Conférence Internationale: Statistiques et Analyse Avancées.

Domaines
d'Interactions et d'Applications (SAADIA2023), Béjaïa 20-22 Novembre 2023, Algérie

Estimation du modèle VECM dans le cadre du modèle de régression linéaire

normale classique

Mohammed Bassoudi1
Laboratoire de Mathématiques Pures et Appliquées(LMPA) : Département des Sciences et

E-mail: bassoudimoha@yahoo.fr
Techniques, Université Amar Teledji, Laghouat, Algérie

Abdelkader Chahad2
Laboratoire de Mathématiques, Modélisation et Applications (LaMMA) : Département des

E-mail: chahadaek@gmail.com
Sciences de la Nature et de la Vie, Université d'Adrar, Algérie

Résumé
Dans cette recherche, nous utilisons le modèle de régression linéaire normale classique
pour examiner les relations à long terme en incorporant un mécanisme de correction d'erreur
vectorielle dérivé d'un processus en régime permanent. Nous montrons son aspect pratique en
l'appliquant à divers ensembles de données, en eectuant des tests essentiels et en explorant
les associations pertinentes. Les résultats de cette étude facilitent l'évaluation des impacts des
chocs transitoires et permanents sur les variables. Pour mettre en oeuvre cette méthodologie,
nous utilisons le logiciel Python et simulons les données en conséquence.
Keywords : Résidu, Modèle de régression linéaire, Stationarité, VECM.
2010 Mathematics Subject Classication : 00A69, 00B25, 60E05, 62E15.

1 Introduction
Le VECM est un modèle à correction d'erreur vectorielle qui permet de modéliser les ajustements
qui conduisent à une situation d'équilibre à long terme. L'évolution de cours et de long terme.
Pour cela, un mécanisme de correction d'erreur vectorielle peut ètre utilisé pour controler la
complexité du modèle et éviter le surajustement. Cela implique d'incorporer des termes de
régularisation dans la méthode des moindres carrés ordinaires (MCO) utilisée pour estimer les
coecients du modèle. Ces pénalités imposent des contraintes sur l'amplitude des coecients,
ce qui peut conduire à un modèle plus simple et plus précis.
Conférence Internationale: Statistiques et Analyse Avancées. Domaines
d'Interactions et d'Applications (SAADIA2023), Béjaïa 20-22 Novembre 2023, Algérie

Le modèle classique de régression linéaire normale (CNLRM), qui fait les hypothèses de linéarité
et d'erreurs normalement distribuées avec une variance constante, est une technique statistique
populaire pour modéliser la relation entre deux variables. Il s'agit d'une stratégie simple mais
ecace qui peut être utilisée pour faire des prédictions et comprendre comment les facteurs
interagissent.
Le CNLRM n'a cependant aucune restriction. Le surajustement, où le modèle est excessivement
compliqué et s'ajuste au bruit dans les données plutôt qu'au lien sous-jacent entre les variables,
est l'une des principales dicultés. Cela peut conduire à des inférences erronées et à des
prédictions erronées.
Il existe plusieurs applications pratiques de l'estimation du VECM à l'aide de modèles classiques
de régression linéaire normale, en particulier dans les domaines de l'ingénierie, de l'économie. Par
exemple, il peut également être utilisé pour comprendre comment les conditions météorologiques
aectent les rendements des agricultures. Cette approche permet aux scientiques et aux experts
de créer des modèles précis et ables qui peuvent guider les décisions et améliorer les résultats.
2 Preliminaries
Let X a vector of dimension k consisting of the set of variables of interest where X (j = 1, ..., k) j

and (t ∈ Z) is a real random variable.

t t

We denote by :
m = E(X ) ∈ Z the mean vector , and
t t

Γ(t, t − h) = cov(X , X ) = E[(X − m )(X − m )], t ∈ Z the variance matrix-process

covariance.
t t−h t t t−h t−h

In its most common formulation, the autoregressive representation of a vectorial stochastic pro-
cess X of order p is, for all of t, as follows :
X =α+ϕ X t +ϕ X
1 +ϕ X
t−1 + ...... + ϕ X
2 t−2 3 +ε
t−3 p t−p(2.1)
t

With :
x1t
 1
ϕ1i ϕ21i ϕ31i ϕk1i
      1
α1 εt

(2.2)
 x2 
..
 ϕ1 ϕ2 ϕ3 ϕk   ε2 
.. .. .. .. .. ..
 α2 
 t  2i 2i 2i 2i   t
Xt =   ; ϕi =   i = 1, ..., p; α =   andεt =  
 
       
xkt ϕ1ki ϕ2ki ϕ3ki ϕkki αk εkt
Where X is a Vector of K non-stationary endogenous variables, α is a Matrix of coecients to
estimate, and ε a error vector.
t
t

2.1 Note that the components of ε are not correlated with each other, and Σ = E(ξ , ξ` )
designates the matrix of dimension(k, k) of the variances -covariances of the errors, which are
Remark . t ε t t

white noises of constant variance and mean nothing.

Conférence Internationale: Statistiques et Analyse Avancées. Domaines
d'Interactions et d'Applications (SAADIA2023), Béjaïa 20-22 Novembre 2023, Algérie

2.1 Vector Error Correction Model (VECM) et (CNLRM)

The VECM is a model that makes it possible to model the adjustments that lead to a long-term
equilibrium situation. This is a model that incorporates both short-term and long-term changes.
Denition 2.1. Consider a vector of variables (X ), integrated of order 1. The vector error
correction models is dened by :
t

∆X = λz
t t−1 + β ∆X
1 t−1 + β ∆X
2 t−2 + ... + β ∆X
p t−p+ε t (2.3)
Where λ is the restoring force matrix towards the long-term target and z : Measures the
imbalance between the variables concerned by the cointegration which represents the vector of
t−1

the error of the equilibrium; this that represents the taking into account of the Long term.
To make a VECM representation, the variables must be integrated of order 1.
Le VECM satiss les hypothèses du modèle de régression linéaire normale classique (CNLRM).
Ces hypothèses comprennent :
 Un modèle de régression linéaire.
 Les résidus sont normalement distribués.
 Il n'existe aucune corrélation entre les résidus de série.
 Le nombre d'observations ne doit pas dépasser le nombre de paramètres à estimer.
 Il n'y a pas de multi-colinéarité parfaite.
3 Simulation
La génération de données pour simuler les relations entre les variables, l'ajustement des lignes
aux données à l'aide de la méthode (MCO) avec normalisation et la visualisation des résultats
sont tous des aspects de la simulation. Les valeurs aléatoires de la variable indépendante X et
des variables dépendantes Y et Z , qui sont linéairement liées à X , ainsi qu'un bruit aléatoire où
ϵ → N (0, 0.3) constituent les courbes, comme indiqué dans la gure 1.Python est utilisé pour
créer l'application.
dans cette simulation, les étapes comprennent :

Figure 1  Modèle CNLRM avec mécanisme de correction des erreurs

Conférence Internationale: Statistiques et Analyse Avancées. Domaines
d'Interactions et d'Applications (SAADIA2023), Béjaïa 20-22 Novembre 2023, Algérie

 Génération de données : générer aléatoirement la variable indépendante X et les variables

dépendantes Y et Z .
 Estimation du modèle CNLRM : Estimez le modèle CNLRM en ajustant la régression
OLS des variables dépendantes (Y et Z ) sur la variable indépendante (X ).
 Mécanisme de correction d'erreur vectorielle : extrayez les termes d'erreur du modèle
CNLRM et construisez des variables décalées pour les termes d'erreur, les variables dé-
pendantes et la variable indépendante.
 Estimation du modèle VECM : estimez le modèle VECM en ajustant une régression
MCO des termes d'erreur actuels sur les variables dépendantes décalées et la variable
indépendante décalée.
 La simulation comprend le tracé des valeurs réelles de Y et Z , ainsi que les valeurs ajustées
de Y obtenues à partir du modèle VECM. Cela permet une comparaison visuelle et une
évaluation des performances du modèle dans la capture des relations entre les variables.
4 Conclusion
L'estimation du modèle vectoriel de correction d'erreurs (VECM) dans le cadre du modèle de
régression linéaire fournit un outil puissant pour analyser et comprendre la dynamique des don-
nées de séries chronologiques. Le VECM nous permet de saisir à la fois les relations à court
terme et à long terme entre les variables, en incorporant le concept de cointégration pour mo-
déliser la relation d'équilibre entre elles. En estimant le VECM par l'approche de régression
linéaire normale classique, nous pouvons obtenir des estimations de paramètres ables et des
inférences statistiques. Cette méthodologie nous permet d'étudier la dynamique des variables
non stationnaires et d'analyser leur réponse aux chocs, fournissant des informations précieuses
sur les phénomènes économiques et nanciers. Dans l'ensemble, l'estimation du VECM dans le
cadre du modèle de régression linéaire ore une approche robuste et polyvalente pour modéliser
et analyser des données de séries chronologiques complexes.
Références
[1] Engle and Granger. (1987), Co-integration and Error Correction : Representation, Estimation
and Testing, Econometrica , 76-251.
[2] Granger, and Weiss. (1983), Time Series Analysis of Error Correction Model?s, in Studies in
Econometrics, Acadimie Press , 78-255.
[3] Marilena, F. (2020), Cointegration tests at the quantiles,
, 32(6), 1-14.https ://doi.org/10.1002/ijfe.1837
International Journal of Finance

and Economics

[4] Pfa, B. (2006), Analysis of Integrated and Cointegrated Time Series with R,
.
London :Sprin-

ger Business Media

[5] Winaro, S. Usman, M., Warsono. Kurniasari, D. Widiarti. (2021). Application of Vector Error
Correction Model (VECM) and Impulse Response Function for Daily Stock Prices.
.
Journal of

Physics : Conference Series, ICASMI 2020