Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)

Vector AutoRegressive (VAR)

Vector Error Correction Model (VECM)

BOGNINOU Mahoulé Jude et de SOUZA Renaud

Ecole Nationale Supérieure de Génie Mathématique et Modelisation

(ENSGMM) ABOMEY

27 juin 2022

1 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

2 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Introduction

PLAN

1 Introduction

2 Vector AutoRegressive VAR Model

3 Vector Error Correction Model

4 APPLICATION

3 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Introduction

Introduction

Un processus vectoriel autorégressif d’ordre (p) dit

VAR(p), est une généralisation des processus AR(p) au cas
multivarié. La dimension de ce processus représente le nombre
de variables étudiées qui composent ce processus vectoriel et
pour lequel on cherche à établir des relations linéaires entre
les variables. Selon le besoin, on l’exprime sous une forme
particulière.
Nous allons présenter ces diverses formes qui serviront
à introduire et définir certaines propriétés de ce type de
processus et seront utiles à l’analyse du processus

4 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model

PLAN

1 Introduction

2 Vector AutoRegressive VAR Model

3 Vector Error Correction Model

4 APPLICATION

5 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Définitions

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

6 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Définitions

Définitions

Le modèle vectoriel autorégressif (VAR) est un modèle de

séries temporelles multivariés qui relie les observations
actuelles d’une variable aux observations passées
d’elle-même et aux observations passées des autres
variables du système.
Les modèles VAR diffèrent des modèles autorégressifs
univariés car ils permettent une rétroaction entre les
variables du modèle.

7 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Quelques exemples d’utilisations d’un modèle VAR

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

8 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Quelques exemples d’utilisations d’un modèle VAR

Traditionnellement,les modèles VAR sont largement

utilisés en finance et en économétrie car ils offrent un
cadre pour atteindre des objectifs de modélisation
importants, notamment : Description des
données,Prévision,Inférence Structurelle
Cependant, plus récemment, les modèles VAR ont gagné
du terrain dans d’autres domaines comme l’épidémiologie,
la médecine et la biologie.

9 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Quelques exemples d’utilisations d’un modèle VAR

Médécine

Question
Comment les signes vitaux chez les patients
cardiorespiratoires sont-ils dynamiquement liés ?

Description
Un modèle VAR peut etre utilisé pour modéliser les relations
passées et actuelles entre la fréquence cardiaque ,la
fréquence respiratoire,la pression artérielle et la SpO2.

10 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Quelques exemples d’utilisations d’un modèle VAR

Epidémiologie

Question
Comment les risques d’infections au COVID-19
interagissent-ils selon les tranches d’age ?

Description
Les données de comptage des infections passées dans
differentes groupes d’age peuvent etre utilisées pour modeliser
les relations entre les taux d’infection dans ces groupes d’age.

11 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Quelques exemples d’utilisations d’un modèle VAR

Economie

Question
Existe-t-il une relation bidirectionnelle entre le revenu
personnel et les dépenses de consommations personnelles ?

Description
Un système VAR à deux équations est utilisé pour modeliser la
relation entre le revenu et la consommation au fil du temps.

12 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Présentations d’un modèle VAR

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

13 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Présentations d’un modèle VAR

Présentation du modèle

Définitions
Le modèle VAR(” Vector AutoRegressive”) à k variables (hors
constante) et p retards noté VAR(p) s’écrit :

Yt = A0 + A1 Yt−1 + A2 Yt−2 + .... + Ap Yt−p + ßt , t × ™ (1)

14 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Présentations d’un modèle VAR

Yt = (y1,t , y2,t ....yk ,t )′

est un vecteur colonne de dimension k contenant les variables
à l’étude

A0 = (a1,0 , a2,0 , ...., ak ,0 )′

est un vecteur colonne de dimension k de constantes
associées respectivement à chaque variable

Ai
sont des matrices k*k de coefficients fixes, (i=1,2,......,p) ;

ßt = (ß1 t, ß2 t, ...., ßk t)
est un vecteur colonnes des termes d’erreur qui sont des bruits
blancs.
15 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Présentations d’un modèle VAR

Les termes d’erreur doivent satisfaire les trois conditions

suivantes :
„(ßt ) = 0
Chaque terme d’erreur a une espérance mathématique qui est
égale à 0.

„(ßt ß′t ) = Ò
La matrice de covariance contemporaine des termes d’erreur
est une matrice k*k positive semi-définie notée Ò.

„(ßt ßt−k ) = 0
Pour tout k non [Link] n’y a pas de corrélation dans le temps .En
particulier il n’y a pas de corrélation en série dans les termes
d’erreur individuels.

16 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Présentations d’un modèle VAR

Exemple d’un modèle VAR(2) bivarié

" # " # " #" # " #" # " #

y1,t 1 0.7 0.4 y1,t−1 0.1 0.87 y1,t−2 u1,t
Yt = = + + +
y2,t 5 1 0.2 y2,t−1 0.25 0.98 y2,t−2 u2,t

On
 peut aussi écrire :
y1,t = 1 + 0.7y1,t−1 + 0.4y2,t−1 + 0.1y1,t−2 + 0.87y2,t−2 + u1,t



y2,t = 5 + y1,t−1 + 0.2y2,t−1 + 0.25y1,t−2 + 0.98y2,t−2 + u2,t


17 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Ordre d’intégration des variables

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

18 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Ordre d’intégration des variables

Ordre d’intégration des variables

Notons que toutes les variables doivent etre du meme ordre

d’inté[Link] cas suivants sont distincts :
Premier cas
Toutes les variables sont stationnaires I(0) : C’est dans les cas
standards.

Deuxième cas
Toutes les variables sont non stationnaires I(d) avec d>0

19 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Ordre d’intégration des variables

Ordre d’intégration des variables

Lorsque toutes les variables sont non stationnaires , nous
avons deux cas :
Les variables sont cointégrées
Le terme de correction d’erreur doit etre inclus dans le VAR.
Le modèle devient un modèle vectoriel à correction d’erreur
(VECM) qui peut etre considéré comme un VAR restreint

Les variables ne sont pas cointégrées

Les variables doivent etre différenciées d fois et on a un VAR en
différence .suivant :

ÉYt = A0 + A1 ÉYt−1 + A2 ÉYt−2 + .... + Ap ÉYt−p + ßt , t × ™

(2)
20 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Notation matricielle consise

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

21 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Notation matricielle consise

Notation matricielle concise

On peut empiler les vecteurs afin d’écrire un VAR(p) sous la

forme d’une équation stochastique aux différences
matricielles,avec une notation matricielle concise :
Y = BZ + U

22 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
VAR(p) sous forme de VAR(1)

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

23 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
VAR(p) sous forme de VAR(1)

VAR(p) sous la forme de VAR(1)

Un VAR avec p décalage peut toujours etre réécrit de manière
équivalente comme un VAR avec un seul décalage en
redéfinissant de manière appropriée la variable dépendante.
La transformation revient à empiler les retards de la variable
VAR(p) dans la nouvelle variable indépendante VAR(1) et à
ajouterndes identités pour compléter le nombre d’équations
Par exemple , le modèle VAR(2) Yt = c + A1 Yt−1 + A2 Yt−2 + ßt
peut etre refondu en modèle VAR(1) suivant :
" # " # " #" # " #
yt c A1 A2 yt−1 ß
= + + t
yt−1 0 I 0 yt−2 0
où I est la matrice identité .
La forme équivalente VAR(1) est plus pratique pour les
dérivations analytiques et permet des déclarations plus
compactes.
24 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Forme Structurelle d’un VAR et son importance

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

25 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Forme Structurelle d’un VAR et son importance

Forme structurelle d’un VAR

Un VAR structurel avec p retards parfois abrégé SVAR est de la
forme B0 Yt = c0 + B1 Yt−1 + B2 Yt−2 + ßt .
Les termes d’erreur satisfont aux conditions de la définition
ci-dessus ,avec la particularité que tous les éléments hors
diagonale de la matrice de covariance „(ßt ß′t )sont
[Link] dit ,les chocs structurels(les termes d’erreur)
ne sont pas corrélés.
Par exemple ,un VAR(1) structurel à deux variables est :
" #" # " # " #" # " #
1 B0;1,2 y1,t c0;1 B1;1,1 B1;1,2 y1,t−1 ß t
= + + 1
B0;2,1 1 y2,t c0;2 B2;2,1 B1;2,2 y2,t−2 ß2 t
La matrice de covariance est donnée par :
" 2 #
′ ã1 0
„(ßt ßt ) =
0 ã 22
26 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Forme Structurelle d’un VAR et son importance

Forme structurelle d’un VAR

En raison du problème d’identification des
paramètres,l’estimation par les moindres carrés ordinaires du
VAR structurel donnerait des estimations de paramètres
incohérentes.
Ainsi on utilise la forme réduite déjà définie en haut pour éviter
ce problème.
Importance d’un VAR structurel
D’un point de vue économique , si la dynamique conjointe d’un
ensemble de variables peut etre représentée par un modèle
VAR,alors la forme structurelle est une représentation des
relations économiques sous-jacentes
Deux caractéristiques de la forme structurelle en font le
candidat priviligié pour représenter les relations
sous-adjacentes.
27 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Forme Structurelle d’un VAR et son importance

Les termes d’erreur ne sont pas corrélés

Ceci est utile pour séparer les effets des influences
économiquement non liées dans le VAR.
Par exemple ,il n’y a aucune raison pour qu’un choc pétrolier
soit lié à un déplacement des préférences des consommateurs
vers un style vestimentaire.
Par conséquent , on s’attendrait à ce que ces facteurs soit
statistiquement indépendants.

Les variables peuvent avoir un impact contemporain sur

d’autres variables
Il s’agit d’une fonctionnalité souhaitable ,en particulier lors de
l’utilisation des données de basses fréquences.
Par exemple, une augmentation du taux d’imposition indirecte
n’affecterait pas les recettes fiscales le jour de l’annonce de la
décision mais on pourrait trouver un effet dans les données de
ce trimestre. 28 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Estimation des paramètres de régression du modèle

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

29 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Estimation des paramètres de régression du modèle

Estimation des paramètres de régression

A partir de la notation matricielle concise Y = BZ + U

L’approche multivariée des moindres carrés (MLS) pour
estimer B donne : B̂ = YZ ′ (ZZ ′ )−1 .
Cela peut etre écrit alternativement comme :
Vec(B̂ ) = ((ZZ ′ )−1 Z ⊗ Ik )Vec(Y ) où ⊗ désigne le produit de
Kronecker et Vec la vectorisation de la matrice indiquée.
Cet estimateur est cohérent et assymptotiquement
efficace.
Comme les variables explicatives sont les memes dans
chaque équation ,l’estimateur multivarié des moindres
carrés ordinaires est équivalent à l’estimateur des
moindres carrés

30 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Sélection du nombre de retard p pour le modèle VAR

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

31 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Sélection du nombre de retard p pour le modèle VAR

Choix du retard p

Il existe 2 approches principales pour sélectionner le nombre

de retard pour le modèle :
Les deux approches
-L’approche empirique, où l’on utilise un critère d’information
- L’approche d’inférence qui consiste à utiliser des tests
d’hypothèses

Nous considérons uniquement les critères d’information. Il

existe 3 critères d’information populaires, qui sont :
- Critère d’information d’Akaike (AIC)
- Schwarz-Bayésien (BIC)
- Hannan-Quinn (HIQ)

32 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Sélection du nombre de retard p pour le modèle VAR

Choix de p
En effet, le nombre optimal de retard est celui tel que le critère
d’information est minimal. Ensuite, nous estimons le VAR(p)
pour p= 0,...,pmax et choisissons la valeur p qui minimise l’AIC,
le BIC ou le HIQ.

33 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Interprétation du modèle estimé

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

34 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Interprétation du modèle estimé

Les propriétés du modèle VAR sont généralement résumées à

l’aide d’une analyse structurelle utilisant :

- La causalité de Granger
- Les réponses impulsionnelles
- Les décompositions de variance d’erreur de prévision

35 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Interprétation du modèle estimé

Causalité de Granger

Lors de l’exécution du modèle VAR, l’un des tests les plus importants que
nous aimerions vérifier est le test de causalité. L’idée de la causalité est de
vérifier si la présence d’une certaine variable contribue à prévoir une autre
variable.

Les statistiques de causalité de Granger sont des statistiques F qui testent si

les coefficients de tous les retards d’une variable sont conjointement égaux
à zéro dans l’équation d’une autre variable. Lorsque la valeur p-value de la
statistique F diminue, la preuve qu’une variable est pertinente pour prédire
une autre variable augmente.

Par exemple, dans le test de causalité de Granger de X su Y, si la valeur de

p-value est de 0.02, nous dirions que X aide à prévoir Y au seuil de 5 %.
Cependant, si la valeur p est de 0.3 nous dirions qu’il n’y a aucune preuve
que X aide Y à prévoir
36 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Interprétation du modèle estimé

Réponse impulsive

La fonction de réponse impulsionnelle est généralement

utilisée pour vérifier le comportement de certaines variables
face à un choc aléatoire sur une variable considérée.

37 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector AutoRegressive VAR Model
Interprétation du modèle estimé

Décomposition de variance d’erreur de prévision

La décomposition de variance d’erreur de prévision sépare

la variance de l’erreur de prévision en proportions
attribuées à chaque variable du modèle.
Intuitivement, cette mesure nous aide à juger de l’impact
d’une variable sur une autre variable dans le modèle VAR
et de l’interdépendance de la dynamique de nos variables.

38 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model

PLAN

1 Introduction

2 Vector AutoRegressive VAR Model

3 Vector Error Correction Model

4 APPLICATION

39 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Definition

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

40 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Definition

Vector Error Correction Model (VECM)

Soit un modèle VAR(” Vector AutoRegressive”) à k variables

(hors constante) et p retards noté VAR(p) :

Yt = A0 + A1 Yt−1 + A2 Yt−2 + .... + Ap Yt−p + ßt , t × ™ (3)

Si les variables sont non stationnaires I(d) avec d>0 et

cointégrées
Le terme de correction d’erreur doit etre inclus dans le VAR.
Le modèle devient un modèle vectoriel à correction d’erreur
(VECM) qui peut etre considéré comme un VAR restreint

41 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Definition

Vector Error Correction Model

Nous utilisons un modèle VECM qui consiste en un VAR avec

des variables de croissance stationnaires ÉYt et des équations
de correction d’erreur avec des variables de niveau non
stationnaires Yt .
Le modèle VECM décrit une dynamique à court terme par
autorégression vectorielle (VAR) ainsi qu’un équilibre à long
terme par des équations de correction d’erreurs.

´p
ÉYt = ÍYt−1 + j =1 (Èj ÉYt−j ) + CDt + ×t

42 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Definition

Vector Error Correction Model

´p
ÉYt = ÍYt−1 + j =1 (Èj ÉYt−j ) + CDt + ×t
où ÉYt est la première différence de Yt
Í est une matrice de coefficients de relations de
cointégrations.
Èj est une matrice de coefficients de ÉYt−j .
C est une matrice de coefficients d’un vecteur déterministes
dt .
×t est un vecteur des termes d’erreur d’espérance
mathématique nulle.

43 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Exemple d’un VECM à trois variable

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

44 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Exemple d’un VECM à trois variable

Exemple d’un modèle VECM(2) à trois variables

      1 1 1  
ÉY1,t  á11 á12 á13  Y1,t−1  Õ11 Õ12 Õ13  ÉY1,t−1 
  1 1 1 
ÉY2,t  = á21 á22 á23  Y2,t−1  + Õ21 Õ22 Õ23
       
 ÉY2,t−1 
       1 1

1  ÉY
 
ÉY3,t á31 á32 á33 Y3,t−1 Õ31 Õ32 Õ33 3,t−1
 2 2 2      
Õ11 Õ12 Õ13  ÉY1,t−2  c11 c12  " # ×1,t 
 2 2 2   1
+ Õ21 Õ22 Õ23   2,t−2  + c21 c22  d + ×2,t 
 ÉY    
 2 2 2 t
Õ31 Õ32 Õ33 ÉY3,t−2 c31 c32 ×3,t
      

45 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Exemple d’un VECM à trois variable

Vector Error Correction Model

ÍYt−1 est le premier décalage de combinaisons linéaires de

variables de niveau non stationnaires ou de termes de
correction d’erreur (ECT) qui représentent des relations à long
terme entre des variables de niveau non stationnaires.

En particulier, la matrice de cointégration ci-dessus Í n’est pas

unique et s’interprète comme une sorte de coefficient combiné,
il se décompose en une matrice de cointégration ou d’équilibre
Ó et une matrice de chargement ou de vitesse Ô comme suit :

Í = ÓÔ
46 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Exemple d’un VECM à trois variable

Vector Error Correction Model

Son identification dépend de l’ordre de cointégration r des variables de la

manière suivante :
r=0 (Pas de cointégration)
En l’absence de cointégration, étant donné que toutes les variables sont non
stationnaires en niveau, le modèle VECM ci-dessus se réduit à un modèle VAR

47 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Exemple d’un VECM à trois variable

r=1 (Un vecteur de cointégration)

á11 á12 á13  Y1,t−1 

  
ÍYt−1 =  21 á22 á23  Y2,t−1 
á   
á31 á32 á33 Y3,t−1
  

Ó11  h
   
Ó  1 −Ô i Y1,t−1 
=  21  11 −Ô12 Y2,t−1 
  
Ó31
 
Y3,t−1

Ó11  h
   
Ó  1 −Ô i Y1,t−1 
=  21  11 −Ô12 Y2,t−1 
 
Ó31
 
Y3,t−1

48 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Exemple d’un VECM à trois variable

r=2 (Deux vecteurs de cointégrations)

á11 á12 á13  Y1,t−1 

  
ÍYt−1 =  21 á22 á23  Y2,t−1 
á
 
 
 
á31 á32 á33 Y3,t−1
  

Ó11 Ó12  "1 −Ô

  # Y1,t−1 
11 −Ô 12 Y 
= Ó21 Ó22 
 
 1 −Ô21 −Ô22  2,t−1 
 
Ó31 Ó32

Y3,t−1

49 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Test de Johansen pour la cointégration

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

50 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
Vector Error Correction Model
Test de Johansen pour la cointégration

Test de Johansen pour la cointégration

Il existe deux tests pour le nombre de relations de

cointégration.
Le premier test est le test de trace
H0 : vecteurs de cointégration ≤ r
H1 : vecteurs de cointégration ≥r + 1

Le deuxième test est le test des valeurs propres maximales

H0 : Il existe r vecteurs de cointégration
H1 : Il existe r + 1 vecteurs de cointégration

51 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION

PLAN

1 Introduction

2 Vector AutoRegressive VAR Model

3 Vector Error Correction Model

4 APPLICATION

52 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

53 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

APPLICATION
Dans cette section, nous allons présenter une
application sur le marché financier. Nous allons essayer de
modéliser la relation dynamique entre le SP500(indice boursier
basé sur 500 grandes sociétés cotées), la devise Bitcoin, la
devise JPY (Monnaie officielle du JAPON)et la devise CHF
(Monnaie officielle Suisse).
L’idée est de voir si le krach boursier peut entraîner une
augmentation du bitcoin. Une autre question est de voir
laquelle des devises est la plus considérée par les acteurs du
marché.
La première étape de l’opération consiste à charger les
packages nécessaires aux estimations à savoir : "quantmod"
pour le scraping des données financières, "vars" pour la
spécification et l’estimation du modèle VAR, "xts" pour la
manipulation des séries temporelles.
54 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Code associé

Code R
library(quantmod)
library(dplyr)
library(tidyverse)
library(tseries)
library(urca)
library(vars)
library(mFilter)
library(forecast)
library(xts)

55 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Chargement des données

Chargement des données

Une fois que nous avons chargé les différents packages, nous pouvons
obtenir le symbole des variables d’intérêt, à savoir Bitcoin, JPY, CHF, SP500.
Pour obtenir les données, nous utilisons la fonction getSymbols(). Nous
considérons les données quotidiennes de janvier 2015 à décembre 2020

56 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Affichage des données du Bitcoin BTC

57 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Pour l’estimation VAR, nous considérerons les séries

chronologiques de janvier à décembre 2020 à la fréquence
quotidienne.
Voici le code pour transformer la trame de données en
variables de séries temporelles

58 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Visualisation des données

Visualisations des données avec le code :

plot(cbind(BTC,JPY,CHF,SP500))

59 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Pour considérer le degré de persistance dans les données,

nous utilisons la fonction d’autocorrélation pour chaque
donnée
Code sous R
acf(BTC,main="ACF DU BTC") pacf(BTC,main="PACF DU BTC")
acf(JPY,main=" ACF du JPY") pacf(JPY,main=" PACF du JPY")
acf(CHF,main="ACF DU CHF") pacf(CHF,main="PACF DU CHF")
acf(SP500,main="ACF DU SP500") pacf(SP500,main="PACF DU SP500")

60 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

BTC

61 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

JPY

62 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

CHF

63 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

SP500

64 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Test de stationnarité
Code sous R
[Link](BTC)
[Link](JPY)
[Link](SP500)
[Link](CHF)

Resultat du test pour le Bitcoin

Augmented Dickey-Fuller Test
data : BTC
Dickey-Fuller = -1.9355, Lag order = 3, p-value = 0.5976
alternative hypothesis : stationary

Interprétation
On constate que la p-value du test est supérieure à 0.05 , ainsi la variable
BTC n’est pas stationnaire .De la meme manière , on trouve que les variables
JPY ,SP500 et CHF sont non stationnaires. On doit donc différencier les
variables avant d’estimer le modèle
65 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Sélection et Estimation du modèle

Maintenant, pour l’estimation du modèle, nous devons
regrouper les 4 variables toutes ensemble sur la même base
de données.
De plus, nous devons sélectionner le nombre optimal de
retards pour l’estimation du modèle.
Code sous R
base=cbind(SP500,BTC,JPY,CHF)
colnames(base)=c("SP500","BTC","JPY","CHF")
retard=VARselect(base,[Link]=10,type="const")
retard$selection

AIC(n) HQ(n) SC(n) FPE(n)

5 5 5 6
Le nombre optimal de retard considéré pour le réglage du
modèle est donc égal à 5.
66 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Estimation du modèle

Code sous R
model=VAR(base,p=5,type="const",season=NULL,exogen=NULL)
summary(model)

La fonction summary() fournira les résultats des estimations.

En effet, on obtient 4 tableaux.
Chaque tableau représente l’estimation MCO projetant une des
4 variables considérées sur les trois autres. Voici
Le premier tableau montre la projection de SP500 sur
BTC, JPY et CHF et leurs décalages relatifs. Pour chaque
variable, nous considérons les 5 retards précédents dans la
régression. Les autres tableaux sont présentés sur les mêmes
modes avec les autres variables

67 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Premier tableau : Projection de SP500 sur les autres

variables

68 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Deuxième tableau : Projection de BTC sur les autres

variables

69 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Troisième tableau : Projection de JPY sur les autres

variables

70 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Quatrième tableau : Projection de CHF sur les autres

variables

71 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

À partir du troisième tableau, nous pouvons voir que le SP500,

le BTC et le JPY ont tendance à avoir un impact significatif sur
la devise CHF.
Ce modèle est encore très fallacieux car on ne considère pas
la saisonnalité, les sauts et les autres variables
macroéconomiques qui peuvent affecter les variables.
La dernière partie montre la matrice des covariances et la
matrice des corrélations.

72 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Nous pouvons observer que la devise CHF est fortement

corrélée négativement avec le JPY.
De plus, la devise CHF est négativement corrélée avec BTC et
SP500
Évaluation la performance du modèle
Pour l’évaluation de la performances du modèle, nous
effectuons 4 tests différents :
Le test de présence de corrélation des série dans les résidus :
[Link]()
Le test d’hétéroscédasticité : [Link]()
Le test de normalité des résidus : [Link]()
La présence de rupture structurelle dans les résidus : stabilité()

73 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Test de corrélation en série des résidus

Code sous R
serialresid=[Link](model,[Link]=10,type="[Link]")
serialresid

Resultats du test
Portmanteau Test (asymptotic)
data : Residuals of VAR object model
Chi-squared = 168.16, df = 80, p-value = 3.169e-08

Interprétation
Nous pouvons voir que la p-value du test est proche de zéro, ce
qui signifie que nous rejetons l’hypothèse nulle d’inexistence
de corrélations en séries. Ensuite, nous devrions considérer la
corrélation en série des résidus
74 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Test d’hétéroscédasticité

Code sous R
arch=[Link](model,[Link]=10,[Link]=TRUE)
arch

Resultats du test
ARCH (multivariate)
data : Residuals of VAR object model
Chi-squared = 160, df = 1000, p-value = 1

Interprétation
Nous pouvons voir que la p-value est égale à 1, ce qui signifie
que nous acceptons l’hypothèse nulle signifiant que nous
avons l’homoscédasticité dans les résidus
75 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Test de normalité des résidus

Code sous R
normal=[Link](model,[Link]=TRUE)
normal

Resultats du test
JB-Test (multivariate)
data : Residuals of VAR object model
Chi-squared = 4.2815, df = 8, p-value = 0.8309

Interprétation
D’après le test, nous pouvons voir que la valeur de p est
supérieure à 0.05, ce qui signifie que les résidus ont tendance
à s’adapter à la distribution normale
76 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Test de présence de rupture structurelle dans les

résidus

Code sous R
stable=stability(model,type="OLS-CUSUM")
plot(stable)

Interprétation
Nous pouvons voir sur la figure ci-dessus que pour chaque
variable, nous pouvons voir que le processus empirique de
résidu reste dans les intervalles de confiance, ce qui signifie
qu’il n’y a pas de rupture structurelle.

77 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

78 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Causalité de Granger
Lors de l’exécution du modèle VAR, l’un des tests les plus
importants que nous aimerions vérifier est le test de causalité.
L’idée de la causalité est de vérifier si la présence d’une
certaine variable contribue à prévoir une autre variable. La
fonction utilisée pour le test s’appelle causality()
Code sous R pour tester si JPY cause SP500 , BTC et CHF
GrangerJPY=causality(model,cause="JPY")
GrangerJPY

Resultats du test
Granger
Granger causality H0 : JPY do not Granger-cause SP500 BTC CHF
data : VAR object model
F-Test = 20.067, df1 = 15, df2 = 20, p-value = 7.614e-09

79 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Causalité de Granger

Resultats du test
Instant
H0 : No instantaneous causality between : JPY and SP500 BTC CHF
data : VAR object model
Chi-squared = 9.9306, df = 3, p-value = 0.01917

Interprétation
lorsque nous testons si JPY Granger cause SP500, BTC et CHF,
la valeur p du test est proche de zéro (inférieure à 0.05), ce qui
signifie que nous rejetons l’hypothèse nulle. Par conséquent, le
JPY Granger entraîne BTC, SP500 et CHF. La devise JPY
contribue à la prédiction des autres variables. Nous pouvons
également observer que la devise JPY provoque
instantanément les autres variables.
80 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Code R pour tester si CHF cause JPY SP500 et BTC

Code sous R
GrangerCHF=causality(model,cause="CHF")
GrangerCHF

Resultats du test
Granger
Granger causality H0 : CHF do not Granger-cause SP500 BTC JPY
data : VAR object model
F-Test = 2.4274, df1 = 15, df2 = 20, p-value = 0.03274
Instant
H0 : No instantaneous causality between : CHF and SP500 BTC JPY
data : VAR object model
Chi-squared = 11.922, df = 3, p-value = 0.007654

81 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Code R pour tester si BTC cause JPY SP500 et CHF

Code sous R
GrangerBTC=causality(model,cause="BTC")
GrangerBTC

Resultats du test
Granger
Granger causality H0 : BTC do not Granger-cause SP500 JPY CHF
data : VAR object model
F-Test = 15.65, df1 = 15, df2 = 20, p-value = 6.94e-08
Instant
H0 : No instantaneous causality between : BTC and SP500 JPY CHF
data : VAR object model
Chi-squared = 11.352, df = 3, p-value = 0.009965

82 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Code R pour tester si SP500 cause JPY BTC et CHF

Code sous R
GrangerSP500=causality(model,cause="SP500")
GrangerSP500

Resultats du test
Granger
Granger causality H0 : SP500 do not Granger-cause BTC JPY CHF
data : VAR object model
F-Test = 19.15, df1 = 15, df2 = 20, p-value = 1.159e-08
Instant
H0 : No instantaneous causality between : SP500 and BTC JPY CHF
data : VAR object model
Chi-squared = 10.328, df = 3, p-value = 0.01598

83 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Fonction de réponse impulsionnelle

La fonction de réponse impulsionnelle est généralement

utilisée pour vérifier le comportement de certaines variables
face à un choc aléatoire sur une variable considérée. Par
exemple, nous pouvons être intéressés par la façon dont BTC,
CHF et JPY peuvent réagir à un choc sur le marché boursier.

Ci-dessous, nous présentons les résultats de la réaction de

BTC, CHF et JPY sur une cale du SP500. L’effet est évalué
pendant une période de 20 jours.

84 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Fonction de réponse impulsionnelle

Code sous R
irfBTC=irf(model,impulse="SP500",reponse="BTC",[Link]=20,bool=TRUE)
plot(irfBTC,main="Impact of a chock SP500 on BTC")
irfJPY=irf(model,impulse="SP500",reponse="JPY",[Link]=20,bool=TRUE)
plot(irfJPY,main="Impact of a chock SP500 on JPY")
irfCHF=irf(model,impulse="SP500",reponse="CHF",[Link]=20,bool=TRUE)
plot(irfCHF,main="Impact of a chock SP500 on CHF")

85 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Fonction de réponse impulsionnelle

Interprétation
Nous pouvons voir qu’un choc sur le SP500 entraîne une augmentation de la valeur
du [Link] effet est plus prononcé sur les 10 derniers jours
86 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Fonction de réponse impulsionnelle

Interprétation
Nous pouvons voir qu’un choc sur le SP500 entraîne une dimunition de la valeur du
[Link] effet est plus prononcé sur les 10 derniers jours 87 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Fonction de réponse impulsionnelle

Interprétation
Nous pouvons voir qu’un choc sur le SP500 entraîne une augmentation de la valeur
du [Link] effet est plus prononcé sur les 10 derniers jours
88 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Décomposition des variances

La décomposition de variance d’erreur de prévision sépare la

variance de l’erreur de prévision en proportions attribuées à
chaque variable du modèle.
Intuitivement, cette mesure nous aide à juger de l’impact d’une
variable sur une autre variable dans le modèle VAR et de
l’interdépendance de la dynamique de nos variables.
Pour générer les décompositions de variance d’erreur de
prévision, nous utilisons la commande fevd, où nous fixons le
nombre d’étapes en avant à vingt (20)
Code sous R
vardec <- fevd(model, [Link] = 20)
plot(vardec)

89 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Décomposition de variance d’erreur de prévision

90 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Décomposition de variance

Interprétation
- Le SP500 est largement déterminé par les chocs de SP500
(au moin 80 pourcent) ainsi que des chocs de BTC(10
pourcent) et de JPY (10 pourcent)
-Le bitcoin est influencé en grande partie par les chocs de
SP500 ainsi que par des chocs de JPY

91 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Prévision

Maintenant, nous pouvons prévoir les variables considérées.

Pour prévoir les variables 20 jours à l’avance, nous utilisons la
fonction predict()
Code sous R
prevision=predict(model,[Link]=20,ci=0.95)
fanchart(prevision,name="SP500")
fanchart(prevision,name="BTC")
fanchart(prevision,name="JPY")
fanchart(prevision,name="CHF")

92 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Prévision pour le SP500

Interprétation
Comme nous pouvons le voir, après décembre 2020, nous nous attendons à ce que la
valeur du SP500 dimunie au cours des 10 premiers jours et augmente au cours des 10
prochains jours
93 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Prévision pour le BTC

Interprétation
Comme nous pouvons le voir, après décembre 2020, nous nous attendons à ce que la
valeur du BTC augmente au cours des 20 prochains jours
94 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Prévision pour le JPY

Interprétation
Comme nous pouvons le voir, après décembre 2020, nous nous attendons à ce que la
valeur du JPY dimunie au cours des 20 prochains jours
95 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VAR

Prévision pour le CHF

Interprétation
Comme nous pouvons le voir, après décembre 2020, nous nous attendons à ce que le
CHF augmente au cours des 20 prochains jours
96 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

PLAN
1 Introduction
2 Vector AutoRegressive VAR Model
Définitions
Quelques exemples d’utilisations d’un modèle VAR
Présentations d’un modèle VAR
Ordre d’intégration des variables
Notation matricielle consise
VAR(p) sous forme de VAR(1)
Forme Structurelle d’un VAR et son importance
Estimation des paramètres de régression du modèle
Sélection du nombre de retard p pour le modèle VAR
Interprétation du modèle estimé
3 Vector Error Correction Model
Definition
Exemple d’un VECM à trois variable
Test de Johansen pour la cointégration
4 APPLICATION
Application du VAR
Application du VECM

97 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Application du VECM SOUS R

Nous utiliserons le jeu de données du fichier "[Link]" disponible

dans le drive de Justin Eloriaga à l’adresse

[Link]/drive/folders/1U63OgZzcHBpCDaSEbwhf0OCTU4SmAvCW

qui contient les données sur l’évolution de l’indice du prix de consommation

(CPI) , du Produit intérieur brut (GDP),du prix des produits M1 ,M2,M3,M4 et
de leur consommation chaque trimestre.
Chargement des packages nécessaire
library(tsDyn)
library(vars)
library(urca)
library(forecast)
library(tidyverse)

98 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Application du VECM sous R

Chargement des données

data <- [Link]([Link]())
view(data)

99 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Application du VECM sous R

Declaration des series temporelles

GDP <- ts(data$lnGDP, start = c(2003,1,31), frequency = 4)
CPI <- ts(data$lnCPI, start = c(2003,1,31), frequency = 4)
M3 <- ts(data$lnM3, start = c(2003,1,31), frequency = 4)
dset <- cbind(GDP,CPI,M3)

Sélection du nombre optimal de retard

lagselect <- VARselect(dset, [Link] = 7, type = "const")
lagselect$selection
AIC(n) HQ(n) SC(n) FPE(n)
6 5 4 5
Le critère de sélection qui minimise le nombre de retard est SC(n) avec p = 4

100 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Visualisation des données

101 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

TEST DE COINTEGRATION DES VARIABLES

Code sous R
ctest1t <- [Link](dset, type = "trace", ecdet = "const", K = 4)
summary(ctest1t)
ctest1e <- [Link](dset, type = "eigen", ecdet = "const", K = 4)
summary(ctest1e)

102 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

TEST DE COINTEGRATIONS DES VARIABLES

Interprétation
Dans la première hypothèse nulle r = 0, puisque la statistique de test 87.77 dépasse la valeur critique au seuil de
5%, On rejette [Link] il y a au moins une cointégration.
Dans la deuxième hypothèse nulle r = 1, puisque la statistique de test 21.64 dépasse également la valeurs critique
au seuil de 5%, la deuxième hypothèse est rejetée.
Mais dans la troisième hypothèse nulle r = 2, puisque la statistique de test 7,89 ne dépasse pas la valeur critique
au seuil de 5%, la troisième hypothèse ne peut pas être rejetée. Par conséquent, la cointégration se trouve à r = 2
sous la statistique des valeurs propres maximales
103 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Estimation du modèle VECM

Code sous R
Model1 <- VECM(dset, 4, r = 2, estim ="ML")
summary(Model1)

104 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Evaluation de la performance du modèle

Pour évaluer la performance du modèle , on doit transformer le VECM en VAR

Test de corrélation en série

Model1VAR <- vec2var(ctest1t, r = 2) #Transform VECM to VAR
Serial1 <- [Link](Model1VAR, [Link] = 5, type = "[Link]")
Serial1

Résultats
Portmanteau Test (asymptotic)
data : Residuals of VAR object Model1VAR
Chi-squared = 37.468, df = 12, p-value = 0.0001875

Interprétation
Nous pouvons voir que la p-value du test est inferieur à 0.05, ce qui signifie que nous
rejetons l’hypothèse nulle d’inexistence de corrélations en séries. Ensuite, nous
devrions considérer la corrélation en série des résidus

105 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Evaluation de la performance du modèle

Test d’hétéroscédasticité
Arch1 <- [Link](Model1VAR, [Link] = 15, [Link] = TRUE)
Arch1

Résultats
ARCH (multivariate)
data : Residuals of VAR object Model1VAR
Chi-squared = 300, df = 540, p-value = 1

Interprétation
Nous pouvons voir que la p-value est égale à 1, ce qui signifie que nous acceptons
l’hypothèse nulle signifiant que nous avons la présence d’homoscédasticité dans les
résidus.

106 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Evaluation de la performance du modèle

Test de normalité des résidus

Norm1 <- [Link](Model1VAR, [Link] = TRUE)
Norm1

Résultats
JB-Test (multivariate)
data : Residuals of VAR object Model1VAR
Chi-squared = 86.252, df = 6, p-value = 2.22e-16

Interprétation
D’après le test, nous pouvons voir que la valeur de p est inferieur à 0.05, ce qui signifie
que les résidus ne sont pas adaptés à la distribution normale

107 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Fonction de réponse impulsionnelle

Code sous R
M3irf <- irf(Model1VAR, impulse = "GDP", response = "M3", [Link] = 20, boot = TRUE)
par(M3irf)
plot(M3irf, ylab = "M3", main = "GDP’s shock to M3")
CPIirf <- irf(Model1VAR, impulse = "GDP", response = "CPI", [Link] = 20, boot = TRUE)
par(CPIirf)
plot(CPIirf, ylab = "CPI", main = "GDP’s shock to CPI")
GDPirf <- irf(Model1VAR, impulse = "GDP", response = "GDP", [Link] = 20, boot =
TRUE)
par(GDPirf)
plot(GDPirf, ylab = "GDP", main = "GDP’s shock to GDP")

108 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Impact d’un choc de GDP sur M3

109 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Impact d’un choc de GDP sur CPI

110 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Impact d’un choc de GDP sur GDP

111 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Décomposition de variance d’erreur de prévision

112 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Prévision

Code sous R
prevision=predict(Model1VAR,[Link]=40,ci=0.95)
fanchart(prevision,name="GDP")
fanchart(prevision,name="CPI")
fanchart(prevision,name="M3")

113 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Prévision du GDP

114 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Prévision du CPI

115 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Prévision du M3

116 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

Références bibliographiques

Trime Series Econometrics Justin Raymond S. Eloriaga De La Salle University

School of Economics
Les modèles VAR(p), Mémoire de Amenan Christiane Chukunyere Univerité
LAVAL
[Link]/post/vector-autoregressive-var-models-with-r-
relationship-between-the-s-p500-bitcoin-chf-jpy
[Link]/2021/12/vector-error-correction-model-vecm-using-r/
[Link]/wiki/Vector_autoregression
[Link]/blog/introduction-to-the-fundamentals-of-vector-
autoregressive-models/
[Link]/blog/introduction-to-the-fundamentals-of-vector-
autoregressive-models/

117 / 118
Vector AutoRegressive (VAR) Vector Error Correction Model (VECM)
APPLICATION
Application du VECM

MERCI POUR VOTRE AIMABLE

ATTENTION !

118 / 118