Pourquoi utiliser un modèle de correction d'erreur vectorielle?

30

Je suis confus au sujet du modèle de correction d'erreur vectorielle ( VECM ).

Contexte technique:
VECM offre la possibilité d'appliquer le modèle vectoriel autorégressif ( VAR ) à des séries temporelles multivariées intégrées. Dans les manuels, ils citent certains problèmes d'application d'un VAR aux séries chronologiques intégrées, dont le plus important est la régression dite parasite (les statistiques t sont très significatives et R ^ 2 est élevé bien qu'il n'y ait pas de relation entre les variables).

Le processus d'estimation du VECM comprend grosso modo les trois étapes suivantes, dont la confusion est pour moi la première:

  1. Spécification et estimation d'un modèle VAR pour la série temporelle multivariée intégrée

  2. Calculer les tests du rapport de vraisemblance pour déterminer le nombre de relations de cointégration

  3. Après avoir déterminé le nombre de cointégrations, estimer le VECM

Dans la première étape, on estime un modèle VAR avec un nombre approprié de retards (en utilisant la qualité habituelle des critères d'ajustement) puis vérifie si les résidus correspondent aux hypothèses du modèle, à savoir l'absence de corrélation sérielle et d'hétéroscédasticité et que les résidus sont normalement distribués . Ainsi, on vérifie si le modèle VAR décrit correctement la série temporelle multivariée, et on ne passe à d'autres étapes que si c'est le cas.

Et maintenant à ma question: si le modèle VAR décrit bien les données, pourquoi ai-je besoin du VECM ? Si mon objectif est de générer des prévisions , ne suffit-il pas d'estimer un VAR et de vérifier les hypothèses, et si elles sont remplies, alors il suffit d'utiliser ce modèle?

DatamineR
la source
2
Si je comprends bien, un VECM est un VAR où les variables dépendantes ne sont pas stationnaires de covariance, mais leurs premières différences le sont. Donc, dans votre étape # 1, je ne pense pas que votre description soit complète.
Wayne
2
Bonjour Wayne, à droite, il s'agit d'appliquer le VAR aux données stationnaires de différence. On estime un VAR pour les données stationnaires de différence, puis vérifie la cointégration possible en appliquant certains tests aux résidus du VAR estimé. Et puis, si elles sont remplies, continue la procédure: mais je ne comprends pas pourquoi ne pas s'arrêter ici et utiliser le VAR estimé et valide?
DatamineR
2
Je pense que la normalité des résidus n'est pas une hypothèse sous-jacente à un modèle VAR, contrairement à ce que vous mentionnez dans l'avant-dernier paragraphe.
Richard Hardy
La différence entre VAR et VECM réside dans la co-intégration
emeka ochiabuto

Réponses:

21

Le principal avantage du VECM est qu'il a une bonne interprétation avec des équations à long terme et à court terme.

En théorie, le VECM n'est qu'une représentation du VAR cointégré. Cette représentation est une gracieuseté du théorème de représentation de Granger. Donc, si vous avez co-intégré VAR, il a une représentation VECM et vice versa.

En pratique, vous devez déterminer le nombre de relations de cointégration. Lorsque vous fixez ce nombre, vous limitez certains coefficients du modèle VAR. L'avantage de VECM par rapport à VAR (que vous estimez ignorer VECM) est que le VAR résultant de la représentation VECM a des estimations de coefficient plus efficaces.

mpiktas
la source
Génial!! Est-ce votre propre considération ou faites-vous référence à un livre / article? Si le second est le cas, pouvez-vous s'il vous plaît fournir la source?
DatamineR
4
Le théorème de représentation de Granger est un résultat classique. La déclaration sur l'efficacité est ma propre addition, qui découle du fait que vous perdez l'efficacité si vous estimez des coefficients inutiles.
mpiktas
17

Je suis d'accord avec mpiktas que le plus grand intérêt d'un VECM réside dans l'interprétation du résultat, en introduisant des concepts tels que la relation à long terme entre les variables, et le concept associé de correction d'erreur, alors que l'on étudie comment les écarts par rapport au long terme sont "corrigée". En plus de cela, en effet, si votre modèle est correctement spécifié, les estimations VECM seront plus efficaces (car un VECM a une représentation VAR restreinte, alors que l'estimation directe de VAR ne prendrait pas cela en compte).

Cependant, si vous êtes uniquement intéressé par la prévision, comme cela semble être le cas, vous pourriez ne pas être intéressé par ces aspects du VECM. En outre, la détermination du rang de cointégration approprié et l'estimation de ces valeurs pourraient induire de petites inexactitudes dans l'échantillon, de sorte que, même si le vrai modèle était un VECM, l'utilisation d'un VAR pour la prévision pourrait être meilleure. Enfin, il y a la question de l'horizon de la prévision qui vous intéresse, qui influence le choix du modèle (quel que soit le «vrai» modèle). Si je me souviens bien, il y a des résultats contradictoires dans la littérature, Hoffman et Rasche disant que les avantages du VECM n'apparaissent qu'à un horizon long, mais Christoffersen et Diebold affirmant que vous êtes d'accord avec un VAR à long terme ...

La littérature (sans consensus clair) commencerait par:

  • Peter F. Christoffersen et Francis X. Diebold, Cointegration and Long-Horizon Forecasting, Journal of Business & Economic Statistics, Vol. 16, n ° 4 (oct., 1998), pp. 450-458
  • Engle, Yoo (1987) Forecasting and Testing In Co-Integrated Systems, Journal of Econometrics 35 (1987) 143-159
  • Hoffman, Rasche (1996) Assessing Forecast Performance In A Cointegrated System, Journal Of Applied Econometrics, VOL. 11.495-517 (1996)

Enfin, il y a un traitement approfondi (mais pas très clair à mon avis), une discussion de votre question dans le Handbook of Forecasting, chapitre 11, Forecasting With Trending Data, Elliott.

Matifou
la source
2

Ma compréhension peut être incorrecte, mais ce n'est pas la première étape qui consiste simplement à ajuster une régression entre les séries temporelles à l'aide d'OLS - et cela vous montre si les séries temporelles sont vraiment cointégrées (si les résidus de cette régression sont stationnaires). Mais alors la cointégration est une sorte de relation à long terme entre les séries chronologiques et vos résidus, bien que stationnaire puisse toujours avoir une structure d'autocorrélation à court terme que vous pouvez exploiter pour s'adapter à un meilleur modèle et obtenir de meilleures prévisions et ce "long terme + court terme "modèle est VECM. Donc, si vous n'avez besoin que d'une relation à long terme, vous pouvez vous arrêter à la première étape et utiliser uniquement une relation de cointégration.

Kochede
la source
0

Nous pouvons sélectionner des modèles de séries chronologiques selon que les données sont stationnaires.

entrez la description de l'image ici

Saeed Aas Meo
la source
3
Pour ce site, cela est considéré comme un peu court pour une réponse, il s'agit plutôt d'un commentaire. Vous devriez envisager d'ajouter du texte expliquant votre silhouette!
kjetil b halvorsen
2
Bienvenue sur notre site! Il semble que vous soyez bien placé pour apporter des contributions utiles. Notez, cependant, que nous travaillons un peu différemment des Q&R ou des sites de discussion. Si vous preniez quelques minutes pour consulter notre centre d'aide , je pense que vous aurez une meilleure idée de ce que nous sommes et de la meilleure façon d'interagir ici.
whuber
0

Vous ne pouvez pas utiliser VAR si les variables dépendantes ne sont pas stationnaires (ce serait une régression parasite). Pour résoudre ces problèmes, nous devons tester si les variables sont cointégrées. Dans ce cas, si nous avons une variable I (1), ou si toutes les variables dépendantes sont cointégrées au même niveau, vous pouvez faire du VECM.

amira
la source
0

Ce que j'ai observé dans VAR, c'est qu'il est utilisé pour capturer la relation à court terme entre les variables utilisées tandis que VECM teste la relation à long terme. Par exemple, dans un sujet où un choc est appliqué, je pense que la technique d'estimation appropriée devrait être VAR. Pendant ce temps, lors du test à travers le processus de racine unitaire, de co-intégration, VAR et VECM, si la racine unitaire a confirmé que toutes les variables étaient de nature I (1), vous pouvez procéder à la co-intégration et après avoir testé la co-intégration et le résultat a confirmé que les variables sont cointégrées, ce qui signifie qu'il existe une relation à long terme entre les variables, vous pouvez alors passer à VECM, mais si vous préférez le VAR.

Lawal
la source
0

Une description que j'ai trouvée ( http://eco.uc3m.es/~jgonzalo/teaching/timeseriesMA/eviewsvar.pdf ) dit:

Un modèle de correction d'erreur vectorielle (VEC) est un VAR restreint qui a des restrictions de cointégration intégrées dans la spécification, de sorte qu'il est conçu pour être utilisé avec des séries non stationnaires qui sont connues pour être cointégrées. La spécification VEC restreint le comportement à long terme des variables endogènes pour converger vers leurs relations de cointégration tout en permettant un large éventail de dynamiques à court terme. Le terme de cointégration est connu sous le nom de terme de correction d'erreur car l'écart par rapport à l'équilibre à long terme est corrigé progressivement par une série d'ajustements partiels à court terme.

Ce qui semble impliquer qu'un VEC est plus subtil / flexible que d'utiliser simplement un VAR sur des données de première différence.

Wayne
la source
Pourriez-vous s'il vous plaît fournir la source de cette citation?
whuber
2
J'ai beaucoup lu sur VECM, mais à ma grande surprise, je ne sais pas pourquoi j'ai besoin de ce modèle si je suis simplement intéressé par les prévisions, disons. Ce que les auteurs suggèrent, c'est que l'on réécrit simplement le VECM en VAR en utilisant une formule afin de générer des prévisions. Le VAR résultant est et devrait être le VAR que j'obtiens en appliquant directement la procédure OLS aux données intégrées. Alors, pourquoi ce détour par VECM ??
DatamineR
@whuber: C'est un article que j'ai trouvé par Google: eco.uc3m.es/~jgonzalo/teaching/timeseriesMA/eviewsvar.pdf un document de cours de Jesús Gonzalo. (Le PDF ne contient aucune information d'identification.)
Wayne
@whuber, la variation de cette citation que vous pouvez trouver dans n'importe quel manuel de séries chronologiques traitant de VAR et VECM.
mpiktas
2
@mpiktas Le problème qui m'inquiète, en tant que modérateur, est d'identifier la source de cette citation. (Je ne conteste pas son exactitude, je ne remets pas en question sa signification et je ne demande pas d'autres documents à lire). L'emprunt de documents est acceptable sur ce site, mais leur utilisation sans attribution ne l'est pas. La citation est inhabituelle en ce qu'elle apparaît à plusieurs endroits sur le Web, mais (à mon humble avis) n'apparaît dans aucun endroit faisant autorité (uniquement dans la littérature grise) et jamais avec attribution. Je me demande quelle est la source originale de cette citation?
whuber
-1

Si quelqu'un apparaît ici avec la même question, voici la réponse pourquoi on a besoin de VECM au lieu de VAR. Si vos données ne sont pas stationnaires (données financières + certaines macro-variables), vous ne pouvez pas prévoir avec VAR car il suppose la stationnarité, donc MLE (ou OLS dans ce cas) produira des prévisions qui signifient revenir rapidement. VECM peut gérer ce problème. (les séries différenciées n'aideraient pas)

Jonas
la source
-1

Comme cela a été souligné à juste titre dans les articles précédents, A VECM vous permet d'utiliser des données non stationnaires (mais cointégrées) pour l'interprétation. Cela permet de conserver les informations pertinentes dans les données (qui autrement seraient manquées lors de la différenciation des mêmes)

Salim Shamsher
la source