Solution de l’Exercice 5

Énoncé de l’exercice
Soit {Xt , t = 1, ..., n} un processus aléatoire ARMA(1,1) dont le terme générique est
donné par :
1
Xt = Xt−1 + εt − 0.3εt−1 , t = 1, ..., n
2
avec {εt , t = 1, ..., n} un bruit blanc centré de variance σε2 . On définit les polynômes Φ et
Θ tels que : Φ(L)Xt = Θ(L)εt , où L représente l’opérateur retard.

Question 1 : Quels sont les coefficients des polynômes Φ et Θ ?

Pour identifier les polynômes Φ(L) et Θ(L), nous réarrangeons l’équation du processus
pour regrouper les termes en Xt et les termes en εt .

1
Xt = Xt−1 + εt − 0.3εt−1
2
1
Xt − Xt−1 = εt − 0.3εt−1
2

En utilisant l’opérateur retard L tel que LXt = Xt−1 et Lεt = εt−1 , nous pouvons réécrire
l’équation sous forme polynomiale :

(1 − 0.5L)Xt = (1 − 0.3L)εt

Cette équation est de la forme Φ(L)Xt = Θ(L)εt . Par identification, on obtient :

Réponse

Le polynôme autorégressif (AR) est Φ(L) = 1 − 0.5L. Ses coefficients sont

(1, −0.5). Le paramètre autorégressif est ϕ = 0.5.
Le polynôme de moyenne mobile (MA) est Θ(L) = 1 − 0.3L. Ses coefficients sont
(1, −0.3). Le paramètre de moyenne mobile est θ = −0.3.

Question 2 : Montrer que le processus aléatoire {Xt , t = 1, ..., n} est

stationnaire.
La condition de stationnarité pour un processus ARMA(p,q) est que toutes les racines
du polynôme caractéristique autorégressif Φ(z) se trouvent à l’extérieur du cercle unité
dans le plan complexe.

1
 Le polynôme caractéristique est Φ(z) = 1 − 0.5z. Nous cherchons la racine en résolvant
Φ(z) = 0 :

1 − 0.5z = 0
1 = 0.5z
1
z= =2
0.5

La seule racine du polynôme est z = 2. Nous vérifions si son module est supérieur à 1 :

|z| = |2| = 2 > 1

Réponse

La racine du polynôme autorégressif Φ(z) est z = 2, dont le module est strictement

supérieur à 1. La condition de stationnarité est donc respectée et le processus {Xt }
est stationnaire.

Question 3 : Calculer les quatre premiers coefficients de la repré-

sentation de Wold.
Puisque le processus est stationnaire, il admet une représentation en moyenne mobile
infinie (représentation de Wold) :
∞
X
Xt = Ψ(L)εt = ψj εt−j
j=0

où Ψ(L) = Φ(L)−1 Θ(L). On peut trouver les coefficients ψj en résolvant l’équation poly-
nomiale Φ(L)Ψ(L) = Θ(L).

(1 − 0.5L)(ψ0 + ψ1 L + ψ2 L2 + ψ3 L3 + . . . ) = 1 − 0.3L

En développant le côté gauche, on obtient :

ψ0 + (ψ1 − 0.5ψ0 )L + (ψ2 − 0.5ψ1 )L2 + (ψ3 − 0.5ψ2 )L3 + · · · = 1 − 0.3L + 0L2 + 0L3 + . . .

On identifie les coefficients des puissances de L :

— Pour L0 : ψ0 = 1
— Pour L1 : ψ1 − 0.5ψ0 = −0.3 =⇒ ψ1 = −0.3 + 0.5(1) = 0.2
— Pour L2 : ψ2 − 0.5ψ1 = 0 =⇒ ψ2 = 0.5ψ1 = 0.5(0.2) = 0.1
— Pour L3 : ψ3 − 0.5ψ2 = 0 =⇒ ψ3 = 0.5ψ2 = 0.5(0.1) = 0.05

2
 Réponse

Les quatre premiers coefficients de la représentation de Wold sont :

ψ0 = 1, ψ1 = 0.2, ψ2 = 0.1, ψ3 = 0.05

Question 4 : Quelles sont l’espérance E(Xt ) et la variance V ar(Xt )

du processus ?
Calcul de l’espérance E(Xt )

Le processus étant stationnaire, son espérance E(Xt ) = µ est constante. En prenant

l’espérance de l’équation de définition :
 
1
E(Xt ) = E Xt−1 + εt − 0.3εt−1
2
1
E(Xt ) = E(Xt−1 ) + E(εt ) − 0.3E(εt−1 )
2

Comme le processus est stationnaire, E(Xt ) = E(Xt−1 ) = µ. De plus, le bruit blanc est
centré, donc E(εt ) = E(εt−1 ) = 0.

1
µ= µ+0−0
2
µ − 0.5µ = 0
0.5µ = 0 =⇒ µ = 0

Réponse

L’espérance du processus est E(Xt ) = 0.

Calcul de la variance V ar(Xt )

La variance d’un processus stationnaire, V ar(Xt ) = γ0 , est constante. On la calcule

en prenant la variance de l’équation de définition.

V ar(Xt ) = V ar (0.5Xt−1 + εt − 0.3εt−1 )

En développant la variance d’une somme de variables aléatoires :

γ0 = 0.52 V ar(Xt−1 )+V ar(εt )+(−0.3)2 V ar(εt−1 )+2×0.5Cov(Xt−1 , εt )−2×0.3Cov(εt , εt−1 )−2×0.5×0.3C

Analysons chaque terme :

3
 — V ar(Xt−1 ) = γ0 (stationnarité).
— V ar(εt ) = V ar(εt−1 ) = σε2 (bruit blanc).
— Cov(Xt−1 , εt ) = 0, car Xt−1 ne dépend que des chocs passés (εt−1 , εt−2 , . . . ) et est
donc non corrélé avec le choc futur εt .
— Cov(εt , εt−1 ) = 0 par définition du bruit blanc.
— Cov(Xt−1 , εt−1 ) n’est pas nul. On a Xt−1 = 0.5Xt−2 +εt−1 −0.3εt−2 . Donc, Cov(Xt−1 , εt−1 ) =
Cov(0.5Xt−2 + εt−1 − 0.3εt−2 , εt−1 ) = Cov(εt−1 , εt−1 ) = V ar(εt−1 ) = σε2 .
En substituant ces valeurs dans l’équation de la variance :

γ0 = 0.25γ0 + σε2 + 0.09σε2 + 0 − 0 − 2 × 0.5 × 0.3 × σε2

γ0 = 0.25γ0 + 1.09σε2 − 0.3σε2
γ0 = 0.25γ0 + 0.79σε2
γ0 − 0.25γ0 = 0.79σε2
0.75γ0 = 0.79σε2
0.79 2 79 2
γ0 = σ = σε
0.75 ε 75

Réponse
79 2
La variance du processus est V ar(Xt ) = γ0 = σ .
75 ε

4
WoG
Solution de l’Exercice 6
Énoncé de l’exercice
Soit un processus aléatoire {Xt , t = 1, ..., n} de moyenne E(Xt ) et d’autocovariance
de décalage θ, Cov(Xt , Xt−θ ) définies par :

E(Xt ) = −t2 et Cov(Xt , Xt−θ ) = γθ

avec θ = 0, 1, 2, ... et les γθ sont indépendants du temps t.

Question 1 : Le processus {Xt } est-il stationnaire ?

Pour qu’un processus soit (faiblement) stationnaire, trois conditions doivent être rem-
plies :
1. L’espérance est constante et finie pour tout t : E(Xt ) = µ.
2. La variance est constante et finie pour tout t : V ar(Xt ) = γ0 < ∞.
3. L’autocovariance ne dépend que du décalage θ et non du temps t : Cov(Xt , Xt−θ ) =
γθ .
Analysons ces conditions pour le processus {Xt } :
— Condition 1 (Espérance) : L’espérance du processus est donnée par E(Xt ) =
−t2 . Cette valeur dépend explicitement du temps t. Par exemple, E(X1 ) = −1,
E(X2 ) = −4, E(X3 ) = −9, etc. L’espérance n’est donc pas constante.
— Condition 2 et 3 (Autocovariance) : L’autocovariance est donnée par Cov(Xt , Xt−θ ) =
γθ . Cette expression ne dépend que du décalage θ, pas du temps t. Cette condition
est donc satisfaite. (Cela inclut la variance, qui est l’autocovariance pour θ = 0,
soit V ar(Xt ) = γ0 , qui est bien constante).
Puisque la première condition (espérance constante) n’est pas remplie, le processus n’est
pas stationnaire.

Réponse

Le processus {Xt , t = 1, ..., n} n’est pas stationnaire. La raison est que son
espérance, E(Xt ) = −t2 , dépend du temps t et n’est donc pas constante, ce qui
viole une des conditions fondamentales de la stationnarité. On dit que ce processus
présente une tendance déterministe dans sa moyenne.

1
Question 2 : Le processus {Yt = ∆2 Xt } est-il stationnaire ?
L’opérateur de différenciation ∆ est défini par ∆Xt = Xt − Xt−1 . L’opérateur de
différenciation d’ordre 2 est donc :

Yt = ∆2 Xt = ∆(∆Xt ) = ∆(Xt − Xt−1 )

= (Xt − Xt−1 ) − (Xt−1 − Xt−2 )
= Xt − 2Xt−1 + Xt−2

Vérifions les conditions de stationnarité pour {Yt } :

1. Espérance de Yt :

E(Yt ) = E(Xt − 2Xt−1 + Xt−2 )

= E(Xt ) − 2E(Xt−1 ) + E(Xt−2 ) (par linéarité de l’espérance)
= (−t2 ) − 2(−(t − 1)2 ) + (−(t − 2)2 )
= −t2 + 2(t2 − 2t + 1) − (t2 − 4t + 4)
= −t2 + 2t2 − 4t + 2 − t2 + 4t − 4
= (−1 + 2 − 1)t2 + (−4 + 4)t + (2 − 4)
= 0 · t2 + 0 · t − 2 = −2

L’espérance E(Yt ) = −2 est constante et ne dépend pas du temps t. La première

condition est satisfaite.
2. Autocovariance de Yt : Calculons Cov(Yt , Yt−h ) :

Cov(Yt , Yt−h ) = Cov(Xt − 2Xt−1 + Xt−2 , Xt−h − 2Xt−h−1 + Xt−h−2 )

En utilisant la bilinéarité de la covariance et le fait que Cov(Xi , Xj ) = γi−j ,

chaque terme de la covariance développée ne dépendra que de la différence entre
les indices de temps, et non de t lui-même. Par exemple, Cov(Xt , Xt−h ) = γh ,
Cov(Xt−1 , Xt−h ) = γh−1 , etc. L’expression finale de Cov(Yt , Yt−h ) sera une combi-
naison linéaire des γk (spécifiquement γh−2 , γh−1 , γh , γh+1 , γh+2 ), qui est indépen-
dante de t.
Les deux conditions (espérance constante et autocovariance ne dépendant que du décalage)
sont remplies.

2
 Réponse

Oui, le processus {Yt , t = 1, ..., n} est stationnaire. La différenciation d’ordre 2 a

permis d’éliminer la tendance quadratique déterministe de la moyenne, la rendant
constante (E(Yt ) = −2). L’autocovariance de Yt ne dépend que du décalage, car
elle est une combinaison linéaire des autocovariances de Xt qui, par hypothèse,
ne dépendent pas du temps.

Question 3 : Le processus {Zt = 1 + t2 + Xt } est-il stationnaire ?

Soit le processus Zt = 1 + t2 + Xt . Vérifions ses propriétés de stationnarité.
1. Espérance de Zt :

E(Zt ) = E(1 + t2 + Xt )
= E(1) + E(t2 ) + E(Xt ) (les termes non-aléatoires sont leurs propres espérances)
= 1 + t2 + E(Xt )
= 1 + t2 + (−t2 )
=1

L’espérance E(Zt ) = 1 est constante. La première condition est satisfaite.

2. Autocovariance de Zt : Calculons Cov(Zt , Zt−h ).

Cov(Zt , Zt−h ) = Cov(1 + t2 + Xt , 1 + (t − h)2 + Xt−h )

En utilisant la propriété Cov(A+c, B+d) = Cov(A, B) où c et d sont des constantes

ou des termes non-aléatoires, les termes déterministes (1 + t2 ) et (1 + (t − h)2 )
n’affectent pas la covariance.

Cov(Zt , Zt−h ) = Cov(Xt , Xt−h )

Par hypothèse de l’énoncé, Cov(Xt , Xt−h ) = γh . Cette valeur ne dépend que du

décalage h et non du temps t. Les conditions sur l’autocovariance et la variance
sont donc satisfaites.
Puisque son espérance est constante et que son autocovariance ne dépend que du décalage,
le processus {Zt } est stationnaire.

3
Réponse

Oui, le processus {Zt , t = 1, ..., n} est stationnaire. L’ajout du terme détermi-

niste 1 + t2 a exactement annulé la tendance de la moyenne de Xt , rendant la
moyenne de Zt constante et égale à 1. De plus, l’autocovariance de Zt est iden-
tique à celle de Xt , qui est déjà stationnaire par hypothèse. Le processus Xt est
un exemple de processus "stationnaire en tendance" (Trend-Stationary).

4
WoG
Solution de l’Exercice 7
Énoncé de l’exercice
Pour chacun des processus aléatoires {X1 , ..., Xn } suivants, donner l’écriture explicite
de son terme générique Xt .

1. Processus aléatoire ARIMA(1,1,1)

Un processus ARIMA(1,1,1) a les ordres suivants :
— p = 1 : ordre autorégressif
— d = 1 : ordre de différenciation
— q = 1 : ordre de moyenne mobile
Cela signifie que la série différenciée une fois, Wt = ∆Xt = Xt − Xt−1 , suit un processus
stationnaire ARMA(1,1). L’équation pour Wt est :

Wt = c + ϕ1 Wt−1 + εt + θ1 εt−1

où c est une constante, ϕ1 est le coefficient autorégressif, et θ1 est le coefficient de moyenne

mobile.
En substituant Wt = Xt − Xt−1 dans l’équation, on obtient :

(Xt − Xt−1 ) = c + ϕ1 (Xt−1 − Xt−2 ) + εt + θ1 εt−1

En isolant Xt pour trouver son écriture explicite :

Xt = Xt−1 + c + ϕ1 Xt−1 − ϕ1 Xt−2 + εt + θ1 εt−1

Xt = (1 + ϕ1 )Xt−1 − ϕ1 Xt−2 + c + εt + θ1 εt−1

Écriture Explicite du Terme Générique Xt

Pour un processus ARIMA(1,1,1), l’écriture explicite de Xt est :

Xt = (1 + ϕ1 )Xt−1 − ϕ1 Xt−2 + c + εt + θ1 εt−1

où ϕ1 , θ1 et c sont les paramètres du modèle.

1
2. Processus aléatoire ARIMA(2,1,0)
Ici, p = 2, d = 1, q = 0. La série différenciée Wt = ∆Xt suit un processus AR(2) :

Wt = c + ϕ1 Wt−1 + ϕ2 Wt−2 + εt

En substituant Wt = Xt − Xt−1 , on a :

(Xt − Xt−1 ) = c + ϕ1 (Xt−1 − Xt−2 ) + ϕ2 (Xt−2 − Xt−3 ) + εt

En isolant Xt :

Xt = Xt−1 + c + ϕ1 Xt−1 − ϕ1 Xt−2 + ϕ2 Xt−2 − ϕ2 Xt−3 + εt

Xt = (1 + ϕ1 )Xt−1 + (ϕ2 − ϕ1 )Xt−2 − ϕ2 Xt−3 + c + εt

Écriture Explicite du Terme Générique Xt

Pour un processus ARIMA(2,1,0), l’écriture explicite de Xt est :

Xt = (1 + ϕ1 )Xt−1 + (ϕ2 − ϕ1 )Xt−2 − ϕ2 Xt−3 + c + εt

où ϕ1 , ϕ2 et c sont les paramètres du modèle.

3. Processus aléatoire intégré à l’ordre 2 (processus I(2))

Un processus est dit intégré d’ordre 2, noté I(2), s’il doit être différencié deux fois pour
devenir stationnaire. Cela correspond à d = 2. Le cas le plus simple d’un processus I(2)
est un ARIMA(0,2,0), où la série doublement différenciée est un bruit blanc.

∆2 Xt = εt

Développons l’opérateur de différence d’ordre 2 :

∆(∆Xt ) = εt
∆(Xt − Xt−1 ) = εt
(Xt − Xt−1 ) − (Xt−1 − Xt−2 ) = εt
Xt − 2Xt−1 + Xt−2 = εt

En isolant Xt , on obtient la forme d’une marche aléatoire de second ordre.

2
 Écriture Explicite du Terme Générique Xt

Un processus intégré d’ordre 2 (I(2)) peut être représenté, dans son cas le plus
simple (ARIMA(0,2,0)), par l’écriture explicite :

Xt = 2Xt−1 − Xt−2 + c + εt

où c est la dérive (souvent nulle). De manière plus générale, un processus I(2) est
de la forme ARIMA(p,2,q).

4. Processus aléatoire SARIMA(1,0,2)x(1,1,0)s

Ce processus a une composante non-saisonnière ARIMA(1,0,2) et une composante
saisonnière AR(1) avec une différenciation saisonnière d’ordre 1, sur une période s.
— Non-saisonnier : p = 1, d = 0, q = 2
— Saisonnier : P = 1, D = 1, Q = 0, période s.
La forme polynomiale est ΦP (Ls )ϕp (L)(1 − Ls )D (1 − L)d Xt = ΘQ (Ls )θq (L)εt . En rempla-
çant par les ordres donnés :

Φ1 (Ls )ϕ1 (L)(1 − Ls )1 (1 − L)0 Xt = Θ0 (Ls )θ2 (L)εt

Ce qui se traduit par :

(1 − Φ1 Ls )(1 − ϕ1 L)(1 − Ls )Xt = (1 + θ1 L + θ2 L2 )εt

Écriture Explicite du Terme Générique Xt

Pour un processus SARIMA(1,0,2)x(1,1,0)s , l’écriture explicite en termes de l’opé-

rateur retard L est :

(1 − Φ1 Ls )(1 − ϕ1 L)(1 − Ls )Xt = c + (1 + θ1 L + θ2 L2 )εt

où ϕ1 est le paramètre AR non-saisonnier, θ1 , θ2 sont les paramètres MA non-

saisonniers, Φ1 est le paramètre AR saisonnier, et c est une constante.

5. Processus aléatoire SARIMA(0,1,1)x(1,0,0)12

Ce processus a une composante non-saisonnière ARIMA(0,1,1) et une composante
saisonnière AR(1) sans différenciation saisonnière, sur une période mensuelle (s = 12).
— Non-saisonnier : p = 0, d = 1, q = 1
— Saisonnier : P = 1, D = 0, Q = 0, période s = 12.

3
La forme polynomiale est :

Φ1 (L12 )ϕ0 (L)(1 − L12 )0 (1 − L)1 Xt = Θ0 (L12 )θ1 (L)εt

Ce qui se traduit par :

(1 − Φ1 L12 )(1)(1)(1 − L)Xt = c + (1)(1 + θ1 L)εt

(1 − Φ1 L12 )(Xt − Xt−1 ) = c + εt + θ1 εt−1

En développant le côté gauche :

(Xt − Xt−1 ) − Φ1 L12 (Xt − Xt−1 ) = c + εt + θ1 εt−1

(Xt − Xt−1 ) − Φ1 (Xt−12 − Xt−13 ) = c + εt + θ1 εt−1

Finalement, en isolant Xt :

Xt = Xt−1 + Φ1 Xt−12 − Φ1 Xt−13 + c + εt + θ1 εt−1

Écriture Explicite du Terme Générique Xt

Pour un processus SARIMA(0,1,1)x(1,0,0)12 , l’écriture explicite de Xt est :

Xt = Xt−1 + Φ1 Xt−12 − Φ1 Xt−13 + c + εt + θ1 εt−1

où θ1 est le paramètre MA non-saisonnier, Φ1 est le paramètre AR saisonnier, et

c est une constante.

4
WoG
Solution de l’Exercice 8
Énoncé de l’exercice
Soit {Xt , t = 1, ..., n} un processus aléatoire dont le terme générique Xt est défini de
la manière suivante : q
2
Xt = εt 0.1 + 0.6Xt−1

où {εt , t = 1, ..., n} est un processus bruit blanc gaussien de variance 1 et admettant un

2
moment d’ordre 4. On note ht = 0.1 + 0.6Xt−1 la variance conditionnelle.

1. Comment s’appelle le processus aléatoire {Xt } ?

Le processus est défini par Xt = εt σt , où la variance conditionnelle σt2 = ht est une
fonction linéaire des valeurs passées du processus au carré. Plus précisément :

2
ht = α0 + α1 Xt−1

avec α0 = 0.1 et α1 = 0.6.

Réponse

Il s’agit d’un processus ARCH(1), ou "Autoregressive Conditional Heteroske-

dasticity" d’ordre 1.

2. Pour quel type de séries chronologiques ce processus est-il adé-

quat ?
Les modèles ARCH et leurs généralisations (GARCH, etc.) ont été spécifiquement
développés pour capturer les "faits stylisés" des séries chronologiques financières (rende-
ments d’actifs, etc.).

Réponse

Ce processus est adéquat pour représenter des séries chronologiques qui présentent
une hétéroscédasticité conditionnelle, c’est-à-dire une variance qui change au
cours du temps. Il modélise particulièrement bien le phénomène de "volatility
clustering" (regroupement de la volatilité), où les périodes de forte volatilité ont
tendance à être suivies par d’autres périodes de forte volatilité, et inversement
pour les périodes de faible volatilité.

1
3. Quelle est la raison de sa proposition dans la littérature ?
Avant les années 1980, les modèles de séries temporelles standards (comme les modèles
ARMA) supposaient une variance constante (homoscédasticité), ce qui était en contra-
diction flagrante avec les données empiriques des marchés financiers.

Réponse

Le modèle ARCH a été proposé par Robert Engle en 1982 pour combler une lacune
des modèles existants. La raison principale était de fournir un cadre statistique
pour modéliser explicitement la variance conditionnelle non-constante
et ainsi capturer des caractéristiques empiriques clés des séries financières, comme
le regroupement de la volatilité et la leptokurtosis (queues de distribution plus
épaisses que la loi normale).

4. Calculer l’espérance non conditionnelle E(Xt ).

On utilise la loi des espérances itérées : E(Xt ) = E[E(Xt |It−1 )], où It−1 est l’ensemble
d’information disponible en t − 1.
p
E(Xt |It−1 ) = E(εt ht |It−1 )
p
= ht E(εt |It−1 ) (car ht est connu en t − 1)
p
= ht E(εt ) (car εt est indépendant du passé)
p
= ht · 0 = 0

L’espérance conditionnelle est nulle. L’espérance non conditionnelle est donc :

E(Xt ) = E[E(Xt |It−1 )] = E[0] = 0

Réponse

L’espérance non conditionnelle du processus est E(Xt ) = 0.

5. Calculer la variance non conditionnelle V ar(Xt ).

Puisque E(Xt ) = 0, la variance est V ar(Xt ) = E(Xt2 ). En supposant que le processus
est stationnaire, sa variance γ0 est constante. On utilise à nouveau la loi des espérances
itérées :
γ0 = E(Xt2 ) = E[E(Xt2 |It−1 )]

2
Calculons d’abord l’espérance conditionnelle de Xt2 :

E(Xt2 |It−1 ) = E(ε2t ht |It−1 ) = ht E(ε2t ) = ht · 1 = ht

car E(ε2t ) = V ar(εt ) = 1. Maintenant, prenons l’espérance non conditionnelle de ce

résultat :

2
γ0 = E[ht ] = E[0.1 + 0.6Xt−1 ]
2
γ0 = 0.1 + 0.6E(Xt−1 )

2
Par stationnarité, E(Xt−1 ) = V ar(Xt−1 ) = γ0 .

γ0 = 0.1 + 0.6γ0
γ0 (1 − 0.6) = 0.1
0.1
0.4γ0 = 0.1 =⇒ γ0 = = 0.25
0.4

Réponse

La variance non conditionnelle du processus est V ar(Xt ) = 0.25.

6. Calculer l’espérance conditionnelle E(Xt |It−1 ).

Ce calcul a été effectué comme étape intermédiaire pour la question 4.

Réponse

L’espérance conditionnelle du processus est E(Xt |It−1 ) = 0.

7. Calculer la variance conditionnelle V ar(Xt |It−1 ).

La variance conditionnelle est définie par V ar(Xt |It−1 ) = E(Xt2 |It−1 ) − [E(Xt |It−1 )]2 .
Nous avons déjà calculé les deux termes :
— E(Xt2 |It−1 ) = ht = 0.1 + 0.6Xt−12

— E(Xt |It−1 ) = 0
Donc :
2
V ar(Xt |It−1 ) = (0.1 + 0.6Xt−1 ) − 02 = 0.1 + 0.6Xt−1
2

Réponse
2
La variance conditionnelle du processus est V ar(Xt |It−1 ) = ht = 0.1 + 0.6Xt−1 .

3
8. Calculer ρ(Xt , Xt−h ) (autocorrélation).
Note : L’énoncé contient une typo probable p(X, X140). Nous interprétons la question
comme le calcul de l’autocovariance ou de l’autocorrélation pour un décalage h > 0.
Calculons l’autocovariance Cov(Xt , Xt−h ) pour h > 0. Comme E(Xt ) = 0, on a
Cov(Xt , Xt−h ) = E(Xt Xt−h ).

E(Xt Xt−h ) = E[E(Xt Xt−h |It−1 )]

= E[Xt−h E(Xt |It−1 )] (car Xt−h est connu en t − 1 pour h ≥ 1)

Puisque E(Xt |It−1 ) = 0, on obtient :

E(Xt Xt−h ) = E[Xt−h · 0] = E[0] = 0

Cov(Xt ,Xt−h )
L’autocovariance est nulle pour tout h > 0. L’autocorrélation ρ(Xt , Xt−h ) = V ar(Xt )
est donc aussi nulle.

Réponse

L’autocovariance Cov(Xt , Xt−h ) est nulle pour tout h ̸= 0. Par conséquent, l’au-
tocorrélation ρ(Xt , Xt−h ) est également nulle pour tout h ̸= 0. Cela signifie que le
processus Xt lui-même est un bruit blanc en termes de structure de corrélation.

9. Est-ce que le processus {Xt } est stationnaire ?

Pour qu’un processus soit (faiblement) stationnaire, son espérance, sa variance et ses
autocovariances doivent être indépendantes du temps.
1. E(Xt ) = 0 (constant).
2. V ar(Xt ) = 0.25 (constant et fini).
3. Cov(Xt , Xt−h ) = 0 pour h ̸= 0 (dépend uniquement de h).
La condition d’existence d’une solution faiblement stationnaire pour un processus ARCH(1)
est que α1 < 1. Dans notre cas, α1 = 0.6 < 1, donc la condition est remplie.

Réponse

Oui, le processus {Xt } est stationnaire (au sens faible). Toutes les conditions
de la stationnarité faible sont remplies, car le paramètre α1 = 0.6 est strictement
inférieur à 1, ce qui garantit une variance non conditionnelle finie et constante.

4
WoG
Solution de l’Exercice 9
Énoncé de l’exercice
Le graphique ci-dessous correspond à une série chronologique de 400 données générées
artificiellement selon l’un des trois processus aléatoires suivants :
a) Xt = 0.7Xt−1 + εt
√ 2
b) Xt = εt ht avec ht = 0.1 + 0.6Xt−1
c) Xt = 0.1εt−1 + εt
Note : Le processus c) est un MA(1), pas un MA(0.1) comme la typo pourrait le suggérer.
Nous l’interpréterons comme Xt = εt + θ1 εt−1 avec θ1 = 0.1.
Les graphiques fournis sont :
1. Le graphique de la chronique temporelle.
2. Le Normal Q-Q Plot.
3. La fonction d’autocorrélation (ACF).
4. La fonction d’autocorrélation partielle (Partial ACF).

1. Quel est, selon vous, le processus aléatoire qui a vraisemblable-

ment été utilisé pour générer la chronique ?
Analysons les graphiques pour identifier les caractéristiques de la série :

1. Graphique de la chronique : La série semble osciller autour de zéro. Surtout, on

observe des périodes de forte volatilité (grandes fluctuations, par exemple autour
de t=50-100 et t=250-300) qui alternent avec des périodes de plus faible volatilité
(petites fluctuations, par exemple autour de t=150-200). Cette alternance est le
signe caractéristique du regroupement de la volatilité (volatility clustering).
2. Normal Q-Q Plot : Les points aux extrémités de la distribution s’écartent si-
gnificativement de la ligne de normalité. Cela indique que la distribution de la
série a des queues plus épaisses (heavy tails) que la distribution normale. Ce
phénomène, appelé leptokurtosis, est un autre fait stylisé des modèles de type
ARCH/GARCH.
3. ACF et Partial ACF : Les deux corrélogrammes (ACF et PACF) ne montrent
quasiment aucune barre sortant significativement des bornes de confiance (les lignes
pointillées bleues), à l’exception peut-être d’une ou deux barres marginales qui
peuvent être dues au hasard de l’échantillonnage. L’absence de structure de corré-
lation significative indique que le processus Xt lui-même est un bruit blanc (non
corrélé en niveau).

1
 Comparons ces observations aux trois processus proposés :
a) AR(1) : Xt = 0.7Xt−1 +εt : Ce processus est stationnaire et autocorrélé. Son ACF
devrait décroître de manière exponentielle et son PACF devrait se couper après le
premier lag. Ce n’est clairement pas ce que l’on observe.
p 2
b) ARCH(1) : Xt = εt 0.1 + 0.6Xt−1 : Ce processus est un bruit blanc en niveau
(autocorrélations nulles), mais il est conçu pour modéliser le regroupement de la
volatilité et la leptokurtosis. Ceci correspond parfaitement aux observations des
graphiques.
c) MA(1) : Xt = εt + 0.1εt−1 : Ce processus est stationnaire et autocorrélé. Son ACF
devrait se couper après le premier lag et sa PACF devrait décroître. Ce n’est pas
le cas.

Réponse
√
Le processus qui a vraisemblablement été utilisé est le processus b) : Xt = εt ht
2
avec ht = 0.1 + 0.6Xt−1 , c’est-à-dire un modèle ARCH(1).

2. Expliquer pourquoi vous ne retenez pas les deux autres proces-

sus.
Réponse

Les deux autres processus sont rejetés pour les raisons suivantes :
— Processus a) AR(1) et c) MA(1) : Ces deux processus sont autocor-
rélés en niveau. Leurs fonctions ACF et PACF devraient montrer des
structures de corrélation claires et significatives (décroissance exponen-
tielle pour l’AR(1), coupure pour le MA(1)). Or, les graphiques de l’ACF
et de la PACF de la série générée montrent l’absence de telles corrélations,
ce qui est incompatible avec un modèle ARMA.
— De plus, les modèles ARMA standards supposent une variance constante
(homoscédasticité). Ils ne peuvent donc pas expliquer le regroupement
de la volatilité clairement visible sur le graphique de la chronique, ni la
leptokurtosis mise en évidence par le Q-Q plot.
Seul le modèle ARCH(1) est capable de générer une série qui est à la fois non-
autocorrélée et qui présente une variance conditionnelle non-constante.

2
3. Calculer l’espérance non conditionnelle du processus retenu.
p 2
Le processus retenu est Xt = εt 0.1 + 0.6Xt−1 . L’espérance non conditionnelle a été
calculée dans l’exercice 8. On utilise la loi des espérances itérées :
q
2
E(Xt ) = E[E(Xt |It−1 )] = E[ 0.1 + 0.6Xt−1 E(εt )] = E[· · · × 0] = 0

Réponse

L’espérance non conditionnelle du processus ARCH(1) retenu est E(Xt ) = 0.

4. Calculer la variance non conditionnelle du processus retenu.

La variance non conditionnelle, γ0 = V ar(Xt ), a également été calculée dans l’exercice
8. En supposant la stationnarité et en utilisant la loi des espérances itérées sur E(Xt2 ) :

γ0 = E(Xt2 ) = E[E(Xt2 |It−1 )] = E[ht ]

2 2
γ0 = E[0.1 + 0.6Xt−1 ] = 0.1 + 0.6E(Xt−1 ) = 0.1 + 0.6γ0

0.1
En résolvant pour γ0 , on trouve γ0 = 1−0.6
= 0.25.

Réponse

La variance non conditionnelle du processus ARCH(1) retenu est V ar(Xt ) = 0.25.

5. Calculer l’espérance conditionnelle du processus retenu.

√
L’espérance conditionnelle à l’information passée It−1 est E(Xt |It−1 ) = E(εt ht |It−1 ).
Comme ht est connu en t − 1, il peut être sorti de l’espérance.

Réponse

L’espérance conditionnelle du processus retenu est E(Xt |It−1 ) = 0.

6. Calculer la variance conditionnelle du processus retenu.

La variance conditionnelle est V ar(Xt |It−1 ) = E(Xt2 |It−1 ) − [E(Xt |It−1 )]2 .

V ar(Xt |It−1 ) = E[ht ε2t |It−1 ] − 02 = ht E(ε2t ) = ht · 1 = ht

3
 Réponse

La variance conditionnelle du processus retenu est V ar(Xt |It−1 ) = ht = 0.1 +

2
0.6Xt−1 .

7. Est-ce que le processus retenu est stationnaire ?

Pour qu’un processus ARCH(1) soit faiblement stationnaire, il faut que ses moments
d’ordre 1 et 2 soient constants et finis.
1. E(Xt ) = 0 (constant).
2. V ar(Xt ) = 0.25 (constant et fini). La condition pour que la variance soit finie est
2
que le coefficient de Xt−1 soit inférieur à 1. Ici, 0.6 < 1, donc la condition est
remplie.
3. L’autocovariance Cov(Xt , Xt−h ) est nulle pour h ̸= 0 (dépend de h uniquement).

Réponse

Oui, le processus retenu est stationnaire. La condition de stationnarité pour un

processus ARCH(1) (α1 < 1) est satisfaite (0.6 < 1), ce qui assure que la variance
non conditionnelle est finie et constante.

4
WoG
Solution de l’Exercice 10
Énoncé de l’exercice
Un économètre cherche à modéliser un processus aléatoire {Xt , t = 1, ..., 120}. Il ob-
tient le résultat suivant d’un test de Dickey-Fuller avec le logiciel R.

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.857e-02 2.870e-02 -0.647 0.5189
z.lag.1 -8.158e-01 1.044e-01 -7.812 1.78e-12 ***
tt -1.638e-05 3.685e-04 -0.044 0.9646
z.x.lag 1.466e-01 8.788e-02 1.668 0.0978 .
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Value of test-statistic is: -7.8119

Critical values for test statistics:
1pct 5pct 10pct
tau3 -3.99 -3.43 -3.13

1. Différences entre le test de Dickey-Fuller simple et Augmenté

(5 lignes max)
Le test de Dickey-Fuller simple (DF) suppose que le terme d’erreur dans la régression
de test est un bruit blanc (non autocorrélé). Si cette hypothèse est violée, les résultats
du test sont biaisés. Le test de Dickey-Fuller Augmenté (ADF) corrige ce problème en
incluant des termes de retards de la variable différenciée (∆Xt−p ) dans la régression. Cela
permet de s’assurer que les résidus de la régression de test sont bien un bruit blanc,
rendant le test valide même en présence d’autocorrélation dans la série originale.

2. Formuler les hypothèses H0 et H1 d’un test de racine unitaire.

Les hypothèses d’un test de racine unitaire de type Dickey-Fuller sont les suivantes :

1
 Réponse

— Hypothèse nulle (H0 ) : Le processus possède une racine unitaire. Cela

signifie que la série est non-stationnaire (de type I(1), ou "marche aléa-
toire"). Le coefficient du terme retardé dans l’équation autorégressive est
égal à 1. Dans la formulation de la régression de test, cela équivaut à γ = 0
dans l’équation ∆Xt = c + βt + γXt−1 + · · · + εt .
— Hypothèse alternative (H1 ) : Le processus ne possède pas de racine
unitaire. Cela signifie que la série est stationnaire (de type I(0)), possi-
blement autour d’une tendance déterministe. Dans la formulation de la
régression de test, cela correspond à γ < 0.

3. Formuler le modèle de représentation du processus sous H0 .

La sortie du logiciel R montre une régression qui inclut une constante (Intercept),
une tendance temporelle (tt) et des termes retardés de la différence de la variable. Le
modèle de test ADF est de la forme :
p
X
∆Xt = c + βt + γXt−1 + δj ∆Xt−j + εt
j=1

Sous l’hypothèse nulle H0 , on a γ = 0. Le modèle de représentation du processus généra-

teur est donc celui d’une marche aléatoire, possiblement avec dérive et/ou tendance.

Réponse

Sous l’hypothèse nulle H0 (γ = 0), le modèle de représentation du processus {Xt }

est une marche aléatoire avec dérive et tendance. Son équation est :
p
X
∆Xt = c + βt + δj ∆Xt−j + εt
j=1

où les coefficients c et β peuvent être nuls. Le processus Xt est alors non-

stationnaire (I(1)).

4. Déterminer le nombre de retards nécessaires pour blanchir les

résidus.
Le test de Dickey-Fuller Augmenté inclut des retards de la variable différenciée pour
s’assurer que les résidus de la régression sont non autocorrélés. Le nombre de retards inclus
correspond à l’ordre p dans la somme pj=1 δj ∆Xt−j . Dans la sortie R, le terme z.x.lag
P

2
représente ces retards. La sortie indique z.x.lag 1.466e-01. L’absence d’un chiffre après
"lag" (comme z.x.lag1, z.x.lag2) est une convention dans certaines fonctions R pour
indiquer qu’un critère d’information (comme AIC ou BIC) a été utilisé pour choisir auto-
matiquement le nombre de retards. La présence d’un seul coefficient pour z.x.lag suggère
qu’un seul retard a été jugé nécessaire.

Réponse

Le tableau des coefficients montre un seul terme pour les retards de la différence,
nommé z.x.lag. Cela indique qu’un seul retard (p = 1) a été inclus dans la
régression de test pour blanchir les résidus.

5. La chronique est-elle stationnaire au niveau de signification α =

5% ?
Pour répondre à cette question, on compare la statistique de test calculée à la valeur
critique correspondante.
— La statistique de test est la t-valeur du coefficient de la variable retardée en
niveau, z.lag.1. D’après la sortie, cette valeur est -7.812. La ligne "Value of
test-statistic is : -7.8119" le confirme.
— La régression inclut une constante et une tendance, il faut donc utiliser les valeurs
critiques pour ce cas. La table des valeurs critiques est nommée tau3.
— La valeur critique au seuil de 5% (α = 0.05) pour tau3 est -3.43.
— Règle de décision : On rejette l’hypothèse nulle H0 si la statistique de test est
inférieure (plus négative) que la valeur critique.
Comparaison : −7.8119 < −3.43.

Réponse

La statistique de test (-7.8119) est inférieure à la valeur critique à 5% (-3.43). Par

conséquent, nous rejetons l’hypothèse nulle H0 de racine unitaire. L’évidence
des données suggère que le processus générateur de la chronique est stationnaire
au niveau de signification de 5%.

6. Déterminer l’ordre d’intégration du processus.

L’ordre d’intégration d’un processus, noté I(d), est le nombre de fois qu’il faut le
différencier pour le rendre stationnaire.
— Si un processus est stationnaire en niveau, il est dit intégré d’ordre 0, noté I(0).
— Si un processus est non-stationnaire mais que sa différence première est station-
naire, il est dit intégré d’ordre 1, noté I(1).

3
Le test de Dickey-Fuller a été appliqué sur la série en niveau {Xt }, et nous avons conclu
à la stationnarité (rejet de la racine unitaire).

Réponse

Puisque le test de racine unitaire appliqué sur la série en niveau {Xt } nous amène
à rejeter l’hypothèse de non-stationnarité, nous concluons que la série est déjà
stationnaire. Son ordre d’intégration est donc zéro, et on note le processus I(0).

4
Solution de l’Exercice 11
Énoncé de l’exercice
On estime un modèle de régression de {yt } en fonction de {xt } par la méthode MCO
et on obtient les résultats suivants :

=================================
Régression de yt en fonction de xt
---------------------------------
(Intercept) -87.07 ***
(7.59)
xt 1.01 ***
(0.03)
---------------------------------
R^2 0.94
Adj. R^2 0.94
Num. obs. 100
=================================
Durbin-Watson test
---------------------------------
data: reg
DW = 0.008206, p-value < 2.2e-16
=================================

1. Interpréter la nature de la relation entre les deux variables Y

et X.
L’analyse de la sortie de régression nous donne plusieurs informations clés :
1. Qualité de l’ajustement : Le coefficient de détermination R2 est de 0.94, ce
qui est extrêmement élevé. Cela signifie que la variable xt "explique" 94% de la
variance de la variable yt . C’est un ajustement quasi parfait.
2. Significativité des coefficients : Les coefficients de l’intercept et de la variable
xt sont tous deux très significatifs (indiqué par les trois étoiles ***). La t-valeur
pour xt est 1.01/0.03 ≈ 33.67, ce qui est très élevé et confirme une forte relation
statistique linéaire entre X et Y . Le coefficient de 1.01 indique une relation positive
et presque proportionnelle.

1
 3. Test de Durbin-Watson (DW) : La statistique de Durbin-Watson est très
faible : DW = 0.008206. Une valeur de DW proche de 2 indique l’absence d’auto-
corrélation des résidus. Une valeur proche de 0 indique une forte autocorrélation
positive des résidus. La p-valeur associée (< 2.2e − 16) confirme que cette au-
tocorrélation est statistiquement très significative.
La combinaison d’un R2 très élevé et d’une statistique de Durbin-Watson très faible
est un symptôme classique de la régression fallacieuse.

Réponse

La nature de la relation est la suivante : statistiquement, il existe une relation

linéaire positive très forte et significative entre les variables Y et X. Le R2
de 0.94 suggère un excellent ajustement du modèle. Cependant, la statistique de
Durbin-Watson extrêmement faible (DW ≈ 0.01) indique une autocorrélation
positive massive dans les résidus du modèle. Cette combinaison de signaux
est le principal indicateur d’un problème plus profond.

2. Comment appelle-t-on ce type de régression ? (Bien justifier la

réponse !)
Le phénomène observé, où deux variables non-stationnaires (typiquement des marches
aléatoires indépendantes) semblent être fortement liées lorsqu’on les régresse l’une sur
l’autre, est connu sous un nom spécifique.

Justification

La justification repose sur la combinaison des symptômes identifiés à la question 1 :

1. Haut R2 et coefficients significatifs : Lorsque deux séries sont non-stationnaires
(par exemple, I(1)), elles ont tendance à évoluer dans la même direction (ou dans
des directions opposées) simplement à cause de leur tendance stochastique com-
mune, même si elles ne sont pas économiquement liées. La régression MCO capture
cette co-évolution et la traduit en un R2 élevé et des coefficients significatifs, don-
nant une fausse impression de lien causal.
2. Statistique de Durbin-Watson très faible : La non-stationnarité des variables
se propage aux résidus. Si yt et xt sont I(1) et non cointégrées, alors leur com-
binaison linéaire (les résidus de la régression ε̂t = yt − β̂0 − β̂1 xt ) est également
I(1). Des résidus non-stationnaires sont, par nature, fortement autocorrélés. La
statistique de DW, conçue pour détecter l’autocorrélation, s’effondre vers 0. C’est
la signature de résidus non-stationnaires.

2
En résumé, nous avons une régression qui semble excellente sur le papier (R2 , significati-
vité) mais dont les résidus violent de manière flagrante les hypothèses de base des MCO
(absence d’autocorrélation), ce qui invalide complètement les inférences statistiques (tests
t, F, etc.).

Réponse

Ce type de régression est appelé une régression fallacieuse ou régression spé-

cieuse (spurious regression).
Justification : Ce diagnostic est posé car on observe simultanément :
— un coefficient de détermination (R2 ) très élevé, suggérant une forte relation.
— des coefficients de régression très significatifs.
— une statistique de Durbin-Watson (DW) extrêmement faible, proche de
zéro.
Cette configuration, popularisée par Granger et Newbold, est le symptôme ty-
pique d’une régression effectuée entre deux (ou plusieurs) séries temporelles non-
stationnaires qui ne sont pas cointégrées. La relation observée n’est pas au-
thentique mais est un artefact statistique dû aux tendances stochastiques parta-
gées par les séries.

3
Solution de l’Exercice 12
Énoncé de l’exercice
Soient {Xt }, {Yt } et {Zt } trois processus aléatoires de termes génériques :

Xt = δ + Xt−1 + ut
Yt = α 0 + α 1 Xt + η t
Zt = β0 + β1 Xt + εt

avec {ut }, {ηt } et {εt } des processus bruit blanc.

Analyse préliminaire du processus {Xt }

Avant de répondre aux questions, il est essentiel de déterminer l’ordre d’intégration de
Xt . L’équation de Xt est Xt = δ + Xt−1 + ut . On peut la réécrire comme :

Xt − Xt−1 = δ + ut

ou
∆Xt = δ + ut

Le processus différencié ∆Xt est la somme d’une constante δ et d’un bruit blanc ut . Il
est donc stationnaire (son espérance est δ et sa variance est σu2 ). Puisque Xt est non-
stationnaire mais que sa différence première ∆Xt est stationnaire, le processus Xt est
intégré d’ordre 1, noté Xt ∼ I(1). C’est une marche aléatoire avec dérive.

1. Déterminer l’ordre d’intégration du processus {Zt }.

Le processus {Zt } est défini par Zt = β0 + β1 Xt + εt . C’est une combinaison linéaire
du processus non-stationnaire Xt ∼ I(1) et d’un processus stationnaire (bruit blanc)
εt ∼ I(0).
— Le terme β1 Xt est non-stationnaire et I(1) (en supposant β1 ̸= 0). Une transfor-
mation linéaire d’un processus I(1) est aussi I(1).
— Le terme εt est stationnaire, I(0).
La somme d’un processus I(1) et d’un processus I(0) résulte en un processus I(1). La
non-stationnarité de Xt "domine" la stationnarité de εt .

1
 Réponse

Le processus {Zt } est une combinaison linéaire d’un processus I(1) (Xt ) et d’un
processus I(0) (εt ). Le terme non-stationnaire Xt domine. Par conséquent, le pro-
cessus {Zt } est intégré d’ordre 1, on note Zt ∼ I(1).

2. Déterminer l’ordre d’intégration du processus {Yt }.

Le processus {Yt } est défini par Yt = α0 + α1 Xt + ηt . Le raisonnement est exactement
le même que pour le processus {Zt }. Yt est une combinaison linéaire d’un processus I(1)
(Xt ) et d’un processus I(0) (ηt ). La non-stationnarité de Xt est transmise à Yt .

Réponse

De la même manière que pour Zt , le processus {Yt } est une combinaison linéaire
d’un processus I(1) et d’un processus I(0). Par conséquent, le processus {Yt } est
aussi intégré d’ordre 1, on note Yt ∼ I(1).

3. Est-ce que les deux processus {Zt } et {Yt } sont cointégrés ?

Définition de la cointégration

Deux processus Yt et Zt , tous deux I(1), sont dits cointégrés s’il existe une combinaison
linéaire de ces deux processus qui est stationnaire (I(0)). Autrement dit, s’il existe un
vecteur (λ1 , λ2 ), appelé vecteur de cointégration, tel que :

Wt = λ1 Yt + λ2 Zt ∼ I(0)

Application au cas présent

Nous avons Yt ∼ I(1) et Zt ∼ I(1). Cherchons à construire une combinaison linéaire

qui pourrait être stationnaire. Substituons les expressions de Yt et Zt dans Wt :

Wt = λ1 (α0 + α1 Xt + ηt ) + λ2 (β0 + β1 Xt + εt )
Wt = (λ1 α0 + λ2 β0 ) + (λ1 α1 + λ2 β1 )Xt + (λ1 ηt + λ2 εt )

Pour que Wt soit stationnaire (I(0)), il faut que le terme non-stationnaire Xt disparaisse.
Cela requiert que le coefficient devant Xt soit nul :

λ1 α1 + λ2 β1 = 0

2
Si nous pouvons trouver des λ1 et λ2 non tous nuls qui satisfont cette condition, alors les
processus sont cointégrés. On peut choisir, par exemple :
— λ1 = β1
— λ2 = −α1
Avec ce choix (en supposant α1 , β1 ̸= 0), le coefficient de Xt devient β1 α1 − α1 β1 = 0. La
combinaison linéaire Wt devient :

Wt = (β1 α0 − α1 β0 ) + β1 ηt − α1 εt

Cette nouvelle variable Wt est une somme d’une constante et de deux bruits blancs. Elle
est donc stationnaire (I(0)). Puisqu’il existe une combinaison linéaire de Yt et Zt qui est
stationnaire, les deux processus sont cointégrés.

Réponse

Oui, les processus {Yt } et {Zt } sont cointégrés.

Justification : Les deux processus sont I(1). Il est possible de trouver une com-
binaison linéaire de ces deux processus qui élimine la source commune de non-
stationnarité (le processus Xt ). En choisissant le vecteur (λ1 , λ2 ) = (β1 , −α1 ), la
combinaison linéaire Wt = β1 Yt − α1 Zt est stationnaire (I(0)). L’existence de ce
vecteur de cointégration prouve que Yt et Zt sont cointégrés.

3
Solution de l’Exercice 13
Énoncé de l’exercice
Soit un processus aléatoire bivarié {Xt = (X1t , X2t )′ , t = 1, ..., n} dont le terme géné-
rique s’écrit : ! ! ! !
X1t 0.8 0.5 X1,t−1 ε1t
= +
X2t 0.2 0.5 X2,t−1 ε2t
Ce modèle est un VAR(1) : Xt = ΦXt−1 + εt .

1. Le processus aléatoire {Xt } est-il stationnaire ? Pourquoi ?

La condition de stationnarité pour un processus VAR(p) est que toutes les racines de
l’équation caractéristique det(Ik − Φz) = 0 se trouvent en dehors du cercle unité dans
le plan complexe. (De manière équivalente, les valeurs propres de la matrice Φ doivent
toutes être en module strictement inférieures à 1). !
0.8 0.5
Calculons les valeurs propres de la matrice Φ = . Les valeurs propres λ
0.2 0.5
sont les solutions de det(Φ − λI) = 0.
!
0.8 − λ 0.5
det =0
0.2 0.5 − λ
(0.8 − λ)(0.5 − λ) − (0.5)(0.2) = 0
0.4 − 0.8λ − 0.5λ + λ2 − 0.1 = 0
λ2 − 1.3λ + 0.3 = 0

On peut résoudre cette équation quadratique. Une autre méthode consiste à utiliser le
fait que la somme des valeurs propres est égale à la trace de la matrice, et leur produit
est égal au déterminant.
— T r(Φ) = 0.8 + 0.5 = 1.3 = λ1 + λ2
— det(Φ) = (0.8)(0.5) − (0.5)(0.2) = 0.4 − 0.1 = 0.3 = λ1 λ2
Cherchons deux nombres dont la somme est 1.3 et le produit 0.3. Ces nombres sont λ1 = 1
et λ2 = 0.3. L’une des valeurs propres, λ1 = 1, a un module qui n’est pas strictement
inférieur à 1.

1
 Réponse

Non, le processus aléatoire {Xt } n’est pas stationnaire. La raison est que la
matrice des coefficients autorégressifs Φ possède une valeur propre égale à 1 (λ1 =
1). La condition de stationnarité, qui exige que toutes les valeurs propres soient
en module strictement inférieures à 1, n’est donc pas respectée. La présence d’une
valeur propre unitaire indique que le système possède une racine unitaire.

2. Le processus aléatoire {∆Xt } est-il stationnaire ? Pourquoi ?

Le processus différencié est ∆Xt = Xt − Xt−1 . À partir du modèle initial :

Xt − Xt−1 = ΦXt−1 − Xt−1 + εt

∆Xt = (Φ − I)Xt−1 + εt

Le processus ∆Xt est une combinaison linéaire du processus non-stationnaire Xt−1 et d’un
bruit blanc εt . En tant que tel, ∆Xt n’est pas nécessairement stationnaire. Cependant, la
présence d’une racine unitaire suggère que la différenciation pourrait rendre le processus
stationnaire. Le fait que l’autre valeur propre soit 0.3 (inférieure à 1) est un bon indice.
Si toutes les composantes de Xt sont I(1), alors ∆Xt devrait être I(0) (stationnaire). Le
système VAR(1) avec une racine unitaire et les autres racines stables est la définition d’un
système cointégré, où les variables sont I(1).

Réponse

Oui, le processus différencié {∆Xt } est stationnaire. La présence d’une seule

racine unitaire dans le système (tandis que les autres racines sont stables) implique
que les composantes du processus Xt sont intégrées d’ordre 1 (I(1)). Par définition,
la différenciation d’un processus I(1) le rend stationnaire (I(0)).

3. Écrire le système sous la forme de type Dickey-Fuller : ∆Xt =

ΠXt−1 + εt .
Cette forme est connue sous le nom de VECM (Vector Error Correction Model) sans
retards. On a déjà dérivé la forme générale : ∆Xt = (Φ − I)Xt−1 + εt . Il suffit d’identifier
la matrice Π = Φ − I.
! ! !
0.8 0.5 1 0 −0.2 0.5
Π= − =
0.2 0.5 0 1 0.2 −0.5

2
 Réponse

Le système sous la forme de type Dickey-Fuller s’écrit :

!
−0.2 0.5
∆Xt = Xt−1 + εt
0.2 −0.5
!
−0.2 0.5
avec la matrice Π = .
0.2 −0.5

4. Calculer le rang de la matrice Π. Interpréter le résultat.

Le rang d’une matrice est le nombre de ses!lignes (ou colonnes) linéairement indé-
−0.2 0.5
pendantes. Pour la matrice Π = , on observe que la deuxième ligne est
0.2 −0.5
exactement l’opposé de la première ligne (L2 = −L1 ). Les lignes sont donc linéairement
dépendantes. Le rang de la matrice est donc 1. Une autre façon est de calculer son déter-
minant :
det(Π) = (−0.2)(−0.5) − (0.5)(0.2) = 0.1 − 0.1 = 0

Puisque le déterminant est nul, la matrice est singulière et son rang est inférieur à sa
dimension (2). Comme elle n’est pas la matrice nulle, son rang est 1.

Réponse

Le rang de la matrice Π est 1.

Interprétation (Théorème de représentation de Granger) : Le rang de
la matrice Π (dite "matrice d’impact" ou "matrice de cointégration") indique le
nombre de relations de cointégration indépendantes entre les variables du système.
Un rang de 1 signifie qu’il existe une seule relation de cointégration entre
X1t et X2t .

5. Les processus {X1t } et {X2t } sont-ils cointégrés ?

La cointégration entre les composantes d’un système VAR est directement liée au rang
de la matrice Π. La condition est 0 < rang(Π) < k, où k est le nombre de variables. Ici,
k = 2 et nous avons trouvé que rang(Π) = 1. La condition 0 < 1 < 2 est satisfaite.

3
 Réponse

Oui, les processus {X1t } et {X2t } sont cointégrés. Le résultat de la question 4,

qui établit que le rang de la matrice Π est 1, est la preuve formelle de l’existence
d’une relation de cointégration entre les deux variables.

6. Proposer un possible vecteur de cointégration β.

Le vecteur de cointégration β est un vecteur qui se trouve dans l’espace des lignes
(ou l’espace nul à gauche) de la matrice Π. La relation de cointégration est β ′ Xt ∼ I(0).
La matrice Π peut être décomposée en Π = αβ ′ , où α est le vecteur des coefficients
d’ajustement (ou de rappel) et β est le vecteur de cointégration. Les lignes de Π sont des
multiples du vecteur de cointégration β ′ . Prenons la première ligne de Π : (−0.2, 0.5).
Nous pouvons donc proposer β ′ = (−0.2, 0.5) ou n’importe quel multiple. Pour simplifier,
on peut multiplier par -5 pour obtenir un premier coefficient de 1.

−5 × (−0.2, 0.5) = (1, −2.5)

Vérifions avec la deuxième ligne de Π : (0.2, −0.5).

5 × (0.2, −0.5) = (1, −2.5)

Les deux lignes sont bien des multiples du même vecteur.

Réponse
!
1
Un vecteur de cointégration possible est β = . Cela signifie que la com-
−2.5
binaison linéaire zt = β ′ Xt = X1t − 2.5X!2t est un processus stationnaire (I(0)).
−0.2
Tout vecteur proportionnel, comme , est aussi un vecteur de cointégration
0.5
valide.

4
Solution de l’Exercice 14
Énoncé de l’exercice
Soit un processus aléatoire bivarié {Xt = (X1t , X2t )′ } dont le terme générique s’écrit :

X1t = 0.4X1,t−1 + X2t − 0.3X2,t−1 + ε1t

X2t = 0.5X2,t−1 + 0.4X1,t−1 + ε2t
!
2 0
où εt = (ε1t , ε2t )′ est un bruit blanc bivarié avec E(εt ε′t ) = .
0 1

1. Donner l’écriture VAR correspondant à ce processus.

L’écriture VAR standard (ou forme réduite) est de la forme Xt = Φ1 Xt−1 + · · · + ut ,
où les termes contemporains des variables endogènes (X2t dans la première équation) ont
été éliminés du côté droit. Le système donné est un VAR structurel (SVAR) car la variable
X2t apparaît dans l’équation de X1t . Pour obtenir la forme réduite, nous devons substituer
l’expression de X2t dans la première équation.
Substituons la deuxième équation dans la première :

X1t = 0.4X1,t−1 + (0.5X2,t−1 + 0.4X1,t−1 + ε2t ) − 0.3X2,t−1 + ε1t

X1t = (0.4 + 0.4)X1,t−1 + (0.5 − 0.3)X2,t−1 + ε1t + ε2t
X1t = 0.8X1,t−1 + 0.2X2,t−1 + (ε1t + ε2t )

La deuxième équation reste inchangée :

X2t = 0.4X1,t−1 + 0.5X2,t−1 + ε2t

Le système en forme réduite est donc :

X1t = 0.8X1,t−1 + 0.2X2,t−1 + u1t

X2t = 0.4X1,t−1 + 0.5X2,t−1 + u2t

où les nouveaux résidus sont u1t = ε1t + ε2t et u2t = ε2t .

1
 Réponse

L’écriture VAR(1) correspondant au processus est :

! ! ! !
X1t 0.8 0.2 X1,t−1 u1t
= +
X2t 0.4 0.5 X2,t−1 u2t
!
0.8 0.2
où Φ = et ut = (ε1t + ε2t , ε2t )′ .
0.4 0.5

2. Le processus bivarié {Xt } est-il stationnaire ?

Pour vérifier la stationnarité, nous devons calculer les valeurs propres de la matrice
des coefficients!Φ et vérifier si elles sont toutes en module strictement inférieures à 1.
0.8 0.2
Φ= . L’équation caractéristique est det(Φ − λI) = 0.
0.4 0.5

(0.8 − λ)(0.5 − λ) − (0.2)(0.4) = 0

0.4 − 0.8λ − 0.5λ + λ2 − 0.08 = 0
λ2 − 1.3λ + 0.32 = 0

Calculons le discriminant : ∆ = b2 − 4ac = (−1.3)2 − 4(1)(0.32) = 1.69 − 1.28 = 0.41. Les

valeurs propres sont : √ √
−b ± ∆ 1.3 ± 0.41
λ= =
2a 2
√ √
λ1 = 1.3+2 0.41 ≈ 1.3+0.64
2
= 1.94
2
= 0.97 λ2 = 1.3−2 0.41 ≈ 1.3−0.64
2
= 0.66
2
= 0.33
Les deux valeurs propres (0.97 et 0.33) sont en module strictement inférieures à 1.

Réponse

Oui, le processus bivarié {Xt } est stationnaire. Les valeurs propres de la matrice
des coefficients autorégressifs Φ sont approximativement λ1 ≈ 0.97 et λ2 ≈ 0.33.
Comme leurs modules sont tous deux strictement inférieurs à 1, la condition de
stationnarité est respectée.

3. Quelle est la matrice des erreurs du processus VAR ?

La matrice des erreurs (ou matrice de variance-covariance des résidus)
! du VAR ! en
u1t ε1t + ε2t
forme réduite est Σu = E(ut u′t ). Les résidus du VAR sont ut = = .
u2t ε2t
La matrice Σu a pour éléments :

2
 — V ar(u!
1t ) = V ar(ε1t + ε2t ) = V ar(ε1t ) + V ar(ε2t ) + 2Cov(ε1t , ε2t ). Puisque Σε =
2 0
, on a V ar(ε1t ) = 2, V ar(ε2t ) = 1 et Cov(ε1t , ε2t ) = 0. Donc, V ar(u1t ) =
0 1
2 + 1 + 0 = 3.
— V ar(u2t ) = V ar(ε2t ) = 1.
— Cov(u1t , u2t ) = Cov(ε1t +ε2t , ε2t ) = Cov(ε1t , ε2t )+Cov(ε2t , ε2t ) = 0+V ar(ε2t ) = 1.

Réponse

La matrice de variance-covariance des erreurs du processus VAR en forme réduite

est : ! !
V ar(u 1t ) Cov(u1t , u2t ) 3 1
Σu = E(ut u′t ) = =
Cov(u1t , u2t ) V ar(u2t ) 1 1

4. Quelle est l’écriture de type Dickey-Fuller du système VAR ?

L’écriture de type Dickey-Fuller (ou VECM) est ∆Xt = ΠXt−1 + ut , où Π = Φ − I.
! ! !
0.8 0.2 1 0 −0.2 0.2
Π= − =
0.4 0.5 0 1 0.4 −0.5

Réponse

L’écriture de type Dickey-Fuller (ou VECM) du système VAR est :

!
−0.2 0.2
∆Xt = Xt−1 + ut
0.4 −0.5

5. Peut-on confirmer le résultat sur la stationnarité à partir de la

question précédente ?
La stationnarité du processus VAR est liée au rang de la matrice Π.
— Si rang(Π) = k (plein rang), le processus est stationnaire I(0).
— Si rang(Π) = 0, le processus est non-stationnaire I(d) avec d ≥ 1 et non-cointégré.
— Si 0 < rang(Π) < k, le processus est non-stationnaire I(1) et cointégré.
Calculons le déterminant de Π :

det(Π) = (−0.2)(−0.5) − (0.2)(0.4) = 0.1 − 0.08 = 0.02

Puisque det(Π) ̸= 0, la matrice Π est de plein rang (rang 2).

3
Réponse

Oui, on peut confirmer le résultat. La matrice Π a un déterminant non nul

(det(Π) = 0.02 ̸= 0), ce qui signifie qu’elle est de plein rang (rang = 2). D’après
le théorème de représentation de Granger, si la matrice Π est de plein rang,
alors le processus Xt est stationnaire. Cela confirme bien le résultat obtenu par
l’analyse des valeurs propres de Φ.

4
Solution de l’Exercice 15
Énoncé de l’exercice
Soit un processus bivarié {Xt = (X1t , X2t )′ } qui suit un VAR(1) :

Xt = ΦXt−1 + εt

On sait que les processus X1t et X2t sont intégrés d’ordre 1 (X1t ∼ I(1), X2t ∼ I(1))
et cointégrés. Il existe donc un vecteur (β1 , β2 ) ∈ R2 tel que la relation de cointégration
zt = β1 X1t + β2 X2t est stationnaire (zt ∼ I(0)).

1. Écrire le modèle à correction d’erreur correspondant.

Le point de départ est le modèle VAR(1) en niveau : Xt = ΦXt−1 + εt . Pour obtenir
le modèle à correction d’erreur (VECM), on soustrait Xt−1 des deux côtés :

Xt − Xt−1 = ΦXt−1 − Xt−1 + εt

∆Xt = (Φ − I)Xt−1 + εt

On définit la matrice d’impact (ou de long terme) Π = Φ − I. Le modèle devient :

∆Xt = ΠXt−1 + εt

C’est la forme générale du modèle à correction d’erreur (sans retards de la différence).

Réponse

Le modèle à correction d’erreur (VECM) correspondant au processus s’écrit :

∆Xt = ΠXt−1 + εt

où ∆Xt = Xt − Xt−1 est le vecteur des variables en différence première, et

Π = Φ − I est la matrice qui contient l’information sur la relation de long terme.

2. Écrire le VECM en spécifiant Π = αβ ′ .

Le théorème de représentation de Granger stipule que si les variables d’un système
VAR sont I(1) et cointégrées, la matrice d’impact Π (qui est de rang réduit) peut être
décomposée en le produit de deux matrices : Π = αβ ′ .

1
 — β = (β1 , β2 )′ est le vecteur de cointégration (k ×r, ici 2×1). Il définit la relation
d’équilibre de long terme.
— α = (α1 , α2 )′ est la matrice des coefficients d’ajustement ou de rappel (k × r,
ici 2 × 1). Elle mesure la vitesse à laquelle les variables retournent à l’équilibre
après un choc.
En substituant cette décomposition dans le modèle :

∆Xt = αβ ′ Xt−1 + εt

Réponse

En spécifiant la décomposition de la matrice de cointégration Π = αβ ′ , le modèle

à correction d’erreur (VECM) s’écrit :

∆Xt = αβ ′ Xt−1 + εt

Sous forme matricielle explicite :

! ! ! !
∆X1t α1   X
1,t−1 ε1t
= β1 β2 +
∆X2t α2 X2,t−1 ε2t

3. Déterminer le processus suivi par l’erreur d’équilibre zt = β ′ Xt .

Par définition, zt = β1 X1t + β2 X2t . C’est un processus stationnaire, I(0). Pour trouver
sa dynamique, nous pouvons prémultiplier le modèle VAR(1) par β ′ :

β ′ Xt = β ′ ΦXt−1 + β ′ εt
zt = β ′ ΦXt−1 + β ′ εt

Cette expression n’est pas directement un processus ARMA simple. Une approche plus
instructive est d’utiliser la forme VECM. Prémultiplions ∆Xt = αzt−1 + εt par β ′ :

β ′ ∆Xt = β ′ αzt−1 + β ′ εt
zt − zt−1 = (β ′ α)zt−1 + β ′ εt
zt = zt−1 + (β ′ α)zt−1 + β ′ εt
zt = (1 + β ′ α)zt−1 + β ′ εt

Le terme β ′ εt est une combinaison linéaire de bruits blancs, donc c’est un bruit blanc. Le
terme d’erreur suit donc un processus AR(1).

2
 Réponse

Le terme d’erreur d’équilibre zt = β ′ Xt suit un processus autorégressif d’ordre

1 (AR(1)) stationnaire :
zt = ρzt−1 + νt

où ρ = (1 + β ′ α) et νt = β ′ εt est un bruit blanc. Pour que zt soit stationnaire, il

faut que |ρ| < 1.

4. Quelles conditions la cointégration impose-t-elle sur les coeffi-

cients α et β ?
La cointégration impose des contraintes fondamentales sur les paramètres du VECM.
1. Sur le vecteur de cointégration β : Le vecteur β ne peut pas être le vecteur
nul, sinon il n’y aurait pas de relation. De plus, il est défini à une constante mul-
tiplicative près. Pour l’identifier de manière unique, on impose une contrainte de
normalisation, par exemple β1 = 1 ou β2 = 1.
2. Sur les coefficients d’ajustement α : Les coefficients α1 et α2 ne peuvent pas
être tous les deux nuls. Si α = 0, alors Π = 0β ′ = 0. Le modèle VECM deviendrait
∆Xt = εt , ce qui signifie que les variables seraient des marches aléatoires indépen-
dantes non cointégrées. L’existence d’une relation de cointégration (un mécanisme
de correction d’erreur) impose qu’au moins un des coefficients d’ajustement soit
non nul. Plus spécifiquement, pour que le système retourne à l’équilibre, le coef-
ficient de l’AR(1) pour zt doit être en module inférieur à 1 : |1 + β ′ α| < 1. Cela
implique −2 < β ′ α < 0. Typiquement, on s’attend à ce que β ′ α soit négatif pour
assurer un retour à l’équilibre (si zt−1 > 0, la correction doit être négative).

Réponse

La cointégration impose les conditions suivantes :

1. Le vecteur de cointégration β doit être non nul.
2. Le vecteur des coefficients d’ajustement α doit être non nul (au moins un
de ses éléments doit être différent de zéro).
3. La condition de stabilité du système implique que le produit β ′ α doit
être dans l’intervalle (−2, 0) pour assurer que les déviations par rapport à
l’équilibre de long terme sont corrigées et non explosives.

3
Solution de l’Exercice 16
Énoncé de l’exercice
Un étudiant souhaite estimer un modèle AutoRégressif à retard échelonné d’ordre
(1,1,0) (en abrégé, ARDL(1,1,0)), à partir des données des processus aléatoires {(Xt , Yt , Zt ), t =
1, ..., n}. Il suppose que Y est la variable dépendante.

1. Écrire le modèle ARDL(1,1,0) approprié.

La notation ARDL(p, q1 , q2 , ...) signifie que le modèle pour la variable dépendante Yt
inclut :
— p retards de la variable dépendante elle-même (Yt−1 , ..., Yt−p ).
— q1 retards (et le terme contemporain) de la première variable explicative (Xt , ..., Xt−q1 ).
— q2 retards (et le terme contemporain) de la deuxième variable explicative (Zt , ..., Zt−q2 ).
Dans notre cas, nous avons un ARDL(1,1,0) avec Yt comme variable dépendante et Xt , Zt
comme variables explicatives.
— p = 1 : on inclut un retard de Yt , soit Yt−1 .
— q1 = 1 (pour Xt ) : on inclut un retard de Xt , soit Xt−1 , ainsi que le terme contem-
porain Xt .
— q2 = 0 (pour Zt ) : on inclut zéro retard de Zt , mais on inclut le terme contemporain
Zt .
Le modèle inclut aussi une constante (intercept) c.

Réponse

Le modèle ARDL(1,1,0) approprié pour expliquer Yt en fonction de Xt et Zt

s’écrit :
Yt = c + ϕ1 Yt−1 + β1,0 Xt + β1,1 Xt−1 + β2,0 Zt + εt

où :
— c est la constante.
— ϕ1 est le coefficient autorégressif de Yt .
— β1,0 et β1,1 sont les coefficients des retards distribués de Xt .
— β2,0 est le coefficient de la variable contemporaine Zt .
— εt est un terme d’erreur bruit blanc.

1
2. Écrire le modèle à correction d’erreur sans restriction (ARDL-
SR).
Le modèle à correction d’erreur (ECM) est une reparamétrisation du modèle ARDL.
Pour l’obtenir, on exprime le modèle en termes de différences et de niveaux. Le but est
d’arriver à une forme du type :

∆Yt = dynamique de court terme + terme de correction d’erreur + εt

Partons de l’équation ARDL(1,1,0) :

Yt = c + ϕ1 Yt−1 + β1,0 Xt + β1,1 Xt−1 + β2,0 Zt + εt

Soustrayons Yt−1 des deux côtés :

Yt − Yt−1 = c + (ϕ1 − 1)Yt−1 + β1,0 Xt + β1,1 Xt−1 + β2,0 Zt + εt

Maintenant, on manipule les termes en Xt et Zt pour faire apparaître des différences

(∆Xt , ∆Zt ) et des niveaux (Xt−1 , Zt−1 ). On utilise l’astuce d’ajouter et de soustraire les
mêmes quantités.

∆Yt = c + (ϕ1 − 1)Yt−1 + β1,0 (Xt − Xt−1 + Xt−1 ) + β1,1 Xt−1

+ β2,0 (Zt − Zt−1 + Zt−1 ) + εt
∆Yt = c + (ϕ1 − 1)Yt−1 + β1,0 ∆Xt + (β1,0 + β1,1 )Xt−1
+ β2,0 ∆Zt + β2,0 Zt−1 + εt

Regroupons les termes en niveau (retardés) pour former le terme de correction d’erreur :

∆Yt = c + β1,0 ∆Xt + β2,0 ∆Zt + (ϕ1 − 1)Yt−1 + (β1,0 + β1,1 )Xt−1 + β2,0 Zt−1 + εt

Le terme entre parenthèses est le terme de correction d’erreur. C’est le modèle à correction
d’erreur "sans restriction" car les coefficients des variables en niveau ne sont pas contraints.

2
 Réponse

Le modèle à correction d’erreur sans restriction (ARDL-SR ou Unrestricted ECM,

UECM) s’écrit :

∆Yt = c + λ1 ∆Xt + λ2 ∆Zt + θ0 Yt−1 + θ1 Xt−1 + θ2 Zt−1 + εt

où les coefficients de court terme sont λ1 = β1,0 et λ2 = β2,0 , et les coefficients de

long terme sont θ0 = ϕ1 − 1, θ1 = β1,0 + β1,1 , et θ2 = β2,0 . Ce modèle est estimé
pour tester l’existence d’une relation de cointégration (test de Pesaran, Shin et
Smith).

3. Écrire le modèle à correction d’erreur avec restriction (ARDL-

MCE).
Le modèle avec restriction (ou simplement le modèle à correction d’erreur, MCE) est
obtenu en factorisant le terme de correction d’erreur. Dans l’équation SR, le terme de
long terme est :
θ0 Yt−1 + θ1 Xt−1 + θ2 Zt−1

On peut factoriser par le coefficient de Yt−1 , soit θ0 = ϕ1 − 1 :

 
β1,0 + β1,1 β2,0
(ϕ1 − 1) Yt−1 + Xt−1 + Zt−1
ϕ1 − 1 ϕ1 − 1

Posons λ = ϕ1 − 1. Le terme devient :

λ [Yt−1 − K1 Xt−1 − K2 Zt−1 ]

où K1 = − β1,0 +β1,1
ϕ1 −1
et K2 = − ϕβ12,0
−1
sont les coefficients de la relation de long terme.
Le terme entre crochets est le terme de correction d’erreur de la période précédente,
ecmt−1 = Yt−1 −K1 Xt−1 −K2 Zt−1 . Il représente le déséquilibre par rapport à la relation de
long terme Y = K1 X + K2 Z. Le coefficient λ = ϕ1 − 1 est le coefficient d’ajustement,
qui mesure la vitesse de retour à l’équilibre.

3
Réponse

Le modèle à correction d’erreur avec restriction (ARDL-MCE) s’écrit :

∆Yt = c + β1,0 ∆Xt + β2,0 ∆Zt + λ(Yt−1 − K1 Xt−1 − K2 Zt−1 ) + εt

où :
— β1,0 ∆Xt + β2,0 ∆Zt représente la dynamique de court terme.
— λ = ϕ1 − 1 est le coefficient d’ajustement. Il doit être négatif et statis-
tiquement significatif pour qu’il y ait correction d’erreur.
— (Yt−1 − K1 Xt−1 − K2 Zt−1 ) est le terme de correction d’erreur, repré-
sentant le déséquilibre de long terme de la période précédente.

4
Solution de l’Exercice 17
Énoncé de l’exercice
Soit un processus bivarié {Xt } = {X1t , X2t }′ écrit sous la forme vectorielle autorégres-
sive suivante :
Xt = ΦXt−1 + εt
!
1/2 1/3
avec Φ = et εt un bruit blanc de matrice de variance-covariance Ω = I2 .
0 1/5

1. Comment appelle-t-on ce modèle de représentation ?

Le modèle est de la forme Xt = Φ1 Xt−1 + εt . C’est un modèle autorégressif vectoriel.
On peut également noter que le système ne contient pas de constante.

Réponse

Ce modèle est un Modèle Autorégressif Vectoriel d’ordre 1, ou VAR(1).

Plus spécifiquement, comme la matrice des coefficients Φ est triangulaire supé-
rieure, on peut parler d’un VAR récursif ou VAR triangulaire.

2. Exprimer le processus sous la forme réduite Φ(L)Xt = α + εt .

La forme Xt = ΦXt−1 + εt peut être réécrite en utilisant l’opérateur retard L, où
LXt = Xt−1 .

Xt − ΦLXt = εt
(I − ΦL)Xt = εt

En identifiant les termes, on a Φ(L) = I − ΦL. Il n’y a pas de vecteur de constantes dans
le modèle initial, donc α = 0.
! ! !
1 0 1/2 1/3 1 − 21 L − 13 L
Φ(L) = − L=
0 1 0 1/5 0 1 − 15 L

Réponse

Le processus sous forme polynomiale réduite s’écrit Φ(L)Xt = εt , avec α = 0

et : !
1 − 12 L − 31 L
Φ(L) =
0 1 − 15 L

1
3. Est-ce que le processus est stationnaire ?
La condition de stationnarité pour un VAR est que les valeurs propres de la ma-
! Φ soient toutes en module strictement inférieures à 1. La matrice
trice des coefficients
1/2 1/3
Φ= est une matrice triangulaire. Les valeurs propres d’une matrice trian-
0 1/5
gulaire sont ses éléments diagonaux. Les valeurs propres sont donc λ1 = 1/2 et λ2 = 1/5.
Calculons leurs modules : |λ1 | = 0.5 < 1 et |λ2 | = 0.2 < 1.

Réponse

Oui, le processus {Xt } est stationnaire. Les valeurs propres de la matrice Φ

sont λ1 = 0.5 et λ2 = 0.2, qui sont toutes deux en module strictement inférieur à
1, ce qui satisfait la condition de stationnarité.

4. X1t cause-t-il X2t au sens de Grange ?

X1t cause X2t au sens de Granger si les valeurs passées de X1t aident à prédire la
valeur actuelle de X2t , au-delà de ce qui est déjà expliqué par les valeurs passées de X2t
elle-même. Dans le système d’équations, on regarde l’équation de X2t :

1
X2t = 0 · X1,t−1 + X2,t−1 + ε2t
5

Le coefficient du terme retardé X1,t−1 dans l’équation de X2t est nul. Cela signifie que le
passé de X1t n’intervient pas dans la prédiction de X2t .

Réponse

Non, X1t ne cause pas X2t au sens de Granger. Le coefficient de X1,t−1 dans la
deuxième équation du système VAR (celle qui explique X2t ) est nul.

5. X2t cause-t-il X1t au sens de Grange ?

On procède de la même manière en regardant l’équation de X1t :

1 1
X1t = X1,t−1 + X2,t−1 + ε1t
2 3

Le coefficient du terme retardé X2,t−1 dans l’équation de X1t est 1/3, ce qui est non nul.
Cela signifie que le passé de X2t contient une information utile pour prédire X1t .

2
 Réponse

Oui, X2t cause X1t au sens de Granger. Le coefficient de X2,t−1 dans la première
équation du système VAR (celle qui explique X1t ) est de 1/3, ce qui est non nul.

6. Calculer la prévision de X1,t+1 connaissant It .

Note : La question mentionne It−1 mais demande la prévision de Xt+1 , ce qui est
plus cohérent avec une information jusqu’en t, soit It . Nous allons calculer E(X1,t+1 |It ).
L’ensemble d’information en t, It , contient les valeurs de toutes les variables jusqu’à
l’instant t, c’est-à-dire {Xt , Xt−1 , ...}. L’équation pour X1,t+1 est :

1 1
X1,t+1 = X1t + X2t + ε1,t+1
2 3

Pour calculer la prévision, on prend l’espérance conditionnelle par rapport à It :

 
1 1
E(X1,t+1 |It ) = E X1t + X2t + ε1,t+1 It
2 3
1 1
= E(X1t |It ) + E(X2t |It ) + E(ε1,t+1 |It )
2 3

À l’instant t, les valeurs X1t et X2t sont connues et font partie de It . Donc E(X1t |It ) = X1t
et E(X2t |It ) = X2t . Le terme d’erreur ε1,t+1 est une innovation future, non corrélée avec
l’information passée. Donc E(ε1,t+1 |It ) = E(ε1,t+1 ) = 0.

Réponse

La prévision de X1,t+1 à l’horizon 1, conditionnellement à l’information disponible

en t, est :
1 1
X̂1,t+1|t = E(X1,t+1 |It ) = X1t + X2t
2 3

3
Solution de l’Exercice 18
Énoncé de l’exercice
Un économètre étudie la relation entre 4 variables (k = 4) : Pib, Fbcf, InsPrim, InsSec.
Il effectue un test de cointégration de Johansen et estime un modèle à correction d’erreur
(VECM).

1. Quelle(s) conclusion(s) tirer du tableau Test de Johansen ci-

dessus ?
Le test de Johansen teste une séquence d’hypothèses nulles sur le rang de la matrice
de cointégration Π, noté r. L’hypothèse nulle H0 : r ≤ k est testée contre l’alternative
H1 : r > k. On utilise généralement le test de la trace. La règle de décision est de rejeter
H0 si la statistique de test est supérieure à la valeur critique. On s’arrête à la première
hypothèse nulle que l’on ne peut pas rejeter.
— Test pour r = 0 (H0 : r = 0 vs H1 : r > 0) :
— Statistique de test = 68.54
— Valeur critique à 5% = 62.99
— Décision : 68.54 > 62.99 =⇒ On rejette H0 . Il y a au moins une relation de
cointégration.
— Test pour r ≤ 1 (H0 : r ≤ 1 vs H1 : r > 1) :
— Statistique de test = 37.09
— Valeur critique à 5% = 42.44
— Décision : 37.09 < 42.44 =⇒ On ne rejette pas H0 . On ne peut pas affirmer
qu’il y a plus d’une relation de cointégration.
La procédure s’arrête ici. On conclut que le rang de la matrice de cointégration est r = 1.

Réponse

À partir du test de Johansen (test de la trace), on tire les conclusions suivantes

au seuil de signification de 5% :
1. On rejette l’hypothèse d’absence de cointégration (r = 0).
2. On ne rejette pas l’hypothèse qu’il y a au plus une relation de cointégration
(r ≤ 1).
La conclusion est donc qu’il existe exactement une relation de cointégration
(un rang r = 1) entre les quatre variables (Pib, Fbcf, InsPrim, InsSec).

1
2. Donner un exemple de valeur de la statistique de test de la trace
pour que les processus soient stationnaires (I(0)) au niveau de 5%.
Si tous les processus étaient stationnaires (I(0)), le système VAR en niveau serait
stationnaire. Dans le formalisme VECM, cela signifie que la matrice d’impact Π serait
de plein rang, soit r = k = 4. Pour conclure que r = 4, il faudrait rejeter toutes les
hypothèses nulles jusqu’à r ≤ 3. Le test de la trace pour H0 : r ≤ 3 compare la statistique
de test à la valeur critique correspondante.
— L’hypothèse testée est H0 : r ≤ 3 vs H1 : r = 4.
— La valeur critique à 5% pour ce test est 12.25.
Pour rejeter H0 et conclure que r = 4 (donc que les processus sont stationnaires), la
statistique de test doit être supérieure à 12.25.

Réponse

Pour que les processus soient stationnaires (I(0)), le rang de cointégration devrait
être r = 4. Cela nécessiterait de rejeter l’hypothèse H0 : r ≤ 3. Un exemple de
valeur de la statistique de test de la trace pour cette hypothèse qui mènerait à
un rejet à 5% serait n’importe quelle valeur supérieure à 12.25. Par exemple,
une valeur de 15.0 aurait permis de conclure à la stationnarité du système.

3. Que dire de l’hypothèse de cointégration des processus ?

La cointégration est l’existence d’une ou plusieurs relations stationnaires de long terme
entre des variables qui sont individuellement non-stationnaires (typiquement I(1)). Le test
de Johansen est précisément conçu pour tester cette hypothèse.

Réponse

L’hypothèse de cointégration est fortement soutenue par les données. Le

résultat du test de Johansen (question 1) nous a permis de rejeter l’absence de
cointégration (r = 0) et de conclure à l’existence d’exactement une relation de
cointégration (r = 1). Cela signifie qu’il existe une combinaison linéaire des quatre
variables qui est stationnaire, représentant un équilibre de long terme.

4. Soit Π̂ l’estimation de la matrice cointégrante Π. Donner sa

valeur.
La matrice Π se décompose en Π = αβ ′ . Les sorties VECM nous donnent les estima-
tions de α (les coefficients d’ajustement) et de β (le vecteur de cointégration).

2
 — Le vecteur de cointégration normalisé (avec le coefficient de Pib fixé à 1) est
donné dans les parenthèses du terme de correction d’erreur dans chaque équation :

β ′ = (1, 84.43, −26.555, −6.035)

— Le vecteur des coefficients d’ajustement α est constitué des coefficients qui

multiplient ce terme de correction d’erreur dans chaque équation :
 
−0.284
 
−0.00375
α=
 0.004 

 
0.0034

L’estimation de la matrice Π est obtenue en calculant le produit α̂β̂ ′ .

 
−0.284
 
′
−0.00375  
Π̂ = α̂β̂ = 
  1 84.43 −26.555 −6.035
 0.004 

0.0034
 
−0.284 −0.284 × 84.43 . . . . . .
 
−0.00375 ... . . . . . .
=
 
 0.004 . . . . . . . . . 

0.0034 ... ... ...
 
−0.2840 −23.9781 7.5416 1.7139
 
−0.0038 −0.3166 0.0996 0.0226 
=
 
 0.0040 0.3377 −0.1062 −0.0241 

0.0034 0.2871 −0.0903 −0.0205

Réponse

L’estimation de la matrice de cointégration Π̂ est obtenue par le produit α̂β̂ ′ . Sa

valeur approximative est :
 
−0.284 −23.98 7.54 1.71
 
−0.004 −0.32 0.10 0.02 
Π̂ ≈ 
 
 0.004 0.34 −0.11 −0.02

0.003 0.29 −0.09 −0.02

Cette matrice est bien de rang 1, car toutes ses colonnes sont des multiples de α̂
et toutes ses lignes sont des multiples de β̂ ′ .

3
Solution de l’Exercice 19
Énoncé de l’exercice
Soit un processus bivarié {Xt } = {(X1t , X2t )′ } dont le terme générique est :

Xt = α + ΦXt−1 + εt
! !
0 1/2 −1/2
avec α = , Φ = et εt un bruit blanc de matrice de variance-
1 −1/2 1/2
covariance Ωε = I2 .

1. Comment appelle-t-on ce modèle de représentation ?

Le modèle exprime le vecteur de variables Xt en fonction de ses propres valeurs passées
(ici un seul retard) et d’un vecteur d’erreurs. Il inclut également un vecteur de constantes.

Réponse

Ce modèle est un Modèle Autorégressif Vectoriel d’ordre 1 avec

constante, ou VAR(1).

2. Exprimer le processus sous la forme réduite Φ(L)Xt = α + εt .

On part de Xt = α+ΦXt−1 +εt et on utilise l’opérateur retard L tel que LXt = Xt−1 .

Xt − ΦLXt = α + εt
(I − ΦL)Xt = α + εt

On identifie le polynôme matriciel Φ(L) = I − ΦL.

! ! !
1 0 1/2 −1/2 1 − 21 L 1
2
L
Φ(L) = − L= 1
0 1 −1/2 1/2 2
L 1 − 12 L

Réponse

processus sous forme polynomiale réduite s’écrit Φ(L)Xt = α + εt , avec α =

Le !
0
et :
1
!
1 − 21 L 1
2
L
Φ(L) = 1 1
2
L 1 − 2
L

1
3. Est-ce que le processus a une racine unitaire ? Interpréter.
Pour vérifier la présence d’une racine unitaire, on calcule les valeurs propres de la
matrice des coefficients Φ. Si! une valeur propre est égale à 1, le processus a une racine
1/2 −1/2
unitaire. Φ = . L’équation caractéristique det(Φ − λI) = 0 est :
−1/2 1/2

(1/2 − λ)(1/2 − λ) − (−1/2)(−1/2) = 0

(1/2 − λ)2 − 1/4 = 0
λ2 − λ + 1/4 − 1/4 = 0
λ2 − λ = 0 =⇒ λ(λ − 1) = 0

Les valeurs propres sont λ1 = 0 et λ2 = 1.

Réponse

Oui, le processus a une racine unitaire car la matrice Φ a une valeur propre égale
à 1.
Interprétation : La présence d’une racine unitaire signifie que le processus {Xt }
est non-stationnaire. Au moins une de ses composantes est intégrée (typique-
ment I(1)). Cela ouvre la porte à la possibilité de cointégration entre les variables.

4. Quelle est, si elle existe, la représentation VMA(∞) du proces-

sus ?
Un processus admet une représentation en Moyenne Mobile Vectorielle infinie, VMA(∞),
si et seulement si il est stationnaire. Le processus {Xt } n’est pas stationnaire car il possède
une racine unitaire.

Réponse

La représentation VMA(∞) du processus en niveau {Xt } n’existe pas. Cette

représentation n’est définie que pour les processus stationnaires.

5. Causalité au sens de Granger.

a) X2t cause-t-il X1t ? On regarde l’équation pour X1t dans le système :

1 1
X1t = 0 + X1,t−1 − X2,t−1 + ε1t
2 2

Le coefficient de X2,t−1 est −1/2, ce qui est non nul. Le passé de X2t aide à prédire X1t .

2
b) X1t cause-t-il X2t ? On regarde l’équation pour X2t dans le système :

1 1
X2t = 1 − X1,t−1 + X2,t−1 + ε2t
2 2

Le coefficient de X1,t−1 est −1/2, ce qui est non nul. Le passé de X1t aide à prédire X2t .

Réponse

a) Oui, X2t cause X1t au sens de Granger car le coefficient de X2,t−1 dans
l’équation de X1t est non nul (−1/2 ̸= 0).
b) Oui, X1t cause X2t au sens de Granger car le coefficient de X1,t−1 dans
l’équation de X2t est non nul (−1/2 ̸= 0).
Il existe donc une causalité bidirectionnelle (feedback) entre les deux variables.

6. Analyse du VECM.
a) Spécifier la matrice cointégrante Π. La matrice de cointégration est Π = Φ − I.
! ! !
1/2 −1/2 1 0 −1/2 −1/2
Π= − =
−1/2 1/2 0 1 −1/2 −1/2
!
0
L’écriture VECM est ∆Xt = µ + ΠXt−1 + εt , où µ = α = .
1

Réponse
!
−1/2 −1/2
La matrice cointégrante est Π = .
−1/2 −1/2

b) VAR en niveau approprié ? Non, car le processus est non-stationnaire. L’es-

timation d’un VAR en niveau conduirait à une régression fallacieuse et les inférences
statistiques seraient invalides.

c) VAR en différences premières approprié ? Cela reviendrait à estimer ∆Xt =

µ+ut . Ce serait approprié uniquement si les variables n’étaient pas cointégrées (rang(Π) =
0). Or, Π n’est pas la matrice nulle, donc son rang n’est pas 0. Un VAR en différences
perdrait l’information sur la relation de long terme.

d) VECM approprié ? Oui. Le VECM est spécifiquement conçu pour les systèmes
de variables non-stationnaires qui sont cointégrées. Il modélise à la fois la dynamique de

3
court terme!(en différences) et! la relation d’équilibre de long terme. Le modèle serait :
0 −1/2 −1/2
∆Xt = + Xt−1 + εt .
1 −1/2 −1/2

e) Existence de relations de cointégration ? On étudie le rang de Π. Les deux

lignes de Π sont identiques, donc linéairement dépendantes. Le rang n’est pas 2. Comme
Π n’est pas la matrice nulle, son rang est 1. Puisque 0 < rang(Π) < k (avec k = 2), il y
a cointégration. Plus précisément, il existe r = 1 relation de cointégration.

Réponse

b) Non, un VAR en niveau n’est pas approprié car le processus est non-
stationnaire.
c) Non, un VAR en différences premières n’est pas approprié car il omettrait
la relation de cointégration (le terme de correction d’erreur).
d) Oui, un VECM est le modèle approprié. Il s’écrit :
! !
0 −1/2 −1/2
∆Xt = + Xt−1 + εt
1 −1/2 −1/2

e) Oui, il existe une relation de cointégration entre X1t et X2t , car le

rang de la matrice Π est 1.

4
Solution de l’Exercice 20
Énoncé de l’exercice
Un économètre estime un modèle ARDL(2,0,4,1,1,2) pour expliquer le PIB par ha-
bitant (Pib) du Niger en fonction de 5 autres variables (Fbcf, Infla, Export, Import,
Tx.OC).

1. Donner l’écriture mathématique du modèle ARDL(2,0,4,1,1,2).

La notation ARDL(p, q1 , ..., qk ) indique le nombre de retards pour la variable dépen-
dante (p) et pour chacune des variables explicatives (qi ).
— Variable dépendante (Pib) : p=2 =⇒ retards P ibt−1 , P ibt−2 .
— Fbcf : q1 =0 =⇒ terme contemporain F bcft .
— Infla : q2 =4 =⇒ termes Inf lat , Inf lat−1 , ..., Inf lat−4 .
— Export : q3 =1 =⇒ termes Exportt , Exportt−1 .
— Import : q4 =1 =⇒ termes Importt , Importt−1 .
— Tx.OC : q5 =2 =⇒ termes T x.OCt , T x.OCt−1 , T x.OCt−2 .

Réponse

L’écriture mathématique du modèle ARDL(2,0,4,1,1,2) est :

2
X 0
X 4
X 1
X
P ibt = c + ϕi P ibt−i + β1,i F bcft−i + β2,i Inf lat−i + β3,i Exportt−i
i=1 i=0 i=0 i=0
X1 2
X
+ β4,i Importt−i + β5,i T x.OCt−i + εt
i=0 i=0

où c est une constante et εt un bruit blanc.

2. Donner l’écriture du modèle à correction d’erreur (ARDL-SR).

Ce modèle, aussi appelé UECM (Unrestricted Error Correction Model), est une repa-
ramétrisation du modèle ARDL où les variables sont exprimées en différences premières et
en niveaux retardés d’une période. La sortie R intitulée "Estimation des coefficients court
terme" correspond à ce modèle. Dans la sortie R, ‘d(...)‘ signifie la différence première ∆,
et ‘L(...)‘ signifie le retard. ‘d(L(Pib, 1))‘ est donc ∆P ibt−1 . Le terme ‘ect‘ (Error Cor-
rection Term) est en réalité une notation abusive du logiciel pour les variables en niveau
retardées.

1
 Réponse

Le modèle à correction d’erreur sans restriction (ARDL-SR) est celui estimé dans
le premier tableau. Son écriture est :

∆P ibt = c + γ1 ∆P ibt−1 + δ0 ∆Inf lat + δ1 ∆Inf lat−1 + δ2 ∆Inf lat−2 + δ3 ∆Inf lat−3
+ ζ0 ∆Exportt + η0 ∆Importt + θ0 ∆T x.OCt + θ1 ∆T x.OCt−1
+ λ0 P ibt−1 + λ1 F bcft−1 + λ2 Inf lat−1 + λ3 Exportt−1 + λ4 Importt−1 + λ5 T x.OCt−1 + ut

Note : Le logiciel a inclus les variables explicatives en différence et en niveau.

La sortie R semble avoir omis certains termes pour la lisibilité (ex : ∆F bcft ) ou
parce que leurs coefficients étaient nuls, mais la forme générale est celle-ci.

3. Existe-t-il un mécanisme de correction d’erreur (ecm) à 5% ?

L’existence d’un mécanisme de correction d’erreur est équivalente à l’existence d’une
relation de cointégration (relation de long terme). On utilise pour cela le test de Pesaran,
Shin et Smith (Bounds Test), dont la sortie est donnée.
— Hypothèse nulle (H0 ) : Absence de relation de long terme (pas de cointégration).
λ0 = λ1 = ... = λ5 = 0.
— Hypothèse alternative (H1 ) : Existence d’une relation de long terme.
— Statistique de test : La F-statistique du test de significativité globale des coef-
ficients des variables en niveau. La sortie donne F-statistic = 14.99.
— Règle de décision : On compare cette F-statistique aux bornes critiques.
— Borne inférieure (I(0)) à 5% = 3.673
— Borne supérieure (I(1)) à 5% = 5.002
— Comparaison : 14.99 > 5.002.

Réponse

Oui, il existe un mécanisme de correction d’erreur au seuil de 5%. La statistique F

du test de Pesaran (14.99) est supérieure à la borne supérieure de l’intervalle cri-
tique à 5% (5.002). On rejette donc l’hypothèse nulle d’absence de cointégration.
Cela confirme l’existence d’une relation d’équilibre de long terme stable entre le
Pib et les autres variables.

2
4. Que dit le terme de correction d’erreur si Pib est supérieur à sa
valeur d’équilibre ?
Le terme de correction d’erreur est représenté par le coefficient ‘ect‘ dans la première
sortie R. Ce coefficient est λ0 dans l’équation de la question 2 (coefficient de P ibt−1 ),
et il correspond aussi au coefficient d’ajustement. Sa valeur estimée est -0.7056738. Il
est négatif, comme attendu pour une correction d’erreur. Si le Pib de la période précé-
dente (P ibt−1 ) est supérieur à sa valeur d’équilibre de long terme, le terme de correction
d’erreur (P ibt−1 − valeur d’équilibret−1 ) sera positif. Le changement dans le Pib pour
la période suivante, ∆P ibt , sera influencé par ce terme. L’impact sera : (−0.7056) ×
(un nombre positif) = un nombre négatif.

Réponse

Le coefficient du terme de correction d’erreur est de -0.706. Si le Pib est supérieur

à sa valeur d’équilibre, le terme d’erreur est positif. Le coefficient négatif implique
que la variation du Pib à la période suivante (∆P ibt ) sera négative. Autrement
dit, le Pib va diminuer pour retourner vers sa valeur d’équilibre de long
terme. La vitesse de cet ajustement est d’environ 70.6% du déséquilibre par an.

5. Quelles sont les variables qui impactent le Pib à court terme ?

Et à long terme ?
— Impact de court terme : On regarde la significativité des coefficients des va-
riables en différence dans le premier tableau (le modèle ARDL-SR). On se fixe un
seuil de 5%.
— ‘d(Infla)‘ : p-value = 0.00265 (**) =⇒ Significatif.
— ‘d(L(Infla, 1))‘ : p-value = 0.02079 (*) =⇒ Significatif.
— ‘d(Export)‘ : p-value = 2.89e-11 (***) =⇒ Significatif.
— ‘d(Import)‘ : p-value < 2e-16 (***) =⇒ Significatif.
— ‘d(Tx.OC)‘ : p-value < 2e-16 (***) =⇒ Significatif.
— Impact de long terme : On regarde la significativité des coefficients dans le
second tableau ("Estimation des coefficients long terme").
— ‘Infla‘ : p-value = 1.75e-02 (*) =⇒ Significatif.
— ‘Export‘ : p-value = 5.99e-06 (***) =⇒ Significatif.
— ‘Import‘ : p-value = 1.33e-10 (***) =⇒ Significatif.
— ‘Tx.OC‘ : p-value = 3.69e-12 (***) =⇒ Significatif.
— ‘Fbcf‘ : p-value = 6.45e-01 =⇒ Non significatif.

3
 Réponse

— À court terme, le Pib est significativement impacté par les variations

de l’inflation (‘Infla‘), des exportations (‘Export‘), des importations (‘Im-
port‘) et de l’ouverture commerciale (‘Tx.OC‘).
— À long terme, le Pib est significativement impacté par les niveaux de l’in-
flation (‘Infla‘), des exportations (‘Export‘), des importations (‘Import‘) et
de l’ouverture commerciale (‘Tx.OC‘). La formation brute de capital fixe
(‘Fbcf‘) ne semble pas avoir d’impact significatif à long terme.
C’est donc le même ensemble de variables (à l’exception de Fbcf) qui est pertinent
à court et à long terme.

6. Interpréter le résultat suivant obtenu par cet économètre.

Ceci est la même sortie que celle utilisée à la question 3, mais nous l’interprétons à
nouveau en détail.

Réponse

Ce tableau présente les résultats du test aux bornes (Bounds Test) de Pe-
saran, Shin et Smith pour la cointégration.
— Hypothèses : Le test évalue si les coefficients des variables en niveau dans
le modèle à correction d’erreur (l’équation de long terme) sont conjointe-
ment nuls (H0 , pas de cointégration) ou non (H1 , cointégration).
— Statistique de test : Une statistique F est calculée, sa valeur est de
14.99.
— Valeurs critiques : Contrairement à un test F standard, les valeurs cri-
tiques dépendent de l’ordre d’intégration (I(0) ou I(1)) des régresseurs. Le
test fournit donc une borne inférieure (si toutes les variables sont I(0))
et une borne supérieure (si toutes les variables sont I(1)).
— Règle de décision :
— Si F > Borne supérieure : On rejette H0 et on conclut à la cointégration.
— Si F < Borne inférieure : On ne rejette pas H0 .
— Si F est entre les deux bornes : Le test est non concluant.
— Conclusion : Au seuil de 5%, on a 14.99 > 5.002 (Borne supérieure). On
rejette donc l’hypothèse nulle d’absence de cointégration de manière non
ambigüe.

4
7. Existe-t-il une relation de cointégration entre les processus ?
La réponse à cette question est une conclusion directe des questions 3 et 6.

Réponse

Oui, il existe une relation de cointégration entre les processus générateurs des
séries chronologiques.
Justification :
— L’hypothèse principale du test est H0 : "Pas de cointégration".
— L’hypothèse alternative est H1 : "Il y a cointégration".
— Le test aux bornes de Pesaran, Shin et Smith a donné une statistique F de
14.99, qui est supérieure à la borne critique supérieure de 5.002 au seuil
de 5%.
— Par conséquent, nous rejetons H0 et concluons en faveur de H1 . Il existe une
relation d’équilibre stable à long terme entre le Pib et les autres variables
économiques.

5
WoG