Académique Documents
Professionnel Documents
Culture Documents
Hlne HAMISULTANE
Bibliographie :
I.1 COINTEGRATION
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
(2)
t
et plus
Dfinition de la stationnarit :
Un processus yt est stationnaire si les conditions suivantes sont vrifies :
yt = axt + b + t
(3)
(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 :
(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.
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).
(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)
(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)
(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)
(17)
yt = axt + b + t
avec a =
(18)
2 + 3
, b = 0 , t = t .
1- 1
1- 1
1- 1
(19)
(20)
(21)
(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
(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.
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
21 22 23 x2t-1
a31 a32 a33 x3t-1
24 25 26 x2t-2
a34 a35 a36 x3t-2
(28)
1t
.
2t
3t
(29)
(30)
(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
11 12 x1t-1
11 12 13
21 22 21 22 23 x2t-1
31 32
x3t-1
1t
.
2t
3t
+ ApXt-p + t
(N,N) (N,1)
(N,1)
avec
t ~> N(0,)
(33)
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)
(36)
(37)
(38)
Xt = B1Xt-1 + Xt-2 + t .
(39)
T
NT
'
1
log(2) - T log[ det() ] - 1 t t
2
2
2 t =1
(40)
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)
(43)
(44)
(45)
(46)
(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 :
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).
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
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
11
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.
a) Test de Dickey-Fuller
o = 1 et ~> iid(0, )
H : < 1.
1
12
[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
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
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
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.
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
-2.020374
1% Critical Value*
5% Critical Value
10% Critical Value
-3.9892
-3.4249
-3.1352
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
-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.
-1.994236
1% Critical Value*
5% Critical Value
10% Critical Value
-3.4518
-2.8704
-2.5714
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
-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
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
-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
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
-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).
-1.103550
1% Critical Value*
5% Critical Value
10% Critical Value
-2.5718
-1.9405
-1.6161
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
-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
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
-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
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
7.30E-06
1027.263
-6.115349
-6.046885
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
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
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
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
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
-0.000727
0.055408
-3.089414
-3.066593
53.80813
0.000000
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
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
-10.40400
1% Critical Value*
5% Critical Value
10% Critical Value
-2.5718
-1.9405
-1.6161
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
-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).
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
1.87E-08
1554.175
-9.207014
-9.070388
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
9.85E-09
1657.064
-9.796790
-9.557168
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
9.36E-09
1660.465
-9.792585
-9.449509
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
25
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
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 *
26
LCRU
-1.200838
(0.19688)
Log likelihood
1650.719
LCUS
-0.072196
(0.13665)
C
0.716188
(0.24052)
LCRU
-1.195056
(0.19567)
Log likelihood
1651.182
LCUS
-0.074881
(0.13597)
C
0.717787
27
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
1.02E-08
1650.719
-9.788737
-9.606168
28
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
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.
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
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
30
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
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
31
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
32