Le principal avantage de VECM est qu`il a une interprétation agréable avec des équations à long terme et à court terme. Vous ne pouvez pas utiliser VAR si les variables dépendantes ne sont pas stationnaires (ce serait une fausse régression). Pour résoudre ces problèmes, nous devons tester si les variables sont cointégrées. Dans ce cas, si nous avons une variable I (1), ou toutes les variables dépendantes sont cointégrées au même niveau, vous pouvez faire VECM. Comme cela a été souligné à juste titre dans les postes précédents, un VECM vous permet d`utiliser des données non stationnaires (mais cointégrées) pour l`intepretation. Cela permet de conserver les informations pertinentes dans les données (qui autrement serait manqué sur la différenciation de la même) si quelqu`un apparaît ici avec la même question, voici la réponse pourquoi on a besoin VECM au lieu de VAR. Si vos données sont non stationnaires (données financières + certaines variables macro), vous ne pouvez pas prévoir avec VAR, car elle suppose la stationnarité ainsi MLE (ou OLS dans ce cas) produira des prévisions qui signifient revenir rapidement. VECM peut gérer ce problème. (la série différencée n`aiderait pas) Ce que j`ai observé dans le VAR, c`est qu`il est utilisé pour capturer la relation à court terme entre les variables employées tandis que les tests VECM pour la relation à long terme.
Par exemple, dans un sujet où le choc est appliqué, je pense que la technique d`estimation appropriée devrait être VAR. Pendant ce temps, lors du test par le processus de la racine de l`unité, la co-intégration, VAR et VECM, si la racine de l`unité a confirmé que toutes les variables étaient I (1) dans la nature, vous pouvez procéder à la co-intégration et après testé pour la co-intégration et le résultat a confirmé que le variables sont cointégrées sens il ya une relation à long terme entre les variables, alors vous pouvez procéder à VECM mais si d`autres sages vous allez pour VAR. Plusieurs méthodes sont connues dans la littérature pour estimer un modèle dynamique raffiné tel que décrit ci-dessus. Parmi ceux-ci se trouvent l`approche en 2 étapes Engle et Granger, estimant leur ECM en une seule étape et le VECM vectoriel à l`aide de la méthode de Johansen. [6] ma compréhension peut être incorrecte, mais n`est pas la première étape est juste ajustement d`une régression entre les séries temporelles en utilisant les OLS-et il 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 peut encore avoir une certaine structure d`autocorrélation à court terme que vous pouvez exploiter pour s`adapter à un meilleur modèle et obtenir de meilleures prédictions et ce “à long terme + modèle à court terme 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 juste une relation de cointégration. Toutefois, si vous êtes seulement intéressé par les prévisions, comme cela semble être le cas, vous pourriez ne pas être intéressé par ces aspects de la VECM. En outre, la détermination du rang de cointégration approprié et l`estimation de ces valeurs pourraient induire de petites inexactitudes d`échantillons, de sorte que, même si le modèle réel était un VECM, l`utilisation d`un VAR pour la prévision pourrait être meilleure. Enfin, il y a la question de l`horizon des prévisions qui vous intéressent, qui influe sur le choix du modèle (quel que soit le modèle «vrai»). Si je me souviens bien, il ya une sorte de résultats contradictoires de la littérature, Hoffman et Rasche disant avantages de VECM apparaissent à un horizon long seulement, mais Christoffersen et Diebold prétendant que vous êtes très bien avec un VAR pour le long terme…