Econométrie des séries temporelles multi-variées

Université Paris Nanterre

M1 EA et MBFA-GDA
2023-2024

Fiche de travail pour la séance de TD 2 : Estimation d’un VAR bi-varié

On repart des données construites lors de la séance précédente (il faut donc refaire tourner
votre script précédent).

1) Estimation d’un VAR bi-varié

a- Installez sur votre ordinateur les packages nécessaires à l’estimation de modèles VAR
dans R.

install.packages("vars")
library(vars)

b- Rappelez comment s’effectue le choix du nombre de retards dans un VAR.

Implémentez cela dans R. Quel nombre de retards retenez-vous ? Pourquoi ?

lag<-VARselect(VAR1_group, lag.max=10, type="const")

lag$selection

On utilise la minimisation de certains critère d’information : arbitrage entre la qualité

d’ajustement et la parcimonie du modèle. La qualité augmente avec le nombre de retards. La
parcimonie diminue avec le nombre de retards. Les critères diffèrent, on garde un pouvoir de
choix. Les critères d’informations donnent différents nombres de retards. Il faut donc réfléchir
pour savoir lequel choisir.
On pourrait choisir 2 : c’est plus logique de prendre un nombre plus petit car on a 89
observations. Cela permet d’avoir une parcimonie tout en augmentant la qualité du modèle.
Si on choisit 9 : alors on aurait beaucoup de retards à estimer parmi les 89 observations
totales. On peut tout de même le choisir car deux critères nous ont donné 9.

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 ?

Faire les MCO ou les moindres carrés multivariés

Ou le maximum de vraisemblance qui est le cas le plus général.

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.

VAR_Estimation<-VAR(VAR1_group, p=2, type="const")

summary(VAR_Estimation)

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.

f- Combien y a-t-il de paramètres estimés dans ce VAR ?

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.

g- Commentez la matrice de variance-covariance des résidus.

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

a- Que faut-il vérifier après l’estimation d’un VAR ?

Vérifier que les résidus sont des processus bruit blanc donc pas auto corrélé. On va vérifier
que les résidus sont homoscédastiques (constance de la variance). On va également vérifier
leur normalité , qu’il suivent une distribution normale. On peut vérifier s’il y a une sorte de
break structurel qui apparait dans les résidus.

b- Que représentent les différents graphiques générés à partir de la commande donnée

ci-dessous ? Sur le premier graphique, que représente la courbe noire pleine et que
représente la courbe bleue en pointillés ? Que pensez-vous des résidus post-
estimation ? N’oubliez pas de regarder également la deuxième page de graphiques.

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

d- Quelle est l’hypothèse nulle du test effectué ? Les résidus sont-ils

homoscédastiques ?

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

f- Semble t-il y avoir des breaks structurels dans les résidus ?

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.

g- Refaites l’estimation en choisissant un autre nombre de retards (à justifier). Refaites

les différents tests post-estimation. Commentez. Combien de paramètres faut-il
estimer dans ce nouveau VAR ?

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.

h- Que concluez-vous sur l’estimation du VAR bi-varié ?

On remarque que de l’hétéroscédasticité se crée quand on prend 9 retards. Il n’y a pas

d’autocorrélation et on accepte également la normalité. Cependant les résidus ne sont plus
homoscédastiques. Il est donc préférable de prendre 2 retards.