Cointégration et Modèle

à Correction d’Erreur

Riadh BEN JELILI

Exemples introductifs
1er exemple
On considère deux variables yt et xt définies par : yt =
t et xt = t²; t=1,…,T. La tendance de yt est de type
linéaire et celle de xt est quadratique.
MCO pour T = 30 : yt = 5,92 +0,03 xt
(8,5) (19,8)
avec R² = 0,94 et DW = 0,057
2ème exemple
On génère deux processus aléatoires :
yt = yt-1 + ε1t avec ε1t ~ N(0;σ21)
xt = xt-1 + ε2t avec ε2t ~ N(0;σ22)

Sur 1000 régressions de y sur x, on obtient les

résultats suivants : 670 sont significatives d’après la
statistique de Student, cependant la statistique de
DW est toujours faible.
A retenir
• Le premier exemple illustre le danger
d’interpréter et d’utiliser une régression entre
deux variables affectées de tendances
déterministes de degré différent : le modèle a un
très mauvais pouvoir prédictif (très faible valeur
du DW qui présage d’une autocorrélation forte
des erreurs).

• Le deuxième exemple illustre le risque de

régresser entre elles deux séries affectées d’une
tendance stochastique : risque de régression
fallacieuse ou spurious regression.
La théorie de la cointégration introduite par Granger
(1986), et développée ensuite par un grand nombre
d’auteurs, peut être considérée comme une approche
pour mettre en évidence des relations linéaires stables
entre des séries temporelles non stationnaires.
Attraits de la théorie de la cointégration
• La possibilité d’établir une combinaison linéaire
stationnaire de variables qui ne le sont pas et qui, à
première vue, devraient diverger l’une de l’autre
lorsque le nombre d’observations tend vers l’infini .
L’existence de cette combinaison permet d’avancer
qu’il existe une relation d’équilibre de long terme
entre les variables considérées.
• Rationaliser l’utilisation des modèles à correction
d’erreurs (désignés par ECM). Le théorème de
représentation de Granger (1983) précise dans ce
cadre le lien, jusqu’alors intuitif, entre cointégration et
modèles à correction d’erreurs.
Tests de cointégration
basés sur les résidus et
modèle ECM
1. Définitions
Les composantes d’une matrice Y de dimension (T,M), Y =
(Y1,…,YM), sont cointégrées à l’ordre (d,b) avec b > 0 si :

1. Toutes les composantes de Y sont intégrées à l’ordre d,

2. Il existe un vecteur α de dimension (M,1) non nul tel que
Yα est intégré à l’ordre (d -b), α ≡ (1 -α1 … -αM)’
Lorsque les M variables sont à l’équilibre de
long terme :

• α est appelé vecteur cointégrant;

• α n’est pas unique dans la mesure où la relation (1) n’est
pas affectée par une transformation multiplicative par un
scalaire;
• il existe au maximum M - 1 relations de cointégration;
• L’espace de cointégration désigne l’espace vectoriel
engendré par les r vecteurs cointégrants, linéairement
indépendants.
L’erreur d’équilibre :

Si toutes les composantes de Y sont I(1), alors les M

variables sont dites cointégrées s’il existe un
vecteur α tel que l’erreur définie par (2) est I(0).
 Réécriture normalisée de (2) en exprimant une
composante de Y en fonction des M-1 autres
composantes :

Le résultat du test de cointégration est sensible à la

normalisation effectuée en échantillon fini.
L’utilisation de différentes normalisations présente le
risque de conclusions différentes quant à l’existence
de relations de cointégration entre deux variables ou
plus.
2. Procédure de Engle et
Granger (1987) :

D’abord vérifier que les composantes de Y sont

intégrées de même ordre. Ensuite, effectuer un test
de racine unitaire sur le résidu tiré de l’estimation
de (3) :

Dans la mesure où la matrice X inclut une

constante et un trend, ces derniers n’ont pas à être
introduits dans (4)
• Test en tout point semblable au test de racine
unitaire de DF. Seules les valeurs critiques
diffèrent. MacKinnon (1991) permet de calculer
ces valeurs à l’aide de surfaces de réponse définies
par :

φ∞, φ1 et φ2 sont des valeurs tabulées.

 Remarques importantes
1. D’une manière générale, dans un modèle à une
variable à expliquer et k variables explicatives, il
peut exister k vecteurs de cointégration
linéairement indépendants. Le nombre de
vecteurs de cointégration linéairement
indépendants est appelé rang de la cointégration.
2. Si les variables sont de même ordre d’intégration,
l’existence d’un seul vecteur de cointégration est
possible; en revanche, si les séries ne sont pas
toutes intégrées du même ordre, on peut être
certain que le vecteur de cointégration n’est pas
unique.
⇒ En pratique, pour tester une éventuelle
cointégration entre plusieurs variables, il convient
tout d’abord de la tester sur l’ensemble des k+1
variables, puis, en cas de cointégration, de la
tester par combinatoire entre les variables.
3. L’utilisation de la méthode en 2 étapes se heurte à des
biais pouvant survenir en échantillon fini lors de
l’estimation de α∗ dans la première étape. Une
solution envisageable est alors celle proposée par
Saikkonen (1991) et Stock et Watson (1993). Elle
consiste à introduire dans l’équation (3) des avances et
des retards de la différence première de chacune des
variables faisant partie de Y* :
Stock et Watson (1993) : les estimateurs obtenus par
MCO ou MCG à partir de (3)’ sont asymptotiquement
équivalents à ceux obtenus par estimation par le
maximum de vraisemblance.
Théorème de représentation de Granger
Ce théorème précise le lien étroit existant entre ECM
et cointégration. Il associe la présence d’une relation
de cointégration à l’existence d’une représentation
ECM qui permet de corriger les écarts afin de
converger vers la cible de long terme. Il fournit une
justification à l’utilisation de ce type de spécification
dynamique, en établissant que tout système cointégré
admet une représentation ECM :
dont la dynamique peut être enrichie par
l’introduction de retards supplémentaires de ∆Y*.

La méthode en deux étapes de Engle-Granger

consiste ainsi à obtenir en une première étape une
estimation de α∗ et à la substituer à α∗ dans (5). La
deuxième étape consiste ensuite à estimer par les
MCO l’équation (5).
 Remarques :

1. Un indicateur de la qualité de l’estimation de (5)

réside dans le R² : si la valeur du R² est
suffisamment proche de 1, alors les propriétés
des estimateurs tirés de (5) ne doivent pas être
mauvaises.

2. La méthode à deux étapes basée sur le

théorème de représentation n’est valable que
pour des variables I(1) et dans le cadre de la
cointégration déterministe (absence de trend).
3. Le coefficient δ, exprimant la force de rappel
vers l’équilibre, doit être significativement
négatif; dans le cas contraire, il convient de
rejeter une spécification de type ECM.

En effet, le mécanisme de correction d’erreur ou

de rattrapage qui permet de tendre vers la
relation de long terme irait alors en sens
contraire et s’éloignerait de la cible de long
terme.
3. Test de cointégration de Shin
(1994)

Extension à la cointégration du test développé dans

Kwiatowski, Phillips, Schmidt et Shin (1992)
destiné à tester la stationnarité sous l’hypothèse
nulle.

 yt = ωt + λt + Z t′β + rt + ut

rt = ϖ t + ρt
 ρt = ρt −1 + vt
Il s’agit de la forme de cointégration la plus générale
incluant une constante et un trend. La cointégration
peut être également testée sur une relation où figure
seulement une constante, voire sur une relation sans
constante ni trend. Comme pour le test KPSS,
l’hypothèse nulle testée est : σ v2 = 0
Utilisée de façon complémentaire aux statistiques de test de
Engle-Granger, la statistique de Shin permet d’établir la
taxinomie suivante :

Hypothèse nulle : non-

cointégration
Engle et Granger (1987)

H0 acceptée H0 rejetée

Hypothèse Pas de Cointégration

nulle : H0 acceptée conclusion
cointégration
Non Formes
Shin (1994) H0 rejetée cointégration alternatives
Désavantages de la méthode en deux étapes :

• Banerjee, Dolado, Hendry et Smith (1986) ont

montré que les estimations à distance finie (petits
échantillons), issues de la méthode à deux étapes
sont biaisées.
• La procédure Engle et Granger ne permet pas de
différencier plusieurs vecteurs cointégrants.
 Tests de cointégration
basés sur le maximum de
vraisemblance et modèle
VECM
1. Représentation vectorielle à
correction d’erreur VECM

Si le vecteur de cointégration est unique, nous

pouvons employer la méthode en deux étapes
proposée par Engle et Granger. Toutefois, le plus
souvent, le vecteur de cointégration n’est pas
unique et les estimations des MCO de cette
méthode ne sont plus consistants quels que
soient les vecteurs de cointégration
Cas de deux variables
D’après le théorème de la représentation de
Granger, si deux variables x et y sont I(1) et
cointégrées, alors la représentation VECM suivante
existe :
Si les coefficients δ et δ’ ne sont pas
significativement différents de 0, nous ne pouvons
pas retenir l’hypothèse d’une cointégration et la
représentation ECM n’est pas valide.
Si la représentation à correction d’erreur existe, les
relations précédentes peuvent s’écrire :
 Généralisation de la représentation VECM
La méthode de cointégration à la Johansen
considère un modèle vectoriel autorégressif
VAR(p) à M variables, p retards et T observations
écrit sous la forme matricielle :

Yt = Π1Yt −1 + Π 2Yt − 2 +  + Π pYt − p + µ + ε t , (6)

 L’équation (6) peut être réécrite sous la forme de
différences :

p −1
∆Yt = ∑ Γ j ∆Yt − j + Π Yt − p + µ + ε t , (7)
j =1

Γ j = −(I M − Π1 − Π 2 − ... − Π j ), j = 1,..., p − 1

Π = −(I M − Π1 − Π 2 − ... − Π p )
Objet de la méthode à la Johansen

Déterminer si la matrice Π de dimension (M,M)

permet d’informer sur les relations de long terme
entre les variables Ymt , m = 1,...,M et t = 1,...,T,
de Y.
1er cas :

Le rang de Π est égal à 0 : il n’existe aucune

relation de cointégration entre les variables ;
2ème cas :

Le rang de Π est égal à M : le vecteur Yt est

stationnaire et la matrice Π est de rang
plein;
3ème cas :

Le rang de Π ( noté R) est compris entre 1 et

M-1 : il existe des matrices α et β de
dimensions (M,R) telles que Π = αβ’ . Il
existe donc R relations ou vecteurs de
cointégration contenus dans β, appelé
espace de cointégration. β contient ainsi les
paramètres des vecteurs de cointégration
tandis que α contient les poids associés à ces
vecteurs, désigne ainsi le poids de la relation
de cointégration i dans l’équation j, avec i =
1,...,R, j = 1,...,M.
Dans ce dernier cas, la représentation ECM
est valide, soit :

p −1
∆Yt = ∑ Γ j ∆Yt − j + αet − p + µ + ε t , (8)
j =1

avec et = β ' Yt
Pour estimer les matrices α et β tel que Π=αβ’
Johansen (1988,1989) propose d’utiliser la
méthode du maximum de vraisemblance, sous
l’hypothèse de normalité des erreurs de
l’équation (8).
2. Test de relation de
cointégration à la Johansen
Le rang de la matrice Π détermine donc le nombre
de relations de cointégration. Johansen (1988,
1989) propose deux tests fondés sur les valeurs
propres les plus élevées de la matrice Π (Tests de
ratio de vraisemblance ou LR).
Test de la trace
A partir des valeurs propres de la matrice Π, on
calcule la statistique suivante pour tester
l’hypothèse nulle selon laquelle il existe au plus r
vecteurs cointégrants (soit M - r racines unité) :

M
λtrace = 2(Log ( Lnc ) − Log ( Lc ) ) = −T ∑ Log (1 − λˆi )
i = r +1

r = 0,1,2,.., M − 2, M − 1
Cette statistique suit une loi de probabilité
(similaire à un Khi deux) tabulée à l’aide de
simulations par Johansen et Juselius (1990).

Le test fonctionne par exclusion d’hypothèses

alternatives.
• Rang de Π égal à 0 (r=0),
H0 : r=0 vs H1 : r>0
Si λtrace > à la valeur critique tabulée, on rejette H0 et on
passe au test suivant.

• Rang de Π égal à 1 (r=1),

H0 : r=1 vs H1 : r>1
Si λtrace > à la valeur critique, on rejette H0 et on passe au
test suivant.

• Rang de Π égal à 2 (r=2),

H0 : r=2 vs H1 : r>2
Si λtrace > à la valeur critique, on rejette H0 et on passe au
test suivant, etc.
• Si, après avoir refusé les différentes hypothèses
nulles à la fin de la procédure on teste,
H0 : r=M-1 vs H1 : r=M
Si λtrace > à la valeur critique tabulée, on rejette H0
et le rang de la matrice est r=M; il n’existe pas de
relation de cointégration car les variables sont
toutes I(0).
Test de la valeur propre maximale
Pour tester l’hypothèse d’existence d’au plus r
vecteurs cointégrants contre l’hypothèse
alternative de r+1 vecteurs cointégrants, la
statistique est :

λmax = −TLog (1 − λˆr +1 )

r = 0,1,2,.., M − 2, M − 1
Cette statistique teste l’hypothèse nulle de
l’existence de q relations de cointégration contre
q+1
Remarque
Ces tests permettent de déterminer le nombre de
relations de cointégration; cependant ils
n’indiquent pas les variables qui sont cointégrées.