Académique Documents
Professionnel Documents
Culture Documents
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
5/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Plan du TD:
6/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Outline
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
7/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Outline
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
8/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Forme gnrale du modle
yt = A1 yt 1 + A2 yt 2 + ..Ap yt p + ut ,
avec
9/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Forme gnrale du modle
10/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Forme gnrale du modle
> 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
11/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Forme gnrale du modle
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
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
13/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Forme gnrale du modle
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 ,
yt = c + A1 yt 1 + ... + Ap yt p + D Xt + ut .
14/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Outline
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
15/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR
16/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR
%===============================================
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR
18/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR
19/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR (options)
21/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR (options)
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR (options)
23/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR (options)
25/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
26/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
Exemple:
27/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(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.
30/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
31/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
32/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
33/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
35/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
36/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
37/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
38/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR - Etape 3: Interprtation des rsultats
(suite)
40/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Estimation des modles VAR
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Outline
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
42/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
43/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Introduction
2
et e2Z sont constants car les chocs purs sont
eY
homoscdastiques.
48/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
49/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
50/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
51/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
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 = .
52/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
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
Do
(
vY = p11 eY
vZ = p12 eY + p22 eZ
54/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Dcomposition de Cholesky
56/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Fonctions de rponse - Impulse Response Functions (IRF)
57/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Fonctions de rponse - Impulse Response Functions (IRF)
On note:
Pp
Xt = i=1 Ai Xt i + et
Pp
(I i=1 Ai L)Xt = et
Remarque
j est la rponse de X un choc sur v .
Objectif Trouver les matrices
.
59/105
G.D. Banulescu - LEO TDs - Sries Temporelles II
Fonctions de rponse - Impulse Response Functions (IRF)
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Fonctions de rponse - Impulse Response Functions (IRF)
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Fonctions de rponse - Impulse Response Functions (IRF)
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Fonctions de rponse - Impulse Response Functions (IRF)
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
G.D. Banulescu - LEO TDs - Sries Temporelles II
Application SAS
64/105
G.D. Banulescu - LEO TDs - Sries Temporelles II