Académique Documents
Professionnel Documents
Culture Documents
____________________________________________________________________
Le modèle à correction d’erreur n’est valable que si les variables sont cointégrèes. Ce
résultat est appelé théorème de représentation de GRANGER)
Le prix nobel d’économétrie a été décerné en 2003 aux économistes ENGLE et GRANGER
pour leur théories sur la cointégration (1988) et l’économétrie financière (Modèles ARCH :
1982).
Cas 2 : Si les variables sont cointégrées alors on utilise le modèle à correction d’erreur
(Théorème de représentation de GRANGER) on passe à l’étape 7
- Etape 7 : Estimation des paramètres du modèle à correction d’erreur
On dispose de deux types de modèle à correction d’erreur :
Modèle en une étape de Hendry
Modèle en deux étapes de Engle – Granger
Puis :
Faire le graphique :
Command :
I. Test de stationnarité
Les tests de stationnarité les plus utilisés sont :
Les HP nulles des tests ADF et PP sont celles de la non stationnarité (c’est-à-dire de racine unité)
Tests de stationnarité sont fondés sur l’estimation de MCO des trois modèles suivants :
Trois modèles mais en pratique c’est un seul modèle qu’il faut choisir : comment le choisir
Il est fondamental de noter que les tests de racine unité sont appliqués sur un seul des trois modèles
suivants : None ; Intercept et Trend and intercept
NB : En pratique il faut savoir comment choisir le modèle : Les étapes voir PAGE 268
Exercice 2 : Tests de racine unité (stationnarité) de Dickey – Fuller Augmenté (ADF) et de Philips- Perron (PP)
(Page 273)
Processus :
- Lancer Eviews
- Ouvrir le fichier de données
H0 :
NB :
C = Constante
Null Hypothesis: LOG(PIB) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=9)
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
Comme la prob critique du test de Dickey –Fuller Augmenté (99.68 %) est > 5% nous ne rejetons pas l’HP de non
stationnarité de la variable log(pib)
Comme la probabilité critique du test de PP (100%) est supérieure à 5% nous ne rejetons pas l’HP de
non stationnarité de la variable log(pib)
Tests de cointégration
On appelle variable intégrée d’ordre d une variable Xt telle que sa différence d’ordre d est
stationnaire.
d-iéme = Ordre d
Proposition 5 : Toute combinaison linéaire de variables d’ordre d’intégration différents est
généralement intégrée à l’ordre le plus éevé.
X → I(d) et Y → I(d’)
aX + bY → I [max(d, d’)]
L’idée qu’une relation d’équilibre de long terme puisse être définie entre variables pourtant
individuellement non stationnaires est à la base de la théorie de la cointégration.
5-1) Le problème des régressions fallacieuses
Voir Livre page 300 et 301
5-2) Définition de la cointégration
Les HP nulles des trois test de ointégration sont celles de la non cointégration
Les tests de cointégration de Engele- Granger et Johansen ne sont valables que si toutes les variables
sont du même ordre d’intégration.
Si les variables sont d’ordre d’intégration différentes, alors on doit utiliser le test de cointégration aux
bornes de Pesaran – Shin – Smith
Prochain Cours
Exercice 5 : Tests de cointégration : Cas où les variables sont du même ordre d’intégration
2. Test de cointégration
Johansen effectue un test de rang de cointégration. Si le rang de cointégration est nul, alors les
variables ne sont pas cointégrées.
Si le rang de cointégration est supérieur ou égal à 1 alors les variables sont cointégrées.
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level (Le test de la trace
OPTION 2 :
Pour la statistique Trace, deux options sur cinq acceptent la cointégration : les variables log(cons) et
log(rev) sont cointégrées
Ce test n’est valable que pour deux variables. Il est exécutable sur les versions récentes de Eviews.
Comme cette prob est inférieure à 5% nous rejetons l’HP nulle de non cointégration.
Dans le modèle à correction d’erreur, toutes les variables sont stationnarisées. Donc, on estime les
paramètres du modèle à correction d’erreur par la méthode des MCO.
Tous les tests classiques sont valables pour valider le modèle à correction d’erreur : Student, Fisher,
Breusch-godgrey, White, ARCH, Ramsey, CHOW, Brown – Durbin – Evans
On a deux types de modèles à correction d’erreur :
Les paramètres du modèle de Hendry sont plus faciles à interpréter que ceux du modèle de Engle –
Granger.
Considérant que les 4 variables sont cointégrées LOG(Y) ; LOG(X1) ; LOG(X2) ; ET LOG(X3)
- Estimation de la relation de long terme par la méthode des moindres carrés ordinaires (MCO)
1) Estimer le modèle à correction d’erreur de type Hendry suivant (estimation en une étape)
I.1 Estimer par la MCO les paramètres du modèle de type Hendry (Eviews)
La prob critique associée au test est égales à 0.001 inf à 1%, nous rejetons l’HP H0. Le coef de
correction β2 est significativement différent de 0.
On constate que le coéf associé à la force de rappel est négatif (-0447) et significativement différent
de zéro au seuil de 1%.
β2 représente la vitesse à laquelle tout déséquilibre entre les niveaux désiré et effectif des
consommations est résorbé dans l’année qui suit un choc.
Interprétation : si les revenus des ménages du pays augmentent de 10%, alors leurs consommations
à court terme augmentent de 4.69%, toutes choses égales par ailleurs.
Apres l’estimation des paramètres de la relation de long terme, on récupère les résidus par
l’instruction Eviews suivante :
ou Quick :
Prob critique au test (0.0002) est inf à 1%, nous rejetons l’HP nulle. Le coefficient de correction
d’erreur est significativement différent de 0.
CHAPITRE 4 : ECONOMETRIE 2 : Econométrie des variables qualitatives / TOME 2