3.1.3. Estimation par le VAR
L'une des utilisations pratiques de la représentation
VAR est qu'elle permet par la suite de faire une analyse de la causalité
au sens de Granger. Nous estimons ici VAR avec un décalage qui permettra
de saisir l'impact d'une variable retardée sur elle-même et sur
les autres variables. La lecture des tableaux d'estimation se fait, en
comparant la valeur critique de t donnée par la table de Student qui est
de 1,70 au seuil de 5% en admettant que la série suit une loi normale.
Ici, si la valeur entre crochet est supérieure à 1,70, le
coefficient est significatif.
3.1.3.1. Détermination du nombre de retard
optimal
Le choix du retard optimal est fondé sur les
critères d'information à minimiser, notamment les critères
d'information de Akaike et de Schwarz. La détermination des retards
ainsi que les estimations se feront, pour chaque modèle.
Tableau n°2. Détermination des lags
optimal
|
Lag
|
AIC
|
SC
|
|
1
|
- 2,08822
|
- 1,503162
|
|
2
|
- 1,472893
|
- 0,442096
|
|
3
|
- 1,968062
|
- 0,486982
|
|
4
|
- 2,087212
|
- 0,153091
|
|
5
|
- 3,567174
|
- 1,179694
|
Source : Calculs de l'autre partir sur Eviews 5
Nous remarquons que le critère AIC est minimisé
au cinquième décalage par contre le critère SC est
minimisé au premier décalage, par principe de PARCIMONIE, on
exige qu'on retienne un modèle qui contient moins de décalages.
Nous optons donc pour le modèle VAR d'odre1 (VAR(1)).
| 
