One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218
Transcription
One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218
Théorème de représentation de Granger Réplication de la preuve d’Engle – Granger (1987) Jean – Paul K. Tsasa Vangu Yves Togba Boboy Laboratoire d’analyse – recherche en économie quantitative The Granger representation theorem states that an error correction model can represent any cointegrated series. In this paper, we are interested in the proof of this result. Keywords: Co–integration, error correction model, multivariate time series. Code JEL: C01, C32 Introduction Nombre de publications Laréq antérieures (One pager) ont porté sur la notion de corrélation, insistant notamment sur : (i) la distinction entre coefficient de Bravais– Galton–Pearson et coefficient de corrélation de Spearman (Tsasa, 2012a) ; (ii) la dérivation du domaine de définition du coefficient BGP (Makambo – Tsasa, 2012) ; (iii) la perception du coefficient de détermination (Tombola, 2012b & 2012c) ; (iv) le calcul du coefficient BGP à l’aide du logiciel Eviews (Tombola, 2012a) ; (v) la corrélation linéaire partielle (Mayemba – Tombola, 2012), (vi) le rapport de corrélation (Tombola, 2013), (vii) le calcul des coefficients BGP et de Spearman à l’aide du logiciel R (Lokota – Tsasa, 2012) ou (viii) la dérivation et l’interprétation géométrique du coefficient de corrélation (Tsasa, 2013a). Et plus récemment, l’analyse proposée Togba – Tsasa (2013, oct.) s’est intéressé au traitement de la problématique de la connexion existant entre les modèles de cointégration et les modèles à correction d’erreur, tout en considérant le théorème de Granger comme une donnée. S’inscrivant dans la continuation de ces publications, nous nous proposons dans ce papier de présenter la preuve du théorème en cause. Cependant, avant d’énoncer et de démontrer ce théorème (section 2), nous rappelons préalablement quelques concepts fondamentaux pour appréhension de sa dérivation (section 1). [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] © 2013 par Laréq. Tous droits réservés. Décembre 2013. Courriel : [email protected] une bonne Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] Le théorème de Granger (1987) a été prouvé, à l’origine, par Granger (1981) et repris plus tard et plus explicitement dans un article publié par Granger et Engel en 1987 1 . D’après ce théorème, toutes les séries cointégrées peuvent être représentées par un modèle à correction d’erreur. A ce titre, comme le note Charpentier (2011b), il permet de fournir la synthèse entre deux approches largement utilisées dans la littérature économétrique récente : d’une part, l’approche issue de l’idée de concilier des préoccupations de la théorie économique avec une écriture rigoureuse des équations économétriques ; et d’autre part, l’approche issue d’une approche purement statistique (boîte noire, black box). Par ailleurs, il convient de noter que parallèlement à la preuve originale, proposée notamment par Granger et Engel (1987), on rencontre également d’autres preuves plus élaborées dans la littérature, comme celles proposées respectivement par Johansen (1991) et Boswijk (1992). I. Causalité, Cointégration, Approches VAR et ECM A l’effet d’introduire les concepts de causalité et de cointégration, intéressons – nous au graphique ci – dessous. En effet, en observation l’évolution des deux agrégats d’intérêts, il ressort que ces derniers semblent covarier au passage du temps. Graphique 1 : Evolution de l’inflation et de l’indice d’activité en RDC Source : Sur base des données de la Banque Centrale du Congo [Base des données du Secteur réel, 2013] 1 Sir Clive William John Granger (1934 – 2009), économiste britannique, est co – lauréat, avec Robert F. Engle (1942 – *), du Prix de la Banque de Suède en sciences économiques en mémoire d’Alfred Nobel en 2003. On note que R. F. Engle est initiateur des méthodes d'analyse des séries temporelles économiques avec volatilité saisonnière (méthodes ARCH). 201 202 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) Ainsi, pour extraire les interdépendances qui existeraient dans les mouvements de ces deux chroniques, nous introduisons dans l’analyse quelques concepts économétriques caractéristiques, notamment ceux de causalité et de cointégration. I.1. Causalité A l’origine, on retrouve la formalisation de la notion de causalité en physique, notamment dans les travaux d’Isaac Newton sur la force motrice (cause) et le changement de mouvement (effet). Dans cette optique, la notion de causalité traduit un principe d’après lequel, si un phénomène est la cause d’un autre phénomène, nommé "effet", alors ce dernier ne peut pas précéder la cause. Cependant, sa définition conceptuelle remonte aux discours d’Aristote le stagirite ou de David Hume (Tsasa, 2013c, p.7). Transposé en économie, cette notion revêt une connotation technique spécifique. En effet, si une variable causait une autre variable, alors nécessairement les deux variables doivent être corrélées : A l’inverse, il ne suffit pas que deux variables soient corrélées, pour qu’il ait causalité (corrélation n’est pas causalité). Ainsi, la notion de causalité introduite par Wiener (1956) et Granger (1969) apparait comme le soubassement de l’analyse de relations dynamiques entre les séries chronologiques (Tsasa, 2013c, p.7). Bien que formellement définie, elle demeure un sujet à plusieurs controverses parmi les économistes [Sargent (1977) ; Zellner (1978, 1988)]. Et de ce fait, son étude doit être abordée avec précaution. Comme dans Charpentier (2011b), considérons un couple des processus aléatoires, et notons par : la loi de au temps conditionnellement aux observations passées. Alors, si l’on se proposait d’interroger la relation pouvant exister entre les chroniques il y a lieu de distinguer deux cas possibles : (i) l’un où les processus indépendantes ; (ii) l’autre où ils seraient indépendants l’un à l’autre, il vient que : dépendants. Si et et et seraient étaient Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] En conséquence : En prenant la log – espérance de la relation on obtient : Dès lors, on peut introduire la notion de dépendance, en se servant de la définition de l’information de Kullback – Leibler (1951) : L’information de Kullback – Leibler est généralement utilisée pour mesurer un écart entre deux fonctions de densité. Cependant, elle n’est pas une distance au sens topologique car ne vérifiant pas les propriétés de symétrie et d’inégalité triangulaire. Par ailleurs, elle est définie positive, et donc : avec égalité si et seulement si presque partout. Aussi, il sied de noter que : On peut à présent, établir une équivalence entre indépendance et covariance dans le cas d’une distribution gaussienne (Cf. Tsasa, 2012b). Ainsi, en considérant que : il y a lieu d’écrire : où et avec et 203 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) 204 En prenant le logarithme de la relation on définit après réaménagement des termes, la loi du rapport contenu dans la loi de Kullback – Leibler : In fine, en multipliant la relation par deux, on obtient quatre composantes principales telles que : ; ; ; Plus formellement, on a : Considérons à présent, deux suite et et correspondant au passé des processus respectifs telles que : et En effet, au sens de Granger1 (1969) : cause au temps si et seulement si : Et en parallèle, 1 cause instantanément au temps si et seulement si : Notons au passage que l’économiste américain Christopher Sims (co – lauréat du prix Nobel d’économie en 2011, avec Thomas Sargent) avait également proposé une approche alternative de détection de causalité. Voir Tsasa (2013b). Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] I.2. Cointégration Au – delà du concept de causalité tel qu’introduit par Granger (1969), Engle et Newbold (1974) se sont intéressé à la notion de cointégration. En effet, la cointégration permet de détecter la relation de long terme entre plusieurs variables. Sa formalisation est notamment due à Engle et Granger (1987), puis plus tard par Johansen (1991, 1995). Notons que la notion de cointégration implique implicitement celle d’intégration, qu’il convient de rappeler très brièvement. Soit que est une chronique intégrée d’ordre tel alors : serait une série non stationnaire et où et stationnaire, est un opérateur de retard tel que Ainsi, pour : on dira que et est stationnaire ou intégrée d’ordre 0 et on note : intégré d’ordre : Admettons, à présent, un vecteur des chroniques est différenciée tel que chacune de composantes fois avant de devenir stationnaire. La combinaison peut être : (i) soit stationnaire (dans ce cas, leurs tendances se neutralisent), soit intégrée d’ordre avec et Ainsi, les composantes du vecteur seront cointégrées Granger (1981), Granger – Weiss (1983), Engle – Granger (1987) si : (i) toutes les composantes de intégrées d’ordre ; (ii) il existe un vecteur est intégrée d’ordre sont tel que On note ainsi : ou encore avec le vecteur de cointégration. Au – delà de la restriction de linéarité, il sied de noter qu’à ce jour, certaines études s’intéressent à la cointégration non linéaire. Cette extension fera l’objet de nos publications ultérieures. La littérature économétrique distingue différentes techniques permettant de tester la cointégration parmi lesquelles, on note l’algorithme de Granger – Engel (1987) et les approches de Johansen (1988, 1991), le test de Stock – Watson (1988) ou encore le test de Phillips – Ouliaris (1990). 205 206 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) I.3. Approches VAR et ECM Alors que le modèle VAR a été proposé par Christopher Sims, celui à correction d’erreur fut introduit en économie par David Hendry notamment. La différence entre les deux approches réside foncièrement au niveau du caractère stationnaire ou non des chroniques considérées. L’approche de modélisation basée sur la représentation du processus correspond à une description de l’évolution de l’économie à partir de la dynamique comportementale d’un ensemble de variables linéairement dépendantes des observations passées. Réaménageons les notations et considérons deux processus stationnaires et dépendant de leurs valeurs passées et de leurs valeurs présentes et passées croisées respectives. Soit le nombre de retards caractérisant un processus forme structurelle la représentation avec tel qu’on a sous la suivante : des bruits blancs non corrélés. Sous une forme matricielle, les relations et s’écrivent comme suit : où A partir de la relation d’un processus il y a lieu de dériver la forme réduite de la représentation généralement utilisée pour les analyses empiriques. Ainsi, en pré – multipliant la relation et donc : avec par on obtient : Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] Contrairement aux relations et plus directement lié à celui de dans la relation le niveau de n’est sauf pour ses valeurs passées. De l’expression matricielle de la représentation du processus pour un vecteur de variables peut s’écrire comme : où En se servant de l’opérateur et le polynôme de retard, la relation devient : et finalement : où est une matrice unité ; un opérateur de retard ; le polynôme de retard et un bruit blanc. Une fois que le problème lié à la détermination du nombre optimal de lag est bien traité, il est possible d’estimer le modèle dérivé précédemment, soit par la méthode des moindres carrés ordinaires, soit par la méthode du maximum de vraisemblance. Considérons à présent, deux processus non stationnaires et Si ces derniers est le vecteur de cointégration, alors l’approche va consister à sont cointégrés d’ordre 1, soit : tels que une décomposition telle que : où et sont deux composantes stationnaires ; avec : En généralisant l’expression on obtient ainsi : Comme explicité dans Greene (2001, p. 968), le modèle à correction d’erreur permet de décrire la variation de autour de sa tendance de long terme en fonction d’un ensemble de facteurs exogènes stationnaires de la variation de et de 207 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) 208 autour de leur tendance de long terme, et de la correction d’erreur qui est l’erreur d’équilibre dans le modèle de cointégration. Il suit donc qu’il existe un lien entre les modèles de cointégration et les modèles à correction d’erreur. Les résultats qui seront établis dans la section deuxième permettront de mettre en toute rigueur, cette connexion en évidence. II. Théorème de représentation de Granger Le théorème de représentation de Granger (1987) établit un lien entre la cointégration et le modèle à correction d’erreur. L’intérêt de ce théorème réside en ce qu’il fournit des conditions testables sur les propriétés statistiques et dynamiques des variables susceptibles de justifier la formalisation typique des modèles à correction d'erreur initiée par David Hendry. Nous répliquons dans cette section, l’énoncé originel de ce théorème, ainsi que sa démonstration. Considérons pour ce faire, une représentation (décomposition) multivariée de Wold1 telle que : où désigne l’opérateur de retard ; et un bruit blanc. Théorème de représentation (Engel – Granger, 1987). Si cointégrant de dimension rang cointégrant (i) (ii) donné par l’expression est un vecteur avec de alors : est de rang il existe une représentation ARMA vectorielle : avec de rang 1, matrice log polynomiale telle que est fini et Quand il vient que l’expression autorégressive. (iii) 3 il existe Voir Tsasa (2013d). matrices de rang tel que : (25) est Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] (iv) il existe une représentation à correction d’erreur avec vecteurs des variables aléatoires stationnaires : avec (v) le vecteur où est donné par : désigne une matrice log polynomiale de dimension donnée par rang (vi) si avec tous les éléments de , finis tel que et une représentation autorégressive vectorielle possible, alors il existe une forme donnée par et, et finie et est avec correspondant à deux matrices polynomiales finies. La démonstration de ce théorème requiert préalablement la preuve du lemme sur le déterminant et l’adjoint d’une matrice polynomiale singulière. Lemme. Soit une matrice polynomiale à valeurs finies de dimension telle que avec pour tout Alors, la matrice peut être décomposée suivant le principe de calcul défini dans la décomposition de Beveridge et Nelson : avec : et . Si , alors : (i) avec d’ordre fini ; (ii) où désigne une matrice unité de dimension et est fini. Dans ce cadre, il sied de noter que l’expression d’ordre fini de comme : peut s’écrire 209 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) 210 Et que par ailleurs, l’approche de décomposition de Beveridge – Nelson est considérée comme acquise1. Preuve. Afin de prouver ce lemme, considérons une représentation d’ordre fini écrit comme suit : tel que le déterminant de Le terme représente la somme de produits de nombres finis de en vient que de peut s’écrire sous une puissance polynomiale en est à valeurs finies. Et donc, chaque : De ce fait, il comprend au moins un terme et de Dès lors, tout produit avec un nombre de termes de supérieur ne peut qu’être nul, car il s’agira d’un déterminant d'une sous – matrice d'ordre plus grand que le rang de Par conséquent, les seuls termes non nuls possibles auront plus de termes de et seront ainsi associés aux puissances le premier cas possible où le terme Modifions l’équation ou plus de ou Ainsi, est non nul est bien en ajoutant des termes et dans le membre à droite. Après manipulation, et connaissant que la première possibilité de non nul est on obtient : où : avec : On établit ainsi le premier résultat du lemme. Dérivons à présent le deuxième résultat. Considérons pour ce faire, l’adjointe de puissance en L’adjointe : est une matrice comprenant des éléments ayant de déterminants d’ordre Par transposition du résultat obtenu dans arguments de 1 exprimée en fonction de la série Cf. Tsasa (2013e). sont identiquement nuls. il vient que le premiers Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] Ainsi : En pré – multipliant les membres de l’équation après manipulation la relation Puisque et donc par et on obtient telle que : sont finis, et que : sera également fini. Ainsi, l’expression peut donc s’écrire : Etant donné que le produit d’une matrice par ses adjoints donne un déterminant : par et et par on a: on obtient : En substituant l’expression dérive ainsi l’expression dans et en considérant la relation on : En vertu du résultat obtenu dans la première partie de la preuve du lemme, on établit ainsi : avec : et donc : 211 212 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) Et par ailleurs : avec : En considérant à présent et connaissant l’expression dérivée dans peut dès lors s’écrire : Par Par on a : on sait que : d’où : Par on sait que : d’où : et donc : En égalisant les puissances, on a : Il ressort que entièrement dans l’espace de colonne nulle de la matrice se trouve qui est de rang Ainsi, on a que : Si alors : avec comme premier terme dans l’expression de tel que : Prouvons à présent le théorème de représentation d’Engle – Granger. Comme dans l’expression supposons l’existence d’une représentation de Granger pour un vecteur de variables aléatoires cointégrées. Et soit le vecteur cointégrant tel Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] que : est une chronique purement non déterministe, stationnaire et de dimension En multipliant Pour il vient que fois la représentation cointégrant. Par conséquent, dans il suit que : Un vecteur avec cette propriété ne peut qu’être doit être de rang avec un espace nulle contenant tous les vecteurs cointégrants. Aussi, il vient que une représentation La proposition Puisque inversible, et en particulier : est établie en utilisant le lemme 1. Considérons : est de plein rang et égale à pour La proposition 3 du théorème découle du fait que trouve dans l’espace nul de que ne peut qu’être Puisque son inverse est est de plein entre tel que : et et se engendre cet espace nulle, alors il vient peut être écrit comme une combinaison linéaire des vecteurs cointégrants : Proposition 4. En réaménageant la structure autorégressive de l’assertion il vient que : Puisque : on a que : La proposition 5 résulte directement de la représentation de Wold. En effet, la définition de la cointégration implique que le processus soit stationnaire et inversible. Ainsi, en réécrivant la représentation à correction d’erreur avec : où et en la pré – multipliant par on établit que : 213 214 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) Pour que ce résultat soit équivalent à une représentation stationnaire, la représentation autorégressive doit être inversible. Cela implique donc que : Par ailleurs, sil venait que le déterminant soit nul, alors il doit avoir au moins une racine unité, et si le déterminant était négatif, alors pour une valeur de comprise entre 1 et 0, on aura que : ce qui implique l’existence d’une racine à l’intérieur du cercle unité. En reprenant le même développement, cependant avec on établit ainsi la proposition 6 du théorème. En effet, de manière intuitive, si l’on considérait une version simplifiée de la représentation il suit que le passage de la forme autorégressive : à la forme moyenne mobile : se fait par inversion du polynôme : Cependant, puisque par cette opération, la cointégration entraîne la perte de rang des matrices et il vient que l’inversion directe de n’est plus possible. Ainsi, le théorème de Granger (1987) offre une possibilité d’effectuer ce passage : passage entre la représentation et la représentation d’un modèle. In fine, dans une publication ultérieure, notre attention sera portée sur une formulation alternative du théorème de Granger (1987) proposée par l’économètre danois Johansen en 1991. Bibliographie BESSLER David A. et John L. KLING, 1984, “A Note on Test of Granger Causality”, Applied Economics, 16 (3): 335 – 342. BEVERIDGE Stephen et Charles R. NELSON, 1981, “A New Approach to Decomposition of Economic Time Series into Permanent and Transitory Components with Particular Attention to Measurement of the ‘Business Cycle’”, Journal of Monetary Economics, 2 (7): 151 – 174. Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] BOSWIJK Peter, 1992, “Co-integration, identification, and exogeneity: Inference in Structural Error Correction Models”, Tinbergen Institute research Series Book, 37 (University of Amsterdam, Amsterdam). CHARPENTIER Arthur, 2011a, Introduction à la théorie des processus en temps discret Modèles ARIMA et méthode Box & Jenkins, Séries Temporelles : Théorie et Applications, Volume 1, Université Paris Dauphine (DESS Actuariat & DESS Mathématiques de la Décision), 177p. CHARPENTIER Arthur, 2011b, Modèles linéaires multivariés : VAR et cointégration. Introduction aux modèles ARCH et GARCH. Introduction à la notion de mémoire longue Exercices corrigés et Compléments informatiques, Séries Temporelles : Théorie et Applications, Volume 2, Université Paris Dauphine (DESS Actuariat & DESS Mathématiques de la Décision), 140p. CURRIE David, 1981, “Some Long Run Features of Dynamic Time Series Models”, The Economic Journal (septembre), 91 (363): 704-715. DAVIDSON James E.H., David F. HENDRY, Frank SRBA et Stephen YEO, 1978, “Econometric Modeling of the Aggregate Time-Series Relationship Between Consumers' Expenditure and Income in the United Kingdom”, The Economic Journal (décembre), 88 (352): 661 – 692. DAVIDSON Russell et James G. MACKINNON, 2003, Econometric Theory and Methods, Oxford University Press, Oxford, 768p. DICKEY David A. et Wayne A. FULLER, 1981, “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root”, Econometrica (juillet), 49 (4): 1057 – 1072. DUFOUR Jean – Marie et David TESSIER, 1997, « La Causalité entre la Monnaie et le Revenu : Une Analyse Fondée sur un Modèle VARMA – Echelon », L’Actualité économique, 73 (1–2–3): 351 – 366. ENGLE Robert F. et Clive W. J. Granger , 1987, “Co-integration and Error Correction: Representation, Estimation, and Testing”, Econometrica (mars), 55 (2): 251 – 276. ENGLE Robert F., David F. HENDRY et Jean – Francois RICHARD, 1983, “Exogeneity”, Econometrica (mars), 51 (2): 277-304. EVANS G. B. A. and N. E. SAVIN, 1981, “Testing For Unit Roots: 1”, Econometrica (mai), 49 (3) 753 – 779. FRIEDMAN Milton, 1968, “The Role of Monetary Policy”, American Economic Review, 58 (1): 1 – 17. GEWEKE John, 1978, “Testing the Exogeneity Specification in the Complete Dynamic Simultaneous Equation Model”, Journal of Econometrics, Elsevier, 7 (2): 163 – 185. GOURIEROUX Christian S., Alain MONFORT, and Eric M. RENAULT, 1987, “Kullback causality measures”, Annales d'Economie et de Statistique, 6/7, 369 – 410. GRANGER Clive W. J. et Paul NEWBOLD, 1977, Forecasting Economic Time Series, Academic Press, New York, 333p. 215 216 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) GRANGER Clive W. J., 1969, “Investigating causal relations by econometric models and cross spectral methods”, Econometrica, 37 (3): 424 – 438. GRANGER Clive W. J., 1980, “Testing for causality: A Personal Viewpoint”, Journal of Economic Dynamics and Control, 2 (4): 329 – 352. GRANGER Clive W.S. et Andrew WEISS, 1983, “Time Series Analysis of Error Correcting Models”, in Studies in Econometrics, Time Series and Multivariate Statistics, Academic Press, 225 – 278. GRANGER Clive W.S., 1981, “Some Properties of Time Series Data and their use in Econometric Model Specification”, Journal of Econometrics, 16, 121 – 130. GREENE William, 2001, Econométrie, 7è éd. Pearson Education, edition francophone dirigée par Didier Schlacther, Traduction par Theophile Azomahou, Phu Nguyen Van & Wladimir Raymond, Paris, 988p. HAMILTON James D., 1994, Time Series Analysis, Princeton University Press, Princeton, New Jersey, 799p. HANNAN Edward J., 1970, Multiple Time Series, John Wiley and Sons, INC., New York, 536p. HAUGH Larry D., 1977, “Relationships –and the Lack Thereof – between Economic Time Series, with Special Reference to Money and Interest Rates”, Journal of the American Statistical Association, 72 (357): 11 – 22. Comments and Rejoinder, 22 – 26. HAYASHI Fumio, 2000, Econometrics, Princeton University Press, Princeton, New Jersey, 690p. JOHANSEN Søren, 1991, “Estimation and Hypothesis Testing of Co-integration Vectors in Gaussian Vector Autoregressive Models”, Econometrica, 59, 1551 – 1580. JOHANSEN Søren, 1992a, “Co-integration in Partial Systems and the Efficiency of Single – Equation Analysis”, Journal of Econometrics, 52, 389 – 402. JOHANSEN Søren, 1992b, “Testing Weak Exogeneity and the Order of Cointegration in U.K. Money Demand Data”, Journal of Policy Modeling, 14, 313 – 334. JOHANSEN Søren, 2003, “Representation of cointegrated autoregressive processes with application to fractional processes”, Institute of Mathematical Sciences and Department of Economics, University of Copenhagen, JEL Classification: C32, 40p. JOHNSTON Jack et John DINARDO, 1997, Econometric Methods, 4th ed., McGraw Hill Higher Education, New York, 531p. KULLBACK Solomon et Richard A. LEIBLER, 1951, “On information and sufficiency”, The Annals of Mathematical Statistics, 22 (1): 79 – 86. LOKOTA Michel – Ange et Jean – Paul TSASA, 2012, « Arbitrage Qualité de la gouvernance et Taille du Gouvernement en RDC : Application du test de Shapiro – Wilk et Calcul Conjoint de Coefficients de Bravais–Galton–Pearson et de Spearman », One Pager Laréq (août), 3 (8): 89 – 97. Jean – Paul K. Tsasa & Yves Togba [One pager Laréq, 2013, vol. 8, no. 18, p. 200 – 218] LUCAS Robert E., 1976, “Econometric Policy Evaluation: A Critique”, in K. Brunner & A. Meltzer (Eds), The Phillips Curve and Labor Markets, North – Holland. MAKAMBO Israël et Jean – Paul TSASA, 2012, « Dérivation du Domaine de Définition du Coefficient de Corrélation de Bravais – Galton – Pearson : Application de l’Inégalité de Cauchy (1921), Bunyakovski (1859) et Schwart (1885) », One Pager Laréq (août), 3 (8): 97 – 101. MAYEMBA Foura et Cédrick TOMBOLA, 2012, « Corrélation Linéaire Partielle: Comment Prévenir la Dépendance Linéaire des Régresseurs », One Pager Laréq (septembre), 3 (9): 102 – 109. MBIKAYI Moïse, Cédrick TOMBOLA et Jean – Paul TSASA, 2013, « Espaces topologiques (Présentation des Notions Préliminaires). Série Topologie pour Économistes (2P –1) », One Pager Laréq (mars), 5 (16): 100 – 111. PHILLIPS Peter C.B. et Sam OULIARIS, 1990, “Asymptotic Properties of Residual Based Tests for Co-integration”, Econometrica, Econometric Society, 58(1): 165 – 193. PIERCE David A. et Larry D. HAUGH, 1977, “Causality in Temporal Systems: Characterizations and Survey”, Journal of Econometrics, 5 (3): 265 – 293. PIERCE David A. et Larry D. HAUGH, 1979, “The Characterization of Instantaneous Causality, a Comment”, Journal of Econometrics, 10 (2): 257 – 259. PIERCE David A., 1976, “Checking the independence of two covariance- stationary time series: A univariate residual cross-correlation approach”, Journal of the American Statistical Association, 71 (354): 378 – 385. SALMON Mark, 1982, “Error Correction Mechanisms”, The Economic Journal (septembre), 92 (367), 615 – 629. SARGENT Thomas J., 1976, “A classical Macroeconometric Model of the United States”, Journal of Political Economy, 84 (2): 207–237. SIMS Christopher A., 1972, “Money, Income and Causality”, American Economic Review, 62 (4): 540 - 552. SIMS Christopher A., 1980, “Macroeconomics and Reality”, Econometrica, 48 (1): 1 – 48. SIMS Christopher A., 1996, “Macroeconomics and Methodology”, The journal of Economic Perspectives, 10 (1): 105 – 120. SIMS Christopher A., Stephen M. GOLDFELD et Jeffrey D. SACHS, 1982, “Policy Analysis with Econometric Model”, Brooking Papers on Economic Activity, 1982 (1): 107 – 164. STOCK James H. et WATSON Mark W., 1988, “Testing for Common Trends”, Journal of The American Statistical Association, 83 (404): 1097 – 1107. TOGBA Yves et Jean – Paul TSASA, (octobre) 2013, « Cointégration et Modèle à Correction d'Erreur », One Pager Laréq (octobre), 8 (1): 31 – 41. TOMBOLA Cédrick et Jean – Paul TSASA, 2013, « Analyse de la Structure d’Espaces Vectoriels », One Pager Laréq (février), 5 (15): 93 – 99. 217 218 Théorème de représentation de Granger – Engle Réplication de la preuve d’Engle – Granger (1987) TOMBOLA Cédrick, 2012a, « Premier pas avec Eviews : Estimation du Coefficient de Corrélation de Bravais – Pearson », One Pager Laréq (avril), 1 (7): 41 – 47. TOMBOLA Cédrick, 2012b, « Réflexions sur le Coefficient de Détermination : Comment Éviter les Pièges d’une Interprétation à Problèmes », One Pager Laréq (août), 3 (8): 83 – 88. TOMBOLA Cédrick, (juin) 2012, Économétrie 1 : Théories et Recueils d’Exercices résolus, Guide Laréq pour étudiants, GLEN 010, 109 p. TOMBOLA Cédrick, 2013, « Au–delà de la Corrélation Linéaire : Métrique du khi – Deux et Rapport de Corrélation », One Pager Laréq (février), 5 (9): 54 – 59. TSASA Jean – Paul, 2012a, Économétrie (Module 1), Guide Laréq pour étudiants (mars), GLEN 002, 70p. TSASA Jean – Paul, 2012b, « Indépendance et Covariance Dans le Cas Gaussien », One Pager Laréq (décembre), 4 (15): 98 – 103. TSASA Jean – Paul, 2013a, « Produit Scalaire, Métrique et Orthogonalité : Préalables à la Résolution du Problème des Moindres Carrés », One Pager Laréq (mars), 5 (17): 112 – 117. TSASA Jean – Paul, 2013b, « Critique de C.A. Sims », One Pager Laréq (avril), 6 (1): 1 – 6. TSASA Jean – Paul, 2013c, « Causalité au Sens de Wiener – Granger : Test, Théorèmes et Précautions face aux Fausses Relations Causales », One Pager Laréq (avril), 6 (2): 7 – 18. TSASA Jean – Paul, 2013d, « Théorème de Décomposition de Wold », One Pager Laréq (avril), 6 (4): 28 – 34. TSASA Jean – Paul, 2013e, « Décomposition de Beveridge – Nelson », One Pager Laréq (avril), 6 (6): 44 – 48. WIENER Norbert, 1956, « The Theory of Prediction », dans Edwin F. BECKENBACK (éd.), Modem Mathematics for Engineers (Series 1), Time Series, Ergodic Theorem, Prediction, Chapitre 8 McGraw – Hill, New York, 165 – 190. WOLD Herman O. A., 1954, “Causality and Econometrics”, Econometrica, 62 (2): 162 – 177. WOOLDRIDGE Jeffrey M., 2008, Introductory Econometrics. A Modern Approach, 4th ed., Cengage Learning, Mason, 888p. ZELLNER Arnold, 1978, “Causality and econometrics”, in K. Brunner - A.H. Meltzer (a cura di), Three Aspects of Policy Making: Knowledge, Data and Institutions, Carnegie – Rochester Conference Series on Public Policy, 10, Amsterdam: North-Holland, 9 – 54. ZELLNER Arnold, 1988, “Causality and Causal Laws in Economics”, Journal of Econometrics, 39 (1 – 2): 7 – 22.