Uipa Var

MODELES LINEAIRES MULTIVARIES
Modèles VAR
Université Internationale Privée d’Abidjan (UIPA)
Master Economie, Première année
Année académique 2022 − 2023
Boris BAFFO,
Enseignant-Chercheur à ENSEA Abidjan
20 mars 2023
Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 1 / 34

Plan de l’exposé
1 Objectif et Contenu
2 Représentation d’un modèle VAR
3 Estimation d’un modèle VAR
4 Prévision à partir d’un modèle VAR
5 Dynamique d’un modèle VAR

Objectif et Contenu
Objectif et Contenu
Objectif
Familiariser les étudiant.e.s aux méthodes économétriques pour l’étude des
liens entre des séries temporelles à partir des modèles VAR (Vector
Autoregressive).
Objectifs spécifiques
◦ Comprendre la représentation d’un modèle VAR.
◦ Estimer les paramètres d’un VAR et interpréter les résultats.
◦ Conduire une analyse de la dynamique dans un VAR.
◦ Conduire une analyse de causalité dans un modèle VAR.

Représentation d’un modèle VAR
Exemple introductif
Considérons deux séries chronologiques relatives à un pays :
B y1 le PIB annuel , et
B y2 les dépenses en consommation des ménages.
Pour i = 1, 2, notons yi,t la valeur de yi à l’instant t.
Nous formulons les hypothèses suivantes (principe du VAR) :
B y1 est fonction de ses valeurs passées et celles de y2 et sa valeur
courante ;
B y2 est fonction de ses valeurs passées et celles de y1 et sa valeur
courante ;
B les erreurs des deux modèles peuvent être corrélées.
Alors, nous avons (le modèle)
(
y1,t = a1 + b1,1 y1,t−1 + b1,2 y1,t−2 + c1,1 y2,t−1 + c1,2 y2,t−2 + d1 y2,t + ε1,t
y2,t = a2 + b2,1 y1,t−1 + b2,2 y1,t−2 + c2,1 y2,t−1 + c2,2 y2,t−2 + d2 y1,t + ε2,t
Les processus (innovations) ε1 et ε2 sont des bruits de variance

respective σ1 et σ2 et non corrélées ie E(σ1,t σ2,t−h ) = 0, ∀h ∈ Z.
Exemple introductif
( Une réecriture donne :

y1,t − d1 y2,t = a1 + b1,1 y1,t−1 + b1,2 y1,t−2 + c1,1 y2,t−1 + c1,2 y2,t−2 + ε1,t
y2,t − d2 y1,t = a2 + b2,1 y1,t−1 + b2,2 y1,t−2 + c2,1 y2,t−1 + c2,2 y2,t−2 + ε2,t
Sous une forme matricelle, le modèle devient :

1 −d1 y1,t a1 b1,1 c1,1 y1,t−1
= +
−d2 1 y2,t a2 b2,1 c2,1 y2,t−1
| {z } | {z } | {z } | {z } | {z }
B Yt A0 A1 Yt−1

b1,2 c1,2 y1,t−2 ε
+ + 1,t
b2,2 c2,2 y2,t−2 ε2,t
| {z } | {z } | {z }
A2 Yt−2 εt
On peut écrire simplement

BYt = A0 + A1 Yt−1 + A2 Yt−2 + εt (1)

Exemple introductif
Le modèle (1) est qualifiée de représentation structurelle.

Ce modèle n’est pas estimable (biais de simultanéité).
En supposant que B inversible, on obtient :
Yt = B −1 A0 + B −1 A1 Yt−1 + B −1 A2 Yt−2 + B −1 εt (2)
Yt = A
e0 + A
e 1 Yt−1 + A
e 2 Yt−2 + t (3)
e i = B −1 Ai , et t = B −1 εt .
avec ∀i = 1, 2, A
Le modèle (3) est qualifiée de représentation réduite : c’est la
représentation d’un VAR(2).

Exemple introductif
Le modèle (3) peut s’écrire sous la forme

(
y1,t = α1 + β1,1 y1,t−1 + β1,2 y1,t−2 + γ1,1 y2,t−1 + γ1,2 y2,t−2 + 1,t
y2,t = α2 + β2,1 y1,t−1 + β2,2 y1,t−2 + γ2,1 y2,t−1 + γ2,2 y2,t−2 + 2,t
On constate que
B y1,t ne dépend maintenant que des valeurs passées de y1,t et y2,t et
l’innovation 1,t .
B y2,t ne dépend maintenant que des valeurs passées de y1,t et y2,t et
l’innovation 2,t .
B Les innovations 1,t et 2,t sont fonction des innovations du modèle
structurel (ε1t , ε2,t ) et peuvent être corrélées.

Représentation générale
Soit un processus vectoriel Yt = (y1,t , . . . , yk,t ) (k variables).

Le processus Yt admet une représentation VAR d’ordre p, notée
VAR(p) si
Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t où (4)
B Φ0 est le vecteur (dimension k) des constantes ;

B Φi , i = 1, . . . , p, les matrices non nuls (dimension k × k) des
coefficients ;
B t est le vecteur (dimension k) des innovations qui est i.i.d.,
d’espérance nulle et de matrice (dimension k × k) de dispersion Σ ie
(
T Σ h = 0
E(t ) = 0 et E(t t−h ) = (5)
0 h 6= 0

Conditions de stationnarité
Définition : Processus stationnaire

Soit un processus vectoriel Yt = (y1,t , . . . , yk,t )T .
Ce processus est dit stationnaire lorsque :
B tendance constante : ∀t, E(Yt ) = µ (dimension k)
B les matrices de covariances stables par translation dans le temps :
∀t, h, E (Yt − µ)(Yt+h − µ)T = γ(h) (dimension k × k)


Stationnarité et qualité des estimations
Les coefficients peuvent être obtenus soit par MCO (Moindres Carrés
Ordinaires), soit par maximum de vraissemblance.
Pour un modèle VAR stationnaire,
B les estimateurs sont convergents et asymptotiquement normales
B Ce qui permet de faire de l’inférence ie de mener des tests sur les
coefficients du modèle, ou de donner des intervalles de confiance pour
les prévisions.
Pour un modèle VAR non stationnaire,
B les estimateurs sont toujours convergents et mais plus
asymptotiquement normales
B Ce qui ne permet plus de faire de l’inférence.

Estimation d’un modèle VAR
Démarche
But : Expliquer les liens entre plusieurs séries chronologiques stationnaires

partir d’un modèle VAR et faire des prévisions.
B Estimation du modèle :
1 Test de stationnarité des séries chronologigues ;
2 Identification du modèle : Choix du retard p ;
3 Estimation des coefficients du modèle ;
4 Diagnostic des modèles optimaux :
◦ Significativité des paramètres
◦ Validation des hypothèses sur les innovations.

Test de stationnarité des séries chronologigues
* S’assurer que chaque série du VAR est stationnaire.

* Lorsqu’une série est intégrée d’ordre 1, on peut la différencier une
fois ; Pour la suite, elle sera remplacée par la nouvelle série obtenue
après la différenciation.
* Lorsqu’une série est intégrée au moins d’ordre 2, le VAR ne peut pas
être estimé.

Identification du modèle : Choix du retard
* Déterminer les retards p ∗ optimaux.

* Pour un ordre allant p = 0, . . . , pmax (retard maximum admissible par
la théorie économique ou par les données disponibles), on estime les
modèles VAR(p).
* Pour chaque p, on évalue les critères d’information
◦ le critère d’information
" #d’Akaike AIC (p) :

AIC (p) = ln det Σ b + 2k 2 p
T
◦ le critère d’information
" #bayésien BIC (p) :
2
BIC (p) = ln det Σ b + k p ln(T )
T
* Les p ∗ retenus sont ceux qui minimisent les critères AIC ou SC.

Estimation des paramètres des modèles
Estimer les modèles optimaux retenus.

◦ Calculer les intervalles de confiance des coefficients ;
◦ Réaliser les tests de significativité des coefficients ;

Diagnostic des modèles optimaux
Significativité des paramètres

Rappel : Le processus VAR(p) s’écrit :
Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t
Le modèle est bon si les coefficients estimés contenus dans la matrice
Φ
b p ne sont pas tous significativement nuls.
Validation de l’hypothèse de bruit blanc des résidus

Le modèle est bon si les tests de bruit blanc indiquent que le
processus des résidus est un bruit blanc.

Prévision à partir d’un modèle VAR
Définitions
Considérons le modèle VAR(1) suivant ∀t ∈ N :
Yt = Φ0 + Φ1 Yt−1 + t
Soit n ∈ N∗ .
L’expression de Yn+1 en fonction de Yn donne :
Yn+1 = Φ0 + Φ1 Yn + n+1
L’expression de Yn+2 en fonction de Yn donne :
Yn+2 = Φ0 + Φ1 Yn+1 + n+2

= Φ0 + Φ1 Φ0 + Φ1 Yn + n+1 + n+2
= Ik + Φ1 Φ0 + Φ21 Yn + Φ1 n+1 + n+2

L’expression de Yn+h (h > 0) en fonction de Yn donne :

Xh−1 h−1
X
Yn+h = Φ1 Φ0 + Φh1 Yn +
i
Φi1 n+h−i (6)
i=0 i=0
Prévision d’un modèle VAR(1) : Définition

Supposons que l’on dispose d’un échantillon de n réalisations
(Y1 , . . . , Yn ), où Yt est le vecteur des réalisations des variables à la
date t.
Considérons les estimateurs convergents Φ b i de Φi , i = 0, 1, obtenus
par la méthode d’estimation.
La prévision de la réalisation n + h du processus est
Xh−1
E(Yn+h |Yn , . . . , Y1 ) = Φi1 Φ0 + Φh1 Yn
i=0
h−1
X
+ Φi1 E(n+h−i |Yn , . . . , Y1 )
i=0
h−1
X
E(Yn+h |Yn , . . . , Y1 ) = Φi1 Φ0 + Φh1 Yn (7)
i=0

Prévision d’un modèle VAR(1) : Définition

La valeur de la prévision de la réalisation n + h est donnée
h−1
X
i b b h Yn
Y
bn+h = Φ1 Φ0 + Φ
b
1 (8)
i=0
L’ erreur de prévision de la réalisation n + h est donc :

h−1
X
ERn+h = Φi1 n+h−i (9)
i=0
La valeur de l’erreur de prévision de la réalisation n + h est donc :

h−1
X
ER
c n+h = bi b
Φ 1 n+h−i (10)
i=0

Prévision d’un modèle VAR(1) : Proprétés
L’erreur de prévision a une espérance nulle. En effet, on a :
Xh−1
E(ERn+h |Yn , . . . , Y1 ) = E( Φi1 n+h−i |Yn , . . . , Y1 )
i=0
h−1
X
= Φi1 E(n+h−i |Yn , . . . , Y1 )
i=0
E(ERn+h ) = 0
car tous les n+h−i sont indépendants des Yn , . . . , Y1 et ont une

espérance nulle.


La matrice de dispersion de l’erreur de prévision à l’horizon h donne

T
Σ(h) = Var (ERn+h |Yn , . . . , Y1 ) = E ERn+h ERn+h |Yn , . . . , Y1 (11)
jT

T = h−1 i T
P
Or ERn+h ERn+h i,j=0 Φ 1 n+h−i Φ
n+h−j 1 . On obtient
h−1 T
j
X
Σ(h) = Φi1 E n+h−i T
n+h−j Φ1
i,j=0
h−1
X T
Σ(h) = Φi1 Σ Φi1
i=0
La valeur estimée est donc :

h−1
b bjT
X
Σ
b (h) = bi Σ
Φ1 Φ1
i=0

L’ intervalle de confiance de la prévision de la variable yi à l’horizon h

au niveau 1 − α est donnée par
" #
q q
ybi,n+h − t1−α/2 Σb i,i ; ybi,n+h + t1−α/2 Σb i,i (12)
(h) (h)
où t1−α/2 est le quantile d’ordre 1 − α/2 de loi normale standard et

b i,i est le coefficient de la ligne i et la colonne i de Σ
Σ b (h) .
(h)

Dynamique d’un modèle VAR
Idée
Les modèles VAR permettent d’étudier les effets de la politique

économique par le biais de :.
B la simulation des choc aléatoires ;
B la décomposition de la variance de l’erreur.
Simulation des chocs aléatoires

Cette analyse consiste à mesurer l’impact d’une impulsation ou choc
sur une variable sur une autre variable.
Ces chocs porteront sur les innovations.
Décomposition de la variance des erreurs

Cette analyse consiste à mesurer la contribution des innovations dans
la variance des erreurs de prévision.

Considérons un processus {Yt , t ∈ Z}, avec Yt = (y1,t , . . . , yk,t )T

admettant une représentation VAR(p) suivante , ∀t ∈ Z,
Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t (13)
On suppose que les innovations t sont i.i.d. d’espérance nulle et

matrice de dispersion Σ .
Supposons que l’on dispose d’un échantillon de n + p réalisations.
On suppose que les paramêtres Φi , Σ sont connus.
Idée générale : évaluer les variations futures d’une composante yi,t
dues à un choc sur une innovation j,t à la date n, en supposant que
les autres variables sont constantes pour t ≤ n.
L’ensemble de ces variations constituent la fonction de réponse
impulsionnelle de yi,t .
Cette analyse est possible lorsque ces innovations sont non corrélées.
Prenons l’exemple suivant :
y1,t = 17, 129 + (0, 00676)y1,t−1 − (0, 6125)y2,t−1 + 1,t

y2,t = −12, 863 − (0, 1752)y1,t−1 + (0, 2992)y2,t−1 + 2,t
Supposons qu’il se produit en n un choc sur 1,t égal à 1. Nous avons

l’impact suivant :

∆y1,t 1
B A la date n : =
∆y2,t 0
B A la date
n + 1:
∆y1,t+1 0, 00676 −0, 6125 1 0, 0067
= =
∆y2,t+1 −0, 1752 0, 2992 0 −0, 175
B A
la date n +
2 :
∆y1,t+2 0, 00676 −0, 6125 0, 0067 0, 107
= =
∆y2,t+2 −0, 1752 0, 2992 −0, 175 −0, 054
B etc.


Cependant lorsque les innovations sont corrélées, l’analyse des chocs
est biaisée.
Reprenons notre exemple :
◦ un choc sur 2,t influence également l’innovation 1,t qui impactera les
valeurs futures de y1,t .
◦ La fonction de réponse de y1,t est un mélange d’effet de 2,t et de 1,t .
Dans ce cas, on va construire des innovations orthogonales (non
corrélées) par le procédé d’orthogonalisation d’une matrice.
◦ Il existe une matrice A triangulaire inférieure et D diagonale telle que
Σ = ADAT
◦ Les innovations orthogonales sont : νt = A−1 t . On a : E(νt νtT ) = D.
Ordre des variables et orthogonalisation

Cette phase d’orthogonalisation implique toutefois que l’ordre dans lequel
sont disposées les variables du VAR affecte l’analyse des fonctions de
réponse.

Cependant lorsque les innovations sont corrélées, l’analyse des chocs
est biaisée.
Reprenons notre exemple :
◦ un choc sur 2,t influence également l’innovation 1,t qui impactera les
valeurs futures de y1,t .
◦ La fonction de réponse de y1,t est un mélange d’effet de 2,t et de 1,t .
Dans ce cas, on va construire des innovations orthogonales (non
corrélées) par le procédé d’orthogonalisation d’une matrice.
◦ Il existe une matrice A triangulaire inférieure et D diagonale telle que
Σ = ADAT
◦ Les innovations orthogonales sont : νt = A−1 t . On a : E(νt νtT ) = D.
Ordre des variables et orthogonalisation

Cette phase d’orthogonalisation implique toutefois que l’ordre dans lequel
sont disposées les variables du VAR affecte l’analyse des fonctions de
réponse.
Prenons l’exemple suivant :
y1,t = 3 + (0, 2)y1,t−1 + (0, 7)y2,t−1 + 1,t

y2,t = 1 + (0, 3)y1,t−1 + (0, 4)y2,t−1 + 2,t
Supposons que 1,t et 2,t sont corrélées avec :
1
Cov (1,t , 2,t ) = σ12 = , σ12 = 1 etσ22 = 2
2
Il existe deux façon d’écrire le VAR soit
◦ Yt = (y1,t , y2,t )T (Cas 1), soit
◦ Yt = (y2,t , y1,t )T (Cas 2).
Le choix de l’ordre des variables va dès lors conditionner notre schéma
d’orthogonalisation.

Cas 1 : Yt = (y1,t , y2,t )T

Nous avons t = (1,t , 2,t ).On pose
:
2

T σ1 σ12 1 0, 5
E(t t ) = Σ = = .
σ12 σ22 0, 5 2

T 1 0 1 0 1 0, 5
On montre que : Σ = ADA =
0, 5 1 0 1, 75 0 1
Les innovations orthogonales sont définies donc par
−1
−1 ν1,t 1 0 1,t 1 0 1,t
νt = A t ⇐⇒ = =
ν2,t 0, 5 1 2,t −0, 5 1 2,t
(
ν1,t = 1,t
⇐⇒ 1
ν2,t = − 2 1,t + 2,t
Dès lors ν2,t est orthogonale à 1,t = ν1,t .
Ainsi, l’analyse des chocs de ν2,t sur y1,t est non biaisée.

Cas 2 : Yt = (y2,t , y1,t )T

Nous avons t = (2,t , 1,t ).On pose
:
2

T σ2 σ12 2 0, 5
E(t t ) = Σ = = .
σ12 σ12 0, 5 1

T 1 0 2 0 1 0, 25
On montre que : Σ = ADA =
0, 25 1 0 78 0 1
Les innovations orthogonales sont définies donc par νt = A−1 t ⇐⇒
−1
ν1,t 1 0 1,t 1 0 1,t
= =
ν2,t 0, 25 1 2,t −0, 25 1 2,t
(
1
ν1,t = − 4 2,t + 1,t
⇐⇒
ν2,t = 2,t
Dès lors ν2,t = 2,t est toujours corrélée à 1,t .
Ainsi, l’analyse des chocs de ν2,t sur y1,t est biaisée.

L’exemple nous montre que l’on désire étudier l’impact de l’innovation

orthogonale de y2,t sur le niveau de y1,t , il convient d’écrire
Yt = (y1,t , y2,t )T .
Règle général : Dans l’écriture d’un VAR, la variable, que l’on suppose
économiquement être la variable explicative, doit figurer après la
variable dont on veut expliquer les évolutions.
En outre, du fait de la stationnarité du VAR, l’effet d’une innovation
s’estompe au cours du temps.
Lorsque les paramêtres Φi , Σ ne sont pas connus, le même
raisonnement est possible avec des estimateurs convergents

Décomposition de la variance
Considérons un processus {Yt , t ∈ Z}, avec Yt = (y1,t , . . . , yk,t )T

admettant une représentation VAR(p) suivante , ∀t ∈ Z,
Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t (14)
On suppose que les innovations t sont i.i.d. d’espérance nulle et

matrice de dispersion Σ .
Idée générale :
B Partant de la décomposition des résidus en innovations orthogonales,
on peut calculer la contribution de chaque innovation à la variance
totale de l’erreur de prévisions du processus yi,t .
B C’est ce que l’on appelle la décomposition de la variance.

Supposons que p = 1. Nous considérons donc un VAR(1).
La matrice de dispersion de l’erreur de prévision à l’horizon h dans
VAR(1) est
h−1
X T
Σ(h) = Φi1 Σ Φi1
i=0
Posons pour i = 0, . . . , h − 1 Φi1 = ψi . Ainsi,

h−1
X
Σ(h) = ψi Σ ψiT
i=0
Selon le procédé de l’orthogonalisation, il existe une matrice A

triangulaire inférieure et D diagonale telle que
Σ = ADAT
Définissons les innovations orthogonales νt = A−1 t ou t = Aνt .
Ainsi D est la matrice de dispersion de νt ie Dj,j = Var (νj,t ) .

Posons pour j = 1, . . . , k, Aj la j e colonne de M. Ainsi, on a
 
Var (ν1,t ) 0 · · · 0
 AT
 
. . ..
. .   .1 

 0 . . .   .. 
Σ = A1 · · · Ak   .. .. .. 
 . . . 0  AT
k
0 · · · 0 Var (νk,t )
k
X
Σ = Aj Var (νj,t )AT
j
j=1

Par suite, l’erreur de prévision Σ(h) devient :
h−1
" k #
X X
Σ(h) = ψi Aj Var (νj,t )Aj ψiT
T
i=0 j=1
k
" #
X
= Var (νj,t ) ψi Aj AT T
j ψi
j=1
k
" h−1 #
X X T
Σ(h) = Var (νj,t ) ψi Aj ψi Aj
j=1 i=0
Alors, la contribution de l’innovation orthogonale νj,t est :

" h−1 #
X T
Var (νj,t ) ψi Aj ψi Aj
i=0

MERCI DE VOTRE AIMABLE
ATTENTION

Uipa Var

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Uipa Var

Transféré par

Droits d'auteur :

Formats disponibles

MODELES LINEAIRES MULTIVARIES

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 1 / 34

2 Représentation d’un modèle VAR

3 Estimation d’un modèle VAR

4 Prévision à partir d’un modèle VAR

5 Dynamique d’un modèle VAR

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 2 / 34

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 3 / 34

Les processus (innovations) ε1 et ε2 sont des bruits de variance

( Une réecriture donne :

Sous une forme matricelle, le modèle devient :

On peut écrire simplement

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 5 / 34

Le modèle (1) est qualifiée de représentation structurelle.

Yt = B −1 A0 + B −1 A1 Yt−1 + B −1 A2 Yt−2 + B −1 εt (2)

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 6 / 34

Le modèle (3) peut s’écrire sous la forme

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 7 / 34

Soit un processus vectoriel Yt = (y1,t , . . . , yk,t ) (k variables).

Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t où (4)

B Φ0 est le vecteur (dimension k) des constantes ;

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 8 / 34

Définition : Processus stationnaire

∀t, h, E (Yt − µ)(Yt+h − µ)T = γ(h) (dimension k × k)

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 9 / 34

Stationnarité et qualité des estimations

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 10 / 34

But : Expliquer les liens entre plusieurs séries chronologiques stationnaires

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 11 / 34

Test de stationnarité des séries chronologigues

* S’assurer que chaque série du VAR est stationnaire.

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 12 / 34

Identification du modèle : Choix du retard

* Déterminer les retards p ∗ optimaux.

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 13 / 34

Estimation des paramètres des modèles

Estimer les modèles optimaux retenus.

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 14 / 34

Diagnostic des modèles optimaux

Significativité des paramètres

Validation de l’hypothèse de bruit blanc des résidus

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 15 / 34

L’expression de Yn+h (h > 0) en fonction de Yn donne :

Prévision d’un modèle VAR(1) : Définition

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 17 / 34

Prévision d’un modèle VAR(1) : Définition

L’ erreur de prévision de la réalisation n + h est donc :

La valeur de l’erreur de prévision de la réalisation n + h est donc :

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 18 / 34

Prévision d’un modèle VAR(1) : Proprétés

L’erreur de prévision a une espérance nulle. En effet, on a :

car tous les n+h−i sont indépendants des Yn , . . . , Y1 et ont une

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 19 / 34

Prévision d’un modèle VAR(1) : Proprétés

La valeur estimée est donc :

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 20 / 34

Prévision d’un modèle VAR(1) : Proprétés

L’ intervalle de confiance de la prévision de la variable yi à l’horizon h

où t1−α/2 est le quantile d’ordre 1 − α/2 de loi normale standard et

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 21 / 34

Les modèles VAR permettent d’étudier les effets de la politique

Simulation des chocs aléatoires

Décomposition de la variance des erreurs

Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t où (4)

car tous les n+h−i sont indépendants des Yn , . . . , Y1 et ont une

Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t (13)

On suppose que les innovations t sont i.i.d. d’espérance nulle et

y1,t = 17, 129 + (0, 00676)y1,t−1 − (0, 6125)y2,t−1 + 1,t

Supposons qu’il se produit en n un choc sur 1,t égal à 1. Nous avons

y1,t = 3 + (0, 2)y1,t−1 + (0, 7)y2,t−1 + 1,t

Supposons que 1,t et 2,t sont corrélées avec :

Yt = Φ0 + Φ1 Yt−1 + Φ2 Yt−2 + · · · + Φp Yt−p + t (14)

On suppose que les innovations t sont i.i.d. d’espérance nulle et