Vous êtes sur la page 1sur 20

Les modles quations simultanes

1.1 Nature et type de modles Equations simultanes (MES)



Les MES sont des modles dans lesquels nous avons plus dune quation relie au travers des
variables gauche(VAG) qui se trouve aussi droite. Un MES est donc une structure entre
variables endognes et exognes dans laquelle :
- Il y a pour chaque variable endogne une quation
- Chaque quation est relie aux autres
- Les variables endognes sont des variables dpendantes jointes

Les variables dans un MES sont de deux catgories, soit des variables endognes
contemporaines( expliquer) soit des variables prdtermines ; les variables prdtermines
comprennent :
- Les variables endognes retardes
- Les variables exognes contemporaines
- Les variables exognes retardes3

Exemples considrons la fonction macroconomique suivante :
t t t
C Y u o | = + + Equation de comportement des consommateurs
t t t
Y C I = + i= 1, t Identit
Les variables endognes contemporaines sont C et Y, les variables prdtermines I et
lintercepte (la constante). C est la consommation, Y le PIB en terme rel et I constitue
linvestissement dont il est suppos non stochastique ou du moins indpendamment distribu
par rapport u. ce modle est appel modle structurel. Le modle est simultan expliquant la
consommation la consommation par la premire quation et le revenu par la deuxime
quation. Ce modle constitue t il un MES ? Toutes les relations incluses sont requises pour
dterminer la valeur des variables endognes ; C et Y sont des variables dpendantes jointes.
En effet si u varie Y et C varient aussi. Donc non seulement C et Y sont des variables
dpendantes mais sont corrles avec u. Ceci, comme on va le voir aura des consquences sur
les proprits statistiques des estimateurs dans le MES, car les variables de droite Y puisque
corrle avec u don alatoire ; ceci viole une des hypothses classiques de modle de
rgression.
En substituant , on obtient
1
1 1 1
1 1
1 1 1
t t t
t t t
C I u
Y I u
o |
| | |
o
| | |
= + +

= + +


Cette dernire criture constitue la forme rduite du modle structurel.
La forme rduite montre explicitement comment les variables endognes sont jointement
dpendantes des variables prdtermines et du terme alatoire (stochastique) u.
Dans notre cas, C et Y sont compltement dtermines par I et u ; I est dtermin en dehors
du systme.
En dira quun modle est simultan SSI toutes les relations incluses dans le modles sont
requises pour dterminer la valeur dau moins une des variables endogne dans le systme.


Exemple Considrant le modle doffre et de demande suivant :
0 1 1 1
0 1 2 1
0
0
q
t t t
o
t t t
d o
t t
Q P u
Q P u
Q Q Q
o o o
| | |
= + + s
= + + >
= =


Les variables endognes sont P et Q ; les variables sont les interceptes (les deux constantes). P
et Q sont des variables dpendantes jointes car si u
1
varie Q
d
varie et donc P varie. Si au
contraire u
2
varie alors Q
o
varie et donc P varie aussi. Si on rgresse
t
Q P u o | = + + cela violerait les hypothses classiques puisque P est stochastique.
En gnral, la forme structurelle peut scrire :
11 1 12 2 1 11 1 12 2 1 1
21 2 22 2 2 21 1 22 2 2 2
1 1 2
... ...
... ...
........................................................................................
t t M Mt t t k Kt t
t t M Mt t t k Kt t
M M M
Y Y Y X X X u
Y Y Y X X X u
Y
| | |
| | |
| |
+ + + + + =
+ + + + + =
+
1 1 2 2
... ...
Mt MM Mt M t M t Mk Kt Mt
Y Y X X X u | + + + + =



1 1 1 11 12 1 11 12 1
2 2 2 21 22 2 21 22 2
1 2 1 2



t t t M K
t t t M K
M M MM M M MK Mt Kt Mt
Y X u
Y X u
Y X u
| | |
| | |
| | |
( ( ( ( (
( ( ( ( (
( ( ( ( (
+ =
( ( ( ( (
( ( ( ( (



Soit
( ) ( 1) ( ) ( ) ( 1) M M t M M K t M K t M
B Y C X u

+ = (1.1)

Les hypothses sont dune manire plus compacte, on peut crire
(0, )
t
u N E
| |
1 1 11 12 1
2 2 21 22 2
1 2 ( )
1 2


( ) u u

t t M
t t M T
t i t t t Mt M M
M M MM Mt Mt
u u
u u
u E u u E u
u u
o o o
o o o
o o o

( ( (
( ( (
( ( (
= = = E = = E
( ( (
( ( (



Y = variables endognes X = variables exognes u = vecteur alatoire
et | les coefficients de la forme structurelles

Nous avons donc M variables endognes et K variables exognes
t t t
BY CX u + = (1.2)

Qi peut scrire lorsque B est inversible
1 1
t t t t t t
Y B CX B u Y X v

= + = H + (1.3)
Ou H est la matrice des paramtres de la forme rduite de dimension (MK). la matrice
variance covariance de la forme rduite scrit
1 1 1 1
( ) ( ( ) ) ( )
T T T T
t t t t
E v v E B u u B B B

= = E = +

Exemple soit le modle suivant
1 2 3 1
1 2 2
d
t t t t
O
t t t
d O
t t
Q P R u
Q P u
Q Q Q
o o o
| |
= + + +
= + +
= =

En utilisant la condition dquilibre on obtient
1 2 3 1
1 2 2
t t t
t t
Q P R u
Q P u
o o o
| |
= + + +
= + +

Soit en criture matricielle
1 1 3 2
2 2 1
- 1 - 1
1 - 0
t t
t t t
Q u
R P u
o o o
| |
( ( ( ( (
+ =
( ( ( ( (




t t t
BY CX u + =
La forme rduite
1 1
t t t t t
Y B CX B u X v

= + = H +
Ecrite dune manire dtaille
3 2 1 2 2 1
1 11 12 1
2 2 2 2
3 1 1
2 21 22 2
2 2 2 2
t t t t t
t t t t t
Q R v R v
P R v R v
o | o | o |
t t
o | o |
o o |
t t
o | o |

= + = + +

= + = + +


Avec
1 1 2 1 2 2 1
2 2 2 1 2 2
1
t t t t
t t t t
v u u u
B
v u u u
| o
o |

+ ( ( (
= =
( ( (




Exemple soit le modle suivant :
0 1 3 1 1 t t t t
C Y C u o o o

= + + + Fonction de consommation
0 1 2 1 2 t t t t
I r I u | | |

= + + + Fonction dinvestissement
0 1 2 3 t t t t
r Y M u = + + + March montaire
Y
t t t t
Y C I G = + + Identit

Y
t
, C
t
, I
t
et r
t
sont endognes C
t-1
, I
t-1
, M
t
et G
t
sont des variables prdtermines
1 1
0 2 1
2 1
0 2 1
1
0
1
1 0 - 0
- 0 0 0
0 1 0 -
- 0 - 0 0
0 0 - 1
- 0 0 0 -1
-1 -1 1 0
t t
t
t
t
t
t
t
t
C u
C
I u
I
Y
M
r
G
o
o o
|
| |

(
( (
(
(
( (
(
(
( (
(
+ =
(
( (
(
(
( (
(

(

3
0
t
t
u
(
(
(
(
(



t t t
BY X u + I =
La forme rduite
1 1
t t t
Y B X B u

= I +
0 1 1 1 0 1 0 1 2 1 2 1 1 2 1
0 1 1 1 0 1 0 2 1 1 1 2 1 1 1 1 1
0 0 1 0
(1 ) ( )
+(1- )( + (1- ) (1- )
1

t
t
t
t
C
I
Y
r
o | o | | o o o | o | o
o | o | | o | o | o | |
o | |
+ + (
(
(
=
(
+ + A
(

1
1
2 2 1 2
0 0 1 1 0 2 1 2 1 1 2 1
1 1 1
1
1
( ) (1 ) (1- )
1
1
t
t
t
t
C
I
M
G
o | |
o | o o | o
| o

(
(
(
(
(
(
(
(
(
(
(
+ +

(

+
A
1 1
1
1 1 1 1 1
2
1
3
1 2 1

(1- ) (1- )
1 1
(1- )
t
t
t
u
u
u
o |
| o o |
|
o
(
(
(
(
(
(
(
(
(





Avec
1 1 1
1 1
1 o |
=
A

Remarque1 : nous avons
2
( ) ( )
=
16 + 20 = 36
M M M K
B M paramtres C M K paramtres

+

On a besoin de M(K + M) relations, cependant on a que MK relations, il me faut alors MM
restrictions.

Remarque2 : supposant le modle suivant
0 1 2 1
1 1 2
d
t t t t
O
t t t
d O
t t
Q P Y u
Q P u
Q Q Q
o o o
| |
= + + +
= + +
= =

Comment peut-on interprter par exemple
1
? En dautres termes est ce que
1
= dQ/dP ?
Pour rpondre cette question et dautres, on passe la forme rduite.
1 2 2
1 1
1 1 1 1
1 1 1 2 1 2
2 2
1 1 1 1
t t
t t t t
t t
t t t t
u u
P Y Y v
u u
Q Y Y v
o
| o | o
| o | o
| o | o

= + = H +

= + = H +


On voit donc que pour rpondre cette question, il nous faut rpondre la question de savoir
quest ce qui peut bien changer P ? De la forme rduite, on voit quil y a trois sources de
variations de P ; les sources sont Y, u
1
et u
2
. En dautres termes :

Un changement de Y un changement de demande
Un changement de u
1
un changement de demande
Un changement de u
2
un changement de doffre

Si Y change
1
dQ
dQ
dY
dP
dP
dY
| = =
Si u
1
change
2
1
2
dQ
du dQ
dP
dP
du
o = =

Si u
2
change
1
1
1
dQ
du dQ
dP
dP
du
| = =
On voit que dans un MES il n y a aucun sens de parler de leffet dune variable endogne sur
une autre sans spcifier lorigine des chocs

1.2 les types des MES
1.2.1 Les systmes Equations Simultanes
La forme la plus gnrale dun modle trois quations :
1 0 2 2 3 3 4 1 5 2 1
2 0 1 1 3 3 4 1 5 2 2
3 0 1 1 2 2 4 1 5 2 3
Y Y Y Z Z u
Y Y Y Z Z u
Y Y Y Z Z u
o o o o o
| | | | |

= + + + + +
= + + + + +
= + + + + +

Ce systme est interdpendant puisquil est impossible de le rsoudre pour une variable sans
la rsolution simultane pour lensemble des variables.


Exemple Soit

0 2 3 4 1 5 1
0 3 5 2
t t t t t t
t t t t
t t t t
C I Y C R u
I Y R u
Y C I G
o o o o o
| | |

= + + + +
= + + +
= + +

Les variables endognes sont variables endognes sont Y
t
, I
t
et C
t
; les variables
prdtermines sont C
t-1
, G
t
et R
t
. ce modle est simultan car lestimation de C
t
et de I
t
dans
les deux premires quations ne peut se faire moins que la valeur de Y soit connue ; mais Y
est fonction de C et de I dans la troisime quation. La rsolution de Y, C et I ne peut se faire
que simultanment.

1.2.2 Les systmes rcursifs
Un systme est dit rcursive et non simultan si chaque variable endogne peut etre
dtermine squentiellement. Considrant le modle suivant :
1 0 4 1 5 2 1
2 0 1 1 4 1 5 2 2
3 0 1 1 2 2 4 1 5 2 3
Y Z Z u
Y Y Z Z u
Y Y Y Z Z u
o o o
| | | |

= + + +
= + + +
= + + + + +

1 2 1 3 2 3
cov( , ) cov( , ) cov( , ) 0 u u u u u u = = =
Bien que ce systme semble tre simultan, en fait, il est rcursif. Etant donnes les valeurs
de Z
1
et Z
2
, on peut estimer Y
1
puis Y
2
et ainsi de suite. Dans les systmes rcursifs la
mthode OLS semble approprie. Pour la premire quation, on peut utiliser lOLS puisque
Z
1
et Z
2
sont exognes et donc non corrles avec u
1
. OLS est aussi appropries pour la
deuxime quation car Y
1
et corrle avec u
2
. Finalement, OLS est aussi approprie pour la
troisime quation car Y
1
et Y
2
sont non corrles avec u
3
. Dans les systmes rcursifs la
matrice b est triangulaire infrieure.

1.2.3 Les systmes bloc rcursifs
Un systme Bloc rcursif est un groupe dquations qui peut tre subdivis en blocs
dquations de telle manire que les quations lintrieur de chaque bloc sont simultanes
mais les blocs dquations sont rcursives.
1 0 2 2 4 1 5 2 1
2 0 1 1 4 1 5 2 2
3 0 1 1 2 2 4 1 5 2 3
Y Y Z Z u
Y Y Z Z u
Y Y Y Z Z u
o o o o
| | | |

= + + + +
= + + + +
= + + + + +


Les deux premires quations forment un bloc de deux quations simultanes car ils doivent
tre rsolues simultanment pour avoir Y
1
et Y
2
. Une fois Y
1
et Y
2
obtenues, on peut les
substituer dans la troisime quation pour obtenir Y
3
. Ce modle particulier est compos de
deux blocs. Le premier bloc comporte deux quations simultanes, et le deuxime bloc
comporte une quation. Pour estimer ce type de systme, il faut estimer le premier bloc, le
deuxime bloc peut tre estim via OLS.

1.2.4 Les systmes Seemingly Unrelated Equations (SUR)

Considrant le groupe de fonctions de demande pour des produits relis
1 0 4 1 5 2 1
2 0 4 3 5 4 2
3 0 4 ( 5 3
Y Z Z u
Y Z Z u
Y Z Z u
o o o
| | |


= + + +
= + + +
= + + +

Si les erreurs sont non corrles, alors, il n y a aucune relation entre les trois quations. Dans
ce cas on peut utiliser LOLS. Mais si les erreurs sont relies, alors on doit recourir des
mthodes destimation plus sophistiques.


1.3 Le Biais de Simultanit

Soit le modle
t T t
C Y u o | = + + Equation de comportement des consommateurs
t T t
Y C I = + Identit
2 2
t t
1, 2...
( ) 0 E(u ) E(u ) 0
t t j
t T
E u u o
+
=
= = =

Le modle rduit scrit :
1
1 1 1
1 1
1 1 1
t t t
t t t
C I u
Y I u
o |
| | |
o
| | |
= + +

= + +



( ) ( )
2 2
1 1
( ) ( )
1 1 1
( )
( ) ( ) ( ) 0 0 1
1 1
t t t t t
t
t t t t t t
E Y I Y E Y u
E u
E Yu E Y E Y u E u SSI
o
| | |
o
|
| |
= + =

= = = > < < ( (




Ceci viole videmment une des hypothses classiques du modle de rgression qui postule
que les variables droite sont indpendantes des variables gauche. Ce biais de simultanit
implique que lorsquon applique OLS la fonction de consommation, notre estimateur de
sera in consistant. En effet
( )
2 2 2

t t t t t t t
t t t
c y y u y y u
y y y
o |
| |
+ +
= = = +



( ) ( )
2 2
lim

lim( ) lim lim lim


lim
t t t t
t t
y u P y u
P P P P
y P y
| | |
| |
|
| = + = +
|
|
\ .



2 2
lim lim /

lim( )
lim lim /
t t t t
t t
P y u P y u T
P
P y P y
| | | = + = +



2 2
2 2

lim( ) de cov(Y,u) sur var(Y)


/(1 ) 1

lim( )
1
Y Y
P ratio
P
| |
o | o
| | |
o | o
= +

= + = +


Etant donne que 0<<1 et
2
> 0 alors

lim( ) P | | > , donc

| surestime / en dautres
termes,

| est biais, et ce biais ne disparat pas mme asymptotiquement.



1.4 Le problme didentification

Le problme didentification concerne la question de savoir si on peut obtenir B, E et C quand
on connat la matriceH. Le modle structurel ne peut tre estim par la mthode OLS, mais le
modle rduit peut ltre. Ceci suggre donc que lon puisse estimer dterminer les
coefficients de la forme structurelle partir de la forme rduite. Evidemment ceci peut tre
fait condition que lon puisse exprimer les coefficients de la forme structurelle en fonction
de la forme rduite ; cest ce que constitue le problme didentification. Pour illustrer ce
problme, considrant lexemple suivant :
1 2 3 1
1 2 2
d
t t t t
O
t t t
d O
t t
Q P R u
Q P u
Q Q Q
o o o
| |
= + + +
= + +
= =

En utilisant la condition dquilibre on obtient
1 2 3 1
1 2 2
t t t
t t
Q P R u
Q P u
o o o
| |
= + + +
= + +


La forme rduite scrit :

3 2 1 2 2 1
1 11 12 1
2 2 2 2
3 1 1
2 21 22 2
2 2 2 2
t t t t t
t t t t t
Q R v R v
P R v R v
o | o | o |
t t
o | o |
o o |
t t
o | o |

= + = + +

= + = + +


Prenons lquation de demande
11 12 1 1 2 3 1
1 2 12 22 2 3 1
( )
t t t t t t
t t t t
R v Q P R u
R v R u
t t o o o
o o t t o
+ + = = + + +
= + + + + +

Les rsidus sliminent et on obtient :
11 12 1 2 21 2 22 3
( )
t t
R R t t o o t o t o + = + + +
Donc
11 1 2 21
12 2 22 3
t o o t
t o t o
= +
= +

On a deux quations pour dterminer trois paramtres de la forme structurelle
1 2 3
, et o o o . On
dira alors que lquation de demande est sous identifie. Quant lquation doffre, on a
11 12 1 1 2 2
1 2 21 22 2 2
( )
t t t t t
t t t
R v Q P u
R v u
t t | |
| | t t
+ + = = + +
= + + + +

Les rsidus sliminent et on obtient :
11 12 1 2 21 2 22 t t
R R t t | | t | t + = + +
Donc
11 1 2 21
12 2 22
t | | t
t | t
= +
=

Ici on a deux quations pour dterminer deux coefficient de la forme structurelle : |
1
et |
2
. on
dira donc que lquation doffre est exactement identifie (Just identifie).
Il existe une autre mthode pour vrifier si une quation est identifie ou non. Celle-ci vient
de la relation entre forme rduite et forme structurelle.
On a :
1 1
0 0 B C B C B C

H = H+ = H+ =
Ou de manire quivalente
| |
C 0 0
K
B AW
I
H (
= =
(

(1.4)

Avec A de dimension M(M+K) et X de dimension (M+K)K
Utilisons cette mthode pour vrifier lidentification du problme prcdent. Formons la
quantit
0 AW =
Cela nous donne
11 12
2 1 3 21 22
2 1

1 - - -
0
1 - - 0 1 0
0 1
t t
o o o t t
| |
(
(
(
(
=
(
(

(


En multipliant cette dernire expression, on voit que lon obtient exactement les quatres
quations obtenues prcdemment ; deux pour lquation de la demande et deux pour
lquation doffre.


Exemple soit lexemple suivant :
Exemple soit le modle suivant
0 1 1
0 1 2
d
t t t
O
t t t
d O
t t
Q P u
Q P u
Q Q Q
o o
| |
= + +
= + +
= =

En utilisant la condition dquilibre on obtient
0 1 1
0 1 2
t t
t t
Q P u
Q P u
o o
| |
= + +
= + +


La forme rduite est :
0 1
1 2
t t
t t
Q v
P v
t
t
= +
= +

Utilisant la forme AW = 0, on obtient :
0
1 0
1
1 0
1 - -
0
1 - -
1
t
o o
t
| |
(
(
(
=
(
(

(


Faisant les oprations matricielles :
0 1 1 0
0 1 1 0
0
0
t o t o
t | t |
=
=

On dispose dune quation pour dterminer les
i
, les coefficients de la demande et dune
quation pour dterminer les |
i
. donc ni loffre ni la demande ne sont identifie.

Proposition : Le problme didentification fait rfrence au processus par lequel les
paramtres structurels peuvent tre obtenus partir de la forme rduite.

Ci ceci peut tre vrifi, on dira que lquation est identifie, sinon on dira que lquation et
sous identifie. Une quation identifie est soit exactement(Just) identifie soit sur identifie.

1.5 Les rgles didentification
Lorsque le systme comporte deux ou trois quations, les calculs didentification peuvent tre
effectus par une des deux mthodes dcrites plus haut. Mais lorsque le systme dpasse trois
quations, les calculs deviennent fastidieux. Il serait donc utile de disposer dune mthode
didentification qui ferait appel a un minimum de calcul. Lobjet de cette section est de
prsenter cette mthode.

Revenons notre systme gnral que lon peut crire :
t t t
BY CX u + =
Ceci peut scrire comme :
| |
C
t
t
t
Y
B u
X
(
=
(

Ou encore
t t
AZ u =
Ou A est de dimension (M(M+K)) et Z est de dimension ((M+K)1). La premire quation
structurelle peut scrire


1 1 t t
Z u o =
La deuxime

2 2 t t
Z u o =
Et ainsi de suite jusqu la dernire
M t Mt
Z u o =
La thorie conomique place un certain nombre de restrictions. Les plus communes sont les
restrictions dexclusions sur les
i
. il existe aussi des restrictions sur la matrice E et enfin les
restrictions linaires soit lintrieur du mme quation soit chelonnes sur plusieurs
quations.
Concernant les restrictions dexclusion. Soit une matrice de dimension ((M+K)R) la
matrices des restrictions ou R est le nombre de restrictions. On peut alors crire chaque
vecteur ligne de la matrice A sous forme :

1
0 o u =
Exemple soit le modle suivant :
1 2 3 1
1 2 2
d
t t t t
O
t t t
d O
t t
Q P R u
Q P u
Q Q Q
o o o
| |
= + + +
= + +
= =

En utilisant la condition dquilibre on obtient
1 2 3 1
1 2 2
t t t
t t
Q P R u
Q P u
o o o
| |
= + + +
= + +

En utilisant les notations du systme gnral (1.1) en peut crire le modle :
| |
11 12 11 12
21 22 21 22

C
1
t
t
t
t
Q
P
AZ B
R
| |
| |
(
(
(
(
=
(
(

(


Do
| |
1 11 12 11 12
0
0
0
0
0
o | |
(
(
(
u = =
(
(


| |
2 21 22 21 22
0
0
0
0
1
o | |
(
(
(
u = =
(
(


Soit le modle
0 1 2 3 1
0 1 2
d
t t t t t
O
t t t
d O
t t
Q P Y R u
Q P u
Q Q Q
o o o o
| |
= + + + +
= + +
= =

En utilisant la condition dquilibre on obtient
0 1 2 3 1
0 1 2
t t t t
t t
Q P Y R u
Q P u
o o o o
| |
= + + + +
= + +









Les restrictions dexclusions sont
11
=
23
= 0
| |
11 12 11 12 13
21 22 21 22 23

C 1

t
t
t
t
t
Q
P
AZ B
Y
R
| |
| |
(
(
(
(
(
=
(
(

(
(


Do
| |
1 11 12 11 12 13
0
0
0 0
0
0
o | |
(
(
(
( u = =
(
(
(


| |
2 21 22 21 22 23
0 0
0 0
0 0 0
1 0
0 1
o | |
(
(
(
( u = =
(
(
(


En plus des restrictions de type
1
=0, on a aussi des restrictions qui viennent de la relation
entre coefficients de la forme rduite et coefficients de la forme structurelle. De la forme
rduite, on a :
| |
C 0 0
K
B AW
I
H (
= =
(


La premire quation structurelle peut scrire


1
0 W o =
La deuxime

2
0 W o =
Et ainsi de suite jusqu la dernire
0
M
W o =
En combinant les restrictions dexclusions
1
=0 avec la relation
1
0 W o = , on peut crire

| |
1
0 W o u =
Les inconnues sont contenues dans les
1
et puisque la matrice
| |
W u est de dimension
(M+K)(K+R), on aura (K+R) quations.

Exemple soit le modle :
Soit le modle
0 1 2 1
0 1 2
d
t t t t t
O
t t t
d O
t t
Q P R u
Q P u
Q Q Q
o o o
| |
= + + +
= + +
= =

En utilisant la condition dquilibre on obtient
0 1 2 1
0 1 2
t t t
t t
Q P R u
Q P u
o o o
| |
= + + +
= + +

Prenant la deuxime quation :

| |
21 22 21 22
0
0

0
1
| |
(
(
(
(
(


| | | |
11 12
21 22
2 21 22 21 22
0
0

1 0 0
0 1 1
W
t t
t t
o | |
(
(
(
u =
(
(


21 11 22 21 21
21 12 22 22 22
22
0
0
0
| t | t
| t | t

+ + =
+ + =
=


Proposition : condition dordre (condition ncessaire) : soit m le nombres de variables
endognes et k le nombre de variables exognes prsentes dans une quation donne.
Alors R= (M m) + (K-k) M-1 ou de manire quivalente (K-k)(m-1)
Ou M-m = le nombre de variables endognes absentes dans une quation donne
K-k = le nombre de variables exognes absentes dans une quation donne.

Si (K-k) < (m-1) lquation est sous identifie
Si (K-k) > (m-1) lquation est sur-identifie
Si (K-k) = (m-1) lquation est exactement(Just) identifie

Proposition : Condition de rang

| |
1 W M K u = +

Exemple
1 1 2 1
2 1 1 1 1 2 2 2
t t t
t t t t t
Y Y u
Y Y X X u
o
|
= +
= + + +

Les restrictions sont
11
=
12
= 0
Pour dterminer la condition dordre il est commode de construire un tableau dexclusions
inclusions

Y
1
Y
2
Y
3
Y
4

Equation 1

0 0
Equation 2


Condition dordre K - k M - 1 identification
Equation 1 2 1 Sur-identifie
Equation 2 0 1 Sous identifie

Condition de rang : Equation 1
| | | | | |
11 12
21 22
1 11 12 11 12
0 0
0 0
4 1 3
1 0 1 0
0 1 0 1
W W M K
t t
t t
o | |
(
(
(
u = u = > + =
(
(


La premire quation est donc sur-identifie
Condition de rang : Equation 1
| | | | | |
11 12
21 22
2 21 22 21 22


2 1 3
1 0
0 1
W W M K
t t
t t
o | |
(
(
(
u = u = < + =
(
(


La deuxime quation est donc sous identifie

Les restrictions reprsentes par
i
=0, sont des restrictions homogne dans la mesure dans la
mesure ou le coefficient ou la combinaison linaire des coefficients est gal zro. Beaucoup
de restrictions peuvent cependant tre non homognes. Un exemple de restriction non
homogne
11 11
1 | + = . Cette restriction peut tre vue comme homogne si on considre la
condition de normalisation
11
0 | = on peut alors crire
12 11 11
0 | | + = ce qui nous laisse
dire que toutes les restrictions no homognes peuvent scrire sous forme homogne.

Les restrictions homognes et non homognes que nous avons considres jusquici
sinscrivent lintrieur dune quation structurelle. Nous avons aussi des restrictions qui
schelonnent sur plusieurs quations, celle-ci sont appeles restrictions croises.
Par exemple dans le modle.

1 1 2 1
2 1 1 1 1 2 2 2
t t t
t t t t t
Y Y u
Y Y X X u
o
|
= +
= + + +

On peut avoir la restriction
1
= |
1

En prsence de restrictions croises, nous devons considrer le problme didentification
globalement et non plus quation par quation. Le traitement de ce type de restriction dpasse
le niveau de ce texte.

Finalement ; considrant les restrictions sur la matrice variance-covarianceE, des rsidus
structurels. Il sagit ici de poser des restrictions sur les corrlations contemporaines entre les
erreurs appartenant diffrentes quations. Ceci constitue une information supplmentaire
exploitable pour identifier une quation sous identifie. Prenons le modle suivant :
0 1 2 1
0 1 2
d
t t t t t
O
t t t
d O
t t
Q P Y u
Q P u
Q Q Q
o o o
| |
= + + +
= + +
= =

En utilisant la condition dquilibre on obtient
0 1 2 1
0 1 2
t t t
t t
Q P Y u
Q P u
o o o
| |
= + + +
= + +

On sait dj que lquation de demande est sous identifie et que la fonction doffre est
identifie. Utilisant la relation entre forme rduite et forme structurelle

| |
C 0 0
K
B AW
I
H (
= =
(


On obtient
11 1 21 0
12 1 22 2
11 1 21 0
12 1 22
12
1
22
0 11 1 21
0
0
0
0
t o t o
t o t o
t | t |
t | t
t
|
t
| t | t
=
=
=
=
=
=

Concernant lquation de demande, nous avons deux quations pour dterminer trois
paramtres de la forme structurelle
0
,
1
et
2
. Celle-ci est donc sous identifie. Supposons
que nous savons que o
12
= o
21
= 0. Comme on va le voir, cette information va nous aider
rcuprer les
1
. Pour cela crivons la relation entre la matrice E de la forme structurelle et la
matrice de la forme rduite.
T
B B E = + Avec
1
1
1
1
B
o
|
| |
=
|

\ .

Soit donc
2
1 11 12 11
2
1 21 22 1 2 22
1 1 1 0
1 0 a
o o
| o o o
| | | || || |
=
| | | |

\ .\ .\ . \ .

Les
1
sont calculer sous la contrainte que o
12
= o
21
= 0. Par consquent seuls les lments
au dessus et au dessous de la diagonale principale nous intressent :

11 1 21 1 12 1 1 22
11 1 21 1 12 1 1 22
0
0
o | | o
| o | o
+ =
+ =

Utilisant lune ou lautre des deux quations on peut tire les
i
(on obtient le mme rsultat
quelque soit lquation) :
11 1 12
1
12 1 22
0 11 1 21
2 12 1 22
|
o
|
o t o t
o t o t

=
=


1.6 Estimation
Diffrentes mthodes destimation des MES ont t prsentes dans la littrature. Celle-ci
peuvent tre classes selon la mthode quation par quation (Mthode information limite
ou selon la mthode systme(mthode information complte). Dans la premire mthode, on
estime le systme quation par quation utilisant seulement linformation par rapport aux
restrictions imposes sur lquation estime ; le reste de linformation concernant les autres
quations nest pas utilise par contre, dans la mthode complte, on estime toutes les
quations de manire jointe utilisant toutes les restrictions affrentes toutes les quations
ainsi que les variances covariances des erreurs.
Afin de prserver lesprit des MES, lidal serait destimer le modle par la mthode
information complte. Cependant si celle-ci nest pas trs souvent utilise, cest tout
simplement parce que cette mthode est trs sensible aux erreurs de spcification. En dautres
termes, si une erreur de spcification survient dans une quation, cette erreur se transmet
toutes les quations. De plus, la mthode information complte conduit des solutions non
linaires des paramtres et par consquent ceux-ci sont difficilement interprtables. En
pratique, la mthode information limite est la plus utilise. Les diffrentes mthodes
destimations sont rsumes dans le schma ci-dessous :

ILS = indirect least squares
2SLS = two stage least squares
LIML = limited information maximum likelihood
3SLS = three stage least squares
FIML = full information maximum likelihood


1.6.1 Mthodes dEstimation information limite
1.6.1.1 la mthode SUR

Avant de procder avec la mthode SUR, nous allons tout dabord faire un rappel sur
lestimation GLS. Considrons le modle de rgression simple.
Y X u | = +
Avec
T 2
( ) 0 E(uu ) E u I o = =
Lestimateur de est
( )
1

T T
X X X Y |

=
Avec
2 1

( ) ( )
T
V X X | o

=
Supposant maintenant quau lieu de lhypothse
T 2
E(uu ) I o = on fasse lhypothse
T 2
E(uu ) o = O dans ce cas, on dmontre que
( )
1

T T
X X X Y |

= a pour
2 1 1

( ) ( ) ( )
T T T
V X X X X X X | o

= O
Celle-ci nest pas minimum. Cette information. Cette formule est diffrente de la formule
1.2.1. la mthode destimation GLS consiste driver un estimateur de qui aurait toutes les
proprits dsirables mme quand les erreurs sont non sphriques.

Thorme : Si A une matrice symtrique dfinie positive, on peut alors trouver une matrice
non singulire P tel que :
T
A PP = on
1 1 1 1
( ) ( )
T T T T
X AX X X AXX X X

= A = A
O A est la matrice diagonale de A
T
A X X = A
1

Passons maintenant la mthode SUR. Supposons que nous avons m quations structurelles
de la forme :
1 1 1 1
2 2 2 2
.......................
m m m m
y X u
y X u
y X u
|
|
|
= +
= +
= +

Ou y
j
est de dimension (T1), u
j
de dimension (T1), X
j
de dimension (Tkj), Zellner
2
considre lestimation jointe des paramtres |
1
, |
2
,, |
m
par GLS sous les hypothses :

( ) i=1,2,...,m
E(u ) i j(i,j)=1,2,....m
T
i i ii
T
i j ij
E u u I
u I
o
o
=
= =

La premire hypothse stipule lhomoscdasticit et labsence dautocorrlation lintrieur
dune quation donne et lhtroscdasticit dune quation une autre. La deuxime
hypothse stipule lexistence de covariance non nulle dune quation une autre.

1
Se rfrer aux chapitres sur lautocorlation et htroscdasticit
2
A Zellner An Efficient Method of Estimating Seemingly Unrelated regression and tests for Aggregation Bias
Journal of the American Statistical Association, 1962 pp 348-368
Supposons que nous avons T observations et que les m quations font rfrence diffrentes
units organises en panel. On peut alors crire le systme (1.19) sous la forme
1 1 1 1
2 2 2 2
0 0 .. 0
0 0 0
.. .. ................... ..
0 0 0
m m M M
y u X
y u X
y u X
|
|
|
( ( ( (
( ( ( (
( ( ( (
= +
( ( ( (
( ( ( (


Ou dune manire quivalente y x u | = +
Y= mT1 x = mTEk
i
| = Ek
i
1 u = mT1

( )
T
T ij T
E uu I I o ( = E =


Lestimateur GLS est
( ) ( )
1
1 1

T T
x I x x I y |


(
= E E


En fonction des donnes (1.24) peut scrire :
11 12 1
1 1 1 2 1
21 22 2
2 1 2 2 2
1 2
1 2
...
...

.................................................................
...
T T m T
m
T T m T
m
m T m T mm T
m m m m
X X X X X X
X X X X X X
X X X X X X
o o o
o o o
|
o o o

1
1
2
2
.................
j T
j
j T
j
mj T
m j
X y
X y
X y
o
o
o
( E
(
(
(
E (
(

(
(
(
(
(
(
E



Ou les o
ij
sont les lments de E
-1
. On dmontre facilement que

( )
1
1

( )
T
V x I x |

(
E


En pratique E nest pas connu. Pour ce faire, on estime chaque quation du systme (1.18)
sparment par OLS, ensuite on obtient les rsidus
i
u et enfin on estime

(i,j)=1,2....,m
T
i j
ij
u u
T
o =

1.6.1.2 Les moindres carres indirectes
OLS ne peut tre utilise que dans le cas de systme rcursifs. Pour une quation exactement
identifie, la mthode ILS semble la plus approprie. Dans cette mthode , on applique OLS
a la forme rduite et ensuite on drive les coefficients structurels partir des coefficients de la
forme rduite. Supposons le modle suivant.
0 1 2 1
0 1 2 1
Demande
offre( 0)
T t t t
t t t
Q P X u
Q P u
o o o
| | |
= + + +
= + + >

On sait que la demande est sous identifie, don celle-ci nest pas estimable moins de
changer la spcification. Quant loffre celle-ci est identifie. On peut donc utiliser ILS pour
obtenir les estimateurs de |
0
et |
1
de la forme rduite.
| |
C 0
K
B
I
H (
=
(


0 11 1 21
12
1
22
| t | t
t
|
t
=


Appliquant OLS aux quations de la forme rduite
11 12 1
21 22 2
t t t
t t t
Q X v
Q X v
t t
t t
= + +
= + +

On obtient ILS de |
0
et |
1 qui sont
0 11 1 21
12
1
22

| t | t
t
|
t


Application numrique
Soient les donnes suivantes
Tableau 1
anne
indice
delaproduction
agricole(Q)
indice
desprix(P)
dpensesde
consommation
percapita(X)
1960 93 99 1883
1961 92 100 1909
1962 92 103 1969
1963 96 106 2015
1964 93 106 2126
1965 99 103 2239
1966 95 105 2335
1967 100 100 2403
1968 103 101 2486
1969 104 97 2534
1970 101 100 2610
1971 112 107 2683
1972 113 115 2779
1973 119 164 2945
1974 110 212 2846
2
11 12 1
2
21 22 2
47.2196 0.0228 R 0.8668
(t=9.1740)
9.4283 0.0520 R 0.3376

t t t t
t t t t
Q X v X
Q X v X
t t
t t
= + + = + =
= + + = + =
(t=2.5750)

Ce qui nous donne les estimateurs ILS de la fonction doffre
0 11 1 21
12
1
22

51.354

0.43846

| t | t
t
|
t

= =

= =


La rgression ILS est
51.354 0.4386
t t
Q u = + +
Le coefficient sur P est positif, ce qui devrait tre le cas puisque nous avons estim une
fonction de demande
3
.






3
Remarquons que nous navons pas prsent les carts types et les t-statistiques des coefficients structurels. La
raison est que ces coefficients sont des fonction non linaires des coefficients de la forme rduite et il ny a pas
de mthodes pour obtenir ces carts types
1.6.1.3 Doubles moindres carres (2SLS)
Cette mthode peut tre utilise soit dans le cas dune quation sur-identifie soit dans le cas
dune quation exactement identifie. Dans le cas de sur-identification, 2SLS nous donne une
mthode destimation consistante. De plus dans le cas dune quation exactement identifie,
2SLS et ILS sont identiques. Nous allons illustrer la mthode via un exemple et ensuite nous
donnerons une formulation thorique de la mthode. Soit le modle suivant :
1 10 11 2 11 1 12 2 1
21 20 21 1 2
t t t t t
t t t
Y Y X X u
Y Y u
| |
| |
= + + + +
= + +

Ou Y
1
est le revenu, Y
2
est le stock de la monnaie, X
1
est linvestissement et X
2
les dpenses
gouvernementales. La fonction de revenu postule une dpense du revenu par rapport loffre
de monnaie, linvestissement et les dpenses gouvernementales. La fonction de monnaie qui
est une fonction doffre de monnaie postule que le stock de monnaie est contrl par la
banque centrale sur la base du niveau dactivit. Cette fonction peut donc tre interprte
comme une de raction des autorits montaires. Appliquant les rgles didentification, la
fonction de revenu est sous identifie et la fonction montaire est sur-identifie. On ne peut
rien faire pour la fonction de revenu moins de changer la spcification. Concernant la
fonction montaire, celle-ci ne peut tre estime ni par ILS car on obtiendrait 2 estimateurs
pour | ni par OLS puisque que la variable droite Y
1
est stochastique et corrle avec u
2t
.
Supposant que nous pouvons trouver un proxy pour Y
1
en ce sens quelle serait fortement
corrle avec celle-ci mais qui serait non corrle avec u
2t
. si on pouvait trouver un tel proxy
alors la fonction montaire serait estimable.
4
Comment trouver un tel proxy ? Une rponse
nous est fournie par 2SLS dveloppe de manire indpendante par Henri Theil
5
et Robert
Basmann
6
. Comme son nom lindique, la mthode implique deux applications OLS
successives.

Premire tape : Rgresser Y
1
contre toutes les variables exognes du systme. Dans le cas
prsent, on rgresse Y
1
contre X
1
et X
2
et on obtient :
1 11 12 1 13 2


t t t
Y X X t t t = + +
Ou dune manire quivalente
1 1 1

t t t
Y Y v = +
Avec
1 1

( , ) 0
t t
E Y v = Ou v
1t
est le rsidu OLS
Y
1t
consiste donc en une combinaison linaire de variables non stochastique, les X
i
et une
composante stochastique v
1t
.

Deuxime tape : la fonction montaire peut tre crite comme :
2 20 21 1 2 20 21 1 1 2
20 21 1 21 1 2

( )

=
t t t t t t
t t t
Y Y u Y v u
Y v u
| | | |
| | |
= + + = + + +
+ + +

Donc on peut crire
*
2 20 21 1

t t t
Y Y u | | = + +


4
Ce proxy est aussi appel variable instrumentale( Instrumental variable IV)
5
Henri Theil repeated least squares applied to complete Equation Systems The Hague : the central planning
bureau, the Netherlands, 1953
6
Robert Basmann generalized classical method of liner estimation of coefficients in a structural equation
Econometrica, vol 25, pp 77-83 1957
En comparant la fonction montaire originale avec cette dernire quation, on voit quelles
sont similaires en apparence, la diffrence tant Y
1t
est maintenant remplace par
1

t
Y
7
quelle
est lavantage dutiliser cette dernire quation plutt que lquation originale ? On peut
montre que bien que la variable Y
1t
est corrle avec u
2t
dans lquation originale (ce qui rend
la mthode OLS inadquate), dans la nouvelle formulation
1

t
Y est asymptotiquement non
corrle avec
t
u
-
.
Application numrique :Nous allons illustrer la mthode 2SLS en considrant le modle
prcdent : les donnes sont en milliards de dollars.

Table2
Anne PIB=Y
t
Stock mon = Y
2t
Invest= X
1t
Dep Gov =X
2t

1960 503,7 144,2 74,8 53,3
1961 520,1 148,7 71,7 57,4
1962 560,3 150,9 83 63,4
1963 590,5 156,5 87,1 64,2
1964 632,4 163,7 94 65,2
1965 684,9 171,3 108,1 66,9
1966 749,9 175,4 121,4 77,8
1967 793,9 186,9 116,6 90,7
1968 864,2 201,7 126 98,8
1969 930,3 208,7 139 98,8
1670 977,1 221,4 136,3 96,2
1971 1054,9 235,3 153,7 97,6
1972 1158 255,8 179,3 104,9
1973 1294,9 271,5 209,4 106,6
1974 1396,7 283,8 208,9 116,4

Premire tape : on rgresse Y
1
contre toutes les variables exognes du systme :
1 11 12 1 13 2
2
1 1 2

44.79 4.93 3.15 R 0.9896


tsta (10.3083) (3.0336)
t t t
t t t
Y X X
Y X X
t t t = + +
= + + =

Deuxime tape :
2 20 21 1
2
2 1


60.78 0.1624 R 0.9781
(47.76)
t t
t t
Y Y
Y Y
tsta
| | = +
= + =
Ou les t statistiques ont t corrigs selon la formule
*
2
2
21
*

2 2
1 1

t
t t
t
u
u u
t t
u
Y Y
|
o o
o
o
o
= =


A des fins de comparaisons nous donnons les rsultats de lapplication OLS lquation
2 20 21 1 2

t t t
Y Y u | | = + +

7
Notons que si le R
2
obtenu partir de la premire tape est trs faible, alors la mthode 2SLS na plus aucun
sens. La raison est que dans ce cas on remplacerait la variable originale Y
1t
, dans la deuxime tape par lerreur
obtenue dans la premire tape. Au contraire si R
2
obtenu dans la premire tape est trs lev (>0.80) alors
2SLS= OLS. Dans le cas extrme ou R
2
= 1, alors Y
1t
serait pratiquement non stochastique.
Sans purger la variable stochastique Y
1t

2 20 21 1
2
2 1

60.36 0.1629 R 0.9944


(48.28)
t t
t t
Y Y
Y Y
tsta
| | = +
= + =
En comparant OLS et 2SLS, on voit que lon obtient des rsidus similaires. Mais cela ne
devrait pas trop surprendre car comme on la dj not, le R
2
obtenu dans la premire tape
est trs proche de un (0.9896). Rendant Y
1t
et
1

t
Y virtuellement identique.