Académique Documents
Professionnel Documents
Culture Documents
Domaines
d'Interactions et d'Applications (SAADIA2023), Béjaïa 20-22 Novembre 2023, Algérie
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
We denote by :
m = E(X ) ∈ Z the mean vector , and
t t
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
∆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 :
and Economics
[4] Pfa, B. (2006), Analysis of Integrated and Cointegrated Time Series with R,
.
London :Sprin-
[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