Les modèles VAR Pr.

Gourch

Les modèles VAR et VECM

Introduction.
I. Les modèles VAR
I.1. Définition et caractéristiques des VAR (p)
I.1.1. Définition
I.1.2. Etude de la stationnarité
I.1.3. Le concept de causalité
I.2. Estimation et spécification des VAR (p)
I.2.1. Méthode d’estimation
I.2.2. Détermination du nombre de retard
I.2.3. La prévision
I.3. Application : Spécification, estimation et prévision d’un modèle VAR.
II. Les modèles VECM
II.1. Concept de cointégration
II.1.1. Propriétés de l’ordre d’intégration d’une série
II.1.2. Modèle à correction d’erreur (ECM)
II.2. Concept de cointégration entre K variables
II.2.1 : cointégration entre K variables
II.2.2. Modèle à correction d’erreur (VECM)

1
Les modèles VAR Pr. Gourch

Introduction
L’explication des phénomènes économiques par une seule équation demeure
insuffisante d’où la nécessité de recourir à plus d’équations pour l’explication de
ces phénomènes, c’est le cas des MES (modèles à équations simultanées) dans
lesquels une variable endogène d’une équation est variable exogène d’une autre.
Il arrive aussi que dans l’étude des phénomènes économiques à une équation, la
variable intervient avec un ou plusieurs retards comme variable explicative.
Dans un tel cas on est en présence d’un processus autorégressif AR (p) avec
p = 1 ,2…
En faisant intervenir (dans l’analyse dynamique des phénomènes économiques)-
plusieurs variables endogènes expliquées par leurs valeurs retardées et par les
valeurs courantes (ou retardées) d’une autre variable endogène, on se retrouve
alors avec des vecteurs autorégressifs (VAR).
Donc Les VAR sont une combinaison des modèles à équations simultanées et
des processus autorégressifs.
Toutefois, la majorité des propriétés statistiques des modèles d’estimation ne
s’appliquent qu’à des variables stationnaires, mais cette situation n’est pas
souvent observée au niveau des séries économiques et le fait de les traiter
comme des variables stationnaires introduit un grand biais qui peut remettre en
cause la qualité des estimations.
Dans leur article publié en 19871, Engel et Granger ont montré que des variables
non stationnaires étaient généralement liées par des relations de cointégration, et
que ces relations devaient être prises en compte pour l'estimation et la prévision.
Il est donc apparu que l'on ne pouvait se contenter de stationnariser les variables
par différentiation avant d'étudier leurs relations, pour éviter des régressions
erronées résultant de leurs utilisation, du fait que de telles régressions peuvent
indiquer que les variables sont corrélées alors qu’en fait elles ne le sont pas.

1
Engel R.F. et Granger C.W.J. “Co-Integration and Error Correction: Representation, Estimation, and Testing”,
Econometrica, Vol. 55, No. 2. (March, 1987), pp. 251-276

2
Les modèles VAR Pr. Gourch

Donc toute procédure de modélisation économique doit examiner en premier la

stationnarité des variables et appliquer la théorie de cointégration si celle-ci
n’est pas vérifiée.

3
Les modèles VAR Pr. Gourch

I. Définition et caractéristiques des VAR (p)

I.1 : Définition
On s’intéresse par exemple aux déterminants de la consommation ( 𝐶𝑡 ) des
ménages ; la première variable à retenir l’attention serait naturellement le revenu
courant ( 𝑅𝑡 ) de ces ménages ; cependant le revenu n’est pas le seul responsable
du niveau de consommation ; en effet, même en ayant un niveau de revenu
similaire, deux individus peuvent consommer des quantités différentes d’un
bien ; on peut dire que cette différence est due à leurs consommations
respectives pendant la période antérieure (𝐶t-1 ) ; on peut écrire :

𝐶t= 𝑎0+𝑎1 𝑅t+ 𝑎2 𝐶t-1+ℇ1t (1)

Par ailleurs, on peut s’intéresser de même aux déterminants du revenu courant

de ces ménages ; une présentation simplifiée consiste à considérer que le revenu
courant est fonction du revenu (𝑅t-1) et de la consommation (𝐶t-1) de la période
antérieure ; d’où on peut écrire :

𝑅t= 𝑏0+𝑏1 𝑅t-1+ 𝑏2 𝐶t-1+ℇ2t (2)

En considérant simultanément les équations (1) et (2) on obtient le système

suivant (3) :
𝐶t= 𝑎0+𝑎1 𝑅t+ 𝑎2 𝐶t-1+ℇ1t
(3)
𝑅t= 𝑏0+𝑏1 𝑅t-1+ 𝑏2 𝐶t-1+ℇ2t

Ce système est la forme structurelle d’un modèle à équation simultanées dont la

forme réduite peut être obtenue en remplaçant Rt par son expression dans
l’équation de Ct d’où on a :

4
Les modèles VAR Pr. Gourch

𝐶t = 𝛼0+𝛼1 𝑅t-1+ 𝛼2 𝐶t-1+𝑢1t

(4)
𝑅t = 𝛽0+𝛽1 𝑅t-1+ 𝛽2 𝐶t-1+𝑢2t
L’écriture matricielle du système (4) sera :
𝑌t=𝐴+𝐵𝑌t-1+ 𝑈t (5)
Où :
𝑌t = (𝐶t , 𝑅t)′ ; 𝑌t-1 = ( 𝐶t-1, 𝑅t-1)′ ; 𝐴 = (𝛼0 , 𝛽0)′ ; 𝑈𝑡 = (𝑢1t , 𝑢2t)′
𝛼1 𝛼2
et 𝐵= 𝛽 𝛽
1 2

Cette forme matricielle du système (4) ressemble beaucoup à un processus

autorégressif d’ordre 1 ; sauf que ses différentes composantes sont des vecteurs
(sauf B qui est une matrice). Il s’agit donc d’un processus vecteur autorégressif
d’ordre 1(VAR (1)).
Il en résulte qu’un processus vecteur autorégressif d’ordre p [VAR (p)] est un
processus autorégressif [AR (p)] dont les variables sont des vecteurs et les
paramètres sont des matrices.
Reprenons le système (3) avec n variables et p retards. En d’autres termes, nous
le généralisons comme suit :
𝑦1t= 𝛼0+𝛼1t𝑦1t-1+…+𝛼1p𝑦1t-p+…+𝛽1p𝑦2t-p+…+𝛿1t𝑦nt-1+𝛿1p 𝑦nt-p +𝑢1t
𝑦2t=𝛽0+𝛼2t 𝑦1t-1+…+𝛼2p 𝑦1t-p +…+𝛽2p 𝑦2t-p +…+𝛿2t 𝑦 nt-1+𝛿2p 𝑦nt-p +𝑢2t
.
. (6)
.
𝑦nt = 𝜃0+𝛼nt 𝑦1t-1+…+ 𝛼np 𝑦1t-p +…+ 𝛽np 𝑦2t-p +…+ 𝛿nt 𝑦 nt-1+ 𝛿np 𝑦nt-p +𝑢nt

5
Les modèles VAR Pr. Gourch

En posant :
𝑌t= (𝑦1t, y2t,……. 𝑦nt)′ ;
𝐴 = (𝑦nt, 𝛽0,……. 𝜃0)′ ;
𝑌t-1= (𝑦1t-1, 𝑦2t-1,……. 𝑦nt-1)′ ;
𝑌t-2= (𝑦1t-2, 𝑦2t-2,……. 𝑦nt-2)′ ;
.
.
.

𝑌t-p = (𝑦1t-p, 𝑦2t-p,……. 𝑦nt-p)′ ;

𝑈t= (𝑢1t, 𝑢2t,……. 𝑢nt)′
𝛼1𝑡 𝛽1𝑡 … 𝛿1𝑡 𝛼1𝑝 𝛽1𝑝 … 𝛿1𝑝
𝐵1 = 𝛼2𝑡 𝛽1𝑡 … 𝛿1𝑡 𝐵2 = 𝛼2𝑝 𝛽1𝑝 … 𝛿1𝑝
𝛼𝑛𝑡 𝛽𝑛𝑡 … 𝛿𝑛𝑡 𝛼𝑛𝑝 𝛽𝑛𝑝 … 𝛿𝑛𝑝

Le système (6) peut s’écrire en référence aux équations (4) et (5) :

𝑌t=𝐴 + 𝐵1𝑌t-1 + 𝐵2𝑌t-2 + ⋯ + 𝐵p𝑌t-p + 𝑈t (7)

I.2. Etude de la stationnarité

Comme dans l’étude des AR (p), un VAR (p) est dit stationnaire si est seulement
si ses moments non centrés sont indépendants du temps ; c’est-à-dire :
• 𝐸 (𝑌t) = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 ∀t
• 𝑉𝑎𝑟 (𝑌t) <∞ ∀t
• 𝐶𝑜𝑣 (𝑌t, 𝑌t-1) = 𝛾k ∀t
Ces conditions impliquent qu’un VAR (p) stationnaire ne doit avoir ni trend, ni
saisonnalité, ni racine unitaire ; c’est-à-dire que les matrices 𝐵𝑖 de l’équation (6)
lim
doivent être séquentiellement stables 𝐵𝑖, = 0𝑛 .
𝑡→∞

Mathématiquement, cela revient à :

1. Déterminer le polynôme caractéristique de chacun des 𝐵i

6
Les modèles VAR Pr. Gourch

2. Calculer à partir de ces polynômes caractéristiques les valeurs propres ; à

cet effet, on s’assurera que les 𝐵i sont diagonalisables.
3. En déduire que : 𝐵𝑖′= 𝑃−1 𝐷𝑖′ 𝑃
𝜆1𝑡 0 0
𝐷𝑖′ = 0 𝜆𝑡2 0
0 0 𝜆𝑡𝑛
et P est une matrice de passage constituée par les vecteurs propres de Bi Ainsi,
lim
𝐵𝑖, = 0𝑛 ⇔ 𝐷𝑖′ → 𝑛 si est seulement si i <1.
𝑡→∞

D’où Bi serait séquentiellement stable, c’est-à-dire que le processus serait dit

stationnaire, si est seulement si 𝛌i <1.
Reprenons notre modèle de consommation en fonction du revenu, présenté ci-
dessus, à un retard et deux variables endogènes : 𝑌𝑡 =𝐴+𝐵𝑌𝑡−1+ 𝑈𝑡
0,008 0,4610
En admettant que : 𝐵 =
0,232 0,297
Le processus serait stationnaire si les racines de l’équation :
Det B – 𝜆I = 0 ⇔ 𝜆2 − 0,305λ − 0,104576 = 0
Sont en valeurs absolues inférieures à l’unité ; Cette équation donne :
𝜆1 = −0, 206 𝑒𝑡 𝜆2 = 0,51
D’où |𝜆𝑖 |<1 ; il en résulte que le processus de consommation et revenu
correspondant est stationnaire.
I.3. Le concept de causalité :
a- Définition du concept
𝑅𝑡 et 𝐶𝑡 étant des variables aléatoires représentant respectivement le revenu et la
consommation, on dira que le revenu est de « causalité de Granger » avec la
consommation si est seulement si les informations courantes et passées de cette
dernière aident dans la prévision du revenu. En d’autres termes, le revenu est de
causalité avec la consommation au sens de Granger si le revenu peut être prédit
de façon efficiente quand les informations présentes et retardées sur la
consommation ont été prises en compte dans l’ensemble de l’univers explicatif
7
Les modèles VAR Pr. Gourch

du revenu. Pour ce qui concerne les systèmes bivariables, comme l’exemple du

modèle consommation/revenu, la causalité de Granger forme un système de
feed-back ; c’est-à-dire on définit de façon analogue la causalité de la
consommation avec le revenu.
𝐶𝑡= 𝑎0+𝑎1 𝑅𝑡+ 𝑎2 𝐶𝑡−1+ℇ1𝑡
𝑅𝑡= 𝑏0+𝑏1 𝑅𝑡−1+ 𝑏2 𝐶𝑡−1+ℇ2𝑡
b- Test de non-causalité
Nous pouvons tester la causalité de la consommation par rapport au revenu,
exprimé par l’équation suivante :
𝐶𝑡= 𝑎0 𝑅𝑡+𝑎1 𝑅𝑡−1+ 𝑎2 𝑅𝑡−2+⋯+𝑎𝑝 𝑅𝑡−𝑝+𝑏1𝐶𝑡−1+𝑏0+ℇ1𝑡
Pour cela on pose les hypothèses suivantes :
𝐻0∶ 𝑎0 = 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑝 = 0
𝐻1∶ 𝑎0 ≠ 0 𝑜𝑢 𝑎1≠ 0 𝑜𝑢 𝑎2≠ 0 … 𝑜𝑢 𝑎𝑝≠ 0
𝐻0 : L’hypothèse de non-causalité entre les variables.
𝐻1 : L’hypothèse de causalité.
𝑆𝐶𝑅𝑐 −𝑆𝐶𝑅𝑠
Pour effectuer ce test, on utilise la statistique de Fisher : 𝜆 =
𝑝𝜎 2

𝜆 suit une loi de Fischer à (p,n-2 ; p-1) degré de liberté

Avec :
SCRc est la somme des carrés des résidus avec restriction (suppression des
variables) ;
p est l’ordre du vecteur autorégressif ;
n est le nombre d’observations ;
SCRs est la somme des carrés des résidus sans restriction.
Décision : Pour un seuil 𝛼 donné, on rejettera toujours 𝐻0 pour les valeurs
extrêmes de 𝜆 c’est-à-dire pour 𝜆 >𝐹théo, avec 𝐹théo la valeur lue de F dans la
table de Fisher.
Remarque : Pour les VAR (1), le test de Fisher correspond au test de
signification des paramètres.

8
Les modèles VAR Pr. Gourch

9
Les modèles VAR Pr. Gourch

II. Estimation et spécification des VAR (p)

II.1. Méthode d’estimation
Dans le cas d’un processus VAR, chacune des équations peut être estimée par
les MCO, indépendamment les unes des autres (ou par une méthode de
maximum de vraisemblance).
Soit le modèle VAR(p) estimé :
Yt =A0 + A1Yt-1 + A2Yt-2 +…+ ApYt-p+ et
e étant le vecteur de dimension (k, 1) des résidus d’estimation e1t, e2t,…….,ekt
et on note ∑ 𝑒 la matrice des variances covariances estimée des résidus de
modèle.
Les coefficients du processus VAR ne peuvent être estimés qu’à partir de séries
stationnaires. Ainsi, après étude des caractéristiques des chroniques, soit les
séries sont stationnarisées par différence, préalablement à l’estimation des
paramètres dans le cas d’une tendance stochastique soit il est possible d’ajouter
une composante tendance à la spécification VAR, dans le cas d’une tendance
déterministe.
De même, nous pouvons ajouter à la spécification VAR des variables binaires
afin de corriger un mouvement saisonnier ou une période anormale.
II.2. Détermination du nombre de retards
Pour déterminer le nombre de retards d’un modèle à retards échelonnés, nous
utilisons les critères d’AKAIKE et de SCHWARZ. Dans le cas de la
présentation VAR, ces critères peuvent être utilisés pour déterminer l’ordre p du
modèle. La procédure de sélection de l’ordre de la représentation consiste à
estimer tous les modèles VAR pour un ordre allant de 0 à h (h étant le retard
maximum admissible par la théorie économique ou par les données disponibles).
Les fonctions AIC(p) et SC(p) sont calculées de la manière suivante :
2𝑘 2 𝑝
𝐴𝐼𝐶(𝑝) = 𝐿𝑛[𝑑𝑒𝑡 |∑ 𝑒|] +
𝑛

10
Les modèles VAR Pr. Gourch

𝑘 2 𝑝𝐿𝑛(𝑛)
𝑆𝐶(𝑝) = 𝐿𝑛[𝑑𝑒𝑡 |∑ 𝑒|] +
𝑛

Avec, k : nombre de variables du système; n : nombre d’observations ;

p : nombre de retards ; ∑ 𝑒 matrice des variances covariances des résidus du
modèle.
Le retard p qui minimise les critères AIC ou SC est retenu.
II.3. Prévision
Les coefficients du modèle étant estimés, la prévision peut être calculée en n à
l’horizon d’une période, par exemple pour un VAR(1), de la manière suivante :
𝑌𝑛 (1) =𝐴0+ 𝐴1 𝑌n
A l’horizon de 2 périodes, la prévision est :
𝑌n (2) =𝐴0+ 𝐴1 𝑌𝑛1 =𝐴0+ 𝐴0𝐴1 +𝐴12𝑌𝑛
A l’horizon de 3 périodes, la prévision est :
𝑌n (3) =𝐴0+ 𝐴1𝑌𝑛2 =𝐴0(𝐼+𝐴1+𝐴12) +𝐴13 𝑌𝑛
.
.
.
etc
L’Espérance de l’erreur de prévision est nulle, sa variance est donnée par :
′
∑ 𝑒 (ℎ) = 𝑀0 + ∑ 𝑒 𝑀0′ + 𝑀1 + ∑ 𝑒 𝑀1′ + 𝑀2 + ∑ 𝑒 𝑀2′ + … + 𝑀ℎ−1 + ∑ 𝑒 𝑀ℎ−1

Où M𝑖 est calculé par la formule de récurrence suivante :

min (𝑝,𝑖)

𝑀𝑖 = ∑ 𝐴𝑗 𝑀𝑗−𝑖 𝑖 = 1, 2, 3, … , 𝑒𝑡 𝑀0 = 𝐼
𝑗=1

Ainsi il vient :
𝑀1 = 𝐴1 ; 𝑀2 = 𝐴1 𝑀1 + 𝐴2 𝑀0 = 𝐴12 + 𝐴2 ; 𝑀3 = 𝐴13 + 𝐴1 𝐴2 + 𝐴2 𝐴1 + 𝐴3 … 𝑒𝑡𝑐
La variance de l’erreur de prévision pour des k variables (𝜎𝑛2 (ℎ)) se lit sur la
diagonale de la matrice ∑ 𝑒 (ℎ).
L’intervalle de prévision au seuil de (1−𝛼/2) est donné par 𝑌𝑛(h) = 𝑡𝛼/2 ∗𝜎𝑛 (ℎ) ;
avec 𝑡𝛼/2 valeur de la loi normale.

11