Académique Documents
Professionnel Documents
Culture Documents
Non Stationnarite Cointegration MCE
Non Stationnarite Cointegration MCE
Cours d'Econométrie
1
Maître de Conférences, EconomiX - Laboratoire d'Economie de Paris X - stokpavi@u-paris10.fr
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 3
– Dé nition de la stationnarité
– La cointégration
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 4
1 Non stationnarité
Dans les chapitres précédents de ce cours, on s'est intéressé à l'estimation du modèle de régression
linéaire par la méthode des moindres carrés ordinaires. On s'est focalisé entre autres sur l'étude des
propriétés à distance nie et asymptotiques de l'estimateur des moindres carrés ordinaires. Cet es-
timateur sous un certain nombre d'hypothèses est sans biais, de variance minimale, convergent et
admet asymptotiquement une distribution normale.
Sans rentrer dans les détails, l'ensemble de ces propriétés, notamment celles asymptotiques ne sont
valables que sous l'hypothèse de stationnarité des variables. Il est donc nécessaire d'étudier cette hy-
pothèse et de mettre en exergue les problèmes qui peuvent émerger lors de l'estimation d'un modèle
de régression linéaire impliquant des variables non stationnaires: c'est l'objet de ce chapitre. Dans
tout le chapitre, on se place dans le cadre de données en série temporelle.
Considérons le vecteur aléatoire (Xt+1; :::; Xt+k ) associé à la série temporelle fXt; t 2 g de réalisation
le vecteur d'observations (xt+1; :::; xt+k ). Notons f (:) la densité jointe de (Xt+1; :::; Xt+k ). L'hypothèse
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 5
de stationnarité au sens strict traduit le fait que f (:) ne dépend pas du temps, c'est-à-dire f (xt+1; :::; xt+k ) =
f (xt0+1; :::; xt0+k ). Ainsi, quel que soit l'origine du temps retenu pour observer le vecteur aléatoire, la
distribution jointe associée est la même. Il existe une forme faible de la stationnarité qui correspond à
la constance dans le temps des deux premiers moments de la série temporelle fXt; t 2 g. Formelle-
ment la série temporelle fXt; t 2 g est stationnaire au sens faible si et seulement si:
Sa fonction d'autocovariance ne dépend pas du temps mais de l'intervalle séparant les deux vari-
ables aléatoires considérées. Plus précisément:
De ces deux dé nitions de la stationnarité, il apparaît clair que la stationnarité au sens strict implique
la stationnarité au sens faible, l'inverse n'étant pas vrai.
Comme précisé ci-dessus, un processus est stationnaire au sens faible si l'ensemble de ses moments
d'ordre 1 et 2 sont indépendants du temps. Par opposition, un processus non stationnaire est un
processus qui ne satisfait pas à l'une ou l'autre de ces deux conditions (ou les deux à la fois). Ainsi
l'origine de la non stationnarité peut provenir d'une dépendance du moment d'ordre 1 (espérance)
par rapport au temps et/ou d'une dépendance de la variance et des autocovariances par rapport au
temps. Il existe différentes sources de non stationnarité qu'on peut représenter par deux classes de
processus non stationnaires:
Les processus TS (Time Stationary) qui renvoient à une non stationnarité de type déterministe;
Les processus DS (Differency Stationary) qui renvoient à une non stationnarité de type stochas-
tique.
Un processus stochastique fXt; t 2 g est dit TS (ou admet une non stationnarité de type détermin-
iste) s'il peut s'écrire sous la forme suivante:
où f (t) est une fonction déterministe du temps et zt un processus stochastique stationnaire. L'exemple
le plus simple d'un processus TS est celui d'une tendance linéaire perturbée par un bruit blanc, soit:
qui dépend du temps. L'espérance du processus n'est donc pas constante dans le temps. On en dé-
duit qu'il n'est pas stationnaire. Bien évidemment, si on retire la tendance déterministe de Xt on a un
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 8
Il importe de noter qu'une des propriétés importantes des processus TS réside dans le fait que
lorsqu'ils sont affectés par un choc aléatoire, l'effet de ce choc tend à disparaître à long terme. Il
s'agit de la propriété de non persistance des chocs. Pour illustration, considérons le processus TS
suivant:
Xt = a0 + a1t + zt (7)
zt = zt 1 + "t ; (8)
avec j j < 1 et "t un bruit blanc de variance 2" . Il s'agit bien évidemment d'un processus TS comme
dé nit plus haut, car zt est stationnaire. En effet, on a:
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 9
et
0 1
1
X 1
X
E (zt) = E @ j
"t j A = j
E ("t j ) = 0; (10)
j=0 j=0
On a alors E (zt) et V ar (zt) qui sont des constantes (indépendants du temps), et donc le processus zt
est stationnaire au sens faible, et Xt est bien un processus TS. On peut donc le réécrire comme suit:
1
X
j
Xt = a0 + a1t + "t j : (12)
j=0
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 10
Supposons maintenant qu'à la date T , on ait une réalisation d'un choc "T . La question est de savoir
quel est l'effet de ce choc sur le processus Xt, k périodes après. On a à la date T + k; k > 0:
1
X
j
XT +k = a0 + a1 (T + k) + "T +k j (13)
j=0
2 k
= "T +k + "T +k 1 + "T +k 2 + ::: + "T + :::
et on peut déduire que:
XT +k k
lim = lim = 0: (14)
k!1 "T k!1
En conclusion, l'impact d'un choc initial (à l'instant T ) sur le processus tend à décroître et à s'annuler
lorsque le temps passe. On assiste donc à une absence de persistance des chocs, ou absence de
phénomène d'hystérèse.
Un processus stochastique fXt; t 2 g est dit DS (ou non stationnaire de type stochastique) d'ordre
d, si le processus ltré dé ni par (1 L)d Xt est stationnaire, avec L l'opérateur de retard. On dit alors
que fXt; t 2 g est un processus intégré d'ordre d, et on note Xt I (d), ou encore que le processus
admet d racines unitaires. Précisons que l'opérateur de retard L est dé nit par LXt = Xt 1. Il vient
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 11
donc que:
pour d = 1, on a:
pour d = 2, on a:
Le processus DS le plus simple est la marche aléatoire (Random Walk) ou martingale. Ce processus
s'écrit:
Xt = Xt 1 + "t ; (17)
avec "t un bruit blanc. Ce processus est intégré d'ordre 1. En effet, on a Xt = Xt Xt 1 = "t qui
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 12
est stationnaire car "t est un bruit blanc. On peut démontrer facilement que la marche aléatoire est un
processus non stationnaire. En effet, on a:
La variance de Xt n'est donc pas constante car dépendant de t et la marche aléatoire est un proces-
sus non stationnaire. Le terme "marche aléatoire" provient du fait que la réalisation du processus à la
date t part de l'endroit où s'était arrêté le processus à t 1 et va dans une direction totalement aléatoire
et caractérisée par la valeur du choc à l'instant t ("t). Dans ce contexte, le processus DS caractérise
l'évolution de processus pour lesquels la meilleure prévision pour l'instant t + 1 est la valeur courante,
soit Xt. Un exemple est celui des cours des actions qui suivent (sous l'hypothèse d'ef cience des
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 13
Il est aisé de démontrer que contrairement aux processus TS, les processus DS sonst caractérisés par
un phénomène d'hystérèse ou de persistance des chocs. En effet, dans le cas de la marche aléatoire,
si on suppose un choc à l'instant T ("T ), on a comme précédemment:
PT +k
XT +k = X0 + j=1 "j = X0 + "1 + "2 + ::: + "T + "T +1 + ::: + "T +k ; (21)
avec:
XT +k
lim = 1: (22)
k!1 "T
On remarque donc que contrairement à un processus TS, l'impact du choc initial "T ne disparaît pas
T + k périodes plus loin.
Notons que lorsqu'on inclut une constante dans la spéci cation de la marche aléatoire, on parle de
marche aléatoire avec dérive, soit:
Xt = Xt 1 + a + "t : (23)
Dans le cas où un trend déterministe est inclus en complément de la constante, on parle de marche
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 14
Xt = Xt 1 + a + bt + "t: (24)
Il y a alors dans cette dernière spéci cation, une coexistence à la fois d'une non stationnarité de type
déterministe et stochastique.
Pour des processus de type TS, tester la non stationnarité n'exige pas une procédure particulière,
puisqu'une simple inspection graphique peut permettre de se rendre compte de l'existence d'une ten-
dance (linéaire ou quadratique). Les tests de non stationnarité sont donc construits pour détecter la
non-stationnarité de type stochastique, c'est-à-dire la présence d'une racine unitaire. Le test le plus
usité dans la littérature empirique est celui de Dickey-Fuller ou test DF.
Le test de Dickey-Fuller (test DF) exploite les équations (17, 23, 24) pour tester la présence d'une
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 15
racine unitaire dans le processus stochastique Xt. Plus précisément, les équations considérées sont:
Xt = Xt 1 + "t ; (25)
Xt = Xt 1 + a + "t : (26)
Xt = Xt 1 + a + bt + "t: (27)
ou écrit autrement:
Xt = ( 1) Xt 1 + "t ; (28)
Xt = ( 1) Xt 1 + a + "t ; (29)
Xt = ( 1) Xt 1 + a + bt + "t; (30)
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 16
2
Notons qu'on exclut sous l'hypothèse alternative > 0 car ceci conduit à des processus explosifs qu'on rencontre très rarement en
économie.
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 17
Les valeurs critiques tabulées par Dickey-Fuller correspondent à des valeurs spéci ées pour la taille
de l'échantillon ce qui conduit dans la pratique à de très grandes approximations. MacKinnon (1991)
a généré des seuils critiques tabulés pour le test DF et qui peuvent être inférés pour n'importe quelle
taille d'échantillon et qui sont plus précis que ceux de Dickey-Fuller notamment en petits échantillons.
Notons en n que puisque les statistiques de test ainsi que les seuils critiques tabulés dépendent de
la spéci cation retenue (équations 28, 29, 30), une stratégie de test est nécessaire a n de choisir la
spéci cation la meilleure pour l'inférence. Généralement la stratégie adoptée est séquentielle et con-
siste à "évoluer" de la spéci cation la plus générale à la plus simple. Plus formellement les étapes
suivantes doivent être suivies pour la mise en oeuvre du test DF:
Etape 1 : On considère dans un premier temps la spéci cation la plus complète, à savoir celle de
l'équation (30):
Xt = Xt 1 + a + bt + "t; (31)
Avant toute chose, il s'agit de s'assurer de la bonne spéci cation de ce modèle, notamment la
présence ou non d'un trend déterministe. Le jeu d'hypothèses est le suivant:
H0 : b = 0
: (32)
H1 : b 6= 0
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 18
La statistique de test est celle de Student traditionnelle qui sous l'hypothèse nulle suit une loi de
Student à T 3 degrés de libertés. Deux con gurations sont alors possibles:
– En cas de rejet de l'hypothèse nulle du test (32), la spéci cation (30) est donc appropriée et on
conclut quant à la stationnarité ou non du processus stochastique via un test DF dont on rappelle
que le jeu d'hypothèses est le suivant:
H0 : =0
:
H1 : <0
– En cas de non rejet de l'hypothèse nulle du test (32), la spéci cation (30) n'est pas appropriée
et on ne peut pas conclure quant à la stationnarité ou non du processus stochastique via un test
DF. Il s'agit alors de retenir une autre spéci cation qui exclut la présence d'un trend déterministe,
soit donc le modèle (29). Ceci est traité à l'étape 2.
Xt = Xt 1 + a + "t ; (33)
Un test de bonne spéci cation de ce modèle passe par la présence ou non de la constante. Le jeu
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 19
– En cas de rejet de l'hypothèse nulle du test (34), la spéci cation (29) est appropriée et on conclut
quant à la stationnarité ou non du processus stochastique via un test DF.
– Dans le cas contraire, la spéci cation (29) n'est pas appropriée et on ne peut pas conclure quant
à la stationnarité ou non du processus stochastique via un test DF. On passe alors à l'étape 3
dans laquelle un test DF est mis en oeuvre au travers de la spéci cation (28).
Précisons que dans chacune des trois spéci cations (28, 29, 30) on a supposé que "t est un bruit
blanc. En conséquence, quelle que soit l'étape de la démarche séquentielle ci-dessus où on s'arrête
pour conclure quant à stationnarité ou non du processus, il importe de s'assurer que "t est un bruit
blanc. On peut utiliser les tests usuels d'autocorrélation des résidus pour répondre à la question (test
de Breusch-Godfrey). Cependant, le test le plus adapté dans ce contexte est celui de Box-Pierce, et
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 20
son extension à savoir celui de Ljung-Box. Le jeu d'hypothèses du test de Box-Pierce est le suivant:
H0 : 1 = 2= ::: = m =0
: (35)
H1 : 9! j 6= 0
avec j l'autocorrélation d'ordre j pour "t, et m généralement xé à T =4 avec T la taille de l'échantillon.
Sous l'hypothèse nulle toutes les autocorrélations sont nulles et "t est un bruit blanc. La statistique de
test notée QBP (m) est égale à:
P
QBP (m) = T m 2
j=1 bj (36)
avec bj l'autocorrélation empirique d'ordre j calculée sur la série des résidus b "t. Sous l'hypothèse
nulle, QBP (m) suit une loi de chi-deux à m p degrés de liberté, avec p le nombre de paramètres
(constante excluse) estimés dans la régression où b "t est récupérée, et la règle de décision habituelle
suit. Notons que pour le modèle (30) p = 2, pour le modèle (29), p = 1, et en n pour le modèle (28),
p = 1. Le test de Box-Pierce semble être peu puissant sur de petits échantillons. Une extension de
ce test plus performante à distance nie est celle de Ljung-Box. Le jeu d'hypothèse est le même
(équation 35) et la statistique de test notée QLB (m) est dé nie par:
Pm b2j
QLB (m) = T (T + 2) j=1 (37)
T j
qui sous l'hypothèse nulle suit la même distribution que la statistique de Box-Pierce.
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 21
A ce niveau la question d'intérêt est la suivante: Quelle démarche adopter si à l'étape de la démarche
séquentielle où on s'est arrêté (pour conclure à la stationnarité ou non du processus), le processus "t
n'est pas un bruit blanc. Dans ce cas on ne peut plus utliliser le test DF, mais une version augmenté
du test DF appelée test ADF (Augmented Dickey-Fuller).
Si on considère les équations (28, 29 et 30), il s'agit en cas d'autocorrélation dans "t de le blanchir en
supposant que:
k
X
"t = j Xt j+1 + vt ; (38)
j=2
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 22
k
X
Xt = Xt 1 +a+ j Xt j+1 + vt ; (40)
j=2
k
X
Xt = Xt 1 + a + bt + j Xt j+1 + vt : (41)
j=2
Pour chacune de ces équations l'hypothèse de non-stationnarité peut être testée comme suit:
H0 : =0
:
H1 : <0
Comme pour le test DF, les statistiques de tests sont à comparer avec les valeurs critiques tabulées
(seuils de MacKinnon), et ceci en fonction de l'équation retenue, du risque de première espèce et de
la taille de l'échantillon3. La règle de décision est la même que celle du test DF.
Notons pour nir que de nombreuses extensions des tests DF et ADF ont été proposées dans la
littérature. On peut citer entre autres, le test de Phillips-Perron (test PP), le test de Kitawoski-Phillips-
Schmidt-Shin (test KPSS), etc.
3
Notons que la signi cativité des paramètres j peut être testée via des tests traditionnels de student.
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 23
Les relations entre variables économiques issues de la théorie économique sont généralement abor-
dées en économétrie au travers du modèle de régression linéaire multiple et ses extensions (voir
chapitres précédents). Dans ce cadre les données collectées par l'économiste appliqué peuvent être
en coupe instantanées (plusieurs individus observés à un moment donné du temps) ou se présen-
ter sous forme de série temporelle. Cette section traite des problèmes qui peuvent apparaître lorsque
le modèle de régression linéaire multiple est estimé sur données temporelles. Le principal problème
qui retiendra notre attention est celui de la non-stationnarité des variables incluses dans le modèle
de régression. Ce problème se rencontre très souvent dans la pratique car de nombreuses variables
économiques (macroéconomiques, nancières) sont générées par des processus intégrées et sont
donc non-stationnaires. Ces variables lorsqu'elles sont impliquées dans des modèles de régression
conduisent à des relations estimées fortement signi catives et ceci même si ces relations n'existent
pas en réalité. On parle alors en utilisant la terminologie de Granger et Newbold (1974) de régressions
fallacieuses (ou en anglais, spurious regression).
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 24
Yt = Xt + ut: (42)
Les deux processus étant indépendants, il ne devrait pas y avoir de relation systématique entre Xt et
Yt et l'estimation de l'équation de régression (42) par MCO devrait conduire en terme d'inférence à la
nullité du coef cient et un coef cient de détermination R2 nul. Cependant, ceci n'est généralement
pas le cas à cause de la présence de trends stochastiques dans les processus Xt et Yt. Une dé ni-
tion plus précise de la régression fallacieuse est donnée ci-contre:
Dé nition: Soit deux processus stochastiques respectivement I (1) indépendants et générés par:
Xt = Xt 1 + "t ; (43)
Yt = Y t 1 + et; (44)
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 25
Yt = Xt + ut: (45)
Alors, pour T ! 1,
Dans ce contexte, il est important d'être précautionneux quant à la conclusion à tirer, lorsque pour un
modèle de régression sur données temporelles, on observe des ratios de student très élevés, un co-
ef cient de détermination élevé, mais aussi une faible valeur pour la statistique de Durbin-Watson.
La régression fallacieuse mise en exergue par Granger et Newbold (1974) au travers de simulations
de monte carlo est analytiquement expliquée par Phillips (1986) qui démontre que le ratio de student
pour le coef cient dans (45) ne suit pas une distribution de student et tend vers l'in ni lorsque T
augmente. Ceci a pour conséquence le rejet de l'hypothèse nulle = 0 pour de grands échantillons.
A l'évidence, une solution pour éviter la régression fallacieuse serait de différencier les séries et de
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 26
Yt = Xt + wt:
Néanmoins comme on le verra ci-dessous, cette solution conduit à une mauvaise spéci cation si les
deux variables I(1) sont cointégrées.
2.2 La Cointégration
Dé nition: (Engle et Granger ): Les composantes du vecteur zt = (z1t; :::; znt) sont cointégrées d'ordre
d, b, zt CI (d; b) si:
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 27
Il existe = ( 1; :::; n) tel que zt est intégré d”ordre d b > 0. est le vecteur de cointégration.
Remarques:
Le vecteur de cointégration n'est pas unique. En effet si = ( 1; :::; n) est le vecteur de coin-
tégration, alors pour 6= 0, ( 1; :::; n) est aussi un vecteur de cointégration. Dans ce contexte,
on procède généralement à une normalisation en xant 1 = 1, soit = 1= 1 ce qui conduit à
(1; 2= 1:::; n= 1).
Pour bien comprendre la notion de cointégration, limitons-nous au cas de deux variables I (1) Xt et
Yt. Chacun de ces deux processus peut être considéré comme la somme d'une marche aléatoire et
d'une composante stationnaire, soit
Xt = Xt + "Xt
Yt = Yt + " Yt
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 28
avec Xt et Yt représentant les trends stochastiques, "Xt et "Yt les composantes stationnaires. Si les
deux séries sont cointégrées, il existe à une normalisation près un vecteur de paramètres (1; ) tel
que
Yt Xt I (0)
c'est-à-dire
Or ("Yt "Xt ) est stationnaire par dé nition. Il vient donc que pour que l'équation (46) soit valable, il
faut que le terme Yt Xt ne compte pas. Une condition nécessaire et suf sante pour ceci est que
Yt Xt = 0;
ou encore
Yt = Xt :
On peut donc conclure qu'une condition nécessaire et suf sante pour que les deux processus Xt et
Yt soient cointégrées est qu'ils aient à un facteur près le même trend stochastique.
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 29
Pour résumer si on note et = Yt Xt il vient donc que si Xt et Yt sont cointégrées, alors et est sta-
tionnaire et il existe une relation d'équilibre de long-terme entre ces variables résumée par la relation
et = 0, soit
Yt Xt = 0:
La variable et correspond alors à la déviation de la relation d'équilibre de long-terme et est appelée
erreur d'équilibre (equilibrium error ). Puisque et est stationnaire, la déviation n'est donc pas perma-
nente, mais temporaire. L'évolution de chacune des deux variables est donc in uencée par le fait que
l'on soit à l'équilibre ou non. En effet en cas de déséquilibre par rapport à la relation de long terme, si
le système doit retourner à l'équilibre, au moins une des variables doit répondre à la magnitude de la
déviation. Il y a donc une dynamique de court terme qui permet l'ajustement vers la relation d'équilibre
de long terme: on parle alors de modèle à correction d'erreur.
Yt = Yt 1 + et 1 + Xt + vt
4
De manière symétrique la même équation peut être écrite pour la variable Xt :
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 30
soit
Yt = e t 1 + Xt + vt: (47)
Cette spéci cation (équation (47)) correspond au modèle à correction d'erreur dans sa forme la plus
simple. Elle indique que la variation de Yt à savoir Yt peut être expliquée par la valeur passée de
l'erreur d'équilibre et la variation de Xt, soit Xt. Pour bien comprendre le sens de l'équation (47),
faisons abstraction du terme Xt et supposons que et 1 > 0, ce qui signi e que la valeur de Yt en
t 1 est située au-dessus de sa valeur d'équilibre. Dans ce cas pour restaurer l'équilibre en t, doit
être négatif. Notons que est appelé paramètre de long-terme (long run parameter) et paramètre
de court-terme (short-run parameter). Le paramètre mesure quant à lui la vitesse d'ajustement vers
la relation de long terme. Il mesure la proportion de l'erreur d'équilibre de la période précédente qui
est corrigée à la période suivante.
On peut introduire plus de dynamique en incluant les valeurs décalées de Xt et Yt dans l'équation
(47), soit
Xp 1 Xq 1
Yt = e t 1 + j Yt j + j Xt j + vt : (48)
j=1 j=0
Cette spéci cation est plus complète en ce sens que la dynamique de court-terme est plus riche.
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 31
Engle et Granger (1987) ont introduit une méthodologie pour tester si deux processus stochastiques
I (1) sont cointégrés, en recourrant aux tests de stationnarité (tests DF et ADF). Il s'agit d'une méthodolo-
gie en deux étapes. La première étape consiste à estimer le terme d'erreur d'équilibre qui correspond
au résidu dans le modèle de régression
Yt = Xt + et;
soit ebt = Yt bXt. Dans la deuxième étape, on applique le test de Dickey-Fuller Augmenté (ADF) à
la série des résidusfb etgTt=1 pour tester si elle est stationnaire ou non. En cas de rejet de l'hypothèse
nulle de non stationnarité, on conclut alors à la stationnarité de fb etgTt=1 et les deux séries Yt et Xt sont
cointégrées. Il importe ici de préciser que puisque le test de stationnarité porte sur une série estimée,
les seuils critiques sont différents de ceux utilisés pour tester la stationnarité de séries observées (voir
chapitre précédent). Les valeurs critiques à utiliser sont fournies par MacKinnon (1991) et dépendent
du nombre de variables incluses dans la relation de cointégration.
Une fois qu'on est assuré que les deux séries sont cointégrées, le modèle à correction d'erreur dans
sa forme complète (équation 48) peut être estimé par moindres carrés ordinaires, en remplaçant et
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 32
3 Quelques exercices
3.1 Exercice 1:
Sur des données constituées par les moyennes mensuelles du taux d'intérêt Euribor à 1 mois ob-
servées sur la période allant de janvier 1999 à septembre 2007, on a réalisé successivement les trois
régressions suivantes :
6
X
it = bit 1 + it j + ut (50)
j=1
6
X
it = a0 + bit 1 + it j + ut (51)
j=1
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 33
6
X
it = a0 + ct + bit 1 + it j + ut (52)
j=1
avec it = it it 1 .
Un résumé des résultats obtenus vous est donné dans le tableau ci-après. Dans celui-ci, la quan-
tité Q correspond à la statistique de Ljung-Box calculée au moyen des 12 premiers coef cients
d'autocorrélation de la série des résidus empiriques u
bt. Entre parenthèses gure l'écart-type estimé.
(50) (51) (52)
b
a0 0:112 0:156
(0:048) (0:073)
bb 0:00032 0:033 0:040
(0:0039) (0:015) (0:017)
b
c 0:004
(0:017)
Q 10:057 7:504 6:852
Quelle conclusion pouvez-vous en tirer ? Par ailleurs, si parmi les trois versions du test de Dickey-
Fuller vous ne deviez en retenir qu'une seule, quel serait votre choix ?
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 34
3.2 Exercice 2 :
On procède à un test de Dickey-Fuller Augmenté sur la série de la masse monétaire (M3) en France
pour la période 1978 :4-2000 :2 (en fréquence trimestrielle).
Question 1 : Expliquez les différences du test de Dickey-Fuller Augmenté par rapport au Dickey-Fuller
standard.
Le tableau qui suit reproduit les résultats obtenus. Apparaissent, dans l'ordre, (1) le nombre de retard,
(2) la p-value associée au test de Ljung-Box, (3) la p-value associée au test de student du dernier dé-
calage de M3 en différence, et (4) la statistique calculée de DF.
Question 2 : Quel est le nombre de retard retenu pour tester la stationnarité de la variable M3 dans
le cadre du test ADF?
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 35
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 36
3.3 Exercice 3 :
On dispose des réalisations (moyennes mensuelles) du taux d'intérêt au jour le jour sur le marché in-
terbancaire de la zone euro et du taux d'intérêt sur les valeurs d'Etat à 5 ans, notés respectivement iSt
et iLt pour les mois de janvier 2005 à mai 2009, soit 53 observations au total sur chaque série.
Au moyen de cette base de données, on a réalisé par OLS les six ajustements dont les résultats vous
sont donnés ci-après, sachant que l'on note m le nombre d'autocorrélations sur la série résiduelle
considérées dans le calcul de la statistique de Ljung-Box appelée QLB (m) et que l'opérateur est
dé ni par = (1 L), où L est l'opérateur de décalage habituel, Lj xt = xt j :
0:1709 iLt 4
0:0554 iLt 5 + 0:2254 iLt 6
0:2922 iLt 7
(0:0171) (0:0171) (0:0165) (0:0167)
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 37
2 2 2
iS t = 0:0076 0:2631 iSt 1
0:0657 iSt 1 + 0:3165 iS t 2
(0:0020) (0:079) (0:0150) (0:143)
2 2 2 2
iLt = 0:0065 0:9282 iLt 1 + 0:4122 iLt 1 + 0:2768 iLt 2 + 0:4452 iL t 3
(0:0028) (0:287) (0:0271) (0:0244) (0:213)
2 2 2
+0:2217 iLt 4 + 0:1446 iLt 5 + 0:3357 iL t 6
(0:0215) (0:0183) (0:167)
iLt = 1:8821 bt
0:5603iSt + u
(0:123) (0:039)
bt =
u bt
0:4387 u 1 bt
+ 0:4291 u 1 bt
+ 0:1153 u 2 bt
+ 0:1749 u 3 + vbt
(0:124) (0:142) (0:0146) (0:0147)
Quelles sont vos conclusions. Pensez à indiquer les nombres de degrés de liberté des statistiques
que vous utilisez ?
Cours d'Econométrie
Chapitre 4 : Non Stationnarité, Cointégration et Modèles à Correction d'Erreur 39
Cours d'Econométrie