ARDL : AutoRegressive Distributed Lag

EL WALID BOURASS
Mme. RACHIDA EL YAMANI ABDERAHMAN ERRAFIAI
SOUFIAN OUZIR
 Plan : ARDL
1 Eléments de théorie

Définition ARDL
Objectif d’étude

Justification du choix de la méthode

2 Cas Pratique / Eviews

Les étapes d’application ARDL

Conclusion
Eléments de théorie
AutoRegressive Distributed Lag ARDL
 ARDL :
Les modèles « AutoRegressive Distributed Lag/ARDL », ou « modèles
autorégressifs à retards échelonnés ou distribués » sont des modèles dynamiques.
Ces derniers ont la particularité de prendre en compte la dynamique temporelle
(délai d’ajustement, anticipations, etc.) dans l’explication d’une variable
(série chronologique), améliorant ainsi les prévisions et efficacité des politiques
(décisions, actions, etc.), contrairement au modèle simple (non dynamique) dont
l’explication instantanée (effet immédiat ou non étalé dans le temps) ne restitue
qu’une partie de la variation de la variable à expliquer.
 ARDL :
Les modèles autorégressifs (AR) : sont des modèles dynamiques où l’on trouve,
Parmi les variables explicatives ( X,, ), la variable dépendante décalée
(ses valeurs passées). En général, ils se présentent comme suit (forme implicite) :

Yt= f (Yt-p, Xt ) 1
Le terme « autorégressif » traduit la régression d’une variable sur elle-même, soit sur
ses propres valeurs décalées.
Les modèles à retards échelonnés ou Distributed lag (DL) : sont des modèles
dynamiques qui ont pour variables explicatives : et ses valeurs passées ou décalées.
En général, leur forme est :

Yt= f (Xt, Xt-q ) 2

1 + 2 Yt= f (Yt-p, Xt, Xt-q )

 A- Justification de la méthode économétrique

La plupart des études sur les relations de causalité privilégient la modélisation

VAR pour mettre en évidence les relations entre la consommation d’essence et
Revenu , indice des prix des nouvelles voitures, et la Population . Cependant, la
mise en œuvre de cette méthode exige que les séries soient intégrées d'un même
ordre. Or, dans la plupart des séries macroéconomiques cette condition n'est pas
vérifiée (Nelson et Plosser, 1982). Face à cette insuffisance, Pesaran, Shin
et Smith (2001) ont défini l'approche Auto Regressive Distribution Lag (ARDL) en
prenant en compte les insuffisances du modèle VAR. Cette approche a été utilisée
dans de nombreuses études et Etant donné la nature de nos données et
nos hypothèses de travail, et c’est la raison pour laquelle nous utiliserons
ce modèle dans le cadre de notre travail.
 Objectif d’étude :

L’objectif de notre étude est de chercher la relation ( CT ou LT) existe-t-elle

entre le Revenu (Y), indice des prix des nouvelles Voitures (PNC) et La Population
(pop) sur La consommation d’essence (C) alors on’ a 36 observations annuelle
allant de 1960 jusqu’à 1995, Soit le modèle donc est :

CT= β1 + β2 ( Y ) + β3 ( Pnc ) + β4
( Pop ) + ε
 2ème Partie

Cas Pratique Sur Eviews

 Les étapes de l’ARDL
Description des variables

Test de stationnarité des variables

Test de causalité de Toda-Yamamoto

Estimation du modèle ARDL (Modèle optimal)

Modèle optimal avec le graphique du critère d’information SIC

Test de cointégration de Pesaran et al. (2001)

Relation (coefficients) de long et court termes

 Description des Variables

Parmi les variables Y est le plus volatile

View Descriptive Statistique Common sample OK

Corrélation :

Toutes les variables ont une correlation Positive et Forte entre

elles

Open as groupe Covariance analyse Corrélation et probabilité

 Tests de stationnarité
Variable Désignation Stationnarit Ordre
é d’intégration
Consommatio C DS sans dérive I(1)
n d'essence
Revenu Y DS sans dérive I(1)

Indice des prix Pnc DS sans dérive I(2)

des nouvelles
voitures
Population Pop DS sans dérive I(2)

L’ordre d’intégration est différent pour toutes les séries donc

la cointégration n’existe pas.
 Test de causalité de Toda-Yamamoto

La procédure du test de causalité de Granger proposée par Toda et Yamamoto (1995)

est la suivante :

 Trouver l’ordre d’intégration maximale des séries sous études (dmax) en recourant aux
tests de stationnarité ;

 Déterminer le lag ou décalage optimal du VAR en niveau sous étude (k)

ou polynôme autorégressif (AR) en recourant aux critères d’information (AIC, SIC et HQ)

 Estimer un VAR en niveau augmenté d’ordre « p = k + dmax ».

Open as Var Lag structure Granger Causalité/Bloc

Test de causalité de Toda-Yamamoto
 Test de causalité de Toda-Yamamoto (Suite)

H0:Proba > 5% Absence de causalité

H1:Proba < 5% Présence de causalité

Pop cause au sens de Toda-Yamamoto

CT
Y cause au sens de Toda-Yamamoto
CT
CT cause au sens de Toda-Yamamoto
Y
Pop cause au sens de Toda-Yamamoto
 Estimation du Modèle ARDL

Quick Estimate Equation

ARDL

 P>5% donc C n’est significative

 Forte R2
 Presque la majorité des variable sont significative
 Fc>Ft donc le modèle est significative dans sa
globalité
 Estimation du Modèle ARDL (Suite):
Décalage Optimale:

Le modèle ARDL retenue qui minimise le critére SC est le modèle (1, 1,

0, 0)
View Model Selection summary Criteria Graph
Tests de robustesse du
modèle ARDL estimé
Estimation ARDL (Suite) / Validation
Test d’ Autocorrélation
H0: Présence
d’autocorrélation
H1: Absence d’autocorrélation

La proba<5%, on rejette
l’hypothèse nulle de
présence
d’autocorrélation, alors les
Erreurs de modèle ne sont
pas corrélés.
 Estimation ARDL (Suite) / Validation
Test d’ hétéroscédasticité
H0: M. Homoscédastique
H1: M. Hétéroscédastique

La proba>5%, on accepte
l’hypothèse nulle de
Homoscédasticité
de Modèle .
Estimation ARDL (Suite) / Validation
Test de Normalité
H0: Distribution Normale
H1: Distribution non Normale

La Proba>5% en effet on
accepte L’hypothèse nulle
de la distribution normale
des résidus
Estimation ARDL (Suite) / Validation
Test de Stabilité
H0: M. Stable
H1: M. N’est pas Stable

La proba>5%, on accepte
l’hypothèse nulle de
Stabilité de Modèle .
 Test aux bornes ou de cointégration de Pesaran et al (200
1)

La cointégration entre séries suppose l’existence d’une ou plusieurs relations d’équilibre à

long terme entre elles, lesquelles relations pouvant être combinées avec les dynamiques de
court terme de ces séries dans un modèle (vecteur) à correction d’erreurs qui prend la forme
suivante :

Alors, lorsqu’on dispose de plusieurs variables intégrées d’ordres différents ( I(0), I(1) I(2) ),
l’on peut recourir au test de cointégration de Pesaran et al. (2001) appelé
« test de cointégration aux bornes » ou « bounds test to cointegration »

Quick Coefficient Diagnostics Bonds Tests

 Test aux bornes ou de cointégration de Pesaran et al (2001)

Les Hypothéses Si Fisher > Bond  existence de Cointégration

H0:Existance de cointegration Si Fisher < Bond  Absence de Cointégration
Si Fisher entre les deux on ne peut pas prendre
H1:Absence de cointegration la décision

Fisher < Bound inférieur donc la

cointégration n’existe pas
Relation (coefficients) de court terme
View Coefficient Diagnostics Cointegration and long run form

Coin Eq(-1) est négativement

significative

D(Y): Impact
positivement la variable CT

D(PNC):Impact Négativement
la variable C
Relation (coefficients) de Long terme

Seulement le PNC a un impact

à long terme avec un α de 5%
Thank you