Thème 7 : La modélisation VAR (Spécification, estimation et
prévision d’un modèle VAR)
I- Etude de stationnarité de modèle VAR
Pour effectuer une modélisation VAR, il faut que les séries soient
stationnaires, pour ce faire nous allons vérifier la stationnarité des séries
selon les étapes suivantes.
Etape 1 : Eude graphique
Cette étude nous permettre d’avoir une idée sur la stationnarité des
sériées.
On sélectionne y1 et y2
Open as Group
View
Graph…
-----------------------------------------------------------------------------
Etape 2 : Etude de corrélogramme
Premièrement on suppose les hypothèses suivantes :
H0 : existence de la stationnarité
H1 : inexistence de la stationnarité
On sélectionne une
seule variable y1 ou y2
On clique sur view
correlogramme
Le corrélogramme
s’affiche
A partir de corrélogramme on peut conclure que les séries sont si
seulement si la probabilité trouvée est supérieure à 5% (le seuil critique).
Si non on passe à vérifier la stationnarité a travers d’autre test à savoir
test (le test Dickey-Fuller, ADF augmenté ou le test Phillips Perron…)
La même chose pour autre variable y2
-----------------------------------------------------------------------------
Etape 3 : Test de stationnarité
Si l’analyse de corrélogramme ne permet pas de conclure si les séries sont
stationnaires ou non. On doit procéder à la réalisation d’autres testes à
savoir : test de Dickey-Fuller augmenté sur séries.
le test Dickey-Fuller augmenté ADF
Dans le test ADF on cherche à vérifier la non-stationnarité d’une série
En posant l’hypothèse nulle de l’existence de non-stationnarité
H0 : existence du non stationnarité – existence de racine unitaire-
H1 : existence de la stationnarité
On sélectionne une
seule variable y1 ou y2
Open
View
Unit Root Test…
Modèle 1 sans constante ni dérive temporelle Choisir ADF
Modèle 2 avec constante sans dérive temporelle
Modèle 3 appelés modèles complets avec tous
les paramètres précédents
Après on choisit soit le
modèle sans constante ni
dérive temporelle ou avec
constante sans dérive ou le
modèle qui complète les
deux
Et après on interprète les
résultats obtenus
Dans les trois modèles on rejette l’hypothèse nulle de l’existence d’une racine unitaire
(ou de non-stationnarité), si les t-statistiques obtenus sont largement inférieures à leurs
valeurs critiques.
Après avoir vérifié la stationnarité on passe la modélisation VAR et la détermination du
nombre de retards optimal.
-----------------------------------------------------------------------------
II- Modélisation VAR et détermination du nombre de retards
optimal
Pour déterminer l’ordre du modèle VAR qui correspond au nombre de retards optimal,
nous allons choisir celui qui minimise l’un des critères d’informations AIC ou BIC ou SC.
On sélectionne une
seule variable y1 ou y2
Open As AVR
View et on clique sur lag
structure (lag lenght
critiriale)
Nous choisissons le retard qui
minimise l’un des critères
d’informations AIC ou BIC ou SC
III- Estimation des paramètres du modèle VAR(1)
Après avoir déterminé le nombre de retard on passe à l’estimation des
paramètres de modèle VAR.
Ensuit estimation des paramètres :
La sélection des deux variables y1 et y2 open as var on indique le
nombre des retards.
A- Tests de significativité des paramètres
On sélection les deux
variables y1 y2
équation suivante (y1 c
y1(-1) y2(-1))
Les paramètres non significatifs sont ceux dont leurs p-value dépassent le seuil critique.
B- Stabilité du modèle
c- Test de validation du modèle
