Si je comprends bien, vous ètes sous eviews6 et la procedure fmols n'est pas implantée dans cette version. Ne connaissant pas eviews et notamment son langage de programmation je ne vais pas pouvoir beaucoup vous aider. Bon, on essaye quand même. L'idée des fmols est de corriger pour un biais d'endogénéité (covariances non nulles entre les innovations des explicatives de la régression de cointégration et le résidu de la régression de cointégration). Elle prend aussi en compte une autocorrélation résiduelle. L'idée est de purger ces effets grâce à une estimation non paramétrique des termes de nuisance. On commence par estimer la régression de cointégration pour prendre son résidu, puis on calcule les innovations sur les k explicatives (comme elles sont supposées I(1), il suffit de prendre les différences premières de ces variables et de les centrer). On calcule alors la matrice de variance-covariance de long terme (entre résidu et k innovations) estimée non paramétriquement (via par exemple un estimateur de type Newey-West). A partir de cette matrice on peut aisément trouver les coefficients d'une transformation que l'on applique à l'expliquée initiale, pour achever le travail par une régression OLS. Si tout s'est bien passé, les estimateurs obtenus sont asymptotiquement gaussiens, ce qui va faciliter les tests d'hypothèses. Voilà pour l'histoire des FMOLS. Je ne peux pas ici vous donner les formules, mais elles sont présentées naturellement dans le papier de Phillips et Hansen, et vous les trouverez sans peine maintenant dans beaucoup d'autres documents, avec notamment l'extansion aux données de panel. La mise en oeuvre n'est pas trop compliqué sous un logiciel comme RATS. D'ailleurs il me semble qu'ESTIMA donne une procédure fmols.src, et vous trouverez sous ce logiciel pas mal de choses faites par pedroni pour les données de panel. Eventuellement, plutôt que les fmols regardez du côté des DOLS, ils sont beaucoup plus simple à mettre en oeuvre (tout est paramétrique, on n'a pas besoin d'estimer une matrice de var-cov de long terme. Il suffit de mettre dans la régression ols des variables avancées et retardées). Pour ne rien gâcher, certains résultats de monte-carlo semblent (pas en panel) indiquer que le DOLS sont, de plus, "meilleurs" que les FMOLS.