Uipa Cointeg Vec

MODELES LINEAIRES MULTIVARIES
Cointégration et Modèle à correction d’erreur

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 Motivation / Objectifs
2 Introduction
3 Concept de cointégration
Cas de 2 séries temporelles
Cointégration de K > 2 séries temporelles
4 Tests de causalité
Test de Granger
Test de Toda-Yamamoto

Motivation / Objectifs
Motivation
La modélisation VAR permet de mettre en évidence le lien (court

treme) entre des séries stationnaires ou des séries rendues
stationnaires.
Sims (1980) et d’autres économistes critiquent cette différenciation
excessive des séries macroéconomiques car elle élimine une quantité
d’informations utiles.
Introduite par Granger (1983), et développée par Engle et Granger
(1987), l’analyse de la cointégration permet de modéliser des séries
non stationnaires.
Elle permet de réaliser une étude riche et plus rigoureuse des relations
entre des séries temporelles.
Elle est considérée par beaucoup d’économistes comme l’un des
nouveaux concepts les importants dans le domaine de l’économétrie et
l’analyse des séries chronologiques.
Motivation / Objectifs
Objectifs
Objectif
Comprendre et estimer un modèle à correction d’erreur vectoriel VECM ;
Objectifs spécifiques
◦ Comprendre la notion de cointégration.
◦ Comprendre la mise en œuvre des tests de cointégration.
◦ Comprendre la spécification du modèle à correction d’erreur.
◦ Mettre en œuvre les tests de cointégration et l’estimation d’un
modèle à correction d’erreur sous le logiciel R.

Introduction
Régressions fallacieuses (Spurious Regressions)
Définition (Granger et Newbold, 1974)

On considère une régression de la forme yt = βxt + µt où xt et yt
sont deux séries non stationnaires I (1).
On suppose qu’il n’existe aucune valeur de β telle que le résidu
µt = yt − βxt soit I (0).
Alors,
1 Les estimateurs MCO des coefficients ne sont pas convergents.
2 Les statistiques des tests conventionnels, tels que le t de Student et le
F de Fisher, ne suivent plus leur distribution habituelle sous l’hypothèse
nulle, même asymptotiquement.

Introduction
Régressions fallacieuses (Spurious Regressions)
Ces deux résultats conduisent en général au phénomène de régressions

fallacieuses :
B Un apparent fort pouvoir explicatif (R 2 très élévé),
B mais des résidus autocorrélés (statistique de Durbin Waston très faible).
C’est une liaison statistique parfois dépourvue de sens économique.
B si l’on applique les théories usuelles dans des configurations de
régressions fallacieuses, on peut montrer que la production de sous
vêtements féminins au Burkina Faso est une variable explicative très
importante dans la détermination du cours de l’action Microsoft sur la
place de New York.
B Illustration sous R.
◦ Deux séries TS ;
◦ Deux séries DS ;

Concept de cointégration
Rappels : Différence d’ordre d
Soit {yt , t ∈ Z} processus et d ∈ N∗ .

On appelle différence première du processus (yt ) notée (∆yt ) définie
par :
∆yt = yt − yt−1
On appelle différence d’ordre d du processus (yt ) notée (∆d yt )
définie par :
∆d yt = ∆d−1 yt − ∆d−1 yt−1
où (∆d−1 yt ) est la différence d’ordre d − 1 du processus (yt ).

Concept de cointégration
Rappels : Série intégrée d’ordre d
Soit {yt , t ∈ Z} processus et d ∈ N∗ .

La série (yt ) est dite intégrée d’ordre d lorsque
◦ les processus (∆k−1 yt ), k ≤ d, ne sont pas stationnaires, et
◦ le processus (∆d yt ) est stationnaire.
On dit que la série (yt ) est I (d).

Concept de cointégration Cas de 2 séries temporelles
Cointégration : Définition
Considérons deux processus {y1,t , t ∈ Z} et {y2,t , t ∈ Z}.

B Les processus (y1,t ) et (y2,t ) sont dites cointégrés lorsque
◦ les séries (y1,t ) et (y2,t ) sont intégrées du même d’ordre d, et
◦ il existe deux constantes non nulles α et β tels que le processus
(αy1,t + βy2,t ) soit intégré d’ordre d − b avec 0 < b < d.
On normalise (définir y1,t une comme endogène et y2,t comme
exogène) en posant
β
λ=− .
α
On dira qu’il existe une constante non nulle λ telle que le processus
(y1,t − λy2,t ) soit intégré d’ordre d − b avec 0 < b < d.
◦ On note (y1,t , y2,t ), t ∈ Z est CI (d, b).
◦ Intéressons-nous au cas d = 1 et b = 1.

Cointégration entre deux séries
Soit deux processus {y1,t , y2,t , t ∈ Z} intégrés d’ordre 1, ie I (1).

B Les processus (y1,t ) et (y2,t ) sont dits cointégrés lorsque
◦ il existe une constante non nulle λ telle que le processus εt
εt = y1,t − λy2,t soit stationnaire (1)
Le vecteur (1, −λ) est appelé le vecteur de cointégration.

L’équation y1,t − λy2,t = 0 est appelée l’équilibre de long terme.
◦ ou, il existe une constante non nulle δ telle que le processus t
t = y2,t − δy1,t soit stationnaire. (2)
Le vecteur (−δ, 1) est appelé le vecteur de cointégration.

L’équation y2,t − δy1,t = 0 est appelée l’équilibre de long terme.

Cointégration entre deux séries
Sur le plan économique,

B les deux séries évoluent de façon instable (car non stationnaires),
B mais, entretiennent une relation de long terme stable [(1) ou (2)] (du
fait de la cointégration).
Entre les processus (y1,t ) et (y2,t ), il existe au plus une relation de
cointégration.
B Supposons que les équations (1) et (2) existent. On a
y1,t = λy2,t + εt = λ(δy1,t + t ) + εt

λ 1
y1,t = t + εt (λδ 6= 1)
1 − λδ 1 − λδ
Le dernière égalité indique le processus (y1,t ) est stationnaire, ce qui
est faux.

Modèle à correction d’erreur (ECM)
Les modèles dits à correction d’erreur,introduits au début des années

80, par Hendry en particulier, permettent d’analyser les rélations de
court terme et de long terme entre les séries non stationnaires
cointégrées. (Théorème de représentation de Granger).
Soit deux processus {y1,t } et {y2,t } cointégrés CI (1, 1) ie ∃δ 6= 0 tel
que le processus (εt = y1,t − δy2,t ) est stationnaire.
La spécification ECM donne
p p

 X X
∆y1,t = α1 + β1,i ∆y1,t−i + γ1,i ∆y2,t−i + λ1 εt−1 + 1,t



i=1 i=1 (3)
p
X p
X

∆y = α + β ∆y + γ2,i ∆y2,t−i + λ2 εt−1 + 2,t

 2,t 2 2,i 1,t−i


i=1 i=1
B le terme en bleu : Dynamique de court terme (VAR en différence 1re),

B le terme en rouge : Dynamique de long terme (relation de cointégration).
Modèle à correction d’erreur (ECM)
Dans le modèle à correction d’erreur (3), les coefficients λ1 , λ2 sont

appelés les forces de rappel vers l’équilibre de long terme avec
λ1 < 0 et λ2 > 0
En effet,
B Supposons qu’on était à l’équilibre de long terme
εt−1 = y1,t−1 − δy2,t−1 = 0 et que y2,t augmente.
Par suite εt−1 < 0 qui conduit à un déséquilibre de long terme négatif.
Du fait que λ1 < 0, on obtiendra λ1 εt−1 > 0. On observera en t un
accroissement de y1,t . Cela viendra compenser le déséquilibre.
B Supposons qu’on était à l’équilibre de long terme
εt−1 = y1,t−1 − δy2,t−1 = 0 et que y1,t augmente.
Par suite εt−1 > 0 qui conduit à un déséquilibre de long terme positif.
Du fait que λ2 > 0, on obtiendra λ2 εt−1 > 0. On observera en t un
accroissement de y2,t . Cela viendra compenser le déséquilibre.

Tests de cointégration
Engel et Granger (1987) ont mis en place un algorithme pour tester la
cointégration entre deux séries temporelles en deux étapes :
1 tester l’ordre d’intégration des variables : On cherche d tel que
y1,t ∼ I (d) et y2,t ∼ I (d). [en général d ≤ 1]
2 estimation de la relation de long terme : si y1,t ∼ I (d) et y2,t ∼ I (d),
on estime par MCO la relation de long terme
y1,t = δ0 + δ1 y2,t + εt (4)
Ensuite on récupère le résidu εbt = y1,t − (δb0 + δb1 y2,t ) et on teste sa

stationnarité.
Si le résidu est stationnaire alors y1,t et y2,t sont cointégrées et écrit
(y1,t , y2,t ) ∼ CI (d = 1, 1)
Démarche de spécification :
B si y1,t ∼ I (0) et y2,t ∼ I (0), on adopte le modèle VAR en niveau ;
B si y1,t ∼ I (1) et y2,t ∼ I (1) et non cointégrées, on choisit le modèle
VAR en différence première ;
B si y1,t ∼ I (1) et y2,t ∼ I (1) et cointégrées, on choisit le modèle ECM.
Estimation du Modèle à correction d’erreur (ECM)
Supposons que (y1,t , y2,t ) ∼ CI (1, 1).

Alors les processus (y1,t , y2,t ) admettent une représentation ECM (3).
On estime par MCO le système
p p

 X X
∆y1,t = α1 + β1,i ∆y1,t−i + γ1,i ∆y2,t−i + λ1 εbt−1 + 1,t



i=1 i=1 (5)
p
X p
X

∆y2,t = α2 + β2,i ∆y1,t−i + γ2,i ∆y2,t−i + λ2 εbt−1 + 2,t



i=1 i=1
Le modèle est validé ssi λ1 est significatif et négatif.

En cas de variables explicatives supplémentaires (ex : tendance,
saisonnalité, etc.), elles sont intégrées dans la relation de long terme
(4). Le reste de la procédure ne change pas.
Passons à l’analyse de plus de 2 variables.
Concept de cointégration Cointégration de K > 2 séries temporelles
Cointégration entre des séries

Soit un processus vectoriel {Yt , t ∈ Z} à k séries temporelles ie
Yt = (y1,t , . . . , yk,t ) (vecteur colonne)
Le processus (Yt ) est dit cointégré lorsque
B les k séries (y1,t ), . . . , (yk,t ) sont I (d), et
B il existe un vecteur β ∈ Rk à coefficients non nuls tel que le processus
(β T Yt ) soit intégré d’ordre d − b avec 0 < b < d.
On normalise (définir y1,t comme une endogène et les autres comme
exogène) en posant
βj
δ1 = 1 et ∀j = 2, . . . , k, δj = − .
β1
k
Pk δ ∈ R à coefficients non nuls tel que le
On dira qu’il existe un vecteur
processus (δ T Yt = y1,t − j=2 δj yj,t ) soit intégré d’ordre d − b avec
0 < b < d.
◦ On note Yt , t ∈ Z est CI (d, b).
◦ Intéressons-nous au cas d = 1 et b = 1.

Soit un processus vectoriel Yt = (y1,t , . . . , yk,t ), t ∈ Z à k séries
temporelles toutes intégrés d’ordre 1, ie I (1).
B Le processus (Yt ) est dit cointégré lorsque, pour un i ∈ {1, . . . , k},
existe un vecteur δ = (δi,1 , . . . , δi,i−1 , 1, δi,i+1 , . . . , δi,k ) (yi,t est
l’endogène et les autres exogènes) tel que le processus εt = δ T Yt−1
k
X k
X
εi,t = yi,t − δi,j yj,t ou yi,t = δi,j yj,t + εi,t (6)
j=1 j=1
j6=i j6=i
soit stationnaire.
B Le vecteur δ dans (6) est appelé le vecteur de cointégration.
B L’équation (6) est appelée une relation de long terme.
B L’équation yi,t − kj=1 δi,j yj,t = 0 est un équilibre de long terme.
P
j6=i
B il existe au plus k − 1 relations de cointégration.
B Le processus (Yt ) est dit cointégré avec r (1 ≤ r ≤ k − 1) relations

de cointégration lorsqu’il existe une matrice V (k × r ) de rang r telle
que le processus vectoriel εt = V T Yt soit stationnaire.
B La matrice V est appelée la matrice de cointégration.
B Les colonnes de V définissent vecteurs de cointégration.

Modèle à correction d’erreur vectoriel (VECM)
Selon le théorème de représentation de Granger, les séries cointégrées

admettent une représentation ECM.

Soit un processus Yt = (y1,t , . . . , yk,t ), t ∈ Z à k séries temporelles
qui est CI (1, 1) avec r relations de cointégration dont V est la
matrice de cointégration.
La spécification ECM donne
p
X
∆Yt = A0 + Bi ∆Yt−i + UV T Yt−1 + t (7)
i=1
B le terme en bleu : Dynamique de court terme (VAR en différence 1re),

B le terme en rouge : Dynamique de long terme (relations de
cointégration).
B La matrice U (k × r ) de rang r est la force de rappel vers l’équilibre ;
Le modèle (7) est appelé le modèle à correction d’erreur vectoriel.
En général, il existe plusieurs relations de cointégration. De ce fait,

l’algorithme de Engel et Granger (1987) n’est plus valide.
Johansen (1988) propose deux tests basés l’analyse de la corrélation
entre ∆Yt et Yt−1 , tous les deux purgés des effets des
∆Yt−i , i = 1, . . . , p du modèle VECM (7).
Rappel : le coefficient de détermination R 2 entre deux variables xt et
zt est le carré du coefficient de corrélation
2
2 Cov (xt , zt )
R =
Var (xt )Var (zt )
qui mesure la liaison linéaire entre xt et zt .

On commence par le calcul de cet ”coefficient de détermination” qui
sera la matrice M, en deux étapes.

Calcul de la matrice fondamentale M
Etape 1 : Calcul des résidus

B On effectue deux régressions
p
X
∆Yt = A1,0 + B1,i ∆Yt−i + ψ1,t (8)
i=1
p
X
Yt−1 = A2,0 + B2,i ∆Yt−i + ψ2,t (9)
i=1
B On récupère les résidus Ψ1 et Ψ2 respectifs de régressions (8) et (9),

des matrices (k × n) avec k = nombre de séries et n = nombre
d’observations.

Calcul de la matrice fondamentale M
Etape 2 : Calcul de M
B On calcule 4 matrices de variances-covariances (k × k) à partir deux
résidus Ψ1 et Ψ2 .
b 1,1 = (1/n)Ψ1 ΨT (variances-covariances des colonnes de Ψ1 )
Σ 1
T
Σ1,2 = (1/n)Ψ1 Ψ2 (covariances des colonnes de Ψ1 et Ψ2 )
b
b 2,1 = (1/n)Ψ2 ΨT (covariances des colonnes de Ψ2 et Ψ1 )
Σ 1
Σ2,2 = (1/n)Ψ2 ΨT (variances-covariances des colonnes de Ψ2 )
b
2
B M s’obtient finalement par

b −1 Σ
b b −1 b
M=Σ 2,2 2,1 Σ1,1 Σ1,2 (k × k) (10)

Interprètation de la matrice fondamentale M
La matrice M dispose de k valeurs propres réelles θ1 > θ2 > . . . > θk .

Ces valeurs propres peuvent d’interpréter comme les corrélations entre
les colonnes de Ψ1 et de Ψ2 .
S’il y a r vecteurs de cointégration alors les r premières valeurs
propres sont significativement différentes de zéro.
Ces k valeurs propres peuvent servir à effectuer un test pour savoir
combien de celles-ci sont significativement différentes de zéro et
déduit ainsi le nombre de relations de cointégration.
Les deux tests sont :
B Test de la trace ;
B Test de la valeur propre maximale ;

Test de la trace
Ce test se base
Pksur les statistiques de test
θtrace,r = −n i=r +1 ln(1 − θi ) comparées aux valeurs tabulées par
Johansen et Juselius (1990).
Ce test se conduit par exclusion d’hypothèses alternatives :
B Test 1 - H0 : r = 0 contre H1 : r > 0.
◦ Si H0 n’est pas rejetée (θtrace,0 ≤ valeur tabulée), alors r = 0.
◦ Sinon, on passe au test 2.
B Test 2 - H0 : r = 1 contre H1 : r > 1.
◦ Si H0 n’est pas rejetée (θtrace,1 ≤ valeur tabulée), alors r = 1.
◦ Sinon, on passe au test suivant.
B Si après avoir rejeté les différentes hypothèses H0 , on teste
H0 : r = k − 1 contre H1 : r = k.
◦ Si H0 n’est pas rejetée (θtrace,k−1 ≤ valeur tabulée), alors r = k − 1.
◦ Sinon, toutes les séries sont toutes I (0) ie r = k.
r désigne le nombre de relations de cointégration.
Test de la trace
Pour conduire ce test, Johansen propose 5 spécifications concernant

soit les relations de court terme, soit les relations de long terme :
B Spécification 1 : Absence d’une tendance linéaire dans les relations de
court terme et d’une constante dans les relations de long terme ;
◦ Condition : Toutes les séries sont DS sans dérive (drift) et les
constantes dans les relations de long terme ne sont pas toutes
significatives.
B Spécification 2 : Absence d’une tendance linéaire dans les relations de
court terme mais présence d’une constante dans les relations de long
terme ;
◦ Condition : Toutes les séries sont DS sans dérive (drift) ; et des
constantes dans les relations de long terme sont significatives.
B Spécification 3 : Présence d’une tendance linéaire dans les relations de
court terme et d’une constante dans les relations de long terme ;
◦ Condition : Au moins une série est TS.

Test de la trace
B Spécification 4 : Présence d’une tendance linéaire dans les relations de

court terme et dans les relations de long terme ;
◦ Condition : Au moins une série est TS.
B Spécification 5 : Présence d’une tendance quadratique dans les
relations de court terme et d’une tendance linéaire dans les relations
de long terme ;
◦ Condition : Au moins une série a une tendance quadratique.
Une mauvaise spécification peut conduire à des résultats erronés.

Test de la valeur propre maximale
Ce test se base sur les statistiques de test θmax = −n ln(1 − θr +1 )

comparées aux valeurs tabulées par Johansen et Juselius (1990).
Ce test se mène comme précédemment séquentiellement par exclusion
d’hypothèses alternatives :
En cas de divergence avec le test de la trace, il est recommandé de
privilégier le test de la trace qui est plus puissant.

Tests d’exogénéité faible
Reprenons le modèle (3)

(
∆y1,t = α1 + pi=1 β1,i ∆y1,t−i + pi=1 γ1,i ∆y2,t−i + λ1 εt−1 + 1,t
P P
∆y2,t = α2 + pi=1 β2,i ∆y1,t−i + pi=1 γ2,i ∆y2,t−i + λ2 εt−1 + 2,t

P P
Ce test consiste à vérifier si les variables sont bien endogènes ie si

leurs forces de rappel sont significativement non nulles (validation de
la présence de la relation de long terme dans les équations)
Pour tester l’exogénéité de y2,t , on teste l’hypothèse H0 : λ2 = 0.
Si l’hypothèse H0 n’est pas rejetée, la relation de cointégration λ2 εt−1
est rétirée dans le modèle, et donc y2,t est faiblement exogène (ne
réagit pas au déséquilibre de long terme).
Ce test est le test de ratio de vraisemblance du modèle contraint sous
H0 et le modèle non contraint.

Estimation du Modèle à correction d’erreur vecto(ECM)
L’estimation du modèle VECM se conduit suivant les grandes étapes

suivantes :
1 Détermination du nombre de retards p du modèle (modèle VAR en
niveau ou en Log) selon les critères AIC et SIC .
2 Réalisation du test de cointégration de Johansen.
3 Identification des rélations de cointégration.
4 Estimation par la méthode de maximum de vraisemblance du
VECM(p − 1) et validation à l’aide des tests usuels :
B Significativité des coefficients ;
B Vérification que les résidus sont des bruits blancs ;
B Tests d’exogénéité faible.

Tests de causalité Test de Granger
Causalité au sens de Granger dans un VECM
Reprenons le modèle (3)
p
X p
X
∆y1,t = α1 + β1,i ∆y1,t−i + γ1,i ∆y2,t−i + λ1 (y1,t−1 − δy2,t−1 ) + 1
i=1 i=1
Xp Xp
∆y2,t = α2 + β2,i ∆y1,t−i + γ2,i ∆y2,t−i + λ2 (y1,t−1 − δy2,t−1 ) + 2
i=1 i=1
y1,t ne cause pas y2,t à court terme au sens de Granger ssi

β2,i = 0, ∀i = 1, . . . , p.
y2,t ne cause pas y1,t à court terme au sens de Granger ssi
γ1,i = 0, ∀i = 1, . . . , p.
y1,t ne cause pas y2,t à long terme au sens de Granger ssi λ2 = 0.
y2,t ne cause pas y1,t à long terme au sens de Granger ssi λ1 δ = 0.
Tests de causalité Test de Granger
Causalité au sens de Granger dans un VECM
La causalité à court terme implique une contrainte linéaire, elle est

simple à tester :
B Test de Wald et Test de Fisher.
La causalité à long terme implique une contrainte non-linéaire, elle est
difficile à tester :
B Test de Score et Test de ratio de vraisemblance.

Tests de causalité Test de Toda-Yamamoto
Motivations
Plusieurs critiques portent sur les tests de causalité de Granger :

B les tests de racine unitaire parfois biaisés ou inéfficaces sur des petits
échantillons.
B la tranformation en différence première conduit à une perte
d’information éventuellement utile pour expliquer la dynamique entre
les séries.
B Sur de petits échantillons, les tests de Johansen sont parfois biaisés et
conduisent souvent au rejet de l’hypothèse d’absence de cointégration à
tort.
Afin de s’affranchir de ses critiques, Toda et Yamamoto (1995)
propose une procédure de test de causalité sur des modèles VAR en
niveau mais en augmentant le nombre de retard pour tenir compte
d’éventuelles relations de cointégration.

Tests de causalité Test de Toda-Yamamoto
Démarche
La procédure de Toda et Yamamoto est la suivante :

1 Trouver l’ordre d’intégration maximale dmax des séries (tests de
stationnarité).
2 Déterminer le retard optimal p du VAR en niveau selon les critr̀es
d’informationP(AIC , SIC et HQ) Pp;
p
y1,t = α1 + Pi=1 β1,i y1,t−i + Pi=1 γ1,i y2,t−i + 1,t
p p
y2,t = α2 + i=1 β2,i y1,t−i + i=1 γ2,i y2,t−i + 2,t
3 Estimer le VAR
Pp en niveau augmenté
Pdmax d’ordre p + dPmax
p
y1,t = α1 + i=1 β1,i y1,t−i + i=p+1 β1,i y1,t−i + i=1 γ1,i y2,t−i
Pdmax
+ i=p+1 γ1,i y2,t−i + 1,t
Pp Pdmax Pp
y2,t = α2 + i=1 β2,i y1,t−i + i=p+1 β2,i y1,t−i + i=1 γ2,i y2,t−i
Pdmax
+ i=p+1 γ2,i y2,t−i + 2,t
4 Tester les hypothèses d’absence de causalité (Wald et Fisher) :
◦ y1,t ne cause pas y2,t ssi ∀i ∈ {1, . . . , p}, β2,i = 0
◦ y2,t ne cause pas y1,t ssi ∀i ∈ {1, . . . , p}, γ1,i = 0

MERCI DE VOTRE AIMABLE
ATTENTION

Uipa Cointeg Vec

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 Cointeg Vec

Transféré par

Droits d'auteur :

Formats disponibles

MODELES LINEAIRES MULTIVARIES

Cointégration et Modèle à correction d’erreur

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

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

La modélisation VAR permet de mettre en évidence le lien (court

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 4 / 34

Régressions fallacieuses (Spurious Regressions)

Définition (Granger et Newbold, 1974)

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

Régressions fallacieuses (Spurious Regressions)

Ces deux résultats conduisent en général au phénomène de régressions

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

Rappels : Différence d’ordre d

Soit {yt , t ∈ Z} processus et d ∈ N∗ .

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

Rappels : Série intégrée d’ordre d

Soit {yt , t ∈ Z} processus et d ∈ N∗ .

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

Considérons deux processus {y1,t , t ∈ Z} et {y2,t , t ∈ Z}.

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

Cointégration entre deux séries

Soit deux processus {y1,t , y2,t , t ∈ Z} intégrés d’ordre 1, ie I (1).

εt = y1,t − λy2,t soit stationnaire (1)

Le vecteur (1, −λ) est appelé le vecteur de cointégration.

t = y2,t − δy1,t soit stationnaire. (2)

Le vecteur (−δ, 1) est appelé le vecteur de cointégration.

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

Cointégration entre deux séries

Sur le plan économique,

y1,t = λy2,t + εt = λ(δy1,t + t ) + εt

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

Modèle à correction d’erreur (ECM)

Les modèles dits à correction d’erreur,introduits au début des années

B le terme en bleu : Dynamique de court terme (VAR en différence 1re),

Modèle à correction d’erreur (ECM)

Dans le modèle à correction d’erreur (3), les coefficients λ1 , λ2 sont

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

Ensuite on récupère le résidu εbt = y1,t − (δb0 + δb1 y2,t ) et on teste sa

Estimation du Modèle à correction d’erreur (ECM)

Supposons que (y1,t , y2,t ) ∼ CI (1, 1).

Le modèle est validé ssi λ1 est significatif et négatif.

Cointégration entre des séries

Cointégration entre des séries

Cointégration entre des séries

B Le processus (Yt ) est dit cointégré avec r (1 ≤ r ≤ k − 1) relations

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

Modèle à correction d’erreur vectoriel (VECM)

Selon le théorème de représentation de Granger, les séries cointégrées

B le terme en bleu : Dynamique de court terme (VAR en différence 1re),

En général, il existe plusieurs relations de cointégration. De ce fait,

qui mesure la liaison linéaire entre xt et zt .

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

Etape 1 : Calcul des résidus

B On récupère les résidus Ψ1 et Ψ2 respectifs de régressions (8) et (9),

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

B M s’obtient finalement par

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 22 / 34

La matrice M dispose de k valeurs propres réelles θ1 > θ2 > . . . > θk .

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 23 / 34

Pour conduire ce test, Johansen propose 5 spécifications concernant

Boris BAFFO () Séries temp. II - Master Economie (UIPA) 20 mars 2023 25 / 34

B Spécification 4 : Présence d’une tendance linéaire dans les relations de

Une mauvaise spécification peut conduire à des résultats erronés.

t = y2,t − δy1,t soit stationnaire. (2)

y1,t = λy2,t + εt = λ(δy1,t + t ) + εt

∆y2,t = α2 + pi=1 β2,i ∆y1,t−i + pi=1 γ2,i ∆y2,t−i + λ2 εt−1 + 2,t