadre rigoureux pour \u00e9valuer si l’affermissement du lien collaboratif pr\u00e9c\u00e8de chronologiquement la r\u00e9duction des sympt\u00f4mes ou si l’am\u00e9lioration clinique pr\u00e9coce du patient est le moteur principal qui consolide r\u00e9troactivement l’alliance de travail. L’identification de telles dynamiques directionnelles est cruciale pour optimiser la chronologie des interventions th\u00e9rapeutiques et affiner les protocoles de soin personnalis\u00e9s.<\/p>\n La formulation statistique du test de causalit\u00e9 de Granger repose sur la comparaison explicite de deux structures d’hypoth\u00e8ses imbriqu\u00e9es au sein d’un mod\u00e8le d’estimation lin\u00e9aire. L’hypoth\u00e8se nulle, traditionnellement d\u00e9sign\u00e9e par la notation H0, stipule l’absence totale de valeur pr\u00e9dictive incr\u00e9mentale de la variable x sur la variable d\u00e9pendante y. Sous cette hypoth\u00e8se nulle, la prise en compte des observations ant\u00e9rieures de x n’apporte aucune r\u00e9duction statistiquement significative de l’erreur quadratique moyenne de pr\u00e9vision de y, une fois que l’on a d\u00e9j\u00e0 pris en consid\u00e9ration l’ensemble des valeurs pass\u00e9es de y elle-m\u00eame. En termes param\u00e9triques, cela signifie que tous les coefficients associ\u00e9s aux d\u00e9calages temporels de x dans l’\u00e9quation de r\u00e9gression sont conjointement nuls.<\/p>\n \u00c0 l’inverse, l’hypoth\u00e8se alternative, not\u00e9e H1, postule l’existence d’une causalit\u00e9 au sens de Granger allant de x vers y. Selon cette hypoth\u00e8se, au moins un des coefficients de r\u00e9gression associ\u00e9s aux retards temporels de la variable candidate x est significativement diff\u00e9rent de z\u00e9ro, ce qui se traduit empiriquement par un gain mesurable de variance expliqu\u00e9e sur la s\u00e9rie cible y. La mod\u00e9lisation autor\u00e9gressive permet ainsi de tester si la dynamique temporelle pass\u00e9e de x exerce une impulsion d\u00e9terministe ou stochastique sur la trajectoire contemporaine de y. Il convient de souligner que cette hypoth\u00e8se alternative n’implique pas que tous les retards soient simultan\u00e9ment actifs, mais que leur contribution conjointe s’\u00e9carte de la simple fluctuation al\u00e9atoire.<\/p>\n La formalisation du protocole de d\u00e9cision exige la fixation pr\u00e9alable d’un seuil de significativit\u00e9 statistique alpha, g\u00e9n\u00e9ralement \u00e9tabli \u00e0 0,05 ou 0,01 dans les standards de la recherche acad\u00e9mique. Ce seuil quantifie la probabilit\u00e9 maximale acceptable de commettre une erreur de type I, c’est-\u00e0-dire de rejeter \u00e0 tort l’hypoth\u00e8se nulle et de conclure \u00e0 tort \u00e0 l’existence d’une causalit\u00e9 de Granger alors que les variables sont en r\u00e9alit\u00e9 pr\u00e9dictivement ind\u00e9pendantes. Dans le contexte des s\u00e9ries temporelles fortement autocorrel\u00e9es, le risque d’erreur de type I peut \u00eatre massivement gonfl\u00e9 si les propri\u00e9t\u00e9s fondamentales du processus sous-jacent, telles que la stationnarit\u00e9 et l’absence d’autocorr\u00e9lation des r\u00e9sidus, ne sont pas scrupuleusement respect\u00e9es par l’exp\u00e9rimentateur.<\/p>\n L’assise quantitative du test repose sur la confrontation directe de deux sp\u00e9cifications \u00e9conom\u00e9triques embo\u00eet\u00e9es. La premi\u00e8re sp\u00e9cification correspond au mod\u00e8le univari\u00e9 restreint, dans lequel la variable cible y est mod\u00e9lis\u00e9e exclusivement \u00e0 partir de sa propre histoire temporelle. Pour un horizon d’observation donn\u00e9 et un ordre de retard maximal p, l’\u00e9quation autor\u00e9gressive s’\u00e9crit de la mani\u00e8re suivante : la valeur de y \u00e0 l’instant t est \u00e9gale \u00e0 une constante d\u00e9terministe not\u00e9e alpha, \u00e0 laquelle s’ajoute la somme pond\u00e9r\u00e9e de ses p valeurs pass\u00e9es, pond\u00e9r\u00e9es par des coefficients autor\u00e9gressifs r\u00e9els gamma indice i, compl\u00e9t\u00e9e par un terme d’erreur stochastique r\u00e9siduel not\u00e9 epsilon restreint \u00e0 l’instant t.<\/p>\n L’estimation des param\u00e8tres de cette \u00e9quation autor\u00e9gressive est effectu\u00e9e par la m\u00e9thode des moindres carr\u00e9s ordinaires (MCO<\/a>). Sous les hypoth\u00e8ses classiques de stationnarit\u00e9 du processus univari\u00e9, les estimateurs des coefficients gamma sont convergents et asymptotiquement gaussiens. L’objectif fondamental de cette \u00e9tape d’ajustement consiste \u00e0 capturer l’ensemble de l’inertie propre de la s\u00e9rie temporelle cible. En \u00e9purant le signal y de son auto-d\u00e9pendance structurelle, le mod\u00e8le restreint \u00e9tablit une ligne de base de pr\u00e9diction, servant de r\u00e9f\u00e9rence neutre pour quantifier la variance non expliqu\u00e9e par l’historique intrins\u00e8que de la variable d\u00e9pendante.<\/p>\n \u00c0 l’issue de l’estimation par moindres carr\u00e9s ordinaires du mod\u00e8le restreint, on extrait la somme des carr\u00e9s des r\u00e9sidus, d\u00e9sign\u00e9e par l’acronyme RSSR (pour Restricted Residual Sum of Squares<\/em>). Cette somme est calcul\u00e9e en sommant les carr\u00e9s de tous les termes d’erreur r\u00e9siduels du mod\u00e8le restreint sur l’ensemble de la p\u00e9riode d’estimation effective, qui compte T observations apr\u00e8s neutralisation des p premi\u00e8res valeurs initiales n\u00e9cessaires au calage des retards. La variance r\u00e9siduelle associ\u00e9e, calcul\u00e9e en divisant la somme des carr\u00e9s des r\u00e9sidus par les degr\u00e9s de libert\u00e9 r\u00e9siduels correspondants (T moins p moins 1), repr\u00e9sente l’erreur quadratique incompressible de y lorsque seule sa propre trajectoire historique est mobilis\u00e9e pour l’anticipation stochastique.<\/p>\n La seconde \u00e9tape analytique introduit le mod\u00e8le complet, dit non restreint, au sein duquel l’\u00e9quation autor\u00e9gressive univari\u00e9e est enrichie par l’adjonction syst\u00e9matique des d\u00e9calages temporels de la seconde variable stochastique x. L’\u00e9quation de r\u00e9gression bivari\u00e9e postule ainsi que la valeur de y \u00e0 l’instant t est fonction lin\u00e9aire de sa propre constante d’interception, de la somme des p retards de y pond\u00e9r\u00e9s par des coefficients gamma indice i, mais \u00e9galement de la somme des p retards de x pond\u00e9r\u00e9s par un ensemble de coefficients crois\u00e9s b\u00eata indice j, \u00e0 laquelle s’ajoute un nouveau terme d’erreur stochastique r\u00e9siduel not\u00e9 epsilon non restreint \u00e0 l’instant t.<\/p>\n Dans ce mod\u00e8le complet, la structure matricielle des coefficients b\u00eata indice j repr\u00e9sente directement l’impact pr\u00e9dictif marginal de chaque \u00e9tat ant\u00e9rieur de x sur la r\u00e9alisation pr\u00e9sente de y. Les moindres carr\u00e9s ordinaires sont de nouveau mobilis\u00e9s pour r\u00e9soudre simultan\u00e9ment le syst\u00e8me d’\u00e9quations normales et estimer l’ensemble des param\u00e8tres du mod\u00e8le non restreint. Cette op\u00e9ration permet de r\u00e9ajuster simultan\u00e9ment les composantes autor\u00e9gressives propres et les d\u00e9pendances crois\u00e9es, garantissant que tout effet statistique attribu\u00e9 aux d\u00e9calages temporels de x n’est pas simplement un artefact d’une covariance lin\u00e9aire non contr\u00f4l\u00e9e avec le pass\u00e9 r\u00e9cent de y.<\/p>\n De l’estimation de cette sp\u00e9cification bivari\u00e9e non restreinte d\u00e9coule une seconde somme des carr\u00e9s des r\u00e9sidus, d\u00e9sign\u00e9e par l’acronyme RSSU (pour Unrestricted Residual Sum of Squares<\/em>). Par construction g\u00e9om\u00e9trique des projections orthogonales associ\u00e9es \u00e0 la m\u00e9thode des moindres carr\u00e9s ordinaires, l’int\u00e9gration de pr\u00e9dicteurs suppl\u00e9mentaires ne peut jamais accro\u00eetre la somme des carr\u00e9s des erreurs r\u00e9siduelles ; ainsi, RSSU est n\u00e9cessairement inf\u00e9rieure ou \u00e9gale \u00e0 RSSR. L’enjeu probabiliste du test r\u00e9side donc exclusivement dans l’\u00e9valuation de l’amplitude de cette r\u00e9duction : la diminution de la somme des r\u00e9sidus au carr\u00e9 est-elle suffisamment volumineuse pour \u00eatre attribu\u00e9e \u00e0 un apport d’information substantiel plut\u00f4t qu’\u00e0 l’ajustement m\u00e9canique inh\u00e9rent \u00e0 l’augmentation de la dimensionnalit\u00e9 param\u00e9trique du mod\u00e8le ?<\/p>\n Pour arbitrer entre le mod\u00e8le restreint et le mod\u00e8le non restreint, la proc\u00e9dure statistique mobilise le ratio de Fisher-Snedecor, formellement configur\u00e9 pour tester des restrictions lin\u00e9aires conjointes sur un vecteur de param\u00e8tres. La formule de la statistique de test F met directement en concurrence la variation relative des sommes des carr\u00e9s r\u00e9siduels et s’\u00e9nonce comme le rapport entre deux quantit\u00e9s normalis\u00e9es par leurs degr\u00e9s de libert\u00e9 respectifs :<\/p>\n F = [ (RSSR – RSSU) \/ p ] \/ [ RSSU \/ (T – 2p – 1) ]<\/p>\n Dans cette formulation alg\u00e9brique rigoureuse, le num\u00e9rateur quantifie la r\u00e9duction de la somme des carr\u00e9s des r\u00e9sidus permise par l’inclusion des retards de la variable x, divis\u00e9e par le nombre de restrictions lin\u00e9aires impos\u00e9es par l’hypoth\u00e8se nulle, qui correspond exactement au nombre de retards p. Le d\u00e9nominateur correspond \u00e0 la variance r\u00e9siduelle non biais\u00e9e du mod\u00e8le non restreint, calcul\u00e9e en divisant la somme des carr\u00e9s des r\u00e9sidus du mod\u00e8le complet (RSSU) par ses degr\u00e9s de libert\u00e9 d’\u00e9chantillonnage, soit la taille d’\u00e9chantillon effective T minor\u00e9e du nombre total de param\u00e8tres estim\u00e9s dans l’\u00e9quation bivari\u00e9e (une constante, p param\u00e8tres autor\u00e9gressifs propres et p param\u00e8tres crois\u00e9s, soit 2p + 1 coefficients au total).<\/p>\n Sous la validit\u00e9 de l’hypoth\u00e8se nulle H0 stipulant que tous les coefficients b\u00eata sont conjointement \u00e9gaux \u00e0 z\u00e9ro, et sous l’hypoth\u00e8se de normalit\u00e9 et d’ind\u00e9pendance s\u00e9rielle des r\u00e9sidus, cette statistique d’\u00e9chantillonnage suit exactement une loi de Fisher-Snedecor param\u00e9tr\u00e9e par p degr\u00e9s de libert\u00e9 au num\u00e9rateur et T – 2p – 1 degr\u00e9s de libert\u00e9 au d\u00e9nominateur. Lorsque la taille de l’\u00e9chantillon T devient tr\u00e8s grande, le produit de la statistique F par le nombre de degr\u00e9s de libert\u00e9 du num\u00e9rateur p converge asymptotiquement vers une loi du khi-deux \u00e0 p degr\u00e9s de libert\u00e9, ce qui correspond \u00e0 la formulation asymptotique du test de Wald<\/a>. La p-valeur associ\u00e9e \u00e0 la valeur F observ\u00e9e repr\u00e9sente la probabilit\u00e9 d’obtenir une r\u00e9duction au moins aussi importante de l’erreur de pr\u00e9diction sous l’effet du seul hasard d’\u00e9chantillonnage.<\/p>\n L’application valide et l\u00e9gitime du test de causalit\u00e9 au sens de Granger repose sur une exigence statistique absolue et non n\u00e9gociable : les s\u00e9ries temporelles soumises \u00e0 l’analyse doivent obligatoirement satisfaire \u00e0 la condition de stationnarit\u00e9 faible<\/a>, \u00e9galement appel\u00e9e stationnarit\u00e9 au sens large ou stationnarit\u00e9 d’ordre deux. Un processus stochastique est qualifi\u00e9 de faiblement stationnaire si et seulement si ses propri\u00e9t\u00e9s statistiques fondamentales demeurent strictement invariantes au cours du temps. Cela implique, en premier lieu, que l’esp\u00e9rance math\u00e9matique de la s\u00e9rie ne pr\u00e9sente aucune d\u00e9rive syst\u00e9matique et reste rigoureusement constante \u00e0 chaque point de la trajectoire temporelle observ\u00e9e.<\/p>\n En second lieu, la condition de stationnarit\u00e9 exige que la variance de la variable demeure finie et parfaitement constante \u00e0 travers les p\u00e9riodes, excluant tout ph\u00e9nom\u00e8ne d’explosion variance-temps ou de r\u00e9gimes de volatilit\u00e9 instables. Enfin, et il s’agit d’une dimension critique pour les processus autor\u00e9gressifs, l’autocovariance entre deux observations mesur\u00e9es \u00e0 des instants temporels distincts ne doit d\u00e9pendre exclusivement que de l’\u00e9cart chronologique ou d\u00e9calage temporel qui les s\u00e9pare, et non du point absolu dans le temps o\u00f9 cette covariance est calcul\u00e9e. Si l’un de ces trois crit\u00e8res est transgress\u00e9, le processus est qualifi\u00e9 de non stationnaire, ce qui invalide l’ensemble des th\u00e9or\u00e8mes asymptotiques sous-tendant les tests d’inf\u00e9rence lin\u00e9aire.<\/p>\n L’omission de cette v\u00e9rification de stationnarit\u00e9 expose l’analyste au pi\u00e8ge redoutable de la r\u00e9gression fallacieuse, un ph\u00e9nom\u00e8ne magistralement mis en \u00e9vidence par les travaux de George Udny Yule en 1926 et r\u00e9actualis\u00e9 de mani\u00e8re formelle par Clive Granger et Paul Newbold en 1974. En pr\u00e9sence de deux s\u00e9ries temporelles ind\u00e9pendantes pr\u00e9sentant chacune une marche al\u00e9atoire ou une tendance d\u00e9terministe partag\u00e9e, l’ajustement par moindres carr\u00e9s ordinaires engendre artificiellement des coefficients de d\u00e9termination extr\u00eamement \u00e9lev\u00e9s et des statistiques de Student ou de Fisher d\u00e9mesur\u00e9ment significatives. Dans ce cas de figure pathologique, le test de Granger conclura avec une certitude statistique trompeuse \u00e0 l’existence d’une relation de causalit\u00e9 directionnelle, alors que les deux signaux ne partagent qu’une non-stationnarit\u00e9 commune sans le moindre couplage informationnel authentique.<\/p>\n Au-del\u00e0 de la stationnarit\u00e9 globale des processus observ\u00e9s, la m\u00e9canique inf\u00e9rentielle du test de causalit\u00e9 impose des contraintes structurales s\u00e9v\u00e8res sur le comportement des termes d’erreur r\u00e9siduels du mod\u00e8le autor\u00e9gressif bivari\u00e9. L’hypoth\u00e8se fondamentale requiert que les r\u00e9sidus epsilon se comportent comme un bruit blanc gaussien pur. Cette caract\u00e9ristique implique que l’esp\u00e9rance math\u00e9matique conditionnelle des r\u00e9sidus est rigoureusement nulle, que leur distribution pr\u00e9sente une variance constante au fil du temps (homosc\u00e9dasticit\u00e9) et, de fa\u00e7on primordiale, qu’aucune d\u00e9pendance temporelle ne persiste entre les r\u00e9sidus d’\u00e9poques diff\u00e9rentes (absence d’autocorr\u00e9lation s\u00e9rielle).<\/p>\n Lorsque la structure de retard p retenue dans la mod\u00e9lisation autor\u00e9gressive est insuffisante pour \u00e9purer la totalit\u00e9 de la m\u00e9moire du syst\u00e8me stochastique, les perturbations r\u00e9siduelles conservent une corr\u00e9lation s\u00e9rielle interne. Cette autocorr\u00e9lation des r\u00e9sidus contrevient frontalement aux hypoth\u00e8ses du th\u00e9or\u00e8me de Gauss-Markov. Si les estimateurs des coefficients de r\u00e9gression demeurent formellement sans biais, la matrice de variance-covariance des coefficients estim\u00e9s devient quant \u00e0 elle compl\u00e8tement erron\u00e9e et g\u00e9n\u00e9ralement sous-estim\u00e9e. Il en r\u00e9sulte que le calcul de la statistique F de Fisher-Snedecor devient math\u00e9matiquement caduc, provoquant une distorsion majeure des probabilit\u00e9s critiques et une inflation drastique du risque de fausse d\u00e9couverte.<\/p>\n De surcro\u00eet, la survenue d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 conditionnelle, ph\u00e9nom\u00e8ne caract\u00e9ris\u00e9 par une fluctuation temporelle structur\u00e9e de la variance des chocs o\u00f9 des p\u00e9riodes de calme succ\u00e8dent \u00e0 des phases de forte volatilit\u00e9, alt\u00e8re profond\u00e9ment l’exactitude du test standard. Dans de tels contextes, la distribution exacte du ratio F s’\u00e9carte des tables th\u00e9oriques conventionnelles de Snedecor. Il devient alors imp\u00e9ratif d’identifier la pr\u00e9sence potentielle d’effets de type autor\u00e9gressif \u00e0 h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 conditionnelle (effets ARCH) sur les s\u00e9ries de r\u00e9sidus et d’appliquer, le cas \u00e9ch\u00e9ant, des corrections d’erreurs-types h\u00e9t\u00e9rosc\u00e9dastiques et autocorr\u00e9l\u00e9es (matrices robustes de type Newey-West) pour pr\u00e9server la validit\u00e9 de l’inf\u00e9rence causale.<\/p>\n La formulation conventionnelle du test de Granger repose sur le postulat d’une relation de d\u00e9pendance strictement lin\u00e9aire entre les observations contemporaines de la variable cible et les r\u00e9alisations d\u00e9cal\u00e9es dans le temps des variables explicatives. Le mod\u00e8le postule que l’amplitude de la r\u00e9ponse de y \u00e0 une variation unitaire pass\u00e9e de x demeure strictement proportionnelle et identique, quelle que soit la position du syst\u00e8me dans son espace d’\u00e9tat et quelle que soit la magnitude ou la polarit\u00e9 positive ou n\u00e9gative du choc initialement induit par x. Cette restriction math\u00e9matique assure une tractabilit\u00e9 analytique optimale par le recours aux moindres carr\u00e9s ordinaires.<\/p>\n N\u00e9anmoins, ce cadre lin\u00e9aire constitue une approximation simplificatrice qui atteint rapidement ses limites \u00e9pist\u00e9mologiques lorsqu’il est confront\u00e9 aux dynamiques comportementales, physiologiques ou \u00e9cologiques complexes. Dans les syst\u00e8mes vivants et psychologiques, les relations fonctionnelles manifestent fr\u00e9quemment des effets de seuil, des saturations sigmo\u00efdes, de l’hyst\u00e9r\u00e8se ou des bifurcations de r\u00e9gimes qualitatifs. Par exemple, une \u00e9l\u00e9vation mod\u00e9r\u00e9e du niveau de stress peut faciliter la performance attentionnelle, tandis qu’un d\u00e9passement d’un seuil critique entra\u00eene un effondrement brutal des capacit\u00e9s cognitives. Face \u00e0 de tels processus non lin\u00e9aires, le test de causalit\u00e9 lin\u00e9aire de Granger s’av\u00e8re structurellement aveugle : il peut \u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle d’ind\u00e9pendance pr\u00e9dictive alors m\u00eame qu’un lien d\u00e9terministe non lin\u00e9aire puissant r\u00e9git la dynamique conjointe des s\u00e9ries.<\/p>\n Enfin, le mod\u00e8le autor\u00e9gressif standard est caract\u00e9ris\u00e9 par une vuln\u00e9rabilit\u00e9 aigu\u00eb face aux observations aberrantes isol\u00e9es ainsi qu’aux ruptures structurelles temporelles. L’apparition d’un choc exog\u00e8ne soudain ou d’une transition de r\u00e9gime au sein de l’environnement exp\u00e9rimental engendre des perturbations locales d\u00e9mesur\u00e9es qui p\u00e8sent de mani\u00e8re disproportionn\u00e9e sur le calcul de la somme des carr\u00e9s des r\u00e9sidus. Une unique rupture structurelle non mod\u00e9lis\u00e9e dans la moyenne ou la variance d’une s\u00e9rie chronologique peut suffire \u00e0 cr\u00e9er l’illusion statistique d’une causalit\u00e9 de Granger ou, \u00e0 l’inverse, masquer compl\u00e8tement une relation pr\u00e9dictive stable en faussant les estimations des moindres carr\u00e9s.<\/p>\n Dans l’environnement informatique R, l’infrastructure d\u00e9di\u00e9e \u00e0 l’\u00e9valuation formelle des hypoth\u00e8ses lin\u00e9aires en \u00e9conom\u00e9trie temporelle s’articule autour du package fondamental lmtest<\/a> (d\u00e9velopp\u00e9 par Torsten Hothorn, Achim Zeileis, Richard W. Farebrother et Christian Cummins). Cette biblioth\u00e8que constitue la r\u00e9f\u00e9rence m\u00e9thodologique standard pour la r\u00e9alisation de tests diagnostiques appliqu\u00e9s aux mod\u00e8les de r\u00e9gression lin\u00e9aire, offrant un ensemble d’outils statistiques optimis\u00e9s pour interroger la validit\u00e9 des sp\u00e9cifications empiriques face aux violations classiques des hypoth\u00e8ses de mod\u00e9lisation.<\/p>\n Au c\u0153ur du package lmtest figure la fonction native L’un des atouts d\u00e9terminants de l’architecture logicielle de Bien que la fonction issue du package lmtest fournisse l’outil direct d’ex\u00e9cution du test, la conduite m\u00e9thodique d’une recherche causale compl\u00e8te n\u00e9cessite la mobilisation d’un ensemble coh\u00e9rent de packages sp\u00e9cialis\u00e9s. Pour l’\u00e9valuation pr\u00e9liminaire et incontournable des propri\u00e9t\u00e9s de stationnarit\u00e9 des donn\u00e9es, la biblioth\u00e8que tseries<\/a> s’av\u00e8re indispensable. Elle met \u00e0 la disposition de l’utilisateur les routines de test de racine unitaire, en particulier l’impl\u00e9mentation standardis\u00e9e du test augment\u00e9 de Dickey-Fuller et du test de stationnarit\u00e9 KPSS.<\/p>\n Pour d\u00e9passer le cadre bivari\u00e9 simplificateur et aborder l’analyse dynamique multivari\u00e9e, l’int\u00e9gration du package vars<\/a> s’impose comme une n\u00e9cessit\u00e9 technique incontournable. Con\u00e7u par Bernhard Pfaff, ce module constitue le socle le plus puissant de mod\u00e9lisation vectorielle autor\u00e9gressive sous R. Il permet non seulement de s\u00e9lectionner automatiquement la profondeur optimale des retards temporels \u00e0 l’aide de crit\u00e8res d’information stochastiques multivari\u00e9s, mais offre \u00e9galement les outils n\u00e9cessaires pour estimer des syst\u00e8mes VAR complets, calculer des fonctions de r\u00e9ponse impulsionnelle et ex\u00e9cuter des d\u00e9compositions de variance de l’erreur de pr\u00e9vision.<\/p>\n Enfin, la manipulation ergonomique, le nettoyage rigoureux et l’exploration graphique des s\u00e9ries temporelles modernes tirent un profit consid\u00e9rable de la suite tidyverse<\/a>, incluant notamment La reproductibilit\u00e9 computationnelle exige l’\u00e9laboration d’un script d’amorce transparent et d\u00e9terministe, garantissant que l’ensemble des modules requis est identifi\u00e9, install\u00e9 si n\u00e9cessaire et charg\u00e9 dans l’espace de noms de la session de travail sans d\u00e9clencher d’incoh\u00e9rence logicielle. Dans l’\u00e9cosyst\u00e8me R, une bonne pratique de programmation consiste \u00e0 d\u00e9finir un vecteur de cha\u00eenes de caract\u00e8res \u00e9num\u00e9rant les packages essentiels, puis \u00e0 interroger le registre des biblioth\u00e8ques locales pour n’ex\u00e9cuter l’installation que pour les d\u00e9pendances absentes de l’environnement de l’utilisateur.<\/p>\n L’ex\u00e9cution s\u00e9quentielle des commandes R s’articule autour de la syntaxe suivante : on recense les biblioth\u00e8ques indispensables que sont Pour pr\u00e9venir les collisions d’espaces de noms, fr\u00e9quentes lors de l’utilisation simultan\u00e9e de modules de s\u00e9ries temporelles et du tidyverse, il est particuli\u00e8rement conseill\u00e9 d’utiliser les pr\u00e9fixes explicites d’appels de fonction lors de l’acc\u00e8s aux routines critiques. L’analyste averti prendra soin de documenter la version exacte du moteur d’ex\u00e9cution de R ainsi que les num\u00e9ros de version de chaque package mobilis\u00e9 en consignant l’\u00e9tat global du syst\u00e8me gr\u00e2ce \u00e0 la fonction Avant d’engager toute mod\u00e9lisation autor\u00e9gressive sous R, il est imp\u00e9ratif d’\u00e9valuer la r\u00e9gularit\u00e9 structurelle de l’\u00e9chantillonnage temporel des donn\u00e9es recueillies. Le formalisme du test de causalit\u00e9 de Granger repose de mani\u00e8re axiomatique sur l’hypoth\u00e8se d’un intervalle temporel strictement constant s\u00e9parant chaque point de mesure successif (delta t constant). Dans les \u00e9tudes observationnelles, en psychologie \u00e9cologique momentan\u00e9e ou lors de recueil de biomarqueurs, les ruptures de protocole, les non-r\u00e9ponses accidentelles ou les pannes techniques g\u00e9n\u00e8rent fr\u00e9quemment des trous d’\u00e9chantillonnage et des discontinuit\u00e9s temporelles.<\/p>\n La pr\u00e9sence d’observations manquantes (valeurs not\u00e9es NA sous R) brise la contrainte de retard temporel r\u00e9gulier. L’application brute d’un d\u00e9calage temporel d’ordre 1 sur une s\u00e9rie lacunaire associerait arbitrairement deux mesures s\u00e9par\u00e9es en r\u00e9alit\u00e9 par plusieurs heures ou plusieurs jours, introduisant un biais majeur dans l’estimation des coefficients de m\u00e9moire autor\u00e9gressive. L’analyste doit donc imp\u00e9rativement v\u00e9rifier l’absence d’intervalles temporels erratiques. Si des valeurs manquantes isol\u00e9es pars\u00e8ment la s\u00e9rie, des m\u00e9thodes d’imputation adapt\u00e9es aux s\u00e9ries temporelles, telles que l’interpolation par splines cubiques, le lissage par mod\u00e8les d’espace d’\u00e9tat ou l’algorithme du filtre de Kalman disponibles dans le package N\u00e9anmoins, l’imputation artificielle de s\u00e9ries chronologiques comporte des dangers statistiques consid\u00e9rables. Toute proc\u00e9dure d’interpolation math\u00e9matique g\u00e9n\u00e8re par nature une forme de lissage artificiel qui att\u00e9nue la variance intrins\u00e8que des signaux et induit une autocorr\u00e9lation de substitution au sein des r\u00e9sidus d’\u00e9chantillonnage. Si la proportion de donn\u00e9es manquantes d\u00e9passe un seuil critique, g\u00e9n\u00e9ralement estim\u00e9 \u00e0 5 ou 10 pour cent de l’\u00e9chantillon global, les estimations autor\u00e9gressives deviennent tributaires des hypoth\u00e8ses algorithmiques de l’imputation plut\u00f4t que de la dynamique r\u00e9elle des processus \u00e9tudi\u00e9s. Dans une telle situation, il convient d’\u00e9viter l’interpolation et de privil\u00e9gier des d\u00e9coupages par fen\u00eatres stationnaires continues ou des mod\u00e8les autor\u00e9gressifs en temps continu adapt\u00e9s.<\/p>\n Pour que les routines de mod\u00e9lisation chronologique puissent interpr\u00e9ter correctement les d\u00e9pendances temporelles, les donn\u00e9es brutes, classiquement import\u00e9es sous forme de data frame ou de structure tibble rectangulaire, doivent \u00eatre formellement encapsul\u00e9es au sein d’objets temporels natifs. Dans le langage R de base, la fonction canonique Le param\u00e9trage explicite de la fonction Une fois l’objet de classe L’exploration visuelle constitue l’\u00e9tape pr\u00e9liminaire incontournable avant tout d\u00e9ploiement de formalismes quantitatifs. L’\u0153il humain et l’analyse graphique permettent de d\u00e9tecter instantan\u00e9ment des anomalies structurelles profondes que les tests num\u00e9riques globaux peuvent occulter. Sous R, la mobilisation combin\u00e9e des instructions L’examen minutieux de ces graphiques chronologiques vise en premier lieu \u00e0 d\u00e9tecter l’existence manifeste de tendances d\u00e9terministes. Une s\u00e9rie temporelle qui s’\u00e9l\u00e8ve ou d\u00e9cline continuellement sur l’ensemble de la fen\u00eatre d’observation ne poss\u00e8de pas une moyenne constante et viole donc d’embl\u00e9e la condition de stationnarit\u00e9 faible. De m\u00eame, l’inspection permet de d\u00e9celer la pr\u00e9sence de composantes saisonni\u00e8res cycliques, de patterns p\u00e9riodiques ou d’oscillations synchronis\u00e9es susceptibles de g\u00e9n\u00e9rer des covariances m\u00e9caniques illusoires si elles ne sont pas d\u00e9saisonnalis\u00e9es au pr\u00e9alable.<\/p>\n Enfin, le trac\u00e9 chronologique bivari\u00e9 sert \u00e0 rep\u00e9rer d’\u00e9ventuels changements de r\u00e9gime structurel, tels que des transitions brutales de niveau moyen, des d\u00e9calages d’amplitude ou des chocs ponctuels hors normes. Dans les sciences du comportement, de telles discontinuit\u00e9s traduisent souvent des \u00e9v\u00e9nements contextuels majeurs v\u00e9cus par les sujets (prise m\u00e9dicamenteuse soudaine, choc \u00e9motionnel aigu, modification de l’environnement de vie). L’identification graphique de ces ruptures incite le mod\u00e9lisateur \u00e0 d\u00e9limiter des sous-p\u00e9riodes d’analyse homog\u00e8nes ou \u00e0 planifier l’introduction de variables indicatrices muettes (variables muettes d’intervention) au sein du mod\u00e8le \u00e9conom\u00e9trique.<\/p>\n L’inspection visuelle des trajectoires temporelles doit imp\u00e9rativement \u00eatre corrobor\u00e9e par des tests d’hypoth\u00e8se formels destin\u00e9s \u00e0 trancher la question de la pr\u00e9sence ou de l’absence d’une racine unitaire dans le polyn\u00f4me autor\u00e9gressif des s\u00e9ries \u00e9tudi\u00e9es. Le test le plus largement d\u00e9ploy\u00e9 en \u00e9conom\u00e9trie appliqu\u00e9e est le test augment\u00e9 de Dickey-Fuller (ADF test<\/a>). Sous R, sa mise en \u0153uvre standardis\u00e9e s’effectue ais\u00e9ment par l’appel \u00e0 la fonction Le principe math\u00e9matique du test ADF consiste \u00e0 r\u00e9gresser les variations premi\u00e8res de la variable sur son niveau d\u00e9cal\u00e9 d’une p\u00e9riode, en incorporant une constante, \u00e9ventuellement une tendance lin\u00e9aire, ainsi qu’un nombre suffisant de variations d\u00e9cal\u00e9es pour \u00e9purer compl\u00e8tement l’autocorr\u00e9lation des r\u00e9sidus. L’hypoth\u00e8se nulle fondamentale H0 de ce test stipule que le processus stochastique poss\u00e8de une racine unitaire, ce qui \u00e9quivaut \u00e0 affirmer que la s\u00e9rie est non stationnaire (processus int\u00e9gr\u00e9 d’ordre 1, not\u00e9 I(1)). L’hypoth\u00e8se alternative H1 correspond \u00e0 la stationnarit\u00e9 stricte du processus autour d’une moyenne d\u00e9terministe ou d’une tendance lin\u00e9aire.<\/p>\n La r\u00e8gle de d\u00e9cision statistique repose sur l’analyse rigoureuse de la p-valeur g\u00e9n\u00e9r\u00e9e dans la console de sortie de R. Si la probabilit\u00e9 critique rapport\u00e9e par En mati\u00e8re d’inf\u00e9rence temporelle, s’en remettre exclusivement au test ADF expose l’analyste \u00e0 un biais m\u00e9thodologique bien document\u00e9 : la faible puissance statistique du test de Dickey-Fuller en pr\u00e9sence de petits \u00e9chantillons ou face \u00e0 des racines autor\u00e9gressives proches du cercle unit\u00e9 (coefficients autor\u00e9gressifs proches de 0,95 ou 0,99). Pour rem\u00e9dier \u00e0 cette vuln\u00e9rabilit\u00e9, la d\u00e9marche \u00e9conom\u00e9trique moderne pr\u00e9conise une approche de validation crois\u00e9e par l’adjonction syst\u00e9matique du test de Kwiatkowski, Phillips, Schmidt et Shin (test KPSS<\/a>), accessible via la commande La distinction conceptuelle majeure du test KPSS r\u00e9side dans l’inversion d\u00e9lib\u00e9r\u00e9e de la structure des hypoth\u00e8ses stochastiques. Dans le cadre KPSS, l’hypoth\u00e8se nulle H0 postule formellement que la s\u00e9rie temporelle est stationnaire (autour d’un niveau moyen ou d’une tendance d\u00e9terministe), tandis que l’hypoth\u00e8se alternative H1 stipule la pr\u00e9sence d’une racine unitaire non stationnaire. Ce renversement de perspective modifie substantiellement le fardeau de la preuve statistique, permettant de v\u00e9rifier si les donn\u00e9es apportent une \u00e9vidence empirique suffisante pour rejeter formellement l’hypoth\u00e8se de stationnarit\u00e9.<\/p>\n L’exploitation conjointe des deux proc\u00e9dures de test d\u00e9bouche sur une grille de d\u00e9cision robuste :<\/p>\n Lorsque le protocole de v\u00e9rification crois\u00e9e ADF-KPSS \u00e9tablit formellement le caract\u00e8re non stationnaire d’une ou des deux s\u00e9ries chronologiques sous revue, une transformation math\u00e9matique pr\u00e9alable s’av\u00e8re incontournable afin de r\u00e9tablir les conditions d’application de la th\u00e9orie asymptotique des moindres carr\u00e9s. L’outil privil\u00e9gi\u00e9 de stationnarisation face aux processus poss\u00e9dant une racine unitaire stochastique consiste \u00e0 appliquer l’op\u00e9rateur de diff\u00e9renciation premi\u00e8re, mat\u00e9rialis\u00e9 sous l’environnement R par la fonction native La diff\u00e9renciation premi\u00e8re consiste \u00e0 soustraire \u00e0 chaque observation temporelle la valeur prise par la s\u00e9rie \u00e0 l’instant imm\u00e9diatement ant\u00e9rieur. Cette op\u00e9ration filtre efficacement la m\u00e9moire persistante d’une marche al\u00e9atoire et neutralise toute tendance lin\u00e9aire d\u00e9terministe pr\u00e9sente dans le niveau du signal. Si une s\u00e9rie brute n\u00e9cessite une seule diff\u00e9renciation pour que son comportement devienne stationnaire au sens large, elle est class\u00e9e dans la cat\u00e9gorie des processus int\u00e9gr\u00e9s d’ordre un, d\u00e9sign\u00e9e par la nomenclature I(1). La s\u00e9rie transform\u00e9e issue de Apr\u00e8s application de la transformation par l’op\u00e9rateur Le calibrage du param\u00e8tre d\u00e9sign\u00e9 par la variable order<\/em> ou retard p dans la mod\u00e9lisation autor\u00e9gressive repr\u00e9sente la d\u00e9cision m\u00e9thodologique la plus strat\u00e9gique et la plus d\u00e9licate qui incombe \u00e0 l’analyste. Ce param\u00e8tre quantifie l’horizon temporel sur lequel la m\u00e9moire pass\u00e9e du syst\u00e8me est interrog\u00e9e pour pr\u00e9dire les r\u00e9alisations futures. Un choix inad\u00e9quat de cette profondeur temporelle entra\u00eene des d\u00e9gradations s\u00e9v\u00e8res de la validit\u00e9 inf\u00e9rentielle du test de causalit\u00e9.<\/p>\n D’une part, la sous-param\u00e9trisation du retard, qui consiste \u00e0 retenir une valeur de p inf\u00e9rieure \u00e0 la dur\u00e9e r\u00e9elle de l’effet dynamique sous-jacent, induit un biais de variable omise. En tronquant arbitrairement la m\u00e9moire stochastique du processus, le mod\u00e8le autor\u00e9gressif \u00e9choue \u00e0 absorber la totalit\u00e9 de l’autocorr\u00e9lation interne du signal. Cette m\u00e9moire r\u00e9siduelle non mod\u00e9lis\u00e9e se d\u00e9verse directement dans les termes d’erreur, provoquant une autocorr\u00e9lation s\u00e9rielle des r\u00e9sidus qui d\u00e9truit la validit\u00e9 de la statistique F de Fisher et majore artificiellement le risque de d\u00e9tection de causalit\u00e9s fallacieuses.<\/p>\n D’autre part, la sur-param\u00e9trisation, qui se caract\u00e9rise par la s\u00e9lection d’un nombre de retards temporellement excessif, p\u00e9nalise lourdement la parcimonie et la pr\u00e9cision statistique du mod\u00e8le. L’introduction de chaque retard suppl\u00e9mentaire requiert l’estimation d’un coefficient suppl\u00e9mentaire pour y et d’un coefficient suppl\u00e9mentaire pour x, consommant deux degr\u00e9s de libert\u00e9 au sein de l’\u00e9chantillon fini disponible. Cette dispersion inutile de la puissance d’\u00e9chantillonnage gonfle m\u00e9caniquement la variance des estimateurs par moindres carr\u00e9s ordinaires, diluant la significativit\u00e9 des coefficients crois\u00e9s pertinents et augmentant consid\u00e9rablement le risque de commettre une erreur de type II (incapacit\u00e9 \u00e0 d\u00e9tecter une causalit\u00e9 pourtant bien r\u00e9elle au niveau populationnel).<\/p>\n Pour d\u00e9passer l’arbitraire d’un choix subjectif de la profondeur de d\u00e9calage, la th\u00e9orie statistique moderne s’appuie sur l’optimisation math\u00e9matique de crit\u00e8res d’information stochastiques. Ces m\u00e9triques \u00e9valuent le compromis quantitatif entre la qualit\u00e9 d’ajustement empirique du mod\u00e8le aux donn\u00e9es observ\u00e9es (mesur\u00e9e par la maximisation de la vraisemblance ou la minimisation de la somme des carr\u00e9s des r\u00e9sidus) et une p\u00e9nalit\u00e9 formelle index\u00e9e sur la complexit\u00e9 param\u00e9trique du mod\u00e8le (le nombre total de coefficients estim\u00e9s).<\/p>\n Le crit\u00e8re le plus largement document\u00e9 est le crit\u00e8re d’information d’Akaike (AIC<\/a>). Fond\u00e9 sur la minimisation de la divergence de Kullback-Leibler, l’AIC applique une p\u00e9nalit\u00e9 mod\u00e9r\u00e9e proportionnelle \u00e0 deux fois le nombre de param\u00e8tres estim\u00e9s. En cons\u00e9quence, l’AIC tend \u00e0 privil\u00e9gier la performance de pr\u00e9diction pure et tol\u00e8re des structures de retards relativement amples, au risque d’une l\u00e9g\u00e8re sur-param\u00e9trisation dans les contextes d’\u00e9chantillons volumineux. \u00c0 l’oppos\u00e9, le crit\u00e8re d’information bay\u00e9sien de Schwarz (BIC<\/a> ou SC) applique une p\u00e9nalisation logarithmique rigoureuse index\u00e9e sur la taille d’\u00e9chantillon T (p\u00e9nalit\u00e9 proportionnelle au produit du nombre de param\u00e8tres par le logarithme n\u00e9p\u00e9rien de T). Le crit\u00e8re BIC est asymptotiquement convergent et favorise des mod\u00e8les extr\u00eamement parcimonieux, convenant particuli\u00e8rement aux \u00e9chantillons larges.<\/p>\n Entre ces deux approches figure le crit\u00e8re de Hannan-Quinn (HQ), dont la p\u00e9nalit\u00e9 s’\u00e9tablit selon une formule logarithmique double, offrant un compromis robuste entre l’optimisme relatif de l’AIC et l’aust\u00e9rit\u00e9 contraignante du BIC. Dans les \u00e9chantillons de taille modeste fr\u00e9quemment rencontr\u00e9s dans la recherche comportementale ou les \u00e9tudes longitudinales intensives, il est classique que ces crit\u00e8res proposent des ordres de retards l\u00e9g\u00e8rement divergents. L’analyste rigoureux arbitre g\u00e9n\u00e9ralement en faveur de la structure la plus parcimonieuse (guid\u00e9e par le BIC) d\u00e8s lors que les r\u00e9sidus associ\u00e9s sont exempts d’autocorr\u00e9lation, ou adopte une approche d’analyse de sensibilit\u00e9 explorant la stabilit\u00e9 du test de Granger sous les diff\u00e9rents ordres recommand\u00e9s.<\/p>\n Dans l’environnement computationnel de R, l’identification automatis\u00e9e de la structure optimale de retard pour un syst\u00e8me multivari\u00e9 ou bivari\u00e9 est grandement facilit\u00e9e par la commande La mise en \u0153uvre pratique d\u00e9bute par l’assemblage matriciel des deux s\u00e9ries chronologiques stationnaris\u00e9es, r\u00e9alis\u00e9 au moyen de l’instruction L’ex\u00e9cution de cette fonction renvoie une structure de donn\u00e9es contenant deux \u00e9l\u00e9ments d’une grande clart\u00e9 diagnostique : une matrice d\u00e9taill\u00e9e affichant les valeurs num\u00e9riques prises par les crit\u00e8res AIC, HQ, SC (BIC) et FPE (erreur de pr\u00e9diction finale) pour chaque valeur de d\u00e9calage explor\u00e9e, et un vecteur synth\u00e9tique d\u00e9sign\u00e9 par La fonction Alternativement, la fonction accepte une syntaxe directe sous forme de passage de deux arguments vectoriels ind\u00e9pendants : L’argument num\u00e9rique Pour illustrer de mani\u00e8re totalement transparente et d\u00e9terministe le d\u00e9roulement de la s\u00e9quence computationnelle compl\u00e8te, consid\u00e9rons la g\u00e9n\u00e9ration d’un syst\u00e8me dynamique simul\u00e9 au sein duquel une d\u00e9pendance causale unidirectionnelle d’ordre 2 est explicitement inject\u00e9e. L’initialisation du g\u00e9n\u00e9rateur congruentiel de nombres pseudo-al\u00e9atoires via l’instruction Consid\u00e9rons la s\u00e9quence d’instructions suivante, d\u00e9crite ici de mani\u00e8re s\u00e9quentielle et rigoureuse :<\/p>\n En premier lieu, l’exp\u00e9rimentateur g\u00e9n\u00e8re un vecteur d’innovations stochastiques gaussiennes ind\u00e9pendantes pour une variable x sur une longueur de 300 pas de temps. La variable x est configur\u00e9e pour suivre un processus autor\u00e9gressif univari\u00e9 stable d’ordre 1, o\u00f9 la valeur contemporaine de x d\u00e9pend \u00e0 hauteur de 0,6 de sa valeur imm\u00e9diatement ant\u00e9rieure, augment\u00e9e d’un terme d’al\u00e9a pur. En second lieu, une variable y est g\u00e9n\u00e9r\u00e9e en d\u00e9finissant sa valeur \u00e0 l’instant t comme une fonction lin\u00e9aire de ses propres retards (auto-d\u00e9pendance de 0,4 au retard 1), \u00e0 laquelle s’ajoute de mani\u00e8re causale l’influence explicite de la variable x au retard 2 (avec un coefficient de transmission de 0,55), augment\u00e9e de son propre terme de bruit blanc ind\u00e9pendant.<\/p>\n Les deux s\u00e9ries stationnaires ainsi g\u00e9n\u00e9r\u00e9es sont regroup\u00e9es au sein d’une matrice ou d’un data frame standard. L’analyste invoque ensuite les packages L’ex\u00e9cution de la commande Le corps du r\u00e9sultat se structure sous la forme d’un tableau comparatif \u00e0 deux lignes, confrontant directement le Mod\u00e8le 1 (Model 1<\/em>) et le Mod\u00e8le 2 (Model 2<\/em>) :<\/p>\n Pour chacune de ces deux sp\u00e9cifications, le tableau rapporte deux grandeurs m\u00e9trologiques fondamentales :<\/p>\n La formulation de la conclusion statistique repose sur l’application rigoureuse du cadre formel d’inf\u00e9rence de Neyman-Pearson. L’analyste confronte la p-valeur (colonne Le rejet de l’hypoth\u00e8se nulle autorise \u00e0 \u00e9noncer que la variable candidate x \u00ab cause au sens de Granger \u00bb la variable d\u00e9pendante y au seuil de risque consid\u00e9r\u00e9. Cette d\u00e9cision atteste que la contribution informationnelle des p valeurs pass\u00e9es de x surpasse les simples fluctuations al\u00e9atoires propres \u00e0 l’\u00e9chantillonnage, fournissant un avantage syst\u00e9matique pour r\u00e9duire la variance des r\u00e9sidus d’anticipation de la s\u00e9rie cible.<\/p>\n \u00c0 l’inverse, si la probabilit\u00e9 critique rapport\u00e9e est strictement sup\u00e9rieure \u00e0 0,05, la d\u00e9cision m\u00e9thodologique s’\u00e9nonce en termes d’\u00e9chec au rejet de l’hypoth\u00e8se nulle. Il est \u00e9pist\u00e9mologiquement crucial de rappeler que l’\u00e9chec au rejet de H0 ne constitue en aucun cas une d\u00e9monstration formelle de l’absence totale d’influence de x sur y. Conform\u00e9ment \u00e0 l’adage fondamental de Carl Sagan, \u00ab l’absence de preuve n’est pas la preuve de l’absence \u00bb. Cet \u00e9chec au rejet signifie simplement que, dans le cadre strict du mod\u00e8le lin\u00e9aire autor\u00e9gressif test\u00e9, au niveau de retard p s\u00e9lectionn\u00e9 et compte tenu de la puissance de l’\u00e9chantillon fini disponible, les donn\u00e9es ne permettent pas de mettre en \u00e9vidence un gain de pr\u00e9vision statistiquement concluant.<\/p>\n Une fois la sentence statistique arr\u00eat\u00e9e, l’analyste doit imp\u00e9rativement traduire ce r\u00e9sultat dans le champ conceptuel de la discipline scientifique dans laquelle s’ancre la recherche. Cette contextualisation substantielle exige une discipline s\u00e9mantique sans faille. Il est imp\u00e9ratif d’\u00e9viter le raccourci intellectuel consistant \u00e0 proclamer sans nuance que \u00ab x cause y \u00bb. La formulation scientifiquement exacte impose d’affirmer que \u00ab les trajectoires ant\u00e9rieures de la variable x procurent une valeur pr\u00e9dictive incr\u00e9mentale statistiquement significative quant aux r\u00e9alisations futures de la variable y, au-del\u00e0 de l’information d\u00e9j\u00e0 encapsul\u00e9e dans l’histoire propre de y \u00bb.<\/p>\n Par ailleurs, la d\u00e9marche d’interpr\u00e9tation moderne ne saurait se cantonner \u00e0 la seule \u00e9valuation de la p-valeur, dont la petitesse peut \u00eatre un simple sous-produit m\u00e9canique d’une taille d’\u00e9chantillon massive. L’analyste m\u00e9ticuleux \u00e9value syst\u00e9matiquement la taille de l’effet stochastique sous-jacent. Cette \u00e9valuation s’appuie sur la quantification du gain relatif de variance r\u00e9siduelle, mesur\u00e9 par la variation proportionnelle de la somme des carr\u00e9s des r\u00e9sidus entre le mod\u00e8le restreint et le mod\u00e8le complet, assimilable \u00e0 un coefficient de d\u00e9termination partiel (R-deux partiel). Un test de Granger peut afficher une significativit\u00e9 extr\u00eame (p < 0,001) dans un \u00e9chantillon de 50 000 observations tout en ne r\u00e9duisant l’erreur de pr\u00e9vision que d’une fraction marginale de 0,2 %, ce qui indique une port\u00e9e pratique ou clinique quasi n\u00e9gligeable du ph\u00e9nom\u00e8ne pr\u00e9dictif.<\/p>\n Cette distinction est particuli\u00e8rement pr\u00e9gnante en psychologie et en psychiatrie computationnelle. Mettre en \u00e9vidence que des oscillations du niveau de cortisol salivaire causent au sens de Granger des fluctuations de l’humeur d\u00e9pressive ne prouve aucunement que le cortisol constitue la cause mol\u00e9culaire unique ou dominante du syndrome d\u00e9pressif. Ce r\u00e9sultat atteste simplement d’un couplage temporel directionnel observable au sein du flux de donn\u00e9es, constituant un indice empirique solide pour orienter des recherches exp\u00e9rimentales plus interventionnistes (par exemple des protocoles d’administration pharmacologique contr\u00f4l\u00e9e avec randomisation contrefactuelle).<\/p>\n La communication des r\u00e9sultats au sein d’articles soumis \u00e0 des revues acad\u00e9miques \u00e0 comit\u00e9 de lecture doit se conformer aux standards de transparence et de rigueur formelle, notamment ceux \u00e9dict\u00e9s par l’American Psychological Association<\/a> (normes APA, 7e \u00e9dition). La r\u00e9daction doit expliciter sans \u00e9quivoque l’ensemble des param\u00e8tres m\u00e9trologiques ayant gouvern\u00e9 l’inf\u00e9rence : l’indication explicite de la stationnarisation pr\u00e9alable des s\u00e9ries, l’ordre de retard retenu (p), la statistique F exacte, les degr\u00e9s de libert\u00e9 r\u00e9siduels des deux mod\u00e8les compar\u00e9s, la valeur pr\u00e9cise de la p-valeur ainsi qu’une mesure de l’ampleur de l’effet.<\/p>\n Un mod\u00e8le de r\u00e9daction acad\u00e9mique standardis\u00e9 peut \u00eatre formul\u00e9 de la fa\u00e7on suivante :<\/p>\n \u00ab Afin d’examiner la directionnalit\u00e9 temporelle liant la variabilit\u00e9 de la fr\u00e9quence cardiaque (VFC) et le niveau d’anxi\u00e9t\u00e9 subjective auto-rapport\u00e9, un test de causalit\u00e9 au sens de Granger a \u00e9t\u00e9 appliqu\u00e9 sur les s\u00e9ries chronologiques stationnaris\u00e9es en diff\u00e9rences premi\u00e8res. L’ordre optimal de d\u00e9calage temporel a \u00e9t\u00e9 pr\u00e9alablement calibr\u00e9 \u00e0 p = 2 sur la base de la minimisation conjointe des crit\u00e8res d’information d’Akaike (AIC) et bay\u00e9sien de Schwarz (BIC). L’analyse de variance comparant le mod\u00e8le autor\u00e9gressif univari\u00e9 restreint et le mod\u00e8le bivari\u00e9 complet r\u00e9v\u00e8le un apport pr\u00e9dictif incr\u00e9mental significatif de la VFC pass\u00e9e sur la trajectoire contemporaine de l’anxi\u00e9t\u00e9, F(2, 293) = 8,42, p < 0,001, delta RSS = 5,44 %. Les fluctuations ant\u00e9rieures du tonus vagal permettent ainsi d’anticiper de mani\u00e8re statistiquement significative l’aggravation ou l’att\u00e9nuation subs\u00e9quente des affects anxieux, confirmant l’hypoth\u00e8se d’une ant\u00e9riorit\u00e9 temporelle de la r\u00e9gulation autonome sur l’exp\u00e9rience \u00e9motionnelle consciente. \u00bb<\/em><\/p>\n Une telle formalisation textuelle procure \u00e0 la communaut\u00e9 scientifique une visibilit\u00e9 totale sur la cha\u00eene de traitement inf\u00e9rentielle, permettant une r\u00e9plication imm\u00e9diate des constats empiriques et une int\u00e9gration rigoureuse des donn\u00e9es au sein de futures m\u00e9ta-analyses.<\/p>\n L’une des limites fondamentales de l’ex\u00e9cution isol\u00e9e de la commande Cette d\u00e9marche bidirectionnelle exhaustive d\u00e9bouche sur une typologie quadruple des configurations stochastiques :<\/p>\n L’identification de boucles de r\u00e9troaction temporelle rev\u00eat une importance conceptuelle majeure dans le champ de la psychopathologie computationnelle et de la th\u00e9orie des r\u00e9seaux de sympt\u00f4mes. De nombreux troubles mentaux, tels que le cercle vicieux de l’insomnie et de l’anxi\u00e9t\u00e9, s’auto-entretiennent pr\u00e9cis\u00e9ment sous la forme de causalit\u00e9s r\u00e9ciproques circulaires. Dans de telles architectures dynamiques, l’analyse unilat\u00e9rale est r\u00e9ductrice, et seule la caract\u00e9risation formelle de la double causalit\u00e9 permet de capturer l’essence hom\u00e9ostatique ou d\u00e9stabilisatrice du syst\u00e8me clinique observ\u00e9.<\/p>\n Lorsque la pr\u00e9sence de causalit\u00e9s r\u00e9ciproques ou l’ambition de mod\u00e9liser plus de deux variables temporelles simultan\u00e9ment est av\u00e9r\u00e9e, l’approche s\u00e9quentielle par \u00e9quations isol\u00e9es atteint ses limites. Il devient indispensable de basculer vers le formalisme unifi\u00e9 de la mod\u00e9lisation vectorielle autor\u00e9gressive (mod\u00e8le VAR<\/a>). Sous R, ce saut qualitatif est orchestr\u00e9 par la fonction La fonction Une fois le mod\u00e8le vectoriel ajust\u00e9, le package Si le test de causalit\u00e9 de Granger indique avec pr\u00e9cision l’existence d’une influence pr\u00e9dictive significative et en identifie la directionnalit\u00e9, il reste silencieux sur deux questions empiriques majeures : quel est le signe qualitatif (positif ou n\u00e9gatif) de cette influence, et quel est son profil d’amortissement ou de propagation \u00e0 travers le temps ? Pour r\u00e9pondre \u00e0 ces interrogations, la mod\u00e9lisation VAR s’enrichit de deux outils post-estimatoires essentiels : les fonctions de r\u00e9ponse impulsionnelle (Impulse Response Functions<\/a>, IRF) et la d\u00e9composition de la variance de l’erreur de pr\u00e9vision (FEVD<\/a>).<\/p>\n Sous le package En compl\u00e9ment, la d\u00e9composition de variance de l’erreur de pr\u00e9vision, mobilis\u00e9e via l’instruction L’estimation d’un mod\u00e8le autor\u00e9gressif bivari\u00e9 ou multivari\u00e9 ne peut \u00eatre consid\u00e9r\u00e9e comme valide sur le plan inf\u00e9rentiel tant que ses termes d’erreurs r\u00e9siduels n’ont pas subi une batterie compl\u00e8te d’examens diagnostiques post-estimation. Le diagnostic le plus critique porte sur l’ind\u00e9pendance s\u00e9rielle des r\u00e9sidus. Si les erreurs d’ajustement manifestent une corr\u00e9lation temporelle interne, les degr\u00e9s de libert\u00e9 r\u00e9els sont viol\u00e9s et les valeurs p associ\u00e9es au test de Granger deviennent artificiellement optimistes.<\/p>\n Au sein du package Si la p-valeur g\u00e9n\u00e9r\u00e9e par Un deuxi\u00e8me angle mort diagnostique fr\u00e9quemment n\u00e9glig\u00e9 concerne l’homosc\u00e9dasticit\u00e9 de la variance des r\u00e9sidus d’\u00e9chantillonnage. Dans de nombreuses s\u00e9ries chronologiques, en particulier celles mesurant des r\u00e9activit\u00e9s physiologiques ou des tensions affectives, les r\u00e9sidus pr\u00e9sentent fr\u00e9quemment des grappes de volatilit\u00e9 o\u00f9 la variance instantan\u00e9e des chocs d\u00e9pend de l’amplitude des chocs pass\u00e9s. Cette structure caract\u00e9rise la pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 autor\u00e9gressive conditionnelle (effets ARCH<\/a>).<\/p>\n La d\u00e9tection de ces effets sous R s’ex\u00e9cute \u00e0 l’aide de la fonction Face \u00e0 une confirmation d’effets ARCH au sein des r\u00e9sidus, l’analyste doit imp\u00e9rativement consolider son inf\u00e9rence causale. Dans le cadre univari\u00e9 sous L’estimation autor\u00e9gressive repose implicitement sur l’hypoth\u00e8se forte de stationnarit\u00e9 structurelle : les coefficients de d\u00e9pendance dynamique (les param\u00e8tres gamma et b\u00eata) sont suppos\u00e9s constants et immuables d’un bout \u00e0 l’autre de la p\u00e9riode temporelle couverte par l’\u00e9chantillon. Si un \u00e9v\u00e9nement exog\u00e8ne, une r\u00e9organisation institutionnelle ou un virage comportemental modifie en profondeur la dynamique relationnelle liant les s\u00e9ries au cours de l’\u00e9tude, l’estimation globale d’un unique jeu de param\u00e8tres devient invalide et produit une moyenne spatio-temporelle artificielle d\u00e9pourvue de sens physique.<\/p>\n Pour certifier la permanence de la relation causale \u00e0 travers le temps, l’environnement R offre les outils de la biblioth\u00e8que sp\u00e9cialis\u00e9e strucchange<\/a> (d\u00e9velopp\u00e9e par Achim Zeileis et coll\u00e8gues). L’une des m\u00e9thodes les plus robustes repose sur le test des sommes cumul\u00e9es des r\u00e9sidus r\u00e9cursifs, universellement d\u00e9sign\u00e9 sous l’acronyme de test CUSUM. Accessible via la commande L’exploitation graphique de l’objet CUSUM via l’instruction Le risque \u00e9pist\u00e9mologique le plus d\u00e9vastateur qui p\u00e8se sur l’interpr\u00e9tation d’un test de causalit\u00e9 au sens de Granger bivari\u00e9 r\u00e9side dans le probl\u00e8me de la variable tierce omise, fr\u00e9quemment d\u00e9sign\u00e9 sous le terme de causalit\u00e9 fallacieuse par facteur de confusion dynamique (spurious causality<\/em>). Dans un syst\u00e8me bivari\u00e9 restreint aux seules s\u00e9ries x et y, la pr\u00e9sence d’une pr\u00e9dictibilit\u00e9 temporelle apparente de x sur y peut \u00eatre enti\u00e8rement provoqu\u00e9e par l’action asynchrone d’une troisi\u00e8me variable sous-jacente non mesur\u00e9e, not\u00e9e z, qui pilote simultan\u00e9ment les deux signaux avec des constantes de temps diff\u00e9rentes.<\/p>\n Consid\u00e9rons une illustration comportementale et chronobiologique \u00e9loquente : supposons que l’on \u00e9tudie \u00e0 tr\u00e8s haute fr\u00e9quence temporelle le niveau d’\u00e9veil cognitif ou attentionnel (variable y) et la temp\u00e9rature corporelle centrale (variable x). Un test de Granger bivari\u00e9 r\u00e9v\u00e9lera indubitablement que les variations thermiques corporelles devancent chronologiquement et causent au sens de Granger les variations de l’attention. Pourtant, la temp\u00e9rature ne constitue aucunement le moteur causal direct de la cognition ; c’est le rythme circadien sous-jacent pilot\u00e9 par l’horloge biologique suprachiasmatique (variable tierce z) qui synchronise les deux param\u00e8tres, en modulant la thermor\u00e9gulation avec une latence plus courte que l’activation du cortex pr\u00e9frontal.<\/p>\n Pour pr\u00e9munir l’analyse contre cette fausse causalit\u00e9 syst\u00e9mique, la recommandation m\u00e9thodologique moderne impose d’\u00e9largir autant que possible le cadre d’analyse vers des mod\u00e9lisations vectorielles autor\u00e9gressives (VAR) multivari\u00e9es int\u00e9grant l’ensemble des covariables contextuelles majeures identifi\u00e9es par la th\u00e9orie substantive du domaine. En contr\u00f4lant simultan\u00e9ment les ant\u00e9riorit\u00e9s temporelles des facteurs d’ambiance, des cycles circadiens, des m\u00e9dications et des \u00e9v\u00e9nements environnementaux, le chercheur \u00ab conditionne \u00bb le test de Granger sur un ensemble informationnel Omega bien plus dense, limitant substantiellement le risque d’\u00e9riger une simple avance de phase descriptive en un couplage causal authentique.<\/p>\n La validit\u00e9 des conclusions issues d’un test de causalit\u00e9 de Granger d\u00e9pend de fa\u00e7on intrins\u00e8que et \u00e9troite de l’ad\u00e9quation existant entre la vitesse cin\u00e9tique r\u00e9elle du ph\u00e9nom\u00e8ne investigu\u00e9 et la fr\u00e9quence d’\u00e9chantillonnage empirique \u00e0 laquelle les mesures sont relev\u00e9es dans le temps. L’asym\u00e9trie temporelle selon Granger n’est mesurable que si la discr\u00e9tisation du temps op\u00e9r\u00e9e par le dispositif de mesure est capable de capter la propagation s\u00e9quentielle de l’onde causale.<\/p>\n Le premier \u00e9cueil majeur r\u00e9side dans le biais d’agr\u00e9gation temporelle. Lorsqu’un processus causal op\u00e8re \u00e0 une \u00e9chelle temporelle fine (par exemple, une r\u00e9action neurophysiologique qui se d\u00e9ploie en quelques fractions de seconde ou quelques minutes) alors que le protocole de recueil agr\u00e8ge ou moyenne les observations \u00e0 une maille trop large (par exemple des agr\u00e9gats journaliers ou hebdomadaires), la dynamique s\u00e9quentielle sous-jacente est math\u00e9matiquement effac\u00e9e. \u00c0 l’\u00e9chelle macroscopique r\u00e9sultante, la causalit\u00e9 r\u00e9elle \u00e0 haute fr\u00e9quence se dissout et se transforme artificiellement en une corr\u00e9lation contemporaine instantan\u00e9e au sein de la m\u00eame p\u00e9riode d’observation, interdisant tout rejet de l’hypoth\u00e8se nulle du test de Granger classique.<\/p>\n Le second p\u00e9ril, encore plus insidieux, est celui de l’inversion fallacieuse du sens causal par sous-\u00e9chantillonnage (ph\u00e9nom\u00e8ne de repliement de spectre ou d’aliasing causal). Comme l’ont d\u00e9montr\u00e9 plusieurs travaux th\u00e9oriques en \u00e9conom\u00e9trie temporelle, \u00e9chantillonner un syst\u00e8me dynamique continu \u00e0 des intervalles trop distendus peut engendrer une distorsion de phase telle que la s\u00e9rie source appara\u00eet math\u00e9matiquement en retard sur la s\u00e9rie cible dans les donn\u00e9es discr\u00e9tis\u00e9es, inversant de mani\u00e8re spectaculaire le sens de la causalit\u00e9 de Granger dans la console du logiciel statistique. La d\u00e9finition de l’intervalle de recueil delta t doit par cons\u00e9quent \u00eatre m\u00e9ticuleusement fond\u00e9e sur des consid\u00e9rations th\u00e9oriques et biom\u00e9caniques rigoureuses pr\u00e9alablement \u00e0 toute campagne d’acquisition de donn\u00e9es.<\/p>\n Pour garantir la rigueur, l’int\u00e9grit\u00e9 et la reproductibilit\u00e9 des analyses de causalit\u00e9 de Granger au sein de la communaut\u00e9 scientifique, l’ensemble de la d\u00e9marche empirique sous R doit se conformer \u00e0 un protocole standardis\u00e9 strict et s\u00e9quentiel. Ce protocole peut \u00eatre synth\u00e9tis\u00e9 sous la forme d’une cha\u00eene de d\u00e9cision analytique int\u00e9gr\u00e9e :<\/p>\n En observant scrupuleusement ces imp\u00e9ratifs m\u00e9thodologiques, l’analyste transforme le test de causalit\u00e9 au sens de Granger sous R en un instrument d’investigation d’une remarquable puissance descriptive, capable d’\u00e9clairer la dynamique temporelle fine des ph\u00e9nom\u00e8nes complexes tout en conservant une stricte lucidit\u00e9 \u00e9pist\u00e9mologique sur la nature pr\u00e9dictive et non d\u00e9terministe de la causalit\u00e9 statistique ainsi caract\u00e9ris\u00e9e.<\/p>\n1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques de la causalit\u00e9 au sens de Granger<\/h2>\n
1.1 D\u00e9finition op\u00e9rationnelle de la pr\u00e9dictibilit\u00e9 temporelle<\/h3>\n
1.2 Pertinence m\u00e9thodologique en sciences du comportement et psychologie<\/h3>\n
1.3 Formalisation des hypoth\u00e8ses nulle et alternative<\/h3>\n
2. Cadre math\u00e9matique et mod\u00e9lisation autor\u00e9gressive<\/h2>\n
2.1 Sp\u00e9cification du mod\u00e8le autor\u00e9gressif univari\u00e9 restreint<\/h3>\n
2.2 Sp\u00e9cification du mod\u00e8le autor\u00e9gressif bivari\u00e9 non restreint<\/h3>\n
2.3 La statistique de test F et distribution d’\u00e9chantillonnage<\/h3>\n
3. Pr\u00e9requis fondamentaux pour l’analyse des s\u00e9ries temporelles<\/h2>\n
3.1 La condition primordiale de stationnarit\u00e9 faible<\/h3>\n
3.2 Homosc\u00e9dasticit\u00e9 et ind\u00e9pendance s\u00e9rielle des perturbations<\/h3>\n
3.3 Lin\u00e9arit\u00e9 de la relation dynamique sous-jacente<\/h3>\n
4. Configuration de l’\u00e9cosyst\u00e8me R et biblioth\u00e8ques requises<\/h2>\n
4.1 Pr\u00e9sentation du package central lmtest<\/h3>\n
grangertest()<\/code>, sp\u00e9cifiquement con\u00e7ue pour ex\u00e9cuter avec une efficacit\u00e9 computationnelle maximale le test bivari\u00e9 d’ant\u00e9riorit\u00e9 pr\u00e9dictive selon le formalisme de Fisher-Snedecor. Cette routine encapsule de mani\u00e8re transparente l’ajustement du mod\u00e8le autor\u00e9gressif bivari\u00e9 complet, l’estimation conjointe du mod\u00e8le univari\u00e9 restreint, l’extraction syst\u00e9matique des r\u00e9sidus d’estimation et le calcul pr\u00e9cis du ratio F associ\u00e9 \u00e0 sa probabilit\u00e9 critique sous l’hypoth\u00e8se nulle d’absence de causalit\u00e9 informationnelle.<\/p>\ngrangertest()<\/code> r\u00e9side dans son interop\u00e9rabilit\u00e9 universelle avec les structures de donn\u00e9es s\u00e9quentielles de R. La fonction est capable de traiter sans alt\u00e9ration structurelle aussi bien les objets chronologiques de base de type ts<\/code> que les structures temporelles avanc\u00e9es manipul\u00e9es via les biblioth\u00e8ques zoo<\/code> (sp\u00e9cialis\u00e9e dans les s\u00e9ries ordonn\u00e9es r\u00e9guli\u00e8res et irr\u00e9guli\u00e8res) et xts<\/code> (structure de s\u00e9ries chronologiques extensibles). Cette flexibilit\u00e9 facilite grandement l’incorporation de l’\u00e9valuation causale au sein de pipelines de traitement de donn\u00e9es pr\u00e9existants.<\/p>\n4.2 Outils compl\u00e9mentaires pour la manipulation et la mod\u00e9lisation<\/h3>\n
dplyr<\/code>, tidyr<\/code> et le moteur de visualisation graphique ggplot2<\/code>. L’association de ces paradigmes modernes de manipulation fonctionnelle avec des biblioth\u00e8ques de s\u00e9ries temporelles sp\u00e9cialis\u00e9es comme tibbletime<\/code> ou timetk<\/code> garantit une tra\u00e7abilit\u00e9 totale du flux de travail statistique, de la phase de transformation des variables brutes jusqu’\u00e0 la production de figures de qualit\u00e9 \u00e9ditoriale destin\u00e9es aux publications scientifiques.<\/p>\n4.3 Script d’installation et de chargement reproductible<\/h3>\n
lmtest<\/code>, tseries<\/code>, vars<\/code> et tidyverse<\/code>. \u00c0 l’aide de la primitive installed.packages()<\/code>, le script isole les modules manquants et d\u00e9clenche leur acquisition via la fonction install.packages()<\/code>, en pointant explicitement vers un miroir s\u00e9curis\u00e9 du r\u00e9seau CRAN (Comprehensive R Archive Network). Une fois l’int\u00e9grit\u00e9 de l’environnement valid\u00e9e, chaque biblioth\u00e8que est successivement appel\u00e9e dans l’espace de travail au moyen de l’instruction canonique library()<\/code>.<\/p>\nsessionInfo()<\/code>. Cette d\u00e9marche constitue le fondement d’une d\u00e9marche de recherche transparente, garantissant que les calculs de causalit\u00e9 pourront \u00eatre r\u00e9pliqu\u00e9s \u00e0 l’identique \u00e0 travers diff\u00e9rentes plateformes informatiques et versions logicielles.<\/p>\n5. Pr\u00e9paration, nettoyage et structuration des s\u00e9ries temporelles<\/h2>\n
5.1 Traitement des observations manquantes et espacement temporel<\/h3>\n
imputeTS<\/code>, doivent \u00eatre mises en \u0153uvre avec prudence.<\/p>\n5.2 Transformation des objets de donn\u00e9es au format ts<\/h3>\n
ts()<\/code> est d\u00e9di\u00e9e \u00e0 cette conversion typologique. Elle associe au vecteur de mesures quantitatives un vecteur d’attributs temporels indispensables, comprenant l’indice temporel initial, l’indice final et la fr\u00e9quence d’\u00e9chantillonnage calendaire.<\/p>\nts()<\/code> s’effectue en renseignant minutieusement l’argument num\u00e9rique start<\/code> et l’argument d’\u00e9chelle frequency<\/code>. Si les observations sont recueillies sur un rythme journalier avec une dynamique hebdomadaire r\u00e9currente, la fr\u00e9quence temporelle sera param\u00e9tr\u00e9e \u00e0 7. Pour des collectes horaires r\u00e9p\u00e9t\u00e9es sur une journ\u00e9e compl\u00e8te, elle prendra la valeur de 24. L’initialisation pr\u00e9cise du calendrier via un vecteur num\u00e9rique \u00e0 deux dimensions sp\u00e9cifiant l’unit\u00e9 principale et la subdivision temporelle garantit que l’alignement des signaux bivari\u00e9s sera respect\u00e9 de mani\u00e8re rigoureuse lors de la construction des retards.<\/p>\nts<\/code> instanci\u00e9 dans la session R, il est fondamental de proc\u00e9der \u00e0 une inspection diagnostique de ses attributs m\u00e9trologiques en utilisant les primitives start()<\/code>, end()<\/code>, frequency()<\/code> et deltat()<\/code>. Ces commandes permettent de certifier que l’infrastructure temporelle de l’objet est intacte, qu’aucun d\u00e9calage d’\u00e9chantillonnage n’est apparu lors de la phase de conversion typologique et que le vecteur de donn\u00e9es est parfaitement align\u00e9 pour accueillir sans ambigu\u00eft\u00e9 les op\u00e9rations d’estimation de d\u00e9calages crois\u00e9s.<\/p>\n5.3 Visualisation exploratoire des trajectoires temporelles<\/h3>\n
plot.ts()<\/code> ou l’usage perfectionn\u00e9 de ggplot2<\/code> (via l’extension de formatage de donn\u00e9es temporelles tidyr::pivot_longer()<\/code>) permet de tracer simultan\u00e9ment les trajectoires longitudinales des deux variables explor\u00e9es sur un rep\u00e8re orthonorm\u00e9 partag\u00e9.<\/p>\n6. \u00c9valuation formelle de la stationnarit\u00e9 sous R<\/h2>\n
6.1 Application du test augment\u00e9 de Dickey-Fuller (ADF)<\/h3>\n
adf.test()<\/code> h\u00e9berg\u00e9e au sein de la biblioth\u00e8que tseries<\/code>.<\/p>\nadf.test()<\/code> est inf\u00e9rieure au seuil de risque choisi de 0,05, l’exp\u00e9rimentateur est fond\u00e9 \u00e0 rejeter formellement l’hypoth\u00e8se nulle de racine unitaire, concluant ainsi que la s\u00e9rie ne pr\u00e9sente pas de non-stationnarit\u00e9 stochastique. En revanche, si la p-valeur s’av\u00e8re sup\u00e9rieure \u00e0 0,05, le non-rejet de l’hypoth\u00e8se nulle impose d’admettre la pr\u00e9sence d’une non-stationnarit\u00e9 qui interdit l’application imm\u00e9diate du test de causalit\u00e9 de Granger dans les niveaux bruts des donn\u00e9es.<\/p>\n6.2 Test compl\u00e9mentaire de stationnarit\u00e9 KPSS<\/h3>\n
kpss.test()<\/code> du package tseries<\/code>.<\/p>\n\n
6.3 Proc\u00e9dures de diff\u00e9renciation pour stationnariser les s\u00e9ries<\/h3>\n
diff()<\/code>.<\/p>\ndiff()<\/code> est quant \u00e0 elle qualifi\u00e9e d’int\u00e9gr\u00e9e d’ordre z\u00e9ro, not\u00e9e I(0).<\/p>\ndiff()<\/code>, il est imp\u00e9ratif d’ex\u00e9cuter de nouveau les routines de diagnostic adf.test()<\/code> et kpss.test()<\/code> sur les s\u00e9ries diff\u00e9renci\u00e9es afin de certifier formellement leur retour \u00e0 la stationnarit\u00e9 stochastique. Seules ces s\u00e9ries \u00e9pur\u00e9es de toute racine unitaire pourront alimenter l\u00e9gitimement le test de causalit\u00e9 au sens de Granger. Il est \u00e0 noter que l’interpr\u00e9tation substantielle des r\u00e9sultats portera alors non plus sur le niveau absolu des variables d’int\u00e9r\u00eat, mais sur leurs incr\u00e9ments ou leurs taux de variation s\u00e9quentiels d’une p\u00e9riode \u00e0 l’autre.<\/p>\n7. S\u00e9lection optimale du nombre de retards (order)<\/h2>\n
7.1 Importance th\u00e9orique du calibrage des d\u00e9calages temporels<\/h3>\n
7.2 Exploitation des crit\u00e8res d’information (AIC, BIC, HQ)<\/h3>\n
7.3 Utilisation pratique de la fonction VARselect() du package vars<\/h3>\n
VARselect()<\/code>, int\u00e9gr\u00e9e au package vars<\/code>. Cette fonction \u00e9limine la contrainte de programmer manuellement une boucle d’ajustement de r\u00e9gressions multiples imbriqu\u00e9es et standardise le calcul simultan\u00e9 des diff\u00e9rents crit\u00e8res d’information sur une plage continue de d\u00e9calages temporels.<\/p>\ncbind()<\/code>. Cet objet matriciel bivari\u00e9 est ensuite pass\u00e9 en premier argument \u00e0 la routine VARselect()<\/code>. L’argument crucial lag.max<\/code> doit \u00eatre param\u00e9tr\u00e9 pour fixer la borne sup\u00e9rieure de l’espace de recherche des retards, par exemple un maximum de 5 ou 10 p\u00e9riodes, en veillant \u00e0 ce que cette valeur demeure coh\u00e9rente avec la taille globale de l’\u00e9chantillon disponible et la fr\u00e9quence d’\u00e9chantillonnage th\u00e9orique du ph\u00e9nom\u00e8ne mesur\u00e9.<\/p>\n$selection<\/code> qui isole directement le retard optimal correspondant au minimum global de chaque crit\u00e8re d’information. D\u00e8s lors, le chercheur dispose d’une justification algorithmique objective et reproductible pour s\u00e9lectionner la valeur d’ordre p qui sera inject\u00e9e dans le test de Granger formel.<\/p>\n8. Ex\u00e9cution pas \u00e0 pas du test avec la fonction grangertest()<\/h2>\n
8.1 Syntaxe et anatomie des param\u00e8tres de grangertest()<\/h3>\n
grangertest()<\/code> issue de la biblioth\u00e8que lmtest<\/code> constitue le vecteur d’ex\u00e9cution le plus \u00e9pur\u00e9 et le plus polyvalent pour tester l’absence de causalit\u00e9 au sens de Granger sous R. Sa syntaxe g\u00e9n\u00e9rale s’appuie sur le mod\u00e8le universel de formulation des relations sous R, utilisant l’op\u00e9rateur tilde pour d\u00e9coupler la variable d\u00e9pendante (situ\u00e9e \u00e0 gauche) des pr\u00e9dicteurs (situ\u00e9s \u00e0 droite). L’expression standard grangertest(y ~ x, order = p, data = df)<\/code> formalise l’interrogation suivante : les valeurs pass\u00e9es de la s\u00e9rie x am\u00e9liorent-elles la pr\u00e9vision de la s\u00e9rie y au-del\u00e0 de sa propre dynamique, en consid\u00e9rant un horizon de p d\u00e9calages temporels ?<\/p>\ngrangertest(x, y, order = p)<\/code>. Il convient d’attirer l’attention sur une inversion syntaxique fr\u00e9quente qui constitue une source majeure d’erreur d’interpr\u00e9tation chez les praticiens : dans la syntaxe par formule y ~ x<\/code>, la variable y est la cible (l’effet potentiel) et x est la source causale postul\u00e9e. En revanche, dans la syntaxe \u00e0 arguments positionnels grangertest(x, y)<\/code>, le premier argument sp\u00e9cifi\u00e9 x correspond \u00e0 la variable source et le second argument y repr\u00e9sente la variable cible dont la pr\u00e9visibilit\u00e9 est interrog\u00e9e. Une vigilance absolue s’impose donc lors de la r\u00e9daction du script pour pr\u00e9server la directionnalit\u00e9 voulue du test.<\/p>\norder<\/code> re\u00e7oit l’entier scalaire p d\u00e9termin\u00e9 pr\u00e9alablement par l’arbitrage des crit\u00e8res d’information stochastiques issus de VARselect()<\/code>. Enfin, la fonction propose un argument de traitement des valeurs manquantes, d\u00e9sign\u00e9 par na.action<\/code>, param\u00e9tr\u00e9 par d\u00e9faut sur na.omit<\/code>. Ce param\u00e8tre exclut m\u00e9caniquement les premi\u00e8res lignes du jeu de donn\u00e9es qui comportent des valeurs ind\u00e9termin\u00e9es en raison de la g\u00e9n\u00e9ration des d\u00e9calages temporels, garantissant que l’estimation des deux mod\u00e8les (restreint et non restreint) s’op\u00e8re sur un sous-ensemble strict et rigoureusement superposable d’observations temporelles synchronis\u00e9es.<\/p>\n8.2 Exemple concret de code R : du chargement \u00e0 l’ex\u00e9cution<\/h3>\n
set.seed(123)<\/code> garantit la reproductibilit\u00e9 int\u00e9grale des donn\u00e9es simul\u00e9es \u00e0 travers toute machine h\u00f4te ex\u00e9cutant R.<\/p>\nlmtest<\/code> et vars<\/code>. Apr\u00e8s avoir ex\u00e9cut\u00e9 VARselect()<\/code> pour confirmer que l’horizon d’ordre 2 minimise les crit\u00e8res d’information conjoints, l’analyste lance la commande canonique grangertest(y ~ x, order = 2)<\/code>. Cette ligne de code orchestre l’ensemble des op\u00e9rations sous-jacentes : alignement des d\u00e9calages temporels, partitionnement matriciel, inversion des \u00e9quations de moindres carr\u00e9s ordinaires pour les mod\u00e8les avec et sans la variable x, et calcul de la statistique de Fisher finale, le tout s’ex\u00e9cutant en une fraction de seconde dans la m\u00e9moire vive de l’ordinateur.<\/p>\n8.3 Lecture technique de la sortie console de R<\/h3>\n
grangertest()<\/code> g\u00e9n\u00e8re instantan\u00e9ment dans la console R un tableau synth\u00e9tique d’analyse de variance (ANOVA<\/a>) standardis\u00e9, dont la lecture requiert une compr\u00e9hension pr\u00e9cise de l’architecture de mod\u00e9lisation d\u00e9ploy\u00e9e par la routine. La console affiche un en-t\u00eate mentionnant formellement le test de causalit\u00e9 au sens de Granger (Granger causality test<\/em>), rappelant explicitement la formule test\u00e9e ainsi que l’ordre de retard p mobilis\u00e9 pour l’ajustement.<\/p>\n\n
\n
Res.Df<\/code> indique les degr\u00e9s de libert\u00e9 r\u00e9siduels (Residual Degrees of Freedom<\/em>), calcul\u00e9s comme la taille d’\u00e9chantillon T tronqu\u00e9e des d\u00e9calages initiaux, diminu\u00e9e du nombre de coefficients de r\u00e9gression estim\u00e9s dans le mod\u00e8le correspondant. On observe syst\u00e9matiquement que le Mod\u00e8le 2 poss\u00e8de p degr\u00e9s de libert\u00e9 suppl\u00e9mentaires par rapport au Mod\u00e8le 1, ce qui traduit directement l’omission des p param\u00e8tres associ\u00e9s \u00e0 la variable x.<\/li>\nDf<\/code> met en \u00e9vidence cette diff\u00e9rence stricte de param\u00e9trisation, mat\u00e9rialis\u00e9e par la valeur n\u00e9gative ou positive de p.<\/li>\nF<\/code> consigne la valeur empirique du ratio de Fisher-Snedecor, issue de la confrontation des sommes des carr\u00e9s des r\u00e9sidus des deux \u00e9quations.<\/li>\nPr(>F)<\/code> pr\u00e9sente la p-valeur exacte associ\u00e9e \u00e0 la statistique F observ\u00e9e, assortie de codes de significativit\u00e9 visuels standardis\u00e9s (symbolis\u00e9s par des ast\u00e9risques). C’est cette valeur critique qui scelle la conclusion du test statistique.<\/li>\n<\/ul>\n9. Interpr\u00e9tation statistique et biom\u00e9trique des r\u00e9sultats<\/h2>\n
9.1 D\u00e9cision statistique face au seuil de significativit\u00e9<\/h3>\n
Pr(>F)<\/code>) au seuil de significativit\u00e9 nominal alpha pr\u00e9alablement fix\u00e9 (classiquement 0,05). Si la p-valeur observ\u00e9e est inf\u00e9rieure ou \u00e9gale \u00e0 0,05, la probabilit\u00e9 d’observer un tel gain de pr\u00e9dictibilit\u00e9 sous l’hypoth\u00e8se de pure ind\u00e9pendance stochastique est infinit\u00e9simale. Le statisticien prend alors la d\u00e9cision formelle de rejeter l’hypoth\u00e8se nulle H0 au profit de l’hypoth\u00e8se alternative H1.<\/p>\n9.2 Traduction substantielle dans le domaine d’application<\/h3>\n
9.3 R\u00e9daction acad\u00e9mique des r\u00e9sultats aux normes professionnelles<\/h3>\n
10. Analyse bidirectionnelle et mod\u00e9lisation vectorielle autor\u00e9gressive (VAR)<\/h2>\n
10.1 Test de r\u00e9troaction et causalit\u00e9 r\u00e9ciproque<\/h3>\n
grangertest(y ~ x)<\/code> r\u00e9side dans son caract\u00e8re asym\u00e9trique unilat\u00e9ral. Dans la vaste majorit\u00e9 des syst\u00e8mes naturels, biologiques, \u00e9conomiques et psychologiques, les variables n’interagissent pas au sein de structures causales \u00e0 sens unique. Il est donc m\u00e9thodologiquement imp\u00e9ratif d’ex\u00e9cuter de fa\u00e7on syst\u00e9matique le test r\u00e9ciproque sym\u00e9trique, en \u00e9valuant dans un second temps si la variable y cause \u00e9galement la variable x au sens de Granger via l’instruction grangertest(x ~ y, order = p)<\/code>.<\/p>\n\n
10.2 Transition vers le mod\u00e8le VAR global avec la fonction VAR()<\/h3>\n
VAR()<\/code> de la biblioth\u00e8que vars<\/code>, qui permet d’estimer simultan\u00e9ment l’int\u00e9gralit\u00e9 d’un syst\u00e8me dynamique multivari\u00e9.<\/p>\nVAR()<\/code> prend en entr\u00e9e la matrice regroupant l’ensemble des s\u00e9ries chronologiques stationnaris\u00e9es et ajuste de mani\u00e8re concomitante un syst\u00e8me d’\u00e9quations autor\u00e9gressives o\u00f9 chaque variable du vecteur devient successivement la cible de ses propres retards et des retards de l’ensemble des autres composantes du syst\u00e8me. La commande synth\u00e9tique mon_modele_var <- VAR(donnees_stationnaires, p = p_opt, type = \"const\")<\/code> estime ainsi par moindres carr\u00e9s ordinaires multivari\u00e9s l’int\u00e9gralit\u00e9 de la matrice de transition dynamique reliant les \u00e9tats temporels du syst\u00e8me.<\/p>\nvars<\/code> permet d’interroger la causalit\u00e9 de Granger multivari\u00e9e globale gr\u00e2ce \u00e0 la m\u00e9thode sp\u00e9cialis\u00e9e causality(mon_modele_var, cause = \"x\")<\/code>. Cette routine ex\u00e9cute un test de Wald multivari\u00e9 \u00e9valuant simultan\u00e9ment si l’ensemble des retards de la variable indic\u00e9e comme cause peut \u00eatre exclu du bloc d’\u00e9quations pr\u00e9disant l’ensemble des autres variables du syst\u00e8me. Ce passage \u00e0 l’\u00e9chelle sup\u00e9rieure dote le chercheur d’un cadre analytique d’une grande puissance pour sonder les interactions dynamiques au sein de syst\u00e8mes complexes hautement multidimensionnels.<\/p>\n10.3 Fonctions de r\u00e9ponse impulsionnelle (IRF) et d\u00e9composition de variance<\/h3>\n
vars<\/code>, la commande irf(mon_modele_var, impulse = \"x\", response = \"y\", n.ahead = 10, boot = TRUE)<\/code> simule l’impact dynamique qu’engendre l’application d’un choc stochastique exog\u00e8ne unitaire (une impulsion \u00e9quivalente \u00e0 un \u00e9cart-type) sur la variable x \u00e0 l’instant pr\u00e9sent sur la trajectoire future de la variable y au cours des 10 p\u00e9riodes temporelles suivantes. L’option de r\u00e9\u00e9chantillonnage par bootstrap (boot = TRUE<\/code>) permet de construire des intervalles de confiance empiriques \u00e0 95 % autour de la trajectoire de r\u00e9ponse. La visualisation graphique r\u00e9sultante (via la m\u00e9thode plot()<\/code> appliqu\u00e9e \u00e0 l’objet IRF) permet d’observer visuellement si le choc sur x induit une augmentation transitoire, une chute d\u00e9pressive imm\u00e9diate ou une oscillation amortie de la variable cible y, \u00e9clairant la dynamique intime de l’effet causal.<\/p>\nfevd(mon_modele_var, n.ahead = 10)<\/code>, calcule le pourcentage de la variance r\u00e9siduelle de pr\u00e9vision de y imputable aux chocs structurels sp\u00e9cifiques de x comparativement aux chocs propres \u00e0 y, pour diff\u00e9rents horizons temporels futurs. Ce tableau de pourcentages offre une mesure directe et intuitive de l’importance relative de la variable causale au sein du syst\u00e8me stochastique, montrant par exemple que si x n’explique que 2 % de la variance de y \u00e0 court terme (horizon de 1 pas de temps), sa part contributive monte \u00e0 35 % \u00e0 moyen terme (horizon de 6 pas de temps), soulignant un effet pr\u00e9dictif \u00e0 latence d’accumulation diff\u00e9r\u00e9e.<\/p>\n11. Diagnostics post-estimation et v\u00e9rification de la robustesse<\/h2>\n
11.1 Diagnostic de l’autocorr\u00e9lation r\u00e9siduelle<\/h3>\n
lmtest<\/code>, le diagnostic d’autocorr\u00e9lation s’op\u00e8re au moyen de la routine de Breusch-Godfrey (Breusch-Godfrey test<\/a>), accessible via la commande bgtest()<\/code>. Cette m\u00e9thode surpasse le classique test de Durbin-Watson car elle demeure rigoureusement exacte en pr\u00e9sence de variables d\u00e9pendantes d\u00e9cal\u00e9es dans le membre de droite de l’\u00e9quation de r\u00e9gression, ce qui caract\u00e9rise pr\u00e9cis\u00e9ment les mod\u00e8les autor\u00e9gressifs. L’hypoth\u00e8se nulle H0 du test de Breusch-Godfrey stipule l’absence totale d’autocorr\u00e9lation r\u00e9siduelle s\u00e9rielle jusqu’\u00e0 un ordre de d\u00e9calage donn\u00e9.<\/p>\nbgtest()<\/code> est inf\u00e9rieure au seuil conventionnel de 0,05, l’exp\u00e9rimentateur rejette l’hypoth\u00e8se d’ind\u00e9pendance s\u00e9rielle et doit en tirer les cons\u00e9quences m\u00e9thodologiques imm\u00e9diates : la structure de retard retenue (l’ordre p) est insuffisante pour \u00e9purer la dynamique temporelle du processus. La solution \u00e9conom\u00e9trique s’impose d’elle-m\u00eame : il est n\u00e9cessaire d’incr\u00e9menter le param\u00e8tre order<\/code> d’une ou plusieurs unit\u00e9s et de r\u00e9estimer le test de Granger jusqu’\u00e0 ce que les r\u00e9sidus du mod\u00e8le complet satisfassent pleinement au crit\u00e8re de bruit blanc s\u00e9quentiel.<\/p>\n11.2 D\u00e9tection de l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 conditionnelle (effets ARCH)<\/h3>\n
arch.test()<\/code> pr\u00e9sente dans le package vars<\/code>, qui r\u00e9alise un test du multiplicateur de Lagrange (test ARCH-LM) sur les r\u00e9sidus du mod\u00e8le vectoriel autor\u00e9gressif. L’hypoth\u00e8se nulle H0 stipule que les carr\u00e9s des r\u00e9sidus sont s\u00e9riellement ind\u00e9pendants, traduisant une variance conditionnelle rigoureusement constante. Si l’\u00e9valuation statistique d\u00e9bouche sur une p-valeur significative (p < 0,05), l’homosc\u00e9dasticit\u00e9 classique est r\u00e9fut\u00e9e, signalant que la distribution th\u00e9orique du ratio F est d\u00e9form\u00e9e par l’instabilit\u00e9 de la variance.<\/p>\nlmtest<\/code>, il est pr\u00e9conis\u00e9 de recalculer la statistique de Wald du test de Granger en appliquant une matrice de variance-covariance robuste aux h\u00e9t\u00e9rosc\u00e9dasticit\u00e9s et aux autocorr\u00e9lations s\u00e9rielles (matrice HAC de type Newey-West ou Andrews), mobilisable via la fonction coeftest()<\/code> combin\u00e9e avec le package sandwich<\/code>. Cette correction ajuste \u00e0 la hausse les erreurs-types des estimateurs, pr\u00e9venant l’analyste contre le risque de faux positifs causaux induits par les bouff\u00e9es de variabilit\u00e9 non mod\u00e9lis\u00e9es.<\/p>\n11.3 Stabilit\u00e9 structurelle des param\u00e8tres du mod\u00e8le<\/h3>\n
efp()<\/code> (pour Empirical Fluctuation Process<\/em>), cette approche suit le cumul s\u00e9quentiel des erreurs de pr\u00e9vision normalis\u00e9es au fur et \u00e0 mesure que l’\u00e9chantillon s’accro\u00eet dans le temps.<\/p>\nplot()<\/code> trace la d\u00e9rive empirique des r\u00e9sidus au sein d’un couloir d\u00e9limit\u00e9 par des fronti\u00e8res critiques correspondant au seuil alpha de 5 %. Tant que la trajectoire des r\u00e9sidus cumul\u00e9s oscille \u00e0 l’int\u00e9rieur de ces bornes statistiques, l’hypoth\u00e8se de stabilit\u00e9 structurelle des coefficients du mod\u00e8le autor\u00e9gressif ne peut \u00eatre rejet\u00e9e. \u00c0 l’inverse, toute sortie de trajectoire hors du faisceau critique atteste de la survenue d’une cassure structurelle majeure, contraignant l’analyste \u00e0 identifier la date de rupture et \u00e0 segmenter son test de Granger en sous-p\u00e9riodes distinctes pour documenter la fa\u00e7on dont le lien de causalit\u00e9 temporelle est apparu, a mut\u00e9 ou s’est \u00e9teint au fil du temps.<\/p>\n12. Pi\u00e8ges m\u00e9thodologiques courants et recommandations en recherche<\/h2>\n
12.1 Le probl\u00e8me de la variable tierce omise (fausse causalit\u00e9)<\/h3>\n
12.2 Taux d’\u00e9chantillonnage et agr\u00e9gation temporelle inad\u00e9quate<\/h3>\n
12.3 Synth\u00e8se des bonnes pratiques pour une recherche reproductible dans R<\/h3>\n
\n
ts<\/code>, zoo<\/code>, xts<\/code>).<\/li>\nVARselect()<\/code>, en privil\u00e9giant la parcimonie tout en veillant \u00e0 la couverture de la dynamique th\u00e9orique attendue.<\/li>\nset.seed()<\/code>), encapsuler les environnements logiciels et les versions de packages via des gestionnaires de d\u00e9pendances herm\u00e9tiques tels que renv<\/code>, et publier l’int\u00e9gralit\u00e9 du code source annot\u00e9 parall\u00e8lement aux jeux de donn\u00e9es pseudonymis\u00e9s dans des d\u00e9p\u00f4ts ouverts p\u00e9rennes.<\/li>\n<\/ul>\nR\u00e9f\u00e9rences<\/h2>\n
\n