I.4.2 Modèle de cointégration
L'analyse de la cointégration présentée
par Granger(1981) et Engel and Granger(1987) est considérée comme
un des concepts les plus importants dans le domaine d'économétrie
et de l'analyse des séries temporelles.
a) Les conditions de
cointégration :
Deux séries Xt et Yt sont dites
cointégrées si les deux conditions suivantes sont
vérifiées.
- Les deux séries doivent être
intégrées de même ordre.
- Une combinaison linéaire de ces séries donne
une série d'ordre d'intégration inférieur
Soient deux séries Xt et Yt
intégrées d'ordre 1 (Xt~>(1) ; Yt
~>(1)) et soit la relation estimée par le MCO entre ces deux
séries est la suivante :
Si ~> I(0), c'est-à-dire les résidus sont
stationnaires alors les séries Xt et Yt sont
cointégrées et on note Xt,
Yt~>CI(1,1).
b) Test de cointégration entre deux
variables
Pour tester la cointégration entre deux variables,
Engel et Granger ont proposé un algorithme en deux
étapes :
Première étape : Pour que
deux séries peuvent être cointégrées, il faut
quelles soient intégrées de même ordre. Il convient donc de
déterminer l'ordre d'intégration de chaque série à
l'aide des tests de stationnarité ou de non stationnarité
(Dickey-Fuller Augmente, Phillips-Perron, KPSS...).
Si les deux séries ne sont pas intégrées
de même ordre alors la procédure s'arrête à cette
première étape.
Deuxième étape : Si la
première condition est vérifiée, on estime par les MCO la
relation de long terme entre les variables : .La
relation de cointégration est acceptée lorsque le vecteur
résiduel issu de
cette régression est stationnaire ~>I(0).
La stationnarité du résidu est testée
à l'aide des tests usuels de stationnarité.
c) Estimation du modèle à correction
d'erreur (MCE)
Lorsque deux séries sont non stationnaires et
cointégrées, il convient d'estimer leur relation par un
modèle de correction d'erreur. Cette estimation se fait en deux
étapes.
- Etape1 : Estimation par les MCO de la relation de long
terme :
- Etape2 : Estimation par les MCO de la relation du
modèle dynamique de court terme : ; avec
est la
force de rappel vers l'équilibre de long terme et elle doit être
significativement négative.
I.4.3 Modèle VAR
a) Présentation du modèle
VAR
L'absence de cointégration entre deux séries non
stationnaires Xt et Yt et l'existence d'une
causalité entre les séries stationnaires par différence
première DXt et DYt nous permet d'estimer un
modèle VAR.
Le modèle VAR(p) « Vector
Autorgressive » à deux variables et p retard
s'écrit :
Sous forme matricielle, le modèle VAR(p) est
noté comme suit :
Avec : Les variables Xt et Yt sont
stationnaires.
Les perturbations et sont
deux bruits blanc homoscédastiques et non
auto-corrélées.
b) Estimation du modèle VAR
Dans le cas du modèle VAR, chacune des équations
peut être estimée par la méthode des MCO
indépendamment les unes aux autres. Il est préférable de
faire un test de causalité au sens de Granger avant de chercher à
estimer le modèle VAR.
Après l'estimation de ce modèle, on effectue
des tests sur les résidus afin de valider ce processus. Ces tests
doivent prouver l'absence d'auto-corrélation et
l'homoscédasticité des résidus.
|