Vous êtes sur la page 1sur 18
Econométrie des séries temporelles Cointégration et VECM

Econométrie des séries temporelles

Econométrie des séries temporelles Cointégration et VECM

Cointégration et VECM

1. Combinaison linéaire de variables

Exemple: Demande de monnaie des ménages

dépend du niveau des prix (neutralité) du revenu (croissance des achats de biens) du taux d'intérêt (coût d'opportunité de la détention d'actifs en M

m t = β 0 + β 1 p t + β 2 y t + β 3 r t + e t e t :perturbation stationnaire

valeur attendue des paramètres (hors la cste): le 1er =1, le 2ème >0 et le dernier <0 marché en équilibre : déviation temporaire (pas de trend stoch.) toutes les séries sont I(1): leur comb. lin. est stat. autres exemples économiques: consommation (Rp), prix futurs sur les marchés de change, marchés de biens et ppp,

Cointégration: définition et précisions

point de départ: équilibre de long terme entre des variables

β 1 x 1 t + β 2 x 2 t +

β x t = 0

+ β n x nt = 0

par rapport à ce point: déviation appelée erreur d'équilibre

e t = β x t

définition: les composantes de x t sont cointégrées CI(d,b) si

toutes les composantes sont intégrées

il existe un vecteur βtel que la combinaison βx t soit intégrée d'ordre d-b avec b>0 ; c'est le vecteur de cointégration, vecteur de l'ex précédent:

stat.

monnaie ensemble cointégré CI(1,1):

vecteur de cointégration

à un facteur λ non nul près : normalisation par

x t = m , 1, p , y ,

t

t

t

β

β

0

,

β

1

(

(

)

β

r t

,

= 1,

β

3

)

2

,

λ = 1 / β 1

dans l'éq. générale

possibilité de multi-cointégration: une partie I(2) les autres I(1)

si (1) ~ CI(2,1) possible de trouver une combinaison entre la 1 ère et (2)

notion de rang de cointégration : nombre de vecteurs de cointégration pour un ensemble de variables (nb var>2)

ex demande de monnaie: relation correspondant à une politique de

régulation de l'autorité monétaire (réduit l'offre quand le PIB nominal est

élevé et inversement)

(

m t = γ 0 γ 1 y t + p t

) + e 1t

= γ 0 γ 1 y t γ 2 p t + e 1t

avec e 1t stat.

d'où l'ensemble de comb lin stat

β =

⎡ − β 1 β 2

β 0

γ 0

1

1

γ 1

γ 2

β 3

0

pas toujours identifiable

2. Liens entre tendances

Tendances communes (Stock et Watson): permet de comprendre la cointégration de variables n. stat.

ex: 2 séries RW plus un terme aléatoire (stat. pas nécessairement bb)

y t

z t

=

=

µ y t

µ z t

+

+

e y t

e z t

cointégrées si la comb lin est stat

vérifié si le 1er terme est stat.

(

β 1 y t + β 2 z t = β 1 y t + e yt

) + β 2

(

z

t

+ e

zt

)

=

(

β 1 µ yt

+

β 2 µ zt

) + (

β 1 e yt + β 2 e zt

β 1 µ yt + β 2 µ zt = 0

soit (coeff non nuls) scalaire près généralisable à n variables

µ yt = β 2 µ zt / β 1

trends identiques à un

)

3. Cointégration et correction d'erreur

correspondance entre les variations de certaines variables et les écarts par rapport à l'équilibre de long terme: nécessaire pour le retour Ex.: relations entre taux court et long et ajustement des variables par rapport aux écarts vis à vis de l'e l t ; différents mouvements possibles de l'un vers l'autre (ampleur et sens) : spécification complète de la dynamique

modèle à correction d'erreur (dyn ct influencée par l'écart vis à vis de

l'équilibre); pour 2 variables I(1):

(

Δr St = α S r Lt 1 β r St 1

) + ε St

α S > 0

(

Δr Lt = α L r Lt 1 β r St 1

) + ε Lt α L > 0

erreurs bb (év. corrélées), les r sont les taux l et c avec βpar. d'éq l t si la déviation de l'e lt est >0 le taux c monte et l'autre baisse: réponse aux chocs et à la déviation en t-1

pour chaque relation, tx c ou tx l : la variation du tx est stat par définition et donc le membre de droite, la relation de correction d'erreur est I(0) comme la variation du tx

les tx sont cointégrés, vecteur CI

(1, β )

: représentation EC et CI

(1,1)

généralisation

Δr St

=

a 10 + α S ( r Lt 1 β r St 1 ) + Σa 11 (i ) Δr St i + Σa 12 (i ) Δr Lt i + ε St

Δr Lt = a 20 + α L r Lt 1 β r St 1 ) + Σa 21 (i ) Δr St i + Σa 22 (i ) Δr Lt i + ε Lt

(

avec termes d'erreurs et termes en variation stat. donc la comb lin des tx est elle aussi stat.

selon que les vitesses d'ajustement sont plus ou moins grandes la réponse aux déviations d'équilibre est plus ou moins rapide pour un VAR à n variables la forma générale est

Δx t = π 0 + π x t 1 + π 1 Δx t 1 + π 2 Δx t 2 +

π 0 : vecteur des constantes π i : matrice de coefficients d'élément π jk (i )

+ π p Δx t p + ε t

π :

matrice d'éléments π jk dont 1 au moins 0

on tire du système précédent (sans hyp):

les éléments de droite étant stat le membre de gauche aussi: π contient des constantes, chaque ligne est le vecteur de coint de x t

π x t 1 = Δx t π 0 − Σπ i Δx t i ε t

du type

(

π

11

, π

12

,

,

π

1

n

)

propriétés importante de π :

si tous ses éléments sont nuls : simple VAR en d. p. si certains ne le sont pas: réponses aux déviations de l'e l t ; estimer le VAR en d p sans ce terme est une erreur de spécification : représentation EC

ex. sur forme simple:

pas de cste transformée avec L:

y t = a 11 y t 1 +

z t = a 21 y t 1 +

a 12 z t 1

+

a 22 z t 1 +

ε yt

ε zt

1 a 11 L ) y t a 12 Lz t = ε yt a 21 Ly t + 1 a 22 L ) z t = ε zt

(

(

erreurs bb, év corr,

en écriture matricielle

pour résoudre le système en y et z :

(

1 a 11 L )

a 21 L

a 12 L

(

1 a

22

L )

y

z t

t

=

ε

yt

ε

zt

on obtient:

y t =

z t =

( 1 a 22

L )ε yt + a 12 L ε zt

(

1 a

11

L ) (

1 a 22 L ) a 12 a 21 L 2

(

a 21 L ε yt + 1 a 11

L )ε zt

(

1 a

11

L ) (

1 a 22 L ) a 12 a 21 L 2

équations aux diff. finies de second ordre, avec la même

éq. caractéristique inverse

en annulant cette éq. on obtient ses 2 racines, en écrivant

on obtient

λ = 1 / L

λ 2

(

a 11 + a 22

) λ + (

) = 0

a 11 a 22 a 12 a 21

dont les

racines déterminent la dynamique des 2 variables (même éq. car.):

les 2 racines intérieures au cercle unité (inverse): solutions stables, var stat. donc non CI(1,1) une racine hors du cercle: solutions explosives, var non diff-stat, non CI (1,1) ; idem si 2 racines unitaires : 2 var I(2) donc non CI(1,1)

si

a 12 = a 21 = 0

solution triviale: racines unitaires pour

a 11 = a 22 = 1

d'où

λ 1 = λ 2 = 1

, 2 var sans relation d'e l t, non CI

CI(1,1) si une racine unitaire et l'autre <1 (va): même trend stoch. et DS

Implications des restrictions sur les coefficients

[après manipulations] les restrictions nécessaires pour CI(1,1)

a 11 = 1 a 22

(

) a 12 a 21

a 22 > 1

a 12 a 21 +

(

a

22

) 2 < 1

/ 1 a

(

22

)

conséquences sur la nature des solutions: ré-écrit le système (d 8) en tranchant l'endogène retardé de chaque éq.:

Δy t

Δz t

=

a 11 1

a 21

⎤ ⎡

a 12

a 22 1 ⎥ ⎦ ⎢ ⎣

y t 1

z t 1

⎤ ⎥ ⎥ ⎦ + ⎢ ⎣

Δy t =

Δz t = a 21 y t 1

soit le modèle en forme EC

Δy t = α y Δz t = α z

a 12 a 21 /

(

1 a

)

y t 1 + a 12 z t 1 + ε yt

22

( 1 a 22

) z t 1 + ε zt

(

(

y t 1 β z t 1 ) + ε yt

y t 1 β z t 1 ) + ε zt

ε

yt

ε

zt

quelques manipulations

avec

(

α y = a 12 a 21 / 1 a

β

(

= 1 a 22

) / a 21

α z = a 21

22

)

voir cas particulier

a 12 = 0

en résumé

restrictions nécessaires à l'existence de CI(1,1): garantit l'existence de l'ECM

dans l'exemple y et z ont des racines unitaires et leur c l

le vecteur de coint. norm. est

les variables s'ajustent à une déviation d'e l t selon

l'ECM entre 2 I(1) implique la coint. (Th. de Granger: représentations équivalentes)

la coint. nécessite des restrictions dans leVAR : forme restreinte

y t β z t

est stat.

1, 1 a 22

(

) / a 21

α y = a 12 a 21 /

(

1 a 22 )

et α z = a 21

Δx t = π x t 1 + ε t

un VAR coint. ne peut être estimé seulement en d p: manque la partie correction lignes de π non indépendantes: utilisation du rang de la matrice pour tester la coint (voir Johansen et Stock & Watson) en général les variables d'un système coint répondent à un déviation d'e l t ; possibilité qu'une variable ne soit pas affectée : nullité du par d'ajustement var faiblement exog y ne cause pas au sens de Granger z si les retards de y ne rentrent pas dans l'équation de z et si z ne répond pas aux déviation de l'e l t; z est dit faiblement exogène

4. Tests alternatifs de cointégration

4.1 Méthodologie de Engel et Granger: 4 étapes

1: tester l'ordre d'intégration de chaque variable (tout s'arrête si non intégrées)

2.: estimer la relation de long terme du type

y t = β 0 + β 1 z t + e t

estimateur super-consistant (Stock 1987)

résidus obtenus ê t : contient les déviations de l'e l t ; si stat. séries coint

régression de type ADF

n

Δeˆ t = a 1 eˆ t 1 +

a i + 1 Δeˆ t i

+ ε t

résidus estimés H0: racine u dans les résidus non rejet : var non CI sinon CI(1,1)

i = 1

  résidus estimés    H0: racine u dans les résidus non rejet : var non

4.1 suite

3. Estimer leVECM avec l'utilisation des résidus de l'étape 2 comme une estimation de la relation de correction

Δy t = α 1 + α y eˆ t 1 Δz t = α 2 + α z eˆ t 1

+

+

Σα 11 (i ) Δy t i

+ Σα 12 (i ) Δz t i + ε yt

Σα 21 (i ) Δy t i + Σα 22 (i ) Δz t i + ε zt

estimer comme un VAR (MCO efficaces, test du nombre de retards, de la nullité jointe d'un ensemble de paramètres des retards d'une variable)

4. Adéquation du modèle:

résidus bb (autocorr

et ré-estimer; évent. nb retards différents entre var: SUR plus efficace) utilisation des fonctions de réponse et décompositions de variance pour apprécier les effets contemporains éventuels des variables entre elles

pas assez de retards dans le modèle, corriger

4.2 Valeurs propres, rang et cointégration

défaut de la méthode Engle et Granger : oblige à choisir un sens dans la relation l t entre les variables (n'est indifférent que pour un nombre d'observations tendant vers l'infini) ; problème aussi pour séparer les vecteurs de CI s'il y en a plusieurs (risque croissant avec le nombre de variables méthode de Johansen (généralisation multivariée de DF):

pour n variables

x t = A 1 x t 1 + ε t

Δx t =

( A I ) x t 1 + ε t

le rang de π donne

= π x t 1 + ε t

π

π

le nombre de vecteurs de cointégration on peut tenir compte d'un drift

*

π 11

π

22

.

π n 2

π 1n

π 2 n

.

π nn

a 10

a 20

.

a n 0

11

21

Δx t = π * x t 1 + ε t

π * =

pour chaque équation, constante avec une restriction sur la relation entre elles

* x t 1

.

π n1

(

,1)'

=

x 1t 1 , x 2 t 1 ,

,

x nt 1

conséquence: éliminer le trend du système, la solution est obtenue par l'annulation de chaque ligne du système (différents tests possibles selon les logiciels) extension similaire à ADF pour inclure un AR(p):

le rang de π est décisif:

Δx t = π x t 1 +

π

=

1

p

i = 1

p

π i Δx t i

i = 1

A i

+ ε t

p

j = i + 1

π i =

A

j

0: modèle VAR en diff 1: un seul vecteur de coint, le 1er terme est le terme de correction n: système stationnaire à n vecteur de coint

obtenu par le nombre de racines (valeurs propres) différentes de 0

on désigne par

λ i

chaque valeur propre, i valant de 1 à n dans l'ordre

des valeurs décroissantes; on forme la grandeur

(

log 1

λ

i

)

si rang=0 toutes ces grandeurs sont nulles

si rang=1:

sur les valeurs estimées 2 tests usuels de significativité

log 1 λ 1 ) <

(

0

et les autres sont nulles

λ trace ( r ) = T

n

i = r + 1

(

log 1

ˆ

λ

i

)

(

ˆ

λ

r

+ 1 )

λ max ( r , r + 1) = T log 1

ˆ

λ i

T = nombre d'observations utilisables

= valeur estimée des valeurs propres

le 1er teste le nombre de vecteurs r : plus les valeurs propres sont loin de 0 plus le log est <0 et plus la stat est grande teste le nombre de vecteurs r contre r+1 : si la valeur propre est proche de 0 la valeur du test est petite

•   Distribution des tests du nombre de vecteurs •   Ex: donnée trim danoises

Distribution des tests du nombre de vecteurs Ex: donnée trim danoises 1974.1-1987.3

x t = m 2 t , y t , i t d , i t ) ' monnaie réelle, revenu réel, taux d'intérêt sur les dépôts et sur des titres (alt)

(

b

constante dans la relation de coint, résidus de la relation testée (trsp 15) non corrélés : 4 valeurs propres de la matrice estimée:

 

λmax

λtrace

λ 1 =0.4332

30.09

49.14

λ 2 =0.1776

10.36

19.05

λ 3 =0.1128

6.34

8.69

λ 4 =0.0434

2.35

2.35

dernière col.: cumul de la 2ème "trace" ne rejette pas la nullité de r pour "max" on rejette r=0 à 5% contre r=1

4. Applications

Application : fichier de données simulées COINT ; comparer résultats selon Engle-Granger et selon Johansen

1.: tester la cointégration des variables avec 1 et avec 4 retards (test de Sims avec les cov résidelles) 2.: estimer le modèle et la matrice : par les MCO, une constante dans le vecteur, estimer les valeurs propres, tester le nombre de vecteurs 3.: analyser le vecteur normalisé