Vous êtes sur la page 1sur 23

La Modlisation VAR

June 20, 2001

1. Reprsentation VAR
1.1. Exemple introductif On considre deux processus stationnaires fy1;t ; t 2 Zg et fy2;t t 2 Zg dnies par les relations suivantes : p p X X c1;i y2;ti d1 y2;t + "1;t (1.1) b1;i y1;ti + y1;t = a1 +
i=1 p i=1

y2;t = a2 +

o les innovations f"1;t ; t 2 Zg et f"2;t ; t 2 Zg sont des bruits de variance respective 2 1 et 2 2 ; et non corrls : E ("1;t "2;tj ) = 0; 8j 2 Z: On constate immdiatement que le processus vectoriel Yt = (y1;t y2;t )0 peut scrire sous la forme dun processus AR (p) : En eet : 1 d1 a1 b1;i c1;i B= A0 = Ai = 8i 2 [1; p] d2 1 a2 b2;i c2;i On dnit un processus vectoriel "t i:i:d: tel que : 2 0 1 0 "1;t "t = E "t "t = - = 0 2 "2;t 2 Alors, on montre immdiatement que :
p X i=1

X
i=1

b2;i y1;ti +

p X i=1

c2;i y2;ti d2 y1;t + "1;t

(1.2)

BYt = A0 +

Ai Yti + "t

(1.3)

On qualie cette reprsentation de processus V AR (Vectorial Autoregressive ) dordre p, not V AR(p). Ce systme initial donne par les quations (1.1) et (1.2), ou par la dnition matricielle (1.3) est qualie de reprsentation structurelle. On constate que dans cette

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

43

reprsentation le niveau de y2;t a un eet immdiat sur y1;t et vice et versa. Lestimation de ce modle suppose donc destimer 4 (p + 1) + 2 + 2 paramtres. Cest pourquoi on travaille gnralement partir de la forme rduite du modle V AR: Ce modle, obtenu en multipliant les deux membres de (1.3) par B 1 ; scrit alors sous la forme : p X e ei Yti + vt Yt = A0 + A (1.4)
i=1

avec :

ei = B 1 Ai 8i 2 [0; p] A vt = B 1 "t 8t 2 Z Ce qui peut scrire sous la forme : y1;t = e a1 + y2;t = e a2 +


p X i=1 p X i=1 p X i=1 p X i=1

e b1;i y1;ti + e b2;i y1;ti +

e c1;i y2;ti + v1;t e c2;i y2;ti + v1;t

(1.5)

(1.6)

On constate alors que le niveau de y2;t ne dpend plus directement de y1;t , mais seulement des valeurs passes de y2;t et de y1;t ; et de linnovation v2;t : Les innovations v1;t et v2;t sont alors fonction des innovations de la forme structurelle ("1;t et "2;t ) et peuvent tre corrles mme en labsence de corrlation des innovations "t . En eet, on a 8t 2 Z: v1;t = v2;t = "1;t d1 "2;t 1 d1 d2 "2;t d2 "1;t 1 d1 d2 (1.7) (1.8)

Ds lors, on vrie que les processus fv1;t ; t 2 Zg et fv2;t ; t 2 Zg sont i:i:d: puisque : E (v1;t ) = E (v2;t ) = 0 E (v1;t v1;tj ) = E (v2;t v2;tj ) = 0 8j 2 Z
2 2 2 2 1 + d1 2 E v1 = ;t (1 d1 d2 )2 2 2 2 2 2 + d2 1 E v2 ;t = (1 d1 d2 )2

Les variances de ces innovations sont alors dnies par 8t 2 Z

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

44

Enn, on constate que les innovations fv1;t ; t 2 Zg et fv2;t ; t 2 Zg peuvent tre corrles alors mme que les innovations du modle structurel f"1;t ; t 2 Zg et f"2;t ; t 2 Zg sont non corrles. ( 2 2 2 d2 2 1 +d1 2 h=0 (1 d1 d2 )2 (1.9) E (v1;t v2;th ) = h 6= 0 0 On constate que cette covariance est nulle en particulier lorsque d1 = d2 = 0; puisque dans ce cas l le niveau de y2;t na pas dinuence sur celui de y1;t et vice et versa. 1.2. Reprsentation gnrale La dnition gnrale dun processus V AR (p) est la suivante. Denition 1.1. Un processus vectoriel fXt ; t 2 Zg, de dimension (n; 1) ; admet une reprsentation V AR dordre p; note V AR (p) si : Xt = c 1 Xt1 2 Xt2 ::: p Xtp + "t ou de faon quivalente : (L) Xt = c + "t o c, dimension (n; 1) dsigne un vecteur de constantes, (L) = i=0 i Li ; o les matrice i ; 8i 2 [0; p] de dimension (n; n) ; satisfont 0 = In et p 6= 0n : Le vecteur (n; 1) des innovations "t est i:i:d: (0n ; -) o - est une matrice (n; n) symtrique dnie positive. Le processus vectoriel des innovations f"t ; t 2 Zg est i:i:d: (0n ; -), et satisfait par consquent les proprits suivantes : E ("t ) = 0 0 - j=0 E "t "tj = 0 j 6= 0 P1 (1.11) (1.10)

De la mme faon que pour un AR (1), on peut donc exprimer le polynme matriciel (L), de dimension (n; n), de la faon suivante : X1 (L) = i Li = In + 1 L 2 L2 ::: p Lp
i=0

o In dsigne la matrice identit (n; n) : On pose les dnitions suivantes : 0 1 0 1 0 i 1 1;1 i i x1;t "1;t 1;2 ::: 1;n i B x2;t C B "2;t C B i C C B C B 2;1 2;2 :::i ::: C 8i 2 [1; p] Xt = B " = = t i @ ::: A (n;1) @ ::: A (n;n) @ ::: ::: j;k ::: A (n;1) i i xn;t "n;t n;1 n;2 ::: i n;n

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

45

On retrouve alors la forme rduite voque dans lexemple prcdent puisque, les processus fxi;t ; t 2 Zg sont respectivement dnis en fonctions de leur pass et du pass des processus fxj;t ; t 2 Zg pour j 6= i: Par exemple, pour x1;t on obtient, 8t 2 Z :
1 1 x1;t = cj + 1 1;1 x1;t1 + 1;2 x2;t1 + :: + 1;n xn;t1 2 2 +2 1;1 x1;t2 + 1;2 x2;t2 + :: + 1;n xn;t2 +::: p p +p 1;1 x1;tp + 1;2 x2;tp + :: + 1;n xn;tp

De faon plus gnrale, pour xj;t ; 8j 2 [1; n] ; on a :


1 1 1 xj;t = c1 + 1 j;1 x1;t1 + j;2 x2;t1 + :: + j;j xj;t1 + :: + j;n xn;t1 2 2 2 +2 j;1 x1;t2 + j;2 x2;t2 :: + j;j xj;t2 + :: + j;n xn;t2 +::: p p p +p j;1 x1;tp + j;2 x2;tp :: + j;j xj;tp + :: + j;n xn;tp

1.3. Conditions de stationnarit La dnition de la stationnarit dordre deux (ou stationnarit du second ordre) est identique celle du cas des processus univaris. Denition 1.2. Un processus vectoriel fXt ; t 2 Zg, de dimension (n; 1) ; est dit stationnaire au second ordre, ou stationnaire au sens faible, ou stationnaire dordre deux si 8t 2 Z; E (Xt ) = m (indpendant de t) (n;1) 8 (t; h) 2 Z2 ; E (Xt+h m) (Xt m)0 = (h) (indpendant de t)
(n;n)

8t 2 Z; E (Xt2 ) < 1

Lorsque lon considre un processus V AR (p) ; on peut dmontrer que ces conditions de stationnarit reviennent imposer des conditions sur les racines du dterminant du polynme matriciel (L) : Proposition 1.3. Un processus vectoriel fXt ; t 2 Zg, de dimension (n; 1) ; statisfaisant une reprsentation V AR (p) telle que 8t 2 Z : (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t est stationnaire si et seulement si les racines du dterminant du polynme matriciel (L) ; note i i 2 [1; n], sont toutes suprieures lunit en module. p1 p2 p =0 det [ (i )] = j (i )j = Inp ::: 1 2 p 1 p i i i i ji j > 1 8i 2 [1; n]

(1.12)

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

46

Exemple : On considre un processus bi-vari fYt ; t 2 Zg admettant une reprsentation V AR (1) telle que : y1;t = 3 + 0:2y1;t1 + 0:7y2;t1 + "1;t y2;t = 1 + 0:3y1;t1 + 0:4y2;t1 + "2;t On pose Yt = (y1;t y2;t )0 et "t = ("1;t "2;t )0 : Cette reprsentation peut sexprimer sous la forme rduite suivante : (L) Yt = c + "t avec c = (3 1)0 et : (L) = 1 0 0 1 + 0:2 0:7 0:3 0:4 L= 1 0:2L 0:7L 0:3L 1 0:4L

Donc la condition de stationnarit du processus fYt ; t 2 Zg se ramne dterminer les racines du polynme : det [ (L)] = (1 0:2L) (1 0:4L) 0:21L2 Les deux racines 1 = 1:30 et 2 = 5:91 sont suprieures 1 en module, le processus V AR est stationnaire. Donc les processus univaries fy1;t ; t 2 Zg et fy2;t ; t 2 Zg sont stationnaires. On peut facilement dmontrer que cette condition de stationnarit peut tre exprime en fonction des valeurs propres de la matrice (L) : Proposition 1.4. Un processus vectoriel fXt ; t 2 Zg, de dimension (n; 1) ; statisfaisant une reprsentation V AR (p) telle que 8t 2 Z : (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t est stationnaire si et seulement si les valeurs propres de lapplication linaire (L) ; note e i i 2 [1; n], sont toutes infrieures lunit en module. Ces valeurs propres satisfont lquation caractristique associe : p p1 p2 p e e e e I ::: (1.13) n i 1 i 2 i p1 i p = 0 1.4. Ecriture VAR(1) dun VAR(p) e i < 1 8i 2 [1; n] (1.14)

Les processus V AR (p) possde une proprit particulirement utile pour les dmonstrations ultrieures.

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

47

Proposition 1.5. Tout processus vectoriel 2 Zg, satisfaisant une reprsentation V AR (p) n fXt ; to e peut tre transform en un processus Xt ; t 2 Z satisfaisant une reprsentation V AR (1) desprance nulle. Preuve : On considre un processus fXt ; t 2 Zg, avec Xt = (x1;t ; :::; xn;t )0 satisfaisant la reprsentation V AR (p) suivante, 8t 2 Z : (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t
(n;n) (n;1)

Dterminons tout dabord lesprance du processus Xt : E (Xt ) = (L)1 [c + "t ] = (1)1 c = 8t 2 Z o est un vecteur de constante (hypothse de stationnarit) de dimension (n; 1) : On peut alors recrire le processus sous la forme suivante : (L) (Xt ) = "t On pose 8t 2 Z () (Xt ) = 1 (Xt1 ) + 2 (Xt2 ) + ::: + p (Xtp ) + "t 0 Xt Xt1 Xt2 ::: Xtp+1 1 In 0(n;n) 0(n;n) 0(n;n) 1 C C C C A 0 "t 0(n;1) 0(n;1) ::: 0(n;1) p 0(n;n) 0(n;n) 0(n;n) 0(n;n) 1 C C C C A

et

B B e Xt = B B (np;1) @

Alors le processus V AR (p) Xt peut se rcrire sous la forme dun processus transform e Xt satisfaisant une reprsentation V AR (1) tel que : Exemple : On considre un processus bi-vari fYt ; t 2 Zg admettant une reprsentation V AR (2) telle que : y1;t = 3 + 0:2y1;t1 + 0:7y2;t1 0:4y1;t2 0:6y2;t2 + "1;t y2;1 = 1 + 0:3y1;t1 + 0:4y2;t1 0:1y1;t2 0:8y2;t2 + "2;t e t = AX et1 + vt X

B B A =B B (np;np) @

B B vt = B B (np;1) @ ::: ::: ::: In 0(n;n) p1 0(n;n) 0(n;n) 0(n;n) In

2 0(n;n) In 0(n;n) 0(n;n)

1 C C C C A

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

48

On pose Yt = (y1;t y2;t )0 et "t = ("1;t "y2;t )0 : Cette reprsentation peut sexprimer sous la forme rduite suivante : (L) Yt = c + "t avec c = (3 1)0 et : (L) = 0 + 1 L + 2 L2 1 0 0:2 = + 0 1 0:3 1 0:2L + 0:4L2 = 0:3L + 0:1L2 Dterminons E (Y ) : E (Yt ) = (1) On pose 8t 2 Z
1

0:7L + 0:6L2 1 0:4L + 0:8L2 1

0:7 0:4

L+

0:4 0:6 0:1 0:8

L2

c=

1:2 0:1 0:2 1:4

3 1

2:59 1:8

et

1 y 2 : 59 1 ;t C B y2;t 1:8 Yt e C Yt = =B A @ Y y 2 : 59 t 1 1 ;t 1 (4;1) y2;t1 1:8 0 1 2 I2 0(2;2) 0:2 B 0:3 =B @ 1 0 0

(4;1)

vt =

"t 0(2;1)

(4;4)

A=

0:7 0:4 0 1

0:4 0:1 0 0

et est identique la reprsenAlors on montre que la reprsentation V AR (1) du processus Y tation V AR (p) du processus Yt puisque : 1 0 y1;t 2:59 0:2 B y2;t 1:8 C B 0:3 C B () B @ y1;t1 2:59 A = @ 1 y2;t1 1:8 0 () 0 et = AY et1 + vt Y 0:7 0:4 0 1 0:4 0:1 0 0 10 0:6 y1;t1 2:59 C B 0:8 C B y2;t1 1:8 0 A @ y1;t2 2:59 0 y2;t2 1:8 1 1 "1;t C B "2;t C C+B C A @ 0 A 0 0

1 0:6 0:8 C C 0 A 0

1 " 1 ;t B "2;t C C =B @ 0 A 0

y1;t = 3 + 0:2y1;t1 + 0:7y2;t1 0:4y1;t2 0:6y2;t2 + "1;t y2;1 = 1 + 0:3y1;t1 + 0:4y2;t1 0:1y1;t2 0:8y2;t2 + "2;t

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA 1.5. Reprsentation VMA Considrons un processus vectoriel fXt ; t 2 Zg, de dimension (n; 1) ; stationnaire.

49

Remark 1. Tout comme dans le cas univari, sous la condition de stationnarit, il est possible dappliquer le thorme de Wold et de reprsenter Xt sous la forme dun processus vectoriel moyenne mobile inni V M A (1). Nous allons nouveau donner lintuition du thorme de Wold appliqu aux processus vectoriels. On considre un processus stationnaire satisfaisant la reprsentation V AR (p) suivante, 8t 2 Z : On sait que E (Xt ) = (1)1 c = ; o est un vecteur de constante (hypothse de stationnarit) de dimension (n; 1) : On sait daprs la proprit prcdente que ce processus V AR (p) peut tre rexprimer sous la forme dun processus V AR (1) tel que : e (L) X et = vt () X et = AX et1 + vt (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t

et et vt ; ainsi que la matrice A on t dnis prcdemment. Ds lors, o les processus X et peut scrire sous la forme dune en itrant vers le pass, on montre que le processus X moyenne mobile dordre ni t donn. Si lon suppose que les valeurs propres de la matrice A sont strictement infrieures 1 et peut en module (condition de stationnarit), alors lim Ak = 0: Ds lors, le processus X k!1 scrire sous la forme : et = lim X
k!1 k X i=0

et = vt + Avt1 + A2 vt2 + ::::: + Ak X etk X

A vti =

1 X i=0

et ; on peut alors dterminer la dcomposition En reprenant la dnition du processus X de Wold associe au processus V AR (p) Xt . Proposition 1.6. Tout processus fXt ; t 2 Zg, de dimension (n; 1) ; stationnaire, satisfaisant une reprsentation V AR (p) ; telle que, 8t 2 Z : Xt = 1 Xt1 + 2 Xt2 + ::: + p Xtp + c + "t admet une reprsentation moyenne mobile convergente dnie par : Xt = +
1 X i=0

e (L) vt Ai vti =

(1.15)

i "ti = + (L) "t

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

50

avec = E (Xt ) = (1)1 c; o "t est un bruit blanc vectoriel et o la squence des matrices de dimension (n; n) ; f i g1 i=0 satisfait 0 = In et est absolument sommable au sens o les i lments j;k de la matrice i satisfont la condition :
1 X i s j;k < 1 8i 1; 8 (j; k ) 2 [1; n]2 s=0

La condition de sommabilit, qui garantit la convergence des moments dordre deux du processus Xt ; doit se comprendre dans ce contexte comme une condition de sommabilit sur une squence de matrices f i g1 i=0 : Cette condition se ramne dmontrer la sommabilit de i tous les lments j;k de ces matrices, au sens traditionnel de la sommabilit dune squence de scalaires (cf. chapitre 1). Il est possible de dterminer de faon gnrale la forme des matrices de loprateur polynmial associe la reprsentation V M A (1). P1 i Proposition 1.7. Le polynme matriciel (L) = i=0 i L associ la reprsentation V MA (1) dun processus V AR (p) stationnaire, fXt ; t 2 Zg, 8t 2 Z : Xt = 1 Xt1 + 2 Xt2 + ::: + p Xtp + c + "t satisfait la relation de rcurrence suivante : 0 = In s = 1 s1 + 2 s2 + ::: + p sp 8s 1 (1.16)

avec s = 0; 8s < 0:

Preuve : Une faon simple dobtenir la reprsentation V M A (1) dun processus V AR (p) consiste identier les polynmes matriciels (L)1 et (L) : En eet, dans le cas dun processus centr (c = 0), on a : Xt = (L)1 "t = (L) "t () (L) (L) = In Ce galit peut se recrire sous la forme : lim In 1 L 2 L2 ::: p Lp In 1 L 2 L2 ::: p Lp ::: k Lk = In

k!1

Ds lors, on montre par identication des termes de mme ordre que les matrices de loprateur polynmial associe la reprsentation V M A (1) satisfont une quation de rcurrence qui correspond celle de la proposition. Preuve : On considre un processus bi-vari stationnaire fYt ; t 2 Zg admettant une reprsentation V AR (1) telle que : (L) Yt = c + "t

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA avec "t i:i:d: (0; -) ; c = (3 1)0 et : 1 0 0:2 0:7 1 0:2L 0:7L (L) = 0 + 1 L = + L= 0 1 0:3 0:4 0:3L 1 0:4L

51

Par application du thorme de Wold, on sait que ce processus peut tre reprsent comme sous une forme V M A (1) telle que : Xt = +
1 X i=0

i "ti = + (L) "t

Immdiatement, on montre que 1 0:8 0:7 3 9:25 = E (Yt ) = = 0:3 0:6 1 6:29 Par dnition, on a (L) (L) = I2 ; ce qui peut se recrire sous la forme : lim (I2 1 L) 0 1 L 2 L2 ::: p Lp ::: k Lk = I2
k!1

Par identication des membres de mme terme, on montre que : 0 = I2 0:2 0:7 1 = 1 = 0:3 0:4 2 0:2 0:7 2 2 = 1 1 = 1 = 0:3 0:4 0:2 0:7 0:3 0:4 n

et de faon gnrale, on a :

n = 1 n1 =

n 1

8n 1

On retrouve ainsi la formule gnrale que lon avait tabli par itration vers le pass dans le cas dun V AR (1): 1 X Yt = + (L) "t = + i 1 "ti
i=0

On montre ainsi que : X i 1 y1;t1 9:25 0:2 0:7 "1;ti Yt = = + y2;t1 6:29 0:3 0:4 "2;ti
i=0

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

52

2. Estimation des paramtres


Tous comme pour les processus AR univaris plusieurs mthodes destimation sont envisageables pour les processus V AR: La premire consiste tout simplement appliquer les MCO . La seconde principale mthode consiste en le maximum de vraisemblance. 2.1. Maximum de Vraisemblance On considre un processus fXt ; t 2 Zg, avec Xt = (x1;t ; :::; xn;t )0 satisfaisant la reprsentation V AR (p) suivante, 8t 2 Z : (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t On suppose que les innovations "t sont i:i:d: N (0; -) et que lon dispose de T + p observations du processus Xt . On cherche dterminer la vraisemblance conditionnelle de Xt en fonction des ralisations passes Xti ; i 2 [1; p] : Par dnition, la distribution conditionnelle de Xt scrit : D (Xt =Xt1 ; Xt2 ; :::; Xtp ) s N (c + 1 Xt1 + 2 Xt2 ::: + p Xtp ; -) An de simplier les calculs, on pose : 0 1 B Xt1 B et = B Xt2 X B (p;1) @ ::: Xtp On a alors : 1 C C C C A 0 1 C C C C A

Si lon note le vecteur des paramtres estimer : 0 c B 1 0 B B 2 = =B B ::: vect(-) B @ p vect(-) Ds lors la densit conditionnelle de Xt scrit :
n=2

et ; D (Xt =Xt1 ; Xt2 ; :::; Xtp ) s N 0 X 1 C C C C C C A

B B =B B @
0

c 1 2 ::: p

f (Xt =Xt1 ; Xt2 ; :::; Xtp ; ) = (2)

0 1 1 - 2 exp 1 Xt 0 X et -1 Xt 0 X et 2

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

53

En partant de cette expression, il est possible de driver la vraisemblance sur lensemble de lchantillon fXt gT t=1 conditionnellement aux valeurs initiales (X0 ; X1 ; X2 ; :::; Xp ) scrit f (Xt ; Xt1; Xt2; :::; X1 =Xt1 ; Xt2 ; :::; Xtp ; ) =
T Y t=1

f (Xt =Xt1 ; Xt2 ; :::; Xtp ; )

La log-vraisemblance dun processus V AR (p) scrit donc : L () =


T X t=1

log [f (Xt =Xt1 ; Xt2 ; :::; Xtp ; )]

La maximisation de cette vraisemblance permet alors dobtenir des estimateurs convergents des paramtres et de la matrice de variance covariance des innovations -: 2.2. Dtermination du nombre de retards

T 0 1 1 X 1 Tn 1 0 e 0 e log (2 ) + log Xt Xt Xt Xt (2.1) = 2 2 2 t=1

Pour dterminer le nombre de retards optimal pour un V AR (p) ; on peut utiliser plusieurs mthodes. En particulier toutes les mthodes de comparaison de modles tudies dans le chapitre prcdent sont valides ds quelles ont t adaptes au cas vectoriel. Une procdure type consiste estimer tous les modles V AR pour des ordres p allant de 0 un certain ordre h x de faon arbitraire (nombre de retards maximum pour la taille dchantillon considr, ou nombre de retards maximum compatible avec une thorie ou une intuition conomique). Pour chacun de ces modles, on calcule les fonction AIC (p) et SC (p) de la faon suivante : h i 2 b + 2k p AIC (p) = ln det T h i k 2 p ln (T ) b F C (p) = ln det - + T (2.2) (2.3)

b la matrice de o T est le nombre dobservations, k le nombre de variable du systme, variance covariance des rsidus estims du modle. 2.3. Prvisions 2.3.1. Le cas dun VAR(1) Considrons le cas dun modle V AR (1) centr tel que 8t 2 Z : Xt = 0 + 1 Xt1 + "t Supposons que lon dispose dune ralisation sur un chantillon de T ralisations (X1 ; X2 ; ::; XT ) b 1 de 1 et dun estimateur convergent b 0 de 0 La formule qui dun estimateur convergent

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

54

permet dobtenir une prvision de la ralisation la date T + 1 du processus Xt est donc naturellement donne par : bT +1 = E (Xt+1 =XT ; XT 1 ; :::; X1 ) = b0 + b 1 Xt X (2.4)

A lhorizon T + 2; on a :

Proposition 2.1. De la mme faon un horizon h; la prvision dun V AR (1) est donne par : h1 b bT +h = E (XT +h =XT ; XT 1 ; :::; X1 ) = I + b1 + b2 b bh X + ::: + 0 + 1 1 1 Xt Ds lors, lerreur de prvision scrit sous la forme : bT +h = XT +h E (XT +h =XT ; XT 1 ; :::; X1 ) XT +h X = XT +h E (XT +h ="T ; "T 1 ; :::; "1 ) h1 X = i 1 "T +hi
i=0

b b b b b b0 + b2 XT +2 = E (Xt+2 =XT ; XT 1 ; :::; X1 ) = 0 + 1 Xt+1 = I + 1 1 XT

(2.5)

Par dnition des bruits blancs, cette erreur de prvision a une esprance nulle. La matrice de variance covariance de lerreur de prvision est donc : 0 bT +h XT +h X bT +h =XT ; XT 1 ; :::; X1 E XT +h X h 0 i 1 h1 = E "T +h + 1 "T +h1 + :: + h " " + " + :: + " T +1 T + h 1 T + h 1 T +1 1 1 = -+
h1 X i=1

i 0 i 1 - 1

Proposition 2.2. Pour un processus V AR (1) ; la matrice de variance covariance de lerreur de prvision un horizon h est dtermine par la relation : E bT +h XT +h X 0 bT +h =XT ; XT 1 ; :::; X1 = - + XT +h X
h1 X i=1

i 0 i 1 - 1

Les variances des erreurs de prvisions pour les processus univaris (x1;t ; x2;t ; :::; x3;t ) sont dtermins par la diagonale principale de cette matrice.

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA 2.3.2. Le cas dun VAR(p)

55

La variance de lerreur de prvision sobtient trs facilement partir de la reprsentation V MA (1) dun V AR dordre p quelconque. En eet, si Xt est un processus stationnaire, alors on peut lcrire sous la forme : Xt =
1 X i=0

i "ti = (L) "t

Ds lors, lerreur de prvision scrit sous la forme : bT +h = XT +h E (XT +h =XT ; XT 1 ; :::; X1 ) XT +h X = XT +h E (XT +h ="T ; "T 1 ; :::; "1 ) h1 X = i "T +hi
i=0

Par dnition des bruits blancs, cette erreur de prvision a une esprance nulle. La matrice de variance covariance de lerreur de prvision est donc : 0 b b E XT +h XT +h XT +h XT +h =XT ; XT 1 ; :::; X1 h 0 i = E "T +h + 1 "T +h1 + :: + h1 "T +1 "T +h + 1 "T +h1 + :: + h1 "T +1 = -+
h1 X i=1

i - ( i )0

Proposition 2.3. Pour un processus V AR (p) ; la matrice de variance covariance de lerreur de prvision un horizon h est dtermine par la relation : h1 0 X b b E XT +h XT +h XT +h XT +h =XT ; XT 1 ; :::; X1 = - + i - ( i )0
i=1

Les variances des erreurs de prvisions pour les processus univaris (x1;t ; x2;t ; :::; x3;t ) sont dtermins par la diagonale principale de cette matrice.

3. Dynamique dun modle VAR


Les modles V AR sont souvent analyss au travers de leur dynamique et ce via la simulation de chocs alatoires et lanalyse de la dcomposition de leur variance.

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA 3.1. Analyse des chocs

56

On considre un processus fXt ; t 2 Zg, avec Xt = (x1;t ; :::; xn;t )0 satisfaisant la reprsentation V AR (p) suivante, 8t 2 Z : (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t On suppose que les innovations "t sont i:i:d: (0; -) et que lon dispose de T + p ralisations de ce processus. On suppose en outre que les paramtres -; i sont connus, mais la mme analyse peut tre mene lorsque lon ne dispose que destimateurs convergents de ces paramtres. Quelle est lide gnrale de lanalyse des chocs ? Ide Gnrale Une fonction de rponse aux innovations rsume linformation concernant lvolution dune composante xi;t qui intervient suite une impulsion sur xj;t la date T; en supposant que toutes les autres variables sont constantes pour t T:

3.1.1. Exemple On considre un processus bi-vari fYt ; t 2 Zg admettant une reprsentation V AR (1) telle que : y1;t = 3 + 0:2y1;t1 + 0:7y2;t1 + "1;t y2;t = 1 + 0:3y1;t1 + 0:4y2;t1 + "2;t On pose Yt = (y1;t y2;t )0 et "t = ("1;t "2;t )0 : On suppose que les chocs "1;t et "2;t sont corrls. Cette hypothse est particulirement importante pour la suite de cet exemple. 2 1 12 1 0:5 0 E ("t "t ) = = 12 2 0:5 1 2 On cherche identier limpact dun choc unitaire sur y2;T la date T sur la dynamique de la variable y1;t aux priodes postrieures T;en supposant les volutions de ces deux variables pour t T connues et donnes. Cela revient supposer : "2;T = 1 "2;t = 0 8t > T

On cherche donc dterminer la variation de y1;t engendre par ce choc. Pour cela considrons la dcomposition de Wold du processus Yt dtermine infra : y1;t = 1 +
1 X i=0

1;i "t

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA o 1;i dsigne la premire ligne de la matrice i issue de la reprsentation V MA : Yt = (L) "t = Yt = y1;t1 y2;t1 = 9:25 6:29 +
1 X i=0

57

i "ti i "1;t1 "2;t1

On pourrait penser que suite au choc "2;T = 1; dans ce cas, la suite des ralisations y1;T +h soit donne directement par les coecients correspondants du vecteur 1;i : On obtiendrait ainsi une fonction de rponse de la variable y1 une impulsion de la variable y2 : Cest une premire possibilit de fonctions de rponse. Le problme ici cest quen raison de la corrlation des deux chocs, limpulsion initiale sur "2;T nest pas sans inuence sur linnovation "1;T qui entre elle aussi dans la reprsentation moyenne mobile innie de y1;t : Conditionnellement la ralisation de "2;T ; du fait de la corrlation des deux chocs, la probabilit dengendrer une innovations "1;T non nulle est elle mme non nulle. Or gnralement, ce qui intressant sur le plan conomique cest denvisager une impulsion sur la composante orthogonale de "2;t "1;t : Cest dire, il convient disoler linnovation propre au processus y2;t non pollue par la raction de linnovation y1;t : Cest pourquoi, il convient dans le cas gnral o E ("t "0t ) - 6= In ; dorthogonaliser les innovations. On considre donc la dcomposition suivante de la matrice de covariance des innovations : - = ADA
0

1 X i=0

0:2 0:7 0:3 0:4

o A est une matrice (2; 2) triangulaire infrieure et o D est une matrice diagonale. Dans notre exemple, on a : ! 2 2 12 1 0 1 0 1 1 12 2 1 -= = 12 2 2 12 1 12 2 0 0 1 2 2 2 2 1
1

Do dans notre exemple : A= On pose:

1 0 0:5 1

D=

1 0 0 0: 75

vt = A1 "t On remarque alors que les innovations vt sont des combinaisons linaires des innovations du modle initial "t qui possdent une proprit dindpendance puisque : 0 0 E (vt vt ) = A1 E ("t "0t ) A1 0 = A1 - A1 0 1 0 1 = A ADA A = D

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

58

Donc la matrice de variance covariance des innovations vt est diagonale, ce qui prouve que ces innovations ne sont pas corrles. Dans notre exemple, il est trs simple de constater que cette orthogonalisation correspond la projection linaire des "2;t sur les "1;t . Le rsidu v2;t correspond la composante orthogonale des "2;t : v2;t = "2;t 12 "1;t " = "2;t 2 1;t 1 2 0 E v2 "01;t = E v2 v1 ;t = 0
1 X i=0

Reprenons la dcomposition de Wold associe Yt il vient : Yt = + (L) "t = + i 1 "ti

Or on pose "t = Avt ; ds lors cette reprsentation V M A (1) peut se rcrire en fonction dinnovations vt non corrles. e (L) "t = + Yt =
1 X i=0

On obtient donc dans notre exemple : X i 1 y1;t1 9:25 0:2 0:7 1 0 v1;t1 Yt = = + y2;t1 6:29 0:3 0:4 0:5 1 v2;t1
i=0

e i vti = +

1 X i 1 A vti i=0

(3.1)

De faon quivalente on peut recrire le V AR en fonction des seules innovations orthogonales : "1;t 1 0 v1;t "t = Avt () = "2;t 0:5 1 v2;t y1;t = 3 + 0:2y1;t1 + 0:7y2;t1 + v1;t y2;t = 1 + 0:3y1;t1 + 0:4y2;t1 + 0:5v1;t + v2;t Ds lors, on construit de la mme faon la squence des y1;T +h obtenus conditionnellement un choc unitaire sur la composante orthogonale v2;T : Cela revient supposer : v2;T = 1 Voici la reprsentation de ces IRF : v2;t = 0 8t > T

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA Figure 3.1: Fonction de Rponses de y1

59

3.1.2. Cas gnral On cherche ainsi de faon gnrale se ramener une reprsentation o les innovations sont orthogonales. Proposition 3.1. Dans le cas gnral o E ("t "0t ) = - 6= In ; on orthogonalise les innovations de la faon suivante. On pose : vt = A1 "t (3.2) o la matrice A est issue de lorthogonalisation de - : - = ADA
0

(3.3)

o A est une matrice (2; 2) triangulaire infrieure et o D est une matrice diagonale. On cherche donc rcrire le systme V AR non plus en fonction des innovations corrls "t ; mais en fonction des innovations orthogonales vt qui satisfont :
0 E (vt vt ) = D matrice diagonale

(3.4)

Proposition 3.2. Cette phase dorthogonalisation implique toutefois que lordre dans lequel sont disposes les variables du V AR aecte lanalyse dynamique et en particulier lanalyse des fonctions de rponse.

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

60

En eet, reprenons lexemple prcdent. On considre un processus bi-vari fYt ; t 2 Zg admettant une reprsentation V AR (1) telle que : y1;t = 3 + 0:2y1;t1 + 0:7y2;t1 + "1;t y2;t = 1 + 0:3y1;t1 + 0:4y2;t1 + "2;t On suppose que les deux chocs "1;t et "2;t sont corrls et ont des variances direntes. cov ("1;t "2;t ) = 1 2
2 2 1 = 1 2 = 2

Il existe deux faons dcrire le V AR, soit on pose Yt = (y1;t y2;t )0 , soit lon crit Yt = (y2;t y1;t )0 : Le choix de lordre des variables va ds lors conditionner notre schma dorthogonalisation : 1. Cas 1 : on crit Yt = (y1;t y2;t )0 et "t = ("1;t "2;t )0 : Ds lors, on pose : 2 1 12 1 0:5 0 E ("t "t ) = - = = 12 2 0:5 2 2 Dans ce cas, on a : - = ADA =
0

Les innovations orthogonales sont donc dnit par 1 v1;t 1 0 "1;t 1 0 "1;t 1 : vt = A "t () = = v2;t 0:5 1 "2;t 0:5 1 "2;t v1;t = "1;t () v2;t = 1 " + "2;t 2 1;t Ds lors v2;t mesure la composante de "2;t orthogonale "1;t : 2. Cas 2 : on crit Yt = (y2;t y1;t )0 et "t = ("2;t "1;t )0 : Ds lors, on pose : 2 2 12 2 0:5 0 E ("t "t ) = - = = 12 2 0:5 1 2 Dans ce cas, on a : - = ADA =
0

1 0 0:5 1

1 0 0 1: 75

1 0:5 0 1

Les innovations orthogonales sont donc dnit par : 1 v2;t 1 0 "2;t 1 0 "2;t 1 vt = A "t () = = v1;t 0:25 1 "1;t 0:25 1 "1;t v1;t = 1 " + "1;t 4 2;t () v2;t = "2;t Dans ce cas, v2;t nest rien dautre que "2;t ; qui par nature est corrl avec "1;t :

1 0 0:25 1

2 0 0 7 8

1 0:25 0 1

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

61

3. En consquence, dans cet exemple on montre que (i ) si lon dsire tudier limpact dune innovation pure du processus y2;t sur le niveau de y1;t ; et que (ii ) on retient cette mthode dorthogonalisation, il convient dcrire le systme V AR sous la forme Yt = (y1;t y2;t )0 : Bien entendu, les fonctions de rponse obtenues dans les deux cas ne sont pas identiques.

Rsultat De faon gnrale dans lcriture dun V AR, la variable, que lon suppose conomiquement tre la variable explicative, doit gurer aprs la variable dont on veut expliquer les volutions. La dmonstration de ce principe dans le cas gnral dun V AR n variables est donne dans Hamilton (1994), pages 291 et suivantes.

3.2. Dcomposition de la variance Dnition Partant de la dcomposition des rsidus en innovations pures ou orthogonales, on peut calculer quelle est la contribution de chaque innovation la variance totale de lerreur de prvisions du processus xi;t : Cest ce que lon appelle la dcomposition de la variance. On considre processus fXt ; t 2 Zg, avec Xt = (x1;t ; :::; xn;t )0 satisfaisant la reprsentation V AR (p) suivante, 8t 2 Z : (L) Xt = Xt 1 Xt1 2 Xt2 ::: p Xtp = c + "t On suppose que les innovations "t sont i:i:d: (0; -) On suppose que ce processus est stationnaire et peut tre reprsent sous la forme dun V M A (1) : Xt =
1 X i=0

i "ti = (L) "t

avec i = In Lerreur de prvision lhorizon h scrit est : bT +h = Xt+h E (Xt+h =XT ; XT 1 ; :::; X1 ) Xt+h X = Xt+h E (Xt+h ="T ; "T 1 ; :::; "1 ) h1 X = i "T +hi
i=0

Par dnition des bruits blancs, cette erreur de prvision a une esprance nulle. La matrice de variance covariance de lerreur de prvision est donc : h1 0 X bT +h Xt+h X bT +h E Xt+h X =-+ i - ( i )0
i=1

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

62

Cette erreur de prvision est donc exprime en fonction de la matrice de variance covariance - non diagonale des rsidus "t : Pour obtenir une dcomposition de la variance du vecteur Xt = (x1;t ; :::; xn;t )0 il sut de rexprimer cette matrice de variance covariance sous la forme dune combinaison linaire des variances des innovations orthogonales vt : vt = A1 "t () "t = Avt o la matrice A est issue de lorthogonalisation de - : - = ADA On suppose que 8t 2 Z : 0
0

(3.5)

me o ai dsigne la ie colonne de la matrice A: Ds lors :

1 "1;t B "2;t C a C 1 "t = B @ ::: A = (n;1) "n;t

a2 (n;1)

::

an (n;1)

1 v1;t B v C B 2;t C @ ::: A vn;t

- = E ("t "0t ) = a1 a01 var (v1;t ) + a2 a02 var (v2;t ) + +::::: + an a0n var (vn;t )

(3.6)

En substituant cette expression dans la variance de la prvision pour un horizon h; cela donne permet de rexprimer cette variance en fonction de la variance des innovations orthogonales : 0 b b E Xt+h XT +h Xt+h XT +h = -+ =
n X j =1

h1 X i=1

i - ( i )0

var (vj;t )

h1 X i=0

i aj a0j ( i )0

Proposition 3.3. A partir de cette formule, on est en mesure de calculer la contribution dune innovation pure vj;t la variance totale de la prvision un horizon h : h 0 i var (vj;t ) aj a0 j + 1 aj a0j ( 1 )0 + :::: + h1 aj a0j h1 (3.7)

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA

63

4. La causalit
Une des questions que lon peut se poser partir dun V AR est de savoir sil existe une relation de causalit entre les direntes variables du systme. Il existe ainsi plusieurs dnitions de la causalit : causalit au sens de Granger causalit au sens de Sims Nous nous limiterons lexpos de la causalit au sens de Granger qui est la plus frquemment utilise en conomtrie. On se restreint au cas dun processus bi-vari (n = 2) que lon yt Zt = xt 4.1. Causalit au sens de Granger La question est de savoir si la variable x cause ou non la variable y: Denition 4.1. On dit que la variable x cause au sens de Granger la variable y si et seulement si la connaissance du pass de x amliore la prvision de y tout horizon. De cette dnition dcoule un corollaire : Corollary 4.2. On dit que la variable x ne cause pas la variable y au sens de Granger, si et seulement si : E (yt+h =yt ; yt1 ; :::; y1 ) = E (yt+h =yt ; yt1 ; :::; y1 ; xt ; xt1 ; ::; x1 ) De faon quivalente, on dit alors que la variable y est exogne au sens des sries temporelles.

4.1.1. Application au cas dun V AR (p) avec n = 2 Pour un V AR (p) avec n = 2 la condition de la causalit de Granger est immdiate obtenir. Rsultat Dans le systme bi-vari suivant V AR (p) :8t 2 Z 2 1 yt c1 11 1 yt1 11 2 yt2 12 12 Zt = = + + 1 2 xt1 xt2 xt c2 1 2 21 22 21 22 p p 11 12 ytp "y;t +::: + + (4.1) p p 21 22 xtp "x;t

Chapitre 4. Estimation, Tests de Validation, Prevision des Processus ARMA la variable xt ne cause pas la variable yt si et seulement si :
p 2 3 1 12 = 12 = 12 = ::: = 12 = 0

64

(4.2)

Autrement dit, la variable xt ne cause pas la variable yt si et seulement si les matrices i sont toutes triangulaires infrieures pour 8i 2 [1; p] : En eet, rcrivons le processus sous cette condition, on a : 1 2 yt c1 11 0 yt1 11 0 yt2 Zt = = + + 1 2 xt c2 xt1 xt2 1 2 21 22 21 22 p 11 0 ytp "y;t +::: + + (4.3) p p x " tp x;t 21 22 Ds lors,
p 2 E (yt+h =yt ; yt1 ; :::; y1 ) = c1 + 1 11 yt + 11 yt1 + :: + 11 ytp+1 p 2 E (yt+h =yt ; yt1 ; :::; y1 ; xt ; xt1 ; ::; x1 ) = c1 + 1 11 yt + 11 yt1 + :: + 11 ytp+1

On a bien alors : E (yt+h =yt ; yt1 ; :::; y1 ) = E (yt+h =yt ; yt1 ; :::; y1 ; xt ; xt1 ; ::; x1 )