Académique Documents
Professionnel Documents
Culture Documents
I. Exemples introductifs
– Premier exemple
– Deuxième exemple
On génère deux processus aléatoires :
yt = yt −1 + ε1t avec εt → N ε10;
σ2
xt = xt −1 + ε2t avec εt → N ε20;
σ2
Sur 1 000 régressions, nous obtenons les résultats suivants : 670 sont
signi- ficatives d’après la statistique du t de Student, cependant la
statistique de DW est toujours faible (la moyenne sur les 1 000
régressions est : DW = 0,33 ). Donc apparemment, ces régressions
donnent de bons résultats (hormis la statis- tique DW ). Mais ces résultats
sont purement fortuits : ils découlent de la corré- lation entre les séries qui
sont affectées d’une tendance stochastique. En effet, si on passe en
différences premières ( yt = f ( xt ) ), plus aucune régression n’est
xt = x t − x t −1 =
ε2t
En régressant une série non stationnaire (de type DS) sur une autre série
du même type, on obtient des coefficients significatifs mais avec une
statistique DW proche de 0 . Ce deuxième exemple illustre le risque de
régresser entre elles deux séries affectées d’une tendance stochastique. Il
faut donc toujours, au préa- lable, stationnariser des séries non stationnaires ;
dans le cas contraire, il existe un risque de « régression fallacieuse » («
spurious regression »).
II. Le concept de
cointégration
L’analyse de la cointégration permet d’identifier clairement la relation
véritable entre deux variables en recherchant l’existence d’un vecteur de
cointégration et en éliminant son effet, le cas échéant.
B. Conditions de cointégration
Deux séries xt et yt sont dites cointégrées si les deux conditions sont
vérifiées :
– elles sont affectées d’une tendance stochastique de même ordre
d’intégra- tion d ,
– une combinaison linéaire de ces séries permet de se ramener à une
série d’ordre d’intégration inférieur.
Soit :
t x → I (d )
yt → I (d )
tel que α1 xt + α2 yt → I (d −
b),
avec d b > 0.
On note : xt , yt → C I (d ,
b)
où [α1 α2 ] est le vecteur de cointégration.
Dans le cas général à k variables, on a
:
x1, t → I (d
)
xk, t → I
(d )
s’il existe un vecteur de cointégration α = [α1 α2 . . . αk ] de dimension (k,
1) tel que α X t → I (d − b) , alors les k variables sont cointégrées et le
vecteur de coin- tégration est α . On note que X t → C I (d , b) avec b > 0
.
yt =α + β xt + et (ECM)
[1]
– Étape 2 : estimation par les MCO de la relation du modèle
dynamique
(court terme) :
yt = α1 x t + α 2 et −1 + ut α2 < 0
[2]
Exercice n° 1
fichier C11EX1
Obs xt yt
1 0,000 10,890
2 2,851 12,188
… … …
29 6,744 12,347
Solution
yt = a1 xt + a0 +
εt
(6,3)
(41,46)
Test Test PP (l = 2)
et Modèle [1]DF Modèle [2] Modèle [1] Modèle [2]
tφˆ1 –5,39 –5,30 –5,42 –5,31
yt = 0,610 xt − 1,02 et −1
+ ut
(3,09)
(5,22)
n = 29 ; R 2 = 0,60 ; (.) = t de
Student.
IV. Généralisation à k
variables
A. La cointégration entre k
variables
Or Yt −1 = Yt −1 − Yt −2 .
En regroupant les termes en Yt −1 et après simplification, on obtient :
Yt = A0 + ( A1 − I ) Yt −1 + ( A1 + A2 − I )Yt −2 + ε
[5]
ou encore en fonction de Yt −1 :
Yt = A0 + B1 Yt −1 + B2 Yt −2 + . . . + Bp−1 Yt − p+1 + π Yt −1 +
ε
p
Les matrices Bi étant des fonctions des matrices Ai et π Ai − I .
= i =1
La matrice π peut s’écrire sous la forme π = αβ ′ où le vecteur α est la
force de rappel vers l’équilibre et β le vecteur dont les éléments sont les
coefficients des relations de long terme des variables. Chaque combinaison
linéaire repré- sente donc une relation de cointégration.
Si tous les éléments de π sont nuls (le rang de la matrice π est égal à 0 et
donc A p−1 + … + A2 + A1 = I ) , alors nous ne pouvons pas retenir une
spécification à correction d’erreur, nous estimons un VAR classique en
différences premières afin d’éliminer les tendances. Si le rang de π est égal à
D. Tests de relation de
cointégration
Pour déterminer le nombre de relations de cointégration, Johansen (1988)
pro- pose deux tests fondés sur les valeurs propres d’une matrice issue
d’un calcul en deux étapes :
Etape 1 : calcul de deux résidus ut et
vt Nous effectuons deux régressions :
Première régression :
Yt = A 0 + A 1 Yt −1 + A 2 Yt −2 + . . . + A p Yt − p + u t
Deuxième régression :
Yt −1 = A′ 0 + ′A 1 Yt −1 +′ A 2 Yt −2 + . . . +
′ A
p Yt − p + vt
1. Johansen, 1988.
uu = (1/n) u t ut′
t =1
n
vv = (1/n) vt vt′
t =1
n
uv = (1/n) u t vt′
t =1
n
vu = (1/n) vt ut′
t =1
) + ε1
Présence d’une tendance quadratique dans les données :
e) Présence d’une tendance quadratique dans les séries et d’une tendance
linéai- re dans les relations de cointégration.
) + ε1
Le choix d’une de ces spécifications s’effectue en fonction des données et
de la forme supposée de la tendance (une analyse des propriétés
stochastiques des séries ou un simple examen visuel des graphiques
permettent de se déterminer).
Le tableau 3 synthétise le choix de la spécification du VECM en fonction
de la typologie des processus.
Type de Spécification
processus 1 2 3 4 5
Tous les processus sont des DS sans dérive X X
Au moins un des processus est un DS avec dérive X
Au moins un des processus est un TS X
Au moins un processus a une tendance quadratique X
E. Test d’exogénéité
faible
Le test d’exogénéité faible consiste à vérifier si les variables sont bien endo-
gènes. Ce test porte sur le coefficient α de la force de rappel (s’il existe une
seule relation de cointégration) ou les coefficients α dans le cas de plusieurs
relations de cointégration. Effectuer un test sur α revient à vérifier si la
relation de coin- tégration figure dans toutes les équations du modèle. C’est
un test d’exogénéité faible des différentes variables du système, pour les
paramètres d’intérêt donnés par la relation de long terme de la matrice π =
α ′ β , c’est-à-dire β les relations de cointégration et α les poids de ces
relations dans chacune des équations du système.
Prenons par exemple un VECM à deux relations de
cointégration :
Exercice n° 2
fichier C11EX2
Tests de cointégration et estimation d’un modèle
vectoriel à correction d’erreur
Soit trois variables y1t , y2t et y3t observées sur 30 périodes dont les
données sont consignées au tableau 3. On demande de tester une éventuelle
cointégration et d’estimer un modèle VAR ou un modèle vectoriel à correction
d’erreur s’il y a lieu.
Solution
– Première étape : détermination du nombre de retards de la représentation VAR
en niveau
Là encore, on constate que le rang de la matrice n’est pas 0 (ligne 1), mais
qu’en revanche, on ne peut pas rejeter l’hypothèse H0 ni à 5 % ni à 1 % (ligne
2) dans l’hypo- thèse d’un rang de la matrice π égal à 1.
Le test de la valeur propre maximale corrobore les résultats précédents :
Cointegration
A(1,1) = 0 Restrictions : =0
A(2,1) A(3,1) = 0
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1) :
Chi-square(1) : 5,557 Chi-square(1) : Chi-square(1) :
Probability : 0,0184 1,275770
Probability : 0,258687 0,001005
Probability : 0,974714