Vous êtes sur la page 1sur 13

ElÈments de correction du sujet díexamen de SÈries temporelles

Professeur Georges Bresson

M1 IngÈnierie Economique et Statistique M1 Monnaie-Finance-Banque

16 janvier 2013

Ces ÈlÈments de correction sont donnÈs ‡ titre indicatif. Ils ne prÈjugent pas de la correction exacte des copies.

1 Exercice 1

Soit le modËle AR(1)associÈ ‡ la sÈrie X t :

X t = ( t 1) X t 1 + " t , t = 1 ; :::; T

" t est un bruit blanc " t iid 0; et est une constante: On suppose que X t = " t = 0 pour t 2 ( 1; 0] :

"

2

1.a) On peut Ècrire:

X t 1 = ( t 2) X t 2 + " t 1 dío˘ X t = ( t 1)+( t 2) X t 2 + " t + ( t 1) " t 1

Par rÈcurrence, on obient:

X t

= ( t 1)+( t 2)+:::+( t ) X t + " t +

1

X

j =1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

= 4 2

=1 ( t j ) ! 3

P

j

5 :X t + " t +

1

X

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

1

En posant = t , on peut Ècrire X t comme un processus de moyenne mobile sur " t :

X

t

=

=

4 2

" t +

On peut donc Ècrire:

=1 ( t j ) ! 3

t

P

j

5 :X 0 + " t +

t

1

X

j

=1

t

1

X

j =1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

X t = " t +

t 1

X

j =1

" t j 2

4

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

i=1 ( t i ) ! 3

j

P

5

1.b) La moyenne du processus X t est donc:

E [X t ] = t = E [" t ] +

t

1

X

E

j =1

[" t j ] 4 2

i=1 ( t i ) ! 3

j

P

5 = 0

puisque E [" t j ] = 0 , 8j . De mÍme, E [X t ] = t = 0. Líautocovariance du processus X t est

soit:

=

E

(X t t ) : X t t

=

E [X t :X t ] ; 8

= E

2

6

6

6

6

6

6

4

" t +

1

=1 " t j 2

t

P

j

4

i=1 ( t i ) ! 3

j

P

5

@ 0 " t +

t 1

P

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

A 1

3

7

7

7

7

7

7

5

=

4

E [" t " t ] + E 2

" t

t 1

X

j

=1

" t j 2

4

4

+E 2

4

+E 2

" t

t

1

X

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

5 3

t

1

X

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

t 1

X

j

=1

i=1 ( t i ) ! 3

j

P

5

5 3

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

2

5 3

Si = 0; la variance est donnÈe par:

2

X t

= 0 = E [" t " t ] +

=

4

+E 2

t

1

X

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

2

4 1 +

2

"

t 1

X

j

=1

2 i=1 ( t i ) ! 3

j

P

5

t

1

X

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

5 3

Si = 1; líautocovariance du 1er ordre est donnÈe par:

1

1

=

4

E [" t " t 1 ] + E 2

" t

t

2

X

j

=1

4

+E 2

" t 1

t

1

X

j

=1

" t j 2

4

" t 1 j 2

4

i=1 ( t i ) ! 3

j

P

5

4

+E 2

t

1

X

j

=1

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

t

2

X

j

=1

=

E h " t 1 " t 1 ( t 1) i

4

+E 2

t

1

X

j

=2

" t j 2

4

i=1 ( t i ) ! 3

j

P

5

t

2

X

j

=1

=

2

"

8

<

:

( t 1) + 2

4

t 1

X

j =2

i=1 ( t i ) !

j

P

i=1 ( t 1 i ) ! 3

j

P

5

5 3

5 3

" t 1 j 2

4

i=1 ( t 1 i ) ! 3

j

P

5

" t 1 j 2

4

i=1 ( t 1 i ) ! 3

j

P

5

t 2

X

j =1

i=1 ( t 1 i ) !

j

P

3

5

9

=

;

5 3

5 3

Líautocovariance du 2Ëme ordre sera donc dÈÖnie par:

2 =

2

"

8

<

:

i=1 ( t i ) + 2

2

P

4

t

1

X

j

=3

i=1 ( t i ) !

j

P

t

3

X

j

=1

i=1 ( t 2 i ) ! 3

j

P

5

9

=

;

et donc líautocovariance ‡ líordre sera donnÈe par:

=

2

"

8
<

:

i=1 ( t i ) + 2

P

4

t 1

X

j = +1

i=1 ( t i ) !

j

P

t ( +1)

X

j =1

i=1 ( t i ) ! 3

j

P

5

9

=

;

Líautocorrelation du processus X t est donc donnÈe par:

= E (X t t ) : X t t

2

X

t

3

, 0 = 1

=

i=1 ( t i ) + 2

P

4

t

1

P

j = +1

i=1 ( t i ) ! t ( +1)

j

P

P

j

=1

i=1 ( t i ) ! 3

j

P

5

2

4 1 +

t

1

P

j

=1

2 i=1 ( t i ) ! 3

j

P

5

2 Exercice 2

Soit le processus ARCH(1) dÈÖni par:

E a

2

t

a t

= t :" t , " t N (0; 1) , t = 1; :::; T

j t 1

2

t

2

= 0 + 1 a 1 , 0 > 0 , 1 0

t

, 8 6= 0

t 1 est líensemble informationnel disponible ‡ la date (t 1) et le nombre total díobservations T est T = 1000 .

2.a) Pour une distribution centrÈe, le coe¢ cient de Kurtosis est dÈÖni comme le rapport du moment díordre 4 sur le carrÈ du moment díordre 2. Ce coe¢ cient vaut 3 dans le cas díune loi normale quelconque, cette valeur servant de rÈfÈrence. Pour le processus ARCH, le coe¢ cient de Kurtosis síÈcrit:

Kurt a = E a 4

t

fE [a ]g 2

2

t

En vertu de la loi des espÈrances itÈrÈes E [E [X j Y ]] = E [X ], on peut Ècrire:

Kurt a

=

=

E a 4

t

2

t

]g 2 = E E a 4

f E [E [a

t

2

t

j t 1

fE [a

j t 1

]]g 2 =

E ]g 4 2 : fE [" ]g 2

2

t

t

:E " 4

t

2

t

fE [

fE [ ]g 2 E " 4 ]g 2

E 4

t

2

t

t

fE ["

2

t

=

E 4

t

fE [

t ]g 2 Kurt "

2

Or

E = E 0 + 1 a 1 = 0 + 1 E a

t

t

2

2

2

t 1

et la variance non conditionnelle de E a 1 est donnÈe par:

2

t

E a 1 = E " 1 = E 0 " 1 + 1 a

t

t

t

t

2

2 2

2

2

t 2 " t

2

=

1 car E a 1 = E a

0

1

2

t

2

t 2

1 = 0 + 1 E a

2

t 2

donc

2

E =

t

=

0

0

+ 1 E a

2

t 1

+ 1

1 =

0

1

0 1 1

4

Posons: E " 4 = E " 4 1 = 4 . On peut Ècrire:

t

t

E a 4 = E 4 :E " 4 = E h 0 + 1 a

t

t

t

2

t 1 2 i : 4

2

= 4 0 + 2 0 1 E a

2

t 1 + 1 2

E a 4

t 1

= 4 0 + 2 0 1

2

1 + 2 E a 4

0

1

1

t 1

or les moments non conditionnels sont identiques 8t :

dío˘

E a 4

t

=

!

E a 4 = E a 4

t

t 1

0 2 (1 + 1 )

(1 1 ) (1 4 : 2

1

) : 4

E 4 =

t

2

0 (1 + 1 )

(1 1 ) (1 4 : 2 )

1

Le coe¢ cient de Kurtosis du processus ARCH(1) síÈcrit donc:

Kurt a

=

=

E 4 ]g 2 Kurt " f E [

t

2

t

2

0 (1+ 1 )

(1 1 ) ( 1 4 : 2

1

)

1 1 2

0

Kurt "

et comme E " 4 = 4 = 3 , il vient:

t

Kurt a = 1 2 ) Kurt " = 1 2 ) Kurt " = 3

1

(1 4 : 2

1

1

(1 3 2

1

Si 0 < 2 < 1=3 , alors Kurt a > Kurt " :

1

1 2

1

(1 3 2 )

1

2.b) Si 1 = 0 :42, alors le coe¢ cient de Kurtosis est Ègal ‡:

Kurt a = 3

1 2

1

(1 3 2

1

) = 3

1 (0:42) 2

1 3 (0 :42) 2 = 5 :2481

2.c) Sous líhypothËse de normalitÈ:

T

K a 3 N 0; 24

On peut donc construire le test díune distribution mÈsokurtique (ou test díaplatissement)

H 0 : dist. mÈsokurtique (K = 3) K = K r 24 =T N (0; 1)

3

p

5

il vient:

K = 5 :2481 3

p 24 =1000 = 14:511

Cette valeur est trËs supÈrieure aux valeurs critiques de la loi normale (quel que soit le seuil ‡ 1% , 5% ou 10% ). On rejette donc líhypothËse nulle. Le coe¢ cient de Kurtosis est supÈrieur ‡ 3 et la distribution est leptokurtique.

3 Exercice 3

On considËre la sÈrie des rendements mensuels r t de líindice S&P 500 (en %) sur la pÈriode Janvier 1926 - DÈcembre 2009. On constate sur la Ögure 1 une Èvolution stationnaire en moyenne avec des Èpisodes de áuctuations importantes avant 1950 puis aprËs le milieu des annÈes 70. Ces Èpisodes de áuctuations semblent caractÈriser des pÈriodes de forte volatilitÈ.

3.a) Le modËle estimÈ est un AR(1)-GARCH exponentiel EGARCH(1,1) du type:

8

r t

< log

:

2

t

g (" t 1 )

= 0 + 1 r t 1 + a t , a t = t " t , " t N (0; 1)

=

=

0 +g ( " t 1 )

1

B

1 " t 1 + 2 j" t 1 j

comme a t = t " t , le modËle peut síÈcrire:

(

=

r t log =

2

t

0 +

log 1 + 0 + 1

1 r t 1

2

t

+ a t , a t = t " t , " t N (0; 1)

1 + 2

a

t

1

t

a

t

1

t 1

La mÈthode díestimation utilisÈe est le pseudo-maximum de vraisemblance (en appliquant líalgorithme de Marquardt) et en supposant la normalitÈ

des perturbations " t : LíÈchantillon couvre 888 observations et líalgorithme

a convergÈ vers le maximum de vraisemblance au bout de 25 itÈrations. Le

rendement mensuel moyen (bc) est ÈvaluÈ ‡ 0:63% . Tous les coe¢ cients de

la spÈciÖcation AR(1)-EGARCH(1,1) sont signiÖcativement di§Èrents de

zÈro quel que soit le seuil sauf celui du rendement retardÈ (r t 1 ). Líindice S&P 500 est donc un processus de marche au hasard avec dÈrive. b 0 (proxy de la variance non conditionnelle) est estimÈe ‡ 0:908 = exp ( 0 :0959) : Le

b

coe¢ cient de persistance de la volatilitÈ est trËs ÈlevÈ (environ 97.6%). Cependant, il níy a pas de racine unitaire car son intervalle de conÖance ‡ 95% de sÈcuritÈ est: 0:9759 1 :96 (0 :00646) = [0:963 ; 0:988]. Le coe¢ cient b 2 = 0 :2244 est associÈ ‡ líe§et de líamplitude díun choc tandis que b 1 = 0:0385 est associÈ ‡ líe§et díun choc positif (ou nÈgatif). Comme b est nÈgatif, un choc nÈgatif augmente la volatilitÈ relativement ‡ un choc positif. Cíest líe§et de levier du 1er ordre.

1

6

2

3.b) La volatilitÈ peut Ítre exprimÈe sous forme díun modËle GARCH ‡ seuil. En e§et,

t

2

log = log

t

= log

2

t 1 + 0

2

t

1 + 0

+ 1 " t 1 + 2 j" t 1 j

+ ( 1 + 2 ) " t 1

( 1 2 ) " t 1

dío˘

2

=

t

2

t

1 :e 0 : exp [( 1 +

2 ) " t 1 ]

exp [( 1 2 ) " t 1 ]

2

=

t

2 1 0 : 976 :e 0 : 096 :

t

exp (0 :1859" t 1 ) exp ( 0 :2629" t 1 )

si

si

si

si

si

si

" t 1 0

" t 1 < 0

" t 1 0 " t 1 < 0

" t 1 0 " t 1 < 0

3.c) Pour un choc "standardisÈ" de magnitude 2 ( i.e., 2 Ècarts-type), on a:

( pour " t 1 = 2) = exp ( 0:2629 ( 2)) = exp (0 :5259)

t

2

( pour " t 1 = +2)

t

exp (0 :1859:(2))

exp (0

2

:3719) = exp (0:1540) = 1 :1665

Líimpact díun choc nÈgatif est donc environ 16 :65% plus important que líimpact díun choc positif de mÍme amplitude.

4 Exercice 4

4.a) Tests de racine unitaire sur la sÈrie log _1y: On commence par le test de la tendance dans le modËle gÈnÈral avec constante et trend (table 6). Le t-stat du trend (0 :4288) est infÈrieur ‡ la valeur critique ‡ 5% lue dans la table (2 :78). On rejette donc la prÈsence du trend. On passe au modËle avec constante (table 7) et on teste la prÈsence de la constante. Le t-stat de la constante (2 :7209) est supÈrieur ‡ la valeur critique (‡ 5% ou ‡ 10% ) lue dans la table (2 :52 ou 2:16). On accepte la prÈsence díune constante au risque de 5% . Toujours sur la table 7, on teste la prÈsence díune racine unitaire ‡ líaide du t-stat de líendogËne retardÈe ( 2 :6929). Cette valeur est supÈrieure ‡ la valeur critique (‡ 5% ) lue dans la table ( 2:87). On accepte donc la prÈsence díune racine unitaire avec constante. La sÈrie log _1y est I (1) avec constante. Si on souhaite "travailler" avec une sÈcuritÈ de 99% , on rejette la prÈsence de la constante et on passe ‡ la table 8 pour tester la prÈsence díune racine unitaire sans constante. Le t-stat de líendogËne retardÈe ( 0:3041) est supÈrieur ‡ la valeur critique (‡ 1% ) lue dans la table ( 2:58 ). On accepte donc la prÈsence díune racine unitaire sans constante. En rÈsumÈ, avec un risque de 5%, le processus est I (1) avec constante tandis, quíavec un risque de 1%, le processus est I (1) sans constante.

7

4.b) On suppose que la sÈrie log _3y est I (1) et on dÈÖnit les variables en di§Èrences premiËres: d log _1y et d log _3 y: La table 9 dÈcrit un ensemble de tests de spÈciÖcation aÖn de dÈterminer le nombre de retards optimal pour un processus V AR (p ) ‡ deux variables (M = 2). Ce modËle síÈcrit:

(B )Y t

Y t

= c + " t $ Y t = c + 1 Y t 1 + 2 Y t 2 + :::: + p Y t p + " t

= c +

p

X

=1

Y t + " t " t N 0; " et Y t = d d log log _1y _3y t

t

Le premier test est le test du rapport de vraisemblance ( LR : likelihood ratio test ). On considËre les hypotheses nulle et alternative suivantes:

H 0

H 1

:

:

p+1 = 0 ! processus V AR (p )

p+1

6= 0 ! processus V AR (p + 1)

La statistique de test du rapport de vraisemblance est donnÈe par:

LR = T log 0

B

@

B

b

b

( C )

"

( NC )

"

1
C

C

A = T log

b

( C )

"

b

log

( NC )

"

qui, sous líhypothËse nulle, suit un 2 r degrÈs de libertÈ o˘ r est le nombre de contraintes (ici r = M 2 = 2 2 en comparant un V AR (p ) et

un V AR (p + 1)). b

de variances-covariances des rÈsidus du modËle contraint (resp. non con- traint). Pour dÈterminer líordre optimal du processus V AR (p ), on utilise Ègalement des critËres díinformation tels que les critËres AIC (Akaike in- formation criterion ), SC ( Schwarz information criterion ) ou HQ (Hannan-

" ) dÈsigne líestimateur de la matrice

( C )

"

(resp. b

( NC )

Quinn information criterion ):

AIC

SC

=

log b

= log b

"

"

HQ = log b "

+ 2 M 2 p + M

T

+ M 2 p + M log T

T

+ 2 M 2 p + M log (log T )

T

Ces 3 critËres ne donnant pas forcÈment le mÍme ordre optimal, on ap- plique le principe de parcimonie en choisissant celui qui donne le plus petit ordre pour le V AR (p ). Les astÈriques ( ) dans la table 9 nous indiquent le nombre de retards choisi par les critËres de sÈlection. Ainsi, pour LR, SC et HQ, le nombre optimal de retards est 2. Par contre, pour AIC, le nombre optimal de retards est 3. Si on applique le principe de parcimonie, alors on proposera un processus V AR (2) pour ce systËme de 2 variables d log _1 y et d log _3y .

8

La table 10 nous fournit les rÈsultats du test de causalitÈ "‡ la Granger" entre d log _1 y et d log _3y pour un processus V AR (2): En Öxant a priori le nombre de retards p = 2 du processus V AR (p ), on estime le modËle bivariÈ suivant:

8

>

>

<

>

>

:

d

d

log _1 y t

log _3 y t

=

=

0 ; 1 +

0 ; 2

+

p(=2)

P

=1 d log _1y t

p(=2)

P

=1 d log _3y t

+

+

p(=2)

P

=1 d log _3 y t

p(=2)

P

=1 d log _1 y t

+ " 1 ;t

+ " 2 ;t

Ainsi, Eviews propose de tester les hypothËses nulles:

H 0 : 1 = 2 = 0

H 0 : 1 = 2 = 0

dans la 1Ëre Èquation

$ d log _3y "ne cause

pas"

d log _1y

dans la 2Ëme Èquation

$ d log _1y "ne cause

pas"

d log _3y

Les statistiques F des tests de Wald sont fournies par le logiciel. A la lecture de la table 10, on constate que les valeurs du test F sont respec- tivement de 4:242 et 2:246 avec des niveaux marginaux de signiÖcativitÈ (p-value ) de 0:014 et de 0:106. Autrement dit, on a 1:4% de chances de se tromper si on rejette líhypothËse nulle: d log _3 y "ne cause pas" d log _1 y . On peut donc conclure que d log _3y "cause au sens de Granger" d log _1 y au risque de 5% . Par contre, on a 10 :6% de chances de se tromper si on rejette líhypothËse nulle: d log _1 y "ne cause pas" d log _3y . On peut donc conclure que d log _1y "ne cause pas au sens de Granger" d log _1 y au risque de 5% . A priori, le modËle des taux de croissance des taux díintÈrÍt est un modËle rÈcursif:

8

>

>

<

>

>

:

d log _1y t

d log _3y t

=

=

0 ; 1

+

p(=2)

P =1 d log _1 y t +

p(=2)

P =1 d log _3 y t + " 1 ;t

0 ; 2 +

p(=2)

P =1 d log _3y tt + " 2 ;t

4.c) On souhaite estimer une relation de long terme entre les logarithmes des taux díintÈrÍt:

log _1 y t = 0 + 1 log _3 y t + 2 dummy t + " t

dummy t est une variable indicatrice valant 1 pour la pÈriode 1980.1 - 1985.12 et 0 sinon. Comme les deux variables sont I (1), cette rela- tion pourra Ítre assimilÈe ‡ une relation díÈquilibre de long terme si elle est cointÈgrÈe, c.a.d si les rÈsidus estimÈs sont stationnaires (b" t I (0)). Líestimation par les MCO (table 11) montre que tous les coe¢ cients sont signiÖcativement di§Èrents de zÈro. Mais avant de pouvoir les interprÈter, il faut vÈriÖer si la relation est cointÈgrÈe. Le R 2 trËs ÈlevÈ (0:972) et la statistique DW de Durbin-Watson trËs faible (0:109) nous faire craindre une rÈgression fallacieuse ou une relation non cointÈgrÈe. Sous líhypothËse nulle de la prÈsence díune racine unitaire sur les rÈsidus, un premier test

9

consiste ‡ savoir si DW = 0 . Ce test est appelÈ CRDW (Cointegrat-

ing Regression Durbin-Watson test ). Si le DW calculÈ est infÈrieur ‡

la valeur critique, on accepte líhypothËse nulle de non cointÈgration. A

líinverse, si le DW calculÈ est supÈrieur ‡ la valeur critique, on rejette líhypothËse nulle de non cointÈgration et les variables sont alors cointÈ- grÈes. La valeur critique lue dans la table 4 (0 :30 ) est supÈrieure ‡ la valeur calculÈe (0:109). On ne peut pas rejeter líhypothËse nulle de non cointÈgration. Un autre test est le test DF. Sous líhypothËse nulle de non cointÈgration (i.e., prÈsence díune racine unitaire), on teste:

H 0 : 1 = 0 $ b" t = 0 + 1 b" t 1 + u t

Si le t-stat calculÈ de 1 est supÈrieur ‡ la valeur critique, on accepte

H 0 . Dans ce cas, les variables sont non cointÈgrÈes puisque b" t I (1).

A líinverse, si le t-stat calculÈ de 1 est infÈrieur ‡ la valeur critique, on

rejette H 0 . Dans ce cas, les variables sont cointÈgrÈes puisque b" t I (0):

La lecture de la table 12 nous donne un t-stat de 1 Ègal ‡ 4:092. Or la

valeur critique lue dans la table 3 est 4 :64 1% ; 4:10 5% et 3:81

10% : Les variables de taux díintÈrÍt sont non cointÈgrÈes avec une sÈcuritÈ de 95% ou de 99% mais peuvent Ítre considÈrÈes comme cointÈgrÈes avec une sÈcuritÈ de 90%. En gÈnÈral, en Èconomie, on "travaille" au risque

de 5% et nous sommes donc enclins ‡ rejeter líhypothËse de cointÈgration,

donc líhypothËse díune relation de long terme stationnaire.

4.d) On estime un processus VAR(2) non cointÈgrÈ pour les deux sÈries de taux díintÈrÍt. La table 13 montre que les coe¢ cients sont tous signiÖca- tivement di§Èrents de zÈro ‡ líexception des constantes et du coe¢ cient de d log _1y t 2 . On a bien une relation croissante entre les taux de croissance des taux díintÈrÍt. Mais líimpact du taux de croissance du taux díintÈrÍt

‡ 3 ans sur le taux de croissance du taux díintÈrÍt ‡ 1 an (0:3314 ) est plus important que líimpact du taux de croissance du taux díintÈrÍt ‡ 1 an sur

le taux de croissance du taux díintÈrÍt ‡ 3 ans (0:1401).

d log _1y t

d log _3y t = 0 :1401d log _1y t 1 + 0:3033d log _3 y t 1 0 :2313d log _3y t 2

0:2513d log _1y t 1 + 0:3314 d log _3y t 1

Comme on peut le constater sur la Ögure 3, le systËme est stable puisque les racines de líÈquation caractÈristique det I 2 z 2 1 z 2 = 0 se situent

‡ líintÈrieur du disque unitÈ du plan complexe. Par ailleurs, les autocor-

relations et les corrÈlations croisÈes des rÈsidus (Ögure 4) semblent nulles

jusquíau retard 11 ‡ líexception de la corrÈlation [d log _1y t ; d log _3y t 7 ] :

Cette absence de corrÈlation rÈsiduelle est conÖrmÈe par le test du mul- tiplicateur de Lagrange sur les rÈsidus (table 14). La Ögure 5 reprÈsente les fonctions de rÈponses impulsionnelles gÈnÈralisÈes de Pesaran et Shin. Ces fonctions de rÈponses sont issues díun ensemble díinnovations orthog- onales qui ne dÈpendent pas de la position des di§Èrentes variables dans

le processus V AR . La rÈponse impulsionnelle issue díune innovation de la

10

variable d log _1 y est obtenue en appliquant ‡ la variable d log _3y une fac- torisation de Cholesky calculÈe avec líinnovation de la variable d log _1 y placÈe tout en haut de la structure V AR et vice versa . La rÈponse de (d log _1y ) ‡ un choc sur ses innovations est relativement faible, mÍme instantanÈment (+6:0%) et síattÈnue trËs rapidement au bout de 3 mois. La rÈponse du taux de croissance du taux díintÈrÍt ‡ 1 an ‡ des chocs sur le taux de croissance du taux díintÈrÍt ‡ 3 ans est lÈgËrement plus faible (5 :5% en instantanÈ). On obtient le mÍme type de proÖl dynamique pour le taux de croissance du taux díintÈrÍt ‡ 3 ans. Les e§ets sur les taux de croissance des taux díintÈrÍt sont donc temporaires et síestompent trËs rapidement au bout díun trimestre.

4.e) On estime un modËle VAR cointÈgrÈ. Rappelons que líon peut rÈ- Ècrire ce VAR sous la forme:

Y t = c + A 1 Y t 1 + :::: + A p 1 Y t p+1 + B Y t 1 + " t

B =

p

Y

i

=1

i I M et A i =

p

X

j

=i +1

i

Le thÈorËme de reprÈsentation de Granger stipule que la matrice de coef- Öcients B níest pas de plein rang mais de rang infÈrieur r < M (= 2) et quíil existe des matrices et