Académique Documents
Professionnel Documents
Culture Documents
On repart des données construites lors de la séance précédente (il faut donc refaire tourner
votre script précédent).
a- Installez sur votre ordinateur les packages nécessaires à l’estimation de modèles VAR
dans R.
install.packages("vars")
library(vars)
c- Écrivez la représentation matricielle du VAR bi-varié que l’on va estimer, ainsi que sa
représentation ligne par ligne.
d- Quelles méthodes d’estimation sont adaptées dans le cas d’un VAR ?
e- Procédez à l’estimation du VAR avec le nombre de retards minimal donné par les
différents critères d’information. Commentez les résultats. Vous pouvez essayer des
spécifications alternatives.
Les séries sont stationnaires donc on peut utiliser les p-value. Il y a 82 observations car on a
supprimé les deux retards qu’on a pris en compte. Les racines du polynôme caractéristiques
doivent toutes être plus petites que 1 en valeur absolue pour avoir la stationnarité. C’est bien
le cas ici.
On a donc sur le premier VAR les coefficients de la première ligne
Et les deuxième var est les coefficients de la seconde ligne.
L’inflation dépend de son propre retard, statistiquement significativement différent de 0. Ce
qui est logique, il y a une certaine inertie dans l’inflation. Le fait qu’elle soit affectée par son
propre retard n’est pas étonnant.
Une variation positive du taux de croissance au retard 1 de une unité fait augmenter l’inflation
de 0,19 environ. Relation positive, ce que nous avions dit.
Inflation retard 2 pas significatif et PIB retard 2 pas significatif
Taux de croissance du Pib dépend positivement de son propre retard. Il ne dépend pas du
retard 1 de l’inflation car cela met du temps à se mettre en place.
Dépend du retard 2 de l’inflation et de signe négatif.
Il y a deux matrices A de taille (2x2) donc 4 paramètres pour chaque matrice. Donc au total
2x4 paramètres pour toutes les matrices : 8 au total. On rajoute aussi les deux termes de la
constante donc 10 au total. 5 paramètres par équation.
Pour estimer la matrice de variance covariance : matrice symétrique donc on fait
On prend 2x2 on retire les termes de la diagonale donc (4-2)/2 donc on en retire 1 seul on a
donc 3 variables à estimer.
Donc au total 13 paramètres à estimer.
Les covariances entre les termes d’erreurs des deux variables sont non nulles. Donc on n’est
pas dans un VAR structurel. On n’a pas de matrice diagonale. Les chocs ne sont pas
orthogonaux.
2) Diagnostics post-estimation
plot(VAR_Estimation)
Premier graphique :
En noir les ce sont les données de IPC.
En pointillé bleu, variable fit donc variable estimée IPC (donnée) estimée
En dessous ce sont les résidus, la différence entre les deux courbes. On demande de respecter
les propriétés d’un processus bruit blanc. Ils ont l’air d’avoir une moyenne nulle. On
constante pas parfaitement constante mais assez quand même. Ils ont pas l’air spécialement
corrélé.
Les résidus ont l’air de respecter les propriétés d’un processus bruit blanc.
Deuxième graphique :
En noir les ce sont les données de PIB
En pointillé bleu, variable fit donc variables estimée PIB (donnée) estimée
En dessous ce sont les résidus, la différence entre les deux courbes. On demande de respecter
les propriétés d’un processus bruit blanc. Ils ont l’air d’avoir une moyenne nulle. On
constante pas parfaitement constante mais assez quand même. Ils ont pas l’air spécialement
corrélé.
Les résidus ont l’air de respecter les propriétés d’un processus bruit blanc.
c- Quelle est l’hypothèse nulle du test effectué ? Les résidus sont-ils autocorrélés ?
Auto<-serial.test(VAR_Estimation,type="PT.asymptotic")
Auto
H0 : absence d’autocorélation
On a la p value > 0,05 donc on accepte H0 donc les résidus ne sont pas autocorrélés
Het<-arch.test(VAR_Estimation,multivariate.only=TRUE)
Het
H0 : homoscédasticité
On a la p value > 0,05 donc on accepte H0 au seuil de 5% mais avec prudence car la p value
est très faible et proche de 5%
On rejette l’hypothèse d’hétéroscédasticité. Attention au seuil de 10% On rejette H0.
e- Quelle est l’hypothèse nulle du test effectué ? Les résidus sont-ils normalement
distribués ?
Norm<-normality.test(VAR_Estimation,multivariate.only=TRUE)
Norm
Dans les 3 cas on accepte H0 car la p value est supérieur à 5% donc on accepte la normalité
des résidus, donc les résidus semblent suivent un processus bruit blanc car ils sont autocorrélé
etc
Stab<-stability(VAR_Estimation, type="OLS-CUSUM")
plot(Stab)
La somme cumulée des résidu reste a peu près dans une même zone donc il n’y a pas de break
structurel évident.
On choisit 9 retards donc il y a 9 matrices A_p à estimer avec 4 paramètres chacune car c’est
un var bi varié donc 2X2. Ainsi il y a 9X4 = 36 paramètres pour les matrices + 2 paramètres
de constantes. On rajoute les 3 paramètres de la matrice variance covariance.