Vous êtes sur la page 1sur 22

CHAPITRE 6

Inf erence et Tests dans les Mod` eles Coint egr es


Michel LUBRANO
Octobre 2004
Contents
1 Introduction 2
2 LA METHODE DE ENGLE ET GRANGER 2
2.1 Estimation en deux etapes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Les probl` emes de petit echantillon . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Corrections de petit echantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 TESTS UNIVARIES de COINTEGRATION 6
3.1 Tests de coint egration bas es sur les r esidus . . . . . . . . . . . . . . . . . . . . . . 6
3.2 La contrainte de facteur commun . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.3 Disgression sur un test de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.4 Application ` a la demande de monnaie en Belgique . . . . . . . . . . . . . . . . . . 10
4 Estimation par Maximum de Vraisemblance 11
4.1 Rappel: lestimateur LIML . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.2 Inf erence et test de coint egration dans un CVAR simpli e . . . . . . . . . . . . . . 11
4.3 Lajout de retards suppl ementaires . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.4 Le r ole du terme constant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.5 Distribution asymptotique des tests de coint egration . . . . . . . . . . . . . . . . . 16
4.6 Test de labsence de trends . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.7 Test de restrictions lin eaires sur le vecteur de coint egration . . . . . . . . . . . . . 18
4.8 Test dexog en eit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.9 Application empirique sur les donn ees belges . . . . . . . . . . . . . . . . . . . . 20
5 INFERENCE ET TESTS DANS LES MODELES STRUCTURELS 21
6 CONCLUSION 21
7 Lectures additionnelles 22
1
1 INTRODUCTION 2
8 Exercices 22
1 Introduction
Le chapitre pr ec edant a permis de mettre en lumi` ere le type de mod elisation adapt e ` a la pr esence
de racines unitaires dans un vecteur al eatoire quand celui-ci poss edait la propri et e de coint egration
(stationnarit e dune combinaison lin eaire des composantes non stationnaires du vecteur al eatoire).
La coint egration est une propri et e qui permet donc de r eduire le nombre de racines unitaires dans
un vecteur al eatoire. Par rapport au cas univari e, la repr esentation autor egressive de la s erie devient
nettement plus complexe, m eme si une ecriture matricielle laisse entrevoir une certaine similitude.
Linf erence et les tests dans les mod` eles autor egressifs avec coint egration deviennent eux aussi plus
complexes. Deux branches de la litt erature peuvent etre distingu ees.
- Lune proc` ede en deux etapes par moindres carr es ordinaires en analysant de mani` ere s epar ee
les equations statiques de coint egration puis ensuite les equations dynamiques en supposant
connue la solution statique de long terme. Elle est expos ee ` a lorigine dans Engle et Granger
(1987). Un test permet de d eterminer si une equation statique est coint egrante ou non.
Mais aucun test ne permet dexaminer des restrictions sur le vecteur de coint egration. Cette
m ethode a connu des d eveloppements avec entre autres Phillips (1991) qui visaient ` a intro-
duire des corrections de petit echantillon et ` a se ramener ` a un cadre usuel
2
pour des tests
de restriction sur le vecteur de coint egration. Ce sont des m ethodes que lon peut qualier
dunivari ees dans la mesure o` u elles ne sont clairement d enies que le cas o` u il ny a quun
seul vecteur de coint egration.
- Lautre consid` ere le mod` ele CVAR dans son ensemble et estime de mani` ere conjointe tous les
param` etres par maximum de vraisemblance. Un test de rapport de vraisemblance ayant une
distribution non-standard, mais reli ee ` a la distribution des tests ADF, permet de d eterminer
le rang r de coint egration. Conditionnellement ` a r les tests de restriction sur les vecteurs de
coint egration et de poids ont une distribution
2
. Cest lapproche dite de Johansen (1988)
qui a et e d evelopp e par la suite dans Johansen (1991) et Johansen et Juselius (1990). On peut
la qualier de multivari ee.
2 LA METHODE DE ENGLE ET GRANGER
Pour saisir les probl` emes qui vont se poser, un petit exemple tir e de Davidson et MacKinnon (1993)
sera bien utile (voir aussi Engle et Granger 1987). On consid` ere le mod` ele bivari e suivant:
_

1
y
t
x
t
= u
1t
(1
1
L) u
1t
=
1t
y
t

2
x
t
= u
2t
(1
2
L) u
2t
=
2t
(1)
o` u les
t
sont normaux de moyenne nulle et de variance . Tant que
1
et
2
seront inf erieurs ` a un
en valeur absolue, les deux variables y
t
et x
t
seront I(0). Si par contre ils sont tous les deux egaux ` a
un, y
t
et x
t
seront I(1), mais pas coint egr es. On obtiendra la coint egration pour par exemple
2
< 1
et
1
= 1. Alors le vecteur de coint egration sera [1,
2
]. Les erreurs de la premi` ere equation sont
I(1) car u
1t
=
1t
, ce qui implique y
t
et x
t
sont I(1). Par contre les erreurs de la seconde equation
sont stationnaires.
2 LA METHODE DE ENGLE ET GRANGER 3
2.1 Estimation en deux etapes
La m ethode destimation propos ee par Engle et Granger (1987) proc` ede en deux etapes. On estime
tout dabord le vecteur de coint egration par moindres carr es, puis remplacant ce vecteur par son
estimation dans le mod` ele g en eral, on estime dans une seconde etape les coefcients dynamiques
du mod` ele.
La premi` ere etape consiste donc ` a r egresser par simples moindres carr es une des composantes
de la variable multivari ee sur les autres pour obtenir une estimation du vecteur de coint egration.
Supposons que le mod` ele multivari e s ecrive:
A(L)(X
t
TD
t
) =

(X
t1
TD
t1
) +
t
(2)
et que le rang de coint egration soit egal ` a un. est alors un vecteur colonne. On va choisir den
normaliser le premier el ement et de partitionner X
t
de mani` ere conforme en:

= [1,

]
X

t
= [y
t
, Y

t
]
Alors pour estimer

, il suft dutiliser les OLS sur:
y
t
=

Y
t
+TD
t
+
t
(3)
o` u

correspond aux el ements non normalis es de . Engle et Granger (1987) [voir aussi Stock
(1987)] montrent que cette proc edure est valide asymptotiquement malgr e deux probl` emes qui sem-
blent se poser: premi` erement comme on cherche une relation de coint egration, cest que y
t
et Y
t
sont
d etermin es de mani` ere conjointe. Donc il y a corr elation entre les erreurs et Y
t
. On peut constater
cela de mani` ere ais ee sur le petit exemple du d ebut. La vraie relation de coint egration est:
y
t
=
2
x
t
+
2
(y
t1

2
x
t1
) +
2t
(4)
Si lon estime simplement la r egression:
y
t
=

2
x
t
+
t
(5)
le terme derreur implicite
t
devient:

t
=
2
(y
t1

2
x
t1
) +
2t
(6)
ce qui montre alors la corr elation entre x
t
et
t
. Deuxi` emement les r egresseurs sont tous I(1), ce
qui de facto nous ram` ene ` a la question des r egressions factices. Mais ces deux probl` emes ne sont
pas r edhibitoires comme nous allons le voir maintenant. Le fait que les variables soient I(1) permet
dobtenir un th eor` eme de consistance qui est initialement du ` a Stock (1987).
Th eor` eme 1 Supposons que le vecteur al eatoire X
t
admette une repr esentation de Wold multi-
vari ee X
t
= C(L)
t
et quil soit coint egr e de rang 1 et de vecteur de coint egration . Soit

lestimateur OLS du vecteur de coint egration normalis ee

= (1, ). Alors sous des conditions


tr` es g en erales on a:
T
1
(

)
p
0 > 0
2 LA METHODE DE ENGLE ET GRANGER 4
Ce th eor` eme montre que les param` etres estim es convergent tr` es vite vers leurs vraies valeurs. Au
lieu de la vitesse habituelle de T
1/2
, ils convergent ` a la vitesse T. Le probl` eme de la corr elation entre
x
t
et
t
ne joue pas asymptotiquement car x
t
I(1) alors que
t
I(0) ` a cause des propri et es de
coint egration. Aussi dans lexpression du biais, les termes en x
t
domineront les termes en
t
. Quand
au probl` eme de r egression factice, il ne jouera pas ` a nouveau ` a cause des propri et es de coint egration.
Dans une r egression factice, un des probl` emes vient de ce que les r esidus sont I(1). Ici ils sont
I(0) par propri et e de coint egration. Enn le R
2
de la r egression tendra asymptotiquement vers
lunit e. En cons equence larbitraire de la normalisation ne joue plus asymptotiquement car toutes
les r egressions deviennent equivalentes.
La deuxi` eme etape de la m ethode destimation consiste ` a reporter dans le mod` ele ECM-VAR
lestimation du vecteur de coint egration et destimer par moindres carr es le mod` ele:
A(L)(X
t
TD
t
) =

(X
t1
TD
t1
) +
t
(7)
ou une des equations du mod` ele ECM structurel correspondant. Cette seconde etape ne pose aucun
probl` eme particulier car tous les r egresseurs sont maintenant I(0). Le fait dutiliser lestimation de
au lieu de sa vraie valeur napporte aucune perturbation comme le montre le th eor` eme suivant
donn e par Granger et Engle (1987):
Th eor` eme 2 Lestimation en deux etapes dune equation dun syst` eme ` a correction derreurs,
obtenue en consid erant

comme vraie valeur conduit ` a la m eme distribution asymptotique que
lestimation par maximum de vraisemblance obtenue en prenant la vraie valeur de . Les ecart-
types des moindres carr es sont des estimateurs consistants des vrais ecart-types.
Ce r esultat montre que dans la deuxi` eme etape, on peut utiliser une th eorie standard pour effectuer
des tests sur les valeurs des param` etres qui caract erisent la dynamique de court terme. Intuitivement
ce r esultat se comprend dans la mesure o` u maintenant on na plus que des variables qui sont I(0)
dans la r egression, y compris le r egresseur de premi` ere etape z
t1
qui est I(0) par propri et e de
coint egration.
Exemple 1: Reprenons le petit exemple du d ebut et appliquons la m ethode. On a tout
dabord:
_

1
y
t
x
t
= u
1t
u
1t
=
1t
y
t

2
x
t
= u
2t
(1
2
L) u
2t
=
2t
En multipliant la premi` ere equation par (1 L) et la seconde par (1
2
L), on obtient apr` es
substitution et r earangement des termes:
_

1
y
t
x
t
=
1t
y
t

2
x
t
(
2
1)(y
t1

2
x
t1
) =
2t
On remplace maintenant dans le syst` eme le terme de long terme par son estimation de premi` ere
etape que lon note z
t
et on r esout cette forme structurelle en forme r eduite par substitution:
x
t
=

2
1
1
2
z
t1
+

1

2t

1t

2
y
t
=

2
1
1
1

2
z
t1
+

2t

1t
1
1

2
2 LA METHODE DE ENGLE ET GRANGER 5
La deuxi` eme etape permet destimer
2
et
1
` a partir du moment o` u lon a d ej` a estim e
2
.
On remarque ensuite que si
2
tend vers un, on na plus de coint egration, car alors le terme
en z
t1
disparat.
Il existe un autre r esultat dans la litt erature qui est du ` a Sims et al (1990) et qui compl` ete dans une
certaine mesure le th eor` eme 2. Dans ce papier les auteurs abordent lestimation dun mod` ele VAR
ajust e sur des niveaux de variables I(1) en pr esence de coint egration. La m ethode destimation
est en une seule etape et utilise les moindres carr es. Ils montrent que la th eorie asymptotique
standard peut encore sappliquer quand on teste la valeur dun param` etre qui attach e ` a une variable
qui par reparam etrisation se trouve I(0). Cest ` a dire qu` a lint erieur dune m eme estimation, on
peut s eparer les r esultats dinf erence sur les variables I(1) qui sont non-standard de ceux sur les
r egresseurs I(0) qui eux sont standards. Ce r esultat vient de la diff erence dans les vitesses de
convergence.
Compl eter avec le dernier paragraphe de Davidson MacKinnon
2.2 Les probl` emes de petit echantillon
Lire Hamilton chap 19 pour les corrections de petit echantillon et les tests
La m ethode en deux etapes a le m erite de la simplicit e. Mais de s erieux probl` emes se posent
en petit echantillon. Tout dabord le th eor` eme 1, sil montre que lestimateur OLS du vecteur
coint egrant est consistant, il montre aussi quil a un biais de petit echantillon dordre 1/T. Une des
sources de biais est apparente dans la r egression de coint egration du petit exemple du dessus. Elle
vient du facteur omis
2
(y
t1

2
x
t1
) qui entrane un probl` eme de biais de simultan eit e et un
probl` eme dautocorr elation des erreurs. Ce facteur est I(0) et donc devient n egligeable asympto-
tiquement car les r egresseurs sont I(1). Mais en petit echantillon il peut etre important si
2
est
proche de un. En effet au plus
2
se rapproche de lunit e au plus on s eloigne de la situation de
coint egration. Les exp eriences de Monte Carlo de STOCK (1987) ainsi que celles de Barnejee et al
(1986) montrent que le biais de petit echantillon des OLS peut etre tr` es important.
Dans son papier Stock (1987) montre aussi que la distribution asymptotique de cet estimateur
suit encore une fonctionnelle de processus de Wiener. Mais elle d epend tr` es fort des vraies valeurs
des param` etres de nuisance, si bien quaucune table ne peut etre construite pour un cas g en eral. A
titre dexemple les valeurs rapport ees par Stock pour un cas particulier au seuil de 5% varient entre
-59.96 et -2.63 pour une taille d echantillon de 200. On ne pourra donc effectuer de test sur les
el ements du vecteur de coint egration quand celui-ci est estim e par moindres carr es.
2.3 Corrections de petit echantillon
Il existe plusieurs mani` eres dobtenir un estimateur de qui ait de meilleures propri et es de petit
echantillon. Il faut pouvoir corriger lautocorr elation des erreurs. Ceci est toujours possible en
employant une m ethode non-param etrique du type de celle employ ee par Phillips et Perron (1988)
pour les tests de racine unitaire. Le biais dendog en eit e est plus difcile ` a eliminer . Il nexiste plus
si les innovations de y
t
ne causent pas au sens de Granger les innovations de Y
t
dans la r egression de
coint egration y
t
=

Y
t
+TD
t
+
t
. On peut alors retrouver la th eorie asymptotique standard ` a base
de
2
comme le soulignent Campbell et Perron (1991). Mais ces conditions sont tr` es restrictives,
surtout pour la non-causalit e.
Plusieurs auteurs ont propos e des corrections de petit echantillon qui tiennent compte des deux
probl` emes evoqu es: autocorr elation des erreurs et biais de simultan eit e. Ce dernier vient en g en eral
3 TESTS UNIVARIES DE COINTEGRATION 6
de ce que les innovations de y
t
causent les innovations de Y
t
. On sait dapr` es les tests de Sims
(1972) sur la non-causalit e que si y
t
cause la variable Y
t
, alors y
t
peut sexprimer comme une com-
binaison lin eaire des valeurs pass ees, pr esentes et futures de Y
t
. Lid ee cest que si y
t
cause Y
t
,
les valeurs futures de Y
t
seront utiles pour pr edire y
t
. Lid ee qui est contenue dans lapproche
de plusieurs auteurs dont Saikonnen (1991) consiste ` a corriger le biais de simultan eit e par des
r egresseurs suppl ementaires constitu es de retards et davances de Y
t
pour conduire ` a la r egression
coint egrante:
y
t
=

Y
t
+TD
t
+
p

j=p
Y
tj

j
+
t
(8)
On peut ensuite corriger lautocorr elation des r esidus en employant par exemple des GLS. Cest
ce que proposent Stock et Watson (1990) qui montrent qualors on peut utiliser les tests de Wald
standards qui sont asymptotiquement distribu es selon des
2
. Phillips et Loretan (1989) utilisent
par contre une correction param etrique pour lautocorr elation qui consiste ` a ajouter ` a la r egression
pr ec edente des retards de la variable de coint egration (y
t

Y
t
):
y
t
=

Y
t
+TD
t
+
p

j=p
Y
tj

j
+
q

i=1
(y
ti

Y
ti
)
i
+
t
(9)
L` a encore on retrouve des r esultats de th eorie asymptotique bas es sur la distribution du
2
.
Hamilton (1994) dans son chapitre 19 traite de facon compl` ete un exemple bivari e o` u il montre
comment la correction de petit echantillon permet de r ecuperer in ne des tests standarts portant sur
des restrictions sur le vecteur de coint egration. Mais la m ethode est un peu lourde car elle requiert
une r egression auxiliaire.
3 TESTS UNIVARIES de COINTEGRATION
Tout les les m ethodes destimation supposent que lon connaisse soit le rang r de coint egration
pour les m ethodes multivari ees par maximum de vraisemblance (que lon na pas encore expos ees),
soit la validit e de lhypoth` ese de coint egration quand on estime l equation de long terme dite de
coint egration. Il faut donc disposer de proc edures de tests. Dans le cadre bivari e les tests de
coint egration sont de simples extensions du tests de Dikey et Fuller sur les r esidus de la r egression
de coint egration. Dans le cadre multivari e, il faudra faire des tests sur le rang de la matrice dans
l equation:
X
t
=
0
+ (X
t1
t) +A

(L)X
t1
+
t
(10)
3.1 Tests de coint egration bas es sur les r esidus
Lid ee qui est ` a la base de cette cat egorie de tests est tr` es simple. Si deux variables y
t
et x
t
sont
I(1) et coint egr ees, alors il existe une combinaison lin eaire z
t
de ces variables qui est I(0). Pour
la trouver, il suft de r egresser y
t
sur x
t
. On aura alors une estimation de z
t
au moyen des r esidus
de cette r egression. Il suft de tester ensuite la pr esence dune racine unitaire dans ces r esidus pour
tester la coint egration. Ces types de tests sont principalement dus ` a Engle et Granger (1987).
On retombe donc sur un probl` eme connu. Si la valeur du vecteur coint egrant etait connue, on
naurait qu` a utiliser les tests usuels de racine unitaire et leur tables associ ees qui ont et e donn ees
dans le chapitre 3. Il est des cas o` u ce vecteur est connu, notamment quand la th eorie economique
3 TESTS UNIVARIES DE COINTEGRATION 7
impose des elasticit es de long terme egales ` a lunit e. On peut par exemple tester la coint egration
entre la consommation C
t
et le revenu disponible RD
t
en imposant que l elasticit e de long terme
soit unitaire. Si la relation est en logarithme, il sufra alors de faire un test de racine unitaire avec
terme constant sur la variable log(C
t
/TD
t
). Maintenant le vecteur coint egrant nest en g en eral
pas connu et on doit lestimer. On a vu plusieurs proc edures pour cela dans le paragraphe pr ec edent.
On doit donc tenir compte de cette estimation dans le choix des valeurs critiques car la distribution
asymptotique du test d epend du nombre de r egresseurs contenus dans la r egression coint egrante.
Reprenons le cas dune relation de coint egration entre y
t
et x
t
o` u x
t
est possiblement un vecteur.
On devra tout dabord conduire la r egression coint egrante:
y
t
=

x
t
+u
t
(11)
Cette r egression pourra contenir un terme constant (en g en eral) et possiblement un trend si lon
etend un peu la notion de coint egration comme on la fait dans le chapitre pr ec edent. On aura donc:
y
t
= +t +

x
t
+u
t
(12)
Appelons u
t
les r esidus de cette r egression. Le test de coint egration va se faire au moyen dun test
du type de celui de Dickey et Fuller souvent appel e test de Engle et Granger (EG) dans ce contexte:
u
t
= ( 1) u
t1
+
t
(13)
Mais comme lautocorr elation est souvent un probl` eme, on emploiera un test AEG (Augmented
Engle Granger) qui revient ` a rajouter ` a la r egression de test des retards de u
t
.
Plusieurs tables pour les valeurs critiques des tests de coint egration ont et e publi ees ` a com-
mencer dans larticle de Engle et Granger (1987). On peut citer aussi Engle et Yoo (1987) qui
compl` ete les tables pr ec edentes. Mais on pr ef erera se er ` a celle de MacKinnon (1991) qui sem-
ble plus pr ecise. Les valeurs critiques donn ees par la table 1 d ependent de la taille n de la s erie
multivari ee dont on veut tester la coint egration. Rappelons que ` a cause de la normalisation, si la
r egression coint egrante comprend un seul r egresseur, il faudra utiliser les valeurs pour n = 2, n = 1
correspondant ` a un test de racine unitaire classique. Si lon a introduit un terme constant dans la
r egression coint egrante ou un trend, les valeurs critiques seront egalement diff erentes. Notons que
constante et trends sont introduits dans la r egression coint egrante et non dans la r egression de test.
Plusieurs remarques sont ` a faire sur cette proc edure de test.
Remarques:
- Concernant la table, on retrouve la m eme caract eristique que dans le cas des racines unitaires.
A savoir que lajout de termes d eterministes modie la distribution asymptotique du test et
fait baisser sa puissance. Il en va egalement avec le nombre n de variables.
- Ensuite concernant lobtention des r esidus estim es; on a vu que la proc edure OLS destimation
de la relation de long terme etait valide asymptotiquement, mais posait de s erieux probl` emes
en petit echantillon. Les biais de petit echantillon mentionn es pr ec edemment vont bien s ur se
r epercuter sur les r esultats des tests. De m eme que les changements de normalisation. Aussi,
bien quil existe des tables pour des tailles variables d echantillon, on a pr ef er e ne pas les
donner ` a cause de ces incertitudes de mani` ere ` a ne pas trop sillusionner.
3 TESTS UNIVARIES DE COINTEGRATION 8
Table 1: Valeurs critiques asymptotiques
pour le test AEG de coint egration
5% 10%
n=2
sans trend -3.34 -3.04
avec trend -3.78 -3.50
n=3
sans trend -3.74 -3.45
avec trend -4.12 -3.84
n=4
sans trend -4.10 -3.81
avec trend -4.43 -4.15
n=5
sans trend -4.41 -4.13
avec trend -4.72 -4.44
n=6
sans trend -4.71 -4.42
avec trend -4.98 -4.70
Il existe dautres tests de coint egration bas es sur les r esidus dont on na pas parl e. Il en est un
donn e dans Engle et Granger (1987) qui est bas e sur la statistique de Durbin et Watson et appel e
par Engle et Granger CRDW. Cest la contrepartie en coint egration du test de Barghava pour les
racines unitaires. Mais ce test nest pas tr` es aim e. Engle et Granger ne donnent les tables que pour
le cas n = 2 et 100 observations. A 5% on a une valeur critique de 0.386, mais qui peut varier tr` es
fort en fonction de la taille de l echantillon. Campbell et Perron (1991) recommandent de ne pas
employer ce test. On peut toutefois se rappeler la r` egle heuristique donn ee par Granger et Newbold
(1974) concernant les r egressions factices. Au vu de la th eorie moderne, une r egression factice est
une r egression entre des variables I(1) qui ne sont pas coint egr ees. Les r esidus sont donc encore
I(1). Cette r` egle donne un signal dalarme chaque fois que dans une r egression, la statistique DW
est inf erieure au R
2
. Elle est ` a retenir comme une premi` ere approche.
3.2 La contrainte de facteur commun
Il est ais e au vu des tables et des valeurs critiques tr` es elev ees que lhypoth` ese nulle de non-
coint egration (ou racine unitaire dans les r esidus) sera rarement rejet ee. Cest ce que remarquent
Kremers et al (1992) sur la base dexp eriences empiriques. Leur exp erience a consist e ` a tester la
coint egration entre le logarithme du ratio consommation/revenu disponible et le taux dination, ce
sur treize pays entre 1952 et 1985. Sur les treize cas, ils ne trouvent de la coint egration que dans
quatre cas et encore ` a 10%. Par contre dans une formulation ECM, le coefcient attach e au r esidu
retard e (en supposant que celui-ci est stationnaire) est signicatif dans 10 cas sur 13. Dans leur
papier Kremers et al (1992) montrent que ce rejet trop fr equent des tests AEGest du ` a une restric-
tion de facteur commun contenue de mani` ere implicite dans ces tests par rapport ` a une estimation
3 TESTS UNIVARIES DE COINTEGRATION 9
directe. Nous allons montrer ceci maintenant sur un petit exemple. Consid erons:
x
t
= u
t
y
t
= x
t
+(y
t1
x
t1
) +
t
(14)
o` u u
t
et
t
sont deux bruits blancs ind ependants et normaux. On va supposer que le vecteur
coint egrant (1, ) est connu avec = 1 , ce qui arrive quand y
t
et x
t
repr esentent par exem-
ple le log de la consommation et du revenu r eel, le log des salaires r eels et de la productivit e, le log
du stock de monnaie et du revenu nominal, etc. . . . Comme on a pu le voir dans le petit mod` ele
du paragraphe pr ec edent, est contraint ` a varier ` a lint erieur du domaine [1, 0]. Dans les cas
pratiques, le bruit associ e ` a lexog` ene est plus grand que celui de la r egression, donc
2
u
>
2

. En
g en eral on aura = 0.5 ce qui implique un effet de court terme plus petit que leffet de long terme
et = 0.1, donc un ajustement lent ` a la solution de long terme. On aura coint egration entre y
t
et
x
t
pour < 0 et pas de coint egration pour = 0. Un test de coint egration peut donc se fonder sur
lestimation de dans:
y
t
= x
t
+z
t1
+
t
(15)
sous lhypoth` ese que x
t
soit fortement exog` ene. Kremers et al (1992) montrent que quand est
connu, la statistique de Student associ ee ` a est asymptotiquement normale sous la condition que:
( )
u
/

(16)
Cette condition porte sur le rapport signal/bruit entre x
t
et
t
qui doit etre grand pour que lapproximation
normale soit valide.
Que se passe-t-il pour le test AEGbas e sur les r esidus de la r egression statique? Retirons x
t
de chaque c ot e de la r egression initiale:
(y
t
x
t
) = ( ) x
t
+(y
t1
x
t1
) +
t
(17)
ou encore:
z
t
= z
t1
+ (
t
+ ( ) x
t
) (18)
Ceci montre que la r egression de Dickey et Fuller ignore le terme en x
t
. Ou de mani` ere equivalente
elle impose la restriction que = cest ` a dire la pr esence dun facteur commun. A cause de cette
omission la puissance du test ADF est inf erieure tant que = . Mais ce r esultat ne tient plus d` es
quil faut estimer le coefcient de long terme.
Interroger Juan Dolado sur la comparaison de ses r esultats avec ceux de Davidson MacKinnon
dernier paragraphe pour savoir quand la th eorie asymptotique sapplique
3.3 Disgression sur un test de Lagrange
On va maintenant pr esenter un dernier test bas e sur le principe de Lagrange qui est utilis e dans
une autre version pour tester lautocorr elation des r esidus dans une r egression. Consid erer une
r egression de long terme:
y
t
= x
t
+u
t
avec:
u
t
= u
t1
+
t
3 TESTS UNIVARIES DE COINTEGRATION 10
Sous lhypoth` ese nulle de non-coint egration, le param` etre est egal ` a un. En combinant les deux
equations, on arrive ` a la r egression non-lin eaire:
y
t
= y
t1
+ x
t
x
t1
+
t
Approximons le terme non-lin eaire autour de deux estimateurs

et :
=

+ ( )

+ (

)
Comme lhypoth` ese nulle qui nous int eresse est = 1 on pose = 1 et lapproximation donne:
y
t
= x
t
+ ( 1) u
t1
+
t
avec:
u
t
= y
t


x
t
estim e dans une premi` ere etape. On a en fait retrouv e une variante du test direct par ECM. Mais il
faudrait tabuler sa distribution. (bon exercice a faire!!).
Remarque:
On peut rappeler que dans le cas o` u lon veut tester H
0
: = 0 on aurait eu:
y
t
= x
t
u
t1
+
t
cest ` a dire la m eme r egression augment ee, mais cette fois-ci sur les niveaux et pas sur les
diff erences.
3.4 Application ` a la demande de monnaie en Belgique
On va reprendre les m emes donn ees que celles utilis ees dans le chapitre I. On doit dabord com-
mencer par v erier que les s eries sont toutes les trois bien I(1). On a les r egressions suivantes:
LMP
t
= 0.095
[1.00]
LMP
t1
0.005
[0.10]
0.004
[1.77]
t
DW= 1.98 R
2
= 0.22
LR
t
= 0.57
[3.12]
R
t1
+ 0.0001
[0.019]
+ 0.002
[3.10]
t
DW= 1.89 R
2
= 0.28
LY
t
= 0.039
[0.34]
LY
t1
0.17
[0.27]
0.0023
[0.51]
t
DW= 1.53 R
2
= 0.082
ce qui fait que lon ne rejette pas lhypoth` ese de racine unitaire pour ces trois variables, m eme si
lon peut avoir des doutes pour le taux dint er et.
Une r egression statique sur les niveaux de ces trois variables ne donne pas des r esultats con-
vaincants et illustre bien les probl` emes de petit echantillon:
LMP = 0.78
[17.77]
LY 2.49
[5.84]
LR 3.87
[15.13]
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 11
DW= 0.87 R
2
= 0.96
La valeur du coefcient de long terme de LY est biais ee vers le bas, alors quon sattendrait ` a une
valeur proche de lunit e. Un test de racine unitaire sur les r esidus de cette equation fait ofce de test
de coint egration. On obtient une valeur de -2.52 qui est tr` es inf erieur ` a la valeur critique ` a 5% qui
est -3.74. Donc on ne peut rejeter lhypoth` ese nulle de non-coint egration avec ce test. On remarque
egalement que la r` egle heuristique de Granger et Newbold sapplique ici car le R
2
est plus grand
que le DW.
Il est toutefois int eressant de poursuivre la m ethode et destimer l equation de court terme dans
laquelle on a ajout e le r esidu estim e retard e de un de l equation statique:
LMP
t
= 0.023
[2.84]
+ 1.28
[6.03]
LY
t
1.25
[4.60]
LR
t
0.33
[2.80]
RES
t1
DW= 2.13 R
2
= 0.64
2
corr
= 0.45
On constate que les elasticit es de court terme dans cette equation sont tr` es diff erentes des
elasticit es de long terme trouv ees avec l equation statique. Le test AEGqui impose l egalit e de ces
elasticit es subit donc une perte de puissance dans ce cas.
4 Estimation par Maximum de Vraisemblance
La proc edure de maximum de vraisemblance initialement propos ee par Johansen (1988) permet
dobtenir une estimation ` a la fois simple et efcace des vecteurs de coint egration ainsi dailleurs
que des autres param` etres du mod` ele. Il nest donc plus besoin de consid erer une modication de
lestimateur des moindres carr es pour avoir un estimateur efcace. Le probl` eme de maximisation
est relativement simple. Il sagit destimer un VAR de la forme:
X
t
= m+ X
t1
+A

(L) X
t
+
t
(19)
en imposant une perte de rang sur au moyen de la contrainte =

. Cest un probl` eme


classique en statistique multivari ee qui se r esout par un calcul de valeurs propres et de vecteurs
propres. La matrice de coint egration sera egale aux r vecteurs propres correspondant aux r plus
grandes valeurs propres dune certaine matrice. Le rang de coint egration sera d etermin e par un
test sur la nullit e des n r plus petites valeurs propres qui correspond ` a un test de rapport de
vraisemblance. Ce test a une distribution non-standard qui est une g en eralisation multivari ee du
carr e de la distribution du test de Dickey et Fuller. Par contre, une fois d etermin e r , il est possible
de construire des tests de restriction sur et qui ont une distribution
2
. On pr esentera tout
dabord le cas sans terme constant o` u m = 0. Puis on introduira le r ole du terme constant m avec
diverses hypoth` eses de mod elisation en d etaillant les cons equences sur la distribution asymptotique
du test du rang de coint egration.
4.1 Rappel: lestimateur LIML
Mod` eles ` a equations simultan ees de la Cowles Commission.
4.2 Inf erence et test de coint egration dans un CVAR simpli e
On va partir du mod` ele tr` es simple:
X
t
= X
t1
+
t
=


t
N(0, ) (20)
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 12
Ce mod` ele est l equivalent multivari e du plus simple des tests de Dickey et Fuller, cest ` a dire
sans composante d eterministe et sans retards de la variable en diff erence. Ce mod` ele est irr ealiste
dun point de vue empirique, mais permet dintroduire les calculs de mani` ere simple. Le log de la
fonction de vraisemblance de ce mod` ele s ecrit:
log L
T
2
log det
1
2
T

t=2
[X
t

X
t1
]

1
[X
t

X
t1
] (21)
On va poser:
Y
t
= X
t
et Z
t
= X
t1
(22)
On a donc :
Y
t
=

Z
t
+
t
(23)
Calculons les statistiques suivantes:
S
yy
=
1
T
T

t=1
Y
t
Y

t
S
zz
=
1
T
T

t=1
Z
t
Z

t
S
zy
=
1
T
T

t=1
Z
t
Y

t
(24)
Comme il sagit en fait dun mod` ele multivari e sans restrictions inter- equations, on peut concentrer
la vraisemblance ` a donn e pour trouver lestimateur des moindres carr es de et :
_

_
() = S
yz
[

S
zz
]
1

() = S
yy
S
yz
[

S
zz
]
1

S
zy
(25)
Le logarithme de la vraisemblance concentr ee est alors:
log L
c
()
T
2
log det

() (26)
Trouver le maximum de cette fonction de vraisemblance est equivalent ` a chercher le minimum en
de lexpression det

() ce qui est en fait exactement equivalent ` a un probl` eme de LIML dans un
mod` ele ` a equations simultan ees qui se r esout par un calcul de valeurs propres et de vecteurs propres
associ es. Do` u le th eor` eme suivant adapt e de Johansen (1988):
Th eor` eme 3 Lestimateur du maximum de vraisemblance des r vecteurs coint egrants contenus
dans la matrice est donn e par les r vecteurs propres associ es aux r plus grandes valeurs pro-
pres
i
dans le probl` eme:
det(S
zz
S
zy
S
1
yy
S
yz
) = 0
La valeur de la fonction de vraisemblance en son maximum est donn ee par:
L
2/T
max
= det(S
yy
)
r

i=1
(1

i
)
en supposant que les valeurs propres
i
sont rang ees par ordre d ecroissant. Les estimateurs de
et sont trouv es en remplacant par son estimation dans () et

().
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 13
Preuve: Consid erons une matrice carr ee sym etrique A partitionn ee en quatre. Les propri et es
usuelles des d eterminants des matrices partitionn ees permettent d ecrire:
|A| = |A
11
|.|A
22.1
| = |A
22
|.|A
11.2
|
avec A
ii.j
= A
ii
A
ij
A
1
jj
A
ji
. Alors |A
11.2
| = |A
22.1
|.|A
11
|/|A
22
|. En construisant la matrice A
comme:
A =
_
S
yy
S
yz

S
zy

S
zz

_
on peut transformer la fonction ` a maximiser en:

T
2
log |S
yy
|
T
2
log
|

S
zz

S
zy
S
1
yy
S
yz
|
|

S
zz
|
On peut n egliger le terme en |S
yy
| qui ne d epend pas du param` etre . Jusqu` a pr esent le param` etre
n etait pas normalis e. On peut choisir la normalisation commode

S
zz
= I
r
. On se retrouve dans
un probl` eme classique soit de LIML sur un groupe d equations, ou danalyse canonique etudi ee par
example par Tso (1981). Le th eor` eme suit des r esultats de ce dernier papier.
2
Remarque:
La normalisation

S
zz
= I
r
impos ee dans lestimation est aussi une condition didentication
qui introduit r
2
restrictions ind ependantes. Le vecteur est donc bien identi e selon les
crit` eres expos es dans le chapitre 4. Mais cette facon didentier le mod` ele est arbitraire et na
aucun sens economique. Elle est cependant commode car elle nexclue aucun coefcient. On
peut donc renormaliser la matrice comme on lentend par la suite.
Lestimation des vecteurs coint egrants et le test du rang r de coint egration sont intimement
li es. Comme la valeur de la vraisemblance en son maximum est essentiellement donn ee par le
produit des r plus grandes valeurs propres, un test du rapport de vraisemblance pour d eterminer r
sera facile ` a calculer. On peut imaginer deux types de test.
- Dans le premier type, on va tester:
_

_
H
0
: rang = r
H
T
1
: rang = n
(27)
Il sagit de tester la coint egration de rang r contre la stationnarit e des s eries. Ce test est appel e
test de la trace pour une raison qui sera apparente plus tard.
- Dans le deuxi` eme type de test on sint eresse ` a:
_

_
H
0
: rang = r
H
M
1
: rang = r + 1
(28)
On teste une hypoth` ese de coint egration de rang r contre une hypoth` ese de coint egration de
rang r + 1. Il sagira ici du test de la valeur propre maximale.
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 14
Dans une proc edure standard de test par rapport du maximum de vraisemblance, on compare le
maximum de la fonction de vraisemblance sous H
0
et le maximum de cette m eme fonction de
vraisemblance sous H
1
au moyen de la statistique:
2 log
L(H
0
)
L(H
1
)
(29)
qui est distribu ee selon un loi du
2
avec un nombre de degr es de libert es egal ` a la taille de la
contrainte impos ee. Lhypoth` ese nulle ne sera pas rejet ee si la valeur de la statistique de test est
inf erieure ` a la valeur critique de la table. Si lon veut calculer les deux statistiques de test d ecrites
plus haut, on peut enoncer le th eor` eme suivant:
Th eor` eme 4 La statistique de test du rapport de vraisemblance de lhypoth` ese nulle rang = r
contre lhypoth` ese alternative rang = n est donn ee par:
LR(r|n) = T
n

i=r+1
log(1

i
)
On lappellera statistique trace. La statistique de test de rapport de vraisemblance de la m eme
hypoth` ese nulle contre lhypoth` ese alternative rang = r + 1 est donn ee par:
LR(r|r + 1) = T log(1

r+1
)
La distribution de ces deux statistiques de test est non-standard.
Preuve: Le logarithme de la fonction de vraisemblance est donn e par:

T
2
log |S
yy
|
T
2
r

i=1
log(1

i
)
do` u les deux r esultats obtenus par simple calcul. La distribution de ces tests est non-standard car il
reste n r variables qui sont I(1) dans le syst` eme quand le rang de coint egration est r.
2
Remarque:
Les valeurs propres sont rang ees par ordre d ecroissant:
1
>
2
> >
r
> >
n
.
Les deux statistiques de test sint eressent pour lune ` a la somme des nr plus petites valeurs
propres (les nr derni` eres) et pour lautre ` a la valeur propre de rang imm ediatement inf erieur
` a r. Lhypoth` ese nulle que le rang de = r peut donc se tester au moyen de lhypoth` ese nulle
que les n r plus petites valeurs propres restantes sont nulles.
4.3 Lajout de retards suppl ementaires
Consid erons maintenant le cas plus g en eral o` u lon autorise la pr esence de retards de X
t
. Le
mod` ele se note en conformit e avec les notations du chapitre pr ec edent:
X
t
=

X
t1
+A

(L)X
t
+
t
(30)
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 15
Si lon appelle maintenant

X la matrice qui contient tous les retards de X
t
, il est facile de
g en eraliser les calculs qui pr ec` edent en modiant simplement la valeur des matrices S
yy
et S
zz
sur
des arguments de r egression partielle. Posons:
M
X
= I
t


X(

X


X)
1

(31)
En ecrivant le mod` ele initial sous forme matricielle (en consid erant toutes les observations), on peut
le transformer au moyen de la matrice de projection M
X
en :
M
X
Y = M
X
Z

+M
X
(32)
o` u Y , Z et d esignent maintenant les T observations de l echantillon. On appliquera les m emes
calculs, mais en remplacant Y et Z dans les formules pr ec edentes par M
X
Y et M
X
Z.
4.4 Le r ole du terme constant
On sattend bien, par similitude avec le cas univari e des racines unitaires, ` a ce que la distribution
asymptotique de deux statistiques de test du rang de coint egration d epende de la pr esence dun
terme constant dans les relations de coint egration. On a dautre part vu au cours du chapitre 4 que le
terme constant jouait un r ole tr` es particulier dans les relations de coint egration. Notons de la facon
suivante un mod` ele CVAR o` u lon a maintenant introduit un terme constant m:
X
t
= m

X
t1
+A

(L) X
t
+
t
(33)
On a vu dans le chapitre 4 que m etait li e au trend dans le processus non- stationnaire qui g en` ere
X
t
. Il est toujours possible de d ecomposer le terme constant m de dimension n 1 en:
m =
0
+

(34)
o` u

est une matrice n (n r) orthogonale aux colonnes de et v eriant donc

= 0 ,
0
un vecteur r 1 et un vecteur (n r) 1. Reportons maintenant cette d ecomposition dans la
forme autor egressive du mod` ele:
X
t
=

X
t1

0
) +A

(L)X
t
+
t
(35)
Si lon impose la restriction:
m =
0
(36)
on annule les n r d erives des composantes de X
t
qui ne sont pas coint egr ees car on a impos e

= 0. Le param` etre
0
repr esente simplement lordonn ee ` a lorigine dans la relation de
coint egration.
Il est maintenant facile de voir comment on va introduire la pr esence du terme constant m pour
lestimation. Si lon veut estimer le mod` ele en autorisant la pr esence de n r trends lin eaires, il
suft dajouter 1 dans la matrice

X
t
pour avoir:

t
= [X
t1
, . . . , X
ts
, 1] (37)
Si par contre on veut imposer la contrainte que ces n r trends lin eaires soient nuls, il suft de
d eplacer le 1 de la matrice

X
t
vers la matrice Z
t
que lon note maintenant Z

t
:
Z

t
= [X
t1
, 1]

(38)
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 16
Alors dans le probl` eme:
det(S

zz
S

zy
S
1
yy
S

yz
) = 0 (39)
on aura n + 1 valeurs propres

i
et la plus petite sera egale ` a z ero. Les exposants en indiquent
que les matrices de moments d echantillonnage et les valeurs propres sont calcul ees avec Z = Z

et

X
t
sans terme constant.
4.5 Distribution asymptotique des tests de coint egration
Les tests de rang de coint egration sont des g en eralisations multivari ees des tests de Dickey-Fuller.
La distribution asymptotique de ces tests a la m eme structure que le carr e de la distribution asymp-
totique des tests en de Dickey et Fuller. Il est donc commode dadopter une pr esentation de ces
distributions similaire ` a celle adopt ee pour les tests de racine unitaire. On donnera ces r esultats sans
preuve, renvoyant le lecteur ` a larticle de Johansen (1991).
Pour obtenir une pr esentation uni ee de la distribution asymptotique du test en de Dickey et
Fuller on avait consid er e la fonction suivante:
g(W, U) =
_
1
0
U(r) dW(r)/
__
1
0
U(r)
2
dr
_
1/2
(40)
o` u W(r) etait un processus de Wiener univari e et o` u la d enition de U(r) d ependait des termes
d eterministes. On va ici consid erons une g en eralisation multivari ee de cette fonction en d enissant
la fonction matricielle suivante:
G(W, U) =
_
1
0
dW(r) U(r)

__
1
0
U(r) U(r)

dr
_
1
_
1
0
U(r) dW(r)

(41)
Dans cette expression W(r) est un processus de Wiener vectoriel de dimension nr. La d enition
de U(r) va d ependre du terme constant. On peut r esumer les r esultats au moyen du th eor` eme
suivant:
Th eor` eme 5 Sous lhypoth` ese nulle de coint egration de rang r les statistiques de test de la trace et
de la valeur propre maximum vont converger en distribution pour t vers:
LR(r|n) tr G(W, U)
LR(r|r + 1)
max
G(W, U)
o` u W(r) est un processus de Wiener standardis e de dimension n r et o` u la d enition de U(r)
d epend du terme constant. On a les trois cas suivants:
pour m = 0 (pas de terme constant), U(r) = W(r)
pour m =
0
(pas de trend), U(r) = (W(r)

, 1)

pour m =

+
0
(trend), U(r) = W(r)
_
1
0
W(r) dr, sauf que la derni` ere colonne
est remplac ee par r
1
2
.
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 17
Table 2: Valeurs critiques du test de Johansen
m =
0
Max
i
Trace
n-r 90% 95% 90% 95%
1 7.56 9.09 7.56 9.09
2 13.78 15.75 17.96 20.17
3 19.80 21.89 32.09 35.07
4 25.61 28.17 49.93 53.35
5 31.59 34.40 71.47 75.33
Table 3: Valeurs critiques du test de Johansen
m libre
Max
i
Trace
n-r 90% 95% 90% 95%
1 2.82 3.96 2.81 3.96
2 12.10 14.04 13.34 15.20
3 18.70 20.78 26.79 29.51
4 24.71 27.18 43.96 47.18
5 30.77 33.18 65.06 68.91
Le cas m = 0 est peu int eressant en pratique. On trouvera une table dans Johansen (1988) pour
le test de la trace. Les deux autres cas sont ceux qui sont utilis es en pratique. Le cas m =
0
correspond ` a la table A3 dans Johansen et Juselius (1990) et le cas mlibre ` a la table A1 de ce m eme
papier. On a reproduit ces valeurs critiques dans les Tables 2 et 3.
Elles sont un peu difciles ` a lire, dans la mesure o` u pour chaque valeur de n on doit se livrer ` a
une petite gymnastique. Certains logiciels comme Microt op` erent ce calcul de pr esentation pour
lutilisateur. Supposons que lon consid` ere un vecteur al eatoire de dimension 4 et que lon veuille
tester le rang de coint egration dans un mod` ele CVAR ` a terme constant libre. La Table 4 reconstruit
les valeurs critiques pour ce cas particulier. On va commencer par tester lhypoth` ese nulle que
Table 4: Exemple de table
pour n = 4 et m libre
Max
i
H
0
H
1
90% 95%
r=0 r=1 24.71 27.18
r=1 r=2 18.70 20.78
r=2 r=3 12.10 14.04
r=3 r=4 2.82 3.96
la dimension de lespace de coint egration est egale ` a z ero. On rejettera cette hypoth` ese contre
lalternative que r = 1 si la valeur du test
max
calcul e pour r = 0 est sup erieur ` a la valeur lue dans
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 18
la table, cest ` a dire 27.18 ` a 95%. On passera ensuite au test de r = 1 contre r = 2. On ne rejettera
pas cette hypoth` ese si la valeur du test
max
calcul ee pour r = 1 est inf erieure ` a la valeur lue dans
la table, cest ` a dire ` a 95% 20.78. Dans cet exemple le rang de coint egration sera donc egal ` a 1.
4.6 Test de labsence de trends
Le tr` es grand int er et de la proc edure de maximum de vraisemblance sur les CVAR, cest quune fois
le rang de coint egration d etermin e, tous les tests de restriction lin eaire sur les param` etres ont une
distribution asymptotique
2
standard.
Le premier test ` a traiter est celui de la restriction sur le terme constant. Soit donc les deux
hypoth` eses suivantes, conditionnelles ` a une valeur test ee pour r:
H
0
: m =
0
H
1
: m =
0
+

(42)
On a le th eor` eme suivant:
Th eor` eme 6 Labsence de n r trends lin eaires dans le processus qui g en` ere le vecteur X
t
coint egr e de rang r se teste au moyen de la statistique:
T
n

i=r+1
log
1

i
1
i
qui est distribu ee selon une loi du
2
` a n r degr es de libert e.
Preuve: Voir Johansen (1991).
2
4.7 Test de restrictions lin eaires sur le vecteur de coint egration
Le second type de test naturel ` a mettre en oeuvre est celui concernant des restrictions lin eaires sur
la matrice des vecteurs de coint egration. On nenvisagera ici quun test de restrictions tr` es simple
de la forme:
= H (43)
o` u H est une matrice de restrictions de taille n s avec r s n. Dans le cas o` u s = n et H
est une matrice identit e, il ny a pas de restriction. Dans le cas contraire, la matrice de param` etres
qui est n r est r eduite ` a une matrice de param` etres qui est s r. Ce type d ecriture impose
la m eme restriction sur les r colonnes de la matrice . Dans la mesure o` u nest pas identi e mais
ne constitue quune base pour lespace des vecteurs de coint egration, les restrictions lin eaires sur
portent sur les caract eristiques de cet espace. Il peut donc sembler naturel dimposer des restrictions
de ce type. Quand r = 1, on retombe sur un type usuel de restrictions. Le test se construit sur la base
du principe de ratio de vraisemblance comme pr ec edemment en introduisant la contrainte dans le
probl` eme de valeurs propres qui permettra de calculer la fonction de vraisemblance sous lhypoth` ese
nulle. On a alors le th eor` eme:
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 19
Th eor` eme 7 Sous lhypoth` ese =

(ou = H ), lestimateur du maximum de vraisem-


blance de est donn e par les r vecteurs propres associ es aux r plus grandes valeurs propres
iH
dans le probl` eme:
det(H

S
zz
H H

S
zy
S
1
yy
S
yz
H) = 0
La valeur de la fonction de vraisemblance en son maximum est donn ee par:
L
2/T
max
= det(S
yy
)
r

i=1
(1

iH
)
Le test de lhypoth` ese nulle =

H contre lhypoth` ese alternative =

est donn e par la


statistique:
T
r

i=1
log
1

iH
1

i
qui est distribu ee selon une
2
` a r (n s) degr es de libert e.
Preuve: Voir Johansen (1991).
2
4.8 Test dexog en eit e
v erier
Le dernier test quil est possible de facilement concevoir porte sur des restrictions lin eaires sur
la matrice des poids . Il a la m eme structure que le test pr ec edent. Il permet de tester la pr esence
dans une equation du CVAR de lensemble des termes correcteurs derreurs. Cest donc un test
dexog en eit e.
Th eor` eme 8 Sous lhypoth` ese = H

(ou = H ), lestimateur du maximum de vraisem-


blance de est donn e par les r vecteurs propres associ es aux r plus grandes valeurs propres
iH
dans le probl` eme:
det(H

S
zz
H H

S
zy
S
1
yy
S
yz
H) = 0
La valeur de la fonction de vraisemblance en son maximum est donn ee par:
L
2/T
max
= det(S
yy
)
r

i=1
(1

iH
)
Le test de lhypoth` ese nulle = H

contre lhypoth` ese alternative =

est donn e par la


statistique:
T
r

i=1
log
1

iH
1

i
qui est distribu ee selon une
2
` a r (n s) degr es de libert e.
Preuve: Voir Johansen (1991).
2
On peut tester lexog en eit e dune variable de mani` ere plus simple en estimant le mod` ele CVAR
equation par equation et en testant au moyen dun Fisher la nullit e des coefcients dans les
equations appropri ees.
4 ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE 20
4.9 Application empirique sur les donn ees belges
On a laiss e lestimation de la demande de monnaie pour la Belgique un peu en panne dans la derni` ere
section, en montrant que les m ethodes univari ees dans ce cas pr esent ne donnaient pas de r esultat
convaincant. On va maintenant reprendre le vecteur de trois variables et appliquer la m ethodologie
que nous venons de pr esenter. On a choisi de prendre p = 2, cest ` a dire que le polyn ome A(L) est
de degr e 2. Ce qui fait quil reste 28 observations pour lestimation. Commencons par estimer le
mod` ele sans contrainte sur le terme constant. On testera plus tard la validit e dune contrainte. Les
trois valeurs propres du probl` eme sont:

1
= 0.408
2
= 0.228
3
= 0.175
Calculons maintenant les deux statistiques de test de la valeur propre maximale et de la trace. On
reconstruit alors un tableau qui donne la valeur de ces statistiques avec les valeurs critiques corre-
spondantes:
H
0
H
1

max
95% 90% H
0
H
1
trace 95% 90%
r = 0 r = 1 14.90 20.97 18.60 r = 0 r 1 27.32 29.68 26.79
r = 1 r = 2 7.25 14.07 12.07 r 1 r 2 12.63 15.41 13.33
r = 2 r = 3 5.38 3.76 2.69 r 2 r = 3 5.38 3.76 2.69
Si lon se e au seuil de 5%, aucune des statistiques nindiquent la pr esence de coint egration. Si lon
passe au seuil de 10%, alors le test de la trace permet daccepter r = 1. Le vecteur de coint egration
est:
LMP = 0.94 LY 3.83 LR
Dans les equations en diff erence, le m ecanisme correcteur derreur apparat avec les poids suivants:
LMP 0.16
LY 0.10
LR 0.19
On peut tester lhypoth` ese d elasticit e unitaire entre la monnaie et le revenu. Le vecteur contraint
a pour valeur:
LMP = LY 4.51 LR
Cette restriction est accept ee. La statistique de test, qui est distribu ee selon une
2
(1), a une valeur
de 0.23, ce qui correspond ` a une P value calcul ee de 0.63.
Il reste ` a tester la possibilit e dune contrainte sur le terme constant. Les valeurs propres corre-
spondantes sont dans ce cas:

1
= 0.506
2
= 0.376
3
= 0.225
4
= 0.000
On peut alors calculer la statistique de test:
28(log
1 0.376
1 0.228
+ log
1 0.225
1 0.175
) = 7.71
5 INFERENCE ET TESTS DANS LES MODELES STRUCTURELS 21
Avec r = 1, la statistique de test a pour valeur 7.71 , ce qui est sup erieur ` a la valeur critique dune

2
(2) ` a 5% (5.99). En cons equence de quoi, la restriction de labsence de trends dans le processus
de g en eration des donn ees est rejet ee.
Lapproche par CVAR ne permet pas dobtenir une equation structurelle. Une pratique courante
consiste ` a sauver les valeurs de la solution de long terme telle que fournie pr ec edemment et lutiliser
ensuite dans une mod elisation en deux etapes. Pour une equation de demande de monnaie on
obtient:
LMP
t
= 1.21
[2.41]
+ 1.16
[5.23]
LY
t
1.34
[4.34]
LR
t
0.25
[2.37]
RES
t1
R
2
= 0.61 = 0.025 ss = 0.0145
2
(1)
corr
= 0.054
2
(2)
norm
= 0.62
ce qui fournit des r esultats tr` es proches pour le court terme de ceux fournis par lapproche ECM de
Hendry expos ee au chapitre 2. Pour la solution de long terme, on a aussi une certaine similitude
avec lapproche de Hendry, mais le coefcient de long terme du taux dint er et etait quand m eme
assez diff erent, substantiellement plus grand.
Le dernier type de test que lon peut envisager consiste ` a estimer moindre carr es les autres
equation de court terme du CVAR en se servant toujours de lestimation du vecteur coint egrant d ej` a
obtenue. Si les variables restantes, cest ` a dire LR et LY sont exog` enes pour linf erence, alors,
le vecteur de coint egration ne devrait pas apparatre signicativement dans ces equations. On a:
LY = 0.38
[1.71]
LY
1
+ 0.066
[0.48]
LMP
1
0.90
[3.16]
LR
1
+ 0.099
[1.19]
RES
1
+ 0.50
[1.24]
R
2
= 0.50 = 0.0179 ss = 0.00707
2
(1) corr = 1.50
2
(2) norm = 0.81
LR = 0.41
[1.62]
LR
1
0.33
[1.66]
LY
1
+ 0.30
[2.45]
LMP
1
0.188
[2.51]
RES
1
0.90
[2.48]
R
2
= 0.36 = 0.0161 ss = 0.00572
2
(1) corr = 4.48
2
(2) norm = 0.71
Au vu de ces r esultats, on constate donc quil y a exog en eit e du revenu mais pas du taux dint er et
pour linf erence sur les param` etres de la fonction de demande de monnaie en Belgique. Il faudrait
donc estimer par variables instrumentales l equation de court terme.
5 INFERENCE ET TESTS DANS LES MODELES STRUCTURELS
6 CONCLUSION
Que faut-il retenir des m ethodologie de mod elisation des variables I(1) que nous avons pr esent e.
Les m ethodes univari ees ne semblent pas donner de r esultats convaincants quand on dispose dun
faible nombre dobservations. La m ethodologie multivari ee de Johansen semble plus convain-
cante, car elle produit des r esultats qui ne sont pas biais es en petit echantillon. Par rapport ` a la
m ethodologie de Hendry, elle fournit un cadre naturel pour tester lexog en eit e de certaines vari-
ables. Mais d` es quil y a plus dun vecteur de coint egration, la m ethode devient plus probl ematique.
Il devient difcile dinterpr eter la signication des vecteurs de coint egration. Enn d` es que lon
veut analyser un groupe important de variables, on bute sur le vieux probl` eme qui oppose lanalyse
dune equation s epar ee ` a celle du syst` eme complet: une erreur de sp ecication sur une equation se
r epercute sur les r esultats que lon peut obtenir sur les autres. Lanalyse en information compl` ete
est peu robuste par rapport aux erreurs de sp ecication.
7 LECTURES ADDITIONNELLES 22
7 Lectures additionnelles
8 Exercices
BIBLIOGRAPHIE
Barnejee A., J. Dolado, D.F. Hendry et G.W. Smith (1986) Exploring Equilibrium Relationships
in Econometrics through Static Models: Some Monte Carlo Evidence. Oxford Bulletin of Eco-
nomics and Statistics 48, 253-277.
Davidson R. et J. MacKinnon (1993) Estimation and Inference in Econometrics. Oxford: Oxford
University Press.
Engle R. et C. Granger (1987) Cointegration and Error Correction: Representation, Estimation and
Testing. Econometrica 55, 251-276.
Engle R.F. et B.S. Yoo (1987) Forecasting and Testing in Cointegrated Systems. Journal of Econo-
metrics 35, 143-159.
Johansen S. (1988) Statistical Analysis of Cointegration Vectors. Journal of Economic Dynamics
and Control 12, 231-254.
Johansen S. (1991) Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector
Auto-regressive Models. Econometrica 59, 1551-1580.
Johansen S. et K. JUSELIUS (1990) Maximum Likelihood Estimation and Inference on Cointegra-
tion with Applications to the Demand for Money. Oxford Bulletin of Economic and Statistics 52,
169-210.
Kremers J.J.M., N.R. Ericsson and J.J. Dolado (1992) The Power of Cointegration Tests. Oxford
Bulletin of Economics and Statistics 54, 325-348.
MacKinnon j. (1991) Critical Values for Cointegration Tests. in R.F. Engle and C.W.J. Granger:
Long-Run Economic Relationships, Oxford: Oxford University Press.
Phillips P.C.B. (1991) Optimal Inference in Cointegrating Systems. Econometrica 59, 283-306.
Phillips P.C.B. et M. Loretan (1991) Estimating Long Run Economic Equilibria. Review of Eco-
nomic Studies 58, 407-436.
Saikonnen P. (1991) Asymptotically Efcient Estimation of Cointegration Regressions. Economet-
ric Theory.
Sims C.A., J.H. Stock et M.W. Watson (1990) Inference in Linear Time Series Models with Some
Unit Roots. Econometrica 58, 113-144.
Stock J. (1987) Asymptotic Properties of Least Squares Estimators of Cointegrating Vectors. Econo-
metrica 55, 1035-1056.
Stock J.H. et M.W. Watson (1993) A Simple Estimator of Cointegrating Vectors in Higher Order
Integrated Systems. Econometrica 61(4), 783- 820.
Tso M. (1981) Reduced-Rank Regression and Canonical Analysis. Journal of the Royal Statistical
Society B43, 183-189.