CHAPITRE 4

Mod elisation Mutilivari ee et Coint egration

Michel LUBRANO
Octobre 2008
Contents
1 Introduction 2
2 S eries temporelles multivari ees stationnaires et non stationnaires 3
2.1 Stationnarit e dans un cadre multivari e . . . . . . . . . . . . . . . . . . . . 3
2.2 Mod` eles VAR et racines unitaires . . . . . . . . . . . . . . . . . . . . . . . 4
3 S eries Int egr ees et Coint egr ees 5
3.1 Int egration et coint egration dans un cadre bivari e . . . . . . . . . . . . . . 5
3.2 Coint egration dans le cas g en eral . . . . . . . . . . . . . . . . . . . . . . . 6
3.3 G en eralisation au cas trend stationnaire . . . . . . . . . . . . . . . . . . . 7
3.4 Mod` ele ` a correction derreurs . . . . . . . . . . . . . . . . . . . . . . . . . 8
4 Repr esentation Alternatives des S eries Coint egr ees 8
4.1 Repr esentation en moyenne mobile . . . . . . . . . . . . . . . . . . . . . . 8
4.2 Repr esentation en tendances communes . . . . . . . . . . . . . . . . . . . 10
4.3 Repr esentation autor egressive . . . . . . . . . . . . . . . . . . . . . . . . 11
4.4 Th eor` eme de repr esentation de Granger . . . . . . . . . . . . . . . . . . . 13
4.5 Linterpr etation du terme constant et des termes d eterministes . . . . . . . . 14
5 Identication 16
5.1 Identication des relations de long terme . . . . . . . . . . . . . . . . . . . 16
5.2 Interpr etation des restrictions de long terme . . . . . . . . . . . . . . . . . 17
5.3 Th eor` emes didentication . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.4 Mod` eles VAR structurels avec coint egration . . . . . . . . . . . . . . . . . 20
1
1 INTRODUCTION 2
6 Exog en eit e 21
6.1 Mod` eles VAR ` a Correction dErreurs et ECM Conditionnels . . . . . . . . 21
6.2 Interpr etation des restrictions sur . . . . . . . . . . . . . . . . . . . . . . 23
6.3 Exog en eit e faible et non-causalit e . . . . . . . . . . . . . . . . . . . . . . 24
7 Coint egration et mod` eles ` a equations simultan ees 24
7.1 Mod` ele marginal et mod` ele conditionnel . . . . . . . . . . . . . . . . . . . 25
7.2 Identication du mod` ele structurel . . . . . . . . . . . . . . . . . . . . . . 25
7.3 Les solutions de Boswijk . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
8 Conclusion 26
9 Lectures additionnelles 27
10 Exercices 27
10.1 Processus AR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
10.2 Processus MA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
10.3 Repr esentation MA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
10.4 Repr esentation AR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
10.5 Identication et terme constant . . . . . . . . . . . . . . . . . . . . . . . . 29
10.6 Identication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
10.7 Exog en eit e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1 Introduction
Les racines unitaires ont et e d etaill ees dans un cadre univari e. On a consid er e un processus
stochastique univari e et etudi e une certaine forme de non-stationnarit e en distinguant dans
ce processus une partie d eterministe que lon retirait et une partie stochastique. Cest cette
partie stochastique qui a fait lobjet de lanalyse en regardant si elle avait une repr esentation
ARMA ou ARIMA. Cette distinction est tr` es importante, car elle conduit ` a des propri et es
de long terme assez diff erentes en terme de permanence: persistance des chocs dans le cas
dune racine unitaire, amortissement des chocs dans le cas alternatif. Nous allons dans ce
chapitre poursuivre lanalyse pr ec edente, mais dans un cadre multivari e. Le fait de con-
sid erer de facon conjointe plusieurs variables transforme radicalement la question et ouvre
des horizons nouveaux. La probl ematique des racines unitaires prend tout son sens dans un
cadre multivari e. Nous allons pouvoir analyser de facon conjointe les tendances stochas-
tiques des variables et voir que dans le cadre de la coint egration des variables peuvent avoir
des tendances stochastiques communes. Par exemple, si la consommation et le revenu
ont chacune une tendance stochastique, comment va evoluer ce couple de variables? On
sattend economiquement ` a ce quelles croissent de facon plus ou moins parall` ele. Si tel
est le cas, il est alors possible de trouver une combinaison lin eaire de ces deux variables
qui ne poss` ede plus de tendance, mais qui mesure simplement les erreurs dajustement
dune variable par rapport ` a lautre autour dune relation d equilibre. On dit alors que les
deux variables sont coint egr ees. Les premiers papiers sur les concepts dint egration et de
2 S

ERIES TEMPORELLES MULTIVARI

EES STATIONNAIRES ET NONSTATIONNAIRES3

coint egration remontent ` a Granger (1981), Granger (1983) et Granger and Weiss (1983).
Les deux papiers fondamentaux sont Engle and Granger (1987) et Johansen (1991).
2 S eries temporelles multivari ees stationnaires et non sta-
tionnaires
2.1 Stationnarit e dans un cadre multivari e
Consid erons un processus stochastique multivari e d eni comme une suite de variables
al eatoires X
T
de IR
n
index ees par le temps. On supposera que chacune des n s eries est pure-
ment non-d eterministe. On va noter le vecteur des esp erances de X
t
. Lautocovariance
de la s erie (h), h donn e est une matrice
(h) = E((X
t
)(X
th
)

) (1)
Pour h = 0, on a la matrice de variance-covariance de la s erie. Sur la diagonale de cette
matrice, se trouve la variance de chaque s erie, et sur les el ements hors diagonaux, les
covariances entre deux s eries. On peut alors g en eraliser au cas multivari e la d enition de
la stationnarit e au second ordre que lon a donn e pour les processus univari es:
D enition 1 un processus stochastique multivari e X
t
de IR
n
est stationnaire au second
ordre si sa moyenne et ses autocovariances (h) sont born ees et ind ependantes de t.
Le th eor` eme de Wold, donn e dans le cas univari e accepte egalement une g en eralisation
multivari ee.
Th eor` eme 1 Sous certaines conditions de r egularit e, tout processus stationnaire X
t
de IR
n
peut se d ecomposer en la somme dune composante r eguli` ere parfaitement pr evisible TD
t
et dune composante stochastique Z
t
telles que:
X
t
= TD
t
+Z
t
Z
t
=

j=0
C
j

tj
o` u C
j
est une suite de matrices carr ees de taille nn absolument sommable avec C
0
= I
n
et
t
IR
n
avec
t
bruit blanc (0, ), inversible.
On retrouve donc la d ecomposition entre partie r eguli` ere et partie stochastique qui admet
une repr esentation en moyenne mobile innie. Le caract` ere abslument sommable de la
suite de matrices signie que

j=0
||C
j
|| <
o` u ||C
j
||
2
d esigne la plus grande valeur propre de C

j
C
j
. Il est dusage d ecrire cette
repr esentation sous une forme matricielle en introduisant des polyn omes de retard ma-
triciels. On va donc maintenant d enir ces polyn omes par C(L) et ecrire:
X
t
= TD
t
+C(L)
t
(2)
2 S

ERIES TEMPORELLES MULTIVARI

EES STATIONNAIRES ET NONSTATIONNAIRES4

avec:
C(L) =

j=0
C
j
L
j
(3)
Un polyn ome de retard matriciel est donc la simple g en eralisation matricielle des polyn omes
de retards etudi es dans le cas univari e. Il sagit dune suite de matrices carr ees, ici C
j
, cha-
cune affect ee dun op erateur retard elev e ` a une puissance croissante.
Consid erons maintenant deux polyn omes matriciel A(L) et B(L) de degr e p et q:
A(L) = I A
1
L A
2
L
2
. . . A
p
L
p
B(L) = I + B
1
L +B
2
L
2
+. . . +B
q
L
q
(4)
Le polyn ome matriciel A(L) sera inversible si les racines de l equation caract eristique
|A(z)| = 0 (o` u |.| d esigne le d eterminant dune matrice) sont toutes en dehors du cer-
cle unit e. Consid erons maintenant la repr esentation MA() (2). Supposons que dans cette
repr esentation lon puisse approximer le polyn ome matriciel C(L) par le produit des deux
polyn omes matriciels nis A(L) et B(L), avec C(L) = A
1
(L) B(L). On peut alors
transformer cette repr esentation MA en :
A(L)(X
t
TD
t
) = B(L)
t
, (5)
ce qui nous am` ene ` a pouvoir proposer un mod` ele VARMA, cest ` a dire vecteur autor egressive
moyenne mobile comme repr esentation approch ee dune s erie multivari ee stationnaire. Si
p = 0 on a un processus moyenne mobile pur et si q = 0 on a un processus autor egressif
pur. Ce dernier type de mod` ele est tr` es employ e pour mod eliser les s eries multivari ees et
porte le nom de mod` ele VAR qui va nous occuper dans la suite:
A(L)(X
t
TD
t
) =
t
(6)
Ce mod` ele est stationnaire si l equation |A(z)| = 0 a toutes ses racines en dehors du cercle
unit e. Si p = 1, le polyn ome A(L) se r eduit ` a I AL. dans ce cas, il est facile ` a inverser
et lon a:
(I AL)
1
=

i=1
A
i
L
i
.
Les puissances de A ne convergent que si les valeurs propres de la matrice A sont toutes
plus petites que 1.
2.2 Mod` eles VAR et racines unitaires
Nous allons maintenant montrer sous quelles conditions on peut mod eliser un vecteur non
stationnaire au moyen dun mod` ele VAR en diff erences. On part du polyn ome matriciel
A(L) et lon effectue le m eme type de factorisation que ce que lon a fait dans le cadre
univari e, ce qui donne :
A(L) = (I L) (A

1
L +A

2
L
2
+ +A

p1
L
p1
)(I L)
3 S

ERIES INT

EGR

EES ET COINT

EGR

EES 5
avec
= A
1
+ +A
p
A

s
=
p

i=s+1
A
i
Ceci permet de consid erer la reparam etrisation suivante dun mod` ele VAR
X
t
= ( I)X
t1
+A

(L)X
t
+
t
Si = I, cest ` a dire si

i
A
i
= I, alors on pourra ecrire le mod` ele VAR en diff erences:
X
t
= A

(L)X
t
+
t
.
Comment va-t-on interpr eter la condition

i
A
i
= I? Elle signie que la s erie X
t
con-
tient n racines unitaires, cest en dire en fait que toutes les composantes de X
t
sont non-
stationnaires. Un mod` ele VAR en diff erences est donc un bon moyen pour mod eliser des
s eries non-stationnaires. Mais la condition

i
A
i
= I signie plus. Elle indique quaucune
information nest perdue dans cette approche. On peut tr` es bien avoir que toutes les com-
posantes de X
t
soient non-stationnaires et I(1) sans que cette condition soit satisfaite. On
rentre alors dans la probl ematique de la coint egration que nous allons maintenant d etailler.
DETAILLER EN FONCTION DU THEO DE GRANGER |A(z)| = 0. Faire un
exercice.
3 S eries Int egr ees et Coint egr ees
La mod elisation VARpr ec edente repose sur une interpr etation du th eor` eme de repr esentation
de Wold et donc sur une hypoth` ese de stationnarit e. Si les s eries que lon doit mod eliser
au moyen dun VAR ne sont pas stationnaires, la stationnarit e sera en g en eral obtenue
par diff erentiation des s eries. On aura donc un mod` ele VAR en diff erences comme il a
et e montr e ci-dessus. Mais une diff erentiation syst ematique des s eries dans un mod` ele
VAR peut conduire ` a perdre de linformation car il repose sur limposition dune contrainte
param etrique. Par exemple si le niveau des s eries est utile pour d ecrire la m emoire du
processus, un VAR en diff erence requ erait un nombre inni de retards. Dans ce cas, il est
donc n ecessaire de conserver le niveau des s eries, quitte ` a m elanger niveau et diff erences.
Les mod` eles CVAR ou VAR coint egr es appartiennent ` a cette classe de mod` eles partic-
uliers. Nous allons distinger le cas bivari e du cas g en eral pour mettre en lumi` ere certains
probl` emes sp eciques.
3.1 Int egration et coint egration dans un cadre bivari e
Granger (1981) et Engle and Granger (1987) ont introduit la notion dint egration dune
variable dans le but d etudier ensuite la coint egration. Ils se sont plac es dans le cas sans
composante d eterministe pour aboutir ` a un concept particulier de coint egration. On rap-
pelle quune s erie univari ee y
t
sans composante d eterministe qui, apr` es d diff erentiations,
a une repr esentation ARMA stationnaire et inversible est dite int egr ee dordre d avec la
3 S

ERIES INT

EGR

EES ET COINT

EGR

EES 6
notation y
t
I(d). On note tout de suite que la notion de variable I(0) est plus forte que
la notion de stationnarit e puisquelle implique lexistence dune repr esentation ARMA in-
versible. Dans un cadre bivari e ou multivari e, la notion dint egration se g en eralise de la
mani` ere suivante:
D enition 2 Soit un processus lin eaire d eni par sa repr esentation MA innie X
t
= C(L)
t
.
Ce processus est I(0) si la matrice C(1) est nie et strictement diff erente de z ero. Un pro-
cessus sera dit int egr e dordre d sil devient I(0) apr` es d diff erenciations.
Pour la simplicit e de lexpos e on ne consid erera que des s eries I(0) ou I(1). Une s erie qui
est I(1) avec d erive est assez r eguli` ere, et pr esente un graphique similaire ` a celui dune
s erie macro- economique comme le PNB en France. Elle poss` ede une variance th eorique
innie (on a vu que la variance dune marche al eatoire etait egale ` a
2
t). Une s erie I(0) (et
typiquement la diff erentiation de la s erie pr ec edente), semble uctuer beaucoup plus quand
on en fait le graphique, mais poss` ede une variance nie (qui est egale ` a
2
quand la s erie
stationnaire est la diff erentiation de la s erie pr ec edente). A cause de la diff erence dans la
taille des variances, la somme dune s erie I(1) et dune s erie I(0) sera encore I(1).
Si y
t
et x
t
sont toutes deux I(1), une combinaison lin eaire quelconque de ces deux
variables d enie par:
z
t
= y
t
+ x
t
(7)
sera encore I(1). Mais on peut tr` es bien trouver pour certaines s eries une valeur de
telle que z
t
soit I(0). Lexemple le plus simple que lon puisse prendre est celui qui est
fourni par certains mod` eles ` a correcteurs derreurs o` u lon impose quune elasticit e de long
terme soit egale ` a lunit e, par exemple dans une fonction de consommation simpli ee. Le
logarithme de la consommation r eelle et du revenu disponible r eel sont I(1). Par contre la
diff erence entre les deux variables en logarithme (terme correcteur derreur) est I(0). Les
deux s eries sont dites alors coint egr ees, do` u la d enition suivante adapt ee de Engle and
Granger (1987):
D enition 3 Les composantes du vecteur X
t
sont dites coint egr ees si premi` erement toutes
les composantes de X
t
sont I(1) et si deuxi` emement il existe un vecteur non nul tel que
z
t
=

X
t
I(0). Le vecteur est dit vecteur coint egrant.
La valeur de z
t
repr esente les d eviations par rapport ` a l equilibre. Pour peu que lon ait
normalis e les s eries, z
t
va uctuer autour de z ero et donc l equilibre strict se produira un
certain nombre de fois. Par contre si z
t
etait I(1), alors la s erie divergerait et il ny aurait
pas d equilibre. La coint egration se pr esente donc comme une propri et e de r eduction de
lordre dint egration. Si par contre les composantes de X
t
sont d ej` a I(0), z
t
sera encore
I(0) mais naura pas de propri et es distinctives par rapport ` a X
t
.
3.2 Coint egration dans le cas g en eral
Il est implicite que la d enition 3 suppose que le vecteur X
t
na que deux composantes.
Dans le cas o` u X
t
IR
n
il est alors tr` es possible quil y ait plus quun seul vecteur
3 S

ERIES INT

EGR

EES ET COINT

EGR

EES 7
coint egrant . On peut supposer en fait quil y a r vecteurs coint egrants lin eairement
ind ependants avec r n 1 que lon rangera dans une matrice de taille n r. Par
construction le rang de cette matrice est r qui sera appel e le rang de coint egration de X
t
.
Dans le cas bivari e, pour peu quon le normalise, le vecteur de coint egration est d eni
de mani` ere unique et est directement interpr etable. Dans le cas multivari e, cette propri et e
nest plus vraie. A partir du moment o` u il peut y avoir plusieurs vecteurs de coint egration,
ceux-ci ne sont plus uniques. La matrice qui est de dimension n r est alors une base
de lespace de coint egration ` a r dimensions. Il est toujours possible d enir une autre ma-
trice de coint egration par simple changement de base. Il y a un probl` eme didentication
et dinterpr etation.
3.3 G en eralisation au cas trend stationnaire
La notion de coint egration de Engle et Granger peut se g en eraliser au cas o` u z
t
=

X
t
est stationnaire autour dune tendance. Une s erie multivari ee non-stationnaire peut se
d ecomposer en la somme dune composante d eterministe et dune composante stochas-
tique admettant une repr esentation AR(p), soit par exemple:
X
t
= +t +u
t
A(L) u
t
=
t
(8)
On peut alors g en eraliser la d enition de la coint egration avec Campbell and Perron (1991):
D enition 4 La variable al eatoire X
t
IR
n
est coint egr ee sil existe au moins un vecteur
coint egrant
i
IR
n
tel que

i
X
t
soit trend stationnaire. Sil existe r vecteurs coint egrants
lin eairement ind ependants
i
que lon regroupe dans la matrice coint egrante de dimen-
sion n r, la variable al eatoire X
t
est coint egr ee de rang r.
Cette fois-ci on ne d enit la coint egration que sur la partie stochastique des s eries. On
pourrait aussi imposer une forme plus restrictive de coint egration en demandant ` a ce m eme
vecteur de coint egration
i
qui annule les racines unitaires, quil rende aussi constante la
tendance, ce qui dans notre cas signierait

i
= 0.
La d enition de Engle and Granger (1987) implique que toutes les variables soient
int egr ees et int egr ees de m eme ordre. La d enition du dessus est plus large car elle permet
de d enir une relation de coint egration entre des variables plus ou moins h et erog` enes:
- premi` erement, des variables qui sont toutes stationnaires autour dune tendance seront
trivialement coint egr ees selon cette d enition.
- deuxi` emement, comme toute combinaison lin eaire entre une variable I(1) et une
variable I(0) est encore I(1), il faut au moins deux variables I(1) dans une relation
pour avoir coint egration. Mais ` a partir du moment o` u lon a coint egration, lajout
dune ou de plusieurs variables stationnaires autour dune tendance ne modie pas la
propri et e de coint egration.
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 8
3.4 Mod` ele ` a correction derreurs
Si une s erie non-stationnaire X
t
est coint egr ee de rang r, elle peut sexprimer sous la forme
dun processus autor egressif ` a correction derreur, comme nous allons le montrer dans la
section suivante. Engle and Granger (1987) d enissent de la mani` ere suivante un mod` ele
VAR ` a correction derreurs:
D enition 5 Une s erie temporelle vectorielle X
t
a une repr esentation en m ecanisme cor-
recteur derreurs si elle peut se mod eliser sous la forme:
A(L)X
t
=

X
t1
+
t
avec A(0) = I et A(1) ayant tous ses el ements nis.
Ce mod` ele correspond en fait ` a un mod` ele VAR o` u ` a un retard de un les variables apparais-
sent en niveau. Cest donc une forme r eduite, et cela ` a cause de lhypoth` ese A(0) = I.
On appellera cette forme un mod` ele VAR-ECM ou un CVAR pour mod` ele VAR avec
coint egration. Dans le cas le plus simple, le polyn ome A(L) peut se r eduire ` a la ma-
trice identit e. est bien s ur le vecteur de coint egration. Il peut sinterpr eter naturellement
comme la solution de long terme du mod` ele quand r = 1. Son interpr etation est plus
d elicate quand r > 1. La matrice de dimension n r repr esente la matrice des poids de
la solution de long terme dans chaque equation du VAR.
4 Repr esentation Alternatives des S eries Coint egr ees
Lhypoth` ese de coint egration a des cons equences importantes pour la repr esentation param etrique
du processus de g en eration des donn ees. Si lon suppose que le vecteur al eatoire X
t
est
I(1) et coint egr e, alors X
t
est stationnaire et admet une repr esentation en moyenne mo-
bile innie. Cette repr esentation est cependant tr` es particuli` ere du fait que la matrice des
coefcients dimpact totaux est singuli` ere. Cette singularit e se traduira aussi au niveau
de la forme AR du mod` ele par une autre singularit e de matrice (perte de rang). Enn,
comme r relations de coint egration annulent r tendances stochastiques sur les n initiale-
ment pr esentes, il restera dans le mod` ele n r tendances stochastiques dont les propri et es
vont d ependre de la forme du terme constant. Cest tous ces r esultats que lon va d etailler
maintenant et qui sont rassembl es par Engle and Granger (1987) dans un th eor` eme de
repr esentation appel e th eor` eme de repr esentation de Granger. Ce th eor` eme a et e repris
dans la litt erature sous diff erentes formes, en particulier par Johansen (1991).
4.1 Repr esentation en moyenne mobile
Un processus multivari e stationnaire accepte une repr esentation de Wold multivari ee. Con-
sid erons maintenant le vecteur al eatoire X
t
de IR
n
dont toutes les composantes sont I(1).
On commence par diff erencier la s erie dans toutes ses composantes et lon peut alors ecrire:
(1 L) X
t
= +C(L)
t
(9)
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 9
o` u C(L) est un polyn ome de retards matriciel inni. Que se passe-t-il au niveau de cette
repr esentation quand en plus X
t
est coint egr e, cest ` a dire que

X
t
I(0). Le th eor` eme
de repr esentation de Granger montre que C(1) est n ecessairement singulier et de rang nr,
cest ` a dire que lon va au moins avoir |C(1)| = 0.
Th eor` eme 2 Soit un vecteur al eatoire X
t
de IR
n
int egr e dordre un. Ce vecteur est coint egr e
de rang r si et seulement si la matrice C(1) de sa repr esentation MA() est de rang nr.
Preuve: Pour montrer cette propri et e, il suft de se baser sur une d ecomposition partic-
uli` ere de la s erie. Le polyn ome matriciel C(L) peut toujours se r e ecrire, par analogie avec
le cas univari e:
C(L) = C(1) + (1 L) (I
n
C(1) C

(L))
En posant (L) = I
n
C(1) C

(L), cette d ecomposition permet d ecrire:

(1 L) X
t
= + (C(1) + (1 L) (L))
t
En divisant les deux membres par (1 L) et en appelant X
0
les conditions initiales et en
les posant egales ` a , on a:
X
t
t = +C(1)
t1

j=0

tj
+(L)
t
Si X
t
est coint egr e et que est la matrice de coint egration, il vient que dans:

(X
t
t) =

C(1)
t1

j=0

tj
+

(L)
t
le membre de gauche est par d enition stationnaire et I(0). Le membre de droite doit
egalement l etre. Le dernier terme de droite est stationnaire par construction. Par contre le
terme pr ec edent de droite comporte une marche al eatoire vectorielle, non-stationnaire par
d enition. Il faut donc dans cette ecriture que

C(1) = 0. Comme est une matrice nr

de rang plein,

C(1) = 0 implique que le rang de C(1) est egal ` a n r.

2
Dans la preuve que lon vient de donner, on a inclus un terme d eterministe non pr esent dans
le th eor` eme originel de Granger qui suppose = 0. Dautre part il nest pas n ecessaire de
supposer que toutes les composantes de X
t
sont I(1). Il en suft de deux. Les autres
peuvent etre I(0).
Corollaire 1 Sil y a r relations ind ependantes de coint egration entre les composantes de
X
t
, la matrice C(1) associ ee ` a la repr esentation de Wold a les deux propri et es:

C(1) = 0
C(1) = 0
o` u est la matrice n r contenant les r vecteurs de coint egration et la matrice n r
de poids.
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 10
Remarques:
- La coint egration au sens strict implique que

= 0. Sinon

X
t
sera stationnaire
autour du trend t. Ceci a et e soulign e par exemple dans Engle and Yoo (1987).
- Le fait que la matrice C(1) soit singuli` ere implique que la repr esentation en moyenne
mobile (9) nest pas inversible. Il ne sera donc pas possible de trouver une repr esentation
AR sur les diff erences qui ait un nombre ni de retards.
4.2 Repr esentation en tendances communes
Une s erie qui est I(1) pr esente une tendance stochastique, cest ` a dire quelle peut s ecrire
sous la forme dune accumulation de chocs pass es. Dans le cas multivari e, une s erie I(1)
de dimension n comportera n tendances stochastiques qui pourront etre eventuellement
corr el ees. La propri et e de coint egration introduit une contrainte forte entre les tendances
stochastiques au point de dire que les composantes de X
t
vont avoir des tendances com-
munes. Il y aura donc moins que n tendances stochastiques distinctes. Plus pr ecis ement,
si le rang de coint egration est r, r tendances stochastiques auront disparu et il ne restera
que n r tendances distinctes qui deviendront alors les tendances communes aux n com-
posantes de X
t
. L ecriture qui met en avant ces n r tendances communes est due ` a ` a
Stock and Watson (1988) et on peut la formaliser dans le th eor` eme suivant:
Th eor` eme 3 Toute s erie X
t
IR
n
coint egr ee de rang r peut se mettre sous la forme dune
combinaison lin eaire de n trends d eterministes t, de nr marches al eatoires ou tendances
stochastiques F
t
et n termes al eatoires stationnaires (L)
t
:
X
t
= +t +F
t
+(L)
t
Preuve: Reprenons la repr esentation en moyenne mobile de X
t
:
X
t
= +C(L)
t
En utilisant la d ecompositionde C(L) = C(1)+(1L)(I C(1)C

(L)) et en sommant
sur t, on trouve:
X
t
= +t + C(1)S
t
+(L)
t
o` u vient des conditions initiales et o` u S
t
=

t1
j=0

tj
. On sait que lhypoth` ese de
coint egration implique que C(1) est de rang n r , et que C(1) = 0. On peut former
la matrice H n n inversible comme la juxtaposition de la matrice de dimension n r
et de son compl ement orthogonal

de dimension n (n r) avec donc H = [ :

]
inversible. Posons C(1)

= F o` u F est de dimension n (n r). Alors:

C(1)H = [0 : F] = FS
nr
= F[O
(nr)r
: I
nr
]
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 11
S
nr
repr esente la matrice de s election des n r derni` eres colonnes. On a alors la
d ecomposition de X
t
en:
X
t
= + t +C(1) H H
1
S
t
+(L)
t
= + t +F S
nr
H
1
S
t
+(L)
t
= + t +F
t
+(L)
t
Et on a la d enition suivante de la tendance stochastique:

t
= S
nr
H
1
S
t
=
t1
S
nr
H
1

t
2
La propri et e de coint egration de X
t
permet donc d eliminer r tendances stochastiques
parmi les n tendances stochastiques initialement pr esentes dans le vecteur al eatoire.
4.3 Repr esentation autor egressive
Le fait que C(1) soit singuli` ere implique quun mod` ele VAR en diff erences nest pas com-
patible avec lhypoth` ese de coint egration. Mais un VAR sur les niveaux est parfaitement
possible. Consid erons une s erie temporelle multivari ee X
t
de IR
n
que lon d ecompose en:
_

_
X
t
= +t +u
t
A(L)u
t
=
t

t
N(0, )
(10)
On peut combiner les deux equations de ce syst` eme en
A(L)(X
t
t) =
t
(11)
A(L) est un polyn ome matriciel de retards avec A(L) = I A
1
L A
2
L
2
. . . A
p
L
p
.
On cherche ` a obtenir une expression similaire ` a celle utilis ee pour les tests ADF univari es
qui nous permettra une discussion sur les propri et es du syst` eme en cas de coint egration
des composantes de X
t
. On a besoin pour cela de la g en eralisation multivari ee dune des
formules de factorisation de A(L) donn ee dans le chapitre 1 et qui pr ecise que:
A(L) = A(1) L + (1 L) (I
n
A

(L)) (12)
En posant = A(1) on obtient:
X
t
= + (X
t1
(t 1)) +A

(L)(X
t
) +
t
(13)
quil est plus commode de r e ecrire en:
X
t
= m+ X

t1
+A

(L)(X
t
) +
t
(14)
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 12
avec:
m = +
X

t1
= X
t1
(t 1)
(15)
Comme on ne consid` ere que le cas o` u X
t
comporte au plus une seule racine unitaire dans
chacune de ses composantes, X
t
sera toujours stationnaire. Dans quels cas alors le mem-
bre de droite du mod` ele sera-t-il stationnaire? Cela ne d epend que de X

t1
et donc du
rang de .
- Si est de rang plein, on a n combinaisons lin eaires ind ependantes de X

t1
qui
doivent etre stationnaires. Les composantes de X
t
ne peuvent pas etre coint egr ees,
car on ne peut avoir au plus que n1 relations de coint egration ind ependantes. Pour
que X

t1
soit stationnaire, il faut que chaque composante de X
t
soit stationnaire
autour dune tendance. On a donc un mod` ele VAR qui doit s ecrire en niveau avec
une tendance.
- Si est de rang nul, on a = 0. Il nexiste aucune combinaison lin eaire de X
t
qui
soit trend stationnaire. On doit donc ecrire le mod` ele VAR en diff erence.
- Le dernier cas est le plus int eressant. Le rang de est egal ` a r compris entre 1
et n 1. A ce moment l` a on peut d ecomposer la matrice en le produit de deux
matrices de dimension n r et :
=

(16)
Pour que X

t1
soit stationnaire, il suft que

t1
le soit. Dans ce cas la matrice
de rang plein et egal ` a r est la matrice de coint egration. Cest elle qui rend X
t
station-
naire autour dune tendance. On peut imposer un concept plus fort de coint egration
d eterministe en demandant que les tendances disparaissent avec

= 0.
On peut alors donner le th eor` eme suivant:
Th eor` eme 4 Soit un vecteur al eatoire X
t
de IR
n
dont toutes les composantes sont I(1) et
admettant la repr esentation autor egressive:
A(L)(X
t
t) =
t
Ce vecteur est coint egr e de rang r si et seulement si dans la factorisation:
X
t
= mA(1)(X
t1
(t 1)) +A

(L)(X
t
) +
t
la matrice A(1) est singuli` ere, de rang r et peut se mettre sous la forme:
A(1) =

o` u et sont deux matrices de dimension n r.

4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 13
4.4 Th eor` eme de repr esentation de Granger
Quand on est dans un mod` ele VAR simple, le passage de la forme AR A(L)X
t
=
t
` a la forme MA X
t
= C(L)
t
se fait par inversion du polyn ome A(L). Comme la
coint egration implique que les matrices A(1) et C(1) ont subit une perte de rang, cette
inversion directe nest plus possible. Le th eor` eme de repr esentation de Granger donn e dans
Engle and Granger (1987) permet de montrer comment on peut quand m eme op erer un
passage entre la repr esentation AR et la repr esentation MA du mod` ele. Dautres auteurs
ont donn e une formulation alternative de ce th eor` eme et en particulier Johansen (1991). On
reprendra ici la pr esentation quen fait Boswijk (1992). Partons dun mod` ele VAR sur les
niveaux:
A(L)X
t
= m +
t
(17)
Remplacons dans (17) le polyn ome A(L) par sa factorisation (12):
X
t
= m +A(1)X
t1
+A

(L)X
t
+
t
. (18)
Cela nous conduit directement ` a repr esentation en mod` ele correcteur derreur si A(1) est
de rang r. Le passage de cette forme AR ` a la forme MA se fait au moyen du th eor` eme
suivant:
Th eor` eme 5 Soit X
t
un processus stochastique de dimension n admettant la repr esentation
VAR (17) avec l equation caract eristique associ ee ` a A(L) ayant n r racines egales
` a lunit e et toutes les autres en dehors du cercle unit e. Supposons que (17) admette la
repr esentation en terme correcteur derreurs (18) avec A(1) =

. Alors:
- X
t
est stationnaire de repr esentation de Wold:
X
t
= C(L)(m+
t
) = +C(L)
t
Le polyn ome de retard C(L) se d ecompose en:
C(L) = C(1) +C

(L)(1 L)
et est reli e au polyn ome A(L) par:
C(1) =

[I A(1) A

(1)]

)
1

o` u

et

sont les compl ements orthogonaux de et , chacun de dimension

n (n r) v eriant

= 0 et

= 0. Le rang de A(1) est egal ` a r et le rang

de C(1) est egal ` a n r.
- X
t
est non-stationnaire et I(1) de repr esentation:
X
t
= X
0
+C(1)(mt +
t

j=1

j
) +C

(L)
t
-

X
t
est stationnaire. Les colonnes de sont les vecteurs de coint egration et r est le
rang de coint egration.
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 14
- Les tendances communes sont repr esent ees par

t
i=1

i
On trouvera une preuve dune version plus elabor ee de ce th eor` eme dans Johansen
(1991) et la preuve de cette version-ci dans Boswijk (1992). Notons que cette version du
th eor` eme de repr esentation de Granger part de lexistence dune repr esentation en terme
correcteur derreurs et en d eduit la propri et e de coint egration. La version originale du
th eor` eme donn ee dans Engle and Granger (1987) proc` ede de mani` ere strictement inverse
et montre que lhypoth` ese de coint egration implique lexistence dune repr esentation en
terme correcteur derreurs.
4.5 Linterpr etation du terme constant et des termes d eterministes
Dans un mod` ele CVAR o` u le rang de coint egration est r, il demeure n r tendances
stochastiques communes qui ne sont pas explicites au premier abord. Le terme constant,
qui dans le mod` ele VAR classique A(L)(X
t
) =
t
sinterpr` ete comme la moyenne du
processus, a dans les mod` eles CVAR une interpr etation particuli` ere. Selon l ecriture adopt e
pour le CVAR, le terme constant va repr esenter la d erive des nr tendances stochastiques
restantes, celles qui nont pas et e elimin ees par la coint egration. Nous allons illustrer ceci
au moyen du CVAR simpli e suivant:
X
t
= m

X
t1
+
t
. (19)
La repr esentation de Wold associ ee est:
X
t
= C(L) (m+
t
), (20)
que lon peut transformer en:
X
t
= X
0
+C(1) mt +C(1)
t

j=1

j
+C

(L)
t
. (21)
Le processus qui g en` ere X
t
est donc non stationnaire et comporte un trend lin eaire de
coefcient = C(1) m. Il est toujours possible de d ecomposer le terme constant m de
dimension n 1 en:
m =
0
+

(22)
o` u

est une matrice n(nr) orthogonale aux colonnes de et v eriant donc

= 0,

0
un vecteur r 1 et un vecteur (n r) 1. Comme C(1) = 0, le terme C(1) m se
simplie en:
C(1) m = C(1)
0
+C(1)

= C(1)

(23)
Reportons maintenant cette d ecomposition de m dans la forme auto-r egressive du mod` ele:
X
t
=

X
t1

0
) +
t
(24)
4 REPR

ESENTATION ALTERNATIVES DES S

ERIES COINT

EGR

EES 15
On interpr` ete donc le param` etre
0
comme une ordonn ee ` a lorigine dans la relation de
coint egration et le param` etre comme un vecteur de pente des trends pour les nr relations
entre les composantes de X
t
qui ne sont pas coint egr ees. Si lon impose la restriction:
m =
0
(25)
on annule les n r d erives en imposant

= 0.
Hendry and Juselius (2001) d etaillent cinq cas possibles pour interpr eter les el ements
d eterministes dun mod` eles CVAR. Les diff erentes interpr etations prennent leur source
dans le fait quun mod` ele CVAR m elange des variables en diff erence et des variables en
niveau mod elisant un equilibre de long terme. Nous allons examiner ces cinq cas en partant
du mod` ele le plus g en eral pour aller vers le mod` ele le plus contraint.
1) Ce cas ne comporte aucune restriction, mais est aussi le moins r ealiste.
X
t
=

X
t1
+m+t +
t
(26)
Les s eries diff erenti ees X
t
admettent une repr esentation avec d erive et trend, ce
qui signie que X
t
comporte un trend au carr e. M eme si ce genre de mod` ele peut
donner de bonnes estimations, il produira en simulation des r esultats irr ealistes et
incontr olables. Donc dans la pratique on ne consid erera jamais ce cas.
2) Il sagit dexclure le fait que X
t
puisse comporter un trend. On va donc r eduire la
possibilit e dun trend ` a la seule relation d equilibre de long terme
X
t
= (

X
t1
+
0
+t) +m+
t
(27)
Donc X
t
a une d erive possible, ce qui fait que X
t
suit une tendance d eterministe.
Mais la relation d equilibre de long terme est stationnaire autour dune tendance
d eterministe.
3) Maintenant, on va imposer une relation de coint egration plus forte qui veut que la
coint egration non seulement annule r tendances stochastiques, mais egalement les r
tendance d eterministes.
X
t
= (

X
t1
+
0
) +m +
t
(28)
La relation d equilibre est stationnaire et simplement de moyenne
0
. Il demeure la
possibilit e de d erive d eterministe pour X
t
.
4) On annule maintenant la possibilit e dune d erive dans X
t
. Il ne reste que la possi-
bilit e que la relation d equilibre ait une moyenne non nulle
X
t
= (

X
t1
+
0
) +
t
(29)
5) Le dernier cas enn nest pas tr` es r ealiste dans la mesure o` u il supprime toute possi-
bilit e de terme d eterministe:
X
t
=

X
t1
+
t
(30)
5 IDENTIFICATION 16
Il est tr` es important de distinguer clairement entre ces diff erents cas, m eme si trois
seulement sont r ealistes. Premi` erement, ils impliquent des interpr etations tr` es diff erentes
sur le comportement de la variable X
t
mod elis ee. Deuxi` emement, les tests de coint egration
que lon va examiner dans le chapitre suivant seront tr` es d ependants de la facon dont on va
sp ecier les termes d eterministes.
5 Identication
Si un mod` ele VAR est estimable sans restriction particuli` ere, il nen va pas de m eme pour
un mod` ele CVAR. La restriction de rang =

pose un probl` eme didentication car il

est toujours possible de choisir une matrice Q de dimension r r et de rang plein telle que:
= (Q
1
)(Q) =

(31)
La param etrisation en terme d et de identie lespace de coint egration (lespace g en er e
par les lignes de ) et lespace dajustement (lespace g en er e par les colonnes de ). Sans
restriction suppl ementaires, les el ements individuels de et ne sont pas identi es. Les
restrictions classiques didentication sont la normalisation ` a 1 de certains el ements de
et des restrictions dexclusion sur et/ou . Les restrictions sur sont directement
interpr etables car elles portent sur la solution de long terme du mod` ele. Les restrictions sur
sinterpr` etent en terme dexog en eit e et seront trait ees ` a part dans une section s epar ee.
5.1 Identication des relations de long terme
Les probl` emes didentication naissent d` es quil y a plus dun vecteur de coint egration.
Quand r = 1, une seule restriction de normalisation suft ` a identier le mod` ele. Examinons
maintenant le cas g en eral multivari e en d etail. Le mod` ele VAR non contraint
X
t
= X
t1
+A

(L)X
t
+
t
est parfaitement identi e car il sagit dun mod` ele lin eaire r esultant dune simple reparam etrisation
une ` a une dun mod` ele VAR initial. La matrice comporte n
2
el ements libres qui peu-
vent etre estim es directement par moindres carr es. Quand on introduit la contrainte de
coint egration equivalente ` a une contrainte de perte de rang en posant =

, on rem-
place une matrice de n
2
el ements libres par un produit de deux matrices et qui sont de
dimension n r et de rang r. Il est toujours possible de r e ecrire le produit sous la forme
= QQ
1

en choisissant Q comme une matrice carr ee r r de rang plein. Le mod` ele

ne sera identi e que si ou comportent sufsamment de restrictions pour que un des
deux syst` emes Q = ou Q
1
= implique obligatoirement Q = I
r
. La matrice
comporte n
2
el ements libres. Les matrices et totalisent 2nr el ements. Bauwens and Lu-
brano (1996) ont montr e que lidentication des param` etres et requ erait r
2
restrictions.
Ils donnent le th eor` eme suivant:
Th eor` eme 6 Dans le mod` ele CVAR
X
t
=

X
t1
+A

(L)X
t
+
t
5 IDENTIFICATION 17
de dimension n avec rang de coint egration egal ` a r avec 1 r n, seuls 2nr r
2
el ements de et sont identi es en labsence de restrictions suppl ementaires.
Ce th eor` eme permet de voir quune condition n ecessaire didentication consiste ` a in-
troduire au moins r
2
restrictions. Pour r = 1, la restriction est triviale, il suft dune
restriction de normalisation sur . Pour r > 1, il faut en plus que les restrictions soient
ind ependantes entre elles. Cest ce ` a quoi sattachent les principaux th eor` emes didentication.
5.2 Interpr etation des restrictions de long terme
Dans le cas o` u r = 1, il est facile didentier la relation de long terme en normalisant un
des coefcients de . Il faut toutefois noter que ce choix ne doit pas etre fait de mani` ere
arbitraire. Nous verrons au chapitre suivant que lestimateur par maximum de vraisem-
blance de peut sobtenir avec un type de restriction tr` es peu contraignant, il sagit de
normaliser une norme particuli` ere des vecteurs de coint egration, mais pas interpr etable sur
le plan economique. Quand on veut par contre normaliser a priori un coefcient, il ne faut
pas contraindre ` a 1 un coefcient qui dans une estimation par MLE apparatrait comme non
signicatif.
Quand r > 1, une restriction de normalisation ne suft plus. Est-il encore possible
de trouver une facon plus ou moins automatique didentier la matrice dans un CVAR?
Partitionnons la matrice en deux selon
=
_

2
_
o` u
1
est une matrice carr ee de dimension r r et
2
de dimension (n r) r. On peut
trouver r
2
restrictions didentication en posant
1
= I
r
. Prenons un exemple o` u n = 3 et
r = 2.

X
t1
=
_
1 0
31
0 1
32
_
_
_
_
x
1t1
x
2t1
x
3t1
_
_
_
On peut d enir alors les deux equations de long terme
_
z
1t1
z
2t1
_
=
_
x
1t1
+
31
x
3t1
x
2t1
+
32
x
3t1
_
Dans la premi` ere relation de long terme, le coefcient de la premi` ere variable est normalis e
et la seconde variable napparait pas. Dans la second relation, cest le coefcient de la
deuxi` eme variable qui est normalis e et la premi` ere variable qui napparat pas. On peut
donc dire dune certaine facon que lon a une forme r eduite qui explique deux variables x
1t
et x
2t
et que la troisi` eme variable x
3t
joue un r ole de variable exog` ene. Le mod` ele complet
s ecrit
_
_
_
x
1t
x
2t
x
3t
_
_
_ =
_
_
_

11

12

21

22

31

32
_
_
_
_
z
1t1
z
2t1
_
+
_
_
_

1t

2t

3t
_
_
_
Dans ce mod` ele, les deux vecteurs de coint egration sont pr esent dans chacune des trois
equations. Pour que x
3t
soit vraiment exog` ene, il faudrait que cette variable soit autonome,
5 IDENTIFICATION 18
cest ` a dire que dans ce syst` eme on teste que
31
=
32
= 0. On traitera de cette question
en d etail par la suite. Pour lheure il faut retenir que le choix didentier le mod` ele en
posant
1
= I
r
impose de bien r e echir ` a lordre des variables dans le mod` ele.
5.3 Th eor` emes didentication
On va essayer maintenant dindentier le mod` ele en posant des restrictions plus g en erales
sur qui seront des restrictions dexclusion ou des restrictions d egalit e. On veut pouvoir
poser ces restrictions de mani` ere libre et non automatique en privil egiant leur interpr etation
economique.
D esignons par
i
les r colonnes de . Si lon veut imposer s
i
restrictions lin eaires sur

i
, il suft de construire une matrice R
i
de rang plein et de dimension s
i
n telle que
R
i

i
= 0 (32)
On peut egalement se reporter au probl` eme dual qui consiste ` a exprimer le
i
contraint en
fonction de n s
i
param` etres libres au moyen de la matrice H
i
de dimension n (n s
i
)

i
= H
i

i
Le passage entre les deux repr esentations se fait en pr emultipliant ce dernier syst` eme par R
i
et en imposant que R
i
H
i
= 0, ce qui signie en fait que R
i
est le compl ement orthogonal
de H
i
.
Nous avons donc besoin dau moins r
2
restrictions sur la matrice . Il faut de plus que
ces restrictions soient ind ependantes entre elles. Cette derni` ere condition nous est fournie
par le th eor` eme classique didentication qui est utilis e dans les mod` eles ` a equations si-
multan ees et qui appliqu e ici donne:
Th eor` eme 7 Le vecteur de coint egration
i
est identi e au moyen de la matrice de restric-
tion R
i
dans un mod` ele CVAR o` u le rang de coint egration est egal ` a r si et seulement si le
rang de la matrice produit R
i
est egal ` a r 1.
Ainsi en appliquant les restrictions de l equation i aux autres r1 equations, on obtient une
matrice de rang r 1, ce qui garantit lind ependance des restrictions, cest ` a dire quaucun
vecteur de coint egration ne peut sexprimer sous forme dune combinaison lin eaire des
autres.
Exemple 1: Soit un mod` ele VAR coint egr e o` u n = 4 et r = 2. On suppose que la
matrice comporte les restrictions suivantes

1
= (a
1
, a
1
, a
3
, a
3
)

2
= (0, 0, a
5
, a
5
)
5 IDENTIFICATION 19
Il y a deux el ements libres dans la premi` ere equation et un seul dans la seconde. On
aura donc les relations
i
= H
i

i
suivantes:

1
=
_
_
_
_
_
1 0
1 0
0 1
0 1
_
_
_
_
_

1

2
=
_
_
_
_
_
0
0
1
1
_
_
_
_
_

2
do` u lon tire les matrices de restriction R
i
:
R
1
=
_
1 1 0 0
0 0 1 1
_
R
2
=
_
_
_
1 0 0 0
0 1 0 0
0 0 1 1
_
_
_
Calculons en premier le produit
R
1
=
_
1 1 0 0
0 0 1 1
_

_
_
_
_
_
a
1
0
a
1
0
a
3
a
5
a
3
a
5
_
_
_
_
_
=
_
0 0
0 0
_
Le premier vecteur de coint egration nest pas identi e car le rang de ce produit est
egal ` a 0. Le second produit ` a calculer est
R
2
=
_
_
_
1 0 0 0
0 1 0 0
0 0 1 1
_
_
_
_
_
_
_
_
a
1
0
a
1
0
a
3
a
5
a
3
a
5
_
_
_
_
_
=
_
_
_
a
1
0
a
1
0
0 0
_
_
_
Le rang de ce deuxi` eme produit est egal ` a 1 si a
1
= 0. Dans ce cas, le deuxi` eme
vecteur de coint egration est identi e.
La condition sur le rang de R
i
peut se r e ecrire sous la forme (R
i

1
, , R
i

r
). Remplacons

i
par son expression H
i

i
. On obtient la m eme condition qui implique que les r 1
vecteurs R
i
H
j

j
pour i = j sont lin eairement ind ependants. Johansen (1995) donne un
th eor` eme qui montre que cette condition peut se ramener ` a un ensemble de conditions ` a
v erier sur les seules matrices de restriction R
i
et H
k
= [H
j
, j [1, r], j = i].
Th eor` eme 8 Soit un mod` ele VAR coint egr e de rang r o` u les restrictions didentication
sexpriment sous la forme
i
= H
i

i
, i = 1, .., r et les matrices orthogonales R
i
telles
que R
i
H
i
= 0. Le vecteur de coint egration
i
est identi e si et seulement si pour tout
k = 1, , r 1 et pour tout ensemble dindices 1 i
1
, , i
k
r ne contenant pas i, la
condition de rang suivante est v eri ee
Rang(R
i
H
i
1
, , R
i
H
i
k
) k
Le mod` ele sera identi e si toutes ses vecteurs de coint egration sont identi es.
5 IDENTIFICATION 20
Ce th eor` eme est un peu plus difcile ` a comprendre, mais il ne fait pas intervenir les valeurs
de . Cest un th eor` eme g en erique. Il est facile ` a appliquer dans des cas particuliers.
Pour r = 2, l equation 1 sera identi ee si et seulement si rang(R
1
H
2
) 1. Pour r = 3,
l equation 1 sera identi ee si et seulement si
rang(R
1
H
2
) 1
rang(R
1
H
3
) 1
rang(R
1
H
2
, R
1
H
3
) 2
On va traiter reprendre lexemple pr ec edent pour xer les id ees.
Exemple 2: Dans lexemple pr ec edent,la premi` ere equation nest pas identi ee car
la matrice
R
1
H
2
=
_
0
0
_
est de rang nul et non de rang sup erieur ou egal ` a 1. La seconde equation est par
contre identi ee car la marice
R
2
H
1
=
_
_
_
1 0
1 0
0 0
_
_
_
est de rang un.
5.4 Mod` eles VAR structurels avec coint egration
Les mod` eles VAR simples sans coint egrations sont utilis es pour analyser les interactions
dynamiques entre les variables. Si toutes les composantes de X
t
sont I(1) et en labsence
de coint egration ce mod` ele s ecrit
X
t
= X
t1
+
t
On sint eresse aux cons equences dun choc sur une variable sur lensemble du syst` eme.
Une facon plus r ealiste de mener cette analyse consiste ` a consid erer un VAR structurel
AX
t
= AX
t1
+A
t
o` u A est une matrice nn de param` etres structurels. Les termes derreur A
t
ont pour ma-
trice de variance covariance . Ce mod` ele nest identi e que si lon impose n
2
restrictions
par exemple sur les matrices A et . Il existe plusieurs solutions pour identier ce mod` ele
en labsence de coint egration dont on ne va citer que les plus simples:
- On impose que soit une matrice diagonale, ce qui fournit n(n1)/2 restrictions.
- On normalise ` a 1 la diagonale de A, ce qui fournit encore n restrictions.
6 EXOG

EN

EIT

E 21
- Les n (n 1)/2 restrictions restantes peuvent etre obtenues en imposant que la
matrice A soit une matrice triangulaire inf erieure.
Que se passe-t-il maintenant quand on suppose quil y a coint egration entre les com-
posantes de X
t
? Un mod` ele VAR structurel coint egr e peut s ecrire:
AX
t
= A

X
t1
+AX
t1
+A
t
que lon peut r e ecrire en
AX
t
= a

X
t1
+AX
t1
+u
t
.
Cette ecriture permet de voir que les vecteurs de coint egration ont la m eme expression dans
un VAR structurel que dans le VAR classique en forme r eduite. On doit traiter la question
de lidentication des vecteurs de coint egration dans un VAR structurel de la m eme facon
que dans un VAR coint egr e en forme r eduite.
6 Exog en eit e
Nous avons evoqu e la question de lexog en eit e dans la section pr ec edente ` a propos de
lidentication de obtenue en posant
1
= I
r
. Pour traiter la question de facon plus
formelle, il est utile de passer par un petit mod` ele bivari e qui va nous permettre de mieux
comprendre la relation existant entre les CVAR et les mod` eles ` a correction derreur popu-
laris es par David Hendry.
6.1 Mod` eles VAR ` a Correction dErreurs et ECM Conditionnels
Consid erons le mod` ele simple suivant:
A(L)X
t
= z
t1
+
t
(33)
avec z
t
=

X
t
. On prendra pour simplier A(L) de degr e un avec A(L) = I AL.
Quand n = 2, le rang de coint egration r est au maximum egal ` a 1. Les matrices et
sont des vecteurs colonnes. Le vecteur z
t
des d eviations par rapport ` a l equilibre est
un scalaire. Partitionnons maintenant X
t
en y
t
et x
t
, et les autres vecteurs et matrices de
mani` ere correspondante. Le mod` ele comporte deux equations qui s ecrivent:
_

_
y
t
= a
11
y
t1
+a
12
x
t1

1
z
t1
+
1t
x
t
= a
21
y
t1
+a
22
x
t1

2
z
t1
+
2t
(34)
et:
z
t
=
1
y
t
+
2
x
t
(35)
Le probl` eme didentication se r eduit au choix de la normalisation du vecteur . Il fau-
dra choisir de poser
1
= 1 ou
2
= 1. Ce mod` ele repr esente la distribution jointe de
(y
t
, x
t
). Sous une hypoth` ese de normalit e des erreurs avec
t
N(0, ) , on a:
_
y
t
x
t
_
= f
N
__
m
y
m
x
_
,
_
(36)
6 EXOG

EN

EIT

E 22
o` u la d enition de m
y
et m
x
r esulte de l ecriture du dessus. Un mod` ele econom etrique
` a correction derreurs va typiquement consid erer la distribution conditionnelle (y
t
|x
t
)
et n egliger la distribution marginale de x
t
. Un moyen commode pour reparam etriser la
distribution jointe de (y
t
, x
t
) en le produit dune distribution conditionnelle et dune
distribution marginale consiste ` a multiplier notre petit mod` ele par une matrice C triangu-
laire sup erieure d enie ` a partir de . Pour notre petit mod` ele bivari e, on a:
C =
_
1
12

1
22
0 1
_
(37)
Alors:
_
y
t

12

1
22
x
t
x
t
_
= f
N
_
m
y

12

1
22
m
x
m
x
,
_

11

12

1
22

21
0
0
22
__
(38)
Si lon d ecide d etudier le mod` ele conditionnel en y
t
|x
t
qui correspond maintenant ` a
la premi` ere ligne de cette expression matricielle, il faut que x
t
soit exog` ene. Pour cela
il faut que le processus qui g en ere les x
t
soit s eparable du point de vue de linf erence,
cest ` a dire que les param` etres du mod` ele conditionnel et du mod` ele marginal soient libres
en variation. On voit d ej` a que la matrice de variance covariance est diagonale. D etaillons
maintenant les esp erances. On a:
m
y
c m
x
= (a
11
c a
21
)y
t1
+ (a
12
c a
22
)x
t1
(
1
c
2
)z
t1
m
x
= a
21
y
t1
+a
22
x
t1

2
z
t1
(39)
Il y a une restriction commune entre ces deux esp erances ` a cause de la forme de z
t1
qui
d epend du param` etre . Il serait dailleurs plus logique de noter z()
t1
. Pour faire sauter
cette restriction commune et donc avoir la libre variation, il faut et il suft que
2
= 0. Ce
qui signie que le terme correcteur derreurs apparat dans le mod` ele conditionnel, mais
pas dans le mod` ele marginal. On voit donc quune equation de type ECM correspond ` a un
mod` ele CVAR auquel on a impos e une restriction testable dexog en eit e. On a le th eor` eme
suivant adapt e de Johansen (1992):
Th eor` eme 9 Soit un mod` ele CVAR not e A

(L)X
t
= X
t1
+
t
et la partition de X
t
en [Y
t
, Z
t
]. Soit la partition correspondante de en [
1
,
2
]. Linf erence par maximum de
vraisemblance sur est la m eme dans ce mod` ele que dans le mod` ele conditionnel d eni
par A(L)Y
t
= B(L)Z
t

1
X
t1
+u
t
si
2
= 0 dans le mod` ele CVAR. Cette condition
est une condition dexog en eit e de Z
t
pour linf erence sur et .
On trouve un r esultat equivalent dans Boswijk (1992) ou dans Urbain (1992). Il faut noter
que dans cette ecriture A

(0) = I
n
.
Remarques:
- Dans un mod` ele VAR coint egr e, il est possible de tester lexog en eit e dune variable
pour linf erence sur d` es que le mod` ele est identi e. Il faut donc tout dabord
identier le mod` ele par des restrictions didentication qui sont non testables.
6 EXOG

EN

EIT

E 23
- Lexog en eit e est testable dans un mod` ele CVAR car celui-ci est un mod` ele contraint.
Si lon relache la contrainte de coint egration, lexog en eit e nest plus testable. Dans
un mod` ele de r egression y
t
= x

t
+u
t
, il nest pas possible de tester lexog en eit e de
x
t
pour linf erence sur .
FIN DU COURS POUR CE CHAPITRE, SAUTER A LA CONCLUSION ET
AUX EXERCICES
6.2 Interpr etation des restrictions sur
A FINIR
Nous pouvons maintenant revenir au cas o` u lon a partitionn e et pos e
1
= I
r
pour
identier le mod` ele. Il est commode de partionner de mani` ere equivalente la matrice en
(
1
,
2
) avec
1
matrice carr ee de dimension r r et
2
de dimension (n r) r.
Nous avons vu dans une section pr ec edente comment n etait pas identi e et quelles
restrictions on pouvait logiquement imposer pour arriver ` a lidentication. Consid erons le
cas particulier o` u est partitionn e en
1
et
2
. La matrice
1
est de dimension r r. La
solution consistant ` a poser
1
= I
r
adopt ee par exemple dans Phillips and Durlauf (1986)
ou Phillips (1991) ne recoit une vraie interpr etation en terme de forme r eduite que dans le
cas o` u = r. Dans ce cas alors, et seulement dans ce cas, la partition de correspond
` a celle de X
t
. Notons de plus que la condition dexog en eit e
2
= 0 nimpose pas de
contraintes didentication car ces (n ) r restrictions ne sont pas ind ependantes entre
elles. Le mod` ele nest donc pas sur-identi e au niveau de la relation de coint egration.
Toujours ` a cause du fait que nest pas n ecessairement egal ` a r, il semble difcile de
contraindre la matrice
1
en imposant par exemple que cette matrice soit diagonale, ce qui
signierait quil ny a quune seule relation de coint egration par equation structurelle.
Le plus simple semble donc dintroduire des restrictions g en erales sur du type R
i

i
=
h
i
en se basant sur la th eorie economique. Ces restrictions doivent etre en nombre egal ` a
r (n r) en plus des r normalisations.
Dans lexemple trait e avec n = 3 et r = 2, on peut tester lexog en eit e de x
3t
en testant
lhypoth` ese que
******************
Ce type de restrictions identiantes d enit r equations de forme r eduite pour les r
premi` eres variables de X
t
. Si de plus
2
= 0, on obtient une forme r eduite compl` ete pour
les r variables endog` enes de X
t
, etant donn e que les n r variables restantes dans X
t
sont
pos ees comme exog` enes.
A partir du moment o` u le mod` ele devient identi e, on peut reprendre lanalyse sur
lexog en eit e et tester la nullit e ` a zero de certains coefcients de la matrice . Si lon
choisit de faire porter moins de restrictions que n ecessaire pour lidentication sur , alors,
les restrictions dexog en eit e sur ne seront plus testables. Elles demeureront simplement
interpr etables en terme dexog en eit e pos ee a priori. Nous allons poursuivre dans ce sens.
7 COINT

EGRATION ET MOD
`
ELES
`
A

EQUATIONS SIMULTAN

EES 24
Partitionnons la matrice en

= [

1
,

2
] avec
1
matrice carr ee de dimension r r
et
2
de dimension (n r) r. Une possibilit e parfois utilis ee dans la litt erature con-
siste ` a contraindre
1
` a etre diagonale, ce qui veut dire que dans les r premi` eres equations
du CVAR napparat quun seul terme correcteur derreurs tandis que tous les termes cor-
recteurs derreurs apparaissent dans les n r equations restantes si
2
nest pas contraint.
Ces r(r 1) restrictions sont sufsantes pour identier le mod` ele ` a partir du moment o` u
a et e correctement normalis e. Par contre ces restrictions sont difciles ` a justier sur le plan
economique. Elle peuvent paratre un peu plus naturelles si
2
= 0. Dans ce cas, les n r
derni` eres variables de X
t
seront exog` enes, comme on peut le d eduire du th eor` eme 9. Cest
la solution quadoptent par exemple Boswijk (1992) et Boswijk (1995). Mais il est difcile
dimposer a priori ces r(n r) derni` eres restrictions qui en toute logique devraient etre
test ees. Notons que ce restrictions dexog en eit e ne sont pas identiantes dans la mesure o` u
elles ne sont pas ind ependantes entre elles.
6.3 Exog en eit e faible et non-causalit e
Nous avons vu plus haut que lon pouvait analyser s epar ement les deux mod` eles pourvu
que Z
t
soit exog` ene pour linf erence sur , cest ` a dire que
2
= 0. Cette condition a
pour but de rendre ind ependant les deux syst` emes. Elle a pour cons equence d eliminer la
pr esence du terme correcteur derreur

X
t1
dans le mod` ele marginal. Cette restriction
doit etre test ee, car elle nest pas naturellement satisfaite. Mais si les k variables contenues
dans Z
t
sont exog` enes pour linf erence et que donc
2
= 0, on peut analyser de mani` ere
s epar ee le mod` ele conditionnel. Il faut noter que celui-ci se r eduit ` a un mod` ele ECM usuel
` a la Hendry quand = r = 1. Dans le cas g en eral, on a:
Y
t
= CZ
t
+
1

X
t1
+

A
1
X
t1
+u
t
Z
t
= A
21
Y
t1
+A
22
Z
t1
+
2t
(40)
Le mod` ele marginal devient maintenant un simple mod` ele VAR. La non-causalit e au sens
de Granger de Y
t
implique que A
21
= 0 dans ce mod` ele marginal. Il faut noter que le test de
cette non-causalit e se fait ici apr` es avoir test e lexog en eit e de Z
t
. La proc edure est relative-
ment simple. Si lon avait voulu par contre tester la non-causalit e de Z
t
ind ependamment
de lexog en eit e, la proc edure aurait et e beaucoup plus complexe. On consultera avec prot
par exemple Mosconi and Giannini (1992).
7 Coint egration et mod` eles ` a equations simultan ees
LAISSER SANS DOUTE TOMBER
Dans une section pr ec edente, nous avons montr e quelle etait la relation entre un mod` ele
CVAR et un mod` ele ` a correction derreurs ` a la Hendry. Le passage est relativement simple
` a comprendre tant que r = 1. Il repose sur une propri et e dexog en eit e testable. Les choses
deviennent un peu plus complexe dans le cas g en eral que nous allons tenter daborder
maintenant.
7 COINT

EGRATION ET MOD
`
ELES
`
A

EQUATIONS SIMULTAN

EES 25
7.1 Mod` ele marginal et mod` ele conditionnel
Consid erons un mod` ele CVAR simpli e en X
t
IR
n
X
t
=

X
t1
+AX
t1
+
t
(41)
de rang de coint egration egal ` a r. Le terme derreur est suppos e distribu e selon une loi Nor-
male de moyenne nulle et de matrice de variance-covariance egale ` a . On va commencer
par partitioner la matrice X
t
en Y
t
de dimension et Z
t
de dimension k. On partitione en-
suite en
1
et
2
de dimensions conformes. Consid erons maintenant la matrice C d enie
comme
C =
_
I

12

1
22
0 I
k
_
(42)
En multipliant notre mod` ele de d epart par cette matrice C, on obtient facilement un mod` ele
conditionnel et un mod` ele marginal.
Y
t
=

CZ
t
+ (
1

C
2
)

X
t1
+ (A
11

CA
22
)Z
t1
+u
t
Z
t
=
2

X
t1
A
21

t1
+A
22
Z
t1
+
2t
(43)
o` u

C est d eni par:

C =
12

1
22
et u
t
=
1t


C
2t
. La premi` ere equation constitue le
mod` ele conditionnel et la seconde le mod` ele marginal.
7.2 Identication du mod` ele structurel
Quand = 1, le mod` ele conditionnel recoit une interpr etation directe car il est identique
au mod` ele ` a correction derreurs ` a la Hendry. Quand > 1, on peut introduire une matrice
B de dimension pour obtenir un mod` ele que lon peut qualier de structurel. Cette
matrice aura ses el ements diagonaux egaux ` a un, pour retrouver le cas particulier = 1.
Multiplions donc le mod` ele conditionnel dans (40) par cette matrice. Lintroduction de
cette matrice B pose des probl` emes didentication nouveaux qui sont ind ependants de
la valeur de r. Ils sont communs ` a tous les mod` eles ` a equations simultan ees. Le mod` ele
structurel peut se noter plus g en eralement comme:
BY
t
= DZ
t
+

X
t1
+GX
t1
+u
t
(44)
En labsence dautres restrictions, le passage de la forme r eduite (40) ` a la forme struc-
turelle ne sera unique que si B est egale ` a la matrice identit e. Si on veut choisir une autre
solution, il faut imposer des restrictions sur les matrices D, ou G.
7.3 Les solutions de Boswijk
Boswijk (1995) propose un type tr` es particulier de solution qui consiste ` a faire une s erie
dhypoth` eses qui peuvent paratre restrictives.
8 CONCLUSION 26
- La premi` ere de ces hypoth` eses consiste ` a supposer que = r et que
2
= 0.
On a donc affaire ` a un syst` eme complet en ce sens o` u il y a autant de variables
endog` enes que de relations de coint egration. Lhypoth` ese dexog en eit e nest plus
test ee, mais impos ee. Si dans un ensemble de 5 variables, on trouve 2 relations de
coint egration, on va imposer aux 3 variables restantes d etre exog` enes et ne con-
sid erer que 2 equations structurelles.
- La seconde de ces hypoth` eses consiste ` a mettre des restrictions lin eaires sur de la
forme R
i

i
= 0 en plus de la normalisation dun el ement de chaque vecteur ` a 1.
Cette hypoth` ese se retrouve dans la discussion g en erale et na donc rien de restrictif.
- Enn le mod` ele structurel est identi e en mettant des restrictions de normalisation
sur B ( el ements diagonaux egaux ` a 1) et en imposant que soit egal ` a une matrice
diagonale. Cette derni` ere restriction conjointement avec = r, fait quune seule
relation de coint egration apparat dans chaque equation structurelle.
Le mod` ele structurel de Boswijk peut paratre tr` es restrictif, comme le souligne par ex-
emple Ericsson (1995). Mais, comme on a pu le voir dans la discussion du cas g en eral,
il est difcile de proposer une classe de mod` eles g en erale qui soit identi es et qui soient
facilement interpr etables sur le plan economique. Autant la construction dun mod` ele ` a
equation simultan ee ` a partir dun mod` ele VAR paraissait chose facile, autant le m eme exer-
cice quand on introduit la possibilit e de coint egration devient difcile et sujet ` a larbitraire.
8 Conclusion
Ce chapitre sest centr e sur les probl` emes de mod elisation dans un cadre multivari e. Avant
dintroduire la mod elisation des s eries int egr ees multivari ee, nous avons rappel e certaines
notons sur les mod` eles VAR et en particulier les notion de non-causalit e et dexog en eit e
faible. En suivant Florens and Moucahrt (1985), il est possible de construire un mod` ele ` a
equations simultan ee ` a partir dun VAR par conditionnement et marginalisation. Le mod` ele
conditionnel, de nature plus econom etrique, est analysable s epar ement pourvu quune
hypoth` ese dexog en eit e soit satisfaite. Dans le cas des VAR simples, elle lest toujours.
Lintroduction de la possibilit e de coint egration entre les variables complique grandement
les choses. Premi` erement la coint egration implique une perte de rang au niveau de la
repr esentation MA(), ce qui fait que le passage ` a une forme AR nest plus trivial. Il est
explicit e dans le th eor` eme de repr esentation de Granger. Nous avons analys e ses diff erentes
formes. Deuxi` emement, la coint egration, en impliquant une perte de rang, impose des
restrictions qui font que lhypoth` ese dexog en eit e ne peut plus etre directement v eri ee.
Tant que le rang de coint egration est egal ` a un, les mod` eles VAR avec coint egration sont
facilement interpr etables. Mais d` es quil y a deux vecteurs de coint egration, ceux-ci ne
sont d enis qu` a une transformation lin eaire pr` es. Il faut alors introduire des restrictions
didentication pour pouvoir interpr eter les coefcients. Ces restrictions se combinent plus
ou moins bien avec le nombre effectif de variables qui apparaissent comme exog` enes dans
le syst` eme CVAR initial. Il devient alors difcile de construire un mod` ele structurel qui
9 LECTURES ADDITIONNELLES 27
ait valeur de g en eralit e. Urbain (1995) tente sur un exemple empirique de construire une
m ethodologie de mod elisation en comparant lapproche jointe en terme de CVAR et une
approche structurelle sur un sous syst` eme.
9 Lectures additionnelles
Il existe un nombre maintenant importants de textes faisant une pr esentation des notions
de coint egration. Louvrage collectif edit e par L utkepohl and Kr atzig (2004) pr esente les
choses de mani` ere relativement appliqu ee. Hamilton (1994) a une pr esentation relative-
ment exhaustive. Enn le chapitre de Watson (1994) dans le Handbook of Econometrics
adopte une pr esentation tr` es synth etique du th eor` eme de repr esentation de Granger. On
notera egalement les ouvrages de Hendry (1995), Banerjee, Dolado, Galbraith, and Hendry
(1993). Pour des exercices, Hansen and Johansen (1998) constitue une source tr` es pr ecieuse
dont nous nous sommes largement inspir es dans la section suivante.
10 Exercices
10.1 Processus AR
Consid erons un mod` ele VAR bivari e
X
t
= X
t1
+
t
avec =
_
1/2 0
1 1/4
_
1.

Ecrivez l equation caract eristique associ ee ` a ce mod` ele
2. Montrez que ce mod` ele est stationnaire.
3. Quelle relation existe-t-il entre les racines de l equation caract eristique et les valeurs
propres de la matrice ?
4. Id ees de solution Il suft d ecrire A(z) = I z. Les racines se trouvent en
r esolvant |A(z)| = 0 que lon trouve facilement puisque le d eterminant est naturelle-
ment factoris e. Les deux racines sont en dehors du cercle unit e. Les valeurs propres
de se trouvent r esolvant | I| = 0. Ces valeurs propres sont les r eciproques
des racines de l equation caract eristique
10.2 Processus MA
On rappelle quun MAmultivari e est I(0) si C(1) = 0 est non nul, et que ce m eme processus
est I(1) si sa diff erence premi` ere est I(0). Consid erez les processus X
t
= u
t
et Z
t
=

t
v
t
.
1. Montrez que X
t
est I(0).
2. Calculez les deux premiers moments de Y
t
= X
t
. Montrez que Y
t
est stationnaire,
mais pas I(0).
10 EXERCICES 28
3. Montrez que Z
t
et Z
t
+X
t
sont I(1).
4. Id ees de solutions La repr esentation MA a comme propri et e que C(1) = I, donc
diff erent de z ero. Par contre, la repr esentation MA de Y
t
v erie que C(1) = I I =
0, ce qui fait que Y
t
nest pas I(0). Par contre Y
t
est stationnaire, car cest un processus
Gaussien dont les moments sont ind ependants du temps. Il faut ensuite diff erentier
Z
t
et Z
t
+X
t
et montrer que la somme des coefcients du MA est non nulle.
10.3 Repr esentation MA
On consid` ere un vecteur al eatoire X
t
bivari e qui r epond ` a la repr esentation MA suivante:
X
1t
=

t

1t
+
2t
X
2t
=

t

1t
+
3t
1. Montrez que le vecteur X
t
est I(1)
2. Donner le vecteur de coint egration qui rend X
t
stationnaire
3. Id ees de solutions Les deux composantes poss` edent une tendance stochastique com-
mune quil sagit dannuler par une combinaison lin eaire ad equate, (1, 1).
10.4 Repr esentation AR
On consid` ere la mod` ele simple suivant
X
t
=

X
t1
+
t
o` u X
t
est de dimension n et , de dimension n r avec r < n.
1. Exprimez l equation niveau en utilisant une simple reparam etrisation. Multipliez les
deux membres par . Montrez que la matrice

est de rang plein et que ses valeurs

propres sont inf erieures ` a un.
2. Soit

la matrice orthogonale ` a telle que

= 0. Montrez que

X
t
nest pas
stationnaire.
3. Id ees de solutions Il suft de poser Z
t
= X
t
et de calculer l equation caract eristique
du processus de Z
t
. Comme

X
t
est stationnaire, les racines de l equation car-
act eristique |I I

| = 0 sont en dehors du cercle unit e et la matrice

est
donc de rang plein. Les valeurs propres de cette matrice correspondent ` a l equation
|

I| = 0.
Prenez lexpression de X
t
en niveau et multipliez par

. On tombe sur lexpression

dune marche al eatoire, ce qui montre le r esultat cherch e.
10 EXERCICES 29
10.5 Identication et terme constant
Consid erez le mod` ele
(X
t
m) =

(X
t1
m) +
t
o` u X
t
est de dimension n et r est le rang de coint egration.
1. Montrez que ce mod` ele est un cas particulier de
X
t
=

x
t1
+ +
t
Trouvez en fonction de m et indiquer la contrainte qui porte sur au moyen de la
matrice

.
2. Montrez quen g en eral m nest pas identi e. Utilisez pour cela la matrice

.
3. Quelle est l ecriture usuelle o` u m est identi e?
4. Id ees de solutions Effectuez le produit pour trouver que X
t
=

X
t1

m+

t
. On a que =

m. En multipliant par

, on trouve la contrainte

= 0,
ce qui montre le cas particulier. Consid erons m

= m +

. On obtient le m eme
mod` ele en utilisant m ou m

, ce qui montre que m nest pas identi e. Le mod` ele

usuel est
(X
t
m) = (

X
t1
m) +
t
o` u m est cette fois-ci de dimension r 1.
10.6 Identication
Consid erez un mod` ele VAR coint egr e ` a quatre variables: la quantit e de monnaie m
t
, le
revenu y
t
et deux taux dint er et i
1t
et i
2t
. On suppose que le rang de coint egration est r = 2
et que les deux relations de coint egrations corerspondent ` a
m
t
= y
t
+c(i
1t
i
2t
) +
1
i
1t
= i
2t
+
2
1.

Ecrire le mod` ele sous forme matricielle en utilisant les matrices et et donnez
lexpression des deux vecteurs de coint egration.
2. Posez maintenant
1
= (a
1
, a
2
, a
3
, a4)

et
2
= (0, 0, a
5
, a
6
)

. Exprimez la matrice
de coint egration sous la forme = (H
1

1
, H
2

2
). Cette hypoth` ese forme-t-elle une
restriction sur lespace de coint egration et est-il identi e?
3. Id ees de solutions La matrice H
1
est la matrice identit e car tous les el ements de
1
sont libres et donc la matrice R
1
est egale ` a z ero. Les matrices H
2
et R
2
sont
H
2
=
_
_
_
_
_
0 0
0 0
1 0
0 1
_
_
_
_
_
R
2
=
_
1 0 0 0
0 1 0 0
_
REFERENCES 30
Il est imm ediat que
1
nest pas identi e car R
1
H
2
= 0 et donc son rang est plus
petit que un alors que R
2
H
1
= R
2
est de rang 2, donc sup erieur ` a un.
10.7 Exog en eit e
Consid erez un mod` ele VAR coint egr e pour le vecteur dobservations X
t
o` u le rang de
coint egration est egal ` a r. Partitionnez les matrices de poids et de coint egration de
mani` ere astucieuse.
1. Quelle est la restriction sur qui permet didentier le mod` ele. Justier votre
r eponse.
2. Quelle interpr etation peut-on alors donner aux equation de long terme?
3. Consid erez maintenant votre partition de . Quelle restriction sur permet de tester
lexog en eit e dune partie des X
t
?
4. Si cette restriction dexog en eit e est accept ee, que pouvez vous dire sur le mod` ele
r esultant.
5. Id ees de solutions En fait il sagit dune question de cours. Il faut d egager une sous
matrice carr ee
1
qui soit de taille r. Le mod` ele sera compl` etement identi e si
1
est contraint ` a la matrice identit e. Il y aura alors r
2
restrictions ind ependantes. La
matrice
2
correspondante sera de taille r (n r). Sa nullit e permet de tester
lexog en eit e des n r derni` eres composantes de X
t
. La solution de long terme sera
alors une forme r eduite qui expliquera r variables endog` enes en fonction de n r
variables exog` enes au moyen de r equations. Le mod` ele est complet.
References
BANERJEE, A., J. DOLADO, J. W. GALBRAITH, AND D. F. HENDRY (1993): Co-
Integration, Error-Correction, and the Econometric Analysis of Non-Stationary Data,
Advanced Texts in Econometrics. Oxford University Press, Oxford.
BAUWENS, L., AND M. LUBRANO (1996): Identications Restrictions and Posterior
Densities in Cointegrated Gaussian VAR Systems, in Advances in Econometrics, ed.
by T. Fomby, vol. Vol 11, part B, pp. 328. JAI Press, Greenwich, USA.
BOSWIJK, P. H. (1992): Cointegration, Identication and Exogeneity: Inference in Struc-
tural Error Correction Models. Thesis Publisher, Tinbergen Institute Research Series,
Amsterdam.
(1995): Efcient Inference on Cointegration Parameters in Structural Error Cor-
rection Models, Journal of Econometrics, 69, 133158.
REFERENCES 31
CAMPBELL, J., AND P. PERRON (1991): Pitfalls and Opportunities: What Macroe-
conomists Should Know about Unit Roots, in NBER macroeconomics annual 1991, ed.
by O. J. Blanchard, and S. Fischer, pp. 141201. MIT Press, Cambridge and London.
ENGLE, R. F., AND C. W. GRANGER (1987): Cointegration and Error Correction: Rep-
resentation, Estimation and Testing, Econometrica, 55, 251276.
ENGLE, R. F., AND S. YOO (1987): Forecasting and Testing in Cointegrated Systems,
Journal of Econometrics, 35, 143159.
ERICSSON, N. R. (1995): Conditional and Structural Error Correction Models, Journal
of Econometrics, 69, 159171.
FLORENS, J.-P., AND M. MOUCAHRT (1985): Conditioning in Dynamic Models, Jour-
nal of Time Series Analysis, 6, 1534.
GRANGER, C. W. (1981): Some Properties of Time Series Data and their Use in Econo-
metric Model Specication, Journal of Econometrics, 16, 121130.
(1983): Cointegrating Variables and Error Correcting Models, Discussion Paper
83-13, UCSD, San Diego.
GRANGER, C. W., AND A. WEISS (1983): Time Series Analysis of Error Correction
Models, in Studies in Economic Time Series and Multivariate Statistics, ed. by S. Kar-
lin, T. Amemiya, and L. Goodman. Academic Press, New-York.
HAMILTON, J. D. (1994): Time Series Analysis. Princeton University Press, Princeton.
HANSEN, P., AND S. JOHANSEN (1998): Workbook on Cointegration, Advanced Texts in
Econometrics. Oxford University Press, Oxford.
HENDRY, D. F. (1995): Dynamic Econometrics, Advanced Texts in Econometrics. Oxford
University Press, Oxford.
HENDRY, D. F., AND K. JUSELIUS (2001): Explaining Cointegration Analysis: Part II,
Energy-Journal, 22(1), 75120.
HSIAO, C. (1997): Cointegration and Dynamic Simultaneous Equations Model, Econo-
metrica, 65(3), 647670.
JOHANSEN, S. (1991): Estimation and Hypothesis Testing of Cointegration Vectors in
Gaussian Vector Autoregressive Models, Econometrica, 59, 15511580.
(1992): Cointegration in Partial Systems and Efciency of Single Equation Anal-
ysis, Journal of Econometrics, (52), 389402.
JOHANSEN, S. (1995): Identication Restrictions of Linear Equations with Applications
to Simultaneous Equations and Cointegration, Journal of Econometrics, 69, 111132.
REFERENCES 32
JOHANSEN, S., AND K. JUSELIUS (1994): Identication of the Long Run and Short Run
Structure. An Application to the IS-LM Model, Journal of Econometrics, 63, 736.
L UTKEPOHL, H., AND M. KR ATZIG (eds.) (2004): Applied Time Series Econometrics,
Themes in Modern Econometrics. Cambridge University Press, Cambridge.
MOSCONI, R., AND C. GIANNINI (1992): Non-Causality in Cointegrated Systems: Rep-
resentation, Estimation and Testing, Oxford Bulletin of Economics and Statistics, 54,
399417.
PHILLIPS, P., AND S. DURLAUF (1986): Multiple Time Series Regression with Integrated
Processes, Review-of-Economic-Studies, 53(4), 473495.
PHILLIPS, P. C. (1991): To criticize the critics: an objective Bayesian analysis of stochas-
tic trends, Journal of Applied Econometrics.
STOCK, J., AND M. WATSON (1988): Testing for Common Trends, Journal of the Amer-
ican Statistical Association, 83, 10971107.
URBAIN, J. (1992): On Weak Exogeneity in Error Correction Models, Oxford Bulletin
of Economics and Statistics, 54, 187207.
(1995): Partial versus Full System Modelling of Cointegrated Systems: An Em-
pirical Illustration, Journal of Econometrics, 69, 177210.
WATSON, M. (1994): Vector autoregression and cointegration, in Handbook of Econo-
metrics, ed. by R. Engle, and D. McFadden, vol. IV, chap. 47, pp. 28432915. Elsevier,
New York.