TD ST Support Slides SansNotes

TDs
Sries Temporelles II
Denisa BANULESCU
Universit dOrlans
Facult de Droit, dconomie et de Gestion
Bureau A 212
Rue de Blois - BP 6739
45067 Orlans Cedex 2
www.univ-orleans.fr/deg/masters/ESA/
2016-2017
1/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Contents
VAR
1.1 Forme gnrale du modle
1.2 Estimation des modles VAR
1.3 Fonctions de rponse & Dcomposition de Cholesky
Introduction
Dcomposition de Cholesky
Fonctions de rponse - Impulse Response Functions (IRF)
Application SAS
1.4 Dcomposition de la variance des erreurs de prvision
Dcomposition de la variance des erreurs de prvision
Application SAS
1.5 Application numrique
1.6 Test de Causalit au sens de Granger
Causalit au sens de Granger
Exemple SAS - commandes Restrict, Test et Causal
1.7 Test de Causalit au sens de Geweke
VAR bivari
X et Y sont des vecteurs de kX et kY variables
Application SAS
COINTEGRATION
2.1 Test de ENGLE & GRANGER
Intuition
Application SAS
2.2 Test de JOHANSEN
Intuition
Application SAS
2/105
Introduction
1. Les modles VAR sont une gnralisation des modles AR au cas

vectoriel.
2. Remarque: Les modles VAR sappliquent qu des variables
stationnaires.
Dcision:
Stationnarit
du yt = (y1,t , y2,t , ..., yk ,t )
# #
OUI NON (I(d))
# #
VAR sur y Cointegration
# #
OUI NON
# #
VECM VAR pour y
VECM=Vector Error Correction Model
3/105
Introduction
3. Philosophie des VAR:
Les modles VAR tmoignent dune rupture opre dans les annes
80.
Auparavant, lanalyse conomtrique partait dun modle structurel,
entirement dtermin par la thorie conomique et se donnait comme
objectif de tester/chiffrer ce modle.
Le critre de russite est la conformit du modle estim avec celui
propos par la thorie conomique.
Sims (1980) plaide pour une conomtrie sans modle priori, qui
laisse parler les donnes.
1 ) VAR, gnralisation des modles AR au cas multivari
2 ) VAR, des modles dynamiques avec toutes les variables
importantes du phnomne tudi (Exemple:
consommation, taux dintrt, taux dinflation, revenu).
4/105
Introduction
On met toutes les variables ensemble dans le mme modle et on

examine les interactions dynamiques sans aucune restriction
priori, que le choix des variables (pas des restrictions thoriques).

y1,t
Yt = , Yt = f (Yt 1 , Yt 2 , ..., Yt p)
y2,t
Remarque On utilise un VAR dans le cas o les variables qui le
composent sont stationnaires.
Remarque Sinon, il faut choisir un autre type de modlisation qui
prsente des proprits particulires.
5/105
Plan du TD:
I. VAR (on suppose que les variables sont stationnaires).

II. On tudie le cas o les variables ne sont pas stationnaires.
6/105
Outline
VAR
Introduction
Application SAS
Application SAS
VAR bivari
Application SAS
COINTEGRATION
Intuition
Application SAS
Intuition
Application SAS
7/105
Outline
VAR
Introduction
Application SAS
Application SAS
VAR bivari
Application SAS
COINTEGRATION
Intuition
Application SAS
Intuition
Application SAS
8/105
Forme gnrale du modle
Considrons un modle de la forme suivante:
yt = A1 yt 1 + A2 yt 2 + ..Ap yt p + ut ,
avec
yt = (y1,t , y2,t , ..., yk ,t ) vecteurs de k variables dpendantes (k,1)

ut = (u1,t , u2,t , ..., uk ,t ) vecteurs des termes derreurs (rsidus) associs
aux k quations (k,1)
Ai , i = 1, 2, ..., p, matrice des coefficients (paramtres) (k,k)
p - reprsente lordre du VAR.
9/105
Exemple: dans le cas o k=2 et p=3

" (1) (1)
# " (2) (2)
#
y1,t a11 a12 y1,t 1 a a12 y1,t 2
= (1) (1) + 11 (2)
y2,t a21 a22 y2,t 1 (2)
a21 a22 y2,t 2
" #
(3) (3)
a a12 y1,t 3 u1,t
+ 11 +
(3)
a21 a22
(3)
y2,t 3 u2,t
10/105
Si on estime sparment les 2 quations,

8 1 1 2 2 3
>
> y1,t =a11 y1,t 1 + a12 y2,t 1 + a11 y1,t 2 + a12 y2,t 2 + a11 y1,t 3
>
>
>
< 3 2
+ a12 y2,t 3 + u1,t ) u 1
> 1 1 2 2 3
>
> y2,t =a21 y1,t 1 + a22 y2,t 1 + a21 y1,t 2 + a22 y2,t 2 + a21 y1,t 3
>
>
: 3 2
+ a22 y2,t 3 + u2,t ) u2
y1,t et y2,t sont la fois exognes (partie droite) et endognes (partie

gauche),
on obtient une srie de rsidus pour chaque quation dont la variance
est donne par u21 et u22 , respectivement.
11/105
En revanche, le VAR est un systme, donc on aura une matrice de

variance covariance qui nest pas forcement diagonale:
2
u1 u1 u2
= 2 = 0.
u2 u1 u2
(la covariance dordre 0)

Si cette matrice nest pas diagonale, alors u1,t et u2,t covarient
ensemble.
Si le premier bouge, y2,t bouge aussi car la covariance entre les 2
rsidus nest pas nulle et le choque u1,t se transmet u2,t , qui en
consquence bouge concomitant avec y2,t .
u1,t bouge et cov (u1,t , u2,t ) 6= 0 => u2,t bouge => y2,t bouge
aussi
cov (u1,t , u2,t ) = 0 => alors le modle VAR napporte rien par
rapport un AR simple sur chaque variable.
12/105
Forme gnrale du modle:
Si on note
u1,t
ut =
u2,t
et 0
ut+s = u1,t+s u2,t+s ,
les rsidus en temps t et respectivement t + s,
on peut introduire la notion de bruit blanc vectoriel:

0
ut bb ) E(ut ) = 2 Rn ,
0
de variance et de covariance nulle pour s 6= 0.

Plus prcisment, les rsidus sont desprance nulle et ils ont une
matrice de variance-covariance symtrique (les vecteurs u1 et u2 sont
observs au mme moment t si s = 0). Autrement dit, les rsidus sont
indpendants dans le temps, car ut et ut+s ne sont pas lis!
13/105
Quelques rappels:
1 Un VAR est stable =) il est stationnaire (sil peut scrire sous une
forme VMA - vector moving average en utilisant lcriture de Wold).
Le VAR(p) est crit sous la forme AR:
(L)yt = c + ut ,
o (L) = In A1 L A2 L2 ...Ap Lp est un polynme caractristique en

L.
On en dduit la condition de stabilit: le polynme (L) doit tre

inversible, ce qui signifie que les racines de | (L)| (le dterminant)
doivent tre en valeur absolue suprieures 1.
2 Dans un modle VAR on peut aussi ajouter des variables exognes )
modle VARX:
yt = c + A1 yt 1 + ... + Ap yt p + D Xt + ut .
14/105
Outline
VAR
Introduction
Application SAS
Application SAS
VAR bivari
Application SAS
COINTEGRATION
Intuition
Application SAS
Intuition
Application SAS
15/105
Estimation des modles VAR
Par Maximum de vraisemblance (MV).

Les estimateurs de MV des paramtres (des Ai ) sont obtenus par
lapplication des MCO quation par quation.
OLS , ( = (c, A1 , A2 , ..., Ap , )),

MV =

Mais, par contre, les estimateurs de la variance et covariance sont

issues du MV
T
X
MV = 1/T
0
et,OLS et,OLS
t=1
(Dmonstration vue en cours)

SAS: proc VARMAX afin destimer un modle VAR.
16/105
Etape 1: Simulation dun processus VAR de type yt = Ayt 1 + ut , en

utilisant la proc IML.
%===============================================
proc iml; phi={0.8 0.0, 0.6 0.3}; * coefficients de la matrice A;
sig={1.0 0.5, 0.5 1.25}; * dclaration de la matrice ;
call varmasim(y,phi) sigma=sig n=200 seed=1234; * gnre un VAR(p) (un
VARMA(p,0) pour tre plus prcis, car on na pas dfini des termes moyenne
mobile).
- y sont les variables du VAR et phi la matrice des coefficients associs au
vecteur y .
- Le vecteur mu des moyennes nest pas spcifi, et donc il est gal 0.
- n est la taille de lchantillon gnrer et seed nous permet dobtenir la
mme srie a chaque simulation (on bloque le tirage).;
cn={y1 y2}; * range les variables du VAR, les 2 sries;
create simul from y[colname=cn]; * cration de la base des donnes simul
qui contient les 2 sries dfinies par cn;
append from y; * ajoute les observations une aprs lautre dans la
bdd;
quit;
17/105
On obtient alors le vrai modle (les variables sont stationnaires):

y1,t 0.8 0 y1,t 1 u1,t
= + ,
y2,t 0.6 0.3 y2,t 1 u2,t

1 0.5
avec = .
0.5 1.25
%======================================
data simul;
set simul;
t+1; * ajouter un indice temporel;
run;
%===============================================
proc gplot data=simul;
symbol1 v=none i=join l=1;
symbol2 v=none i=join l=2;
plot y1*t=1 y2*t=2/overlay; run;
quit; *reprsentation graphique des 2 sries, voir quelles semblent
stationnaires;
18/105
Etape 2: Estimation du modle VAR par proc VARMAX:
proc varmax data=simul;

model y1 y2 / printform=univariate minic=(type=aic p=6 q=0) print=diagnose;
run;
19/105
Estimation des modles VAR (options)
* options daffichage: Model x1 x2 x3 ... / options
LAGMAX = nombre de retards affichs pour les tests sur les rsidus !!!
diffrent de lordre p du VAR!!!;
= longueur de laffichage des corrlations croises, des cov croises
(tout ce qui est relatif aux rsidus)
par dfaut lagmax = 12 : cov (uxt , uyt ), cov (uxt , uyt 12 )
NOPRINT
PRINTALL
stat descriptives sur toutes les var
corrlations, cov instantanes et croises des endognes
matrice de VCV des estimateurs
estimation du VAR (les matrices Ap des paramtres),
corrlations entre les paramtres estims
les fonctions de rponse par variable
la dcomposition de la variance
les racines du polynme caractristique du VAR
PRINTFORM = univariate (prsentation des rsultats par variable)
matrix (par dfaut)
20/105
* options de traitement: Model x1 x2 x3 ... / print=(options)
corrB = matrice des corrlations des param estims

covB = matrice des covariances des param estims
corrX = matrice des corrlations des variables
covX = matrice des covariances des variables
roots = valeurs propres de la matrice du polynme caractristique du
VAR (>1 pas stationnaire) (modle stable au pas)
DECOMPOSE = dcomposition de la variance
IMPULSE = gnre IRF (impulse response function)
DIAGNOsE = affiche les tests statistiques
21/105
Remarque: Near VAR = on peut avoir des var exognes dans le modle (var
qui napparaissent jamais en tant quendognes, gauche du signe gal).
Model Y1 Y2 = X1 X2 X3 X4 (les var X ne sont jamais endognes.)
Model y1 y2 y3=x1 x2 .../option; les y-endognes et les x-exognes
Model y1=x1-x3, y2=x1 x4 x6/...
22/105
* options destimation du modle: Model x1 x2 x3 ... /
CENTER = considrer le VAR en centrant toutes les var

y =Y Y
(yy1 = y1 y1 , yy2 = y2 y2 ;)
!!! la constante = 0 la constante sannule
NOINT = pas de constante dans lestimation
DIFY=(n); pour diffrentier n fois toutes les variables du VAR avant de
commencer lestimation (utile quand on a des variables
non-stationnaires et non cointegrs et de mme dgre dintgration
pour chaque variable; cela change lordre du VAR - il faut vrifier la
perte de degrs de libert).
Exemple: dify=1 : modle VAR pour M y1 et M y2 si les 2 variables sont
I(1) et non-cointegres, ayant comme consquence la perte dun
dgre de libert (1 DF).
M xt = xt xt 1
23/105
* options destimation du modle (suite): Model x1 x2 x3 ... /
MINIC=(type= AIC/BIC/HQC p=ordre max de p (nombre de

retards/lags) q=ordre max de q (=0 ici, car modle VAR, pas VARMA));
utilisation des critres dinformation pour trouver lordre optimal du VAR;
il calcule le critre dinformation sur les lags de 1 p! Attention la
valeur donne p.
Remarque: AIC a la tendance dutiliser un nombre de degrs de libert
plus important que BIC (il surestime le nombre de DF), donc BIC
semble plus appropri, plus parcimonieux.
P = forcer le nb de lags
TREND = linear /quad ajoute un trend linaire ou quadratique au
modle
VARDEF=DF (si estimation par MCO) et respectivement =N
(estimation par MV); dtermine le nombre de degrs de libert utiliss
en particulier pour calculer les variances rsiduelles, car si on
considre y = a + bx + u, lestimateur de la variance des rsidus 2 est
0 0
soit s2 = u
u /N k , pour MCO, soit s2 = u u
/N pour le Maximum de
Vraisemblance.
24/105
Etape 3: Interprtation des rsultats:
a) Number of pairwise missing: est diffrent de 0 si (.,y2) ou (y1,.) ou

(.,.) (des valeurs manquantes dans une des 2 sries ou les 2) ou si on a un
VAR en diffrence premire (M y ne peut pas tre calcul pour la premire
observation, qui est implicitement limine).
b) Statistiques descriptives simples sur les variables dpendantes.
25/105
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
c) Critre de slection: AIC ici - li au choix de minic, MA=0; on prend le

retard ayant le plus petit critre ) VAR(1).
Rappel: AIC = T2Li + 2kT i , o ki est le nombre de paramtres estims.
On peut aussi tester le nombre de retards ncessaires par la mise en
oeuvre dun test LRT dont:
H0: p=p0
H1: p=p1, (avec p1 > p0).
Alors, pour un modle k variables, le nombre de paramtres estimer
est gal k(p*k+1), avec p lags pour chaque quation + une constante
pour chaque quation.
Ainsi, on estime un modle appel non-contraint (p1 retards) et un
modle contraint (p0 retards), obtenu en imposant la nullit des
paramtres correspondant aux retards entre p0 et p1.
26/105
(suite)
Exemple:
p0=4;p1=8; on impose la nullit des coefficients de

yt 5 ,yt 6 ,yt 7 ,yt 8 .
H0: 5 = 6 = 7 = 8 = 0
Le test a la forme habituelle:
2
LRT = 2(Lcontr Lnoncontr ) df ,
o df est le nombre de degrs de libert, donn par nombre de

contraintes (k k (p1 p0 )).
Si LRT > 2df , alors on rejette H0.
27/105
(suite)
d) Type de modle: VAR(1)
e) Mthode destimation: MCO - par dfaut
f) Paramtres estims:
La partie la plus importante est Model Parameter Estimates, car elle
rsume tout ce qui prcde:
*Equation - spcifie quil sagit bien de lquation de y1 et
respectivement de celle de y2 .
*Parameter :
Const - constante;
Les autres paramtres sont de la forme suivante:
ARi k j
o
- i est lordre du retard,
- k reprsente la k -me quation du VAR, et
- j est la j-me variable explicative du VAR.
Ex: AR1 2 1 est coeff de la var y1,t 1, dans la deuxime quation.

28/105
(suite)
Le modle estim a la forme suivante:

y1,t 0.153 0.884 0.083 y1,t 1 u1,t
= + + .
y2,t 0.065 0.699 0.206 y2,t 1 u2,t
Problme Les variables explicatives dun VAR sont souvent colinaires
=> On ne commente pas les rsultats du test de Student;
mais on peut interprter les rsultats du test de Fisher
(global).
Remarque Plus prcisment, si on teste la nullit dun paramtre qui est
corrl avec un autre, on a une mauvaise prcision au
niveau de lcart type; tandis que lon peut tester linfluence
globale dune variable (test de Fisher), car celle-ci nest pas
influence par la multicolinearit.
Remarque La prcision individuelle disparait, mais pas la prcision
globale.
Remarque Dans le cas dun modle VAR, le R 2 (statistique de qualit
dajustement dune quation) na pas dimportance.
Ici: Les constantes sont nulles en ralit, de mme que le
coefficient de y2,t 1 dans lquation de y1 .
29/105
(suite)
g) La matrice de variance-covariance des innovations est obtenue en

utilisant la mthode MCO (corrige par N-k):
2
MCO = var (u1,t ) cov (u1,t , u2,t ) t ut0 )),
2 = E((u
cov (u1,t , u2,t ) var (u1,t )
p

estimateur convergent de : ! .
T !1
h) En revanche, les covariances croises des rsidus sont obtenues par

MV (division par N), pour diffrents retards.
Attention : pour un retard gal 0, la matrice est diffrente de car on divise
par N et non pas par N-k comme dans le cas des MCO.
i) Le tableau des corrlations croises des rsidus.
Interprtation habituelle: si les valeurs sont proches de (+/-)1 alors la
corrlation est forte; sinon, la corrlation est faible.
30/105
(suite)
j) La reprsentation schmatique des corrlations croises des rsidus.

Dterminer sil y a des problmes dautocorrlation ou de corrlation
croise des rsidus
(u1,t , u1,t h ), (u2,t , u1,t h)
(u1,t , u2,t h ), (u2,t , u2,t h)
car les rsidus doivent tre orthogonaux.

Ce tableau nous donne les rsultats des tests de nullit des
corrlations.
Au dessous du tableau se trouve linterprtation:
+ si corrlation positive et significative,

- si corrlation ngative et significative,
. si la corrlation nest pas significative.
31/105
(suite)
Remarque On sattend ce que les corrlations (appeles corrlations

instantanes) soient significatives que pour un retard gal
0, car celles-ci correspondent la matrice de
variance-covariance (erreur contemporaine corrle). Dans
ce cas on dit que les rsidus sont solidaires.
Remarque Dailleurs, on remarque que ces corrlations sont
symtriques (matrice de variance-covariance), tandis que les
autres ne le sont pas (il ny a pas de raison quelles le soient -
voir cours).
Remarque Un problme apparat quand on a des corrlations
rcurrentes (sur les retards suivants)!!! Mais parfois on peut
avoir faire des accidents (artefacts).
32/105
(suite)
k) TEST de lindpendance simultane des termes derreurs

(Box-Pierce)
Sachant que ut sont des bruits blancs,

(
0 si t = s
E(ut ut s ) = .
0 si t 6= s.
Il faut donc tester la nullit des covariances croises.

Comme les corrlations sont obtenues en divisant les covariances par
les carts types correspondants (std dev), tester la nullit des
covariances croises ou celle des corrlations croises revient la
mme chose.
33/105
(suite)
A cet effet on utilise le test de Ljung-Box multivarie - test de

Portmanteau (test de bruits blancs multivari; test dindpendance
des termes derreur), qui est donc un test joint (cest un test
Box-Pierce amlior, adapt au cas multivari) dont lhypothse nulle
est la nullit des corrlations croises entre les rsidus:

0 u1,t
H0: corr (ut , ut j ) = 0, avec ut =
u2,t
H1: il y a des corrlations non-nulles.
Distribution asymptotique :
l 2
QT (J) ! (k 2 (J p)),
T !1
o k est la dimension du VAR et p est lordre du VAR.

Analyse des rsultats du test Portmanteau:
Si la p-value (la probabilit davoir une statistique de test suprieure
la valeur critique donne par le Chi 2 (df )) dpasse le seuil de risque de
0.05, on ne peut pas rejeter H0 de nullit des coefficients de corrlation
des rsidus.
34/105
(suite)
Remarque Il faut faire attention aux retards qui peuvent cacher la

saisonnalit (ex. en trimestriel - on regarde les retards 4, 8, et
12).
Remarque Si les rsidus ne sont pas des bruits blancs, il faut les
blanchir en augmentant lordre p du VAR.
Remarque Dans notre cas, on ne peut pas rejeter H0, donc les rsidus
ne sont pas autocorrels.
35/105
(suite)
l) Univariate model diagnostic checks - des analyses quation par

quation:
Diagnostic ANOVA: - test de Fisher de significativit globale des
paramtres/coefficients (eq. par eq.)
Rappel:
Supposons que yt = + xt + zt + ut ,
H0 (modele contraint): = =0
Pour que le modle soit bon, il faut rejeter H0; en fait il faut que le
modle avec des variables explicatives soit meilleur que le modle
seulement avec la constante ou, autrement dit, que les variables
explicatives soient globalement significatives.
36/105
(suite)
Remarque Les carts-type correspondent aux variances des rsidus

calculs quation par quation, donc ils sont obtenus par
MCO. q
1 = ( 2 (u1 ))
MCO .
issue de
Remarque Dans cet exemple, on rejette largement H0 (pvalue < 0.05) et
on a donc une trs bonne qualit de reprsentation.
Remarque Si par hasard Eq.1 est bonne (robuste, car on rejette H0 de la
nullit simultane des coefficients), mais ce nest pas le cas
de la 2me eq., alors il faut revoir les variables explicatives.
On peut aussi tolrer cette situation si on veut expliquer y1
par y2 et pour ne pas avoir y2 exogne, on laisse leq.2 pour
endogeneiser y2.
37/105
(suite)
Diagnostic du bruit blanc du modle

AUTOCORRELATION
Test Durbin-Watson; test dautocorrlation dordre 1 (sil y a de la

corrlation des rsidus, cest un AR(1) qui la gnre).
H0: Absence dautocorrlation dordre 1
PB: on a des models autoregressives (la variable endogne dcale
est une des explicatives), donc le test est biais vers lacceptation de
H0 (labsence dautocorrlation). Alors, sil indique lexistence de
lautocorrlation il faut lui faire confiance, sinon, il ne faut pas le croire.
Breusch Godfrey - LM test for serial corrlation est plus robuste,
gnralement plus puissant que DW.
38/105
(suite)
NORMALITE
2
Test de Jarque Berra
H0: normalit des rsidus (Sk=0 et Ku=3)
Notre exemple - on ne peut pas rejeter la normalit des rsidus.
EFFETS ARCH (test dhtroscdasticit)
H0: homoscdasticit (la variance des rsidus est constante; absence
des effets ARCH)
H1: htroscdasticit
Tests de Breusch-Pagan; White; Goldfeld-Quant.
Notre exemple: eq1 - on rejette H0 homoscdasticit; eq2. on ne peut
pas rejeter H0.
Comment corriger labsence dhomoscdasticit?
Estimateurs HAC1 - (VARHAC -Haan, Levin 96). Les Corrections sont
souvent bases sur des kernels (modles non-paramtriques)-White,
Newey-West, Hansen, Gallant...
1
Heteroskedasticity and Autocorrelation Consistent covariance matrix 39/105
(suite)
m) Diagnostique du modle AR une variable - test dautocorrlation des

rsidus.
AR1 : u1,t = u1,t 1 + "t

H0: = 0 (absence dautocorrlation des rsidus)
H1: =
6 0
ARp : u1,t = 1 u1,t 1 + ... + p u1,t p + "t

H0: 1 = ... = p = 0
H1: Il existe un i 6= 0
Notre exemple: AR1 AR2 AR3 AR4
(p max=4) on ne peut pas rejeter H0 dans aucun cas; les rsidus ne sont pas
autocorrels.
40/105
EXO1:
DAUTRES EXEMPLES:
proc varmax data=simul;
model y1 y2 / printform=univariate minic=(type=aic p=6 q=0) DIFY=(2); *les
variables sont diffrencis 2 fois ;
*model y1 y2 / printform=univariate minic=(type=aic p=4 q=0) print=(roots); *
voir les racines du polynme caractristique associ au modle AR;
*model y1 y2 / printform=univariate minic=(type=aic p=4 q=0) print=(covb); *
obtenir les covariance entre les paramtres;
*model y1 y2 / minic=(type=aic p=4 q=0);
*model y1 y2 / minic DFtest=(dlag=1) ; * test ADF de racine unitaire -
retard=1;
*model y1 y2 / p=3 noint print=(roots) trend=quad ; * modle avec trend;
*model y1 y2 / p=2 ; * on peut prciser directement le nombre de retards -
lordre du VAR;
run;
41/105
Outline
VAR
Introduction
Application SAS
Application SAS
VAR bivari
Application SAS
COINTEGRATION
Intuition
Application SAS
Intuition
Application SAS
42/105
Introduction
Soit Y et Z deux variables stationnaires.

Considrons le systme bivari suivant:
(
Yt = b10 b12 Zt + 11 Yt 1 + 12 Zt 1 + uYt
Modele 1 : VAR structurel
Zt = b20 b21 Yt + 21 Yt 1 + 22 Zt 1 + uZt
2 2
o uYt et uZt sont des BB (de moyenne nulle, de variance uY et uZ , et
non-autocorrls)
Terminologie On dit que uY et uZ sont des innovations pures, car

cov (uY , uZ ) = 0.
43/105
Introduction
On rcrit le modle sous la forme vectorielle suivante:

1 b12 Yt b Yt 1 u
Modele 2 : = 10 + 11 12
+ Yt
b21 1 Zt b20 21 22 Zt 1 uZt
| {z } | {z } | {z } | {z } | {z } | {z }
B Xt B0 B1 Xt 1 ut
Donc:
BXt = B0 + B1 Xt 1 + ut
1
On prmultiplie par B :
Xt = A0 + A1 Xt 1 + et
| {z }
VAR standard/Forme reduite
1 1 1
avec A0 = B B0 , A1 = B B1 et et = B ut .
44/105
Introduction
On montre que les termes derreur (eYt , eZt )0 sont donns par:
8
> uYt b12 uZt
< eYt =
>
1 b12 b21
>
> uZt b21 uYt
: eZt =
1 b12 b21
Remarque eYt et eZt sont des combinaisons de chocs purs uYt et uZt qui
sont des BB de variance constante et non-autocorrls.
) eYt BB et eZt BB
45/105
Introduction
Forme standard/rduite
On appelle forme standard/rduite un modle de rgression o les
variables qui se situent droite du signe dgalit sont toutes des vari-
ables prdtermines (des endognes retardes ou des exognes).
46/105
Introduction
Remarque Le Modle 1 est un VAR structurel (chocs purs, effet

feedback, i.e., les coefficients des rgresseurs contemporains
ne sont pas nuls).
Remarque cov (eY , eZ ) 6= 0 sauf si b12 = b21 = 0, car dans ce cas prcis:
(
eYt = uYt
(1)
eZt = uZt
Avec:
(
E(eYt ) = 0
(2)
E(eZt ) = 0,
8 ( 2
>
> eY , si s = 0
> cov (eYt , eY ,t+s ) =
>
< 0 , sinon
( 2 (3)
>
> , si s = 0
> cov (e , e
> eZ
: Zt Z ,t+s ) =
0 , sinon
47/105
Introduction
Remarque eYt et eZt sont des BB (de moyenne nulle, de variance

constante, individuellement non-autocorrls, mais ils sont
corrls entre eux).
Remarque Sil ny a pas de lien contemporain (pas de feedback) dans
les quations (structurelles), alors la matrice B est diagonale,
ainsi que la matrice de VCV.
Remarque Si les chocs de la forme rduite sont corrls entre eux, alors
il faut dsolidariser les rsidus () triangularisation)
2
eY ,eZ
E(ee ) = = eY
0
2 (4)
eZ
2
et e2Z sont constants car les chocs purs sont
eY
homoscdastiques.
48/105
On reprend le Modle 2 et on suppose sans perte de gnralit

b10 = b20 = 0 (modle sans constante).
Ce modle peut scrire sous une forme VMA(1) (i.e., Thorme de
Wold).
AR(p) ! MA(1) (Univarie)

VAR(p) ! VMA(1) (Multivarie)
En effet:

1 a11 L a12 L Yt e
= Yt =)
a21 L 1 a22 L Zt eZt
1
Yt 1 a11 L a12 L eYt
=
Zt a21 L 1 a22 L eZt
| {z }
A 1
49/105
Si A est inversible, alors on montre que A 1 est une matrice 2 2 de

polynme de degr infini en L (i.e., A est inversible si (Y Z) sont
stationnaires).
Soit:
" #
(L) (L)
Yt 11 12 eYt
=
Zt (L)
21
(L)
22
eZt
(L) (L) (L) (L)

avec 11 , 12 , 21 , 22 des polynmes de degr 1 en L.
50/105
Remarque La rponse de Yt un choc sur eYt est donne par les

(L)
coefficients 11 (ou, le choc eYt se rpercute sur Yt dans la
(L)
partie 11 ).
Remarque La rponse de Zt un choc sur eZt est donne par les
(L)
coefficients 22 (ou, le choc eZt se rpercute sur Zt dans la
(L)
partie 22 ).
Problme !!! cov (eYt , eZt ) 6= 0

=) Un choc sur eYt fait aussi bouger eZt instantanment.
=) Il nest pas possible dans cette configuration dinterprter
les IRF en termes de rponse de Y (Z ) un choc sur eY (eZ ).
d 0 ou
=) Problme didentification des chocs ! problme
dinterprtation.
Solution Trouver une mthode didentification des chocs structurels
partir des chocs de la forme rduite =) dsolidariser les
deux chocs
51/105
Thorme
Soit est la matrice de VCV du VAR, dfinie positive, alors il existe
une matrice P triangulaire infrieure, lments positifs ou nuls sur la
diagonale, telle que PP 0 = .
=) on peut dfinir des

=) on peut dterminer P
Connaissant
nouveaux rsidus v , tq v = P 1 e.
52/105
Remarque Les nouveaux rsidus sont des combinaisons linaires des

rsidus de la forme standard (et ), de moyenne nulle et de
matrice de VCV gale la matrice identit (par construction).
Esprance:
1 1
E(v ) = E(P e) = P E(e) = 0, car E(e) = 0
Variance-Covariance:
1 10
cov (v ) = E(vv 0 ) = E(P ee0 P )
1 10
= P E(ee0 )P
1 10
= P P
1 10
= P PP 0 P
= I
Remarque On a donc gnr des chocs orthogonaux.

Remarque La dcomposition de Cholesky consiste trouver P partir
pour construire des rsidus qui sont naturellement
de
indpendants.
53/105
Interprtation des nouveaux rsidus (v)

On sait que P est triangulaire infrieure =) P 1 lest aussi.
11
p 0 eY vY
P 1 = 12 , e = , v = , avec v = P 1
e
p p22 eZ vZ
Do
(
vY = p11 eY
vZ = p12 eY + p22 eZ
54/105
Interprtation:
Facile pour vY : aprs la transformation, le choc sur les rsidus de
lquation Y est un choc sur eY .
Plus complexe pour vZ : on a eY et eZ qui interviennent, mais on sais
que vY ? vZ .
=) sil y a un choc sur vZ , cela revient simuler un choc sur la
composante de eZ qui est orthogonale eY .
55/105
Remarque Lordre dentrer des variables est importante.

Il faut les faire entrer des plus EXOGENES vers les plus
ENDOGENES.
Choc sur eY ! vY ! (Yt , Zt ) ! (Yt+1 , Zt+1 )

Choc sur eZ ! vZ ! (Zt ) ! (Yt+1 , Zt+1 )
56/105
VAR structurel: les chocs sont purs (cov (eY , eZ ) = 0.

VAR standard: les chocs sont corrls (cov (eY , eZ ) 6= 0) =) on ne
peut pas identifier les effets des chocs.
57/105
On note:
Pp
Xt = i=1 Ai Xt i + et
Pp
(I i=1 Ai L)Xt = et
Si Xt stationnaire, alors daprs le thorme de Wold, ce processus

scrit:
p
X
Xt = (I Ai L) 1 et
i=1
1
X
Xt = i et j = (L)et =) VMA(1)
j=0
P j
avec (L) = j 0 jL et 0 = I.
1
Xt = (L) PP
| {z } et
I

= (L) vt =) VMA(1)
| {z } |{z}
(L)P P 1 et
58/105
Remarque
j est la rponse de X un choc sur v .
Objectif Trouver les matrices
.
59/105
Multiplicateur dynamique
Soit ijm le multiplicateur dynamique qui identifie linfluence dun choc
sur la j eme variable du VAR la date t, sur la i eme variable du VAR
linstant t + m.
@Xi,t+m
ijm =
@ej,t
60/105
Remarque Le couple ( i
|{z} , j ) gnre un IRF (fonction
|{z}
variable impactee variable choquee
de rponse).
Remarque Modle probabiliste =) les coefficients du VAR sont
incertains =) incertitude sur =) il faut encadrer les IRF
par un IC95% (Mthodes: approches paramtriques,
approches par bootstrap/Monte Carlo).
Remarque La premire valeur de la Fonction de rponse dpend de la
triangularisation.
Remarque Si une rponse de Z un choc sur eY nest jamais
significative, alors le choc sur eY na pas dimpact sur Z .
61/105
Structure de la Fonction de rponse impulsions non-

orthogonales
p 1
X X
Xt = (I Ai Li ) 1
et =) Xt = j
j L et , 0 =I (5)
i=1 j=0
1
" # " #
X j
(L) (L)
Yt
(L) (L)
eY
jL = 11 12 =) = 11 12 (6)
(L)
21
(L)
22
Zt (L)
21
(L)
22
eZ
j=0
( (L) (L)
Yt = 11 eYt + 12 eZt
=) (L) (L)
(7)
Zt = 21 eYt + 22 eZt
62/105
Structure de la Fonction de rponse impulsions orthogonales
1
X j 1
Xt = ( j L ) PP
| {z } et , 0 = I, 0P = 0 =P (8)
j=0 I
1
" # " #
X j
(L) (L)
Yt
(L) (L)
vY
jP L =
11 12 =) = 11 12 (9)
|{z} (L)
21
(L)
22
Zt (L)
21
(L)
22
vZ
j=0
j
( (L) (L)
Yt = 11 vYt + 12 vZt
=) (L) (L)
(10)
Zt = 21 vYt + 22 vZt
63/105
Application SAS
64/105

TD ST Support Slides SansNotes

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TD ST Support Slides SansNotes

Transféré par

Droits d'auteur :

Formats disponibles

TDs

1. Les modles VAR sont une gnralisation des modles AR au cas

3. Philosophie des VAR:

On met toutes les variables ensemble dans le mme modle et on

I. VAR (on suppose que les variables sont stationnaires).

Considrons un modle de la forme suivante:

yt = (y1,t , y2,t , ..., yk ,t ) vecteurs de k variables dpendantes (k,1)

Exemple: dans le cas o k=2 et p=3

Si on estime sparment les 2 quations,

y1,t et y2,t sont la fois exognes (partie droite) et endognes (partie

En revanche, le VAR est un systme, donc on aura une matrice de

(la covariance dordre 0)

de variance et de covariance nulle pour s 6= 0.

o (L) = In A1 L A2 L2 ...Ap Lp est un polynme caractristique en

On en dduit la condition de stabilit: le polynme (L) doit tre

Par Maximum de vraisemblance (MV).

OLS , ( = (c, A1 , A2 , ..., Ap , )),

Mais, par contre, les estimateurs de la variance et covariance sont

(Dmonstration vue en cours)

Etape 1: Simulation dun processus VAR de type yt = Ayt 1 + ut , en

On obtient alors le vrai modle (les variables sont stationnaires):

Etape 2: Estimation du modle VAR par proc VARMAX:

proc varmax data=simul;

* options de traitement: Model x1 x2 x3 ... / print=(options)

corrB = matrice des corrlations des param estims

* options destimation du modle: Model x1 x2 x3 ... /

CENTER = considrer le VAR en centrant toutes les var

* options destimation du modle (suite): Model x1 x2 x3 ... /

MINIC=(type= AIC/BIC/HQC p=ordre max de p (nombre de

Etape 3: Interprtation des rsultats:

a) Number of pairwise missing: est diffrent de 0 si (.,y2) ou (y1,.) ou

c) Critre de slection: AIC ici - li au choix de minic, MA=0; on prend le

p0=4;p1=8; on impose la nullit des coefficients de

o df est le nombre de degrs de libert, donn par nombre de

Ex: AR1 2 1 est coeff de la var y1,t 1, dans la deuxime quation.

Le modle estim a la forme suivante:

g) La matrice de variance-covariance des innovations est obtenue en

h) En revanche, les covariances croises des rsidus sont obtenues par

j) La reprsentation schmatique des corrlations croises des rsidus.

(u1,t , u1,t h ), (u2,t , u1,t h)

(u1,t , u2,t h ), (u2,t , u2,t h)

car les rsidus doivent tre orthogonaux.

+ si corrlation positive et significative,

Remarque On sattend ce que les corrlations (appeles corrlations

k) TEST de lindpendance simultane des termes derreurs

Sachant que ut sont des bruits blancs,

Il faut donc tester la nullit des covariances croises.

A cet effet on utilise le test de Ljung-Box multivarie - test de

o k est la dimension du VAR et p est lordre du VAR.

Remarque Il faut faire attention aux retards qui peuvent cacher la

l) Univariate model diagnostic checks - des analyses quation par

Remarque Les carts-type correspondent aux variances des rsidus

Diagnostic du bruit blanc du modle

Test Durbin-Watson; test dautocorrlation dordre 1 (sil y a de la

m) Diagnostique du modle AR une variable - test dautocorrlation des

AR1 : u1,t = u1,t 1 + "t

ARp : u1,t = 1 u1,t 1 + ... + p u1,t p + "t

Soit Y et Z deux variables stationnaires.

Terminologie On dit que uY et uZ sont des innovations pures, car

On rcrit le modle sous la forme vectorielle suivante:

Remarque Le Modle 1 est un VAR structurel (chocs purs, effet

Remarque eYt et eZt sont des BB (de moyenne nulle, de variance

On reprend le Modle 2 et on suppose sans perte de gnralit

AR(p) ! MA(1) (Univarie)