Vous êtes sur la page 1sur 32

MODELE A CORRECTION DERREUR ET APPLICATIONS

Hlne HAMISULTANE

Bibliographie :

Bourbonnais R. (2000), Economtrie, DUNOD.


Lardic S. et Mignon V. (2002), Economtrie des Sries Temporelles Macroconomiques
et Financires, Economica.

I. COINTEGRATION ET MODELES A CORRECTION DERREUR

I.1 COINTEGRATION

Soient 2 variables xt et yt indpendantes lune de lautre et suivant chacune une marche


alatoire :
xt = xt-1 + t

et yt = yt-1 + t .

(1)

Ces 2 variables sont non stationnaires (ici on a yt ~> I(1), xt ~> I(1) car il suffit de les
diffrencier une seule fois pour les rendre stationnaires).
Elles sont non stationnaires car lorsque lon procde par rcurrence, on a par exemple pour
yt :
y1 = y0 + 1
y2 = y1 + 2 = y0 + 1 + 2

yt = y0 + i o i ~> iid(0, 2 )
i=1

Ce processus est non stationnaire car on a :


t
t t
Var(yt) = Var i = Var(i) = 2 = t 2 .
i=1 i=1
i=1

On constate que la variance du processus yt dpend du temps t : plus


Var(yt) .

(2)
t

et plus

Dfinition de la stationnarit :
Un processus yt est stationnaire si les conditions suivantes sont vrifies :

1. E(yt) est indpendante de t


2. var(yt) est une constante finie indpendante de t
3. cov(yt, yt-1) est une fonction finie de k ne dpendant pas de t.
Lorsque lon rgresse laide des MCO le modle suivant comprenant les 2 variables non
stationnaires :
on obtient :

yt = axt + b + t

(3)

yt - axt - b = t ~> I(1).

(4)

t ~> I(0) , t nest donc pas stationnaire (il y a ici autocorrlation des erreurs car le DW est
trs faible).
De manire gnrale, si xt et yt sont des sries I(d) alors en gnral la combinaison linaire
t = yt - axt b est aussi I(d).
En outre, la rgression effectue est dite fallacieuse ou illusoire ("spurious regression"). Elle
est caractrise par un R et des t de Student trs levs alors que les deux variables nont
aucun lien entre elles !
Pour viter ce problme, on peut effectuer la rgression sur des variables en diffrence
premire qui sont stationnaires (yt ~> I(0) et xt ~> I(0) si yt ~> I(1), xt ~> I(1)) :
yt = xt + + t .

(5)

yt - xt - = t ~> I(0).

(6)

On obtiendrait :
Toutefois, il arrive que lon souhaite travailler avec des variables plutt en niveau quen
diffrence premire (donc plutt avec des variables non stationnaires). Dans ce cas, comment
rgresser des variables non stationnaires et savoir si la rgression obtenue nest pas
fallacieuse ? Cest alors quintervient la notion de cointgration. Nous navons pas de
rgression fallacieuse lorsque les variables xt et yt sont cointgres, cest dire lorsque
lon a yt - axt - b = t ~> I(0) alors que yt ~> I(1) et xt ~> I(1).
Granger a montr que si on avait deux variables non stationnaires (yt ~> I(1) et xt ~> I(1)), on
pouvait avoir :
yt - axt - b = t ~> I(1)
(7)
ou
yt - axt - b = t ~> I(0) !
(8)
Lide sous-jacente de la cointgration est la suivante : court terme, xt et yt peuvent avoir
une volution divergente (elles sont toutes les deux non stationnaires) mais elles vont voluer
ensemble long terme. Il existe alors une relation stable long terme entre xt et yt. La relation
de long terme ou relation de cointgration est donne par yt = axt + b.

Dfinition de la cointgration :
Deux sries non stationnaires (yt ~> I(1) et xt ~> I(1)) sont dites cointgres si on a :

Les sries yt et xt sont alors notes :

yt - axt - b = t ~> I(0).

(9)

xt , yt ~> CI(1,1).

(10)

De manire gnrale, si xt et yt sont deux sries I(d) alors il est possible que la combinaison
linaire t = yt - axt - b ne soit pas I(d) mais I(d-b) o b est un entier positif (avec 0 < b d).
Le vecteur (1 -a -b) est appel "vecteur de cointgration". Les sries sont alors cointgres (xt
, yt ~> CI(d,b)).
Les conditions de cointgration :
Deux sries xt et yt sont dites cointgres si les deux conditions suivantes sont vrifies :
1. elles sont intgres dordre d ;
2. la combinaison linaire de ces 2 sries permet de se ramener une srie dordre
dintgration infrieur.
Afin de vrifier si la rgression effectue sur des variables non stationnaires ne sera pas
fallacieuse, il faut dabord raliser un test de cointgration.

I.2 COINTEGRATION ENTRE DEUX VARIABLES : LAPPROCHE DE ENGLE ET


GRANGER (1987)

a) Test de cointgration
Etape 1 : tester lordre dintgration des deux variables :
Une condition ncessaire de cointgration est que les sries doivent tre intgres de mme
ordre. Si les sries ne sont pas intgres de mme ordre, elles ne peuvent tre cointgres.
Il convient donc de vrifier lordre dintgration des chroniques tudies laide par exemple
du test de Dickey-Fuller (simple ou augment).
Si les sries considres ne sont pas intgres de mme ordre, il ny a alors pas de risque de
cointgration et la procdure sarrte cette premire tape.
Etape 2 : estimation de la relation de long terme

Si on a :
xt ~> I(1)

et

yt~> I(1).

On estime par les MCO la relation de long terme :


yt = axt + b + t .

(11)

Pour quil y ait cointgration, il faut que le rsidu et issu de la rgression soit stationnaire :
et = yt xt b ~> I(0) .

(12)

La stationnarit du rsidu est teste laide du test de Dickey-Fuller (simple ou augment).


On remarque ici que la relation porte sur les rsidus estims et non pas sur les vrais
rsidus de lquation de cointgration. Par consquent, nous ne pouvons pas nous rfrer aux
tables de Dickey-Fuller pour mener le test de stationnarit. Il faut regarder ici les tables de
MacKinnon.
Si le rsidu est stationnaire nous pouvons alors estimer un modle appel modle correction
derreur (MCE) qui intgre les variables en variation et en niveau (le thorme de la
reprsentation de Granger met en vidence le lien entre cointgration et modle correction
derreur). Lemploi dun modle correction derreur dans le cas de la cointgration permet
dobtenir des prvisions plus fiables que si on avait utilis la relation de long terme car les
rsultats de lestimation de cette relation sont fausss par la non stationnarit des sries.

b/ Modle correction derreur


Si on a deux sries cointgres (yt xt b ~> I(0)), on peut estimer le modle correction
derreur (MCE) suivant :
yt = xt + (yt-1 axt-1 b) + t avec < 0.

(13)

On peut remarquer que le paramtre doit tre ngatif pour quil y ait un retour de yt sa
valeur dquilibre de long terme qui est (axt-1 + b). En effet, lorsque yt-1 est suprieur
(axt-1 + b), il ny a une force de rappel vers lquilibre de long terme que si < 0.
Le MCE permet de modliser conjointement les dynamiques de court terme (reprsentes par
les variables en diffrence premire) et de long terme (reprsentes par les variables en
niveau).
La dynamique de court terme scrit :
yt = 0 + 1yt-1 + 2 xt + 3 xt-1 + t

(14)

La dynamique de long terme sexprime de la manire suivante :


yt = axt + b + t

(15)

car long terme, on a yt-1 = yt , xt-1 = xt et la dynamique de court terme devient long terme :

Do

yt = 0 + 1yt + 2 xt + 3 xt + t

(16)

(1- 1)yt = (2 + 3)xt + 0 + t

(17)

yt = axt + b + t
avec a =

(18)

2 + 3

, b = 0 , t = t .
1- 1
1- 1
1- 1

Le MCE sobtient partir de la dynamique de court terme :


yt = 0 + 1yt-1 + 2 xt + 3 xt-1 + t

(19)

yt yt-1 = 0 + 1yt-1 - yt-1 + 2 xt - 2 xt-1 + 2 xt-1 + 3 xt-1 + t

(20)

yt = (1-1)yt-1 + 2 (xt -xt-1) + 0 + (2 +3)xt-1 + t

(21)

yt = -(1-1)yt-1 + 2 (xt -xt-1) + 0 + (2 +3)xt-1 + t

(22)

+ 3

yt = -(1-1) yt-1 - 2
xt-1 - 0 + 2 xt + t
1- 1
1- 1

(23)

yt = xt + (yt-1 axt-1 b) + t

(24)

o 2 = , = -(1-1) , a =

2 + 3
et
1- 1

b=

0
.
1- 1

c/ Estimation du MCE avec une seule variable explicative


Si les sries Yt et Xt sont cointgres :
xt , yt ~> CI(1,1)
nous pouvons estimer le MCE.
Etape 1 : estimation par les MCO de la relation de la relation de long terme :
yt = axt + b + t .

(25)

Etape 2 : estimation par les MCO de la relation du modle dynamique de court terme :
yt = xt + et-1 + t avec < 0

(26)

o et = yt xt b .
Le coefficient doit tre significativement ngatif. Dans le cas contraire, la spcification de
type MCE nest pas valable.
Linconvnient de la mthode de Engle et Granger (1987) est quelle ne permet pas de
distinguer plusieurs relations de cointgration. En effet, si on tudie simultanment N
variables avec N > 2, on peut avoir jusqu (N-1) relations de cointgration. La mthode de
Engle et Granger (1987) ne nous permet dobtenir quune seule relation de cointgration. Afin
de pallier cette difficult, Johansen (1988) a propos une approche multivarie de la
cointgration fonde sur la mthode du maximum de vraisemblance.

I.2 COINTEGRATION ENTRE PLUSIEURS VARIABLES : LAPPROCHE DE JOHANSEN


(1998)

a) Test de cointgration
Considrons un vecteur Xt contenant N variables ~> I(1). La reprsentation VAR(p) de Xt
est :
Xt = A1 Xt-1 + + ApXt-p + t avec t ~> N(0,)
(27)
(N,1)

(N,N) (N,1)

(N,N) (N,1)

(N,1)

Exemple : un modle VAR(2) compos de 3 variables (x1t, x2t et x3t) pour Xt avec p = 2
retards :
Xt = A1 Xt-1 + A2 Xt-2 + t
x1t
x
2t
x3t

a11 a12 a13 x1t-1


a a a

21 22 23 x2t-1
a31 a32 a33 x3t-1

a14 a15 a16 x1t-2


a a a

24 25 26 x2t-2
a34 a35 a36 x3t-2

(28)

1t
.
2t
3t

car on a le systme dquations suivant :


x1t = a11 x1t-1 + a12 x2t-1 + a13 x3t-1 + a14 x1t-2 + a15 x2t-2 + a16 x3t-2 + 1t
x2t = a21 x1t-1 + a22 x2t-1 + a23 x3t-1 + a24 x1t-2 + a25 x2t-2 + a26 x3t-2 + 2t
x3t = a31 x1t-1 + a32 x2t-1 + a33 x3t-1 + a34 x1t-2 + a35 x2t-2 + a36 x3t-2 + 3t
On peut recrire le modle VAR(2) sous forme dun VECM ("Vector Error Correction
Model") :
On crit le modle VAR(2) en diffrence premire et en fonction de Xt-1 en ajoutant les
termes suivants (en gras) :
Xt Xt-1 = A1 Xt-1 Xt-1 + A2 Xt-2 + A2Xt-1 A2Xt-1 + t

(29)

Xt = (A1 I)Xt-1 - A2(Xt-1 Xt-2) + A2Xt-1 + t

(30)

Xt = -A2 Xt-1 + (A1 + A2 - I)Xt-1 + t

(31)

Xt = B1 Xt-1 + Xt-1 + t

(32)

o B1 = -A2 et = A1 + A2 I.
Posons (3,3) = (3,r) (r,3) avec comprenant r vecteurs de cointgration (avec 0 < r < N)
afin de mettre en vidence un modle VECM. Supposons que r = 2, on a :
x1t
x
2t
x3t

b11 b12 b13 x1t-1

= b21 b22 b23 x2t-1

b31 b32 b33 x3t-1

11 12 x1t-1
11 12 13

21 22 21 22 23 x2t-1
31 32
x3t-1

1t
.
2t
3t

De manire gnrale, si on a la reprsentation VAR(p) suivante pour Xt :


Xt = A1 Xt-1 +
(N,1) (N,N) (N,1)

+ ApXt-p + t
(N,N) (N,1)

(N,1)

avec

t ~> N(0,)

le modle VECM va scrire comme suit :


Xt = B1 Xt-1 + + Bp-1 Xt-p+1 + Xt-1 + t

(33)

o Bi = -Aj avec i = 1, , k-1 et = A1 + + Ak I.


j=i+1

On pose = avec une matrice (N,r) avec r < N contenant les vitesses dajustement
pour chacun des vecteurs de cointgration et une matrice (r,N) comprenant les r relations
de cointgration. Donc pour pouvoir estimer un modle VECM, il faut que Rg() = Rg( )
= r ce qui implique que a r valeurs propres non nulles.
Or Rg() = Rg( ) Min(Rg(), Rg()). Donc il faut que Rg() = r pour que Rg() = r.
Donc il faut que possde r valeurs propres non nulles.
Remarque :
Le modle (33) peut galement scrire sous la forme suivante :
Xt = B1 Xt-1 + + Bp-1 Xt-p+1 + Xt-p + t

(34)

En effet, si on ajoute les termes en gras suivants dans le modle VAR(2), on obtient :
Xt Xt-1 = A1 Xt-1 + A2 Xt-2 - Xt-1 + Xt-2 Xt-2 + A1Xt-2 - A1Xt-2 + t

(35)

Xt = A1(Xt-1 Xt-2) (Xt-1 Xt-2) + (A1 + A2 I) Xt-2 + t

(36)

Xt = A1Xt-1 Xt-1 + (A1 + A2 I) Xt-2 + t

(37)

Xt = (A1 - I)Xt-1 + (A1 + A2 I) Xt-2 + t

(38)

Xt = B1Xt-1 + Xt-2 + t .

(39)

Trois cas peuvent se prsenter :

Rg() = 0 donc r = 0 : il nexiste donc pas de relation de cointgration. On ne peut donc


pas estimer un modle VECM. En revanche, il est possible destimer un modle VAR sur
Xt.
Rg() = r : il existe r relations de cointgration. Un modle VECM peut alors tre estim.
Rg() = N : il nexiste pas de relation de cointgration. Un modle VAR peut tre estim
directement sur Xt.

Pour dterminer le nombre de relations r de cointgration , Johansen (1988) se base sur la


maximisation de la log-vraisemblance suivante :
Log L(, , B1, , Bp-1, ) = -

T
NT
'
1
log(2) - T log[ det() ] - 1 t t
2
2
2 t =1

(40)

o T est le nombre dobservations, N le nombre de variables dans X et det() reprsente le


dterminant de la matrice de variance-covariance.
Pour obtenir lestimateur du maximum de vraisemblance de , il faut rsoudre lquation
suivante :
(41)
Det [ Spp Sp0 S-100 S0p ] = 0
o Sij =

et

1 T
eit e'jt pour i,j = 0,p. Les termes e0t et ept sont donns par :
T t=1
Xt = 01 Xt-1 + + 0p-1 Xt-(p-1) + e0t

(42)

Xt-p = p1 Xt-1 + + pp-1 Xt-(p-1) + ept

(43)

avec 0i = (Bi Bi) et pi = Bi pour i = 1,, p-1.


Ces deux quations dcoulent de la dcomposition de lquation (34) de la manire suivante :
Xt - Xt-1 = B1 Xt-1 + + Bp-1 Xt-p+1 + t

(44)

= B1 Xt-1 + + Bp-1 Xt-p+1


+ [ B1 Xt-1 + + Bp-1 Xt-p+1 ]
- [ B1 Xt-1 + + Bp-1 Xt-p+1 ] + t

(45)

Xt - Xt-p = [ B1 - B1 ]Xt-1 + + [Bp-1 - Bp-1 ] Xt-p+1


+ [ B1 Xt-1 + + Bp-1 Xt-p+1 ] + t

(46)

Xt - [ B1 - B1 ]Xt-1 + + [Bp-1 - Bp-1 ] Xt-p+1


- [ Xt-p - B1 Xt-1 + + Bp-1 Xt-p+1 ] = e0t - ept = t .

(47)

La rsolution de lquation (41) nous donne les N valeurs propres ( 1 , ... , N avec
1 > ... > N ) et les N vecteurs propres associs. Pour dterminer les r valeurs propres non
nulles qui vont nous donner les r relations de cointgration, Johansen a propos le test de la
trace.
Ce test repose sur lhypothse nulle quil existe au plus r relations de cointgration (ce qui
signifie quil y a r valeurs propres non nulles et N-r valeurs propres nulles) :
H0 : i = 0 , i = r + 1, , N.
La statistique de test est la suivante :

N
TR = -T log 1 i .
i = r +1

(48)

Les valeurs critiques de la statistique TR ont t tabules par Johansen et Juselius (1990) puis
par Osterwald-Lenum (1992). On accepte H0 lorsque la valeur de la statistique TR est
infrieure sa valeur critique.
Remarque :
On a suppos jusqu prsent que le modle VECM navait pas de constante et que les
relations de cointgration ne comportaient ni tendance dterministe ni constante. Or il se peut
que le modle VECM possde une constante et/ou les relations de cointgration admettent une
constante et/ou une tendance dterministe. Pour ces cas, les valeurs critiques du test de la
trace changent. Par consquent, il convient de dterminer le cas dans lequel on se trouve avant
de procder au test de la trace. Les cas distinguer sont :

Absence ou prsence de constante dans le modle VECM


Absence ou prsence de constante et de tendance dans les relations de cointgration.

Synthse de la procdure de test de cointgration et destimation du VECM :


Etape 1 : Test de stationnarit sur les sries pour dterminer sil y a possibilit de
cointgration ou non.

Etape 2 : Si le test de stationnarit montre que les sries sont intgres dun mme ordre, il y
a alors risque de cointgration. On peut envisager lestimation dun modle VECM. Pour ce
faire, on commence par dterminer le nombre de retards p du modle VAR(p) laide des
critres dinformation (Akaike et Schwarz).
Etape 3 : Mise en place du test de Johansen permettant de connatre le nombre de relations
de cointgration.
Etape 4 : Identification des relations de cointgration, cest--dire des relations de long terme
entre les variables.
Etape 5 : Estimation par la mthode du maximum de vraisemblance du modle VECM et
validation des tests usuels : significativit des coefficients et vrification que les rsidus sont
des bruits blancs (test de Ljung-Box).

II. ABSENCE DE COINTEGRATION ENTRE PLUSIEURS VARIABLES ET


MODELE VAR

Labsence de cointgration entre deux sries non stationnaires Y1t et Y2t


(Y1t ~> I(1) et Y2t ~> I(1)), mais lexistence dune causalit entre les sries stationnaires Y1t
et Y2t (Y1t ~> I(0) et Y2t ~> I(0)) nous permet destimer un modle VAR.
II.1 PRESENTATION DU MODELE VAR

Le modle VAR("Vector AutoRegressive") k variables et p retards not VAR(p) scrit :


Yt = A0 + A1 Yt-1 + A2 Yt-2 + + ApYt-p + t

yy1,t2,t aa0,1
: = 0,2
: +
. .
yk,t a0,k

++

1
1,1
1
2,1

a11,2 a11,k

1
k,1

a1k,2 a1k,k

a
a

a12,2 a12,k

p
1,1
p
2,1

p
p
a1,2
a1,k

p
k,1

p
p
ak,2
ak,k

a
a

p
2,2

p
2,k

yy1,t-1
a
2,t-1
: + a
.
yk,t-1 a

yy1,t-p
2,t-p
:
.
yk,t-p

2
1,1
2
2,1

2
2
a1,2
a1,k

2
k,1

2
2
ak,2
ak,k

2
2
a2,2
a2,k

yy1,t-2
2,t-2
:
.
yk,t-2

1,t2,t

+ :
.
k,t

Les variables y1,t , y2,t , , yk,t sont stationnaires. Les perturbations 1,t , 2,t , , k,t sont des
bruits blancs de variances constantes et non autocorrles.
10

II.2 TEST DE CAUSALITE AU SENS DE GRANGER

Soit le modle VAR(p) pour lequel les variables y1t et y2t sont stationnaires :
y1t = 1 + 11y1t-1 + 12y1t-2 + + 1py1t-p + 11y2t-1 + 12y2t-2 + + 1py2t-p + 1t

y = + y + y + + y + y + y + + y +
2t
2
21 1t-1
22 1t-2
2p 1t-p
21 2t-1
22 2t-2
2p 2t-p
2t
Le test consiste poser ces deux hypothses :
y2t ne cause pas y1t si lhypothse H0 suivante est accepte :
11 = 12 = 13 = = 1p = 0
y1t ne cause pas y2t si lhypothse H0 suivante est accepte :
21 = 22 = 23 = = 2p = 0
On teste ces deux hypothses laide dun test de Fisher classique. On peut faire le test
quation par quation :
H0 : 11 = 12 = 13 = = 1p = 0 et y1t = 1 + 11y1t-1 + 12y1t-2 + + 1py1t-p + 1t

H1 : au moins un des coefficients 0 et y cause y


2t
1t
H0 : 21 = 22 = 23 = = 2p = 0 et y2t = 2 + 21y2t-1 + 22y2t-2 + + 2py2t-p + 2t

H1 : au moins un des coefficients 0 et y cause y


1t
2t
Si nous sommes amens accepter les deux hypothses que y1t cause y2t et que y2t cause y1t,
on parle de boucle rtroactif.

11

II.3 ESTIMATION DU MODELE VAR(p)

Dans le cas du modle VAR, chacune des quations peut tre estime par les MCO,
indpendamment les unes des autres (ou par la mthode de vraisemblance).
Comme il y a normment de coefficients estimer dans un modle VAR, il est prfrable
deffectuer un test de causalit avant de chercher estimer le modle VAR. On pourra ainsi
liminer du modle estimer les variables qui ninterviennent pas sur la variable expliquer.

CONCLUSION :

Si xt, yt ~> I(0) et yt - xta - b ~> I(0) : on estime yt = xta + b + t ou un modle VAR en
niveau pour plusieurs variables.
Si xt, yt ~> I(1) et yt - xta - b ~> I(0) : on estime un modle correction derreur ou un
modle VECM pour plusieurs variables.
Si xt, yt ~> I(1) et yt - xta - b ~> I(0) et xt, yt ~> I(0) avec lien de causalit : on estime la
relation yt = xt a + b + t ou un modle VAR en diffrence premire pour plusieurs
variables.

ANNEXE : TESTS DE STATIONNARITE

Les tests de Dickey-Fuller, Dickey-Fuller Augment et de Phillips-Perron permettent de


rendre compte de la stationnarit ou non dune srie. Le test de Dickey-Fuller Augment a t
propos pour amliorer le test de Dickey-Fuller en prenant en compte le fait que les erreurs ne
soient pas des bruits blancs mais puissent tre corrles. Le test de Phillips-Perron intgre en
complment lhtroscdasticit des erreurs.

a) Test de Dickey-Fuller

Il repose sur les hypothses suivantes :


H0 : processus non stationnaire, les formes de non stationnarit sont :
[1] Xt = 1 Xt-1 + t
[2] Xt = 1 Xt-1 + c + t
[3] Xt = 1 Xt-1 + bt + c + t

o = 1 et ~> iid(0, )
H : < 1.
1

Ces hypothses peuvent galement scrire sous la forme suivante :

12

H0 : processus non stationnaire, les formes de non stationnarit sont :

[1] X = ( 1) X +
X = ( 1) X + c +
[2]
[3] X = ( 1) X + bt + c +
o ( -1) = 0 et ~> iid(0, )
H : <1
1

t-1

t-1

t-1

Sous H0 vraie, la statistique de test pour lestimateur de 1 est donne par :


t =
1

1 1
.

1

La procdure de ce test consiste analyser successivement les trois formes possibles de non
stationnarit (du modle gnral [3] au modle [1]) de la srie temporelle. Or sous H0 vraie, le
processus tudi est non stationnaire (Xt ~>I(1)) et lestimateur de 1 ne suit pas une
distribution normale. Par consquent, le t-Student de 1 ne peut pas tre compar aux valeurs
critiques de la table de Student. Dickey et Fuller (1979) ont donc tudi la distribution
asymptotique des estimateurs de b, c et 1 sous H0 vraie. Ils ont tabul les valeurs critiques
pour des chantillons de diffrentes tailles. Pour une taille suprieure 500 observations, les
valeurs critiques sont 2.78 5% pour la tendance du modle [3], 2.52 5% pour la constante
du modle [2] et -1.95 5% pour le paramtre 1 du modle [1]. On dbute le test par
lanalyse du modle [3] et par une comparaison de la statistique t aux seuils tabuls par
1

Dickey et Fuller. Si lhypothse nulle 1 = 1 est rejete, on compare le t-Student de


lestimateur de b aux valeurs critiques usuelles (1.96 5%). Autrement, le t-Student de b doit
tre compar au seuil dtermin par Dickey et Fuller. Si la tendance nest pas significative, on
poursuit le test par lanalyse du modle [2] et ainsi de suite.

b) Test de Dickey-Fuller Augment

Dans le test de Dickey-Fuller que nous venons de prsenter, lerreur t est par hypothse
un bruit blanc. Or il ny a aucune raison pour que cette hypothse soit, a priori, vrifie. Le
test de Dickey-Fuller Augment prend en considration lautocorrlation des erreurs en
proposant une reprsentation AR(p-1) pour lerreur.
Les hypothses du test de Dickey-Fuller deviennent alors :

13

H0 : processus non stationnaire, les formes de non stationnarit sont :


p
[1] Xt = Xt-1 - k Xt-k+1 + t
k=2
p
[2] Xt = Xt-1 - k Xt-k+1 + c + t
k=2
p
[3] Xt = Xt-1 - k Xt-k+1 + bt + c + t
k=2

o = 0 , = 1 et ~>iid(0, )
H : | | < 1
1

La valeur p permettant de blanchir les rsidus peut tre dtermine laide du corrlogramme
partiel de la srie diffrencie Xt. On retiendra alors pour la valeur p le nombre retard p
connu, le droulement du test est identique celui du test de Dickey-Fuller simple. En
adoptant une structure AR(p-1) pour lerreur, Dickey et Fuller (1979) obtiennent des
distributions asymptotiques des statistiques de test qui sont similaires celles obtenues pour
les modles du test de Dickey-Fuller simple. Les valeurs critiques sont donc identiques pour
les tests de Dickey-Fuller simple et Augment.

III. APPLICATIONS AVEC LE LOGICIEL EVIEWS


Test de cointgration avec 2 variables (avec des taux dintrt) : approche de Engle et
Granger (1987)

On considre les sries de taux dintrt court terme des Etats-Unis et du Canada. Ces sries
ont t transformes en logarithme.
LCUS = logarithme du taux court US
LCCAN = logarithme du taux court CAN.
3.0
2.5
2.0
1.5
1.0
0.5
0.0
50

100

150

200

250

300

LCUS

14

3.5
3.0
2.5
2.0
1.5
1.0
0.5
50

100

150

200

250

300

LCCAN

Etape 1 : Test de stationnarit sur les sries (test de Dickey-Fuller Augment) :


1. Slectionner une srie dans Workfile en double-cliquant dessus
2. Pour dterminer le nombre de retards p retenir dans les rgressions des tests ADF, on
peut reprsenter le corrlogramme de la srie en diffrence premire.
Dans View, slectionner Correlogram puis 1st difference. On constate que la premire
autocorrlation partielle est significativement diffrente de zro. Ceci nous conduit retenir
p = 1.
3. Pour effectuer le test ADF, on va dans View puis on choisi Unit Root Test. On
slectionne Augmented Dickey-Fuller, Trend and intercept , level et lagged differences
= 1.
Tableau 1 : Test ADF : modle (3) pour la srie LCUS
ADF Test Statistic

-2.020374

1% Critical Value*
5% Critical Value
10% Critical Value

-3.9892
-3.4249
-3.1352

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCUS)
Method: Least Squares
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LCUS(-1)
D(LCUS(-1))
C
@TREND(1)

-0.015592
0.448826
0.032295
-4.55E-05

0.007718
0.049317
0.020362
4.98E-05

-2.020374
9.100863
1.586065
-0.913180

0.0442
0.0000
0.1137
0.3618

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.206742
0.199531
0.059156
1.154800
472.4993
1.919548

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.003134
0.066119
-2.805385
-2.759742
28.66863
0.000000

15

Srie LCUS est un processus DS car la statistique de test = -2.02 > -3.42
On compare la t-statistique de la tendance sa valeur critique qui est 2.78 (voir
table ADF) : -0.91 < 2.78 H0 : la tendance nest pas significative. On passe
donc ltude du modle (2) du test ADF.

Tableau 2 : Test ADF : modle (2) pour la srie LCUS


ADF Test Statistic

-1.994236

1% Critical Value*
5% Critical Value
10% Critical Value

-3.4518
-2.8704
-2.5714

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCUS)
Method: Least Squares
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints

Variable

Coefficient

Std. Error

t-Statistic

Prob.

LCUS(-1)
D(LCUS(-1))
C

-0.010397
0.443466
0.015811

0.005214
0.048954
0.009418

-1.994236
9.058822
1.678764

0.0469
0.0000
0.0941

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.204737
0.199932
0.059141
1.157718
472.0778
1.915310

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.003134
0.066119
-2.808849
-2.774617
42.60738
0.000000

Srie LCUS est un processus DS car la statistique de test = -1.99 > -2.87
On compare la t-statistique de la constante sa valeur critique qui est 2.52
(voir table ADF) : 1.67 < 2.52 H0 : la constante nest pas significative. On
passe donc ltude du modle (1) du test ADF.
Tableau 3 : Test ADF : modle (1) pour la srie LCUS
ADF Test Statistic

-1.211698

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5718
-1.9405
-1.6161

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCUS)
Method: Least Squares
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LCUS(-1)
D(LCUS(-1))

-0.002179
0.440332

0.001798
0.049052

-1.211698
8.976797

0.2265
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.197966
0.195551
0.059303
1.167575
470.6619
1.909945

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.003134
0.066119
-2.806359
-2.783538
81.94772
0.000000

16

Srie LCUS est un processus DS car la statistique de test = -1.21 > -1.94.
Elle est non stationnaire. Elle comporte au moins 1 racine unitaire. Pour
dterminer lordre dintgration de la srie, on applique maintenant le test ADF
la srie en diffrence premire.
Tableau 4 : Test ADF : modle (1) pour la srie DLCUS
ADF Test Statistic

-10.80468

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5718
-1.9405
-1.6161

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCUS,2)
Method: Least Squares
Sample(adjusted): 4 336
Included observations: 333 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LCUS(-1))
D(LCUS(-1),2)

-0.615399
0.089481

0.056957
0.053939

-10.80468
1.658935

0.0000
0.0981

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.296058
0.293931
0.058479
1.131959
473.9116
1.910861

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000588
0.069595
-2.834304
-2.811432
139.2089
0.000000

La srie DLCUS est stationnaire car on a -10.80 < -1.94. La srie LCUS
comporte donc une racine unitaire : LCUS est intgre dordre 1 (il faut la
diffrencier une fois pour la rendre stationnaire).

Tableau 5 : Test ADF : modle (1) pour la srie LCCAN


ADF Test Statistic

-1.103550

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5718
-1.9405
-1.6161

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCCAN)
Method: Least Squares
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LCCAN(-1)
D(LCCAN(-1))

-0.001670
0.509903

0.001513
0.047093

-1.103550
10.82752

0.2706
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.262844
0.260624
0.053578
0.953040
504.5675
1.924391

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.003220
0.062309
-3.009386
-2.986565
118.3797
0.000000

Srie LCCAN est un processus DS car la statistique de test = -1.10 > -1.94.

17

Elle est non stationnaire. Elle comporte au moins 1 racine unitaire. Pour
dterminer lordre dintgration de la srie, on applique maintenant le test ADF
la srie en diffrence premire.
Tableau 6 : Test ADF : modle (1) pour la srie DLCCAN
ADF Test Statistic

-9.675691

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5718
-1.9405
-1.6161

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCCAN,2)
Method: Least Squares
Sample(adjusted): 4 336
Included observations: 333 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LCCAN(-1))
D(LCCAN(-1),2)

-0.523562
0.072166

0.054111
0.054791

-9.675691
1.317130

0.0000
0.1887

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.248552
0.246281
0.053565
0.949691
503.1437
2.015501

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000132
0.061698
-3.009872
-2.987000
109.4827
0.000000

La srie DLCAN est stationnaire car on a -9.67 < -1.94. La srie LCCAN
comporte donc une racine unitaire : LCCAN est intgre dordre 1 (il faut la
diffrencier une fois pour la rendre stationnaire).

Conclusion : LCUS et LCCAN sont toutes les 3 intgres dordre 1. Donc il y a un risque de
cointgration. On va donc chercher estimer un MCE.
Etape 2 : Test de causalit au sens de Granger :
On peut penser que le taux dintrt US influence le taux dintrt CAN et non pas linverse.
Pour dterminer la variable endogne de la relation de long terme, on peut mener le test de
causalit au sens de Granger.
1. Pour mener le test de causalit au sens de Granger, on a besoin de dterminer le nombre
de retards p du modle VAR(p) avec les 2 variables stationnaires. Pour cela, on utilise les
critres AIC et SC.
Allez dans Quick puis dans Estimate VAR. Choisir Unrestricted VAR, Lag intervals : 1 1
(pour un retard), Endogenous : d(LCUS) d(LCCAN).

18

Tableau 7 : Estimation du modle VAR(1)


D(LCUS)

D(LCCAN)

D(LCUS(-1))

0.463147
(0.05871)
(7.88890)

0.211480
(0.05177)
(4.08479)

D(LCCAN(-1))

-0.042932
(0.06239)
(-0.68809)

0.388011
(0.05502)
(7.05198)

-0.001897
(0.00326)
(-0.58240)

-0.001349
(0.00287)
(-0.46946)

0.196332
0.191476
1.169954
0.059453
40.43080
470.3220
-2.798335
-2.764103
-0.003134
0.066119

0.296261
0.292009
0.909837
0.052429
69.67251
512.3149
-3.049790
-3.015558
-0.003220
0.062309

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

7.30E-06
1027.263
-6.115349
-6.046885

Tableau 8 : Estimation du modle VAR(2)


D(LCUS)

D(LCCAN)

D(LCUS(-1))

0.470619
(0.06199)
(7.59147)

0.204969
(0.05554)
(3.69042)

D(LCUS(-2))

-0.073059
(0.06316)
(-1.15682)

-0.000496
(0.05658)
(-0.00876)

D(LCCAN(-1))

0.002375
(0.07030)
(0.03378)

0.419007
(0.06298)
(6.65250)

D(LCCAN(-2))

-0.034175
(0.06792)
(-0.50315)

-0.053446
(0.06085)
(-0.87829)

-0.002580
(0.00322)
(-0.80101)

-0.001533
(0.00289)
(-0.53130)

0.200499
0.190749
1.128838
0.058665
20.56397
474.3713
-2.819047
-2.761868
-0.003762
0.065213

0.297733
0.289169
0.906088
0.052559
34.76472
510.9693
-3.038855
-2.981675
-0.003373
0.062340

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

7.06E-06
1029.951
-6.125835
-6.011476

19

2. Allez dans Quick puis dans Group Statistics. Choisir Granger Causality Test. Dans le
cadre List of Series, tapez les variables stationnaires tudier : d(LCUS) d(LCCAN).
Tableau 9 : Test de causalit au sens de Granger
Pairwise Granger Causality Tests
Sample: 1 336
Lags: 1
Null Hypothesis:

Obs

F-Statistic

Probability

D(LCCAN) does not Granger Cause D(LCUS)


D(LCUS) does not Granger Cause D(LCCAN)

334

0.47347
16.6855

0.49188
5.5E-05

Si la probabilit > 0.05 , lhypothse nulle est accepte. On constate que DLCCAN
ninfluence pas au sens de Granger DLCUS car probabilit > 0.05. En revanche DLCUS
influence DLCCAN car probabilit < 0.05 donc H0 rejete.
Etape 3 : Estimation de la relation de long terme :
On rgresse LCCAN sur une constante et sur LCUS.
Tableau 10 : Estimation de la relation de long terme
Dependent Variable: LCCAN
Method: Least Squares
Sample: 1 336
Included observations: 336
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LCUS

0.504290
0.795454

0.045171
0.024984

11.16405
31.83816

0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.752165
0.751423
0.284383
27.01178
-53.26253
0.037922

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.854963
0.570391
0.328944
0.351665
1013.669
0.000000

On rcupre les rsidus de cette relation et on applique le test ADF sur les rsidus estims.
Dans la fentre destimation de la relation de long terme, on slectionne Procs puis Make
Residuals Series.

20

Tableau 11 : Test ADF : modle (1) pour les rsidus de la relation estime
de long terme
ADF Test Statistic

-2.534897

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5718
-1.9405
-1.6161

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID01)
Method: Least Squares
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

RESID01(-1)
D(RESID01(-1))

-0.025262
0.363512

0.009966
0.051126

-2.534897
7.110156

0.0117
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.139469
0.136877
0.051476
0.879743
517.9321
1.968224

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.000727
0.055408
-3.089414
-3.066593
53.80813
0.000000

La valeur calcule de la statistique de Dickey-Fuller est 2.53. Elle est


comparer aux valeurs tabules par Engle et Yoo (1987) : -4.48 . La valeur
calcule est suprieure la valeur tabule, on accepte donc lhypothse nulle
dabsence de cointgration entre LCUS et LCCAN. Il est alors impossible
destimer un modle correction derreur.

Etape 4 : Estimation dun modle VAR :


Labsence de cointgration entre les sries LCUS et LCCAN mais lexistence dune causalit
entre DLCUS et DLCCAN nous conduit nous intresser la modlisation VAR (plus
particulirement au modle VAR(p) avec 2 variables qui sont DLCUS et DLCCAN).
Tableau 12 : Estimation du modle VAR(2)
D(LCUS)

D(LCCAN)

D(LCUS(-1))

0.470619
(0.06199)
(7.59147)

0.204969
(0.05554)
(3.69042)

D(LCUS(-2))

-0.073059
(0.06316)
(-1.15682)

-0.000496
(0.05658)
(-0.00876)

D(LCCAN(-1))

0.002375
(0.07030)
(0.03378)

0.419007
(0.06298)
(6.65250)

D(LCCAN(-2))

-0.034175
(0.06792)
(-0.50315)

-0.053446
(0.06085)
(-0.87829)

-0.002580
(0.00322)
(-0.80101)

-0.001533
(0.00289)
(-0.53130)

0.200499

0.297733

R-squared

21

Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

0.190749
1.128838
0.058665
20.56397
474.3713
-2.819047
-2.761868
-0.003762
0.065213

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

0.289169
0.906088
0.052559
34.76472
510.9693
-3.038855
-2.981675
-0.003373
0.062340
7.06E-06
1029.951
-6.125835
-6.011476

On remarque que DLCUS dpend seulement de sa valeur passe dune priode tandis que
DLCCAN dpend la fois des valeurs retardes dune priode de DLCCAN et de DLCUS.

Test de cointgration avec plusieurs variables (taux dintrt) et estimation dun modle
VECM : approche de Johansen

Etape 1 : Test de stationnarit sur les sries (test de Dickey-Fuller Augment) :


Tableau 13 : Test ADF : modle (1) pour la srie DLCRU
ADF Test Statistic

-10.40400

1% Critical Value*
5% Critical Value
10% Critical Value

-2.5718
-1.9405
-1.6161

*MacKinnon critical values for rejection of hypothesis of a unit root.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LCRU,2)
Method: Least Squares
Sample(adjusted): 4 336
Included observations: 333 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LCRU(-1))
D(LCRU(-1),2)

-0.631828
0.032214

0.060729
0.054912

-10.40400
0.586635

0.0000
0.5578

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.306935
0.304841
0.039944
0.528120
600.8481
2.000045

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-6.16E-05
0.047908
-3.596685
-3.573814
146.5888
0.000000

La srie DLCRU est stationnaire car on a -10.40 < -1.94. La srie LCRU
comporte donc une racine unitaire : LCRU est intgre dordre 1 (il faut la
diffrencier une fois pour la rendre stationnaire).

Etape 2 : Dtermination du nombre de retards p du modle VAR(p) :


Allez dans Quick, choisir Estimate VAR. Dans la fentre qui apparat, choisir Unrestricted
VAR, mettre dans Endogenous les variables LCUS, LCRU, LCCAN (Attention : variables
22

non stationnaires en niveau ici !!) et mettre dans Lag intervals : 1 1 (pour un 1 retard
attribuer chacune des variables LCUS, LCRU, LCCAN ).
Tableau 14 : Estimation du modle VAR(1)
Sample(adjusted): 2 336
Included observations: 335 after adjusting endpoints
Standard errors & t-statistics in parentheses
LCCAN

LCRU

LCUS

LCCAN(-1)

0.929107
(0.01697)
(54.7476)

-0.001700
(0.01196)
(-0.14210)

-0.062157
(0.01818)
(-3.41814)

LCRU(-1)

0.037311
(0.01888)
(1.97638)

0.974795
(0.01331)
(73.2524)

0.040545
(0.02023)
(2.00433)

LCUS(-1)

0.038441
(0.01076)
(3.57243)

0.015360
(0.00758)
(2.02504)

1.017552
(0.01153)
(88.2525)

-0.013303
(0.01809)
(-0.73527)

0.025716
(0.01275)
(2.01638)

-0.000409
(0.01939)
(-0.02110)

0.988756
0.988654
1.218685
0.060678
9702.206
465.3956
-2.754600
-2.709058
1.852642
0.569652

0.990460
0.990374
0.605526
0.042771
11455.05
582.5501
-3.454030
-3.408488
2.044772
0.435933

0.989132
0.989034
1.399250
0.065018
10042.16
442.2531
-2.616436
-2.570894
1.695313
0.620880

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

1.87E-08
1554.175
-9.207014
-9.070388

Tableau 15 : Estimation du modle VAR(2)


Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Standard errors & t-statistics in parentheses
LCCAN

LCRU

LCUS

LCCAN(-1)

1.349731
(0.05482)
(24.6206)

-0.047724
(0.04217)
(-1.13179)

-0.052958
(0.06315)
(-0.83868)

LCCAN(-2)

-0.409269
(0.05458)
(-7.49842)

0.062396
(0.04198)
(1.48628)

0.016759
(0.06287)
(0.26657)

LCRU(-1)

0.137583
(0.06751)
(2.03792)

1.357014
(0.05193)
(26.1329)

0.075718
(0.07776)
(0.97371)

LCRU(-2)

-0.089703
(0.06731)
(-1.33263)

-0.395312
(0.05177)
(-7.63525)

-0.040875
(0.07753)
(-0.52719)

LCUS(-1)

0.178586

0.046097

1.430823

23

(0.05174)
(3.45171)

(0.03980)
(1.15835)

(0.05959)
(24.0094)

LCUS(-2)

-0.159506
(0.05223)
(-3.05402)

-0.036613
(0.04017)
(-0.91142)

-0.432148
(0.06016)
(-7.18348)

-0.021097
(0.01540)
(-1.37019)

0.033059
(0.01184)
(2.79155)

-0.003707
(0.01773)
(-0.20903)

0.992041
0.991895
0.857667
0.051214
6793.017
522.1761
-3.084887
-3.005013
1.850279
0.568860

0.991917
0.991769
0.507406
0.039392
6688.331
609.8354
-3.609793
-3.529918
2.042279
0.434189

0.991098
0.990934
1.137897
0.058990
6067.500
474.9617
-2.802166
-2.722292
1.692424
0.619552

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

9.85E-09
1657.064
-9.796790
-9.557168

Tableau 16 : Estimation du modle VAR(3)


Sample(adjusted): 4 336
Included observations: 333 after adjusting endpoints
Standard errors & t-statistics in parentheses
LCCAN

LCRU

LCUS

LCCAN(-1)

1.360998
(0.06325)
(21.5175)

-0.046028
(0.04846)
(-0.94978)

-0.026658
(0.07148)
(-0.37294)

LCCAN(-2)

-0.423469
(0.10303)
(-4.11019)

0.028581
(0.07894)
(0.36207)

-0.007631
(0.11643)
(-0.06554)

LCCAN(-3)

0.002800
(0.06115)
(0.04578)

0.034369
(0.04686)
(0.73351)

0.001125
(0.06911)
(0.01628)

LCRU(-1)

0.133488
(0.07397)
(1.80470)

1.362045
(0.05667)
(24.0341)

0.027721
(0.08359)
(0.33163)

LCRU(-2)

-0.083205
(0.12047)
(-0.69066)

-0.419954
(0.09230)
(-4.54979)

0.085246
(0.13614)
(0.62615)

LCRU(-3)

-0.003744
(0.07366)
(-0.05084)

0.019169
(0.05643)
(0.33967)

-0.087007
(0.08324)
(-1.04527)

LCUS(-1)

0.187348
(0.05541)
(3.38093)

0.020453
(0.04246)
(0.48175)

1.451249
(0.06262)
(23.1749)

LCUS(-2)

-0.201291
(0.09070)
(-2.21920)

0.062040
(0.06950)
(0.89272)

-0.548574
(0.10250)
(-5.35175)

LCUS(-3)

0.033898
(0.05654)
(0.59959)

-0.074752
(0.04332)
(-1.72572)

0.097617
(0.06389)
(1.52788)

24

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

-0.019696
(0.01575)
(-1.25082)

0.032688
(0.01206)
(2.70937)

0.005535
(0.01780)
(0.31103)

0.992004
0.991782
0.855944
0.051478
4452.714
520.4484
-3.065756
-2.951397
1.847758
0.567844

0.991902
0.991676
0.502459
0.039441
4395.785
609.1414
-3.598447
-3.484088
2.039714
0.432300

0.991355
0.991114
1.093121
0.058175
4115.284
479.7245
-2.821168
-2.706810
1.688899
0.617121

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

9.36E-09
1660.465
-9.792585
-9.449509

Conclusion : on choisit p = 2 pour le modle VAR avec des variables en niveau.

Etape 3 : Mise en place du test de Johansen :


Pour effectuer le test de la trace, il est ncessaire de prciser dabord les spcifications
retenir :
Absence ou prsence de constante dans le modle VECM
Absence ou prsence de constante et de tendance dans les relations de cointgration.
Nous effectuons ici le test de la trace en supposant :
lexistence dune constante dans la relation de long terme et non dans les donnes (pas de
constante dans le modle correction derreur).
On slectionne donc dans Eviews la mention :
Test assumes no deterministic trend in data et Intercept (no trend) in CE (pour
relation de cointgration) no intercept in VAR

lexistence dune constante dans la relation de long terme et aussi dans les donnes
(prsence dune constante dans le modle correction derreur).
On slectionne donc dans Eviews la mention :
Test assumes deterministic trend in data et Intercept (no trend) in CE and test VAR

Pour mener le test de la trace, on double-clique la ligne contenant lestimation du modle


VAR dans Worfile. Puis dans View, on choisit Cointegration Test.
ATTENTION : Pour le nombre de retards ajouter au modle, il faut mettre 1 1 dans la case
Lag Intervals !! car les variables du test seront exprimes en diffrence premire ! On avait
trouv ltape 2 quil fallait 2 retards pour le modle VAR en niveau !!

25

Tableau 17 : Test de la trace


(constante dans la relation de cointgration mais pas dans le modle VECM)
Sample: 1 336
Included observations: 334
Test assumption: No deterministic trend in the
data
Series: LCCAN LCRU LCUS
Lags interval: 1 to 1
Eigenvalue

Likelihood
Ratio

5 Percent
Critical Value

1 Percent
Critical Value

0.068660
0.023931
0.013677

36.44729
12.68964
4.599600

34.91
19.96
9.24

41.07
24.60
12.97

Hypothesized
No. of CE(s)
None *
At most 1
At most 2

*(**) denotes rejection of the hypothesis at


5%(1%) significance level
L.R. test indicates 1 cointegrating
equation(s) at 5% significance level

- Il y a cointgration car lhypothse nulle dabsence de cointgration a t rejete


(36.44>34.91) au seuil de 5%.
- Lhypothse nulle selon laquelle il y a au plus 1 relation de cointgration a t accepte car
on a 12.68 < 19.96.
- Lhypothse nulle selon laquelle il y a au plus 2 relations de cointgration a t aussi
accepte mais il y a quune seule relation de cointgration car la premire hypothse nulle
selon laquelle il y a au plus 1 relation de cointgration a t accepte.
Remarque :
Si on avait rejet lensemble des hypothses nulles, cela aurait impliqu que le rang de la
matrice = k et donc quil ny aurait pas de relation de cointgration car les variables sont
toutes I(0).
Tableau 18 : Test de la trace
(constante dans la relation de cointgration et dans le modle VECM)
Sample: 1 336
Included observations: 334
Test assumption: Linear deterministic trend in
the data
Series: LCCAN LCRU LCUS
Lags interval: 1 to 1
Eigenvalue

Likelihood
Ratio

5 Percent
Critical Value

1 Percent
Critical Value

0.068526
0.022290
0.012601

35.47397
11.76445
4.235530

29.68
15.41
3.76

35.65
20.04
6.65

Hypothesized
No. of CE(s)
None *
At most 1
At most 2 *

*(**) denotes rejection of the hypothesis at


5%(1%) significance level
L.R. test indicates 1 cointegrating
equation(s) at 5% significance level

- Il y a cointgration car lhypothse nulle dabsence de cointgration a t rejete


(35.47>29.68) au seuil de 5%.

26

- Lhypothse nulle selon laquelle il y a au plus 1 relation de cointgration a t accepte car


on a 11.76 < 15.41.

Etape 4 : Identification des relations de cointgration :


Tableau 19 : Estimation de la relation de cointgration
(constante dans la relation de cointgration mais pas dans le modle VECM)
Normalized
Cointegrating
Coefficients: 1
Cointegrating
Equation(s)
LCCAN
1.000000

LCRU
-1.200838
(0.19688)

Log likelihood

1650.719

LCUS
-0.072196
(0.13665)

C
0.716188
(0.24052)

LCCAN 1.20 LCRU 0.07 LCUS + 0.71


Remarque : Les valeurs entre parenthses sont les carts-types estims associs aux
coefficients estims.
Tableau 20 : Estimation de la relation de cointgration
(constante dans la relation de cointgration et dans le modle VECM)
Normalized
Cointegrating
Coefficients: 1
Cointegrating
Equation(s)
LCCAN
1.000000

LCRU
-1.195056
(0.19567)

Log likelihood

1651.182

LCUS
-0.074881
(0.13597)

C
0.717787

Etape 5 : Estimation du modle VECM :


Pour estimer un modle VECM, on va Quick, on choisit Estimate VAR et on coche Vector
Error Correction. Dans la case Endogenous, mettre les variables (non stationnaires) :
LCCAN, LCRU, LCUS (Eviews les mettra en diffrence premire). Pour Lag intervals :
mettre 1 1 car Eviews prend en compte les variables en diffrence premire.

27

Tableau 21 : Estimation du modle VECM(1)*


(constante dans la relation de cointgration mais pas dans le modle VECM)
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Standard errors & t-statistics in parentheses
Cointegrating Eq:

CointEq1

LCCAN(-1)

1.000000

LCRU(-1)

-1.200838
(0.19688)
(-6.09933)

LCUS(-1)

-0.072196
(0.13665)
(-0.52832)

0.716188
(0.24052)
(2.97762)

Error Correction:

D(LCCAN)

D(LCRU)

D(LCUS)

CointEq1

-0.045975
(0.01295)
(-3.55120)

0.025936
(0.00998)
(2.59834)

-0.033632
(0.01491)
(-2.25561)

D(LCCAN(-1))

0.410738
(0.05447)
(7.54101)

-0.063198
(0.04199)
(-1.50491)

-0.024346
(0.06273)
(-0.38811)

D(LCRU(-1))

0.098461
(0.06716)
(1.46602)

0.402887
(0.05178)
(7.78036)

0.043711
(0.07735)
(0.56509)

D(LCUS(-1))

0.175640
(0.05158)
(3.40514)

0.051397
(0.03977)
(1.29237)

0.440595
(0.05941)
(7.41660)

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

0.328879
0.322778
0.867666
0.051277
53.90490
520.2404
-3.091260
-3.045617
-0.003220
0.062309

0.167462
0.159893
0.515784
0.039535
22.12607
607.1005
-3.611380
-3.565738
-0.003081
0.043133

0.209412
0.202225
1.150913
0.059056
29.13694
473.0623
-2.808756
-2.763114
-0.003134
0.066119

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

1.02E-08
1650.719
-9.788737
-9.606168

On a ici un retard pour le modle VECM car on a choisi un VAR(2).

28

Tableau 22 : Estimation du modle VECM(1)


(constante dans la relation de cointgration et dans le modle VECM)
Sample(adjusted): 3 336
Included observations: 334 after adjusting endpoints
Standard errors & t-statistics in parentheses
Cointegrating Eq:

CointEq1

LCCAN(-1)

1.000000

LCRU(-1)

-1.195056
(0.19567)
(-6.10761)

LCUS(-1)

-0.074881
(0.13597)
(-0.55073)

0.717787

Error Correction:

D(LCCAN)

D(LCRU)

D(LCUS)

CointEq1

-0.046577
(0.01301)
(-3.57969)

0.025502
(0.01003)
(2.54286)

-0.034292
(0.01498)
(-2.28862)

D(LCCAN(-1))

0.410225
(0.05453)
(7.52242)

-0.063845
(0.04203)
(-1.51891)

-0.025127
(0.06280)
(-0.40012)

D(LCRU(-1))

0.096004
(0.06737)
(1.42508)

0.400207
(0.05193)
(7.70734)

0.040403
(0.07758)
(0.52081)

D(LCUS(-1))

0.174940
(0.05164)
(3.38744)

0.050927
(0.03981)
(1.27937)

0.439787
(0.05947)
(7.39495)

-0.001101
(0.00282)
(-0.39068)

-0.001945
(0.00217)
(-0.89566)

-0.001790
(0.00324)
(-0.55157)

0.329619
0.321468
0.866710
0.051326
40.44140
520.4246
-3.086375
-3.029322
-0.003220
0.062309

0.168864
0.158759
0.514915
0.039561
16.71094
607.3820
-3.607078
-3.550025
-0.003081
0.043133

0.210485
0.200886
1.149351
0.059106
21.92787
473.2891
-2.804126
-2.747073
-0.003134
0.066119

R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent

Determinant Residual Covariance


Log Likelihood
Akaike Information Criteria
Schwarz Criteria

1.02E-08
1651.182
-9.779531
-9.574141

Remarques :
- Les 3 constantes des 3 quations ne sont pas significativement diffrentes de 0. On retient
par consquent le modle VECM sans constante.
- Les coefficients de la relation de long terme sont significatifs.
- Le terme correction derreur est ngatif et significativement diffrent de 0 pour les taux
LCCAN et LCUS.

29

- Le taux LCCAN dpend de ses valeurs passes et du taux LCUS ce qui reflte limpact de
la variable amricaine sur la variable canadienne.
- Le taux LCUS ne dpend que de ses valeurs passes ce qui signifie que les Etats-Unis ne
subissent pas linfluence des 2 autres pays ce qui est cohrent dun point de vue empirique.

Etape 6 : Validation du modle VECM :


On vrifie que les rsidus issus de chacune des 3 quations sont des bruits blancs en utilisant
la Q-statistique de Ljung-Box.

Test de Box-Pierce :

Le test de Box-Pierce repose sur lanalyse de la statistique Q qui est dfinie par :
h

2
Q' = n k
k =1

o n est le nombre dobservations et k fait rfrence lautocorrlation empirique dordre k.


La statistique Q suit asymptotiquement la loi du h degrs de libert.

On rejette lhypothse nulle de bruit blanc (1 = 2 = = k = 0) au seuil de si la statistique


Q est suprieure la valeur critique lue dans la table du h degrs de libert.

Test de Ljung-Box :

Le test de Ljung-Box repose sur lanalyse de la statistique Q qui est dfinie par :
2k
Q = n (n + 2)
.
k =1 n k
h

La statistique Q suit aussi asymptotiquement la loi du h degrs de libert.


Cette statistique est souvent prfre celle de Box-Pierce cause de ces proprits
asymptotiques suprieures.
Pour effectuer le test de Ljung-Box (seul test donn par Eviews), crer dabord les sries de
rsidus des 3 quations en allant dans Procs et en choisissant Make Residuals.
Cliquer ensuite sur chacune des sries de rsidus cres pour effectuer le test de Ljung-Box.
Allez dans View puis slectionnez Correlogram et Level.

30

Tableau 23 : Corrlogramme de la srie des rsidus de la premire quation


Sample: 1 336
Included observations: 334
Autocorrelation

Partial Correlation

.|.
.|.
.|.
.|.
*|.
.|.
.|.
.|*
.|.
.|.
.|.
.|.
*|.
*|.
*|.

.|.
.|.
.|.
.|.
*|.
.|.
.|.
.|*
.|.
.|.
.|.
.|.
*|.
*|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AC

PAC

0.010
0.012
-0.041
-0.056
-0.077
0.012
0.018
0.110
0.030
0.060
0.019
-0.020
-0.127
-0.076
-0.058

0.010
0.012
-0.041
-0.056
-0.076
0.013
0.015
0.101
0.022
0.055
0.031
-0.005
-0.109
-0.071
-0.055

Q-Stat
0.0306
0.0799
0.6520
1.7362
3.7789
3.8323
3.9458
8.0991
8.4198
9.6530
9.7816
9.9145
15.563
17.575
18.764

Prob
0.861
0.961
0.884
0.784
0.582
0.699
0.786
0.424
0.492
0.471
0.550
0.623
0.274
0.227
0.225

La statistique Q de Ljung-Box pour le retard h = 15 confirme labsence dautocorrlation. En


effet, la probabilit du test pour h = 15 est 0.225 > 0.05, donc lhypothse nulle de bruit blanc
accepte.

Tableau 24 : Corrlogramme de la srie des rsidus de la deuxime quation


Sample: 1 336
Included observations: 334
Autocorrelation

Partial Correlation

.|.
.|.
.|.
.|.
.|.
.|*
.|.
.|.
.|.
*|.
.|*
.|.
*|.
.|.
*|.

.|.
.|.
.|.
.|.
.|.
.|*
.|.
.|.
.|*
*|.
.|*
.|.
*|.
.|.
*|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AC

PAC

-0.008
0.005
-0.047
-0.011
0.036
0.085
-0.015
-0.003
0.057
-0.060
0.126
0.057
-0.088
-0.048
-0.081

-0.008
0.005
-0.046
-0.011
0.037
0.084
-0.015
-0.001
0.066
-0.060
0.120
0.061
-0.094
-0.045
-0.081

Q-Stat
0.0191
0.0284
0.7628
0.8018
1.2483
3.7265
3.8020
3.8045
4.9233
6.1594
11.704
12.856
15.554
16.357
18.657

Prob
0.890
0.986
0.858
0.938
0.940
0.714
0.802
0.874
0.841
0.802
0.386
0.380
0.274
0.292
0.230

La statistique Q de Ljung-Box pour le retard h = 15 confirme labsence dautocorrlation. En


effet, la probabilit du test pour h = 15 est 0.230 > 0.05, donc lhypothse nulle de bruit blanc
accepte.

31

Tableau 25 : Corrlogramme de la srie des rsidus de la troisime quation


Sample: 1 336
Included observations: 334
Autocorrelation

Partial Correlation

.|.
*|.
.|.
.|.
.|*
*|.
.|.
.|*
.|*
.|.
.|.
*|.
.|.
.|*
*|.

.|.
*|.
.|.
.|.
.|*
*|.
.|*
.|*
.|*
.|.
.|.
*|.
.|.
.|*
*|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

AC

PAC

0.025
-0.075
0.012
-0.015
0.113
-0.063
0.045
0.137
0.152
0.024
-0.011
-0.122
0.045
0.117
-0.109

0.025
-0.075
0.016
-0.022
0.117
-0.074
0.070
0.121
0.166
0.019
0.031
-0.145
0.041
0.074
-0.106

Q-Stat
0.2129
2.0916
2.1381
2.2147
6.5442
7.8911
8.5816
15.065
23.038
23.233
23.276
28.472
29.169
33.946
38.090

Prob
0.644
0.351
0.544
0.696
0.257
0.246
0.284
0.058
0.006
0.010
0.016
0.005
0.006
0.002
0.001

La statistique Q de Ljung-Box pour le retard h = 9 ne confirme pas labsence


dautocorrlation. En effet, la probabilit du test pour h = 9 est 0.006 < 0.05, donc
lhypothse nulle de bruit blanc rejete.

32