II.3 Modélisation de la relation entre les deux
séries
II.3.1 Première période
a) Test de cointégration
Pour la première période, on a constaté
que les deux séries LWTI et LIMS sont intégrées de
même ordre donc la condition nécessaire de cointégration
est vérifiée. On passe alors à la deuxième
étape qui est l'estimation de relation à long terme entre les
deux séries. L'estimation par le MCO est donnée par le tableau
suivant :
Tableau6 : Estimation de la relation statique entre LWTI
et LIMS pour la première période
On va récupérer par la suite les résidus
issus de cette régression et tester leur stationnarité. Le
résultat du test ADF est présenté dans ce
tableau :
Tableau7 : Test ADF sur les résidus de la relation
statique pour la première période
Le nombre de retard dans ce cas est égal à 0 et
il est déterminé à partir des auto-corrélations
partielles de la série des résidus en différence
première. Le modèle adopté est celui sans tendance ni
constante et qui vérifie la stationnarité des résidus de
fait que la statistique du test ADF (-2.060602) est inférieur à
la valeur critique au niveau du risque 5% (-1.945987). La deuxième
condition de cointégration est vérifiée donc on passe
à l'estimation du modèle à correction d'erreur (MCE).
b) Modèle à correction
d'erreur
L'équation de la relation du modèle dynamique
(Court terme) est la suivante :
Avec est la
force de rappel et elle doit être significative et négative.
L'estimation de cette relation par MCO donne le
résultat suivant :
Tableau8 : Estimation du modèle à correction
d'erreur
Il est bien clair, que la force de rappel est négative
(-0.068987), mais elle n'est pas significative au risque 5%. Si on la compare
à 10% du risque, on constate que la représentation MCE est
valide à ce niveau du risque (0.0691<0.1).
Ä Ceci implique qu'en cas de perturbation sur le
marché financier, le prix du pétrole subit un impact significatif
à court terme.
II.3.2 Deuxième période
Pour la deuxième période, on a constaté
que les deux séries LWTI et LIMS ne sont pas intégrées de
même ordre donc elles ne sont pas et elles ne peuvent pas être
cointégrées.
Ä Ceci implique qu'en cas de stabilité
financière, la situation du marché financier n'a aucun effet sur
le marché du pétrole.
II.3.3 Troisième période
a) Test de cointégration
Concernant la troisième période, qui est la
période de la crise récente, les deux séries LWTI et LIMS
sont intégrées de même ordre ((LWTI~>I(1) et
LIMS~>I(1)). La condition nécessaire de cointégration est
vérifiée donc on estime par la méthode de MCO la relation
à long terme entre les variables.
La régression est donnée par le tableau
suivant :
Tableau9 : Estimation de la relation statique entre LWTI et
LIMS pour la troisième période
Puis, on va récupérer les résidus et
appliquer le test ADF afin de vérifier s'ils sont stationnaires ou pas.
Le nombre de retard dans ce cas est égal à 1 et il est
déterminé à partir des auto-corrélations partielles
de la série des résidus en différences première
notée D(R). Si les résidus sont stationnaires, une relation de
cointégration peut être en vigueur. Si les résidus sont,
paradoxalement, non stationnaires, nous établirons une
modélisation VAR.
En effet, On a estimé le modèle par le MCO et on
a adopté celui sans tendance ni constante ce qui donne le
résultat présentée dans le tableau ci dessous :
Tableau10 : Test ADF sur les résidus de la relation
statique pour la troisième période
La statistique du test ADF est égale à
(-1.286639) est supérieur à la valeur critique pour tous les
seuils du risque (1%, 5% et 10%), donc on accepte l'hypothèse nulle du
test c'est-à-dire la non stationnarité des résidus. Cela
implique que la deuxième condition nécessaire n'est pas
vérifiée donc il n'existe pas de relation de
cointégration entre les deux séries LWTI et LIMS.
b) Modélisation Vectorielle
Autorégressive
La modélisation vectorielle autorégressive (VAR)
a pour objectif de décrire les interdépendances entre un ensemble
de variables à court terme, il est préférable de faire a
priori le test de causalité entre les différentes variables afin
d'éliminer les variables qui ne participent pas dans l'explication de la
variable exogène.
Après l'estimation du modèle VAR, une
étape de validation est nécessaire : notons cependant qu'il
convient d'examiner attentivement les résidus, faire l'analyse de
réponse impulsionnelle et la décomposition de la variance de
l'erreur de prévision.
b-i) Teste de causalité
La question quand doit poser avant d'établir un VAR est
s'il existe une relation de causalité entre les différentes
variables du système. La notion de causalité introduite par
Granger est définie en terme de prévision: une variable
x cause une variable y si x contient une information
permettant d'améliorer la prévision de y.
Après estimer un modèle VAR des séries
LIMS et LWTI en niveau, nous cherchons le nombre de retard à adopter
dans le teste de causalité.
Tableau11 : Nombre de retard de la représentation
VAR des séries en niveau
Le nombre de retard choisi est celui qui minimise le
critère AIC, dans notre cas on prend p=2. Ainsi un modèle
VAR(1).
Soit le modèle VAR(1) pour lequel les variables Xt
et Yt sont stationnaires :
Le test de causalité repose sur les deux
hypothèses suivantes :
Yt ne cause pas Xt si on accepte H0
Xt ne cause pas Yt si on accepte H0
Dans notre cas, Xt= DLWTI et Yt= DLIMS.
Tableau 12 : Test de causalité au sens de Granger
entre DLWTI et DLIMS
Le résultat du test de causalité confirme,
à un niveau de risque de 10%, que la situation sur le marché
financier représentée par la série DLIMS a un effet sur le
mouvement du prix du pétrole (DLWTI); alors que le sens inverse de
causalité n'est pas vérifié.
Ä Ceci implique qu'en cas de crise
financière, la nervosité cause significativement le prix du
pétrole.
b-ii) Estimation du modèle VAR
Le modèle VAR(1) adopté est le suivant :
Tableau 13 : Présentation du modèle VAR
entre DLWTI et DLIMS
Donc, la relation à court terme entre l'indice de crise
(IMS) et le prix du pétrole (WTI) est donnée par :
DLWTI= -0.008493+0.068650 DLWTI (-1) +0.023544 DLIMS
(-1)
b-iii) Validation du modèle VAR
ü Test sur les résidus
- Test d'auto-corrélation
Il existe un grand nombre de test d'absence de
corrélation ; nous allons utiliser
l' « auto-corrélation LM test » qui fait
l'objet de tester le caractère non auto-corrélation des
résidus. L'hypothèse nulle est qu'il y a absence
d'auto-corrélation contre l'hypothèse alternative
d'existence d'auto-corrélation.
Le résultat d'estimation est le suivant :
Tableau 14 : Test d'auto-corrélation des
résidus
A l'égard de ce résultat, on constate l'absence
d'auto-corrélation ; puisque LM-stat, pour un nombre de retard
égale à 12, est inferieur à la valeur de khi-deux au
niveau de risque 5% (21.0261).
- Test d'homoscédasticité
On parle d'homoscédasticité lorsque la variance
est constante. Plusieurs tests ont l'objet de tester
l'homoscédasticité dont on peut citer le test ARCH, le test de
Breusch-Pagan et le test de White dont l'hypothèse nulle est
H0 :l'homoscédasticité contre H1 :
l'hétéroscédasticité. Si la probabilité
associée au test est inférieur au niveau de risque alors on
rejette l'hypothèse nulle.
Le résultat du test d'homoscédasticité
des résidus du modèle VAR est le suivant :
Tableau 15 : Test d'homoscédasticité des
résidus
On constate que la probabilité inférieur au
niveau du risque 5% donc on rejette H0, donc les résidus sont
hétéroscédastiques.
- Les réponses d'impulsions
Les réponses d'impulsions de la série DLIMS sur
la série DLWTI sont représentées dans la figure
suivante.
Figure8 : Réponses d'impulsions de la série DLIMS
sur la série DLWTI
On observe une légère augmentation du rendement
du prix du pétrole d'environ 10% alentours de la deuxième
période, ainsi qu'une diminution de 5% alentours de la troisième
période pour se stabiliser à partir de la cinquième
période.
- La décomposition de la
variance
La décomposition de la variance constitue aussi un
outil d'analyse pour déterminer l'importance relative d'un choc
financier pour expliquer la volatilité du prix du pétrole.
Nous effectuons cette décomposition afin de constater
la contribution de choc de rendement de l'indice de crise IMS à
l'explication de la variance de prévision des rendements du prix du
pétrole et de suggérer qu'une véritable crise
financière est une source importante de volatilité pour le cours
du brut.
Figure9 : Part de la variance de DLWTI expliquée par
DLIMS
En effet, à partir de la deuxième
période, presque 2% de la variance du rendement du prix du
pétrole est expliquée par la variance des rendements de l'indice
de crise. Cette part n'est pas assez importante, mais on ne peut pas la
négliger.
|