4.4.

Modele vector autoregresiv VAR

Reprezentarea autoregresivă AR(p) este extinsă pentru un vector de variabile dependente VAR(p). In scrierea matriciala, pentru două
variabile, un model VAR(1) are forma:
 Y1t   b1   a11 a12  Y1t −1    1t 
  =   +    +  
 Y2t   b2   a 21 a 22  Y2t −1    2t 
sau Yt = B + AYt −1 +  t unde Yt este vectorul variabilelor dependente (2x1), B vectorul termenilor liberi (2x1), A matricea coeficienţilor
(2x2) iar  vectorul erorilor (perturbaţiilor). Prezentul variabilelor este dependent de propriul trecut.
Un sistem econometric cu ecuaţii simultane poate fi pus în forma VAR. Aceste modele sunt destinate previziunii (avantaj: nu sunt
necesare previziuni ale variabilelor, înafara sistemului) şi se utilizează deasemenea pentru a analiza impactul unor perturbaţii (şocuri)
aleatoare asupra variabilelor sistemului.
Fiecare variabilă este exprimată funcţie de trecutul celorlalte variabile din sistem. Forma generală VAR(p) este redată prin ecuaţia
vectorială:
Yt = B + A1Yt −1 + A2Yt −2 + ... + ApYt − p +  t

unde Yt este vectorul variabilelor dependente (kx1), Ai (kxk) matrici ale coeficienţilor iar  t este vectorul (kx1) inovaţiilor (erorilor);

.
Yt = (Y1t , Y2t ,..., Ykt )' adică transpusa vectorului Se presupune ca inovaţiile sunt necorelate cu trecutul acestora respectiv cu variabilele
din partea dreapta a ecuaţiei.
Pentru estimarea coeficienţilor se utilizează metoda celor mai mici pătrate pentru fiecare ecuaţie în parte, fără a se pierde din eficientă.
Se utilizează atunci când ne interesează interacţiunea dintre variabile.
Se definesc şi aici condiţii de stabilitate, staţionalitate a modelului. In operatorul intarziere modelul se scrie:
( L)Yt = B +  t

unde ( L) = I k − A1 L − A2 L2 − .... − Ap Lp , prin I k fiind notată matricea unitate. Modelul VAR(p) este stabil dacă rădăcinile ecuaţiei

det(( z)) = det(I k − A1 z − A2 z 2 − .... − Ap z p ) = 0

sunt înafara cercului unitate (au modulul mai mare decât unu). Un model stabil este staţionar, mediile, varianţele şi autocovarianţele
fiind independente de timp.
Inainte de elaborarea unui model se recomandă eliminarea tendinţei şi a sezonalităţii din date, dacă există; o metodă alternativă
constă în introducerea unui termen t în ecuaţia vectorială pentru a extrage tendinţa deterministă. Pentru validare se aplică teste specifice,
similare cu cele din cazul unui model autoregresiv cu o singură ecuaţie: erorile trebuie să fie necorelate, să aibă aceeaşi varianţă
(constantă în timp), iar pentru elaborarea de previziuni este necesară şi normalitatea erorilor.
Testul Granger de cauzalitate, numit şi test de exogeneitate slabă, ne indică dacă o variabilă endogenă poate fi tratată ca exogenă.
Intr-un model VAR cu 2 variabile, Y2 nu este cauză de tip Granger pentru Y1 dacă toate matricile coeficienţilor sunt triunghiulare, cu 0
deasupra diagonalei principale.

4.5. Cointegrare în sisteme de ecuaţii. Metodologia Johansen

In general, abordarea Engle-Granger este adecvată doar pentru două variabile. Dacă avem n variabile şi n-1 dintre ele nu sunt (slab)
exogene, şi/sau există mai multe relaţii de cointegrare între variabile atunci abordarea prin intermediul unei singure ecuaţii nu este
adecvată (Harris and Sollis, 2003).
In modelele multivariată toate variabilele sunt abordate simultan, şi se urmăreşte explicarea comportamentului unei variabile funcţie
de trecutul său şi a celorlalte variabile.
Etapele metodologiei Johansen, destinată elaborării modelelor dinamice, sunt:
1) testarea ordinului de integrare pentru fiecare variabilă;
2) determinarea numărului
3) ....
Pentru un vector Yt (kx1) de k potenţiale variabile endogene specificăm un model autoregresiv VAR(p):
Yt = B + A1Yt −1 + A2Yt −2 + ... + ApYt − p +  t

Atunci când ecuaţia

det(( z)) = det(I k − A1 z − A2 z 2 − .... − Ap z p ) = 0
are rădăcini în interiorul cercului unitate atunci unele sau toate variabile din vectorul Yt sunt nestaţionare I(1), iar între ele pot exista
relaţii de cointegrare.
 Definiţie. Un vector de variabile integrate de acelaşi ordin I(d) este cointegrat CI(d,b) cu vectorul de cointegrare  dacă  'Yt este
integrat de ordin mai mic I(d-b). Astfel, există anumite combinaţii liniare ale variabilelor din vector ce sunt integrate de un ordin mai
mic.
Observaţie. Pentru un vector ce conţine două variabile integrate I(1) Yt =( Yt , X t ) pentru care reziduul din regresia Yt = X t +  t este
staţionar I(0), vectorul de cointegrare este  = (1,−  ) ;  'Yt = Yt − X t adică reziduul  t = Yt − X t este staţionar.
Dacă toate variabilele din vectorul Yt =( Y1t , Y2t ,..., Ykt ) ' sunt staţionare I(0), atunci se aplică metodologia clasică VAR, pentru
elaborarea acestui model. Dacă cel puţin una din variabile este nestaţionară I(1) atunci există două posibilităţi: (1) nu există nici o relaţie
de echilibru (sau de cointegrare) între elementele lui Yt caz în care modelul costituie un sistem de regresii false, respectiv (2) există una
sau mai multe relaţii de echilibru (sau de cointegrare) între elementele lui Yt , când se are în vedere reprezentarea VECM a modelui
(aceasta fiind o reprezentare VAR cu restricţii).
Abordarea Johansen constă în identificarea a r combinaţii liniare de cointegrare, printre cele k variabile integrate, şi încorporarea lor
într-un model dinamic.
Cum pot fi identificate aceste relaţii de cointegrare?
Dacă Yt sunt cointegrate atunci reprezentarea VAR nu este prea adecvată pentru analiză deoarece relaţiile de cointegrare nu apar
explicit. Relaţiile de cointegrare devin vizibile în reprezentarea VECM, reprezentare echivalentă cu VAR, aceasta fiind:
Yt = Yt −1 + 1Yt −1 + ... + p −1Yt − p +1 +  t
p
unde  =  Ai − I iar i = −( Ai +1 + Ai + 2 + ... + A2 ) .
i =1
Justificare. Considerăm k=2.
Yt − Yt −1 = B + ( A1 − I )Yt −1 + A2Yt −2 +  t
 Yt = B + ( A1 − I )(Yt −1 − Yt −2 ) + ( A2 + A1 − I )Yt −2 +  t
 Yt = B + ( A1 − I )Yt −1 + ( A2 + A1 − I )Yt −2 +  t
Este mai convenabil să apară Yt −1 pentru a putea evidenţia eventual reziduul din perioada anterioară, astfel:
Yt = B + ( A1 − I )Yt −1 + ( A2 + A1 − I )Yt −2 − ( A2 + A1 − I )Yt −1 + ( A2 + A1 − I )Yt −1 +  t
Yt = ( A1 + A2 − I )Yt −1 − A2 Yt −1 + B +  t
sau
Yt = Yt −1 + 1Yt −1 + B +  t
unde  = A1 + A2 − I iar 1 = − A2 .
 Această reprezentare echivalentă are mai multe avantaje (Juselius, 2003): se reduce efectul multicoliniarităţii, informaţiile pe
termen lung sunt sintetizate în matricea  , avem o interpretare mai intuitivă a coeficienţilor (surprind efetul pe termen lng respectiv
scurt), este o reprezentare adcvată atunci când ne interesează modificările faţă de perioada anterioară (ex. în cazul ratei inflaţiei).
b) Legătura între rangul matricii  şi numărul relaţiilor de cointegrare
Coeficienţii i conţin informaţii despre ajustarea pe termen scurt, iar pentru a identifica eventuale relaţii de echilibru pe termen lung
între elementele vectorului Yt ne concentrăm asupra matricii  . Rangul matricii  indică numărul relaţiilor de cointegrare prezente
între cele k varibile din vectorul Yt .
Cum Yt sunt I(1) rezultă Yt staţionare, astfel rangul matricii, notat cu r, trebuie să fie mai mic decât numărul variabilelor
r=rang(  )<k (altfel în partea stângă avem o variabilă nestaţionară iar în partea dreaptă una nestaţionară); dacă spre exemplu  = I k
atunci membrul stâng al ecuaţiilor este o variabilă staţionară Yt iar în cel drept avem o variabilă nestaţionară Yt −1 plus variabile
staţionare ( Yt −i respectiv reziduul). Astfel  = 0 sau rang(  )<k. Rangul matricii este egal cu numărul de linii (sau coloane) liniar
independente. Avem rang(  )=k doar atunci când toate variabilele sunt staţionare; în acest caz nu se pune problema cointegrării.
În cazul nestaţionalităţii de tip I(1), deoarece un proces nestaţionar nu poate fi egal cu unul staţionar forma VECM are sens doar
atunci când Yt −1 defineşte combinaţii liniare staţionare, adică între variabile există relaţii de cointegrare.
Atunci când matricea  (kxk) are rang redus 1  r  k − 1acesta poate fi descompusă în două matrici  (kxr) şi  (kxr) fiecare
cu rangul r:
 =  ' .
Astfel în ipoteza unor variabile I(1) reprezentarea VECM a unui vector cointegrat cu r relaţii de cointegrare este:
Yt =  'Yt −1 + 1Yt −1 + ... + p−1Yt − p+1 + B +  t
sau
Yt = t −1 + 1Yt −1 + ... + p −1Yt − p +1 + B +  t
unde  'Yt −1 =  t −1 este staţionar I(0) fiind vectorul rx1 relaţiilor de cointegrare,  (kxr) este matricea vectorilor de cointegrare (r vectori
de cointegrare, fiecare coloană reprezentând coeficienţii unui vector de cointegrare); aceştia formează o bază în spaţiul vectorilor de
cointegrare, orice combinaţie liniară a vectorilor din bază fiind de asemenea un vector de cointegrare. Avem în această reprezentare un
VAR(p-1) în care toate variabilele sunt staţionare. Matricea coeficienţlor de ajustare  din  t −1 reprezintă viteza cu care Yt se
ajustează la dezechilibre in relaţia de cointegrare.
Descomunerea  =  ' nu este unică deoarece pentru orice matrice M(rxr) nesingulară avem
 =  = (M )( M  ) = (M )( M ) = ab unde a = M iar b = M . Pentru a obţine valori unice sunt necesare anumite
' −1 ' −1' ' ' −1'
restricţii, precum normalizarea (se împart toţi coeficienţii vectorului de cointegrare la unul dintre ei) sau restricţii sugerate de teoria
economică.
Prin urmare, avem următoarele cazuri:
1) r=rang(  )=k, caz în care Yt −1 sunt staţionare şi se va elabora un model VAR pentru variabilele observate Yt , utilizând
inferenţele standard;
2) 1  r  k − 1când există r combinaţii liniare a variabilelor ce sunt staţionare prin urmare r relaţii de cointegrare, Yt fiind
cointegrate. Reprezentarea VECM este validă, toate variabilele ce intervin fiind staţionare. Reprezentarea VAR în Yt este
consistentă dar ineficientă, iar reprezentarea VAR pentru diferenţe este greşită (Cochran, 2005);
3) r=0 când nu există combinaţii liniare staţionare şi se va elabora un model VAR pentru diferenţe Yt (acestea fiind staţionare).

c) Testarea numărului relaţiilor de cointegrare şi estimarea acestora

Johansen (1988) a obţinut estimaţii pentru  (kxr) şi  (kxr) utilizând pocedura cunoscută ca şi regresia rangului redus. Estimatorii de
maximă verosimilitate ML pentru  sunt obţinuţi ca şi vectori proprii corespunzători celor mai mari r valori proprii.
Testele sunt bazate pe estimarea reprezentării VECM:
Yt = Yt −1 + 1Yt −1 + ... + p −1Yt − p +1 + B +  t
şi se definesc utilizând cele mai mari valori proprii ale matricii  . In scopul stabilirii numărului relaţiilor de cointegrare sunt estimate
valorile proprii (sau rădăcinile caracteristice) ale matricii  : ˆ1  ˆ2  ...  ˆk −1 . Aceste valori proprii sunt deasemenea egale cu patratul
corelaţiei canonice între Yt şi Yt −1 corectată de diferenţele Yt −i , astfel că iau valori între 0 şi 1. Numărul valorilor proprii semnificativ
diferite de zero indică numărul relaţiilor de cointegrare. Rangul matricii  este egal cu numărul valorilor proprii diferite de zero.
Următoarele două teste, de tip LR(“likelihood ratio”), sunt utilizate pentru determinarea numărului r de valori proprii semnificativ
diferite de zero, adică a numărului relaţiilor de cointegrare:
1. testul sau statistica “trace”
LRtrace (r) = −T i =r +1 ln ( 1 − λˆi )
k

Se testează succesiv, pentru r=0,1, ...,k-1 următoarele ipoteze:

H 0 : cel mult r relaţii de cointegrare (rangul matricii este cel mult r)
până la primul r pentru care ipoteza nulă se acceptă. Când ipoteza nulă H 0 se acceptă valoarea statisticii LR este aproape de zero, adică
ultimele k- r valori proprii sunt nesemnificative r +1 ,...,ˆk . Ipoteza nulă se respinge atunci când valoarea calculată este mai mare decât
cea critică.
2. testul „maximum eigenvalue”
LRmax(r,r + 1 ) = −T ln ( 1 − λˆr +1 ) sau
LRmax (r,r + 1 ) = LRtrace (r ) − LRtrace (r + 1)
Ipoteza nulă respectiv alternativa sunt:
H 0 : r relaţii de cointegrare (rangul matricii este cel mult r)
H 1 : r+1 relaţii de cointegrare
pentru r=0,1, ...,k-1.
Valorile critice sunt determinate de mai mulţi autori, printre care Johansen and Juselius (1990), MacKinnon-Haug-Michelis
(1999). Valorile critice diferă după cum se seriile au constantă şi/sau tendinţă deterministă respectiv ecuaţiile de cointegrare conţin
constantă şi/sau tendinţă deterministă. Forma generală a modelului:
Yt = Yt −1 + 1Yt −1 + ... + p −1Yt − p +1 + Bxt +  t
poate include şi tendinţe deterministe, de tip t, prin vectorul variabilelor deterministe xt .
Pentru selecţia numărului de întârzieri, în analizele de tip VECM sau VAR, se pot utilize criteriile AIC (Akaike Information
Criterion), SIC (Schwarz Information Criterion), sau HQ (Hannan-Quinn Information Criterion). Se alege aceea valoare pentru p ce
minimezează valoarea acestor funcţii, în modelul VAR.
Acestă abordarea facilitează testarea unor restricţii, utilizând teste de tip LR distribuite după legea  2 , restricţii eventual sugerate
de teoria economică, asupra elementelor matricii vectorilor de cointegrare sau a matricii coeficienţlor de ajustare  ; regăsim aici şi
testele de exogeneitate (slabă sau tare).
Modelul dinamic VECM poate fi utilizat pentru generarea de previziuni respectiv pentru a analiza impactul unor perturbaţii
(şocuri) aleatoare asupra variabilelor sistemului.