III.1.6.2.2. Options
Méthodologiques
Les méthodes économétriques que nous
utilisons dans cette étude sont basée sur la modélisation
VAR. les avantages de cette modélisation sont nombreux par rapport aux
approches traditionnelles des équations structurelles. Outre le fait
qu'elle résout le problème d'endogeneité potentielle des
variables inhérentes aux modèles structurels, la
modélisation VAR permet quatre application différentes : des
prévisions, une analyse en terme de causalité, une simulation de
politiques économiques à partir des fonctions de réponses
traduisant la propagation des chocs et des décompositions historiques
des chocs. La notion de causalité généralement
utilisée et que nous retenions ici, est celle de Granger. Une variable Y
cause au sens de Granger une variable X si les valeurs passées de Y
contribuent à expliquer la valeur contemporaine de x par rapport aux
seules valeurs passées de cette dernière.
Sur le plan statistique, le test de causalité au
sens de Granger revient à un test de significativité globale
causale dans l'équation de la variable causée. Mais le cadre
théorique de cette inférence statistique suppose que les
variables soient stationnaires.
Deux grandes familles de tests de causalité au
sens de Granger, sont envisageables. On distingue, en premier lieu, les
procédures de tests dites séquentielles qui imposent
d'étudier de manière précise la stationnarité des
séries en jeu et la présence éventuelle d'une relation de
cointégration avant de conduire le test de causalité. Lorsque les
séries sont intégrées d'ordre un et
cointégrées, l'estimation d'un VAR en différences
premières n'est pas appropriée, il convient de
reparamétrer le modèle sous la forme d'un modèle vectoriel
à correction d'erreur.
L'existence d'une relation de cointégration
suggère une causalité dans au moins une direction. Les
procédures séquentielles permettent ainsi d'effectuer un test de
causalité sur la dimension de court terme et un test sur la dimension de
long terme.
Cependant, le recours à ce protocole de tests
préliminaire peut conduire à des biais importants potentiels
à chaque étape tels que l'inférence causale devienne
incertaine. D'une part, on sait que la puissance des tests de racines unitaires
est faible pour des petits échantillons et rien n'indique que l'on
élimine totalement les biais par une combinaison de tests de racines
unitaires.
D'autre part, comme le montre par simulation Toda (1995),
puis Cheung et Lai (1993), le test de cointégration de Johannsen sur
échantillon réduit dépend d'un certain nombre de
paramètres (nombre d'observation, ordre d'intégration des
variables, nombre de retards, présence ou non de tendances
déterministes). Il en résulte un risque de biais
supplémentaire qui s'ajoute à celui des tests de racines
unitaires et rend moins probants les résultats de l'inférence
causale.
Selon Toda et Yamamoto (1995), ce qui importe
fondamentalement pour l'économiste n'est pas de savoir si les variables
sont intégrées voire cointégrées, mais de tester
des restrictions matérialisant des hypothèses théoriques.
C'est en cela que les procédures non séquentielles de test de
causalité pouvant s'abstraire des tests préliminaires de
cointégration prend tout leurs sens.
Ces procédures consistent à effectuer des
estimations corrigées de VAR pour tenir compte d'une éventuelle
relation de cointégration, sans pour autant étudier explicitement
cette cointégration.
Ce faisant, elles permettent en un unique test de valider
l'existence d'une causalité globalement sur le court et le long
terme.
Le test de causalité développé par
Toda et Yamamoto permet d'étudier la causalité dans un
système de variables non stationnaires intégrées d'ordres
différents. La nécessité d'étudier la
cointégration est outre passée par une surparamétrisation
non optimale du VAR. l'unique condition reste toute fois que l'ordre du VAR
soit supérieur à l'ordre maximal d'intégration possible
des variables.
Concrètement, la procédure de Toda et
Yamamoto se réalise en deux étapes. Tout d'abord, il s'agit de
déterminer l'ordre d'intégration maximal (dmax) des
séries et le nombre de retard optimal (K) du processus VAR en niveau. En
suite, il faut estimer un modèle VAR en niveau d'ordre p=K+
dmax par les moindres carrés ordinaires.
Pour construire l'inférence causale sur le
modèle « augmenter », on applique des tests de
restrictions uniquement sur les K premiers coefficients. Les autres
coefficients, en réalité nuls, sont une surparamétrisation
volontaire qui sert à incorporer dans le VAR la dimension
potentiellement cointégrées des séries.
Cette procédure n'est valable que si
dmax n'est pas supérieur à l'ordre AR du VAR. la
statistique de test suit asymptotiquement une loi de chi deux et reste
indépendante de l'ordre d'intégration des variables.
|