1 / 32

Chapitre III

Chapitre III. Modeles VAR, Causalite Fonctions d’Impulsion Modele a Correction d’Erreur Application. Objectifs. Modeliser les relations entre plusieurs variables Exemple: Rendements de marche, taux d’interet Modele de “ Vector AutoRegression ” (VAR)

meda
Télécharger la présentation

Chapitre III

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Chapitre III Modeles VAR, Causalite Fonctions d’Impulsion Modele a Correction d’Erreur Application

  2. Objectifs • Modeliser les relations entre plusieurs variables • Exemple: Rendements de marche, taux d’interet • Modele de “Vector AutoRegression” (VAR) • Causalite, choix du nombre de variables retardees • Fonctions d’Impulsion: Impulse Response • Modeles avec serie non-stationaires: “Error Correction Models”

  3. Exemple • Analyser les inter-relations entre production industrielle et masse monetaire • Impact dynamique des chocs Effet direct Effet indirect

  4. Modele VAR • Vector AutoRegression • Ecriture generale: VAR(1) a deux variables Xt = a + F1Xt-1 + ut • Ceci implique les deux equations suivantes: X1t = a1 + f111X1t-1 + f112X2t-1 + u1t X2t= a2 + f121X1t-1 + f122X2t-1 + u2t

  5. Questions Q1. Pourquoi ne pas inclure des termes simultanes?X1t = a1 + b1 X2t+ f11X1t-1 + f12X2t-1 + v1t X2t = a2 + b2 X1t+ f21X1t-1 + f22X2t-1 + v2t Q2. Quelle methode d’estimation? Q3. Autres Questions A Le nombre de variables retardees B Notion de causalite Q4. Les variables doivent-elles etre stationaires? • VAR en difference ou en niveau? • ou Modele a Correction d’erreur?

  6. Question 1: Structural VAR(1) • Modele VAR: • y et z sont endogenes • Les erreurs yt et zt sont des bruits blancs: Ecart types y et z • Covariance des chocs egale a zero • Un choc sur yt affecte y et z indirectement. • 10 parametres a estimer

  7. Transformation • Endogeneite: MCO produit des estimations biaisees et non-consistentes biased des parametres • Transformer en forme reduite • Dans une representation en forme reduite: y et z sont fonctions uniquement de leurs valeurs passees • Solution:

  8. Transformation Standard • Multiplication par B-1 • Q2: Estimation par MCO • Examiner les relations croisees entre les deux variable

  9. Q3A: Le nombre de variables • Test d’hypothese base sur vraisemblance statistique • Habituellement, meme nombre de variables dans les deux equations • Test LR • Estimer 2 modeles: avec u et r variables retardees (u>r). • c = np+1 est un terme de correction • Sous H0, les u-r variables retardees supplementaires ne sont pas significatives statistiquement

  10. Criteres d’Information • Trouver le nombre de variables retardees qui minimise les criteres d’information • Sigma: Valeur de la fonction de vraisemblance a l’optimum

  11. Q3B:Test de Granger-Causalite Avec p variables retardees X1t = a + b1X1t-1 +. .. + bpX1t-1 + c1X2t-1 + .. + cpX2t-p + u1t H0: c1 = .. = cp = 0 Utiliser le test d’hypothese jointe F Ganger non-causality “X2t ne cause pas X1t au sens de Granger, si les valeurs passees de X2t n’aident pas a predire X1t en presence des valeurs passees de X1t. ”

  12. Identification • Peut-on retrouver les parametres du modele VAR structurel a partir du modele standard? NON • 10 parametres dans le modele structurel contre 9 parametres estimes dans le modele standard • SOUS-IDENTIFICATION • Solution: Fixer un parametre • Sims (1980): Supposer que b21=0.

  13. Identification • b21=0 implique: • Identifier les parametres du modele structurel

  14. Impulse Response Functions • Reaction de AUD a un choc sur le prix de matieres premieres? ZAR et or? • IRF: Reponse des variables a un choc d’1 ecart type • Representees habituellement sur l’axe des Y, avec les dates sur l’axe des X • Reecriture du modele VAR pour isoler les chocs passes • Les ij(i) representent les effets des erreurs passees sur y et z 

  15. Orthogonalisation des Chocs • X=[Y,Z] • Utiliser la decomposition Cholesky Xt = b + FXt-1 + ut, Cov(ut) = W • Il existe 2 matrices A, D telles que W = ADA’ = AD1/2D1/2A = PP’ avec P = AD1/2, A est “lower triangular” D est diagonale

  16. Deux Types de Reponse dXt+s/dt =S dXt+s/dxjt = [dXt+s/dt][dt/ dxjt] = Saj aj = jieme colonne de A

  17. VAR: Exemple VAR(1): output gap (y), taux d’interet (r)

  18. VAR(1)

  19. Eviews Equation 2 Equation 1

  20. Impulse Response Function (IRF)

  21. Cointegration • Si Xt~ I(1), et Yt~ I(1), mais Zt = Yt - Xt~ I(0) • Alors Xt sont Yt cointegres • Il existe une relation de long-terme (equilibre) • La relation est stationaire et converge; • Toute divergence est temporaire

  22. Absence de Cointegration • Si Xt et Yt ne sont pas cointegres Zt = Yt - Xt ~ I(1). Soit DZt = ut. Yt - Xt = (Yo - Xo) + somme des uj sur j=1,..,t. Desequilibre initial. De + en + grand lorsque t augmente.

  23. Notations • Zt : Deviation par rapport a l’equilibre • Regression: Relation de long-terme, equilibre • : vecteur de cointegration • : vitesse de retour a l’equilibre Dyt= (yt-1- xt-1)+1Dyt-1 + 2Dxt-1 +et Correction du desequilibre Desequilibre Observe En t-1 Variations passees

  24. Consequences • Si Xt et Yt ne sont pas cointegrates, devrait etre egal a 0 • Si  = 0, le modele est un VAR exprime en terme des variables differencees. • Si ¹ 0, le modele VAR en differences est incorrectement specifie

  25. Etapes Preliminaires • Tests bases sur les residus • Est-ce que les residus sont stationaires? • Augmented Dickey Fuller • Philips Perron • Tests bases sur valeurs propres • Johansen (1991)

  26. Procedure • Considerons un VAR(p): • y vecteur de k variables non-stationaires. Reecriture: • Le nombre de relations de cointegration depend du rang de  • Si rang<k: il existe r relations de long terme

  27. Test de Johansen • Hypotheses Sequentielles r=0 versus r>0 r=1 versus r>1..... • LR = -T S i =r+1 to k log(1 - i) i est la ieme plus grande valeur propre de la matrice  Tous les parametres sont estimes simultanement

  28. Application: BEER • Behavioral Equilibrium Exchange Rate Model • Modelisation du taux de change USD/EUR • La parite du pouvoir d’achat n’arrive pas a expliquer les fluctuations observees • Expliquer les deviations en prenant en compte: • Differentiel de productivite • Differentiels de taux d’interet • Terms of trade shocks: Differentiel de prix • Prix du Petrole • Portfolio Balance Effects: Depenses Publiques

  29. Modele

  30. Relation de Cointegration • Relation de long terme: signes attendus et significatif • TNT: A rise in Euroland’s relative price of tradable to non-tradable goods compared to that in the US (i.e. a relative productivity improvement) would lead to a permanent rise in the real EUR-USD exchange rate. • G: A permanent rise in Euroland’s government expenditure-to-GDP ratio relative to that in the US has a negative impact on the equilibrium euro rate. • Oil: a lasting rise in oil prices will have a particularly adverse effect on the EUR-USD equilibrium rate. Indeed, theregression indicates that a permanent 10% rise in oil prices will cause the real equilibrium EUR-USD rate to fall by 2.4%.

  31. Impact du prix Du petrole Sur Taux de Change Impact du differentiel De productivite Impact des Depenses gvtales

More Related