Cointégration et Modèle à Correction

d'Erreur
Au Sens de Engle et Granger et au Sens de
Johansen

Eddarbouch Rim et Mohamed El Attouga

Sous la direction de : Prof. Oumansour Nour-Eddine

Université Mohammed V, Faculté des Sciences Juridiques Economiques

et Sociales, Agdal Rabat
1 Introduction

Dans le champ de l'économie et des finances, comprendre les relations à long terme entre
les séries temporelles économiques est essentiel pour évaluer la stabilité et la dynamique
des systèmes économiques. Les modèles de correction d'erreur et de cointégration,
notamment ceux développés par Johansen et Engle et Granger, sont cruciaux pour cette
analyse. Ils permettent aux chercheurs de décomposer et de comprendre comment les
variables économiques interagissent sur le long terme.
La cointégration a été introduite par Clive Granger en 1981, révolutionnant la façon dont
les économistes perçoivent les relations à long terme entre séries non stationnaires. Robert
Engle et Clive Granger ont formalisé cette notion en 1987, proposant une méthode simple
pour tester la cointégration entre deux séries temporelles par la régression et les tests de
racine unitaire. Leur approche, connue sous le nom de méthode Engle-Granger, est
particulièrement appréciée pour sa simplicité et son application directe.
Peu après, Sören Johansen a développé une méthode plus générale qui permet d’examiner
la possibilité de multiples vecteurs de cointégration entre plusieurs séries temporelles,
utilisant un modèle vectoriel autorégressif (VAR). Cette méthode est considérée comme
robuste, particulièrement dans les cas où plusieurs relations de long terme peuvent
coexister, ce qui est courant dans les systèmes économiques complexes.
Les méthodes de cointégration et les modèles de correction d'erreur sont essentiels pour
fournir des cadres analytiques permettant d'étudier les ajustements dynamiques. Ces
modèles sont vitaux pour comprendre comment les économies s'ajustent aux déséquilibres
et convergent vers l'équilibre à long terme, comme dans l'analyse de la relation entre les
taux d'intérêt et l'investissement entre différents secteurs.
Cette étude vise à revisiter ces méthodologies, en expliquant d'abord leurs fondements
théoriques et en montrant ensuite leur application à travers des exemples empiriques
pertinents. L'objectif est double : clarifier les distinctions et les similarités entre les
approches de Johansen et d’Engle-Granger, tout en illustrant leur importance pratique dans
l'interprétation des modèles de correction d'erreur et dans l'analyse économique moderne.
Enfin, nous souhaitons démontrer comment ces outils économétriques peuvent être utilisés
pour formuler des politiques économiques plus informées et plus efficaces.
2 La cointégration entre k variables

Dans un modèle économétrique comportant k variables explicatives, la relation est ex-

primée comme suit :
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥1𝑡 + 𝛽2 𝑥2𝑡 + ⋯ + 𝛽𝑘 𝑥𝑘𝑡 + 𝜀𝑡
Ou, si les variables 𝑦𝑡 et 𝑥𝑡 sont intégrées d’ordre 1 notées I(1), il peut y avoir un risque de
cointégration. Cela signifie que la présence de cointégration suggère que ces variables
doivent être non stationnaires. Pour deux variables, si une combinaison linéaire de ces
variables est stationnaire, alors elles sont cointégrées. L'estimation par la méthode des
moindres carrés ordinaires (MCO) du modèle permet de calculer le résidu suivant :
Estimation du modèle a correction d’erreur
𝑒𝑡 = 𝑦𝑡 + 𝛽̂0 − 𝛽1 𝑥1𝑡 − ⋯ − 𝛽𝑘 𝑥𝑘𝑡
Si ce résidu est stationnaire, nous validons l'hypothèse de cointégration entre les variables.
Les tests de Dickey-Fuller pour vérifier la stationnarité du résidu utilisent les valeurs
critiques fournies par MacKinnon en 1991, qui dépendent du nombre total de variables du
modèle. Le vecteur de cointégration est exprimé par :
[1 = 𝛽̂0 − 𝛽̂1 − ⋯ − 𝛽̂𝑘 ]
Cependant, la situation est plus complexe avec plusieurs variables, car les possibilités de
cointégration augmentent. Par exemple, si les variables 𝑦𝑡 𝑥1𝑡 𝑥2𝑡 et 𝑥3𝑡 sont cointégrées
deux à deux de telle sorte que 𝑥2 , 𝑥3 → CI(1,1), alors leur combinaison linéaire est intégrée
d'ordre zéro, I(0). Considérons les résidus :

𝑒𝑡′ = 𝑦𝑡 − 𝛼0 − 𝛼1 𝑥1𝑡 et 𝑒𝑡′′ = 𝑥2𝑡 − 𝛾0 − 𝛾1 𝑥3𝑡

D’où le résidu combiné devient :
𝑒𝑡 = 𝑒𝑡′ + 𝑒𝑡′′ = 𝑦𝑡 − 𝛼0 − 𝛼1 𝑥1𝑡 − 𝛼2𝑡 − 𝛾0 − 𝛾1 𝑥3𝑡 → I(0).
Dans cette configuration, nous identifions un possible vecteur de cointégration :
[1 = 𝛼0 − 𝛾0 − 𝛼1 , 1, −𝛾1 ]
De manière générale, dans un modèle avec une variable à expliquer et k variables
explicatives, il peut y avoir jusqu'à 𝑘 vecteurs de cointégration linéairement indépendants.
Le nombre de ces vecteurs constitue le rang de cointégration du modèle. Si les variables
ont le même ordre d'intégration, par exemple 𝐼(1)), il est possible d'identifier un unique
vecteur de cointégration. Toutefois, si les séries ne sont pas toutes intégrées du même ordre,
il est alors clair que le vecteur de cointégration n'est pas unique. Pratiquement, pour
examiner la présence de cointégration parmi plusieurs variables, il est recommandé de
commencer par tester l'ensemble des 𝑘+1 variables, et en cas de cointégration, de procéder
à des tests spécifiques de combinaison entre les variables.

3 Estimations du modèle a correction d’erreur vectoriel

Les tests précédents ayant confirmé la présence de cointégration, nous distinguons deux
configurations possibles :
 Un seul vecteur de cointégration est présent.
 Plusieurs vecteurs de cointégration sont identifiés.
Lorsqu’un unique vecteur de cointégration est détecté, il est approprié d’utiliser les
méthodes d’estimation décrites précédemment, telles que la procédure en deux étapes de
Engle et Granger. Les deux étapes clés pour estimer le modèle à correction d’erreur via les
Moindres Carrés Ordinaires (MCO) sont les suivantes :
Étape 1 : Estimation de la relation de long terme et calcul du résidu :

𝑒𝑡 = 𝑦𝑡 − 𝛽̂0 − 𝛽̂1 𝑥1𝑡 − ⋯ − 𝛽̂𝑘 𝑥𝑘𝑡

Étape 2 : Estimation de la relation dynamique de court terme :
∆𝑦𝑡 = 𝛼1 ∆𝑥1𝑡 + 𝛼2 ∆𝑥2𝑡 + ⋯ + 𝛼𝑘 ∆𝑥𝑘𝑡 − 𝛾1 𝑒𝑡−1 + 𝑢𝑡
Le coefficient 𝛾1 (qui reflète la force de rappel vers l'équilibre) devrait être significativement
négatif si une variable explicative unique est impliquée. Toutefois, lorsque le vecteur de
cointégration n’est pas unique, la méthode Engle-Granger peut se révéler inadéquate car les
estimateurs MCO ne restent pas consistants. Dans ces situations, il est nécessaire de recourir
à une représentation vectorielle à correction d’erreur (VECM, pour Vector Error Correction
Model).

4 Le modèle a correction d’erreur vectoriel

Nous commençons par étudier un processus VAR(2) à 𝑘 variables, présenté sous la forme
matricielle suivante :
𝑌𝑡 = 𝐴0 + 𝐴1 𝑌𝑡−1 + 𝐴2 𝑌𝑡−2 + 𝜀
Où 𝑌𝑡 est un vecteur de dimension (k × 1) constitué de k variable ((𝑦1𝑡 , 𝑦2𝑡 , … , 𝑦𝑘𝑡 )) 𝐴0
un vecteur de dimension (k × 1), et 𝐴0 des matrices de dimension (k × k).
Écriture en différences premières :
En premier lieu, le modèle peut s'écrire en différences premières :
Δ𝑌𝑡 = 𝐴0 + (𝐴1 − 𝐼)𝑌𝑡−1 + 𝐴2 𝑌𝑡−2 + 𝜀
Pour faire apparaître des différences premières du côté droit de l'équation, nous
manipulons (𝐴1 𝑌𝑡−2 − 𝑌𝑡−2 ) comme suit :
Δ𝑌𝑡 = 𝐴0 + (𝐴1 − 𝐼)𝑌𝑡−1 − 𝑌𝑡−2 + 𝐴1 𝑌𝑡−2 − 𝐴1 𝑌𝑡−2 + 𝑌𝑡−2 + 𝐴2 𝑌𝑡−2 + 𝜀
Cela simplifie à :
Δ𝑌𝑡 = 𝐴0 + 𝐴1 𝑌𝑡−1 − 𝑌𝑡−2 + 𝐴1 𝑌𝑡−2 − 𝐴1 𝑌𝑡−2 + 𝑌𝑡−2 + 𝐴2 𝑌𝑡−2 + 𝜀
Sachant que (Δ𝑌𝑡−1 = 𝑌𝑡−1 − 𝑌𝑡−2 ), en regroupant les termes en (Δ𝑌𝑡−1 = 𝑌𝑡−1 − 𝑌𝑡−2 ) et
simplifiant, nous obtenons :
Δ𝑌𝑡 = 𝐴0 + (𝐴1 − 𝐼)Δ𝑌𝑡−1 + (𝐴1 + 𝐴2 − 𝐼)𝑌𝑡−2 + 𝜀
Cependant, afin de faire figurer les relations de cointégration -- qui relient entre elles les
variables en niveau décalées d'une période nous cherchons à écrire l'équation (4) en
fonction de (𝑌𝑡−1 ) soit dans l'équation (3) nous pouvons ajouter et soustraire (𝐴2 𝑌𝑡−1 ) et
après simplification nous obtenons
Δ𝑌𝑡 = 𝐴0 − 𝐴2 Δ𝑌𝑡−1 + (𝐴1 + 𝐴2 − 𝐼)𝑌𝑡−1 + ϵ
Ou encore :
Δ𝑌𝑡 = 𝐴0 + 𝐵1 𝑌𝑡−1 + π𝑌𝑡−1 + 𝜖
Avec :
(𝐴2 = −𝐵1 ), 𝑒𝑡(π = (𝐴1 + 𝐴2 − 𝐼)).
Ce résultat peut être généralisé à une représentation VAR(p) à 𝑘 variables sous forme
matricielle :
𝑌𝑡 = 𝐴0 + 𝐴1 𝑌𝑡−1 + 𝐴2 𝑌𝑡−2 + ⋯ + 𝐴𝑝 𝑌𝑡−𝑝 + 𝜀
Avec :

 (𝑌𝑡 ) : vecteur de dimension (𝑘 × 1) constitué des \(k\) variables

((𝑦1,𝑡 , 𝑦2,𝑡 , … , 𝑦𝑘,𝑡 )),
 (𝐴0 ) : vecteur de dimension (𝑘 × 1),
 (𝐴𝑖 ) : matrice de dimension (𝑘 × 𝑘).
 Ce modèle peut s'écrire en différences premières de deux manières :
Δ𝑌𝑡 = 𝐴0 + (𝐴1 − 𝐼)Δ𝑌𝑡−1 + (𝐴2 + 𝐴1 − 𝐼)Δ𝑌𝑡−2 + ⋯
+ (𝐴𝑝−1 + ⋯ + 𝐴2 + 𝐴1 − 𝐼)Δ𝑌𝑡−𝑝+1 + π𝑌𝑡−𝑝 + 𝜖
Ou encore en fonction de 𝑌𝑡−1 :
Δ𝑌𝑡 = 𝐴0 + 𝐵1 𝑌𝑡−1 + 𝐵2 Δ𝑌𝑡−2 + ⋯ + 𝐵𝑝−1 Δ𝑌𝑡−𝑝+1 + π𝑌𝑡−𝑝 + 𝜖

La matrice π peut s'écrire sous la forme (π = αβ′ ) où le vecteur α est la force de

rappel vers l'équilibre et (β) le vecteur dont les éléments sont les coefficients des
relations de long terme des variables. Chaque combinaison linéaire représente donc
une relation de cointégration.
Si tous les éléments de π sont nuls (le rang de la matrice π est égal à 0 et donc
(𝐴_{𝑝 − 1} + ⋯ + 𝐴_2 + 𝐴_1 = 𝐼)), alors nous ne pouvons pas retenir une
spécification à correction d'erreur, nous estimons un VAR classique en différences
premières afin d'éliminer les tendances. Si le rang de π est égal à k, cela implique alors
que les variables sont toutes (𝐼(0)) et le problème de la cointégration ne se pose donc
pas, il convient d'estimer un modèle VAR en niveau.

Si le rang de la matrice π (noté 𝑟 est compris entre 1 et (𝑘 − 1), alors il existe r

relations de cointégration et la représentation ECM est valide soit :
Δ𝑌𝑡 = 𝐴0 + 𝐵1 Δ𝑌𝑡−1 + 𝐵2 Δ𝑌𝑡−2 + ⋯ + 𝐵𝑝−1 Δ𝑌𝑡−𝑝+1 + αϵ𝑡−1 + 𝜖

Avec (ϵ𝑡 = β′ 𝑌𝑡 ).
Exemple de spécification : soit un processus VAR(2) à trois variables 𝑌1,𝑡 , 𝑌2,𝑡 , et 𝑌3,𝑡 , et
une relation de cointégration, le VECM s'écrit alors :
Δ𝑦1,𝑡 = 𝑎10 + 𝑏11 Δ𝑦1,𝑡−1 + 𝑏12 Δ𝑦2,𝑡−1 + 𝑏13 Δ𝑦3,𝑡−1 + α1 (𝑦1,𝑡−1 − β2 𝑦2,𝑡−1 − β3 𝑦3,𝑡−1 −
β0 ) + ϵ1𝑡 ,

Δ𝑦1,𝑡 = 𝑎02 + 𝑏21 Δ𝑦1,𝑡−1 + 𝑏22 Δ𝑦2,𝑡−1 + 𝑏23 Δ𝑦3,𝑡−1 + 𝛼 2 (𝑦1,𝑡−1 − 𝛽2 𝑦2,𝑡−1 − 𝛽3 𝑦3,𝑡−1 −
𝛽0 ) + 𝜖𝑡2 ,

Δ𝑦3,𝑡 = 𝑎03 + 𝑏31 Δ𝑦1,𝑡−1 + 𝑏32 Δ𝑦2,𝑡−1 + 𝑏33 Δ𝑦3,𝑡−1 + 𝛼 3 (𝑦1,𝑡−1 − 𝛽2 𝑦2,𝑡−1 − 𝛽3 𝑦3,𝑡−1 −
𝛽0 ) + 𝜖𝑡3 .
Nous avons normalisé l'équation de cointégration par rapport au coefficient de (𝑦1,𝑡 ).
Nous avons normalisé l'équation de cointégration par rapport au coefficient de (𝑦1,𝑡 ).
Selon les caractéristiques des données traitées, ce processus VAR peut connaître les
variantes suivantes :
 Existence d'une constante soit dans la relation de cointégration ((𝛽0 )) soit dans le
VAR ((𝑎0′ )),
 Existence d'une tendance ((𝑡 = 1,2, … , 𝑛)) dans le VAR et/ou dans la relation de
cointégration,
 Ou encore intégrer des variables exogènes de type indicatrice pour corriger d'un
mouvement saisonnier.
Sur ce type de modèle, nous ne pouvons pas appliquer la méthode des MCO car nous
avons des problèmes d'identification similaires à ceux évoqués lors du chapitre 8
concernant les modèles à équations simultanées. Il convient d'employer une méthode du
maximum de vraisemblance.

5 Tests de relation de cointégration au sens de d’Engle et

Granger

La cointégration au sens d'Engle et Granger est un concept développé par Robert Engle et
Clive Granger en 1987 pour analyser les relations de long terme entre des séries
temporelles non stationnaires. Elle repose sur l'idée que, bien que deux ou plusieurs séries
puissent suivre des trajectoires individuelles non stationnaires, il peut exister une
combinaison linéaire de ces séries qui soit stationnaire. Cette combinaison stationnaire est
interprétée comme une relation d'équilibre économique à long terme.
Pour formaliser cela, si 𝑥𝑡 et 𝑦𝑡 sont deux séries temporelles intégrées d’ordre 1 (𝐼(1)),
c'est-à-dire non stationnaires mais stationnaires en différences premières, alors elles sont
cointégrées s'il existe une relation linéaire de la forme :
𝑍𝑡 = 𝑌𝑡 − β𝑋𝑡
Où 𝑍𝑡 est stationnaire 𝐼 (0). Dans cette relation, 𝛽 représente le coefficient de
cointégration, qui capture la proportion de l'une des séries par rapport à l'autre dans leur
équilibre à long terme. Engle et Granger ont proposé une méthode en deux étapes pour
tester et modéliser la cointégration :
1-Test de cointégration : Une régression de 𝑥𝑡 et 𝑦𝑡 est effectuée pour estimer la relation
de long terme 𝛽. Les résidus de cette régression 𝑍𝑡 sont ensuite testés pour la
stationnarité, généralement à l'aide d'un test de Dickey-Fuller augmenté (ADF). Si 𝑍𝑡 est
stationnaire, 𝑥𝑡 et 𝑦𝑡 sont cointégrées.
2-Modèle à correction d'erreur (MCE) : Si une cointégration est confirmée, un MCE
est utilisé pour capturer à la fois la dynamique de court terme et l'ajustement vers
l'équilibre de long terme. Le modèle a la forme générale suivante :
Δ𝑌𝑡 = α + βΔ𝑋𝑡 + λ𝑍𝑡−1 + ϵ𝑡
Où (λ) représente la vitesse d'ajustement vers l'équilibre, et 𝑍𝑡−1 est le résidu de la
relation de cointégration retardé d'une période.
En résumé, au sens d'Engle et Granger, la cointégration identifie une relation d'équilibre
stable entre des variables non stationnaires, et les écarts à cet équilibre s'ajustent au fil du
temps grâce à un processus de correction d'erreur. Cela en fait un outil puissant pour
analyser des relations économiques de long terme, comme celles entre le revenu et la
consommation.

5.1 Conditions de cointégration

Deux séries 𝑥𝑡 et 𝑦𝑡 sont dites cointégrées si les deux conditions suivantes sont vérifiées :
Les séries 𝑥𝑡 et 𝑦𝑡 doivent être affectées d'une tendance stochastique et avoir le même
ordre d'intégration (𝑑).
Il doit exister une combinaison linéaire des séries de la forme (α1 𝑋𝑡 + α2 𝑌𝑡 ) où (𝑑 >
𝑏 > 0). Cela implique que cette combinaison est d’un ordre d’intégration inférieur à
celui des séries d’origine.

5.2 Cointégration entre deux variables et test de cointégration

Le traitement de séries chronologiques longues impose de tester une éventuelle
cointégration entre les variables. En effet, le risque d'estimer des relations fallacieuses et
d'interpréter les résultats de manière erronée est très élevé. Nous allons tout d'abord
examiner le cas à deux variables : test de cointégration et estimation du modèle à
correction d'erreur.
5.2.1 Test de cointégration entre deux variables
Nous reprenons ici l’algorithme en trois étapes d’Engle et Granger.
Étape 1 : Vérification de l’ordre d’intégration des séries : Avant de procéder au test, il
faut s'assurer que les deux séries 𝑥𝑡 et 𝑦𝑡 sont intégrées d’ordre 1 I(1). Cela signifie que
leurs niveaux présentent une tendance stochastique (non stationnaire), mais que leurs
premières différences (Δ𝑋𝑡 ), (Δ 𝑌𝑡 )ont stationnaires.
Méthode : Pour tester la stationnarité, on utilise des tests statistiques comme :
 Le test de Dickey-Fuller Augmenté (ADF),
 Le test de Phillips-Perron (PP),
 Ou le test KPSS
Étape 2 : Estimation de la relation d’équilibre : Si les deux séries sont I(1), on procède
à une régression linéaire entre les deux variables pour estimer leur relation d’équilibre à
long terme. La régression prend la forme suivante :
𝑌𝑡 = α + β𝑋𝑡 + 𝑢𝑡
Étape 3 : Test de stationnarité des résidus : La dernière étape consiste à tester la
stationnarité des résidus 𝑢𝑡 obtenus à l'étape précédente. Si les résidus sont stationnaires
I(0), cela confirme qu'une relation de cointégration existe entre 𝑥𝑡 et 𝑦𝑡 .
Méthode :
 On applique un test de stationnarité sur𝑢𝑡 , généralement le test de Dickey-Fuller
Augmenté (ADF).
 Contrairement aux tests standards, les valeurs critiques utilisées pour ce test sont
spécifiques aux résidus de cointégration et sont fournies dans des tables adaptées.

6 Tests de relation de cointégration au sens de Johansen

Pour déterminer le nombre de relations de cointégration, Johansen (1988) propose deux
tests fondés sur les valeurs propres d'une matrice issue d'un calcul en deux étapes :
Étape 1 : calcul de deux résidus (𝒖𝒕 ) et (𝒗𝒕 ) :
Nous effectuons deux régressions :
Première régression :
̂0 + 𝐴
Δ𝑌𝑡 = 𝐴 ̂1 Δ𝑌𝑡−1 + 𝐴
̂2 Δ𝑌𝑡−2 + ⋯ + 𝐴
̂𝑝 Δ𝑌𝑡−𝑝 + 𝑢𝑡

Deuxième régression :
̂′0 + 𝐴
𝑌𝑡−1 = 𝐴 ̂1′ Δ𝑌𝑡−1 + 𝐴
̂′2 Δ𝑌𝑡−2 + ⋯ + 𝐴
̂′𝑝 Δ𝑌𝑡−𝑝 + 𝑣𝑡

Avec 𝑦𝑡 défini comme :

𝑌1,𝑡
𝑌
𝑦𝑡 = ( 2,𝑡 )
⋮
𝑌𝑘,𝑡
Nous avons les mêmes variables explicatives, seule la spécification du bloc de la
variable à expliquer est modifiée.
(𝑢𝑡 ) et (𝑣𝑡 ) sont donc les matrices des résidus de dimension (k,n) avec ( 𝑘 = ) nombre
de variables, 𝑛 = nombre d’observations.
Étape 2 : calcul de la matrice permettant le calcul des valeurs propres :
Nous calculons quatre matrices des variances-covariances de dimension (𝑘, 𝑘 ) à partir des
résidus (𝑢𝑡 ) et (𝑣𝑡 )
𝑛
1
Σ𝑢𝑢 = ∑ 𝑢𝑖 𝑢𝑖′
𝑛
𝑖=1
𝑛
1
Σ𝑣𝑣 = ∑ 𝑣𝑖 𝑣𝑖′
𝑛
𝑖=1
𝑛
1
Σ𝑢𝑣 = ∑ 𝑢𝑖 𝑣𝑖′
𝑛
𝑖=1
𝑛
1
Σ𝑣𝑢 = ∑ 𝑣𝑖 𝑢𝑖′
𝑛
𝑖=1

Puis nous extrayons les ( 𝑘 ) valeurs propres de la matrice ( 𝑀 ) de dimension ( 𝑘, 𝑘 )

calculée de la manière suivante :
−1
𝑀 = Σ𝑣𝑢 − Σ𝑣𝑣 Σ𝑢𝑢 Σ𝑢𝑣

6.1 Test de la trace

À partir de ces valeurs propres, on calcule une statistique :

λtrace = −𝑛 ∑ ln(1 − λ𝑖 )
𝑖=𝑟+1

où 𝑛 est le nombre d'observations, et (λ𝑖 ) est la ( 𝑖 )-ème valeur propre de la matrice 𝑀 ,

𝑘 est le nombre de variables, et ( 𝑟 ) est le rang de la matrice.
Cette statistique suit une loi de probabilité (similaire à un 𝑋 2 tabulée à l'aide de
simulations par Johansen et Juselius (1990). Ce test de Johansen fonctionne par exclusion
d'hypothèses alternatives :
  Rang de la matrice ( 𝜋) égal à 0 ((𝑟 = 0)), soit (𝐻0 : 𝑟 = 0) contre (𝐻1 : 𝑟 > 0); si
(𝐻0 )est refusé, on passe au test suivant (𝑠𝑖 ( 𝜆_{"{𝑡𝑟𝑎𝑐𝑒}} ) est supérieur à la
valeur critique lue dans la table, on rejette (𝐻0 );
 Rang de la matrice ( π) égal à 1 (( 𝑟 = 1 )), soit (𝐻0 : 𝑟 = 1) contre (𝐻1 : 𝑟 > 1);
si 𝐻0 est refusé, on passe au test suivant ;
 Rang de la matrice ( 𝜋) égal à 2 ((𝑟 = 2)), soit (𝐻0 : 𝑟 = 2) contre (𝐻1 : 𝑟 > 2); si
𝐻0 est refusé, on passe au test suivant, etc.
Si, après avoir refusé les différentes hypothèses à la fin de la procédure, on teste (𝐻0 : 𝑟 =
𝑘 − 1)contre 𝐻1 : 𝑟 = 𝑘 que l’on est amené à refuser 𝐻0 , alors le rang de la matrice est
(𝑟 = 𝑘 ) et il n’existe pas de relation de cointégration car les variables sont toutes (𝐼 (0)).

Les logiciels d’économétrie fournissent directement l’ensemble de ces informations : la

statistique (𝜆trace)alculée entre 1 et ( 𝑘 ) ainsi que les valeurs critiques associées.
1. Absence de tendance linéaire dans les données et dans les relations de
cointégration
Δ𝑦1,𝑡 = 𝑏11 Δ𝑦1,𝑡−1 + 𝑏21 Δ𝑦2,𝑡−1 + 𝑏31 Δ𝑦3,𝑡−1 + α′ (𝑦1,𝑡−1 − β2 𝑦2,𝑡−1 − β3 𝑦3,𝑡−1 ) + ϵ1𝑡
2. Absence de tendance linéaire dans les séries mais présence d'une constante
dans les relations de cointégration
Δ𝑦1,𝑡 = 𝑏11 Δ𝑦1,𝑡−1 + 𝑏21 Δ𝑦2,𝑡−1 + 𝑏31 Δ𝑦3,𝑡−1 + α′ (𝑦1,𝑡−1 − β2 𝑦2,𝑡−1 − β3 𝑦3,𝑡−1 − β0 ) + ϵ1𝑡
3. Présence d'une tendance linéaire dans les séries et d'une constante dans les
relations de cointégration
Δ𝑦1,𝑡 = 𝑎10 + 𝑏11 Δ𝑦1,𝑡−1 + 𝑏21 Δ𝑦2,𝑡−1 + 𝑏31 Δ𝑦3,𝑡−1
+ 𝛼 ′ (𝑦1,𝑡−1 − 𝛽2 𝑦2,𝑡−1 − 𝛽3 𝑦3,𝑡−1 − 𝛽0 ) + 𝜖𝑡1
4. Présence d'une tendance linéaire dans les séries et dans les relations de
cointégration
Δ𝑦1,𝑡 = 𝑎1 + 𝑏𝑡 + 𝑏11 Δ𝑦1,𝑡−1 + 𝑏21 Δ𝑦2,𝑡−1 + 𝑏31 Δ𝑦3,𝑡−1
+ 𝛼 ′ (𝑦1,𝑡−1 − 𝛽2 𝑦2,𝑡−1 − 𝛽3 𝑦3,𝑡−1 − 𝛽0 + 𝑐𝑡) + 𝜖𝑡1
Le choix parmi ces spécifications dépend des données et de la forme présumée de la
tendance, qui peut être déterminée soit par une analyse des propriétés stochastiques des
séries, soit par une inspection visuelle des graphiques.
Le Tableau 1 récapitule le choix de la spécification du VECM en fonction de la typologie
des processus. Ce tableau est un outil essentiel pour orienter les chercheurs dans la
sélection de la méthode de modélisation la plus adaptée à leurs données.
 Tableau 1 : Choix de la spécification en fonction du type de processus

6.2 Test de la valeur propre maximale

Le second test, proposé par Johansen, utilise la statistique suivante pour la valeur propre
maximale :
λmax = −𝑛 log(1 − λ𝑟+1 )
Où (𝑟) peut prendre des valeurs entières à partir de 0. Ce test s'effectue de la même
manière que précédemment, en excluant séquentiellement des hypothèses alternatives.
Lorsque les résultats des deux tests (valeur propre maximale et trace) divergent, la
préférence est donnée au test de la trace, qui a généralement une puissance statistique
supérieure.
7 Application sur EVIEWS
7.1 Test de cointégration au sens d’Engle et Granger sur EVIEWS
7.1.1 Etape 1 : Vérification de la stationnarité des séries Y et X
Nous disposons d'une base de données comprenant deux séries temporelles, ( 𝑋 ) , ( 𝑌 ),
chacune avec 30 observations.

Tableau 2 : Test ADF sur X

Le test ADF (Augmented Dickey-Fuller) sur ( 𝑋 ) montre que la (𝑝) − value associée au
terme (𝑋 (−1)) est 0.7308, ce qui est bien supérieur au seuil de 0.05. Cela signifie que la
série (X) n'est pas stationnaire à ce niveau. Donc on va différencier ( 𝑋 ):
 Tableau 3 : Test ADF sur DX
La (𝑝) − value associée au terme (𝐷𝑋 (−1)) est ( 0.07 ). Cette valeur est légèrement
supérieure au seuil de ( 0.05 ), ce qui suggère que ( DX ) n'est pas strictement stationnaire.
Cependant, elle est proche du seuil, et cela peut être accepté dans certains contextes. La
probabilité globale du test ( F ) (Probabilité de la statistique ( F ) est 0.000252 , ce qui est
très faible. Cela indique que le modèle global est significatif.

Tableau 4 : Test ADF sur DY

Le test ADF sur la première différence de (𝐷𝑌) montre que la (𝑝) − value associée au
terme (𝑌(−1)) est ( 0.0127 ), ce qui est inférieure à ( 0.05 ), cela signifie que DY est
stationnaire. Par conséquent, ( Y ) est intégré d'ordre 1 (I(1)).
Maintenant puisque on a confirmé que ( X ) et ( Y ) sont tous deux I(1), on peut passer à
l'étape du test de cointégration selon Engle et Granger.
7.1.2 Etape 2 : Estimation de la relation de long terme
 Tableau 5 : Régression entre Y et X

La constante (C ) est ( 10.3844 ), avec une(𝑝) − 𝑣𝑎𝑙𝑢𝑒 de ( 0.0000 ), ce qui signifie

qu'elle est statistiquement significative. Le coefficient de ( X ) est ( 0.5516 ), avec une ( p
(𝑝) − 𝑣𝑎𝑙𝑢𝑒 de ( 0.0000 ), indiquant une relation significative entre ( X ) et ( Y ). Le
(𝑅2 )est ( 0.591967 ), ce qui signifie que ( 59.2% ) de la variance de ( Y ) est expliquée par
( X ). La Prob F-statistic est 0.0000, ce qui indique que le modèle global est significatif.
7.1.3 Etape 3 : Test de stationnarité des résidus (cointégration)
Les résultats du test de cointégration d'Engle et Granger montrent que les résidus de la
relation de long terme entre ( Y ) et ( X ) sont stationnaires ((𝐼 (0))), avec une (𝑝) −
𝑣𝑎𝑙𝑢𝑒 très faible ( < 0.05 ). Cela confirme que les deux séries ( Y ) et ( X ) sont
cointégrées, indiquant l'existence d'une relation stable à long terme entre elles malgré leur
non-stationnarité en niveau. Le test ADF des résidus montre également un coefficient
significatif et négatif pour le terme retardé, ce qui est cohérent avec l'ajustement vers un
équilibre à long terme.
 Tableau 6 : Test ADF sur les résidus

7.1.4 Étape 4 : Estimation du modèle de correction d’erreur (ECM)

Tableau 7 : Résultats du modèle ECM

7.2 Test de cointégration au Sens de johansen

Nous disposons d'une base de données comprenant trois séries temporelles, (𝑦1 ), (𝑦2 ), et
(𝑦3 ), chacune avec 30 observations. Ces trois séries sont non stationnaires et intégrées
d'ordre 1.

Tableau 8 : Les trois siries (𝒚𝟏 ), (𝒚𝟐 ), et (𝒚𝟑 ),

7.2.1 Test de la trace sur EVIEWS
Pour réaliser le test de trace de cointégration de Johansen, suivez les étapes suivantes :
commencez par sélectionner vos trois séries temporelles. Ensuite, cliquez sur l'onglet
Quick situé en haut de l'interface. Accédez à Group Statistics et choisissez Johansen
Cointegration Test. Pour exécuter le test, cliquez sur OK.
 Tableau 9 : Test de la trace
Pour identifier le nombre exact de relations de cointégration entre les séries, on compare
la valeur de la statistique de trace aux valeurs critiques tabulées. Dans le premier test, la
valeur de la trace, 37.38888, est supérieure à la valeur critique, 29.79707. Ceci nous
conduit à rejeter l'hypothèse nulle et à accepter l'hypothèse alternative, signifiant qu'il
existe au moins une relation de cointégration entre les séries temporelles. Nous passons
alors au deuxième test.
Pour ce deuxième test, la valeur de la trace, 11.46904, est inférieure à la valeur critique,
15.49471. Ainsi, nous acceptons l'hypothèse nulle et rejetons l'hypothèse alternative,
indiquant qu'il existe exactement une relation de cointégration entre les variables. Le
processus de test s'arrête ici.
7.2.2 Test de la valeur propre maximale sur EVIEWS
 Tableau 10 : Test de la valeur propre maximale sur EVIEWS
Le test de la valeur propre maximal est utilisé pour confirmer les résultats du test de la
trace. Pour l'hypothèse aucun vecteur de cointégration None, l'éigenvalue est de 0.603749
avec une statistique de Max-Eigen de 25.91984, surpassant la valeur critique de 21.13162.
Ceci conduit au rejet de l'hypothèse nulle avec une probabilité de 0.0098, suggérant
l'existence d'au moins une relation de cointégration. Les tests subséquents montrent une
acceptation de l'hypothèse 𝐻1 , indiquant que le nombre exact de relations de cointégration
est 1.
7.2.3 Estimation du modèle a correction d’erreur sur EVIEWS
Pour estimer un modèle de correction d'erreur, il est d'abord nécessaire d'estimer un
modèle VAR standard. L'objectif est de déterminer le nombre approprié de retards. Pour
ce faire, suivez les étapes suivantes : sélectionnez nos trois séries temporelles et faites un
clic droit pour ouvrir le menu. Cliquez sur Open puis sur as VAR. Choisissez VAR
standard dans le menu déroulant des types de VAR et cliquez sur OK. Ensuite, allez dans
View, sélectionnez Lag Structure, puis Lag Length Criteria. Définissez le nombre
maximal de retards à afficher à 4 et confirmez en cliquant sur OK.

Tableau 11 : Détermination du nombre optimal de retards

Le nombre optimal de retards pour le modèle VAR selon la table des critères de sélection
d'ordre de retard, est de 2. Maintenant, pour estimer notre modèle sous forme de
correction d'erreur, les étapes sont similaires, mais avec une modification dans le choix du
type de modèle. Sélectionnez \textit{Vector Error Correction Model} au lieu de
\textit{standard VAR model} dans le menu déroulant des types de VAR. Ensuite, indiquez
dans la case \textit{Lag Interval for Endogenous Variables} le nombre de retards optimal,
qui est de 2, puis validez en cliquant sur OK.

Tableau 12 : l'estimation de modèle à correction d'erreur à long terme

Cette partie du modèle Vector Error Correction illustre la relation de cointégration à long
terme entre les variables ( 𝑌1 ), ( 𝑌2 ), et ( 𝑌3 ). Le coefficient de ( 𝑌2 )est de
(−1.007843) avec une valeur ( 𝑡 ) significative de (−8.45495), indiquant un effet
négatif notable sur( 𝑌1 ) à long terme. Similairement, ( 𝑌3 )présente un coefficient de
(−0.521271) et une valeur ( 𝑡 ) de (−5.64107), montrant aussi un impact négatif sur
( 𝑌1 ). Le terme constant ( 𝐶 ), s'élevant à ( 15.54349 ), pourrait représenter un niveau
d'équilibre dans cette relation à long terme. Ainsi, pour chaque unité que ( 𝑌1 ),
augmente, ( 𝑌2 ), et ( 𝑌3 ), diminuent respectivement de ( 1.007843 ) et ( 0.521271 )
unités, en conservant l'équilibre général représenté par le terme constant.
Tableau 13 : l'estimation de modèle à correction d'erreur à court terme
La dixième partie du modèle de correction d'erreur du modèle montre comment les
variables (𝑌1), (𝑌2), et (𝑌3) ajustent leurs valeurs à court terme en réponse aux écarts
par rapport à l'équilibre à long terme. Le coefficient de correction d'erreur pour (𝑌3) est
de (0.007668), indiquant un ajustement mineur mais statistiquement significatif vers
l'équilibre. Pour (𝑌2), , le coefficient de (0.988529) suggère une correction presque
intégrale et extrêmement rapide, affirmant que (𝑌2), ajuste fortement ses valeurs pour
revenir à l'équilibre. (𝑌3),, avec un coefficient de (0.145754), montre une réactivité
modérée. Ces résultats indiquent que (𝑌2) joue un rôle prédominant dans les ajustements
dynamiques à court terme parmi les variables étudiées.
7.2.4 Les tests statistiques

Tableau 14 : test de stabilité

Pour garantir la stabilité du modèle AR, toutes les racines inverses doivent se situer à
l'intérieur du cercle unité sur le graphique. Comme le montre la figure, toutes les racines
se trouvent effectivement à l'intérieur du cercle, ce qui indique que le processus est stable.

Tableau 14 : test d'autocorrélation pour les résidus

Les barres bleues indiquent la corrélation entre les valeurs résiduelles à différents
décalages pour chaque variable. la plupart des barres restent à l'intérieur des limites,
indiquant que les résidus sont généralement bien distribués sans autocorrélation
significative, ce qui est un bon indicateur de l'adéquation du modèle.
 Tableau 15 : test de normalité
Les résultats du test de normalité Jarque-Bera montrent que les résidus des trois
composantes du modèle sont largement conformes à une distribution normale. Les p-
valeurs pour chaque composante, respectivement 0.0961, 0.4075, et 0.1810, ainsi que la
p-valeur conjointe de 0.1290, indiquent que les écarts par rapport à la normalité ne sont
pas statistiquement significatifs. Cela suggère que l'usage des techniques statistiques
standard basées sur l'hypothèse de normalité est approprié pour ce modèle.

Tableau 15 : test d’hétéroscédasticité

Les tests d'hétéroscédasticité appliqués aux résidus montrent majoritairement une absence
d'hétéroscédasticité significative. Le test conjoint affiche une valeur de probabilité
(0.6073) qui est supérieure à la valeur de p-value, ce qui indique de l'absence
d'hétéroscédasticité.