Académique Documents
Professionnel Documents
Culture Documents
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
1 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.
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
Exemple introductif
Exemple introductif
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
Représentation générale
Conditions de stationnarité
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.
Démarche
◦ 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.
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
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
h−1
X T
Σ(h) = Φi1 Σ Φi1
i=0
Idée
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.
Décomposition de la variance
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
Décomposition de la variance
k
X
Σ = Aj Var (νj,t )AT
j
j=1
Décomposition de la variance
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