Chapitre III

Modeles VAR, Causalite

Fonctions dImpulsion
Modele a Correction dErreur
Application
Objectifs
Modeliser les relations entre plusieurs variables
Exemple: Rendements de marche, taux dinteret
Modele de Vector AutoRegression (VAR)
Causalite, choix du nombre de variables retardees
Fonctions dImpulsion: Impulse Response
Modeles avec serie non-stationaires: Error
Correction Models

Exemple
Analyser les inter-relations entre production industrielle et
masse monetaire






Impact dynamique des chocs
t t t t
t t t t
e M a IP a M
e M a IP a IP
2 1 22 1 21
1 1 12 1 11
+ + =
+ + =


Effet direct
Effet
indirect
Modele VAR
Vector AutoRegression
Ecriture generale: VAR(1) a deux variables
X
t
= a + F
1
X
t-1
+ u
t


Ceci implique les deux equations suivantes:

X
1t
= a
1
+ f
1
11
X
1t-1
+ f
1
12
X
2t-1
+ u
1t

X
2t
= a
2
+ f
1
21
X
1t-1
+ f
1
22
X
2t-1
+ u
2t

Questions
Q1. Pourquoi ne pas inclure des termes simultanes?

X
1t
= a
1
+ b
1
X
2t
+ f
11
X
1t-1
+ f
12
X
2t-1
+ v
1t

X
2t
= a
2
+ b
2
X
1t
+ f
21
X
1t-1
+ f
22
X
2t-1
+ v
2t


Q2. Quelle methode destimation?
Q3. Autres Questions
A Le nombre de variables retardees
B Notion de causalite

Q4. Les variables doivent-elles etre stationaires?
VAR en difference ou en niveau?
ou Modele a Correction derreur?
Question 1: Structural VAR(1)
Modele VAR:
t 10 12 t 11 t 1 12 t 1 yt
t 20 21 t 21 t 1 22 t 1 zt
y b b z y z
z b b y y z


= + + +c
= + + +c
y et z sont endogenes
Les erreurs c
yt
et c
zt
sont des bruits blancs: Ecart types o
y
et c
z

Covariance des chocs egale a zero
Un choc sur c
yt
affecte y et z indirectement.
10 parametres a estimer
Transformation
Endogeneite: MCO produit des estimations biaisees et non-consistentes biased des
parametres

Transformer en forme reduite

Dans une representation en forme reduite: y et z sont fonctions uniquement de leurs
valeurs passees

Solution:
yt
t 10 t 1 12 11 12
21 t 20 21 22 t 1
zt
t 0 1 t 1 t
y b y 1 b
b 1 z b z

c
(
( ( ( ( (
= + +
(
( ( ( ( (

c


= + + B I I x x
Transformation Standard
Multiplication par B
-1

t 0 1 t 1 t
1 1 1
t 0 1 t 1 t
t 0 1 t 1 t
x

= + +
= + +
= + +
I I
B I B I B
Bx x
x
x A A x e

Q2: Estimation par MCO
Examiner les relations croisees entre les deux variable
Q3A: Le nombre de variables
Test dhypothese base sur vraisemblance statistique
Habituellement, meme nombre de variables dans les deux equations
Test LR



Estimer 2 modeles: avec u et r variables retardees (u>r).
c = np+1 est un terme de correction
Sous H0, les u-r variables retardees supplementaires ne sont pas
significatives statistiquement
( ) ( )
2 2
r u
(T c) ln ln ~ (u r)n _ E E
Criteres dInformation

Trouver le nombre de variables retardees qui
minimise les criteres dinformation





Sigma: Valeur de la fonction de vraisemblance a
loptimum
2
2
AIC Tln 2(n p n)
SBC Tln (n p n) ln(T)
= + +
= + +
E
E
Q3B:Test de Granger-Causalite
Avec p variables retardees
X
1t
= a + b
1
X
1t-1
+. .. + b
p
X
1t-1
+ c
1
X
2t-1
+ .. + c
p
X
2t-p
+ u
1t

H
0
: c
1
= .. = c
p
= 0

Utiliser le test dhypothese jointe F


Ganger non-causality


X
2t
ne cause pas X
1t
au sens de Granger, si les valeurs
passees de X
2t
naident pas a predire X
1t
en presence des
valeurs passees de X
1t
.
Identification
Peut-on retrouver les parametres du modele VAR structurel
a partir du modele standard? NON
10 parametres dans le modele structurel contre 9 parametres
estimes dans le modele standard
SOUS-IDENTIFICATION
Solution: Fixer un parametre
Sims (1980): Supposer que b
21
=0.
yt
t 10 t 1 11 12 12
t 20 21 22 t 1
zt
y b y 1 b
z b z 0 1

c
(
( ( ( ( (
= + +
(
( ( ( ( (

c


Identification
b
21
=0 implique:
yt
t 10 t 1 11 12 12 12 12
t 20 21 22 t 1
zt
t 10 t 1 1t 11 12
t 20 21 22 t 1 2t
y b y 1 b 1 b 1 b
z b z 0 1 0 1 0 1
y a y e a a
z a a a z e

c
(
( ( ( ( ( ( (
= + +
(
( ( ( ( ( ( (

c


( ( ( ( (
= + +
( ( ( ( (

Identifier les parametres du modele structurel
2 2 2
10 10 12 20 20 20 1 y 12 z
2
11 11 12 21 21 21 2 z
2
12 12 12 22 22 22 1 2 12 z
a b b b a b var(e ) b
a b a var(e )
a b a cov(e , e ) b
= = = o + o
= = = o
= = = o
Impulse Response Functions
Reaction de AUD a un choc sur le prix de matieres premieres? ZAR et or?
IRF: Reponse des variables a un choc d1 ecart type

Representees habituellement sur laxe des Y, avec les dates sur laxe des X
Reecriture du modele VAR pour isoler les chocs passes
Les |
ij
(i) representent les effets des erreurs passees sur y et z

i
t 1t i 11 12
i 0
t 21 22 2t i
i
yt i t 11 12 12
i 0
t 21 22 21 12 21 zt i
yt i t 11 12
t 21 22
y e a a y
z z a a e
y a a 1 b y
1
z z a a b 1 1 b b
y (i) (i) y
z z (i) (i)

( ( ( (
= +
( ( ( (

c ( ( ( ( (
= +
( ( ( ( (
c

c
| |
( ( (
= +
( ( (
| |

i 0
zt i

=

(
(
c

+
Orthogonalisation des Chocs
X=[Y,Z]
Utiliser la decomposition Cholesky

X
t
= b + FX
t-1
+ u
t
, Cov(u
t
) = W

Il existe 2 matrices A, D telles que
W = ADA = AD
1/2
D
1/2
A = PP avec
P = AD
1/2
,
A est lower triangular
D est diagonale
Deux Types de Reponse
dX
t+s
/dc
t
=+
S

dX
t+s
/dx
jt
= [dX
t+s
/dc
t
][dc
t
/ dx
jt
] = +
S
a
j


a
j
= jieme colonne de A
VAR: Exemple
VAR(1): output gap (y), taux dinteret (r)
VAR(1)
Eviews
Equation 1
Equation 2
Impulse Response Function (IRF)
Cointegration
Si X
t
~ I(1), et Y
t
~ I(1), mais Z
t
= Y
t
- |X
t
~ I(0)
Alors X
t
sont Y
t
cointegres
Il existe une relation de long-terme (equilibre)
La relation est stationaire et converge;
Toute divergence est temporaire
Absence de Cointegration
Si X
t
et Y
t
ne sont pas cointegres
Z
t
= Y
t
- |X
t
~ I(1).

Soit AZ
t
= u
t
.
Y
t
- |X
t
= (Y
o
- |X
o
) + somme des u
j
sur j=1,..,t.


Desequilibre initial. De + en + grand lorsque t
augmente.
Notations
Z
t
: Deviation par rapport a lequilibre
Regression: Relation de long-terme,
equilibre
|: vecteur de cointegration
o: vitesse de retour a lequilibre

Ay
t
= o(y
t-1
- |x
t-1
)+
1
Ay
t-1
+
2
Ax
t-1
+e
t

Desequilibre Observe
En t-1
Correction du
desequilibre
Variations passees
Consequences
Si X
t
et Y
t
ne sont pas cointegrates, o devrait etre
egal a 0
Si o = 0, le modele est un VAR exprime en terme
des variables differencees.
Si o = 0, le modele VAR en differences est
incorrectement specifie




Etapes Preliminaires
Tests bases sur les residus
Est-ce que les residus sont stationaires?
Augmented Dickey Fuller
Philips Perron
Tests bases sur valeurs propres
Johansen (1991)
Procedure
Considerons un VAR(p):

y vecteur de k variables non-stationaires. Reecriture:




Le nombre de relations de cointegration depend du rang de
H
Si rang<k: il existe r relations de long terme

t t p t p t t
e Bx y A y A y + + + =
=
...
1 1
j
p
i j i
i
p
i
t t i t i
p
i t t
A
I A
e Bx y y y
1
1
1
1 1
+ =
=

=
E = I
E = H
+ + I E + H = A
Test de Johansen
Hypotheses Sequentielles
r=0 versus r>0
r=1 versus r>1.....
LR = -T E i =r+1 to k log(1 -
i
)

i
est la ieme plus grande valeur propre de la matrice
H
Tous les parametres sont estimes simultanement

Application: BEER
Behavioral Equilibrium Exchange Rate Model
Modelisation du taux de change USD/EUR
La parite du pouvoir dachat narrive pas a
expliquer les fluctuations observees
Expliquer les deviations en prenant en compte:
Differentiel de productivite
Differentiels de taux dinteret
Terms of trade shocks: Differentiel de prix
Prix du Petrole
Portfolio Balance Effects: Depenses Publiques

Modele
Relation de Cointegration
Relation de long terme: signes attendus et significatif
TNT: A rise in Eurolands relative price of tradable to non-tradable
goods compared to that in the US (i.e. a relative productivity
improvement) would lead to a permanent rise in the real EUR-USD
exchange rate.
G: A permanent rise in Eurolands government expenditure-to-GDP
ratio relative to that in the US has a negative impact on the equilibrium
euro rate.
Oil: a lasting rise in oil prices will have a particularly adverse effect on
the EUR-USD equilibrium rate. Indeed, theregression indicates that a
permanent 10% rise in oil prices will cause the real equilibrium EUR-
USD rate to fall by 2.4%.
Impact du prix
Du petrole
Sur Taux de Change
Impact du differentiel
De productivite
Impact des
Depenses gvtales