Elments de correction du sujet dexamen de

Sries temporelles
Professeur Georges Bresson

M1 Ingnierie Economique et Statistique

M1 Monnaie-Finance-Banque
16 janvier 2013

Ces lments de correction sont donns titre indicatif. Ils ne

prjugent pas de la correction exacte des copies.

Exercice 1

Soit le modle AR(1)associ la srie Xt :

Xt =

(t 1)

Xt

o "t est un bruit blanc "t iid 0;

que Xt = "t = 0 pour t 2 ( 1; 0] :

+ "t , t = 1; :::; T

2
"

et

est une constante: On suppose

1.a) On peut crire:

Xt

(t 2)

Xt

+ "t

do Xt =

(t 1)+(t 2)

Xt

(t 1)

+ "t +

"t

Par rcurrence, on obient:

Xt

(t 1)+(t 2)+:::+(t

Xt

+ "t +

X1

"t

j=1

= 4

(t j)

j=1

!3

5 :Xt

+ "t +

X1
j=1

"t

2
4

2
4

j
P

j
P

(t i)

i=1

(t i)

i=1

!3

!3

En posant
= t, on peut crire Xt comme un processus de moyenne
mobile sur "t :
!3
!3
2
2
j
t
P
P
t 1
(t j)
(t i)
X
5 :X0 + "t +
5
Xt = 4 j=1
"t j 4 i=1
= "t +

t 1
X
j=1

On peut donc crire:

Xt

j
P

"t j 4

= "t

(t i)

i=1

t X1

j=1
!3

"t

j
P

j=1

(t

i)

i=1

!3

1.b) La moyenne du processus Xt est donc:

E [Xt ] =

= E ["t ] +

t 1
X

E ["t

j]

j=1

puisque E ["t j ] = 0, 8j. De mme, E [Xt

du processus Xt est
= E (Xt
= E [Xt :Xt

j
P

(t i)

i=1

]=

!3

5=0

= 0. Lautocovariance

t) :

Xt
] ; 8

soit:
2

6
6
6
=E6
6
6
4
= E ["t "t
2

+E 4"t

"t +

"t

j=1

@" t

t 1
X

"t

j=1

P1

j
P

"t

2
4

t X1

"t

j=1

2
4

j
P

j
P

(t i)

i=1

(t i)

i=1

!3

(t i)

i=1

j=1

] + E 4"t

2
t 1
X
+E 4
"t
j=1

tP1

j
P

2
4

!3

(t

i=1

j
P

(t

i=1

55

j=1

"t

7
7
7
! 31 7
7
7
i)
5A 5
i)

! 33

t X1

2
4

! 33

55

j
P

(t

i=1

i)

! 33

55

Si

= 0; la variance est donne par:

2
Xt

= E ["t "t ] +
2
2
t 1
X
+E 4
"t j 4
0

j
P

(t i)

i=1

j=1

41 +

2
"

=
Si

t 1
X

j
P

(t i)

i=1

j=1

!3

!3

t 1
X

"t

j
P

j=1

(t i)

i=1

! 33

55

= 1; lautocovariance du 1er ordre est donne par:

! 33
2
2
j
P
t 2
(t 1 i)
X
55
= E ["t "t 1 ] + E 4"t
"t 1 j 4 i=1
1
j=1

+E 4"t

t 1
X

j=1

2
t 1
X
+E 4
"t
j=1

"t

2
4

j
P

j
P

i=1

(t i)

i=1

h
i
= E "t 1 "t 1 (t 1)
2
2
j
P
t 1
(t
X
+E 4
"t j 4 i=1

i)

j=2

2
"

8
<

(t

(t i)

2
t 1
X
1)
+4

j
P

!3

"t

t 2
X
j=1
!

j=2

"t

j
P

1 j

j=1

(t i)

i=1

55

t 2
X

!3

! 33

i=1

j
P

1 j

(t 1 i)

i=1

j
P

t 2
X

(t 1 i)

(t 1 i)

i=1

j=1

Lautocovariance du 2me ordre sera donc dnie par:

!
8
2
j
j
P
P
2
t 1
t 3
< P
(t i)
(t
X
X
(t i)
2
i=1
i=1
i=1
+4
2 = "
:
j=3

et donc lautocovariance lordre

8
2
t 1
< P (t i)
X
i=1
= 2"
+4
:

i=1

t ( +1)

j= +1

Lautocorrelation

j
P

j=1

du processus Xt est donc donne par:

E (Xt

t) :

Xt
2
Xt

(t

i=1

=1

! 33

=
5
;

2 i)

sera donne par:

(t i)

55

! 39

j=1

j
P

! 33

55

! 39

=
5
;
i)

! 39

=
5
;

(t i)

+4

i=1

j
P

tP1

i=1

j= +1

41 +

(t i)

tP1

j
P

(t i)

(t

i)

i=1

j=1
!3

i=1

j=1

j
P

t (P+1)

!3

, 8 6= 0

Exercice 2

Soit le processus ARCH(1) dni par:

at
E

a2t

t :"t
2
t =

t 1

, "t N (0; 1) , t = 1; :::; T

2
0
0 + 1 at 1 , 0 > 0, 1

o t 1 est lensemble informationnel disponible la date (t

total dobservations T est T = 1000.

1) et le nombre

2.a) Pour une distribution centre, le coe cient de Kurtosis est dni
comme le rapport du moment dordre 4 sur le carr du moment dordre 2.
Ce coe cient vaut 3 dans le cas dune loi normale quelconque, cette valeur
servant de rfrence. Pour le processus ARCH, le coe cient de Kurtosis
scrit:
E a4t
Kurta =
2
fE [a2t ]g

En vertu de la loi des esprances itres E [E [X j Y ]] = E [X], on peut

crire:
Kurta

=
=

E a4t
fE [a2t ]g
E 4t
fE [

2 ]g2
t

E E a4t j

t 1
2

4
t
2 ]g2
t

:E "4t
2

fE [E [a2t j t 1 ]]g
fE [
: fE ["2t ]g
E "4t
E 4t
=
Kurt"
2
2
fE ["2t ]g
fE [ 2t ]g

Or
2
t

=E

2
1 at 1

1E

et la variance non conditionnelle de E a2t

E a2t

2
2
1 at 2 "t 1

2 2
t "t 1

= E
=

=E

2
0 "t 1

car E a2t

a2t

est donne par:

= E a2t

donc
E

2
t

=
=

0
0

+
+

1E

a2t

1
0

=
1

1E

a2t

Posons: E "4t = E "4t

E a4t

4.

On peut crire:
h
:E "4t = E
0+

4
t

= E
=

2
0

+2

2
0

a2t 1

0 1E

2
2
1 at 1
2
1E

+2

0 1

a4t 1
2
1E

a4t

or les moments non conditionnels sont identiques 8t :

E a4t = E a4t

do
E a4t

2
0

(1 +
1 ) (1

(1
4
t

! E

1)

2 : 4
4: 1)
2
0 (1 + 1 )

(1

2
4: 1)

1 ) (1

Le coe cient de Kurtosis du processus ARCH(1) scrit donc:

Kurta

E
fE [
(1

4
t
2 ]g2
t
2
0 (1+
1 )(1

Kurt"
1)
2
1

4:

Kurt"

2
0

et comme E
Kurta =
Si 0 <
2.b) Si

2
1
1

"4t
1
(1

= 3, il vient:

2
1
2
4: 1)

1
(1 3

Kurt" =

2
1
2)
1

Kurt" = 3

1
(1 3

2
1
2)
1

< 1=3, alors Kurta > Kurt" :

= 0:42, alors le coe cient de Kurtosis est gal :
Kurta = 3

1
(1 3

2
1
2)
1

(0:42)

=3
1

= 5:2481

3 (0:42)

2.c) Sous lhypothse de normalit:

Ka

0;

24
T

On peut donc construire le test dune distribution msokurtique (ou test

daplatissement)
Kr 3
H0 : dist. msokurtique (K = 3) K = p
24=T
5

N (0; 1)

il vient:

5:2481 3
K =p
= 14:511
24=1000

Cette valeur est trs suprieure aux valeurs critiques de la loi normale
(quel que soit le seuil 1%, 5% ou 10%). On rejette donc lhypothse
nulle. Le coe cient de Kurtosis est suprieur 3 et la distribution est
leptokurtique.

Exercice 3

On considre la srie des rendements mensuels rt de lindice S&P 500 (en %)

sur la priode Janvier 1926 - Dcembre 2009. On constate sur la gure 1 une
volution stationnaire en moyenne avec des pisodes de uctuations importantes
avant 1950 puis aprs le milieu des annes 70. Ces pisodes de uctuations
semblent caractriser des priodes de forte volatilit.
3.a) Le modle estim est un AR(1)-GARCH exponentiel EGARCH(1,1)
du type:
8
rt
=
N (0; 1)
<
0 + 1 rt 1 + at , at = t "t , "t
0 +g("t 1 )
2
log t
=
1
B
:
g ("t 1 ) =
1 "t 1 + 2 j"t 1 j
comme at = t "t , le modle peut scrire:
(
rt
=
0 + 1 rt 1 + at , at =
log

2
t

log

2
t 1

t "t ,
at 1
t

"t
+

N (0; 1)
2

at

La mthode destimation utilise est le pseudo-maximum de vraisemblance

(en appliquant lalgorithme de Marquardt) et en supposant la normalit
des perturbations "t : Lchantillon couvre 888 observations et lalgorithme
a converg vers le maximum de vraisemblance au bout de 25 itrations. Le
rendement mensuel moyen (b
c) est valu 0:63%. Tous les coe cients de
la spcication AR(1)-EGARCH(1,1) sont signicativement dirents de
zro quel que soit le seuil sauf celui du rendement retard (rt 1 ). Lindice
S&P 500 est donc un processus de marche au hasard avec drive. b 0 (proxy
de la variance non conditionnelle) est estime 0:908 = exp ( 0:0959) : Le
coe cient de persistance de la volatilit b est trs lev (environ 97.6%).
Cependant, il ny a pas de racine unitaire car son intervalle de conance
95% de scurit est: 0:9759 1:96 (0:00646) = [0:963 ; 0:988]. Le coe cient
b 2 = 0:2244 est associ leet de lamplitude dun choc tandis que b 1 =
0:0385 est associ leet dun choc positif (ou ngatif). Comme b 1
est ngatif, un choc ngatif augmente la volatilit relativement un choc
positif. Cest leet de levier du 1er ordre.

3.b) La volatilit
seuil. En eet,

2
t

2
t

log

2
t 1

log

2
t 1

log

peut tre exprime sous forme dun modle GARCH

1 "t 1

(
(

1
1

j"t

1j

2 ) "t 1

2 ) "t 1

si
si

"t
"t

1
1

0
<0

do
2
t

2
t

2
t 1

0:976
2
t 1

:e 0 :

:e

0:096

exp [(
exp [(
:

1
1

2 ) "t 1 ]
2 ) "t 1 ]

exp (0:1859"t 1 )
exp ( 0:2629"t 1 )

si
si

"t
"t
si
si

1
1

"t
"t

0
<0
1
1

0
<0

3.c) Pour un choc "standardis" de magnitude 2 (i.e., 2 carts-type), on

a:
2
t
2
t

( pour "t
( pour "t

1
1

= 2)
exp ( 0:2629 ( 2))
exp (0:5259)
=
=
= exp (0:1540) = 1:1665
= +2)
exp (0:1859:(2))
exp (0:3719)

Limpact dun choc ngatif est donc environ 16:65% plus important que
limpact dun choc positif de mme amplitude.

Exercice 4
4.a) Tests de racine unitaire sur la srie log _1y: On commence par le
test de la tendance dans le modle gnral avec constante et trend (table
6). Le t-stat du trend (0:4288) est infrieur la valeur critique 5% lue
dans la table (2:78). On rejette donc la prsence du trend. On passe au
modle avec constante (table 7) et on teste la prsence de la constante.
Le t-stat de la constante (2:7209) est suprieur la valeur critique ( 5%
ou 10%) lue dans la table (2:52 ou 2:16). On accepte la prsence dune
constante au risque de 5%. Toujours sur la table 7, on teste la prsence
dune racine unitaire laide du t-stat de lendogne retarde ( 2:6929).
Cette valeur est suprieure la valeur critique ( 5%) lue dans la table
( 2:87). On accepte donc la prsence dune racine unitaire avec constante.
La srie log _1y est I(1) avec constante. Si on souhaite "travailler" avec
une scurit de 99%, on rejette la prsence de la constante et on passe
la table 8 pour tester la prsence dune racine unitaire sans constante. Le
t-stat de lendogne retarde ( 0:3041) est suprieur la valeur critique
( 1%) lue dans la table ( 2:58). On accepte donc la prsence dune racine
unitaire sans constante. En rsum, avec un risque de 5%, le processus
est I(1) avec constante tandis, quavec un risque de 1%, le processus est
I(1) sans constante.

4.b) On suppose que la srie log _3y est I(1) et on dnit les variables en
dirences premires: d log _1y et d log _3y: La table 9 dcrit un ensemble
de tests de spcication an de dterminer le nombre de retards optimal
pour un processus V AR(p) deux variables (M = 2). Ce modle scrit:
(B)Y t
Yt

= c + "t $ Y t = c +
= c+

p
X

Yt

1Y t 1

+ "t o "t

2Y t 2

N 0;

"

+ :::: +

pY t p

et Y t =

=1

+ "t

d log _1yt
d log _3yt

Le premier test est le test du rapport de vraisemblance (LR: likelihood

ratio test). On considre les hypotheses nulle et alternative suivantes:
H0
H1

:
:

p+1
p+1

= 0 ! processus V AR(p)
6= 0 ! processus V AR(p + 1)

La statistique de test du rapport de vraisemblance est donne par:

0
1
b (C)
"
B
C
(N C)
b (C)
C
LR = T log B
log b "
@ (N C) A = T log "
b
"

qui, sous lhypothse nulle, suit un 2 r degrs de libert o r est le

nombre de contraintes (ici r = M 2 = 22 en comparant un V AR(p) et
(C)
(N C)
un V AR(p + 1)). b " (resp. b "
) dsigne lestimateur de la matrice
de variances-covariances des rsidus du modle contraint (resp. non contraint). Pour dterminer lordre optimal du processus V AR(p), on utilise
galement des critres dinformation tels que les critres AIC (Akaike information criterion), SC (Schwarz information criterion) ou HQ (HannanQuinn information criterion):
AIC
SC
HQ

2 M 2p + M
log b " +
T
2
M
p
+ M log T
= log b " +
T
2
2
M
p
+
M log (log T )
= log b " +
T

Ces 3 critres ne donnant pas forcment le mme ordre optimal, on applique le principe de parcimonie en choisissant celui qui donne le plus petit
ordre pour le V AR(p). Les astriques ( ) dans la table 9 nous indiquent
le nombre de retards choisi par les critres de slection. Ainsi, pour LR,
SC et HQ, le nombre optimal de retards est 2. Par contre, pour AIC, le
nombre optimal de retards est 3. Si on applique le principe de parcimonie,
alors on proposera un processus V AR(2) pour ce systme de 2 variables
d log _1y et d log _3y.
8

La table 10 nous fournit les rsultats du test de causalit " la Granger"

entre d log _1y et d log _3y pour un processus V AR(2): En xant a priori
le nombre de retards p = 2 du processus V AR(p), on estime le modle
bivari suivant:
8
p(=2)
p(=2)
P
P
>
>
d log _1yt +
d log _3yt + "1;t
< d log _1yt =
0;1 +
>
>
: d log _3yt

0;2

=1
p(=2)
P

d log _3yt

=1

=1
p(=2)
P

d log _1yt

+ "2;t

=1

Ainsi, Eviews propose de tester les hypothses nulles:

H0 :
H0 :

1
1

=
=

2
2

=0
=0

dans la 1re quation

dans la 2me quation

$ d log _3y "ne cause pas" d log _1y

$ d log _1y "ne cause pas" d log _3y

Les statistiques F des tests de Wald sont fournies par le logiciel. A la

lecture de la table 10, on constate que les valeurs du test F sont respectivement de 4:242 et 2:246 avec des niveaux marginaux de signicativit
(p-value) de 0:014 et de 0:106. Autrement dit, on a 1:4% de chances de se
tromper si on rejette lhypothse nulle: d log _3y "ne cause pas" d log _1y.
On peut donc conclure que d log _3y "cause au sens de Granger" d log _1y
au risque de 5%. Par contre, on a 10:6% de chances de se tromper si on
rejette lhypothse nulle: d log _1y "ne cause pas" d log _3y. On peut
donc conclure que d log _1y "ne cause pas au sens de Granger" d log _1y
au risque de 5%. A priori, le modle des taux de croissance des taux
dintrt est un modle rcursif:
8
p(=2)
p(=2)
P
P
>
>
d log _1yt +
d log _3yt + "1;t
< d log _1yt =
0;1 +
=1

>
>
: d log _3yt

=1

0;2

p(=2)
P

d log _3ytt

+ "2;t

=1

4.c) On souhaite estimer une relation de long terme entre les logarithmes
des taux dintrt:
log _1yt =

log _3yt +

2 dummyt

+ "t

o dummyt est une variable indicatrice valant 1 pour la priode 1980.1

- 1985.12 et 0 sinon. Comme les deux variables sont I(1), cette relation pourra tre assimile une relation dquilibre de long terme si elle
est cointgre, c.a.d si les rsidus estims sont stationnaires (b
"t
I(0)).
Lestimation par les MCO (table 11) montre que tous les coe cients sont
signicativement dirents de zro. Mais avant de pouvoir les interprter,
il faut vrier si la relation est cointgre. Le R2 trs lev (0:972) et la
statistique DW de Durbin-Watson trs faible (0:109) nous faire craindre
une rgression fallacieuse ou une relation non cointgre. Sous lhypothse
nulle de la prsence dune racine unitaire sur les rsidus, un premier test
9

consiste savoir si DW = 0. Ce test est appel CRDW (Cointegrating Regression Durbin-Watson test). Si le DW calcul est infrieur
la valeur critique, on accepte lhypothse nulle de non cointgration. A
linverse, si le DW calcul est suprieur la valeur critique, on rejette
lhypothse nulle de non cointgration et les variables sont alors cointgres. La valeur critique lue dans la table 4 (0:30) est suprieure la
valeur calcule (0:109). On ne peut pas rejeter lhypothse nulle de non
cointgration. Un autre test est le test DF. Sous lhypothse nulle de non
cointgration (i.e., prsence dune racine unitaire), on teste:
H0 :

b
"t =

=0 $

"t 1
1b

+ ut

Si le t-stat calcul de 1 est suprieur la valeur critique, on accepte

H0 . Dans ce cas, les variables sont non cointgres puisque b
"t
I(1).
A linverse, si le t-stat calcul de 1 est infrieur la valeur critique, on
rejette H0 . Dans ce cas, les variables sont cointgres puisque b
"t I(0):
La lecture de la table 12 nous donne un t-stat de 1 gal 4:092. Or la
valeur critique lue dans la table 3 est 4:64 1%; 4:10 5% et 3:81
10%: Les variables de taux dintrt sont non cointgres avec une scurit
de 95% ou de 99% mais peuvent tre considres comme cointgres avec
une scurit de 90%. En gnral, en conomie, on "travaille" au risque
de 5% et nous sommes donc enclins rejeter lhypothse de cointgration,
donc lhypothse dune relation de long terme stationnaire.
4.d) On estime un processus VAR(2) non cointgr pour les deux sries de
taux dintrt. La table 13 montre que les coe cients sont tous signicativement dirents de zro lexception des constantes et du coe cient de
d log _1yt 2 . On a bien une relation croissante entre les taux de croissance
des taux dintrt. Mais limpact du taux de croissance du taux dintrt
3 ans sur le taux de croissance du taux dintrt 1 an (0:3314) est plus
important que limpact du taux de croissance du taux dintrt 1 an sur
le taux de croissance du taux dintrt 3 ans (0:1401).
d log _1yt
d log _3yt

0:2513d log _1yt 1 + 0:3314d log _3yt 1

0:1401d log _1yt 1 + 0:3033d log _3yt 1 0:2313d log _3yt

Comme on peut le constater sur la gure 3, le systme est stable puisque les
racines de lquation caractristique det I2 z 2
1z
2 = 0 se situent
lintrieur du disque unit du plan complexe. Par ailleurs, les autocorrelations et les corrlations croises des rsidus (gure 4) semblent nulles
jusquau retard 11 lexception de la corrlation [d log _1yt ; d log _3yt 7 ] :
Cette absence de corrlation rsiduelle est conrme par le test du multiplicateur de Lagrange sur les rsidus (table 14). La gure 5 reprsente
les fonctions de rponses impulsionnelles gnralises de Pesaran et Shin.
Ces fonctions de rponses sont issues dun ensemble dinnovations orthogonales qui ne dpendent pas de la position des direntes variables dans
le processus V AR. La rponse impulsionnelle issue dune innovation de la
10

variable d log _1y est obtenue en appliquant la variable d log _3y une factorisation de Cholesky calcule avec linnovation de la variable d log _1y
place tout en haut de la structure V AR et vice versa. La rponse de
(d log _1y) un choc sur ses innovations est relativement faible, mme
instantanment (+6:0%) et sattnue trs rapidement au bout de 3 mois.
La rponse du taux de croissance du taux dintrt 1 an des chocs sur
le taux de croissance du taux dintrt 3 ans est lgrement plus faible
(5:5% en instantan). On obtient le mme type de prol dynamique pour
le taux de croissance du taux dintrt 3 ans. Les eets sur les taux
de croissance des taux dintrt sont donc temporaires et sestompent trs
rapidement au bout dun trimestre.

4.e) On estime un modle VAR cointgr. Rappelons que lon peut rcrire ce VAR sous la forme:
Y t = c + A1 Y t
o
B=

p
Y

+ :::: + Ap

Yt

p+1

+ BY t

p
X

IM et Ai =

i=1

+ "t

j=i+1

Le thorme de reprsentation de Granger stipule que la matrice de coefcients B nest pas de plein rang mais de rang infrieur r < M (= 2) et
quil existe des matrices et de taille (M r) et de plein rang r telles
0
et 0 Y t I(0): r est le nombre de relations de cointgration
que B =
(i.e., le rang de cointgration) et chaque colonne de est le vecteur de
cointgration. Les lments de sont appels paramtres dajustement
du VECM. Autrement dit, il y aura r relations de cointgration si
0

H0 (r) : B =

Le rapport de vraisemblance permet de dnir 2 tests, le test de la trace et

le test de la valeur propre maximale, qui prcisent le nombre de vecteurs
cointgrants. Lhypothse nulle est:
H0 :

r+1

r+2

= ::: =

=0

le systme a donc (p r) racines unitaires ou r vecteurs cointgrants. Le

test de la trace, sous lhypothse nulle de r relations de cointgration, est
donn par:
2 (LM V (r)

LM V (p)) =

T
X

i=r+1

log 1

bi

o bi est la plus grande valeur propre de B et o r = 0; 1; :::; p 1: Le

test de la valeur propre maximale, sous lhypothse nulle de r relations de
11

cointgration, est donn par:

2 (LM V (r)

LM V (r + 1)) =

T log 1

br+1

Dans certains cas, les 2 tests peuvent fournir des rsultats contradictoires.
Il convient alors dexaminer le vecteur de cointgration et de dterminer
son choix selon linterprtation des relations de cointgration. On considre donc lhypothse H0 : r
1. Le test de la trace (table 15) donne
4:2863 et le percentile 95 est 9:164. On ne peut pas rejeter lhypothse
nulle. Par contre, on peut rejeter lhypothse nulle H0 : r = 0 puisque
le test de la trace donne 23:957 et le percentile 95 est 20:261. De mme,
le test de la valeur propre maximale rejette lhypothse nulle H0 : r = 0
puisque le test donne 19:6706 et le percentile 95 est 15:892: Ce mme test
permet daccepter lhypothse nulle H0 : r 1 puisque la table 15 donne
galement 4:2863 et le percentile 95 est 9:164. On conclut quil y a donc
une relation de cointgration (r = 1) pour le lien entre les taux dintrt
1 an et 3 ans.
0
nous donne le vecteur
Lestimation de la matrice de coe cients B =
de cointgration ainsi que le vecteur des paramtres dajustement du
VECM (voir table 16):
0
0

=
=

(1:000; 1:0869; 0:2407)

( 0:0827; 0:024)

La relation dquilibre est donne par:

log _1yt = 1:0869 log _3yt

0:2407

et le vecteur de cointgation peut sinterprter comme un mcanisme

correction derreur mesurant lcart de taux:
Ecart = log _1yt

(1:0869 log _3yt

0:2407)

Les paramtres dajustement peuvent sinterprter comme les poids de

lcart des taux dintrt (Ecart) associs aux 2 quations du VECM et
peuvent naturellement sinterprter comme des vitesses de convergence
moyennes vers lquilibre de long terme estim. Seul un paramtre est
signicativement dirent de 0. Il sagit du paramtre associ lECM du
taux 1 an ( 0:0827). Le paramtre dajustement ( 0:024) associ au
taux dintrt 3 ans est non signicativement dirent de zro au risque
de 5%. Ainsi, aprs un choc sur le taux 3 ans, 8:27% de lajustement
du taux 1 an est realis au bout dun mois, donc 49:6% (resp. 91%) de
lajustement est realis au bout de 6 mois (resp. de 11 mois).
LECM associ au taux 1 an est donc dni et estim par:
log _1yt

0:0827 [log _1yt (1:0869 log _3yt 0:2407)]

+0:2851 log _1yt 1 + 0:2886 log _3yt 1
12

Tandis que lECM associ au taux 3 ans est estim par

log _3yt = 0:1501

log _1yt

1 +0:2909

log _3yt

0:2434 log _3yt

La trajectoire du taux de croissance du taux dintrt 3 ans semble donc

autonome et ne pas tre contrainte par un retour vers lquilibre de long
terme au contraire de la trajectoire du taux de croissance du taux dintrt
1 an.
Les statistiques du test portmanteau (table 17) ainsi que les graphiques
des corrlations des rsidus (gure 6) conrment labsence de corrlation
srielle du modle et la relation de cointgration (lcart de taux) semble bien stationnaire. Cette relation de cointgration, reprsente la
gure 7, montre cependant des pisodes dcarts de taux relativement importants (1953-1959, 1974 et 1992-1993). Cette relation de long terme
semble pouvoir tre amliore en introduisant des variables indicatrices
pour ces priodes particulires, ce qui permettrait peut-tre dobtenir une
vitesse de convergence non nulle pour lECM du taux 3 ans. Mais ce
nest quune conjecture... En conclusion, il semble que lestimation du
VAR cointgr soit prfrable lestimation de la relation de long terme
la Granger-Engle (question 4.c) ou lestimation du VAR non cointgr
(question 4.d). Lestimation du VECM conrme lexistence dune relation
dquilibre de long terme entre les deux taux dintrt et fournit des trajectoires de croissance des taux compatibles avec cette relation dquilibre
sur la priode avril 1953 - janvier 2001.

13